CN107292901A - 边缘检测方法及装置 - Google Patents

边缘检测方法及装置 Download PDF

Info

Publication number
CN107292901A
CN107292901A CN201710607188.XA CN201710607188A CN107292901A CN 107292901 A CN107292901 A CN 107292901A CN 201710607188 A CN201710607188 A CN 201710607188A CN 107292901 A CN107292901 A CN 107292901A
Authority
CN
China
Prior art keywords
image block
sample image
detected
edge
edge graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710607188.XA
Other languages
English (en)
Other versions
CN107292901B (zh
Inventor
杨松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201710607188.XA priority Critical patent/CN107292901B/zh
Publication of CN107292901A publication Critical patent/CN107292901A/zh
Application granted granted Critical
Publication of CN107292901B publication Critical patent/CN107292901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种边缘检测方法及装置，该方法包括：从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；查找预存的所述相似度最高的样本图像块的边缘图；根据查找到的N个边缘图确定所述待检测图像的边缘图。该技术方案可以得到更加准确的边缘图。

Description

边缘检测方法及装置
技术领域
本公开涉及图像处理技术领域，尤其涉及边缘检测方法及装置。
背景技术
边缘检测是图像处理和计算机视觉中的基本问题，其目的是标识数字图像中亮度变化明显的点，对图像进行边缘检测后可以剔除不相关的信息，保留了图像重要的结构属性，大幅度地减少图像数据量。
发明内容
本公开实施例提供一种边缘检测方法及装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种边缘检测方法，包括：
从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找预存的所述相似度最高的样本图像块的边缘图；
根据查找到的N个边缘图确定所述待检测图像的边缘图。
本公开的实施例提供的技术方案可以包括以下有益效果：本实施例可以将待检测图像中细分成N个预设像素面积的待测图像块，进而得到与这些待测图像块很相似的样本图像块的边缘图，由这些边缘图得到该待检测图像的边缘图，边缘检测快捷准确。
在一个实施例中，所述从待检测图像中截取N个预设像素面积的待测图像块，包括：
采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
本公开的实施例提供的技术方案可以包括以下有益效果：本实施例可以采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，可以保证截取的待测图像块分布均匀，进而保证后续各区域的边缘图的精度，且截取方法简单易实现。
在一个实施例中，所述从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块，包括：
对所述待测图像块进行特征提取，得到所述待测图像块的特征向量；
从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；
查找预存的所述相似度最高的样本特征向量对应的样本图像块。
本公开的实施例提供的技术方案可以包括以下有益效果：本实施例可以对待测图像块进行特征提取，得到所述待测图像块的特征向量；从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；查找预存的所述相似度最高的样本特征向量对应的样本图像块的边缘图，如此获取的与待测图像块的相似度最高的样本图像块比较准确。
在一个实施例中，所述对所述待测图像块进行特征提取，得到所述待测图像块的特征向量，包括：
采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
本公开的实施例提供的技术方案可以包括以下有益效果：本实施例可以采用CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量，提高提取到的特征准确性。
在一个实施例中，所述从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量，包括：
获取根据所述样本图像块的样本特征向量建好的K-维树；
用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量
本公开的实施例提供的技术方案可以包括以下有益效果：本实施例可以获取根据所述样本图像块的样本特征向量建好的K-维树，然后用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量，计算简单且处理速度快捷。
在一个实施例中，所述根据查找到的N个边缘图确定所述待检测图像的边缘图，包括：
将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图。
本公开的实施例提供的技术方案可以包括以下有益效果：本实施例可以将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值，然后根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图，使得得到的边缘图更加精确。
在一个实施例中，所述方法还包括：
