CN102254304B - 一种目标物体轮廓检测方法 - Google Patents
一种目标物体轮廓检测方法 Download PDFInfo
- Publication number
- CN102254304B CN102254304B CN201110163772A CN201110163772A CN102254304B CN 102254304 B CN102254304 B CN 102254304B CN 201110163772 A CN201110163772 A CN 201110163772A CN 201110163772 A CN201110163772 A CN 201110163772A CN 102254304 B CN102254304 B CN 102254304B
- Authority
- CN
- China
- Prior art keywords
- petiolarea
- pixel
- towards
- lateral areas
- obtains
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 24
- 230000005764 inhibitory process Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 29
- 230000013632 homeostatic process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000002401 inhibitory effect Effects 0.000 abstract description 7
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 210000000977 primary visual cortex Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机视觉技术领域,公开了一种目标物体轮廓检测的方法。本发明将非经典感受野分为端区和侧区,在侧区进行恒定抑制,在端区利用对比度的影响进行选择性作用,同时在计算选择性作用时采用一种自适应的方法,根据每个像素一定邻域内的对比度值来设置门限判定该像素应进行抑制还是易化,另一方面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,同时根据非经典感受野滤波器侧区作用来调制端区作用的大小,以尽可能地保留轮廓线的完整性的同时、最大程度地抑制背景干扰。本发明的方法可应用于计算机视觉中的目标物体检测和识别等。
Description
技术领域
本发明属于计算机视觉技术领域,特别涉及一种目标物体轮廓检测的方法。
背景技术
视觉信息处理研究方面的重大突破和融入到学科大交叉的趋势引起了越来越多的研究者的关注,特别是边缘检测这一领域的研究者的关注,如何将人类视觉系统的特性应用到其中以解决轮廓检测的难题已经成为的研究一个热点。文献“Grigorescu C,Petkov N,Westenberg M,Contour detection based on nonclassical receptive field inhibition,IEEETransactions on Image Processing 12,2003,729-739”利用非经典感受野对经典感受野的抑制特性展开了相关研究,模拟非经典感受野的抑制作用,在对具有复杂背景的自然图像进行检测时,这一算子比传统边缘检测算子表现出更好的效果,特别是针对有特定任务的要求,减少了环境纹理的影响,更能有效的区分背景和轮廓;针对Grigorescu等人工作中的缺陷,Tang QL,Sang N,Zhang TX在文献“Extraction of salient contours from cluttered scenes,Pattern Recognition,40(11),2007,3100-3109”对模型进行了改进,先将圆环模型改进为蝶型模型,减少了共线抑制的作用,后又根据非经典感受野对经典感受野的易化作用,加入了端区易化,新的模型克服了Grigorescu等人所建立的模型的不足,更为符合视觉机制,也增强了边缘检测算子针对特地目标的有效性。但仍存在一些缺陷,表现在不能随着外界输入信息的变化即时地调节其视觉系统,并且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,提出了一种目标物体轮廓检测方法。
本发明的技术方案是:一种目标物体轮廓检测方法,包括如下步骤:
S1.滤波处理:利用Gabor滤波器组或log Gabor滤波器组对目标图像进行滤波处理,即利用N个不同方向下的Gabor滤波器或log Gabor滤波器对图像进行滤波处理,得到N个不同朝向下的朝向信息分布图;
S2.确定最优朝向图和最大能量图:比较不同朝向信息分布图中对应位置的像素值的大小,取各像素点的最大值作为输出,得到最大能量图;同时各像素点取最大值时对应的朝向为该点的最优朝向,将各像素点的最优朝向作为输出,得到最优朝向图;
S3.计算对比度图:对于目标图像依次计算以每个像素为中心的邻域内的像素值的标准差,将这个标准差作为该像素的对比度值,得到对比度图;
