CN101763641A - 一种模拟视觉机制的图像目标物体轮廓检测方法 - Google Patents
一种模拟视觉机制的图像目标物体轮廓检测方法 Download PDFInfo
- Publication number
- CN101763641A CN101763641A CN200910265067A CN200910265067A CN101763641A CN 101763641 A CN101763641 A CN 101763641A CN 200910265067 A CN200910265067 A CN 200910265067A CN 200910265067 A CN200910265067 A CN 200910265067A CN 101763641 A CN101763641 A CN 101763641A
- Authority
- CN
- China
- Prior art keywords
- wave filter
- pixel
- receptive field
- classical receptive
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
该发明属于生物信息技术中采用模拟视觉机制对图像目标物轮廓进行检测的技术,包括采用大、小两个尺度参数及多个朝向进行Gabor滤波,确定非经典感受野相应滤波器的方位及其侧区和端区对中心像素的抑制量、并制取抑制后的图像,再经常规二值化处理即得目标轮廓图。该发明首先用Gabor滤波器组在两个不同尺度参数下、分别对图像在不同方位进行滤波,得到其高频信息分布图和低频信息分布图,再利用非经典感受野滤波器对其中的纹理等非轮廓信息进行抑制处理等。因而具有随外界输入信息变化的自适应能力强,可有效提高轮廓检测系统从复杂场景中迅速、准确地提取出目标轮廓的能力、效果和轮廓的清晰度等特点。
Description
技术领域
本发明属于生物信息技术领域中的图像处理技术,特别是一种采用模拟视觉机制对图像中目标物体轮廓进行检测的方法。该方法可应用于计算机视觉中的目标物体检测和识别等。
背景技术
轮廓检测是图像处理及计算机视觉中一个很重要组成部分。从复杂的背景中正确地检测(突出)物体轮廓是一个非常重要而困难的工作。在众多传统的图像处理方法中、应用于轮廓检测相对比较成功的经典方法有Canny算子(Canny JF 1986Acomputational approach to edge detection IEEE Trans.Pattern Anal.Mach.Intell.8 679-698.)、活动轮廓模型(Kass M,Witkin A,Terzopoulos D 1987Snakes:activecontour models International Journal of Computer Vision 1321-331.;CasellesV,Kimmel R,Sapiro G 1997Geodesic Active Contours International Journal ofComputer Vision 22 61-79)等。这些方法主要利用了图像中的亮度差别信息进行检测,无法区分目标轮廓和其它杂乱边界。所以在面对图像中的对比度变化比较大、背景干扰比较多的情况时,这些方法很难得到比较满意的结果。
近几年来,借鉴大脑视觉信息处理机制来设计轮廓检测的方法受到越来越多的关注。人类视觉系统能根据视觉环境与条件的变化、对输入的图像信息进行各种主观的调整和加工。模拟视觉信息处理的基本过程,并在此基础上进行建模,为研究计算机视觉和人工智能提供新的思路。到目前为止,比较有代表性的基于视觉机制的轮廓检测方法有:朝向选择性抑制轮廓检测方法(Grigorescu C,Petkov N,Westenberg M 2003Contour detection based on nonclassical receptive field inhibition IEEETransactions on Image Processing 12729-739.)、蝶形外周抑制方法(Tang QL,SangN,Zhang TX 2007 Extraction of salient contours from cluttered scenes PatternRecognition 40 3100-3109.)等。前者利用了初级视皮层神经元的非经典感受野的朝向选择性的抑制特性来压制背景纹理信息,进而达到突出目标物体轮廓的目的。后者在前者的基础上进一步把非经典感受野分割成四个部分,即两个易化型端区和两个抑制型侧区,通过加强轮廓和压制背景的共同作用,实现轮廓的提取。上述基于视觉机制的方法取得的轮廓检测效果总体上均明显好于传统的方法,但这些方法由于没有自动调节机能、不会随着外界输入信息(如对比度、空间频率等)的变化而即时地调节其视觉系统以适应外界输入信息(环境)的变化,因而存在自适应性差、对复杂场景中的轮廓检测能力弱,不能从复杂场景中迅速、准确地提取出目标轮廓、且对轮廓检测和目标轮廓提取的效果仍较差等缺陷。