获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图；
从所述样本图像中截取若干所述预设像素面积的样本图像块；
根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
本公开的实施例提供的技术方案可以包括以下有益效果：本实施例可以获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图，然后从样本图像对应的边缘图中获取截取的样本图像块对应的边缘图，如此，人工标注的边缘图使得样本图像块的边缘图更准确，且用户可以根据不同需要要求人工标注不同程度的边缘图，使得后续得到的待检测图像的边缘图更符合用户的需求。
根据本公开实施例的第二方面，提供一种边缘检测装置，包括：
第一截取模块，用于从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
第一获取模块，用于针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找模块，用于查找预存的所述相似度最高的样本图像块的边缘图；
确定模块，用于根据查找到的N个边缘图确定所述待检测图像的边缘图。
在一个实施例中，所述第一截取模块包括：
截取子模块，用于采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
在一个实施例中，所述第一获取模块包括：
提取子模块，用于对所述待测图像块进行特征提取，得到所述待测图像块的特征向量；
获取子模块，用于从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；
查找子模块，用于查找预存的所述相似度最高的样本特征向量对应的样本图像块。
在一个实施例中，所述提取子模块，用于采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
在一个实施例中，所述获取子模块，用于获取根据所述样本图像块的样本特征向量建好的K-维树，用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量。
在一个实施例中，所述确定模块包括：
平均子模块，用于将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
确定子模块，用于根据所述待检测图像中各像素的边缘强度值确定所述待检测图像的边缘图。
在一个实施例中，所述装置还包括：
第二获取模块，用于获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图；
第二截取模块，用于从所述样本图像中截取若干所述预设像素面积的样本图像块；
第三获取模块，用于根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
根据本公开实施例的第三方面，提供一种边缘检测装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找预存的所述相似度最高的样本图像块的边缘图；
根据查找到的N个边缘图确定所述待检测图像的边缘图。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令被处理器执行时实现上述的方法中的步骤。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种边缘检测方法的流程图。
图2是根据一示例性实施例示出的一种截取待测图像块的示意图。
图3是根据一示例性实施例示出的另一种截取待测图像块的示意图。
图4是根据一示例性实施例示出的一种边缘图的示意图。
图5是根据一示例性实施例示出的一种边缘检测方法的流程图。
图6是根据一示例性实施例示出的一种边缘检测方法的流程图。
图7是根据一示例性实施例示出的一种边缘检测装置的框图。
图8是根据一示例性实施例示出的一种边缘检测装置的框图。
图9是根据一示例性实施例示出的一种边缘检测装置的框图。
图10是根据一示例性实施例示出的一种边缘检测装置的框图。
图11是根据一示例性实施例示出的一种边缘检测装置的框图。
图12是根据一示例性实施例示出的一种边缘检测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种边缘检测方法的流程图，如图1所示，该边缘检测方法用于终端等设备中，包括以下步骤101-104：
在步骤101中，从待检测图像中截取N个预设像素面积的图像块，所述N为大于1的整数，所述N个图像块形成所述待检测图像。
在该实施例中，像素面积是指图像的面积用像素多少来表示，示例的，如像素面积25*25是指面积大小为长25个像素宽25个像素的区域面积。
在该实施例中，从该待检测图像中截取的N个待测图像块可以互不重叠，也可以部分重叠，终端可以采用任一方式来截取待测图像块，在此不做限制，只要保证这N个待测图像块组合在一起可以形成一个完整的待检测图像即可。示例的，图2是根据一示例性实施例示出的一种截取待测图像块的示意图，图3是根据一示例性实施例示出的另一种截取待测图像块的示意图，参考图2，终端从待检测图像20中截取N个预设像素面积(如25*25)的待测图像块为虚线框圈定的图像块，如待测图像块201，各待测图像块互不重叠。参考图3，终端从待检测图像30中截取N个预设像素面积(如25*25)的待测图像块为虚线框圈定的图像块，如待测图像块301和待测图像块302部分重叠。
在步骤102中，针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块。
在步骤103中，查找预存的所述样本特征向量对应的样本图像块的边缘图。
在该实施例中，终端中可以提前预存大量的样本图像块和该样本图像块的边缘图，这里，样本图像块与待测图像块的像素面积相同。
在该实施例中，针对每个待测图像块，终端可以计算该待测图像块与样本图像块的相似度，得到相似度最高的样本图像块，由于该相似度最高的样本图像块与该待测图像块很相似，故，终端可以将该相似度最高的样本图像块边缘图作为该待测图像块对应的边缘图。
在步骤104中，根据查找到的N个边缘图确定所述待检测图像的边缘图。
在该实施例中，由于终端从该待检测图像中共截取到N个待测图像块，故终端针对每个待测图像块进行步骤102至步骤104后，就可以得到N个待测图像块对应的N个边缘图。