S4.计算判定图:对于对比度图取以每个像素为中心的一个M*M的邻域,利用该邻域内的像素的平均值乘以门限因子α=(p-1/M*M-1)得到一个门限T,这里p的范围为0<p≤0.5,然后再比较该像素值和该门限T的大小,大于该门限的则认为该像素点的端区作用为易化,即加强,值为1,反之则该像素点的端区作用为抑制,即减弱,值为-1,得到用于判定端区作用值为1或-1的判定图;
S5.计算不同朝向下的能量图:从步骤S2计算得到的最大能量图中依次提取最优朝向为第一个朝向,第二个朝向到第N个朝向的点,得到N个不同朝向下的能量图,在这N个图像中,仅最优朝向为对应的方向的像素点有值,值为最大能量;
S6.计算侧区作用:用非负二维高斯差函数构建非经典感受野滤波器,得到不同方向下的非经典感受野蝶型侧区模板,利用蝶型侧区模板对步骤S5得到的N个不同朝向下的能量图进行滤波处理,得到N个不同朝向下的侧区作用图,同时依次计算最优朝向图和每个朝向的朝向差权重,N个不同朝向下的侧区作用图与对应的朝向差权重相乘得到N个不同朝向下的侧区恒定作用图,然后把N个不同朝向下的侧区恒定作用图相加,得到侧区恒定作用图;
S7.计算端区作用:用非负二维高斯差函数构建非经典感受野滤波器,得到不同方向下的非经典感受野蝶型端区模板,利用蝶型端区模板对步骤S5得到的N个不同朝向下的能量图进行滤波处理,得到N个不同朝向下的端区作用图,再将N个不同朝向下的端区作用图结果相加,得到端区作用图;
S8.计算端区选择性作用权重:侧区恒定作用图除以侧区恒定作用图与端区作用图之和得到一比值,用1减去该比值,得到端区选择性作用权重;
S9.计算端区选择性作用:将步骤S4得到的判定图与步骤S8得到的端区选择性作用权重相乘得到端区选择性作用结果图;
S10.计算侧区抑制端区选择性作用后的结果图:用步骤S2得到的最大能量图减去步骤S6得到的侧区恒定作用图,加上步骤S9得到的端区选择性作用结果图,得到经过侧区抑制和端区选择性作用的轮廓图;
S11.二值化处理:对步骤S10得到的轮廓图,进行二值化处理,得到最终的轮廓图像。
本发明的有益效果:本发明将非经典感受野分为端区和侧区,在侧区进行恒定抑制,在端区利用对比度的影响进行选择性作用,同时在计算选择性作用时采用一种自适应的方法,根据每个像素一定邻域内的对比度值来设置门限判定该像素应进行抑制还是易化,另一方面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,同时根据非经典感受野滤波器侧区作用来调制端区作用的大小,以尽可能地保留轮廓线的完整性的同时、最大程度地抑制背景干扰。本发明检测方法具有可随外界输入信息(对比度、朝向等)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。本发明的方法可应用于计算机视觉中的目标物体检测和识别等。
附图说明
图1是非经典感受野侧区和端区示意图,及经典感受野和非经典感受野混合模型示意图,1-1为侧区示意图,1-2为端区示意图,1-3为混合模型示意图。
图2是本发明目标物体轮廓检测方法的流程示意图。
图3是计算判定图时每个像素判定过程示意图。
图4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、采用背景技术中的两种方法检测的轮廓图的效果对比图。
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调制作用:抑制和易化,同时根据这两种调制作用处于不同区域时所形成的不同组合,及对比度对这一调制作用的影响实现了一个侧区恒定抑制端区选择性作用的方法:侧区抑制在一定程度上的抑制掉纷乱的纹理,而通过端区选择性作用,选择性的增强了轮廓以及被侧区作用抑制掉的轮廓,并进一步抑制掉背景纹理。非经典感受野侧区和端区示意图,及经典感受野和非经典感受野混合模型如图1所示。
下面以一实施例为例进行具体说明。
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Basket(篮子)图像及其对应的标准轮廓图,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,图像大小均为512×512,具体检测方法的流程如图2所示,具体过程如下:
S1.滤波处理:给定Gabor滤波器组的尺度参数值为1.6、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;
这里也可以采用log Gabor滤波器组。
S2.确定最优朝向图和最大能量图:通过步骤S1得到了不同朝向下的朝向信息分布图,以其中的两个像素点(230,291)和(276,260)为例,在12个不同朝向下的朝向信息分布图像中,对应于(230,291)位置处像素点在各朝向信息分布图像中的灰度值依次为:16.27,24.01,7.436,15.39,26.56,17.75,83.41,102.7,31.59,40.23,17.66,17.13,对应于(276,260)位置处像素点在各朝向信息分布图像中的灰度值依次为30.47,32.17,49.57,51.76,40.42,339.2,270.7,41.87,12.69,35.98,14.76,12.39对应于(230,291)位置处像素在各朝向信息分布图像中最大值为102.7,对应最优朝向为7π/12,则在最优朝向图中对应于(230,291)位置处像素值为7π/12,而在最大能量图中对应于(230,291)位置处像素值为102.7,对应于(276,260)位置处像素在各朝向信息分布图像中最大值为339.2,对应最优朝向为5π/12,则在最优朝向图中对应于(276,260)位置处像素值为5π/12,而在最大能量图中对应于(276,260)位置处像素值为339.2,其余各像素按同样方式处理,便可以得到最大能量图和最优朝向图。
