CN108961180A - 红外图像增强方法及系统 - Google Patents

Abstract

本发明提出了一种红外图像增强方法及系统，其特征在于，包括以下步骤：利用卷积神经网络提取与低分辨率红外图像对应的高清可见光图像的轮廓信息；使用超像素分割神经网络对所述低分辨率红外图像进行处理，以获得高清红外图像信息；对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理。根据本发明的红外图像增强方法，以红外和对应的可见光图像作为训练数据，通过训练得到一个可以有效恢复红外图像中物体信息的超分辨率重建网络。

Description

红外图像增强方法及系统

技术领域

本发明涉及红外图像处理技术领域，尤其涉及一种红外图像增强方法及系统。

背景技术

红外图像反映场景的辐射特性，但受限于红外相机的成像原理和成本，红外图像通常是低像素和带有某些模糊效果，红外图像中的物体往往不够清晰，使得基于红外图像的跟踪定位十分困难，这种特性降低了红外相机的使用场景。因此提高红外图像的空间分辨率是一个亟待解决的问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种红外图像增强方法，以红外和对应的可见光图像作为训练数据，通过训练得到一个可以有效恢复红外图像中物体信息的超分辨率重建网络。

本发明的第二个目的在于提出一种红外图像增强系统。

为达到上述目的，本发明第一方面实施例提出了一种红外图像增强方法，包括以下步骤：S1：利用卷积神经网络提取与低分辨率红外图像对应的高清可见光图像的轮廓信息；S2：使用超像素分割神经网络对所述低分辨率红外图像进行处理，以获得高清红外图像信息；S3：对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理，其中，在进行处理时，将所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行比较，将所述高清红外图像信息和所述高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的所述高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到所述高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件。

根据本发明的红外图像增强方法，以红外和对应的可见光图像作为训练数据，通过训练得到一个可以有效恢复红外图像中物体信息的超分辨率重建网络，并且该方法可以仅在训练阶段需要输入对应的可见光图像，一旦超分辨率重建模型训练完成，红外图像的恢复将会非常容易，红外图像中物体的细节也能得到很好的恢复。

另外，根据本发明上述实施例的红外图像增强方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，训练所述卷积神经网络，并利用训练好的所述卷积神经网络提取所述高清可见光图像的轮廓信息。

根据本发明的一个实施例，训练所述卷积神经网络包括以下步骤：S11：收集所述高清可见光图像的数据集以及对应的已标注的真实边缘信息；S12：将所述可见光数据集分为训练数据、测试数据和验证数据；S13：改进所述卷积神经网络用于边缘提取任务；S14：利用所述训练数据，所述测试数据对该模型进行迭代优化，直到满足终止条件。

根据本发明的一个实施例，改进所述卷积神经网络包括以下步骤：S131：采用U型网络作为改进的基础模型；S132：在所述U型网络的每次反卷积操作之前，引入全卷积层，以获得不同尺度的分割图像；S133：将不同尺度下得到的分割图像进行加权叠加，以获得最终的所述高清可见光图像的轮廓信息。

根据本发明的一个实施例，所述低分辨率红外图像进行处理，以获得高清红外图像信息包括以下步骤：S21：收集低分辨率的红外图像；S22：使用SRCNN网络进行红外图像的超分辨率重建，并获得最终的高分辨率红外图像。

根据本发明的一个实施例，对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，包括以下步骤：S31：调整所述高清红外图像信息以使红外图像的尺寸与所述可见光图像的轮廓信息对应的尺寸相同；S32：利用提取所述高清可见光图像的轮廓信息的卷积神经网络提取高清红外图像信息。

根据本发明的一个实施例，对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，包括以下步骤：S33：输入所述高清红外图像信息与所述高清可见光图像的轮廓信息；S34：计算所述高清可见光图像的轮廓信息与所述高清红外图像信息的差异值；S35：更新所述卷积神经网络参数，直到差异值满足要求。

根据本发明的一个实施例，所述损失函数为：

其中M代表单次参与迭代的数据的个数，N代表单张图的图像平面，其中(x,y)代表图像平面中的像素点，如果像素点(x,y)是轮廓像素点，则I(x,y)＝1，如果(x,y)不是轮廓像素点，则I(x,y)＝0.Dc代表红外轮廓像素点与可见光轮廓像素点的距离，V(x,y)代表红外图像中轮廓像素点的位置，而Vgd是可见光轮廓图中与之最近的像素点的位置，如果他们的距离大于一定的阈值，该值为0。