在该实施例中，假设终端按照图2所示截取到N个待测图像块，并按照上述步骤得到N个待测图像块对应的N个边缘图后，由于这N个待测图像块互不重叠，故得到的N个边缘图也互不重叠，如此，终端可以将这N个边缘图按照其对应的待测图像块的位置拼接起来，得到一个边缘图，该边缘图即为该待检测图像的边缘图。
在该实施例中，假设终端按照图3所示截取到N个待测图像块，并按照上述步骤得到N个待测图像块对应的N个边缘图后，由于这N个待测图像块有的图像有部分重叠，故得到的N个边缘图也有部分重叠，如此，终端也可以将这N个边缘图按照其对应的待测图像块的位置拼接起来，在拼接的过程中有的边缘图会部分重叠在一起，如此拼接得到一个边缘图，该边缘图即为该待检测图像的边缘图。
这里需要说明的是，像素面积一定时，重叠的待测图像块越多，最终得到的待测图像块就越多，如此最终得到的待检测图像的边缘图就越精确，但是计算复杂度就越高，故终端可以平衡计算精度和复杂度得到一个合适的N值，而像素面积则不宜太大以保证边缘检测的精度，也不易太小以方便图像块相似度的比对。
本实施例可以将待检测图像中细分成N个预设像素面积的待测图像块，进而得到与这些待测图像块很相似的样本图像块的边缘图，由这些边缘图得到该待检测图像的边缘图，边缘检测快捷准确。
在一种可能的实施方式中，上述边缘检测方法中的步骤101可以实现为以下步骤A1。
在步骤A1中，采用滑动窗口机制，从待检测图像中截取N个预设像素面积的图像块。
在该实施例中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
参考图2，假设滑动窗口的面积为25*25，则滑动窗口的水平滑动步长为25个像素，所述滑动窗口的竖直滑动步长为25个像素时，终端截取的N个预设像素面积(如25*25)的待测图像块为虚线框圈定的图像块，如待测图像块201，各待测图像块互不重叠，参考图3，假设滑动窗口的面积为25*25，则滑动窗口的水平滑动步长为12个像素，所述滑动窗口的竖直滑动步长为25个像素时，终端截取的N个预设像素面积(如25*25)的待测图像块为虚线框圈定的图像块，如待测图像块301、待测图像块302等，相邻的待测图像块部分重叠。从图2或图3中可以看出，采用滑动窗口机制截取待测图像块可以保证截取的待测图像块分布均匀，不会在一片区域截取大量的待测图像块，而在其他区域截取少量的待测图像块，如此均匀地截取到待测图像块，就可以保证后续各区域的边缘图的精度。
这里需要说明的是，像素面积一定时，滑动窗口的步长越小，最终截取的待测图像块就越多，如此最终得到的待检测图像的边缘图就越精确，但是计算复杂度就越高，故终端可以平衡计算精度和复杂度得到一个合适的步长。
本实施例可以采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，可以保证截取的待测图像块分布均匀，进而保证后续各区域的边缘图的精度，且截取方法简单易实现。
在一种可能的实施方式中，上述边缘检测方法中的步骤102可以实现为以下步骤B1至B3。
在步骤B1中，对所述待测图像块进行特征提取，得到所述待测图像块的特征向量。
在步骤B2中，从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量。
在步骤B3中，查找预存的所述相似度最高的样本特征向量对应的样本图像块。
在该实施例中，终端获取与所述待测图像块的相似度最高的样本图像块的方法可以是获取与该待测图像块的特征向量的相似度最高的样本特征向量对应的样本图像块。
在该实施例中，终端可以截取到N个预设像素面积的图像块后，再对每个图像块进行特征提取，当然，终端也可以每截取到一预设像素面积的图像块，就对该图像块进行特征提取，终端可以在进行特征提取的同时继续截取其他图像块，如此可以提高终端的处理速度。
在该实施例中，终端对图像块进行特征提取时可以使用预设的特征提取算法对图像块的图像特征进行提取，如此可以从每个图像块中均得到预设个数的特征，这些特征即可组成该图像块的特征向量，这里预设的特征提取算法可以是图像的纹理特征提取算法，如通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数，等等。
在该实施例中，终端中可以提前预存大量的样本图像块和该样本图像块的样本特征向量，这里，样本图像块与待检测图像中截取的图像块的像素面积相同，样本图像块的样本特征向量与待检测图像中截取的图像块的特征向量采用相同的方法提取。
在该实施例中，终端在获得待检测图像中截取的图像块的特征向量后，可以计算该特征向量与样本特征向量的相似度，得到相似度最高的样本特征向量，当然，终端也可以采用其他的最大相似度搜索方法，从这些样本特征向量中搜索到与该特征向量最相似的样本特征向量。如此，该最相似的样本特征向量对应的样本图像块就是与该待检测图像中截取的图像块最相似的样本图像块。
本实施例可以对待测图像块进行特征提取，得到所述待测图像块的特征向量；从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；查找预存的所述相似度最高的样本特征向量对应的样本图像块的边缘图，如此获取的与待测图像块的相似度最高的样本图像块比较准确。
在一种可能的实施方式中，上述边缘检测方法中的步骤B1可以实现为以下步骤B11。
在步骤B11中，采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
在该实施例中，CNN(Convolutional Neural Network，卷积神经网络)包括卷积层，每个卷积层中会使用一个卷积核，对于一个卷积核将其与给定的图像做卷积就可以提取一种图像的特征，不同的卷积核可以提取不同的特征。使用该CNN对待测图像块进行特征提取时，可以提取到逻辑较深的高维位特征，不存在忽略高维特征的问题，提取到的特征准确性更高。
本实施例可以采用CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量，提高提取到的特征准确性。
在一种可能的实施方式中，上述边缘检测方法中的步骤B2可以实现为以下步骤B21。
在步骤B21中，获取根据所述样本图像块的样本特征向量建好的K-维树。
在步骤B22中，用所述建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量，所述K-维树包括根据所述样本图像块的样本特征向量进行K-维树建模得到的K-维树