S3.计算对比度图:对于目标图像,依次计算以每个像素为中心的一个邻域内的像素值的标准差,将这个标准差作为该像素的对比度值:仍以两个像素点(230,291)和(276,260)为例,取7*7的邻域,由原图像计算像素点(230,291)的对比度为5.385,计算像素点(276,260)的对比度为28.34,其余各像素按同样方式处理,便可以得到对比度图,对于边缘的像素可以采用常规处理方法,在本实施例中具体为:直接复制边界像素值。最后并将这一对比度图的范围归一化到-0.5到0.5并令小于-0.45的值为0。
S4.计算判定图:步骤S3计算得到该图像的对比度图,然后对于每个像素进行自适应判定,仍以像素点(230,291)和(276,260)为例来说明具体过程,在对比度图中取以(230,291)为中心的一个大小为15*15的邻域,由其均值乘以乘积因子得到一个门限,公式为式中,m=15*15,α=(p-1/N-1),p取0.3,计算得α为0.0062,T为9.6117,而(230,291)像素点对比度值为5.385,则该点处于高对比度所以需要被抑制,赋值为-1,同样到以(276,260)为中心的邻域门限为30.7741,像素点(276,260)对比度值为28.34同样的(276,260)点需要被抑制,赋值为-1,其余各像素按同样方式处理,便可以得到利用对比度图计算得到的判定图。计算判定图时每个像素判定过程示意图如图3所示。
S5.计算不同朝向下的能量图:由步骤S2计算得到的最大能量图中依次提取最优朝向为第一个朝向,第二个朝向到第N个朝向的点,这样便得到N组图像,在这N组图像中,仅最优朝向为对应的方向的像素点有值,值为最大能量,仍以像素点(230,291)和(276,260)为例在步骤S1中知道像素点(230,291)和(276,260)的最优朝向分别为7π/12和5π/12,则在提取最优朝向为7π/12的点时,会从最大能量图中提取像素点(230,291)的能量值102.7为7π/12该朝向下的能量,而在该图中(276,260)点的值为0,因为它的最优朝向为5π/12而不是7π/12,同样在5π/12下的能量图中,(276,260)点的值为339.2而(230,291)点的值为0,其余各朝向下的像素点按照相同的方式来处理便可以得到不同朝向下的能量图。
S6.计算侧区作用:用非负二维高斯差函数构建非经典感受野滤波器,得到不同方向下的非经典感受野蝶型侧区模板,利用蝶型侧区模板对步骤S5得到的N个不同朝向下的能量图进行滤波处理,得到N个不同朝向下的侧区作用图,同时依次计算最优朝向图和每个朝向的朝向差权重,N个不同朝向下的侧区作用图与对应的朝向差权重相乘得到N个不同朝向下的侧区恒定作用图,然后把N个不同朝向下的侧区恒定作用图相加,得到侧区恒定作用图;
以像素点(230,291)为例,各朝向下非经典感受野对像素点(230,291)的抑制量依次为1.4505,0.2226,0.0210,0.2354,0.6021,0.2158,2.8116,3.3516,3.1365,0.2397,1.4025,1.7304,对应朝向差权重分别为各朝向与7π/12差计算得到的权重,分别为0.9785,0.9692,0.9785,0.9862,0.9922,0.9965,0.9991,1,0.9991,0.9965,0.9922,0.9862,最终像素点(230,291)受到的总的抑制作用为1.4505*0.9785+0.2226*0.9692+0.0210*0.9785+0.2354*0.9862+0.6021*0.9922+0.2158*0.9965+2.8116*0.9991+3.3516*1+3.1365*0.9991+0.2397*0.9965+1.4025*0.9922+1.7304*0.9862,即15.3315,同样的便可以得到每个像素点侧区对其的抑制作用,得到侧区恒定作用图。
S7.计算端区作用:用非负二维高斯差函数构建非经典感受野滤波器,得到不同方向下的非经典感受野蝶型端区模板,利用蝶型端区模板对步骤S5得到的N个不同朝向下的能量图进行滤波处理,得到N个不同朝向下的端区作用图,再将N个不同朝向下的端区作用图结果相加,得到端区作用图;
以像素点(230,291)为例,各朝向下非经典感受野对像素点(230,291)的端区作用依次为2.2679,0.1429,0.2269,0.9393,0.7240,0.5653,5.8142,10.5566,1.9575,0.1087,2.8473,3.5603,在将结果叠加,便得到非经典感受野对像素点(230,291)的端区作用为15.3320,同样的可以得到每个像素点端区对其的作用,得到端区作用图。
利用非负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,Contour detection based on nonclassicalreceptive field inhibition,IEEE Transactions on Image Processing,vol.12,no.7,729~739,2003,在本说明书中不再作详细阐述。
