CN104573691A - 一种基于相位特性的物体轮廓检测方法 - Google Patents
一种基于相位特性的物体轮廓检测方法 Download PDFInfo
- Publication number
- CN104573691A CN104573691A CN201310513140.4A CN201310513140A CN104573691A CN 104573691 A CN104573691 A CN 104573691A CN 201310513140 A CN201310513140 A CN 201310513140A CN 104573691 A CN104573691 A CN 104573691A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic pattern
- outline
- contour
- detecting method
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于机器视觉技术领域,公开了一种基于相位特性的物体轮廓检测方法。本发明是针对非经典感受野抑制轮廓检测方法在图像低对比度处的轮廓难以提取的问题而提出的,具体包括如下步骤:滤波处理,制取特征图,制取边缘保留平滑滤波后的特征图,制取非经典感受野抑制后的轮廓图像,二值化处理。本发明的轮廓检测方法利用了图像的相位特性,借助图像相位信息的稳定性和重要性,保证了特征的完整性,使得轮廓检测不受图像亮度不一致或对比度改变的影响;并且结合了人类视觉机制中的非经典感受野特性,有效区分了目标轮廓和纹理边缘,并对纹理进行了抑制。
Description
技术领域
本发明属于机器视觉技术领域,特别涉及一种物体轮廓的检测方法。
背景技术
人类的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,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,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。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,但存在的不足是易受输入图像对比度改变的影响,图像低对比度处的轮廓难以提取。
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在图像低对比度处的轮廓难以提取的问题,提出了一种基于相位特性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:一种基于相位特性的物体轮廓检测方法,包括如下步骤:
S1.滤波处理,具体为:利用log Gabor滤波器组或Gabor滤波器组对输入图像进行滤波处理,得到不同朝向不同尺度下的频率响应;
S2.制取特征图,具体为:计算步骤S1得到的每个朝向下不同尺度的频率响应的幅值和以及局部能量,取二者的比值,作为每个朝向下的特征图,将不同朝向下的特征图进行整合得到最终的特征图;
S3.制取边缘保留平滑滤波后的特征图,具体为:利用EPS滤波器对步骤S2得到的最终的特征图进行滤波处理;
S4.制取非经典感受野抑制后的轮廓图像,具体为:首先利用二维高斯差函数构建的非经典感受野滤波器对步骤S3中得到的特征图进行滤波处理,得到非经典感受野对各像素点的抑制量;然后用步骤S3中得到的特征图中的各像素灰度值减去对应位置处的抑制量,得到抑制后的轮廓图像;
S5.二值化处理:对步骤S4得到抑制后的轮廓图像进行二值化处理,得到最终的轮廓图像。
本发明的有益效果:本发明的轮廓检测方法利用了图像的相位特性,借助图像相位信息的稳定性和重要性,保证了特征的完整性,使得轮廓检测不受图像亮度不一致或对比度改变的影响;并且结合了人类视觉机制中的非经典感受野特性,有效区分了目标轮廓和纹理边缘,并对纹理进行了抑制。
附图说明
图1是本发明一种基于相位特性的物体轮廓检测方法的流程示意图。
图2是实例中采用本发明方法对自然图像进行实际检测的每个步骤结果图以及最终轮廓图与标准轮廓图对比图组。
图3和图4分别是实例中采用本发明方法对自然图像及其加了20dB Gauss噪声的图像进行实际检测的轮廓图及与各项同性抑制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例对本发明做进一步的阐述。
以一自然图像的轮廓检测为例,对其加20dB Gauss噪声后的图像轮廓检测与此类似。
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Basket(篮子)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.滤波处理:给定log Gabor滤波器组的尺度参数个数为4、在180°范围内取8个朝向,其朝向参数分别为(i-1)/8,(i=1,…,8),得到一组8个不同朝向4个不同尺度(不同频率)的log Gabor滤波器;然后固定一个朝向改变不同尺度值构造的4个滤波器依次对输入图像中的各像素点进行滤波处理,得到4个滤波响应。
在这里也可以使用Gabor滤波器组进行滤波处理。
S2.确定相位最一致的点为特征点,制取特征图:滤波得到的各点处的响应是4个不同频率下的既有大小又有方向的复矢量,对每一个复矢量求幅值并计算该点处总的幅值和,另外对4个复矢量的实部和虚部分别相加求和,然后对所得的实部和、虚部和分别取平方再求和,最终取平方根即是该点处的局部能量。某点相位一致量的求取就是用该点处的总幅值和除以其局部能量从而得到的[0,1]的无量纲量。这样两者做比值就可求得该点处的相位一致量从而确定该点是否为特征点,这个归一化处理可使最终制取到的特征图不受图像亮度不一致或对比度改变的影响,提取到的特征比较完整。
这样计算了一个朝向下的图像中各像素点的相位一致量,然后通过对8个朝向下分别得到的相位一致量进行整合就可以制取最后的特征图。
S3.制取边缘保留平滑滤波(Edge-Preserving Smoothingfiltet,EPS)后的特征图:这里EPS滤波器中梯度敏感性参数为1.6,平滑参数为0.8,确保滤波后有效地去除纹理同时保留边缘和轮廓。
采用的EPS滤波器是基于加权最小平方(weighted least squares)的一种非线性滤波器,通过调节梯度敏感性参数和平滑参数求得一个与原图像尽可能的相近的,同时除了原图像梯度显著的地方外其他地方都尽可能地平滑的新图像,这样该滤波器根据图像的局部特征来调整滤波权重,从而达到滤除纹理和噪声保留边缘和轮廓的效果。
S4.制取非经典感受野抑制后的轮廓图像:利用二维高斯差函数构建的非经典感受野滤波器对步骤S3中得到的特征图进行滤波处理,这里非经典感受野滤波器的圆环外径为内径的4倍。非经典感受野对经典感受野的抑制强度与它们之间的特征差异大小相关,差异越大,抑制强度越弱,反之越大,这个抑制强度由抑制因子控制,这里值为1.0。滤波处理后的结果乘以这个抑制因子,即为非经典感受野作用的抑制量,然后原特征图减去该抑制量进而得到抑制后的轮廓图像;
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,Contour detection based onnonclassical receptive 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。