在该实施例中，K-维树(K-dimension tree，K-d树)，是对数据点在K维空间(如二维(x，y)，三维(x，y，z)，k维(x1，y，z..))中划分的一种数据结构，可以用于多维空间中最近邻数据的搜索，用预存的样本特征向量建模得到K-维树后，就可以在该K-维树中检索到与该待测图像块的特征向量距离最近的样本特征向量，该检索到的样本特征向量就是与该特征向量的相似度最高的样本特征向量，使用K-维树进行最近邻搜索获得与所述特征向量的相似度最高的样本特征向量，计算简单且速度快捷。
这里需要说明的是，终端可以从其他终端或服务器中获取建好的K-维树，也可以使用本终端对预存的所述样本图像块的样本特征向量进行K-维树建模，获取建好的K-维树，在此不做限制。
本实施例可以获取根据所述样本图像块的样本特征向量建好的K-维树，然后用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量，计算简单且处理速度快捷。
在一种可能的实施方式中，上述边缘检测方法中的步骤104可以实现为以下步骤C1和C2。
在步骤C1中，将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值。
在步骤C2中，根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图。
在该实施例中，该边缘强度可以用黑白色来表示，示例的，图4是根据一示例性实施例示出的一种边缘图的示意图，参考图4，边缘图中的黑白灰代表了不同的边缘强度值，灰度中越偏白的像素的边缘强度值越高，越偏黑的像素的边缘强度值越低。
在该实施例中，终端在获取到N个边缘图后，若终端截取的图像块有部分重叠，则获取到的N个边缘图也会有部分重叠，此时，为了更精确地得出重叠部分的边缘图，终端可以将重叠部分的边缘图的边缘强度进行平均，示例的，参考图3，对于待检测图像中像素303，该像素303属于被截取的N个图像块中的待测图像块301和待测图像块302，故该像素303会对应在待测图像块301的边缘图a和待测图像块302的边缘图b中，终端可以计算像素303对应在边缘图a中的边缘强度值和对应在边缘图b中的边缘强度值的平均值，该平均值即为该像素303的边缘强度值。当然，对于一些像素来说，其只属于被截取的N个图像块中的一个图像块，即该像素对应在N个边缘图中的边缘强度值只有一个，此时，该像素的边缘强度值就是其对应的唯一一个边缘图中的边缘强度值。
如此，终端获取到待检测图像中各像素的边缘强度值后就可以按照上述的该边缘强度值与黑白色的对应关系，得到该待检测图像的边缘图。
本实施例可以将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值，然后根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图，使得得到的边缘图更加精确。
在一种可能的实施方式中，上述边缘检测方法还可以包括以下步骤D1至D3。
在步骤D1中，获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图。
在步骤D2中，从所述样本图像中截取若干所述预设像素面积的样本图像块。
在步骤D3中，根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
在该实施例中，终端中预存的样本图像块对应的边缘图还可以是终端自己处理获取的，终端可以预先存储大量的样本图像和样本图像对应的边缘图，该样本图像的边缘图是人工标注的边缘图，如此，使得样本图像的边缘图更准确，且用户可以根据不同需要要求人工标注不同程度的边缘图，使得后续得到的待检测图像的边缘图更符合用户的需求。
在该实施例中，终端可以从所述样本图像中截取若干所述预设像素面积的样本图像块，这里，终端可以从同一样本图像中截取不同的几个样本图像块，也可以从每个样本图像中截取一个样本图像块，在此不做限制，只要用户从这些样本图像中截取出足够数量的样本图像块即可。
在该实施例中，终端可以根据该样本图像对应的边缘图，参考样本图像块在样本图像中的位置，获取截取的样本图像块对应的边缘图。
这里需要说明的是，终端通过确定与该待测图像块的特征向量的相似度最高的样本特征向量来确定与该待测图像块对应的样本图像块时，终端也可以预先对各个所述样本图像块进行特征提取，得到各样本图像块的特征向量，并根据各样本图像块的特征向量进行K-维树建模，建立好K-维树。
本实施例可以获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图，然后从样本图像对应的边缘图中获取截取的样本图像块对应的边缘图，如此，人工标注的边缘图使得样本图像块的边缘图更准确，且用户可以根据不同需要要求人工标注不同程度的边缘图，使得后续得到的待检测图像的边缘图更符合用户的需求。
下面通过几个实施例详细介绍实现过程。
图5是根据一示例性实施例示出的一种边缘检测方法的流程图，如图5所示，该方法可以由终端等设备实现，包括步骤501-507。
在步骤501中，采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
在步骤502中，针对每个待测图像块，对所述待测图像块进行特征提取，得到所述待测图像块的特征向量。
在步骤503中，从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量。
在步骤504中，查找预存的所述相似度最高的样本特征向量对应的样本图像块。
在步骤505中，查找预存的所述相似度最高的样本图像块的边缘图。
在步骤506中，将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值。
在步骤507中，根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图。
图6是根据一示例性实施例示出的一种边缘检测方法的流程图，如图6所示，该方法可以由终端等设备实现，包括步骤601-611。
在步骤601中，获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图。
在步骤602中，从所述样本图像中截取若干所述预设像素面积的样本图像块。
在步骤603中，根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
在步骤604中，采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
在步骤605中，采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
