何 謙，劉伯運(yùn)

（海軍工程大學(xué)動力工程學(xué)院，湖北 武漢 430033）

0 引言

紅外成像技術(shù)根據(jù)輻射原理得到紅外圖像，像素亮度表征了物體表面的溫度。由于具有隱蔽性好、可全天候工作、可穿透煙霧等優(yōu)良特性，紅外成像技術(shù)在軍用和民用領(lǐng)域都得到了廣泛應(yīng)用。受制于紅外圖像的成像機(jī)理、成像系統(tǒng)特性和各種外界噪聲的影響，紅外圖像通常具有分辨率低、對比度差和邊緣模糊等特點(diǎn)。

邊緣特征在紅外圖像處理中極為重要，是目標(biāo)檢測、跟蹤和識別的基礎(chǔ)。為滿足人們對紅外圖像進(jìn)一步分析和識別的需求，紅外圖像邊緣檢測技術(shù)體現(xiàn)出了較大難度和重要意義。相比于可見光圖像邊緣檢測，紅外圖像邊緣檢測發(fā)展較晚，相關(guān)研究也較少，且大多都是根據(jù)可見光圖像邊緣檢測方法改進(jìn)而來，而紅外圖像與可見光圖像的邊緣檢測任務(wù)存在很大不同，相比于可見光圖像，紅外圖像的特點(diǎn)主要有：無立體感、空間分辨率低、對比度低和邊緣模糊、非均勻性、信噪比低，等等。

近十年來，一些研究者針對紅外圖像邊緣檢測問題提出了解決方法，如基于邊緣檢測算子改進(jìn)的方法[1-4]、基于蟻群算法的方法[5-6]、基于數(shù)學(xué)形態(tài)學(xué)的方法[7-8]，這些方法的本質(zhì)都是只考慮紅外圖像局部的急劇變化，尤其是亮度、梯度的變化，以此來檢測邊緣，但這些低層次特征難以反映較為復(fù)雜的場景。因此，雖然這些算法取得了較大的發(fā)展，卻始終存在一定限制，而打破這一限制的重要方向就是加入高層次的語義信息。

近年來，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，大量研究[9-14]表明，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）具有強(qiáng)大的分層特征學(xué)習(xí)能力，并在自然圖像邊緣檢測中超過了人類視覺水平[11-14]。因此，有研究者開始嘗試將深度CNN應(yīng)用到紅外圖像邊緣檢測中。文獻(xiàn)[15]將改進(jìn)的HED（Holistically-Nested EdgeDetection）[10]網(wǎng)絡(luò)與匹配濾波對紅外圖像處理的結(jié)果進(jìn)行融合以提取邊緣，但該方法處理較為復(fù)雜，沒有發(fā)揮出深度CNN 端到端的優(yōu)勢，且受限于HED網(wǎng)絡(luò)的性能，檢測效果不太理想。

將深度學(xué)習(xí)技術(shù)應(yīng)用于紅外圖像邊緣檢測也面臨著較大的問題。在自然圖像邊緣檢測任務(wù)中，我們可以利用多個公開數(shù)據(jù)集訓(xùn)練和評估模型[16-21]，但目前暫時沒有可以用于紅外圖像邊緣檢測的公開數(shù)據(jù)集。

總的來說，相比于自然圖像，紅外圖像的諸多缺點(diǎn)大大增加了邊緣檢測任務(wù)的難度，無數(shù)據(jù)集可用的現(xiàn)狀使得任務(wù)更加艱巨。為此，本文提出了一種基于深度學(xué)習(xí)的紅外圖像邊緣檢測算法，在DexiNed[14]的基礎(chǔ)上，縮減了網(wǎng)絡(luò)規(guī)模，并在損失函數(shù)中引入了圖像級的差異，精心設(shè)計了函數(shù)參數(shù)，進(jìn)而優(yōu)化了網(wǎng)絡(luò)性能。此外，還通過調(diào)整可見光圖像邊緣檢測數(shù)據(jù)集來近似模擬紅外圖像邊緣檢測數(shù)據(jù)集，對改進(jìn)后的模型進(jìn)行訓(xùn)練，進(jìn)一步提高了網(wǎng)絡(luò)對紅外圖像中邊緣信息的提取能力。