发明内容
本发明的目的是针对背景技术存在的缺陷,研究设计一种模拟视觉机制的图像目标物体轮廓检测方法,强化轮廓检测系统随外界输入信息(环境)的变化的自适应能力,以达到有效提高轮廓检测系统从复杂场景中迅速、准确地提取出目标轮廓的能力、效果和轮廓的清晰度等目的。
本发明以现代生物学和生理学实验发现为基础,根据视觉系统中初级视皮层神经元的经典感受野(classical receptive field,CRF)的外周,即非经典感受野(non-CRF,nCRF)呈蝶形分布,由两个端区和两个侧区共四部分组成。本发明将CRF的最优朝向的延长线穿过的两个区作为端区,如果有轮廓线存在,则轮廓线一般出现在端区,因为在一个很小的局部范围内,轮廓线可以近似为直线或二次曲线;为此,侧区采用常规抑制方法压制背景纹理及其它干扰信息,而端区则根据是否可能有轮廓线通过端区而决定端区对中心区抑制程度的强弱,若轮廓线存在的可能性越大,则设计的端区抑制强度越弱,从而获得更加符合人类视觉感受的轮廓检测结果。因此本发明的解决方案是:首先采用Gabor滤波器来模拟神经元经典感受野对视觉信息的处理,即对于输入图像,采用多个朝向的Gabor滤波器组在两个不同尺度(频率)参数下分别对图像依次进行滤波处理;在一个相同的小尺度(高频)参数值的条件下、采用不同朝向Gabor滤波器对输入的数字图像依次处理后、输出的图像中各个像素点具有相应的灰度值,从相同位置像素(点)的灰度值中选取其最大值作为该像素点的灰度值,同时将取得最大值时滤波器的朝向作为该像素点的最优朝向,再对各像素点的灰度值(最大值)进行归一化处理,从而得到该图像的高频信息分布图,即得到输入图像中的细节信息,包括轮廓信息和背景纹理信息等;采用相同方法而得到该图像的低频信息分布图,该布图主要是图像中目标的轮廓信息。然后再利用非经典感受野滤波器对图像中的纹理等非轮廓信息进行抑制,在对非轮廓信息进行抑制前首先确定非经典感受野滤波器端区和侧区的位置;处理任意一个像素时,根据该像素点的最优朝向旋转非经典感受野滤波器,使旋转后该像素点的最优朝向的延长线通过非经典感受野滤波器端区的中部。非经典感受野滤波器侧区对中心的抑制则采用常规的抑制模式,即利用二维高斯差函数模板与位于该侧区中的高频信息分布图进行卷积处理得到该侧区对中心的抑制量;而非经典感受野滤波器端区对中心的抑制量则采用自动调节的方式进行计算、处理,即对于任意一个像素点,首先检查其在低频信息分布图中的灰度值和非经典感受野滤波器侧区对其的抑制量。如果像素点在低频信息分布图中的灰度值越大,表明该点属于轮廓线的可能性越大,则端区对其的抑制就应越小(弱),以避免产生自抑制而影响轮廓线的完整性;另一方面,非经典感受野滤波器侧区对其的抑制量越大(强),表明此局部区域的信息主要是背景信息、端区中出现轮廓线的可能性较小,此时则可加大端区对其的抑制强度。根据以上原则设定端区对中心的抑制量;然后再从高频信息分布图中减去端区抑制量和侧区抑制量,即得到非经典感受野滤波器抑制后的轮廓图;最后再利用常规二值化方法对非经典感受野滤波器抑制后的轮廓图进行二值化处理,从而在尽可能地保留轮廓线的完整性的同时、最大程度地压制背景干扰,得到清晰的轮廓检测结果图像,实现其发明目的。因此,本发明方法包括:
A.Gabor滤波处理:用大、小两个尺度(频率)参数、及模拟神经元经典感受野的具有多个朝向(方位)参数的Gabor滤波器组,对输入数字图像中各像素点依次在对应方位(朝向)进行滤波处理;即在给定Gabor滤波器的一个小尺度(高频)参数值的条件下、采用一组不同朝向参数值的滤波器,依次用每一个朝向的滤波器对输入图像中的各像素点进行滤波处理、得到各像素点经对应朝向(方位)的小尺度(高频)滤波处理后的一幅灰度图,再对经各朝向(方位)滤波处理后的灰度图中每一个位于同一位置处的像素点的灰度值进行比较,取其灰度值中的最大值作为对应像素点的灰度值、其所对应的滤波器的朝向作为该像素点的最优朝向,再对各像素点的灰度值(最大值)进行归一化处理,从而得到该图像的高频信息分布图;与之相同,在给定Gabor滤波器的一个大尺度(低频)参数值的条件下,采用同样的方式处理得到该图像的低频信息分布图;
B.根据各像素点的最优朝向确定非经典感受野相应滤波器的方位:首先采用二维高斯差函数构建一个与小尺度(高频)参数的Gabor滤波器同心的圆环形的非经典感受野滤波器,并将其分为两个以中心为对称的端区和位于该端区两侧的侧区:然后将非经典感受野模板中心依次对准各像素点,并根据步骤A得到的高频信息分布图中各像素点对应的最优朝向、旋转非经典感受野滤波器,使各像素点最优朝向的延长线依次位于滤波器端区中部,以确定非经典感受野滤波器的方位;