在步骤606中，获取根据所述样本图像块的样本特征向量建好的K-维树。
在步骤607中，用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量。
在步骤608中，查找预存的所述相似度最高的样本特征向量对应的样本图像块。
在步骤609中，查找预存的所述相似度最高的样本图像块的边缘图。
在步骤610中，将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
在步骤611中，根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图。
这里需要说明的是，图6所示的步骤顺序只是一种示例，在实际应用中终端也可以先进行训练过程即步骤601、步骤602、步骤603和步骤606，得到各样本图像块对应的边缘图和建好的K-维树，然后在得到待检测图像后进行步骤604、步骤605、步骤607至步骤611得到待检测图像的边缘图。
这里，终端也可以从其他终端或服务器中获取各样本图像块对应的边缘图和建好的K-维树，这样终端只需要进行步骤604、步骤605、步骤607至步骤611即可。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图7是根据一示例性实施例示出的一种边缘检测装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图7所示，该边缘检测装置包括：第一截取模块701、第一获取模块702、查找模块703和确定模块704；其中：
第一截取模块701，用于从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
第一获取模块702，用于针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找模块703，用于查找预存的所述相似度最高的样本图像块的边缘图；
确定模块704，用于根据查找到的N个边缘图确定所述待检测图像的边缘图。
作为一种可能的实施例，图8是根据一示例性实施例示出的一种边缘检测装置的框图，参考图8，上述公开的边缘检测装置还可以把所述第一截取模块701配置成包括截取子模块7011，其中：
截取子模块7011，用于采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
作为一种可能的实施例，图9是根据一示例性实施例示出的一种边缘检测装置的框图，参考图9，上述公开的边缘检测装置还可以把所述第一获取模块702配置成包括提取子模块7021、获取子模块7022和查找子模块7023，其中：
提取子模块7021，用于对所述待测图像块进行特征提取，得到所述待测图像块的特征向量；
获取子模块7022，用于从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；
查找子模块7023，用于查找预存的所述相似度最高的样本特征向量对应的样本图像块。
作为一种可能的实施例，上述公开的边缘检测装置中，所述提取子模块7021，用于采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
作为一种可能的实施例，上述公开的边缘检测装置中，所述获取子模块7022，用于获取根据所述样本图像块的样本特征向量建好的K-维树，用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量。
作为一种可能的实施例，图10是根据一示例性实施例示出的一种边缘检测装置的框图，参考图10，上述公开的边缘检测装置还可以把所述确定模块704配置成包括平均子模块7041和确定子模块7042，其中：
平均子模块7041，用于将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
确定子模块7042，用于根据所述待检测图像中各像素的边缘强度值确定所述待检测图像的边缘图。
作为一种可能的实施例，图11是根据一示例性实施例示出的一种边缘检测装置的框图，参考图11，上述公开的边缘检测装置还可以被配置成包括第二获取模块705、第二截取模块706和第三获取模块707，其中：
第二获取模块705，用于获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图；
第二截取模块706，用于从所述样本图像中截取若干所述预设像素面积的样本图像块；
第三获取模块707，用于根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图12是根据一示例性实施例示出的一种边缘检测装置的框图，该装置适用于终端设备。例如，装置1200可以是移动电话，游戏控制台，电脑、平板设备，个人数字助理等。
装置1200可以包括以下一个或多个组件：处理组件1201，存储器1202，电源组件1203，多媒体组件1204，音频组件1205，输入/输出(I/O)接口1206，传感器组件1207，以及通信组件1208。
处理组件1201通常控制装置1200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1201可以包括一个或多个处理器1220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1201可以包括一个或多个模块，便于处理组件1201和其他组件之间的交互。例如，处理组件1201可以包括多媒体模块，以方便多媒体组件1204和处理组件1201之间的交互。
存储器1202被配置为存储各种类型的数据以支持在装置1200的操作。这些数据的示例包括用于在装置1200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1202可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件1203为装置1200的各种组件提供电力。电源组件1203可以包括电源管理系统，一个或多个电源，及其他与为装置1200生成、管理和分配电力相关联的组件。
多媒体组件1204包括在所述装置1200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1204包括一个前置摄像头和/或后置摄像头。当装置1200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1205被配置为输出和/或输入音频信号。例如，音频组件1205包括一个麦克风(MIC)，当装置1200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1202或经由通信组件1208发送。在一些实施例中，音频组件1205还包括一个扬声器，用于输出音频信号。