1 邊緣檢測方法

本文主要涉及紅外圖像邊緣檢測方法和基于深度學(xué)習(xí)的圖像邊緣檢測方法，下面分別對其進(jìn)行簡要介紹。

1.1 紅外圖像邊緣檢測方法

作為圖像邊緣檢測領(lǐng)域的一個分支，有關(guān)紅外圖像的邊緣檢測方法研究較少，絕大多數(shù)都是基于傳統(tǒng)的可見光圖像邊緣檢測技術(shù)改進(jìn)而來，根據(jù)圖像的低層次特征提取邊緣信息。這些方法主要可分為3類：一是基于邊緣檢測算子改進(jìn)的方法[1-4]，大多是結(jié)合各種去噪技術(shù)對圖像進(jìn)行預(yù)處理，然后采用邊緣檢測算子提取邊緣，最后結(jié)合邊緣連接等圖像后處理技術(shù)優(yōu)化結(jié)果，此類方法結(jié)構(gòu)簡單、處理速度快，但處理結(jié)果往往不符合人眼視覺，較為生硬；二是基于蟻群算法的方法[5-6]，通過蟻群搜索最優(yōu)路徑的方式尋找邊緣區(qū)域，具有較強(qiáng)的魯棒性、優(yōu)良的分布式計算和一定的抗干擾能力，然而，受制于蟻群算法本身計算量大、收斂速度慢、易過早陷入局部最優(yōu)和參數(shù)設(shè)置帶有明顯經(jīng)驗性的特點(diǎn)，此類算法在處理效率和自適應(yīng)性上還有待于后續(xù)研究的不斷改進(jìn)；三是基于數(shù)學(xué)形態(tài)學(xué)的方法[7-8]，需要針對具體問題，精心設(shè)計結(jié)構(gòu)元素和運(yùn)算方法，以在抑噪和檢測精度之間達(dá)到良好的平衡。

1.2 基于深度學(xué)習(xí)的圖像邊緣檢測

近年來，CNN得到了快速發(fā)展和廣泛應(yīng)用，得益于其強(qiáng)大的特征提取能力，CNN 在圖像邊緣檢測領(lǐng)域表現(xiàn)出了優(yōu)異的性能。圖1對比展示了傳統(tǒng)的和基于深度學(xué)習(xí)的圖像邊緣檢測算法用于紅外圖像的邊緣提取結(jié)果。

圖1 幾種圖像邊緣檢測方法提取紅外圖像邊緣的效果對比：(a)紅外圖像（來源于FLIR 紅外數(shù)據(jù)集）；(b)Canny算子的邊緣檢測結(jié)果；(c)BDCN[12]的邊緣檢測結(jié)果；(d)本文方法的邊緣檢測結(jié)果Fig.1 Comparison of severalimage edge detection methodsto extract infrared image edge:(a)isanexampleinfrared image from FLIR Thermal Dataset (www.flir.com);(b)is theresultof the Cannyedge detector;(c)isthe result of BDCN[12];(d)is theresult of our method

