宋 杰，于 裕，骆起峰

（安徽大学计算机科学与技术学院，合肥230039）（*通信作者电子邮箱yyu_ah@163.com）

0 引言

边缘检测是图像处理和计算机视觉中的一个基本问题，目标是从自然图像中提取对象边界和感知上突出的边缘，从而保留图像的要点并忽略不重要的细节。它通常被认为是一种低层次的技术，各种高层次的任务［1-2］从边缘检测的发展中受益匪浅，如对象检测［3］、对象建议［4］和图像分割［5］。

早期的边缘检测利用图像的一阶和二阶梯度信息的原理来检测边缘。如：Sobel［6］算子、Canny［7］算子。这些算法尽管实时性较好，但抗干扰性差，不能有效克服噪声影响，定位方面欠佳。早期的边缘检测器是人工设计的，用于发现强度和颜色上的不连续性。Martin等［8］发现将亮度、颜色和纹理的变化转化为特征，并训练分类器将这些特征信息组合起来，可以显著提高性能。最近的工作探索基于学习的边缘检测方法。Dollár等［9］使用随机决策森林来表示局部图像斑块中的结构，输入颜色和梯度特征，结构化森林输出高质量的边缘信息。然而，上述方法都是基于手工设计，成本高，设计繁琐，实用性不强，且对于语义上有意义的边缘检测来说，手工特征表示高级信息的能力是有限的。

此外，近年来有一种使用卷积神经网络（Convolutional Neural Network，CNN）的发展浪潮，强调自动分层特征学习的重要性，极大地提高了边缘检测的性能。Ganin 等［10］提出将CNN 与近邻搜索结合起来，用CNN 算出图像中每个斑块的特征，然后在字典里面进行检索，查找与其相似的边缘，最后把这些相似的边缘信息集成起来，输出最终的结果。……