I/O的接口1206为处理组件1201和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1207包括一个或多个传感器，用于为装置1200提供各个方面的状态评估。例如，传感器组件1207可以检测到装置1200的打开/关闭状态，组件的相对定位，例如所述组件为装置1200的显示器和小键盘，传感器组件1207还可以检测装置1200或装置1200一个组件的位置改变，用户与装置1200接触的存在或不存在，装置1200方位或加速/减速和装置1200的温度变化。传感器组件1207可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1207还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1207还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1208被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1208经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1208还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置1200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1202，上述指令可由装置1200的处理器1220执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本实施例提供了一种计算机可读存储介质，当所述存储介质中的指令由装置1200的处理器执行时实现以下步骤：
从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找预存的所述相似度最高的样本图像块的边缘图；
根据查找到的N个边缘图确定所述待检测图像的边缘图。
所述存储介质中的指令被处理器执行时还可以实现以下步骤：
所述从待检测图像中截取N个预设像素面积的待测图像块，包括：
采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
所述存储介质中的指令被处理器执行时还可以实现以下步骤：
所述从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块，包括：
对所述待测图像块进行特征提取，得到所述待测图像块的特征向量；
从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；
查找预存的所述相似度最高的样本特征向量对应的样本图像块。
所述存储介质中的指令被处理器执行时还可以实现以下步骤：
所述对所述待测图像块进行特征提取，得到所述待测图像块的特征向量，包括：
采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
所述存储介质中的指令被处理器执行时还可以实现以下步骤：
所述从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量，包括：
获取根据所述样本图像块的样本特征向量建好的K-维树；
用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量。
所述存储介质中的指令被处理器执行时还可以实现以下步骤：
所述根据查找到的N个边缘图确定所述待检测图像的边缘图，包括：
将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图。
所述存储介质中的指令被处理器执行时还可以实现以下步骤：
所述方法还包括：
获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图；
从所述样本图像中截取若干所述预设像素面积的样本图像块；
根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
本实施例还提供了一种边缘检测装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找预存的所述相似度最高的样本图像块的边缘图；
根据查找到的N个边缘图确定所述待检测图像的边缘图。
所述处理器还可以被配置为：
所述从待检测图像中截取N个预设像素面积的待测图像块，包括：
采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
所述处理器还可以被配置为：
所述从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块，包括：
对所述待测图像块进行特征提取，得到所述待测图像块的特征向量；
从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；
查找预存的所述相似度最高的样本特征向量对应的样本图像块。
所述处理器还可以被配置为：
所述对所述待测图像块进行特征提取，得到所述待测图像块的特征向量，包括：
采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
所述处理器还可以被配置为：
所述从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量，包括：
获取根据所述样本图像块的样本特征向量建好的K-维树；
用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量。
所述处理器还可以被配置为：
所述根据查找到的N个边缘图确定所述待检测图像的边缘图，包括：
将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图。
所述处理器还可以被配置为：
所述方法还包括：
获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图；