C.确定非经典感受野滤波器侧区对其中心像素的抑制量:利用二维高斯差函数作为权重模板,依次与位于各个像素点非经典感受野滤波器侧区中的高频信息分布图进行卷积处理,得到非经典感受野滤波器侧区对中心位置处像素的抑制量;
D.确定非经典感受野滤波器端区对其中心像素的抑制量:根据各个像素点在低频信息分布图中的灰度值,以及步骤C所得到非经典感受野滤波器侧区对其的抑制量;按照低频信息分布图中的灰度值越大、则减小端区对其的抑制强度(权值),非经典感受野滤波器侧区对中心像素的抑制量越大、则加大端区对其的抑制强度(权值),来设定非经典感受野滤波器端区对中心像素的抑制量;
E.制取非经典感受野滤波器抑制后的图像:用高频信息分布图中各像素点的灰度值分别减去对应像素点的侧区抑制量和端区抑制量,得到非经典感受野滤波器抑制处理后的图像;
F.二值化处理:利用常规二值化方法对E步骤所得图像进行二值化处理,从而得到最终的轮廓图。
上述步骤A.中所述用两个尺度(频率)参数,其小尺度(高频)参数取值范围为1.5~2.5,大尺度(低频)参数值为小尺度(高频)参数值的4~5倍。而所述具有多个朝向的Gabor滤波器组,其不同朝向滤波器的个数为12~18个、且在180度内等弧度分布。在步骤B.中所述与小尺度(高频)参数的Gabor滤波器同心的圆环形的非经典感受野滤波器,其圆环的内径与其中心的Gabor滤波器的直径相同、而外径则为Gabor滤波器直径的3~5倍。所述常规二值化方法包括非极大值抑制和滞后门限方法或阈值方法。
本发明首先采用模拟神经元经典感受野的Gabor滤波器组在两个不同尺度(频率)参数下、分别对输入的数字图像不同方位依次进行滤波处理,得到其高频信息分布图和低频信息分布图,并根据非经典感受野滤波器侧区对中心位置处像素的抑制作用以压制纹理及其它局部特征相似的背景信息、进而突出轮廓信息,根据非经典感受野滤波器端区对其中心像素的抑制作用综合利用高频和低频信息分布图和侧区抑制量来自动调节端区的抑制强度,以尽可能地保留轮廓线的完整性的同时、最大程度地压制背景干扰,得到非经典感受野滤波器抑制处理后的图像;最后经二值化处理即得到目标轮廓图。因而,本发明检测方法具有可随外界输入信息(对比度、空间频率等)变化而即时地调节其视觉系统的自适应能力强,可有效提高轮廓检测系统从复杂场景中迅速、准确地提取出目标轮廓的能力、效果和轮廓的清晰度等特点。克服了背景技术不能随着外界输入信息的变化即时地调节其视觉系统,对复杂场景中的轮廓检测能力弱、所提取目标轮廓的效果差等缺陷。
附图说明
图1为本发明方法非经典感受野滤波器与Gabor滤波器及对应像素点最优朝向的延长线之间相互关系示意图;图中:1.Gabor(经典感受野)滤波器,2.非经典感受野滤波器、2~1.非经典感受野滤波器端区、2~2.非经典感受野滤波器侧区,3.(中心)像素点,4.(中心)像素点最优朝向延长线;
图2为具体实施方式1人造图像的轮廓检测中各主要步骤及最终轮廓图;其中:2a.人造图像、2b.高频(小尺度)信息分布图、2c.低频(大尺度)信息分布图、2d.最终轮廓图;
图3为具体实施方式2采用本发明方法对自然图像进行实际检测的轮廓图及与标准轮廓图、采用两背景技术检测的轮廓图的效果对比图组;其中:3a.原始图像、3b.标准轮廓图、3c.采用各向异性抑制技术所得轮廓图、3d.采用各向同性抑制技术所得轮廓图、3e.本实施方式检测所得轮廓图。
具体实施方式
实施例1:以对人造图像的轮廓检测为例:
本实施例首先构造一幅包含一条嵌入在具有随机朝向的杂乱线段背景中“Z”字形的连续线(即轮廓线)的图像(如图2a)作为输入图像,图像大小为512×512(像素);采用的小尺度(高频)Gabor滤波器直径为15个像素、大尺度Gabor滤波器的直径为60个像素;非经典感受野滤波器外径为48个像素。
具体检测方法如下:
A.Gabor滤波处理:给定Gabor滤波器的小尺度(高频)参数σf=1.5、在180°范围内取12个朝向,其朝向参数分别为iπ/12,(i=0,1,...,11),得到一个小尺度(高频)参数为σf=1.5及12个不同朝向的Gabor滤波器;然后采用每一朝向的滤波器依次对输入图像中的各像素点进行滤波处理,得到12幅滤波处理后的图像,其中,当对图像在12个不同朝向进行滤波处理后的灰度图中、对应于(256,256)位置处各图中该像素点的灰度值依次为:0.6266、0.9861、1.5656、1.0326、0.5459、0.2712、0.0280、0.3273、0.5576、0.2742、1.7337、3.7771,取其中的最大值3.7771作为(256,256)处的像素灰度值,获得该最大值的滤波器的朝向11π/12则为该像素点的最优朝向;按上述方式对其余各个像素点进行处理,依次得到各个像素点的灰度值后,再对各像素点的灰度值(最大值)进行归一化处理,从而得到该图像的高频信息分布图(如图2b),归一化处理后该像素点(256,256)在高频信息分布图中的像素灰度值为0.4910;与此相同,在给定Gabor滤波器的(大尺度)参数σc=6.0的条件下,采用同样的方式处理得到该图像的低频信息分布图(如图2c);