为达到上述目的，本发明第二方面实施例提出了一种红外图像增强系统以实现上述的红外图像增强方法。包括：含有卷积神经网络的第一轮廓提取模型，所述第一轮廓提取模型用于从低分辨率红外图像提取高清可见光图像的轮廓信息；含有超像素分割神经网络的超分辨率重建模型，所述超分辨率重建模型对所述低分辨率红外图像进行处理，以获得高清红外图像信息；和处理器，所述处理器与所述第一轮廓提取模型和所述超分辨率重建模型相连，所述处理器用于对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理，其中，在处理时，将所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行比较，将所述高清红外图像信息和所述高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的所述高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到所述高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件。

根据本发明的红外图像增强系统，以红外和对应的可见光图像作为训练数据，通过训练得到一个可以有效恢复红外图像中物体信息的超分辨率重建网络，并且该方法可以仅在训练阶段需要输入对应的可见光图像，一旦超分辨率重建模型训练完成，红外图像的恢复将会非常容易，红外图像中物体的细节也能得到很好的恢复。

根据本发明的一个实施例，设在所述超分辨率重建模型与所述处理器之间的第二轮廓提取模型，所述第二轮廓提取模型与所述第一轮廓提取模型具有相同的卷积神经网络。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的红外图像增强方法的流程图。

图2为根据本发明实施例的红外图像增强方法的流程图S1的流程图。

图3为根据本发明实施例的红外图像增强方法的流程图S2的流程图。

图4为根据本发明实施例的红外图像增强方法的流程图S3的流程图。

图5为根据本发明实施例的红外图像增强系统的结构图。

图6为根据本发明实施例的红外图像增强系统的第一轮廓提取模型的结构图。

图7为根据本发明实施例的红外图像增强方法的多尺寸轮廓图的融合示意图。

图8为根据本发明实施例的红外图像增强方法红外图像轮廓与可见光轮廓的比较图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图1-8描述本发明实施例的红外图像增强方法和系统。

图1为本发明实施例的红外图像增强方法的流程图。如图1所示，该红外图像增强方法，包括以下步骤：

S1：利用卷积神经网络提取与低分辨率红外图像对应的高清可见光图像的轮廓信息。

具体地，根据本发明的一个实施例，可以训练卷积神经网络，并利用训练好的卷积神经网络提取高清可见光图像的轮廓信息。

可以理解的是，卷积神经网络(轮廓提取网络)需要被预先训练，该网络的具体结构如图6所示。基于经典的U型网络修改而成(U型网络可以将图像中的每个像素点进行分类)。

为了利用图像的多尺度信息，本发明在U型网络的基础上添加了若干其他层，如图6所示，在U型网络的右半部分，在每次反卷积操作之前，添加一个卷积核大小为1*1的全卷积网络层，以获得该尺度下的分割结果(将像素分为两类，边缘与非边缘)，即获得了多尺度(不同尺寸)的轮廓图。

获得多尺度的轮廓之后，将他们调整到相同尺寸(插值算法)，并进行带权重的相加，不同的权重大小代表该尺度的轮廓在最终轮廓图中所占的比重大小。该结构中需要学习的参数包括：全卷积层的参数和不同尺度轮廓图的权重。

S2：使用超像素分割神经网络对所述低分辨率红外图像进行处理，以获得高清红外图像信息。

参见图3，根据本发明的一个实施例，所述低分辨率红外图像进行处理，以获得高清红外图像信息包括以下步骤：S21：收集低分辨率的红外图像。S22：使用SRCNN网络进行红外图像的超分辨率重建，并获得最终的高分辨率红外图像。换句话说，将低分辨率的红外图像作为输入，超分辨率重建网络作为工具，目标是生成高分辨率的红外图像。许多经典的超分辨率重建模型可以用于实现此步骤，比如SRCNN，FSRCNN。当该模型训练完成，其将被用于红外图像的增强。

S3：对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理，其中，在进行处理时，将所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行比较，将所述高清红外图像信息和所述高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的所述高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到所述高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件。

具体地，根据本发明的一个实施例，本步骤主要比较红外图像轮廓和可见光轮廓的细节，示意图如图8所示，将可见光图像提取的轮廓图作为参考，比较红外图像提取的轮廓图与前者的相似性，并以此为标准评价超分辨率重建模型的性能。

根据本发明的红外图像增强方法，以红外和对应的可见光图像作为训练数据，通过训练得到一个可以有效恢复红外图像中物体信息的超分辨率重建网络，并且该方法可以仅在训练阶段需要输入对应的可见光图像，一旦超分辨率重建模型训练完成，红外图像的恢复将会非常容易，红外图像中物体的细节也能得到很好的恢复。