从所述样本图像中截取若干所述预设像素面积的样本图像块；
根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种边缘检测方法，其特征在于，包括：
从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找预存的所述相似度最高的样本图像块的边缘图；
根据查找到的N个边缘图确定所述待检测图像的边缘图。
2.根据权利要求1所述的方法，其特征在于，所述从待检测图像中截取N个预设像素面积的待测图像块，包括：
采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
3.根据权利要求1所述的方法，其特征在于，所述从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块，包括：
对所述待测图像块进行特征提取，得到所述待测图像块的特征向量；
从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；
查找预存的所述相似度最高的样本特征向量对应的样本图像块。
4.根据权利要求3所述的方法，其特征在于，所述对所述待测图像块进行特征提取，得到所述待测图像块的特征向量，包括：
采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
5.根据权利要求3所述的方法，其特征在于，所述从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量，包括：
获取根据所述样本图像块的样本特征向量建好的K-维树；
用建好的k-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量。
6.根据权利要求1所述的方法，其特征在于，所述根据查找到的N个边缘图确定所述待检测图像的边缘图，包括：
将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
根据所述待检测图像中各像素的边缘强度值得到所述待检测图像的边缘图。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图；
从所述样本图像中截取若干所述预设像素面积的样本图像块；
根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
8.一种边缘检测装置，其特征在于，包括：
第一截取模块，用于从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
第一获取模块，用于针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找模块，用于查找预存的所述相似度最高的样本图像块的边缘图；
确定模块，用于根据查找到的N个边缘图确定所述待检测图像的边缘图。
9.根据权利要求8所述的装置，其特征在于，所述第一截取模块包括：
截取子模块，用于采用滑动窗口机制，从待检测图像中截取N个预设像素面积的待测图像块，其中，所述滑动窗口的面积为所述预设像素面积，所述滑动窗口的水平滑动步长大于等于1个像素，所述滑动窗口的竖直滑动步长大于等于1个像素。
10.根据权利要求8所述的装置，其特征在于，所述第一获取模块包括：
提取子模块，用于对所述待测图像块进行特征提取，得到所述待测图像块的特征向量；
获取子模块，用于从预存的所述样本图像块的样本特征向量获取与所述特征向量的相似度最高的样本特征向量；
查找子模块，用于查找预存的所述相似度最高的样本特征向量对应的样本图像块。
11.根据权利要求10所述的装置，其特征在于，
所述提取子模块，用于采用卷积神经网络CNN对所述待测图像块进行特征提取，得到待测图像块的特征向量。
12.根据权利要求10所述的装置，其特征在于，
所述获取子模块，用于获取根据所述样本图像块的样本特征向量建好的K-维树，用建好的K-维树对所述待测图像块的特征向量进行最近邻搜索，获取与所述特征向量的相似度最高的样本特征向量。
13.根据权利要求8所述的装置，其特征在于，所述确定模块包括：
平均子模块，用于将所述待检测图像中各像素对应在N个边缘图中的边缘强度值进行平均，得到所述待检测图像中各像素的边缘强度值；
确定子模块，用于根据所述待检测图像中各像素的边缘强度值确定所述待检测图像的边缘图。
14.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取样本图像和所述样本图像对应的边缘图，所述样本图像对应的边缘图为人工标注的边缘图；
第二截取模块，用于从所述样本图像中截取若干所述预设像素面积的样本图像块；
第三获取模块，用于根据所述样本图像对应的边缘图，获取所述样本图像块对应的边缘图。
15.一种边缘检测装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
从待检测图像中截取N个预设像素面积的待测图像块，所述N为大于1的整数，所述N个待测图像块形成所述待检测图像；
针对每个待测图像块，从预存的样本图像块中获取与所述待测图像块的相似度最高的样本图像块；
查找预存的所述相似度最高的样本图像块的边缘图；
根据查找到的N个边缘图确定所述待检测图像的边缘图。
16.一种计算机可读存储介质，存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至7所述的方法中的步骤。
CN201710607188.XA 2017-07-24 2017-07-24 边缘检测方法及装置 Active CN107292901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710607188.XA CN107292901B (zh) 2017-07-24 2017-07-24 边缘检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710607188.XA CN107292901B (zh) 2017-07-24 2017-07-24 边缘检测方法及装置

Publications (2)

Publication Number Publication Date
CN107292901A true CN107292901A (zh) 2017-10-24
CN107292901B CN107292901B (zh) 2020-06-02

Family

