张 岩 赵玉涛 李光旭 郑洲洲 张 森

（青岛科技大学机电工程学院 青岛 266061）

1 引言

图像边缘通常是指其周围像素灰度急剧变化的那些像素的集合，集中了图像的大部分信息，是图像最基本的特征之一。边缘检测在图像处理、图像分析和计算机视觉领域等方面有着重要的研究意义，广泛应用于图像分割［1］、动作分析［2］、物体识别［3］、视觉跟踪［4］和工业检测［5］等领域。传统边缘检测方法，如Roberts算子［6］、Sobel算子［7］、Prewitt算子［8］、LoG（Laplacian of Gaussian）算子［9］和Canny算子［10］等，主要通过微分算子计算像素阶跃性变化，通过对灰度跃变的分析来确定图像中的边缘。随着机器学习技术的快速发展，基于统计机器学习的方法［29～31，34～35，37～40］被引入图像轮廓和边缘检测中，此类方法通常采用卷积或类似卷积对数字图像进行灰度分析来确定图像的边缘。然而，这些方法仍无法有效地提取受复杂图像内容影响的语义信息［11］。CNN（Convolutional Neural Network）在计算机视觉领域上取得了重大进展，如图像识别［12～13］，对象检测［14～15］，语义分割［16～17］等。CNN具有自动提取高质量图像语义信息的能力，在图像边缘检测方面已经提出了一系列基于 CNN 的边缘检测器［11，52，54～55，57～58］。

基于经典差分的边缘检测通过梯度算子能够识别具有亮度变化的像素位置。基于微分的边缘检测方法仅以强度的对比度来检测边缘，因此它们普遍存在噪声敏感性的缺点，在纹理区域中有很明显的边缘响应。仅使用梯度信息进行边缘检测也会导致图像的内部边缘，这就是造成图像噪声的原因。其主要致力于研究多分辨率分析，亚像素定位和确定滞后阈值，来提高其边缘检测的检测性能。……