B.根据各像素点的最优朝向确定非经典感受野相应滤波器的方位:首先采用二维高斯差函数构建一个与小尺度(高频)参数的Gabor滤波器同心的圆环形的非经典感受野滤波器,并将其等分为两个以中心为对称的端区和位于该端区两侧的侧区:然后将非经典感受野模板中心对准(256,256)位置处像素点,并根据步骤A得到的高频信息分布图中(256,256)处像素点对应的最优朝向11π/12、旋转非经典感受野滤波器,使(256,256)处像素点最优朝向的延长线依位于滤波器端区中部,以确定非经典感受野滤波器的方位;其余各像素点按同样方式处理,依次确定对应的非经典感受野滤波器的方位;
C.确定非经典感受野滤波器侧区对其中心像素的抑制量:利用二维高斯差函数作为权重模板,与位于(256,256)位置像素点非经典感受野滤波器侧区中的高频信息(分布图)进行卷积处理,得到非经典感受野滤波器侧区对中心位置(256,256)处像素的抑制量0.0555,其余各点按同样方式处理得到非经典感受野滤波器侧区对各个像素的抑制量为inhside(x,y;σf);
D.确定非经典感受野滤波器端区对其中心像素的抑制量:利用二维高斯差函数作为权重模板,与位于(256,256)像素点的非经典感受野滤波器端区中的高频信息分布图进行卷积处理,得到端区的常规抑制量:0.2799;再根据在低频信息分布图中该像素点的灰度值0.3405及步骤C所得非经典感受野滤波器侧区对其抑制量0.0555,本实施例根据 确定非经典感受野滤波器端区对中心位置(256,256)处像素的抑制强度(权值)为0.0196,其中fsig是sigmoid型的函数:fsig(t)=1/(1+e-a(t-τ));再将权值0.0196与对应的端区常规抑制量0.2799相乘,得到非经典感受野滤波器端区对中心位置(256,256)处像素的抑制量0.0055,其余各点按同样方式处理确定非经典感受野滤波器端区对各个像素的抑制量;
E.制取非经典感受野滤波器抑制后的图像:用高频信息分布图中(256,256)像素点的灰度值0.4910分别减去对应像素点的侧区抑制量0.0555和端区抑制量0.0055,得到非经典感受野滤波器抑制处理后的灰度值0.4300,其余各点按同样方式处理,得到非经典感受野滤波器抑制处理后的图像;
F.二值化处理:利用非极大值抑制和滞后门限处理方法对E步骤所得图像进行二值化处理,从而得到最终的轮廓图(如图2d)。
本实施例从附图2中2b~2d可看出在对人造图像的目标轮廓检测过程中:高频信息分布图反映的主要是输入图像中的细节信息,而低频信息分布图反映的主要是图像中目标的轮廓信息,最终的轮廓图显示了本发明在有效地压制背景干扰的同时,很好地增强了“Z”字形轮廓。
实施例2:以对实际自然图像的轮廓检测为例:
本实施例图像从目前国际公认的验证轮廓提取方法效果的图像库网站上下载的Hyena(鬣狗)图像及其对应的标准轮廓图,图像大小均为512×512;采用的小尺度(高频)Gabor滤波器直径为19个像素、大尺度Gabor滤波器的直径为95个像素;非经典感受野滤波器外径为64个像素。
本实施例的具体实现过程如下:
A.Gabor滤波处理:给定Gabor滤波器的小尺度(高频)参数σf=2.0、在180°范围内取12个朝向,其朝向参数分别为iπ/12,(i=0,1,...,11),得到一个小尺度(高频)参数为σf=2.0及12个不同朝向的Gabor滤波器;然后采用每一朝向的滤波器依次对输入图像中的各像素点进行滤波处理,得到12幅滤波处理后的图像,其中,当对图像在12个不同朝向进行滤波处理后的灰度图中、对应于(256,256)位置处各图中该像素点的灰度值依次为:0.0791、0.0885、0.0890、0.0891、0.1002、0.1051、0.1060、0.1111、0.1042、0.01049、0.0991、0.0896,取其中的最大值0.1111作为(256,256)处的像素灰度值,获得该最大值的滤波器的朝向7π/12则为该像素点的最优朝向;按上述方式对其余各个像素点进行处理,依次得到各个像素点的灰度值后,再对各像素点的灰度值(最大值)进行归一化处理,从而得到该图像的高频信息分布图,归一化处理后该像素点(256,256)在高频信息分布图中的像素灰度值为0.0483;与此相同,在给定Gabor滤波器的(大尺度)参数σc=10.0的条件下,采用同样的方式处理得到该图像的低频信息分布图;
B.根据各像素点的最优朝向确定非经典感受野相应滤波器的方位:首先采用二维高斯差函数构建一个与小尺度(高频)参数的Gabor滤波器同心的圆环形的非经典感受野滤波器,并将其等分为两个以中心为对称的端区和位于该端区两侧的侧区:然后将非经典感受野模板中心对准(256,256)位置处像素点,并根据步骤A得到的高频信息分布图中(256,256)处像素点对应的最优朝向7π/12、旋转非经典感受野滤波器,使(256,256)处像素点最优朝向的延长线依位于滤波器端区中部,以确定非经典感受野滤波器的方位;其余各像素点按同样方式处理,依次确定对应的非经典感受野滤波器的方位;