DeepEdge[9]提取邊緣候選點(diǎn)周圍的多個圖像塊，并將這些圖像塊輸入多尺度CNN 以確定其是否為邊緣像素。HED[10]，即 Holistically-Nested Edge Detection，Holistically 表示該算法試圖訓(xùn)練一個端到端的網(wǎng)絡(luò)，Nested 則強(qiáng)調(diào)在生成的輸出過程中通過不斷地集成和學(xué)習(xí)得到更精確的邊緣預(yù)測圖的過程。RCF[11]（Richer Convolutional Features）提出了一種基于豐富卷積特征的精確邊緣檢測算法。BDCN[12]（Bi-Directional Cascade Network）提出了一種雙向級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)，在該結(jié)構(gòu)中，單個層由其特定尺度上的標(biāo)記邊進(jìn)行監(jiān)督，而不是直接對不同的層應(yīng)用相同的監(jiān)督。LPCB[13]（Learning to Predict Crisp Boundaries）提出了一種新的邊緣檢測方法，該方法能有效地對不平衡數(shù)據(jù)進(jìn)行分類，并使網(wǎng)絡(luò)能夠產(chǎn)生清晰的邊界。DexiNed[14]可以生成適于人眼視覺的細(xì)化邊緣圖像，并且無需事先訓(xùn)練或微調(diào)，就可以在任意邊緣檢測任務(wù)中使用。以上網(wǎng)絡(luò)幾乎都采用VGG[22]（Visual Geometry Group）作為其主干。

2 本文方法

本文采用了基于深度學(xué)習(xí)的紅外圖像邊緣檢測方法，選用了目前自然圖像邊緣檢測領(lǐng)域性能最好的網(wǎng)絡(luò)模型，并在此基礎(chǔ)上進(jìn)行了相應(yīng)優(yōu)化，精心構(gòu)造了損失函數(shù)，并制作了近似的紅外圖像邊緣檢測數(shù)據(jù)集以微調(diào)網(wǎng)絡(luò)，進(jìn)一步提升了神經(jīng)網(wǎng)絡(luò)提取紅外圖像邊緣信息的性能。

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

選用DexiNed[14]作為紅外圖像邊緣檢測網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)并加以改進(jìn)。作為目前最先進(jìn)的邊緣檢測網(wǎng)絡(luò)模型之一，文獻(xiàn)[14]聲稱其不需要事先訓(xùn)練和微調(diào)就能直接用于任意邊緣檢測任務(wù)。

DexiNed 的結(jié)構(gòu)如圖2所示，它由6 個主塊組成，每個主塊輸出特征映射，使用一個上采樣塊生成中間邊緣映射。所有由上采樣塊產(chǎn)生的邊緣映射被連接起來，以饋送網(wǎng)絡(luò)末端的學(xué)習(xí)濾波器堆棧，并產(chǎn)生融合的邊緣映射。DexiNed 具有優(yōu)異性能的原因主要在于其具有密集的網(wǎng)絡(luò)層和層與層之間有效的聯(lián)接。此外，上采樣塊也起著重要的作用，它由條件疊加子塊組成。每個子塊有兩層，即卷積層和反卷積層。本文也嘗試使用其他更為簡單的上采樣方法，例如雙線性采樣和depth-to-space（由Tensorflow 提供），發(fā)現(xiàn)其效果遠(yuǎn)不如該上采樣塊。

然而，DexiNed 在擁有良好的性能的同時也犧牲了模型的容量，它包含了35.2M 可訓(xùn)練參數(shù)，相較于BDCN 為16.3M，RCF 為14.8M，其規(guī)模顯得較為龐大。DexiNed 網(wǎng)絡(luò)具有6 個主塊，其預(yù)測結(jié)果為6 個主塊輸出結(jié)果的融合或平均。在訓(xùn)練和測試時，總是發(fā)現(xiàn)其第五和第六個主塊的輸出結(jié)果非常相似。據(jù)此猜想，第六個主塊輸出的有無對最終融合結(jié)果的影響并不是決定性的（驗證見3.2 節(jié)）。因此，為精簡網(wǎng)絡(luò)結(jié)構(gòu)、減小網(wǎng)絡(luò)容量，只保留了5 個主塊，將參數(shù)減少至30.4M，相比于原網(wǎng)絡(luò)容量縮減了13.6%，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖2的虛線框中所示。

