边缘检测作为经典的图像处理问题,是图像分割、特征提取、目标识别与跟踪等技术的基础,受到研究人员的广泛关注。现有的边缘检测算法往往需要通过调节参数来应对场景的变换,同时在噪声鲁棒性与检测精度之间难以达到很好的平衡。因此,找出一种自适应性强且检测精度高的算法是边缘检测算法的重要改进方向。论文从传统边缘检测算法入手,对比分析了Roberts算子、Sobel算子、Canny算子,Laplace算子等传统边缘检测算子的原理并指出存在的不足。介绍了随机森林训练分类速度快、实现过程简单、模型泛化能力强等优点,结合随机森林在图像处理领域的已有应用,提出一种基于结构化随机森林的图像边缘检测算法:将图像块和对应的真实边缘标签作为训练随机森林模型的数据样本集;引入信息增量理论和主成分分析法找出森林中每个节点的最优分裂函数;选择集成策略结合多颗树的分类结果;最后通过训练后的随机森林模型对待测图像块进行分类得到对应的边缘标签。实验结果表明,论文提出的基于结构化随机森林的边缘检测算法自适应性强,具有出色的噪声鲁棒性和检测精度,在实际应用中表现出了良好的性能。论文主要的特点在于:●给出了实现随机森林输入输出空间结构化的具体方法:通过提取原始图像块多个通道的像素点灰度值和像素对灰度差值构成多维特征向量;通过映射函数将边缘标签块映射成可以直接计算欧式距离的二进制特征向量。●给出随机森林中各节点最优分裂函数的求取方法:引入信息增量理论计算样本集分裂前后的信息增益,原始样本集的熵与分裂后样本集的熵的变化量即为信息增益,熵的计算依赖于一维主成分分析法对样本集的分类,选择使信息增益最大的分裂函数作为最优分裂函数。●针对结构化随机森林提出一种决策树集成策略:计算各个决策树输出的边缘标签对应的二进制向量之间的欧式距离,寻找最核心的边缘标签作为最终输出,取代投票法和平均法。●结合油瓶提环边缘检测项目,引入边缘连续性、置信度、检测率等多个边缘检测质量评价因子,通过主观比较和客观分析验证了论文所提算法运行速度较快且效果优异。