C.确定非经典感受野滤波器侧区对其中心像素的抑制量:利用二维高斯差函数作为权重模板,与位于(256,256)位置像素点非经典感受野滤波器侧区中的高频信息(分布图)进行卷积处理,得到非经典感受野滤波器侧区对中心位置(256,256)处像素的抑制量0.0367,其余各点按同样方式处理得到非经典感受野滤波器侧区对各个像素的抑制量为inhside(x,y;σf);
D.确定非经典感受野滤波器端区对其中心像素的抑制量:利用二维高斯差函数作为权重模板,与位于(256,256)位置像素点非经典感受野滤波器端区中的高频信息分布图进行卷积处理,得到端区的常规抑制量:0.0365;再根据在低频信息分布图中该像素点的灰度值0.0669及步骤C所得非经典感受野滤波器侧区对其抑制量0.0367,本实施例根据 确定非经典感受野滤波器端区对中心位置(256,256)处像素的抑制强度(权值)为0.0744,其中fsig是sigmoid型的函数:fsig(t)=1/(1+e-a(t-τ));再将权值0.0744与对应的端区常规抑制量0.0365相乘,得到非经典感受野滤波器端区对中心位置(256,256)处像素的抑制量0.0027,其余各点按同样方式处理确定非经典感受野滤波器端区对各个像素的抑制量;
E.制取非经典感受野滤波器抑制后的图像:用高频信息分布图中(256,256)像素点的灰度值0.0483分别减去对应像素点的侧区抑制量0.0367和端区抑制量0.0027,得到非经典感受野滤波器抑制处理后的灰度值0.0089,其余各点按同样方式处理,得到非经典感受野滤波器抑制处理后的图像;
F.二值化处理:利用非极大值抑制和滞后门限处理方法对E步骤所得图像进行二值化处理,从而得到最终的轮廓图。
图3中3c、3d分别为采用各向异性抑制及各向同性抑制方法所得轮廓图;3e为本发明方法所得轮廓图;从视觉直接观察即可清楚看出,本实施例获得的图像轮廓、其轮廓线的完整性及对背景纹理(草地)的压制强度,远优于两背景技术;
经定量检测:各向异性抑制方法和各向同性抑制方法在采用Gabor滤波器的尺度(频率)参数为2.4时、得到轮廓图的性能评估指标P值(轮廓突出性和对背景压制程度的综合指标)分别为0.49,0.51;而本实施例采用大、小两个尺度(频率)的Gabor滤波器的参数分别为:10.0和2.0时、所得轮廓图的性能评估指标P值为0.70;因此,本实施例所得轮廓图在轮廓突出性和对背景压制程度的综合效果比采用各向异性抑制方法及各向同性抑制方法分别提高42.9%及37.3%。
Claims (5)
1.一种模拟视觉机制的图像目标物体轮廓检测方法,包括:
A.Gabor滤波处理:用大、小两个尺度参数、及模拟神经元经典感受野的具有多个朝向参数的Gabor滤波器组,对输入数字图像中各像素点依次在对应方位进行滤波处理;即在给定Gabor滤波器的一个小尺度参数值的条件下、采用一组不同朝向参数值的滤波器,依次用每一个朝向的滤波器对输入图像中的各像素点进行滤波处理、得到各像素点经对应朝向的小尺度滤波处理后的一幅灰度图,再对经各朝向滤波处理后的灰度图中每一个位于同一位置处的像素点的灰度值进行比较,取其灰度值中的最大值作为对应像素点的灰度值、其所对应的滤波器的朝向作为该像素点的最优朝向,再对各像素点的灰度值进行归一化处理,从而得到该图像的高频信息分布图;与之相同,在给定Gabor滤波器的一个大尺度参数值的条件下,采用同样的方式处理得到该图像的低频信息分布图;
B.根据各像素点的最优朝向确定非经典感受野相应滤波器的方位:首先采用二维高斯差函数构建一个与小尺度参数的Gabor滤波器同心的圆环形的非经典感受野滤波器,并将其分为两个以中心为对称的端区和位于该端区两侧的侧区:然后将非经典感受野模板中心依次对准各像素点,并根据步骤A得到的高频信息分布图中各像素点对应的最优朝向、旋转非经典感受野滤波器,使各像素点最优朝向的延长线依次位于滤波器端区中部,以确定非经典感受野滤波器的方位;
C.确定非经典感受野滤波器侧区对其中心像素的抑制量:利用二维高斯差函数作为权重模板,依次与位于各个像素点非经典感受野滤波器侧区中的高频信息分布图进行卷积处理,得到非经典感受野滤波器侧区对中心位置处像素的抑制量;
D.确定非经典感受野滤波器端区对其中心像素的抑制量:根据各个像素点在低频信息分布图中的灰度值,以及步骤C所得到非经典感受野滤波器侧区对其的抑制量;按照低频信息分布图中的灰度值越大、则减小端区对其的抑制强度,非经典感受野滤波器侧区对中心像素的抑制量越大、则加大端区对其的抑制强度,来设定非经典感受野滤波器端区对中心像素的抑制量;