S8.计算端区选择性作用权重:仍以像素点(230,291)为例来说明计算过程,用1减去像素点(230,291)侧区作用15.3315比上端区作用和侧区作用之和(15.3315+15.3320),即30.6635,为0.5,其端区作用权重为0.5。
为了更好的区分纹理和轮廓,对这一权重通过sigmoid非线性函数进行调节,这里sigmoid非线性函数为s(t)=1/(1+e-a(t-τ)),α=0.8,τ=0.6,对这一权重做以修正得到最终该像素点的端区作用权重为0.6170。这样在侧区作用较大时,认为该区域为纹理区域,其端区作用权重小,反之则端区作用权重大。
S9.计算端区选择性作用:将步骤S4得到的判定图与步骤S8得到的端区选择性作用权重相乘得到端区选择性作用结果图;步骤S4中判定图中像素点(230,291)值为-1,步骤S7中其端区作用权重为0.6170,所以最终该点受到的端区作用为-0.6170。
S10.计算侧区抑制端区选择性作用后的结果图:用步骤S2得到的最大能量图减去步骤S6得到的侧区恒定作用图,加上步骤S9得到的端区选择性作用结果图,得到经过侧区抑制和端区选择性作用的轮廓图。
仍以像素点(230,291)为例,其最大能量为102.7,侧区抑制作用为15.3315,端区作用为-0.6170,所以最终像素点输出为86.7515。对每个像素点进行计算,进而可以得到经过侧区抑制和端区选择性作用的轮廓图。
S11.二值化处理:用常规二值化方法对步骤S10得到抑制易化后的轮廓图像进行二值化处理,得到最终的轮廓图像。这里常规二值化方法采用的是非极大值抑制和滞后门限方法。
图4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:4a.原始图像,4b.标准轮廓图像,4c.采用各向异性抑制技术所得轮廓图像,4d.采用各向同性抑制技术所得轮廓图像,4e.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,其主观效果好于其他两种算法。
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1.6,得到轮廓图像的性能评估指标P值分别为0.2608.、0.34707;本实施中的方法采用Gabor滤波器的尺度参数为1.6,得到轮廓图像的性能评估指标P值为0.5031。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。本发明检测方法具有可随外界输入信息(对比度、朝向)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。本发明的方法可应用于计算机视觉中的目标物体检测和识别等。
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 (3)
1.一种目标物体轮廓检测方法,其特征在于,包括如下步骤:
S1.滤波处理:利用Gabor滤波器组或log Gabor滤波器组对目标图像进行滤波处理,即利用N个不同方向下的Gabor滤波器或log Gabor滤波器对图像进行滤波处理,得到N个不同朝向下的朝向信息分布图;
S2.确定最优朝向图和最大能量图:比较不同朝向信息分布图中对应位置的像素值的大小,取各像素点的最大值作为输出,得到最大能量图;同时各像素点取最大值时对应的朝向为该点的最优朝向,将各像素点的最优朝向作为输出,得到最优朝向图;
S3.计算对比度图:对于目标图像依次计算以每个像素为中心的邻域内的像素值的标准差,将这个标准差作为该像素的对比度值,得到对比度图;
S4.计算判定图:对于对比度图取以每个像素为中心的一个M*M的邻域,利用该邻域内的像素的平均值乘以门限因子α=(p-1/M*M-1)得到一个门限T,这里p的范围为0<p≤0.5,然后再比较该像素值和该门限T的大小,大于该门限的则认为该像素点的端区作用为易化,即加强,值为1,反之则该像素点的端区作用为抑制,即减弱,值为-1,得到用于判定端区作用值为1或-1的判定图;
S5.计算不同朝向下的能量图:从步骤S2计算得到的最大能量图中依次提取最优朝向为第一个朝向,第二个朝向到第N个朝向的点,得到N个不同朝向下的能量图,在这N个图像中,仅最优朝向为对应的方向的像素点有值,值为最大能量;
S6.计算侧区作用:用非负二维高斯差函数构建非经典感受野滤波器,得到不同方向下的非经典感受野蝶型侧区模板,利用蝶型侧区模板对步骤S5得到的N个不同朝向下的能量图进行滤波处理,得到N个不同朝向下的侧区作用图,同时依次计算最优朝向图和每个朝向的朝向差权重,N个不同朝向下的侧区作用图与对应的朝向差权重相乘得到N个不同朝向下的侧区恒定作用图,然后把N个不同朝向下的侧区恒定作用图相加,得到侧区恒定作用图;
S7.计算端区作用:用非负二维高斯差函数构建非经典感受野滤波器,得到不同方向下的非经典感受野蝶型端区模板,利用蝶型端区模板对步骤S5得到的N个不同朝向下的能量图进行滤波处理,得到N个不同朝向下的端区作用图,再将N个不同朝向下的端区作用图结果相加,得到端区作用图;
S8.计算端区选择性作用权重:侧区恒定作用图除以侧区恒定作用图与端区作用图之和得到一比值,用1减去该比值,得到端区选择性作用权重;
S9.计算端区选择性作用:将步骤S4得到的判定图与步骤S8得到的端区选择性作用权重相乘得到端区选择性作用结果图;