参见图2，根据本发明的一个实施例，红外图像增强方法中，训练所述卷积神经网络包括以下步骤：

S11：收集所述高清可见光图像的数据集以及对应的已标注的真实边缘信息，以为下一步处理进行准备。

S12：将所述可见光数据集分为训练数据、测试数据和验证数据，以便于后续过程中对数据进行处理。

S13：改进所述卷积神经网络用于边缘提取任务。

根据本发明的一个实施例，改进所述卷积神经网络包括以下步骤：

S131：采用U型网络作为改进的基础模型，由此，可以便于利用图像的多尺度信息。进一步地，在S132中：在U型网络的每次反卷积操作之前，引入全卷积层，以获得不同尺度的分割图像，例如参见图6，在U型网络的右半部分，在每次反卷积操作之前，添加一个卷积核大小为1*1的全卷积网络层，以获得该尺度下的分割结果(将像素分为两类，边缘与非边缘)，即获得了多尺度(不同尺寸)的轮廓图。在S133中：将不同尺度下得到的分割图像进行加权叠加，以获得最终的所述高清可见光图像的轮廓信息。

S14：利用所述训练数据，所述测试数据对该模型进行迭代优化，直到满足终止条件。换言之，获得多尺度的轮廓之后，将他们调整到相同尺寸(插值算法)，并进行带权重的相加，不同的权重大小代表该尺度的轮廓在最终轮廓图中所占的比重大小。该结构中需要学习的参数包括：全卷积层的参数和不同尺度轮廓图的权重。

参见图4，根据本发明的一个实施例，对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，包括以下步骤：

S31：调整所述高清红外图像信息以使红外图像的尺寸与所述可见光图像的轮廓信息对应的尺寸相同。S32：利用提取所述高清可见光图像的轮廓信息的卷积神经网络提取高清红外图像信息。由此，可以便于多各种轮廓信息的处理。

根据本发明的一个实施例，对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，包括以下步骤：

S33：输入所述高清红外图像信息与所述高清可见光图像的轮廓信息。S34：计算所述高清可见光图像的轮廓信息与所述高清红外图像信息的差异值。S35：更新所述卷积神经网络参数，直到差异值满足要求。可以理解的是，本步骤主要描述比较红外图像轮廓和可见光轮廓的细节，将可见光图像提取的轮廓图作为参考，比较红外图像提取的轮廓图与前者的相似性，并以此为标准评价超分辨率重建模型的性能。

根据本发明的一些实施例，所述损失函数为：

其中M代表单次参与迭代的数据的个数，N代表单张图的图像平面，其中(x,y)代表图像平面中的像素点，如果像素点(x,y)是轮廓像素点，则I(x,y)＝1，如果(x,y)不是轮廓像素点，则I(x,y)＝0.Dc代表红外轮廓像素点与可见光轮廓像素点的距离，V(x,y)代表红外图像中轮廓像素点的位置，而Vgd是可见光轮廓图中与之最近的像素点的位置，如果他们的距离大于一定的阈值，该值为0。根据此损失函数可以更好地进行计算，以提高重建模型的性能。

参见图5，根据本发明的实施例的红外图像增强系统，包括：含有卷积神经网络的第一轮廓提取模型101、含有超像素分割神经网络的超分辨率重建模型102和处理器103。

具体而言，第一轮廓提取模型101用于从低分辨率红外图像提取高清可见光图像的轮廓信息。超分辨率重建模型102对所述低分辨率红外图像进行处理，以获得高清红外图像信息。处理器103与所述第一轮廓提取模型101和所述超分辨率重建模型102相连，处理器103用于对高清红外图像信息并与高清可见光图像的轮廓信息进行处理，其中，在处理时，将高清红外图像信息并与高清可见光图像的轮廓信息进行比较，将高清红外图像信息和高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件。

参见图5根据本发明的一个实施例，红外图像增强系统可以进一步包括：设在超分辨率重建模型102与处理器103之间的第二轮廓提取模型104，第二轮廓提取模型104与第一轮廓提取模型101具有相同的卷积神经网络。

需要说明的是，前述对红外图像增强方法的实施例的解释说明也适用于该实施例的红外图像增强系统，此处不再赘述。

根据本发明的红外图像增强系统，以红外和对应的可见光图像作为训练数据，通过训练得到一个可以有效恢复红外图像中物体信息的超分辨率重建网络，并且该方法可以仅在训练阶段需要输入对应的可见光图像，一旦超分辨率重建模型训练完成，红外图像的恢复将会非常容易，红外图像中物体的细节也能得到很好的恢复。