E.制取非经典感受野滤波器抑制后的图像:用高频信息分布图中各像素点的灰度值分别减去对应像素点的侧区抑制量和端区抑制量,得到非经典感受野滤波器抑制处理后的图像;
F.二值化处理:利用常规二值化方法对E步骤所得图像进行二值化处理,从而得到最终的轮廓图。
2.按权利要求1所述模拟视觉机制的图像目标物体轮廓检测方法,其特征在于所述用两个尺度参数,其小尺度参数取值范围为1.5~2.5,大尺度参数值为小尺度参数值的4~5倍。
3.按权利要求1所述模拟视觉机制的图像目标物体轮廓检测方,其特征在于所述具有多个朝向的Gabor滤波器组,其不同朝向滤波器的个数为12~18个、且在180度内等弧度分布。
4.按权利要求1所述模拟视觉机制的图像目标物体轮廓检测方,其特征在于所述与小尺度参数的Gabor滤波器同心的圆环形的非经典感受野滤波器,其圆环的内径与其中心的Gabor滤波器的直径相同、而外径则为Gabor滤波器直径的3~5倍。
5.按权利要求1所述模拟视觉机制的图像目标物体轮廓检测方,其特征在于所述常规二值化方法包括非极大值抑制和滞后门限方法或阈值方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102650677A CN101763641B (zh) | 2009-12-29 | 2009-12-29 | 一种模拟视觉机制的图像目标物体轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102650677A CN101763641B (zh) | 2009-12-29 | 2009-12-29 | 一种模拟视觉机制的图像目标物体轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101763641A true CN101763641A (zh) | 2010-06-30 |
CN101763641B CN101763641B (zh) | 2011-09-14 |
Family
ID=42494794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102650677A Expired - Fee Related CN101763641B (zh) | 2009-12-29 | 2009-12-29 | 一种模拟视觉机制的图像目标物体轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101763641B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034105A (zh) * | 2010-12-16 | 2011-04-27 | 电子科技大学 | 一种复杂场景的物体轮廓检测方法 |
CN102222324A (zh) * | 2011-06-17 | 2011-10-19 | 电子科技大学 | 一种基于对称特性的图像显著区域检测方法 |
CN102222325A (zh) * | 2011-06-17 | 2011-10-19 | 电子科技大学 | 一种基于相位特性的物体轮廓检测方法 |
CN102254304A (zh) * | 2011-06-17 | 2011-11-23 | 电子科技大学 | 一种目标物体轮廓检测方法 |
CN103903251A (zh) * | 2012-12-30 | 2014-07-02 | 南京理工大学 | 基于非经典感受野复合调制的夜视图像显著轮廓提取方法 |
WO2015078185A1 (zh) * | 2013-11-29 | 2015-06-04 | 华为技术有限公司 | 卷积神经网络和基于卷积神经网络的目标物体检测方法 |
CN106033606A (zh) * | 2015-07-24 | 2016-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033610A (zh) * | 2016-03-22 | 2016-10-19 | 广西科技大学 | 基于非经典感受野空间总和调制的轮廓检测方法 |
CN106156779A (zh) * | 2016-06-24 | 2016-11-23 | 清华大学深圳研究生院 | 一种复杂场景中目标轮廓提取方法 |
CN106228547A (zh) * | 2016-07-15 | 2016-12-14 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
CN106485724A (zh) * | 2016-09-20 | 2017-03-08 | 华中科技大学 | 一种基于组合感受野和朝向特征调制的轮廓检测方法 |