圖2 DexiNed 網(wǎng)絡(luò)結(jié)構(gòu)和精簡后的網(wǎng)絡(luò)（位于虛線框中）Fig.2 Network architecture of DexiNed[14] and simplified one(in dotted box)

2.2 損失函數(shù)

在其他條件不變的情況下，網(wǎng)絡(luò)的精簡或多或少都會造成其性能的下降。而在訓(xùn)練過程中，損失函數(shù)是最為重要的環(huán)節(jié)之一，因此，本文對DexiNed[14]原有的損失函數(shù)進(jìn)行了改進(jìn)。

DexiNed[14]使用的損失函數(shù)為加權(quán)交叉熵?fù)p失（weighted cross-entropy loss），它是每個對應(yīng)像素對之間的預(yù)測和真值的差異的加權(quán)總和，主要顯示了像素級的差異。為了獲得更好的性能，在損失函數(shù)中引入了圖像級的差異，與LPCB[13]相同，使用Dice 系數(shù)來度量預(yù)測P和真值G之間的差異。

Dice 系數(shù)是一種集合相似度的度量函數(shù)，通常用于計算兩個樣本的相似度。采用Dice 系數(shù)計算的損失為：

式中：pi和gi分別表示預(yù)測P和真值G中的第i個像素值。

最終的損失函數(shù)為交叉熵?fù)p失（cross-entropy loss）和Dice 損失的結(jié)合：

另外，有一個細(xì)節(jié)需要說明：在計算交叉熵?fù)p失時，將網(wǎng)絡(luò)第五個主塊輸出結(jié)果的交叉熵?fù)p失乘以2，以近似表示疊加原網(wǎng)絡(luò)第六個主塊的交叉熵?fù)p失，這樣做有效地改善了精簡后網(wǎng)絡(luò)的訓(xùn)練效果（分別訓(xùn)練1 個epoch 后，相比于去掉第六個主塊而不改變損失函數(shù)的網(wǎng)絡(luò)，僅將損失函數(shù)中的第五個主塊的損失乘以2，就能將loss 降低21.4%、accuracy 提升2.5%）。

2.3 模擬紅外圖像邊緣檢測數(shù)據(jù)集

在前文中，已對紅外圖像邊緣檢測的難點(diǎn)進(jìn)行了分析，紅外圖像與自然圖像存在的顯著區(qū)別，意味著紅外圖像邊緣檢測任務(wù)的難度要遠(yuǎn)大于自然圖像。考慮到目前沒有公開的紅外圖像邊緣檢測數(shù)據(jù)集，本文認(rèn)為有必要建立紅外圖像邊緣檢測數(shù)據(jù)集，進(jìn)一步地訓(xùn)練網(wǎng)絡(luò)，提升其對于紅外圖像的邊緣提取能力。

利用現(xiàn)有的自然圖像邊緣檢測數(shù)據(jù)集，可以在自然圖像的基礎(chǔ)上模擬相應(yīng)的紅外圖像，以此來建立近似的紅外圖像邊緣檢測數(shù)據(jù)集。要想通過自然圖像較為準(zhǔn)確的模擬紅外圖像，則必須在原始景物紅外輻射分布的基礎(chǔ)上，從時間、空間、光譜和輻射量等方面進(jìn)行[23]，這并非本文研究的重點(diǎn)，且實(shí)現(xiàn)起來比較復(fù)雜。

針對紅外圖像的特點(diǎn)，提出了一種較為簡單的方法來近似模擬紅外成像的視覺效果：首先將自然圖像灰度化，然后降低對比度，接著添加高斯噪聲，最后得到近似模擬的紅外圖像，如圖3所示。結(jié)合這種方法，基于BIPED[14]數(shù)據(jù)集建立了近似的紅外圖像邊緣檢測數(shù)據(jù)集。BIPED[14]數(shù)據(jù)集包含了250 幅分辨率為1280×720 的戶外圖像，通過裁剪、旋轉(zhuǎn)、翻轉(zhuǎn)等操作，得到增強(qiáng)后的數(shù)據(jù)集，再通過圖3方法進(jìn)行處理，最終得到的模擬紅外圖像邊緣檢測數(shù)據(jù)集中包含72000 個模擬紅外圖像與邊緣真值圖像對，稱該數(shù)據(jù)集為IR-BIPED。