S10.计算侧区抑制端区选择性作用后的结果图:用步骤S2得到的最大能量图减去步骤S6得到的侧区恒定作用图,加上步骤S9得到的端区选择性作用结果图,得到经过侧区抑制和端区选择性作用的轮廓图;
S11.二值化处理:对步骤S10得到的轮廓图,进行二值化处理,得到最终的轮廓图像。
2.根据权利要求1所述的目标物体轮廓检测方法,其特征在于,步骤S8还包括对端区选择性作用权重通过sigmoid非线性函数进行调节。
3.根据权利要求1所述的目标物体轮廓检测方法,其特征在于,步骤S11所述的二值化处理采用的是非极大值抑制和滞后门限方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110163772A CN102254304B (zh) | 2011-06-17 | 2011-06-17 | 一种目标物体轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110163772A CN102254304B (zh) | 2011-06-17 | 2011-06-17 | 一种目标物体轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102254304A CN102254304A (zh) | 2011-11-23 |
CN102254304B true CN102254304B (zh) | 2012-08-29 |
Family
ID=44981547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110163772A Expired - Fee Related CN102254304B (zh) | 2011-06-17 | 2011-06-17 | 一种目标物体轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254304B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140031613A (ko) * | 2012-09-05 | 2014-03-13 | 삼성전자주식회사 | 영상 처리 장치 및 방법 |
CN105678208B (zh) * | 2015-04-21 | 2019-03-08 | 深圳Tcl数字技术有限公司 | 提取人脸纹理的方法及装置 |
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 |
CN107067407B (zh) * | 2017-04-11 | 2020-01-31 | 广西科技大学 | 基于非经典感受野和线性非线性调制的轮廓检测方法 |
CN109658372B (zh) * | 2017-10-10 | 2021-01-26 | 凌云光技术股份有限公司 | 一种图像均匀性评估方法及装置 |
CN108053415B (zh) * | 2017-12-14 | 2020-05-22 | 广西科技大学 | 基于改进非经典感受野的仿生轮廓检测方法 |
CN109949324B (zh) * | 2019-02-01 | 2022-04-22 | 广西科技大学 | 基于非经典感受野非线性亚单元响应的轮廓检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999053427A1 (en) * | 1998-04-13 | 1999-10-21 | Eyematic Interfaces, Inc. | Face recognition from video images |
EP1850270A1 (en) * | 2006-04-28 | 2007-10-31 | Toyota Motor Europe NV | Robust interest point detector and descriptor |
CN101236647A (zh) * | 2007-12-07 | 2008-08-06 | 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 |
CN101763641A (zh) * | 2009-12-29 | 2010-06-30 | 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 |
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 |
-
2011
- 2011-06-17 CN CN201110163772A patent/CN102254304B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999053427A1 (en) * | 1998-04-13 | 1999-10-21 | Eyematic Interfaces, Inc. | Face recognition from video images |
EP1850270A1 (en) * | 2006-04-28 | 2007-10-31 | Toyota Motor Europe NV | Robust interest point detector and descriptor |
