DEALSD：一种基于深度边缘辅助的线段检测器

《Expert Systems with Applications》：DEALSD: A Deep Edge Assisted Line Segment Detector

提出基于深度边缘辅助的线段检测方法DEALSD，通过融合深度边缘热图与梯度图生成DEA梯度图，有效提升低对比度区域语义显著线段检测性能。实验表明该方法在复杂场景下优于现有算法。

　　线段检测是计算机视觉领域中的一个重要任务，它在现实场景的几何内容分析和理解中发挥着关键作用。随着计算机视觉技术的发展，线段检测已经被广泛应用于多个领域，例如三维重建、同时定位与地图构建（SLAM）、姿态估计、消失点检测以及从无人机图像中提取电力线等。然而，尽管现有方法在许多方面取得了显著进展，但在某些特定场景下仍然存在明显的挑战，尤其是在低对比度图像区域中检测线段的问题。

低对比度图像区域通常指的是图像中颜色或亮度变化较小的区域，这些区域中的线段往往难以通过传统的图像梯度信息进行识别。传统方法主要依赖于图像的梯度方向和梯度幅值来进行线段检测。这些方法通常会首先提取图像的低级特征，然后根据这些特征识别线段。然而，这些方法在面对低对比度区域时表现不佳，因为梯度幅值较低，导致这些区域中的线段在检测过程中容易被忽略或误判。

为了应对这一挑战，本文提出了一种新的线段检测方法，称为“深度边缘辅助线段检测器”（Deep Edge Assisted Line Segment Detector, DEALSD）。该方法的核心思想是通过深度学习模型提取图像的边缘信息，生成一个深度边缘热图，然后将该热图与传统的梯度图相结合，形成一种“深度边缘辅助”（Deep Edge Assisted, DEA）的梯度图。通过这种融合方式，DEALSD能够在不依赖于高梯度幅值的情况下，有效检测出那些在视觉上不显著但语义上重要的线段。

深度边缘辅助线段检测器（DEALSD）的提出，源于对现有方法局限性的深入分析。传统方法在低对比度区域中的表现不佳，主要原因是它们依赖于梯度方向和梯度幅值，而这些信息在低对比度区域中往往不够可靠。相比之下，深度学习模型在大规模标注数据的训练下，能够更准确地捕捉图像中的语义边缘信息。因此，DEALSD通过引入深度学习边缘检测模型，能够更全面地描述图像中的边缘特征，从而提升线段检测的准确性。

在方法设计上，DEALSD首先利用深度学习模型生成边缘热图，该热图能够反映图像中各个区域的边缘强度。接着，将该边缘热图与传统的梯度图进行融合，形成DEA梯度图。这一过程通过将边缘信息与梯度信息相结合，使得最终的梯度图能够同时包含视觉显著和语义显著的边缘特征。最后，基于DEA梯度图进行线段提取和验证，从而实现对所有有意义线段的准确检测。

深度边缘辅助线段检测器（DEALSD）的优势在于其能够处理低对比度区域中的线段检测问题。通过将深度学习模型提取的边缘信息与传统梯度信息相结合，DEALSD能够在不依赖于高梯度幅值的情况下，检测出那些在视觉上不显著但语义上重要的线段。这种方法不仅提升了线段检测的准确性，还增强了对复杂场景的适应能力，使得线段检测更加鲁棒和全面。

为了验证DEALSD的有效性，本文在三个不同的数据集上进行了广泛的实验。这些数据集涵盖了具有挑战性的场景，包括存在噪声的图像以及在曼哈顿世界和非曼哈顿世界假设下的图像。实验结果表明，DEALSD在这些数据集上的表现优于多种现有的先进方法，尤其是在检测低对比度区域中的线段方面。此外，DEALSD在实际应用中也表现出良好的性能，能够有效支持机场检测和三维重建等任务。

本文的主要贡献可以总结为以下四个方面：首先，我们识别了线段检测中的一个关键问题，即在视觉上不显著但语义上重要的线段，这些线段往往是现有方法难以检测的，但对某些应用至关重要。其次，我们提出了一种新的解决方案，即通过深度边缘辅助梯度图来提升线段检测的性能。第三，我们开发了DEALSD算法，该算法包括深度边缘辅助梯度图的生成、深度边缘辅助线段的提取和验证等多个步骤，每个步骤都经过精心设计，以确保算法的稳定性和高效性。最后，我们通过在多个数据集上的实验验证了DEALSD的有效性，展示了其在现实任务中的应用潜力。

在实验设置方面，本文采用了三个不同的数据集进行评估。第一个数据集是YorkUrban-LineSegment（YULS）数据集，该数据集包含102张图像，并且已经被广泛用于之前的线段检测研究。第二个数据集是从RENOIR数据集中选取的40张高分辨率图像，这些图像的分辨率高达2760×3684像素，能够更好地反映复杂场景下的线段检测问题。第三个数据集则是专门针对机场检测和三维重建任务设计的，包含多种具有挑战性的图像，如低对比度、噪声干扰等。通过在这些数据集上的实验，本文验证了DEALSD在不同场景下的适应性和有效性。

在实验过程中，我们采用了多种评估指标，包括检测精度、召回率和F1分数等，以全面衡量DEALSD的性能。此外，我们还进行了主观评估，通过可视化结果来分析DEALSD在不同场景下的表现。实验结果表明，DEALSD在多个数据集上的表现优于现有的先进方法，特别是在处理低对比度区域中的线段时，能够显著提升检测的准确性和完整性。

深度边缘辅助线段检测器（DEALSD）的提出，不仅解决了传统方法在低对比度区域中的局限性，还为线段检测提供了新的思路。通过将深度学习模型提取的边缘信息与传统梯度信息相结合，DEALSD能够在不依赖于高梯度幅值的情况下，有效检测出那些在视觉上不显著但语义上重要的线段。这种方法不仅提升了线段检测的准确性，还增强了对复杂场景的适应能力，使得线段检测更加鲁棒和全面。

总之，本文提出的深度边缘辅助线段检测器（DEALSD）在解决低对比度区域中的线段检测问题方面具有显著的优势。通过将深度学习模型提取的边缘信息与传统梯度信息相结合，DEALSD能够在不依赖于高梯度幅值的情况下，准确检测出所有有意义的线段，从而提升线段检测的整体性能。这种方法不仅适用于常见的线段检测任务，还为机场检测、三维重建等实际应用提供了强有力的支持。