圖3 可見光圖像轉(zhuǎn)變?yōu)槟M紅外圖像的過程Fig.3 The process of transforming an optical image into a simulated infrared image

3 實(shí)驗

3.1 與DexiNed 的性能對比

首先，需要知道本文所做的一系列工作，相比于其基礎(chǔ)——DexiNed，是否在提取紅外圖像邊緣的效果上獲得了提升。

前文中提到，文獻(xiàn)[14]聲稱DexiNed 不需要事先訓(xùn)練和微調(diào)就能直接用于任意邊緣檢測任務(wù)。因此，先將[14]中訓(xùn)練好的DexiNed（在BIPED 數(shù)據(jù)集上訓(xùn)練了24 個輪次）直接用于紅外圖像邊緣檢測，得到結(jié)果1。在本文方法中，將改進(jìn)后的模型加載訓(xùn)練好的DexiNed 部分權(quán)重后，在IR-BIPED 數(shù)據(jù)集上繼續(xù)訓(xùn)練3 個輪次，測試得到結(jié)果2。公平起見，同樣將訓(xùn)練好的DexiNed 繼續(xù)在IR-BIPED 數(shù)據(jù)集上微調(diào)3個輪次，測試得到結(jié)果3。測試結(jié)果1～3 對比如圖4所示，其中的紅外圖像來源于FLIR 紅外數(shù)據(jù)集。

由圖4可見，3個結(jié)果比較相似，但結(jié)果2提取得到的紅外圖像邊緣最為清晰、細(xì)節(jié)最為豐富。根據(jù)結(jié)果2，我們能夠清楚地分辨各景物，總體來說其視覺效果最好。這里需要強(qiáng)調(diào)，本文方法中使用的網(wǎng)絡(luò)容量較DexiNed 縮減了13.6%，這意味著本文方法較DexiNed 使用更少的資源，卻取得了更好的紅外圖像邊緣檢測效果。

圖4 測試結(jié)果對比Fig.4 Comparison of test results

此外，將結(jié)果3與結(jié)果1對比，可見經(jīng)過3個輪次的微調(diào)后，DexiNed 提取的紅外圖像邊緣明顯更細(xì)，這也反映出IR-BIPED數(shù)據(jù)集對提升紅外圖像邊緣檢測效果起到了一定的作用，下節(jié)將進(jìn)一步研究該數(shù)據(jù)集的影響。

3.2 消融實(shí)驗

下面通過實(shí)驗來驗證本文方法各組成部分的有效性。

在3.1節(jié)中，已經(jīng)驗證本文方法相對于DexiNed[14]的改進(jìn)既減小了網(wǎng)絡(luò)容量，又改善了紅外圖像的邊緣檢測效果。在本節(jié)中，將分別研究網(wǎng)絡(luò)容量的縮減、損失函數(shù)的設(shè)計和模擬紅外數(shù)據(jù)集各帶來了怎樣的影響。

網(wǎng)絡(luò)容量的縮減。通過去除DexiNed[14]網(wǎng)絡(luò)的最后一個主塊來精簡網(wǎng)絡(luò)，將網(wǎng)絡(luò)容量縮減了13.6%。顯然，在此過程中損失了部分邊緣信息。為了量化容量縮減給邊緣檢測性能帶來的影響，將基礎(chǔ)網(wǎng)絡(luò)（baseline）和精簡后的網(wǎng)絡(luò)（simplified）在相同條件下各自從頭開始訓(xùn)練3個輪次，發(fā)現(xiàn)兩者的邊緣檢測準(zhǔn)確度變化如表1所示。由此可見，經(jīng)過3個輪次的訓(xùn)練后，精簡后的網(wǎng)絡(luò)與原網(wǎng)絡(luò)準(zhǔn)確度差別不大，甚至有輕微程度的提升。

