[发明专利]一种基于算法学习的边缘提取方法

权利要求书

1.一种基于算法学习的边缘提取方法，其特征在于，包括：

S100、录入目标图像的相似图像进行像素纹理匹配，依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰，并根据上述鉴别结果对目标图像进行滤波处理；

S200、对目标图像进行细节强化，背景弱化处理；

S300、计算像素梯度幅值，做非极大值抑制处理，提取边缘信息。

2.根据权利要求1所述的一种基于算法学习的边缘提取方法，其特征在于：所述S100步骤包括：

S101、录入目标图像的系列相似图像，筛选出与所述目标图像最相似的图像；

S102、将筛选出的相似图像R分成若干碎片，计算出相似图像各碎片的特征向量U和特征值Λ；

S103、根据特征向量U和特征值Λ数据分别匹配出所述相似图像中与所述目标图像的各部分最相似的碎片对所述目标图像进行滤波。

3.根据权利要求2所述的一种基于算法学习的边缘提取方法，其特征在于：所述S101步骤具体为：

给出待滤波图像，将若干幅相似图像记作A＝[A₁，A₂，···，A_k]∈R^m×n，其中，k为正整数，R表示由相似图像构成的向量矩阵，m、n分别表示矩阵的行和列，相似图像y的线性表示为：

y＝Ax₀+z

式中，x₀表示系数向量，z∈R^m是一个能量有界的噪声项满足||z||₂＜ε；采用正则化最小二乘法化解，表达式如下：

式中，λ为正则化参数，x为系数向量，对式上可解析推导为:

式中，I表示单位矩阵，令P＝(A^TA+λ·I)^-1A^T,则可将上表达为可以看出P与y无关，在给定测试样本y时，通过Py将y映射到P上求出协同表示分类器的快速特性就是由P决定的；

再计算出正则化系数的残差：

协同表示分类器最终输出结果如下所示：

identity(y)＝arg min{r(y)}

根据计算结果，相似图像与待滤波图像残差值最小的那幅图像为与待滤波图像最相似的图像。

4.根据权利要求2所述的一种基于算法学习的边缘提取方法，其特征在于：所述S102步骤包括筛选过程，所述筛选过程加入了对角权重矩阵；其中空间形状自适应性由权重W₁∈R决定，碎片相似性强度由权重W₂∈R决定，满足表达式：

subjectto U^TU＝I

其中，1，2表示群稀疏度的度量，P为图像碎片；令W₁＝I，其中，η表示归一化常数，h表示稀疏度衰变参数；最终筛选碎片的特征分解结果满足：

[U,S]＝eig(PP^T)

其中，U表示特征向量矩阵，S表示特征值矩阵。

5.根据权利要求2所述的一种基于算法学习的边缘提取方法，其特征在于：所述特征向量U表示各个碎片的特征向量，满足正交条件U^TU＝I以及U＝(u₁,···,u_k)∈R，其中I为单位矩阵，特征值Λ满足其中S表示特征值矩阵，σ为噪声标准差；

所述特征值矩阵Λ，由各相似碎片的特征向量值λ_i组成，λ_i的表达式满足：

其中，p表示图像细节初始估计值，k为正整数。

6.根据权利要求1所述的一种基于算法学习的边缘提取方法，其特征在于：所述细节强化的过程满足公式：其中，x表示目标图像内的灰度值，y表示局部均匀稀疏处理后目标图像内的灰度值，M、N分别表示目标图像的行与列，L表示灰度级个数，n_j表示像素占所有像素的比例，k为正整数。