CN101236647A (zh) * | 2007-12-07 | 2008-08-06 | 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 |
CN101763641A (zh) * | 2009-12-29 | 2010-06-30 | 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 |
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 |
Non-Patent Citations (4)
Title |
---|
Chi Zeng.《Center-surround interaction with adaptive inhibition: A computational model for contour detection》.《NeuroImage》.2010,第55卷49-65. * |
Chi Zeng等.《Contour detection based on a non-classical receptive field model with butterfly-shaped inhibition subregions》.《Neurocomputing》.2011,第74卷1527-1534. * |
Cosmin Grigorescu 等.《Contour Detection Based on Nonclassical Receptive Field Inhibition》.《IEEE Transactions on Image Processing》.2003,第12卷(第7期),729-740. * |
Qiling Tang 等.《Extraction of salient contours from cluttered scenes》.《Pattern Recognition》.2007,第40卷3100-3109. * |
Also Published As
Publication number | Publication date |
---|---|
CN102254304A (zh) | 2011-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102254304B (zh) | 一种目标物体轮廓检测方法 | |
CN102201120B (zh) | 一种基于多特征的目标物体轮廓检测方法 | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN102663754B (zh) | 一种基于区域高斯加权的图像匹配计算方法 | |
Chu et al. | Multi-class classification method using twin support vector machines with multi-information for steel surface defects | |
CN104834933A (zh) | 一种图像显著性区域的检测方法和装置 | |
CN104463795A (zh) | 一种点阵式dm二维码图像处理方法及装置 | |
CN104102920A (zh) | 一种基于形态学多特征融合的害虫图像分类方法及系统 | |
CN101430763B (zh) | 遥感图像中水上桥梁目标检测方法 | |
CN103530878A (zh) | 一种基于融合策略的边缘提取方法 | |
US10803116B2 (en) | Logo detection system for automatic image search engines | |
CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及系统 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN101739548A (zh) | 人眼检测方法及系统 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN106022303B (zh) | 基于无透镜全息成像的淡水藻类粗分类与计数方法 | |
CN105023027A (zh) | 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法 | |
CN103177257A (zh) | 一种鸡腿菇图像识别方法与分级方法 | |
CN103679157A (zh) | 一种基于视网膜模型的人脸图像光照处理方法 | |
CN103295010A (zh) | 一种处理人脸图像的光照归一化方法 | |
CN104517269A (zh) | 一种太赫兹图像条纹处理方法及系统 | |
CN102411784B (zh) | 数字图像中椭圆相关信息的简单快速提取方法 | |
CN102830045A (zh) | 基于图像处理的织物沾水等级客观评定方法 |
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 |
Granted publication date: 20120829 |