表1 網(wǎng)絡(luò)準(zhǔn)確度對比1Table 1 Comparison of network accuracy-1

精心設(shè)計的損失函數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)的精簡勢必會造成部分信息的損失，自然地，我們想到通過改進(jìn)損失函數(shù)來提升性能。在精簡后的網(wǎng)絡(luò)模型中應(yīng)用3.2節(jié)所述的損失函數(shù)后，同樣將原網(wǎng)絡(luò)和精簡后的網(wǎng)絡(luò)在相同條件下各自訓(xùn)練3個輪次，發(fā)現(xiàn)兩者的準(zhǔn)確度變化如表2所示。由此可見，精心設(shè)計的損失函數(shù)有效地改善了網(wǎng)絡(luò)的性能，相比于原網(wǎng)絡(luò)，精簡后網(wǎng)絡(luò)的準(zhǔn)確度提高了約2.6%，利用更少資源達(dá)到了更好的效果。

表2 網(wǎng)絡(luò)準(zhǔn)確度對比2Table 2 Comparison of network accuracy-2

模擬紅外圖像邊緣檢測數(shù)據(jù)集。為了檢驗?zāi)M紅外圖像邊緣檢測數(shù)據(jù)集——IR-BIPED是否對提升網(wǎng)絡(luò)提取紅外圖像邊緣的性能有所助益，測試了在IR-BIPED數(shù)據(jù)集上訓(xùn)練前后的改進(jìn)網(wǎng)絡(luò)，圖5展示了測試結(jié)果。其中的紅外圖像來源于OSU紅外數(shù)據(jù)集[24]。該數(shù)據(jù)集中的紅外圖像背景對比度低、邊緣模糊，選用這些圖像進(jìn)行測試，能夠讓結(jié)果對比更鮮明。由圖5可見，訓(xùn)練后網(wǎng)絡(luò)的邊緣提取結(jié)果明顯更加清晰，顯然，IR-BIPED數(shù)據(jù)集提升了模型的抗噪性能和對紅外圖像的適應(yīng)性。

圖5 在IR-BIPED數(shù)據(jù)集上訓(xùn)練前后的網(wǎng)絡(luò)測試結(jié)果對比Fig.5 Network test beforeand after training on IR-BIPEDdataset

3.3 對比評價

我們選擇了文獻(xiàn)[3]、[5]、[11]、[12]中的方法與本文方法進(jìn)行對比，并進(jìn)行了定性和定量評價。

3.3.1 定性結(jié)果

前述幾種算法的紅外圖像邊緣檢測結(jié)果如圖6所示，測試紅外圖像來源于Terravic Motion 紅外數(shù)據(jù)集，F(xiàn)LIR 紅外數(shù)據(jù)集和OSU紅外數(shù)據(jù)集[24]。由圖可見，文獻(xiàn)[3]檢測出的邊緣較細(xì)、定位較準(zhǔn)確，但受噪聲影響較大，整體觀感較生硬；文獻(xiàn)[5]受噪聲影響較小，但檢測出的邊緣不連續(xù)、定位精度低；文獻(xiàn)[11]和文獻(xiàn)[12]提取的邊緣連續(xù)、細(xì)節(jié)較為豐富，但邊緣較粗、觀感較差，文獻(xiàn)[12]的效果優(yōu)于文獻(xiàn)[11]；本文方法定位精度高，檢出的邊緣較細(xì)，且具有較好的連續(xù)性，細(xì)節(jié)豐富、清晰，人眼觀感良好?？傮w來說，本文方法的邊緣檢測效果最好。