ID=60103017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710607188.XA Active CN107292901B (zh) 2017-07-24 2017-07-24 边缘检测方法及装置

Country Status (1)

Country Link
CN (1) CN107292901B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038423A (zh) * 2017-11-22 2018-05-15 广东数相智能科技有限公司 基于图像识别的汽车车型的识别方法及装置
CN108447068A (zh) * 2017-12-22 2018-08-24 杭州美间科技有限公司 三元图自动生成方法及利用该三元图的前景提取方法
CN111127699A (zh) * 2019-11-25 2020-05-08 爱驰汽车有限公司 汽车缺陷数据自动录入方法、系统、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143076A (zh) * 2013-05-09 2014-11-12 腾讯科技（深圳）有限公司 人脸形状的匹配方法和系统
CN105957059A (zh) * 2016-04-20 2016-09-21 广州视源电子科技股份有限公司 电子元件漏件检测方法和系统
WO2016189777A1 (ja) * 2015-05-28 2016-12-01 株式会社Ｊｖｃケンウッド 路面標示検出装置、障害要素検出装置、車線検出装置、車線検出方法及びプログラム
CN106504231A (zh) * 2016-10-11 2017-03-15 广州视源电子科技股份有限公司 元件缺陷检测方法和系统
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN106920229A (zh) * 2017-01-22 2017-07-04 北京奇艺世纪科技有限公司 图像模糊区域自动检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143076A (zh) * 2013-05-09 2014-11-12 腾讯科技（深圳）有限公司 人脸形状的匹配方法和系统
WO2016189777A1 (ja) * 2015-05-28 2016-12-01 株式会社Ｊｖｃケンウッド 路面標示検出装置、障害要素検出装置、車線検出装置、車線検出方法及びプログラム
CN105957059A (zh) * 2016-04-20 2016-09-21 广州视源电子科技股份有限公司 电子元件漏件检测方法和系统
CN106504231A (zh) * 2016-10-11 2017-03-15 广州视源电子科技股份有限公司 元件缺陷检测方法和系统
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN106920229A (zh) * 2017-01-22 2017-07-04 北京奇艺世纪科技有限公司 图像模糊区域自动检测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038423A (zh) * 2017-11-22 2018-05-15 广东数相智能科技有限公司 基于图像识别的汽车车型的识别方法及装置
CN108038423B (zh) * 2017-11-22 2022-03-04 广东数相智能科技有限公司 基于图像识别的汽车车型的识别方法及装置
CN108447068A (zh) * 2017-12-22 2018-08-24 杭州美间科技有限公司 三元图自动生成方法及利用该三元图的前景提取方法
CN108447068B (zh) * 2017-12-22 2020-09-01 杭州美间科技有限公司 三元图自动生成方法及利用该三元图的前景提取方法
CN111127699A (zh) * 2019-11-25 2020-05-08 爱驰汽车有限公司 汽车缺陷数据自动录入方法、系统、设备及介质

Also Published As

Publication number Publication date
CN107292901B (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
TWI724736B (zh) 圖像處理方法及裝置、電子設備、儲存媒體和電腦程式
WO2019101021A1 (zh) 图像识别方法、装置及电子设备
US10007841B2 (en) Human face recognition method, apparatus and terminal
CN104700353B (zh) 图像滤镜生成方法及装置
CN106548145A (zh) 图像识别方法及装置
CN107239535A (zh) 相似图片检索方法及装置
CN107368810A (zh) 人脸检测方法及装置
CN106557759B (zh) 一种标志牌信息获取方法及装置
CN106228556B (zh) 图像质量分析方法和装置
CN107688781A (zh) 人脸识别方法及装置
CN105631403A (zh) 人脸识别方法及装置
CN105426867A (zh) 人脸识别验证方法及装置
CN107944367B (zh) 人脸关键点检测方法及装置
CN104077563B (zh) 人脸识别方法和装置
CN105975961B (zh) 人脸识别的方法、装置及终端
CN107330868A (zh) 图片处理方法及装置
CN107958223A (zh) 人脸识别方法及装置、移动设备、计算机可读存储介质
CN109034150B (zh) 图像处理方法及装置
CN106295530A (zh) 人脸识别方法及装置
CN106339695A (zh) 人脸相似检测方法、装置及终端
CN105631467A (zh) 显示图片的方法及装置
CN104933700B (zh) 一种进行图像内容识别的方法和装置
CN105528765A (zh) 处理图像的方法及装置
CN107292901A (zh) 边缘检测方法及装置
CN112200040A (zh) 遮挡图像检测方法、装置及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant