CN102034105B - 一种复杂场景的物体轮廓检测方法 - Google Patents
一种复杂场景的物体轮廓检测方法 Download PDFInfo
- Publication number
- CN102034105B CN102034105B CN2010105922178A CN201010592217A CN102034105B CN 102034105 B CN102034105 B CN 102034105B CN 2010105922178 A CN2010105922178 A CN 2010105922178A CN 201010592217 A CN201010592217 A CN 201010592217A CN 102034105 B CN102034105 B CN 102034105B
- Authority
- CN
- China
- Prior art keywords
- towards
- pixel
- information distributed
- distributed image
- contour
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种复杂场景的物体轮廓检测方法。本发明采用一组不同朝向的Gabor滤波器对输入图像进行滤波处理,得到各个朝向下的朝向信息分布图像,并根据各个朝向下的朝向信息分布图像计算各个像素的朝向显著性系数,并将输入图像划分为朝向显著区域和非朝向显著区域,不同特征的纹理条件下使用不同的抑制方式,对于朝向显著的区域,采用各向异性抑制方法来抑制背景信息,对于非朝向显著的区域,采用各向同性抑制处理来抑制背景信息。最终得到抑制后的轮廓图像,经二值化处理即得到目标轮廓图像。本发明的检测方法具有根据外界输入的局部朝向信息来选择使用不同的抑制处理方式,可有效提高从复杂场景中迅速、准确地提取出物体轮廓的能力。
Description
技术领域
本发明属于计算机视觉技术领域,特别涉及一种物体轮廓的检测方法。
背景技术
现在借鉴大脑视觉信息处理机制来进行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为非经典感受野抑制轮廓检测方法,参见文献:Grigorescu C,Petkov N,Westenberg M,Contour detection based on nonclassicalreceptive field inhibition,IEEE Transactions on Image Processing,vol.12,no.7,729~739,2003。这种方法利用了初级视皮层神经元的非经典感受野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,其中包括各向同性抑制方法和各向异性抑制方法。这种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,但两种抑制方法均只适用于部分纹理条件下的轮廓检测,因而在单独使用时,不能适应各种复杂自然场景中物体轮廓提取任务,表现在对复杂自然场景中物体轮廓提取时轮廓检测和目标轮廓提取的效果较差。
发明内容
本发明的目的是为了解决现有的非经典感受野抑制轮廓检测方法对复杂自然场景中物体轮廓提取时存在的缺陷,提出了一种复杂场景的物体轮廓检测方法。
为了实现上述目的,本发明的技术方案是:一种复杂场景的物体轮廓检测方法,包括如下步骤:
S1.Gabor滤波处理:利用Gabor滤波器组,对输入图像中各像素点依次在对应朝向进行滤波处理,得到一组滤波处理后的灰度图像,即在给定Gabor滤波器的一个尺度参数值的条件下,采用一组不同朝向的滤波器,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,得到一组不同朝向下的朝向信息分布图像;
S2.确定输入图像的朝向显著区域和非朝向显著区域:计算步骤S1中得到的各朝向下的朝向信息分布图像中的同一位置处像素点的最大值与均值的比值,再对得到的各像素点处的最大值与均值的比值进行归一化处理,从而得到各个像素点的朝向显著性系数;再给定一个预先设置的阈值,将各个像素点的朝向显著性系数与之进行比较,朝向显著性系数大于给定阈值的像素归入输入图像的朝向显著区域,朝向显著性系数小于或等于给定阈值的像素归入输入图像的非朝向显著区域;
S3.制取各向异性抑制方法处理的轮廓信息分布图像和各向同性抑制方法处理的轮廓信息分布图像:
制取各向异性抑制方法处理的轮廓信息分布图像,利用二维高斯差函数构建的非经典感受野滤波器,依次对步骤S2中得到的各朝向下的朝向信息分布图像的朝向显著区域进行滤波处理,得到各朝向下非经典感受野对中心点的抑制量,再用各朝向下的朝向信息分布图像减去对应朝向下的抑制量,得到各个朝向下抑制后的图像,再从相同位置像素的灰度值中选取其最大值作为该像素点的灰度值,得到各向异性抑制方法处理的轮廓信息分布图像;
制取各向同性抑制方法处理的轮廓信息分布图像,对步骤S2中得到的各朝向下的朝向信息分布图像非朝向显著区域中的每一个位于同一位置处的像素点的灰度值进行比较,用其最大值作为对应像素点的灰度值,从而得到最大朝向信息分布图像;然后再利用二维高斯差函数构建的非经典感受野滤波器对其进行滤波处理,得到非经典感受野对各像素点的抑制量;用最大朝向信息分布图中各像素灰度值减去对应位置处的抑制量,得到各向同性抑制方法处理的轮廓信息分布图像;
S4.制取抑制后的轮廓图像:对于朝向显著区域中的像素点,选择步骤S3得到的各向异性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,对于非朝向显著区域中的像素点,选择步骤S3得到的各向同性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,进而得到抑制后的轮廓图像;
S5.二值化处理:用二值化方法对步骤S4得到抑制后的轮廓图像,进行二值化处理,从而得到最终的轮廓图像。
上述步骤S1中所述的尺度参数值的取值范围为1~5。
上述步骤S1中所述的Gabor滤波器组的不同朝向滤波器的个数为12~18个,且Gabor滤波器组的朝向在180度内等弧度分布。
上述步骤S2中所述阈值的取值范围为0~1。
上述步骤S3中所述的二维高斯差函数构建的非经典感受野滤波器的圆环的内直径与上述步骤S1中所述的Gabor滤波器组中的每个Gabor滤波器的直径相同,外直径为内直径的3~5倍。
上述步骤S5中所述的二值化方法为非极大值抑制和滞后门限方法或阈值方法。
本发明的有益效果:本发明首先采用一组不同朝向的Gabor滤波器对输入图像进行滤波处理,得到各个朝向下的朝向信息分布图像,并根据各个朝向下的朝向信息分布图像计算各个像素的朝向显著性系数,并将输入图像划分为朝向显著区域和非朝向显著区域,不同特征的纹理条件下使用不同的抑制方式,对于朝向显著的区域,采用各向异性抑制方法来抑制背景信息、进而突出轮廓信息;对于非朝向显著的区域,采用各向同性抑制处理来抑制背景信息、突出轮廓信息。最终得到抑制后的轮廓图像,经二值化处理即得到目标轮廓图像。本发明的检测方法具有根据外界输入的局部朝向信息来选择使用不同的抑制处理方式,可有效提高从复杂场景中迅速、准确地提取出物体轮廓的能力。
附图说明
图1是本发明复杂场景的物体轮廓检测方法的流程示意图。
图2是实施例一中采用本发明方法对人造图像进行检测的轮廓图及与采用背景技术中的两种方法检测的轮廓图的效果对比图组。
图3是实施例二中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、采用背景技术中的两种方法检测的轮廓图的效果对比图组。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
本发明以现代生物学和生理学为基础,根据视觉系统中初级视皮层神经元的经典感受野(CRF,Classical Receptive Field)的外周,即非经典感受野(nCRF,non-CRF)对中心主要呈现出两种不同的抑制方式:各向异性抑制能有效检测朝向显著的纹理中的轮廓线,但不能有效抑制朝向杂乱的背景纹理,而各向同性抑制能够有效抑制朝向杂乱的背景纹理,突出其中的轮廓线,但不能检测到朝向显著的纹理中的轮廓线。
为此本发明首先根据图像的局部朝向特征,将图像划分为朝向显著区域和非朝向显著区域,在输入图像的朝向显著区域使用各向异性抑制方法,而在非朝向显著区域使用各向同性抑制方法,从而在各种纹理条件下都能获得更加符合人类视觉感受的轮廓检测结果。下面以实施例一和实施例二为例进行具体说明。
实施例一:以一人造图像的轮廓检测为例。
如图2a所示,首先构造一幅包含一条嵌入不同纹理背景中轮廓线的图像作为输入图像,图像大小为483×483。具体检测方法的流程如图1所示,具体过程如下:
S1.Gabor滤波处理:给定Gabor滤波器组的尺度参数值为4.0、在180°范围内取12个朝向,其朝向参数分别为iπ/12,(i=0,1,…,11),得到一组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,即为12个不同朝向下的朝向信息分布图像;
S2.确定输入图像的朝向显著区域和非朝向显著区域:计算步骤S1中得到的各朝向下的朝向信息分布图像中的同一位置处像素点的最大值与均值的比值,以其中的两个像素点(100,300)和(100,450)为例,在12个不同朝向下的朝向信息分布图像中,对应于(100,300)位置处像素点在各朝向信息分布图像中的灰度值依次为:6.2647、2.4534、3.6143、6.8756、1.4505、2.9657、0.6935、1.8705、1.7391、6.6848、5.6961、7.2406;对应于(100,450)位置处像素点在各朝向信息分布图像中的灰度值依次为:0.2833、0.2838、0.2960、0.2957、0.2960、0.2838、0.2833、1.3297、11.3865、44.5769、11.3865、1.3297;对应于(100,300)位置处像素在各朝向信息分布图像中最大值为7.2406,均值为3.9624,所以最大值与均值的比值为1.8273,而对应于(100,450)位置处像素在各朝向信息分布图像中最大值为44.5769,均值为6.0026,所以最大值与均值的比值为7.4263,再对各像素点处比值进行归一化处理后,对应于(100,300)和(100,450)位置处像素的朝向显著性系数分别为0.2916和0.9432;再给定一个预先设置的阈值0.4,位于(100,450)处像素的朝向显著性系数0.9432大于0.4,因此将其归入输入图像的朝向显著区域,而位于(100,300)处像素的朝向显著性系数0.2916小于0.4,因此归入输入图像的非朝向显著区域,其余各像素点按同样方式处理;
S3.制取各向异性抑制方法处理的轮廓信息分布图像和各向同性抑制方法处理的轮廓信息分布图像:
制取各向异性抑制方法处理的轮廓信息分布图像,利用二维高斯差函数构建非经典感受野滤波器,对步骤S2中得到的各朝向下的朝向信息分布图像的朝向显著区域中的像素点(100,450)进行滤波处理,得到各朝向下非经典感受野对该像素点的抑制量依次为0.6821、0.6326、0.6531、0.6709、0.7558、0.7326、0.9662、2.8166、13.2267、50.7034、12.9834、2.5757,再用步骤S1中得到的各朝向下的朝向信息分布图像的朝向显著区域中的像素点(100,450)的灰度值减去对应朝向下该位置处抑制量,得到各个朝向下抑制后的该像素点的灰度值依次为:-0.3988、-0.3488、-0.3571、-0.3752、-0.4598、-0.4488、-0.6829、-1.4869、-1.8402、-6.1265、-1.5969、-1.2460,实际处理中灰度值出现负值时,皆按0处理,再从该位置像素的灰度值中选取其最大值0作为该像素点的灰度值,其余各像素点按同样方法处理,得到各向异性抑制方法处理的轮廓信息分布图像;
制取各向同性抑制方法处理的轮廓信息分布图像,对步骤S2中得到的各朝向下的朝向信息分布图像非朝向显著区域中的像素点(100,300)的灰度值进行比较,用其最大值7.2406作为该像素点的灰度值,其余各像素按同样方式处理,从而得到最大朝向信息分布图像;然后再利用二维高斯差函数构建的非经典感受野滤波器对像素点(100,300)进行滤波处理,得到非经典感受野对该像素点的抑制量为11.2135;用最大朝向信息分布图中像素点(100,300)的灰度值7.2406减去该位置处的抑制量11.2135,得到抑制后的灰度值为-3.9729,实际处理中灰度值出现负值时,皆按0处理,因此像素点(100,300)抑制后的灰度值为0,其余各像素点按同样方式处理,各向同性抑制方法处理的轮廓信息分布图像;
这里,利用二维高斯差函数构建的非经典感受野滤波器的圆环的内直径与步骤S1中所述的Gabor滤波器组中的每个Gabor滤波器的直径相同,外直径为内直径的4倍,即较小的高斯函数的尺度参数数值为4.0,较大的高斯函数的尺度参数值为16.0。利用二维高斯差函数构建非经典感受野滤波器属于本领域的现有技术,具体可参见文献:Grigorescu C,Petkov N,Westenberg M,Contourdetection based on nonclassical receptive field inhibition,IEEE Transactions onImage Processing,vol.12,no.7,729~739,2003,在本说明书中不再作详细阐述。
S4.制取抑制后的轮廓图像:对于朝向显著区域中的像素点(如(100,450)),选择步骤S3得到的各向异性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,对于非朝向显著区域中的像素点(如(100,300)),选择步骤S3得到的各向同性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,进而得到抑制后的轮廓图像;
S5.二值化处理:用阈值二值化方法对步骤S4得到抑制后的轮廓图像,进行二值化处理,从而得到最终的轮廓图像。
图2为采用本发明方法对人造图像进行检测的轮廓图及与采用背景技术中的两种方法检测的轮廓图像的效果对比图组。其中:2a.人造图像,2b.采用各向异性抑制技术所得轮廓图像,2c.采用各向同性抑制技术所得轮廓图像,2d.采用本发明方法检测所得轮廓图像。从图中可以看出,单独使用各向异性抑制方法时,不能有效压制朝向杂乱的纹理背景;而单独使用各向同性抑制方法时,不能有效检测朝向显著的纹理中的轮廓线;本实施方法在各种纹理背景下,都能有效地压制背景干扰的同时,很好地增强了轮廓线,证明了该方法在轮廓提取中的可行性。
实施例二:以一自然图像的轮廓检测为例。
从目前国际公认的验证轮廓提取算法效果的图像库网站上下载Rino(犀牛)图像及其对应的标准轮廓检测结果,图像大小均为512×512,其中的标准轮廓检测结果(ground truth)是由多个人手工勾画后平均得到的。具体检测方法的流程如图1所示,具体过程如下:
S1.Gabor滤波处理:给定Gabor滤波器组的尺度参数值为2.4、在180°范围内取12个朝向,其朝向参数分别为iπ/12,(i=0,1,…,11),得到一组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,即为12个不同朝向下的朝向信息分布图像;
S2.确定输入图像的朝向显著区域和非朝向显著区域:计算步骤S1中得到的各朝向下的朝向信息分布图像中的同一位置处像素点的最大值与均值的比值,以其中的两个像素点(100,100)和(213,200)为例,在12个不同朝向下的朝向信息分布图像中,对应于(100,100)位置处像素点在各朝向信息分布图像中的灰度值依次为:58.2730、41.4288、38.9917、30.7623、43.2530、48.6538、43.1829、38.8587、32.5321、24.7932、29.7015、41.9275;对应于(213,200)位置处像素点在各朝向信息分布图像中的灰度值依次为:18.2434、21.3245、98.8451、221.3047、98.6186、50.7757、38.0298、10.9193、15.8224、30.2131、39.5781、13.0752;对应于(100,100)位置处像素在各朝向信息分布图像中最大值为58.2730,均值为39.3632,所以最大值与均值的比值为1.4804,而对应于(213,200)位置处像素在各朝向信息分布图像中最大值为221.3047,均值为54.7292,所以最大值与均值的比值为4.0436,再对各像素点处比值进行归一化处理后,对应于(100,100)和(213,200)位置处像素的朝向显著性系数分别为0.0808和0.5665;再给定一个预先设置的阈值0.35,位于(213,200)处像素的朝向显著性系数0.5665大于0.35,因此将其归入输入图像的朝向显著区域,而位于(100,100)处像素的朝向显著性系数0.0808小于0.35,因此归入输入图像的非朝向显著区域,其余各像素点按同样方式处理;
S3.制取各向异性抑制方法处理的轮廓信息分布图像和各向同性抑制方法处理的轮廓信息分布图像:
制取各向异性抑制方法处理的轮廓信息分布图像,利用二维高斯差函数构建的非经典感受野滤波器,对步骤S2中得到的各朝向下的朝向信息分布图像的朝向显著区域中的像素点(213,200)进行滤波处理,得到各朝向下非经典感受野对该像素点的抑制量依次为62.7022、60.6400、73.6164、123.8469、73.8639、73.1995、71.0099、61.0420、58.0359、55.5568、54.4461、57.2515,再用步骤S1中得到的各朝向下的朝向信息分布图像的朝向显著区域中的像素点(213,200)的灰度值减去对应朝向下该位置处抑制量,得到各个朝向下抑制后的该像素点的灰度值依次为:-44.4589、-39.3155、25.2287、97.4578、24.7547、-22.4238、-32.9800、-50.1227、-42.2135、-25.3437、-14.8679、-44.1763,实际处理中灰度值出现负值时,皆按0处理,再从该位置像素的灰度值中选取其最大值97.4578作为该像素点的灰度值,其余各点按同样方法处理,得到各向异性抑制方法处理的轮廓信息分布图像;
制取各向同性抑制方法处理的轮廓信息分布图像,对步骤S2中得到的各朝向下的朝向信息分布图像非朝向显著区域中的像素点(100,100)的灰度值进行比较,用其最大值58.2730作为该像素点的灰度值,其余各像素按同样方式处理,从而得到最大朝向信息分布图像;然后再利用二维高斯差函数构建的非经典感受野滤波器对像素点(100,100)进行滤波处理,得到非经典感受野对该像素点的抑制量为53.2906;用最大朝向信息分布图像中像素点(100,300)的灰度值58.2730减去该位置处的抑制量53.2906,得到抑制后的灰度值为4.9824,因此像素点(100,100)抑制后的灰度值为4.9824,其余各像素按同样方式处理,得到各向同性抑制方法处理的轮廓信息分布图像;
这里,利用二维高斯差函数构建的非经典感受野滤波器的圆环的内直径与步骤S1中所述的Gabor滤波器组中的每个Gabor滤波器的直径相同,外直径为内直径的4倍,即较小的高斯函数的尺度参数数值为2.4,较大的高斯函数的尺度参数值为9.6。
S4.制取抑制后的轮廓图像:对于朝向显著区域中的像素点(如(213,200)),选择步骤S3得到的各向异性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,对于非朝向显著区域中的像素点(如(100,100)),选择步骤S3得到的各向同性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,进而得到抑制后的轮廓图像;
S5.二值化处理:用非极大值抑制和滞后门限方法对步骤S4得到抑制后的轮廓图像,进行二值化处理,从而得到最终的轮廓图像。
图3为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、采用两背景技术中的两种方法检测的轮廓图的效果对比图组。其中:3a.原始图像,3b.标准轮廓图像,3c.采用各向异性抑制技术所得轮廓图像,3d.采用各向同性抑制技术所得轮廓图像,3e.采用本发明方法检测所得轮廓图像。从图中可以清楚看出,采用本发明方法提取自然图像轮廓时,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纹理(草地)干扰,其主观效果好于向异性抑制算法和各向同性抑制算法检测到的轮廓图像。
本实施中的方法与各向异性抑制方法和各向同性抑制方法的定量比较:各向异性抑制方法和各向同性抑制方法采用Gabor滤波器的尺度参数为2.4,得到轮廓图像的性能评估指标P值分别为0.28、0.32;本实施中的方法采用Gabor滤波器的尺度参数为2.4,得到轮廓图像的性能评估指标P值为0.46。性能评估指标P值越大表明突出轮廓、压制背景的总体效果越好。
本发明设计了一种模拟大脑视觉信息处理机制的复杂场景的物体轮廓检测方法,综合利用两种背景技术的优点,有效的提高了从复杂场景中检测目标轮廓的能力。
本发明首先采用一组不同朝向的Gabor滤波器对输入图像进行滤波处理,得到各个朝向下的朝向信息分布图像,并根据各个朝向下的朝向信息分布图像计算各个像素的朝向显著性系数,并将输入图像划分为朝向显著区域和非朝向显著区域,不同特征的纹理条件下使用不同的抑制方式,对于朝向显著的区域,采用各向异性抑制方法来抑制背景信息、进而突出轮廓信息;对于非朝向显著的区域,采用各向同性抑制处理来抑制背景信息、突出轮廓信息。最终得到抑制后的轮廓图像,经二值化处理即得到目标轮廓图像。
本发明的检测方法具有根据外界输入的局部朝向信息来选择使用不同的抑制处理方式,可有效提高从复杂场景中迅速、准确地提取出物体轮廓的能力。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种复杂场景的物体轮廓检测方法,包括如下步骤:
S1.Gabor滤波处理:利用Gabor滤波器组,对输入图像中各像素点依次在对应朝向进行滤波处理,得到一组滤波处理后的灰度图像,即在给定Gabor滤波器的一个尺度参数值的条件下,采用一组不同朝向的滤波器,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,得到一组不同朝向下的朝向信息分布图像;
S2.确定输入图像的朝向显著区域和非朝向显著区域:计算步骤S1中得到的各朝向下的朝向信息分布图像中的同一位置处像素点的最大值与均值的比值,再对得到的各像素点处的最大值与均值的比值进行归一化处理,从而得到各个像素点的朝向显著性系数;再给定一个预先设置的阈值,将各个像素点的朝向显著性系数与之进行比较,朝向显著性系数大于给定阈值的像素归入输入图像的朝向显著区域,朝向显著性系数小于或等于给定阈值的像素归入输入图像的非朝向显著区域;
S3.制取各向异性抑制方法处理的轮廓信息分布图像和各向同性抑制方法处理的轮廓信息分布图像:
制取各向异性抑制方法处理的轮廓信息分布图像,利用二维高斯差函数构建的非经典感受野滤波器,依次对步骤S2中得到的各朝向下的朝向信息分布图像的朝向显著区域进行滤波处理,得到各朝向下非经典感受野对中心点的抑制量,再用各朝向下的朝向信息分布图像减去对应朝向下的抑制量,得到各个朝向下抑制后的图像,再从相同位置像素的灰度值中选取其最大值作为该像素点的灰度值,得到各向异性抑制方法处理的轮廓信息分布图像;
制取各向同性抑制方法处理的轮廓信息分布图像,对步骤S2中得到的各朝向下的朝向信息分布图像非朝向显著区域中的每一个位于同一位置处的像素点的灰度值进行比较,用其最大值作为对应像素点的灰度值,从而得到最大朝向信息分布图像;然后再利用二维高斯差函数构建的非经典感受野滤波器对其进行滤波处理,得到非经典感受野对各像素点的抑制量;用最大朝向信息分布图中各像素灰度值减去对应位置处的抑制量,得到各向同性抑制方法处理的轮廓信息分布图像;
S4.制取抑制后的轮廓图像:对于朝向显著区域中的像素点,选择步骤S3得到的各向异性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,对于非朝向显著区域中的像素点,选择步骤S3得到的各向同性抑制方法处理的轮廓信息分布图像中对应位置处的灰度值作为对应像素点的灰度值,进而得到抑制后的轮廓图像;
S5.二值化处理:用二值化方法对步骤S4得到抑制后的轮廓图像,进行二值化处理,从而得到最终的轮廓图像。
2.根据权利要求1所述的复杂场景的物体轮廓检测方法,其特征在于,步骤S1中所述的尺度参数值的取值范围为1~5。
3.根据权利要求1所述的复杂场景的物体轮廓检测方法,其特征在于,步骤S1中所述的Gabor滤波器组的不同朝向滤波器的个数为12~18个,且Gabor滤波器组的朝向在180度内等弧度分布。
4.根据权利要求1至3所述的任一复杂场景的物体轮廓检测方法,其特征在于,步骤S2中所述阈值的取值范围为0~1。
5.根据权利要求4所述的复杂场景的物体轮廓检测方法,其特征在于,步骤S3中所述的二维高斯差函数构建的非经典感受野滤波器的圆环的内直径与步骤S1中所述的Gabor滤波器组中的每个Gabor滤波器的直径相同,外直径为内直径的3~5倍。
6.根据权利要求5所述的复杂场景的物体轮廓检测方法,其特征在于,步骤S5中所述的二值化方法为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 |
---|---|---|---|
CN2010105922178A CN102034105B (zh) | 2010-12-16 | 2010-12-16 | 一种复杂场景的物体轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105922178A CN102034105B (zh) | 2010-12-16 | 2010-12-16 | 一种复杂场景的物体轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102034105A CN102034105A (zh) | 2011-04-27 |
CN102034105B true CN102034105B (zh) | 2012-07-18 |
Family
ID=43886968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105922178A Expired - Fee Related CN102034105B (zh) | 2010-12-16 | 2010-12-16 | 一种复杂场景的物体轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102034105B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN107767387B (zh) * | 2017-11-09 | 2020-05-05 | 广西科技大学 | 基于可变感受野尺度全局调制的轮廓检测方法 |
CN108090492B (zh) * | 2017-11-09 | 2019-12-31 | 广西科技大学 | 基于尺度线索抑制的轮廓检测方法 |
CN115908807B (zh) * | 2022-11-24 | 2023-06-23 | 中国科学院国家空间科学中心 | 一种弱小目标快速检测方法、系统、计算机设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006024974A1 (en) * | 2004-09-02 | 2006-03-09 | Koninklijke Philips Electronics N.V. | Feature weighted medical object contouring using distance coordinates |
CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
CN101763641B (zh) * | 2009-12-29 | 2011-09-14 | 电子科技大学 | 一种模拟视觉机制的图像目标物体轮廓检测方法 |
CN101763504B (zh) * | 2009-12-30 | 2012-06-06 | 邱怀骏 | 复杂场景下的人体头部识别方法 |
-
2010
- 2010-12-16 CN CN2010105922178A patent/CN102034105B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102034105A (zh) | 2011-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102034105B (zh) | 一种复杂场景的物体轮廓检测方法 | |
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN102201120B (zh) | 一种基于多特征的目标物体轮廓检测方法 | |
CN101763641B (zh) | 一种模拟视觉机制的图像目标物体轮廓检测方法 | |
CN115661144B (zh) | 基于可变形U-Net的自适应医学图像分割方法 | |
CN110210608A (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
CN104282027B (zh) | 一种基于Hough变换的圆检测方法 | |
CN106599878A (zh) | 一种基于深度学习的人脸重建矫正方法及装置 | |
CN103258334B (zh) | 彩色图像的场景光源颜色估计方法 | |
CN104036493A (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
CN104050472B (zh) | 一种灰度图像二值化的自适应全局阈值方法 | |
CN104021567B (zh) | 基于首数字定律的图像高斯模糊篡改检测方法 | |
CN111179196A (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN111429371B (zh) | 图像处理方法、装置及终端设备 | |
CN111931817A (zh) | 一种球团矿矿相识别方法和装置 | |
CN102222325A (zh) | 一种基于相位特性的物体轮廓检测方法 | |
Román et al. | Image color contrast enhancement using multiscale morphology | |
CN117593540A (zh) | 一种基于智能化图像识别技术的压力性损伤分期识别方法 | |
CN112508073A (zh) | 一种深度学习结合传统算法的电力设备红外热图识别方法 | |
Wang et al. | The research of ear identification based on improved algorithm of moment invariant | |
CN110298807A (zh) | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
CN110909601A (zh) | 一种基于深度学习的美瞳识别方法及系统 | |
Wang et al. | Local brightness adaptive image colour enhancement with Wasserstein distance |
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 |
Granted publication date: 20120718 Termination date: 20211216 |
|
CF01 | Termination of patent right due to non-payment of annual fee |