圖6 不同邊緣檢測方法的結(jié)果對比Fig.6 Resultsof different methods

3.3.2 定量結(jié)果

由于缺少用于評價紅外圖像邊緣檢測效果的標(biāo)準(zhǔn)數(shù)據(jù)集，這里采用了SSIM[25]和FSIM[26]兩個指標(biāo)來定量評價紅外圖像的邊緣檢測效果。

SSIM是一種符合人眼視覺系統(tǒng)特性的圖像質(zhì)量客觀評判標(biāo)準(zhǔn)，其具體形式為：

式中：x表示原圖；y表示邊緣圖像；μx和μy分別表示對應(yīng)圖像的均值；σx和σy分別表示對應(yīng)圖像的方差；σxy表示x和y的協(xié)方差。SSIM衡量了兩幅圖像的相似度，其取值范圍為[0,1]，其值越大表示邊緣檢測效果越好。

FSIM 映射特征并測量兩個圖像之間的相似性。因為人類視覺系統(tǒng)（human visual system，HVS）是基于一些低層次特征來感知圖像的，而相位一致性特征（phase congruency,PC）可以很好地刻畫局部結(jié)構(gòu)。同時由于PC 對于圖像的變化具有相對不變性，這有利于提取圖像中穩(wěn)定的特征，但是有時圖像的變化確實(shí)會影響觀感，所以需要使用梯度幅值（gradient magnitude，GM）來彌補(bǔ)。FSIM 中使用了PC 和GM兩個特征互為補(bǔ)充。FSIM 的計算較為繁瑣，這里不再列出。FSIM 值越大表示邊緣檢測效果越好。

圖7～10展示了圖像1～4邊緣檢測效果的定量結(jié)果。由圖可見，僅在圖7中，本文方法的SSIM 和FSIM 值略低于文獻(xiàn)[5]的方法，其余表現(xiàn)均明顯優(yōu)于其他方法。此外，綜合來看，文獻(xiàn)[11]和文獻(xiàn)[12]的表現(xiàn)優(yōu)于文獻(xiàn)[3]和文獻(xiàn)[5]，這也在一定程度上表明了基于深度學(xué)習(xí)的方法相對于傳統(tǒng)方法的優(yōu)越性。

圖7 不同方法在圖像1 上測試后的定量結(jié)果對比Fig.7 Comparison of quantitative results of different methods on image1

圖8 不同方法在圖像2 上測試后的定量結(jié)果對比Fig.8 Comparison of quantitative results of different methods on image2

圖9 不同方法在圖像3 上測試后的定量結(jié)果對比Fig.9 Comparison of quantitative results of different methods on image3

圖10 不同方法在圖像4 上測試后的定量結(jié)果對比Fig.10 Comparison of quantitative results of different methods on image4

4 總結(jié)

本文研究了現(xiàn)有的各類紅外圖像邊緣檢測方法，并分析了紅外圖像邊緣檢測的難點(diǎn)和挑戰(zhàn)，提出了一種基于深度學(xué)習(xí)的紅外圖像邊緣檢測方法，在DexiNed 的基礎(chǔ)上，對網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)進(jìn)行改進(jìn)，縮減了網(wǎng)絡(luò)規(guī)模、優(yōu)化了網(wǎng)絡(luò)性能；此外，還通過調(diào)整自然圖像邊緣檢測數(shù)據(jù)集來近似模擬紅外圖像邊緣檢測數(shù)據(jù)集進(jìn)行訓(xùn)練，進(jìn)一步提高了網(wǎng)絡(luò)對紅外圖像中邊緣信息的提取能力。通過實(shí)驗，我們驗證了本文對于DexiNed 所做的一系列改進(jìn)的有效性，并證明了本文方法相比于其他方法的優(yōu)越性。

為將本文方法應(yīng)用到實(shí)際生產(chǎn)和生活中，后續(xù)將研究算法的嵌入式實(shí)現(xiàn)，提升計算效率，以實(shí)現(xiàn)實(shí)時的紅外圖像邊緣檢測。