CN107742302B (zh) * | 2017-11-13 | 2019-12-31 | 广西科技大学 | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 |
CN111161253A (zh) * | 2019-12-31 | 2020-05-15 | 柳州快速制造工程技术有限公司 | 一种基于深度信息的模具检验方法 |
CN111870224A (zh) * | 2020-07-16 | 2020-11-03 | 武汉大学 | 一种肿瘤血管正常化检测系统和检测方法 |
WO2021189770A1 (zh) * | 2020-07-31 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于人工智能的图像增强处理方法、装置、设备及介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033608B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033609B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 |
CN106033607B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5684894A (en) * | 1994-11-28 | 1997-11-04 | Eastman Kodak Company | Scale specific and robust line/edge encoding of images |
CN100573582C (zh) * | 2007-12-07 | 2009-12-23 | 华中科技大学 | 一种融合上下文信息的数字血管造影图像增强方法 |
CN101488218B (zh) * | 2008-12-19 | 2011-02-09 | 四川虹微技术有限公司 | 一种图像自适应空域同态滤波方法 |
-
2009
- 2009-12-29 CN CN2009102650677A patent/CN101763641B/zh not_active Expired - Fee Related
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034105A (zh) * | 2010-12-16 | 2011-04-27 | 电子科技大学 | 一种复杂场景的物体轮廓检测方法 |
CN102222324A (zh) * | 2011-06-17 | 2011-10-19 | 电子科技大学 | 一种基于对称特性的图像显著区域检测方法 |
CN102222325A (zh) * | 2011-06-17 | 2011-10-19 | 电子科技大学 | 一种基于相位特性的物体轮廓检测方法 |
CN102254304A (zh) * | 2011-06-17 | 2011-11-23 | 电子科技大学 | 一种目标物体轮廓检测方法 |
CN102222324B (zh) * | 2011-06-17 | 2012-08-29 | 电子科技大学 | 一种基于对称特性的图像显著区域检测方法 |
CN102254304B (zh) * | 2011-06-17 | 2012-08-29 | 电子科技大学 | 一种目标物体轮廓检测方法 |
CN103903251B (zh) * | 2012-12-30 | 2017-03-29 | 南京理工大学 | 基于非经典感受野复合调制的夜视图像显著轮廓提取方法 |
CN103903251A (zh) * | 2012-12-30 | 2014-07-02 | 南京理工大学 | 基于非经典感受野复合调制的夜视图像显著轮廓提取方法 |
WO2015078185A1 (zh) * | 2013-11-29 | 2015-06-04 | 华为技术有限公司 | 卷积神经网络和基于卷积神经网络的目标物体检测方法 |
CN106033606A (zh) * | 2015-07-24 | 2016-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033606B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033610B (zh) * | 2016-03-22 | 2018-10-26 | 广西科技大学 | 基于非经典感受野空间总和调制的轮廓检测方法 |
CN106033610A (zh) * | 2016-03-22 | 2016-10-19 | 广西科技大学 | 基于非经典感受野空间总和调制的轮廓检测方法 |
CN106156779A (zh) * | 2016-06-24 | 2016-11-23 | 清华大学深圳研究生院 | 一种复杂场景中目标轮廓提取方法 |