根据本发明实施例的高维近邻对搜索系统，首先通过第一生成模块根据样本向量的数值生成对应的样本签名，然后通过第二生成模块根据样本签名生成近邻候选组，进而通过处理模块计算每个近邻候选组中的任意两个样本之间的距离，并将距离满足预设要求的样本对作为近邻搜索结果，由此，实现了高维近邻对的有效搜索，满足用户的搜索需求，且该系统简单，易于实现。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种红外图像增强方法，其特征在于，包括以下步骤：

S1：利用卷积神经网络提取与低分辨率红外图像对应的高清可见光图像的轮廓信息；

S2：使用超像素分割神经网络对所述低分辨率红外图像进行处理，以获得高清红外图像信息；

S3：对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理，其中，在进行处理时，将所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行比较，将所述高清红外图像信息和所述高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的所述高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到所述高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件。

2.根据权利要求1所述的红外图像增强方法，其特征在于，训练所述卷积神经网络，并利用训练好的所述卷积神经网络提取所述高清可见光图像的轮廓信息。

3.根据权利要求2所述的红外图像增强方法，其特征在于，训练所述卷积神经网络包括以下步骤：

S11：收集所述高清可见光图像的数据集以及对应的已标注的真实边缘信息；

S12：将所述可见光数据集分为训练数据、测试数据和验证数据；

S13：改进所述卷积神经网络用于边缘提取任务；

S14：利用所述训练数据，所述测试数据对该模型进行迭代优化，直到满足终止条件。

4.根据权利要求2所述的红外图像增强方法，其特征在于，改进所述卷积神经网络包括以下步骤：

S131：采用U型网络作为改进的基础模型；

S132：在所述U型网络的每次反卷积操作之前，引入全卷积层，以获得不同尺度的分割图像；

S133：将不同尺度下得到的分割图像进行加权叠加，以获得最终的所述高清可见光图像的轮廓信息。

5.根据权利要求1所述的红外图像增强方法，其特征在于，所述低分辨率红外图像进行处理，以获得高清红外图像信息包括以下步骤：

S21：收集低分辨率的红外图像；

S22：使用SRCNN网络进行红外图像的超分辨率重建，并获得最终的高分辨率红外图像。

6.根据权利要求1所述的红外图像增强方法，其特征在于，对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，包括以下步骤：

S31：调整所述高清红外图像信息以使红外图像的尺寸与所述可见光图像的轮廓信息对应的尺寸相同；

S32：利用提取所述高清可见光图像的轮廓信息的卷积神经网络提取高清红外图像信息。

7.根据权利要求1所述的红外图像增强方法，其特征在于，对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，包括以下步骤：

S33：输入所述高清红外图像信息与所述高清可见光图像的轮廓信息；

S34：计算所述高清可见光图像的轮廓信息与所述高清红外图像信息的差异值；

S35：更新所述卷积神经网络参数，直到差异值满足要求。

8.根据权利要求1所述的红外图像增强方法，其特征在于，所述损失函数为：

其中M代表单次参与迭代的数据的个数，N代表单张图的图像平面，其中(x,y)代表图像平面中的像素点，如果像素点(x,y)是轮廓像素点，则I(x,y)＝1，如果(x,y)不是轮廓像素点，则I(x,y)＝0.Dc代表红外轮廓像素点与可见光轮廓像素点的距离，V(x,y)代表红外图像中轮廓像素点的位置，而Vgd是可见光轮廓图中与之最近的像素点的位置，如果他们的距离大于一定的阈值，该值为0。

9.一种红外图像增强系统，其特征在于,包括：

含有卷积神经网络的第一轮廓提取模型，所述第一轮廓提取模型用于从低分辨率红外图像提取高清可见光图像的轮廓信息；

含有超像素分割神经网络的超分辨率重建模型，所述超分辨率重建模型对所述低分辨率红外图像进行处理，以获得高清红外图像信息；和

处理器，所述处理器与所述第一轮廓提取模型和所述超分辨率重建模型相连，所述处理器用于对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理，

其中，在处理时，将所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行比较，将所述高清红外图像信息和所述高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的所述高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到所述高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件。

10.根据权利要求9所述的红外图像增强系统，其特征在于，进一步包括：设在所述超分辨率重建模型与所述处理器之间的第二轮廓提取模型，所述第二轮廓提取模型与所述第一轮廓提取模型具有相同的卷积神经网络。