微美全息(NASDAQ:WIMI)研究基于深度学习和图像融合的边缘检测算法，推动图像处理技术变革

(资料图)

图像边缘是指图像中周围像素灰度的阶跃变化，这是图像的最基本特征并且通常携带图像中最重要的信息。边缘检测是一种基于边界的分割方法，用于从图像中提取重要信息，在计算机视觉、图像分析等应用中发挥着重要作用，为人们描述或识别目标和解释图像提供了有价值的特征参数，特别是特征提取也是图像分割、目标检测和识别的基础。边缘检测在图像特征提取、特征描述、目标识别和图像分割等领域具有重要意义，如何快速准确地定位和提取图像边缘特征信息已成为研究热点之一。

传统的边缘检测方法往往精度不高，仅能提供一些简单的边缘信息。近年来，基于深度学习、多尺度融合小波边缘、谱聚类、网络重构等技术的边缘检测算法逐渐流行。

据悉，微美全息(NASDAQ:WIMI)正在研究基于深度学习和图像融合的边缘检测算法，通过对图像进行多尺度分析和特征提取，提高边缘检测的精确度和效率，解决边缘检测精细化和检测精度低的问题。

基于深度学习和图像融合的边缘检测算法是一种利用深度学习技术和图像融合方法进行边缘检测的算法。具体来说，该算法使用卷积神经网络对原始图像进行特征提取，并通过多层卷积和池化操作将图像信息抽象成更高层次的语义特征。然后，利用这些特征进行边缘检测，提高边缘检测的准确性。在完成初步的边缘检测后，该算法还会使用图像融合方法进一步优化边缘检测结果。将多个边缘检测结果进行综合，得到更加准确的边缘信息。根据不同的边缘检测结果给每个像素点进行标记，最终根据像素点的标记来确定边缘位置。

基于深度学习和图像融合的边缘检测算法的技术流程主要包括以下几个步骤：首先需要对图像进行多尺度分析，将图像分成多个尺度，每个尺度都包含不同大小和形状的边缘信息。这可以帮助算法更好地捕捉图像中的边缘信息，并提高检测精度。对于每个尺度，需要从图像中提取特征。WIMI微美全息采用深度卷积神经网络(CNN)作为特征提取器，将图像输入到网络中，通过多层卷积层和池化层来提取图像特征，这可以帮助算法更好地识别图像中的边缘信息，并过滤掉一些无关信息。通过将不同尺度的图像特征融合在一起，可以得到更加全面和准确的边缘信息，采用图像融合技术，将不同尺度的特征图像通过一些权重系数进行融合，并利用卷积操作来实现边缘检测，这可以更好地捕捉边缘信息，并提高检测精度和效率。

关键词：