CN106156779B (zh) * | 2016-06-24 | 2019-07-26 | 清华大学深圳研究生院 | 一种复杂场景中目标轮廓提取方法 |
CN106228547A (zh) * | 2016-07-15 | 2016-12-14 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
CN106228547B (zh) * | 2016-07-15 | 2018-12-28 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
CN106485724A (zh) * | 2016-09-20 | 2017-03-08 | 华中科技大学 | 一种基于组合感受野和朝向特征调制的轮廓检测方法 |
CN106485724B (zh) * | 2016-09-20 | 2019-02-01 | 华中科技大学 | 一种基于组合感受野和朝向特征调制的轮廓检测方法 |
CN107742302B (zh) * | 2017-11-13 | 2019-12-31 | 广西科技大学 | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 |
CN111161253A (zh) * | 2019-12-31 | 2020-05-15 | 柳州快速制造工程技术有限公司 | 一种基于深度信息的模具检验方法 |
CN111870224A (zh) * | 2020-07-16 | 2020-11-03 | 武汉大学 | 一种肿瘤血管正常化检测系统和检测方法 |
WO2021189770A1 (zh) * | 2020-07-31 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于人工智能的图像增强处理方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101763641B (zh) | 2011-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101763641B (zh) | 一种模拟视觉机制的图像目标物体轮廓检测方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN110349126A (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN102201120B (zh) | 一种基于多特征的目标物体轮廓检测方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN103413303A (zh) | 基于联合显著性的红外目标分割方法 | |
CN101551863A (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN102867195B (zh) | 一种遥感图像多类目标检测和识别方法 | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN104363815A (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN104008379A (zh) | 一种基于surf特征的物体识别方法 | |
CN102306378B (zh) | 一种图像增强方法 | |
CN111161260A (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 | |
CN113012098B (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
CN104574417B (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
CN102034105B (zh) | 一种复杂场景的物体轮廓检测方法 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN102324045A (zh) | 基于Radon变换和极谐波变换的不变矩目标识别方法 | |
CN103984964A (zh) | 一种试纸条图像识别方法及系统 | |
CN104966295B (zh) | 一种基于线框模型的舰船提取方法 | |
CN104282001A (zh) | 增强图像特征二值描述子性能的方法 | |
CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110914 Termination date: 20161229 |