S5.二值化处理:对步骤S4得到抑制后的轮廓图像进行二值化处理,得到最终的轮廓图像。这里可以采用常规二值化方法进行二值化处理,在本实施例中采用的是非极大值抑制和滞后门限方法。
图2为采用本发明方法对自然图像进行实际检测的每个步骤结果图以及最终轮廓图与标准轮廓图对比图组。其中:2a.原始图像,2b.特征图,2c.EPS滤波后的特征图,2d.非经典感受野抑制后的轮廓图像,2e.标准轮廓图像,2f.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,对标准轮廓图像的鲁棒性好。
图3和图4分别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另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.采用本发明方法检测所得轮廓图像,3c.采用各向同性抑制算法所得轮廓图像。图4中除4a为加入20dB Gauss噪声后的图像,其它图和图3一样。从图中可以清楚看出,采用本发明方法提取自然图像以及加噪后的图像轮廓时,图像中各个点处的对比度不完全相同,篮子中央部位对比度极低而其它地方相对高些,对比度相对高的轮廓其它方法也可提取到,而中央部位轮廓的提取本发明方法的效果要好些,本发明方法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纹理(草地)和噪声干扰,其消噪能力以及对标准轮廓图像的鲁棒性好于各向同性抑制方法。
对原输入图像和加噪图像而言,本实施中的方法与各向同性抑制方法的定量比较如下:各向同性抑制方法中非经典感受野滤波器内径的尺度参数均为2.0,得到的两轮廓性能评估指标P值分别为0.36,0.31;本实施中的方法采用的非经典感受野滤波器内径的尺度参数均为1.0,得到的两轮廓性能评估指标P值分别为0.56,0.55。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。
本发明物体轮廓检测方法,综合利用相位信息和非经典感受野抑制特性的优点,使得轮廓检测不受图像亮度不一致或对比度改变的影响,有效的提高了从复杂场景中检测目标轮廓的能力。
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 (2)
1.一种基于相位特性的物体轮廓检测方法,其特征在于,包括如下步骤:
S1.滤波处理,具体为:利用log Gabor滤波器组或Gabor滤波器组对输入图像进行滤波处理,得到不同朝向不同尺度下的频率响应;
S2.制取特征图,具体为:计算步骤S1得到的每个朝向下不同尺度的频率响应的幅值和以及局部能量,取二者的比值,作为每个朝向下的特征图,将不同朝向下的特征图进行整合得到最终的特征图;
S3.制取边缘保留平滑滤波后的特征图,具体为:利用EPS滤波器对步骤S2得到的最终的特征图进行滤波处理;
S4.制取非经典感受野抑制后的轮廓图像,具体为:首先利用二维高斯差函数构建的非经典感受野滤波器对步骤S3中得到的特征图进行滤波处理,得到非经典感受野对各像素点的抑制量;然后用步骤S3中得到的特征图中的各像素灰度值减去对应位置处的抑制量,得到抑制后的轮廓图像;
S5.二值化处理:对步骤S4得到抑制后的轮廓图像进行二值化处理,得到最终的轮廓图像。
2.根据权利要求1所述的物体轮廓检测方法,其特征在于,步骤S3中所述的EPS滤波器中梯度敏感性参数为1.6,平滑参数为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310513140.4A CN104573691A (zh) | 2013-10-26 | 2013-10-26 | 一种基于相位特性的物体轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310513140.4A CN104573691A (zh) | 2013-10-26 | 2013-10-26 | 一种基于相位特性的物体轮廓检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573691A true CN104573691A (zh) | 2015-04-29 |
Family
ID=53089713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310513140.4A Pending CN104573691A (zh) | 2013-10-26 | 2013-10-26 | 一种基于相位特性的物体轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573691A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373132A (zh) * | 2016-08-30 | 2017-02-01 | 刘广海 | 基于抑制性中间神经元的边缘检测方法 |
CN110189348A (zh) * | 2019-05-29 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 头像处理方法、装置、计算机设备及存储介质 |
-
2013
- 2013-10-26 CN CN201310513140.4A patent/CN104573691A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373132A (zh) * | 2016-08-30 | 2017-02-01 | 刘广海 | 基于抑制性中间神经元的边缘检测方法 |
CN106373132B (zh) * | 2016-08-30 | 2018-10-23 | 广西师范大学 | 基于抑制性中间神经元的边缘检测方法 |
CN110189348A (zh) * | 2019-05-29 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 头像处理方法、装置、计算机设备及存储介质 |
CN110189348B (zh) * | 2019-05-29 | 2020-12-25 | 北京达佳互联信息技术有限公司 | 头像处理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roushdy | Comparative study of edge detection algorithms applying on the grayscale noisy image using morphological filter | |
CN104200442B (zh) | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 | |
De-Maeztu et al. | Linear stereo matching | |
CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
CN103955922B (zh) | 基于Gabor滤波器的印花织物疵点检测方法 | |
Hao et al. | Improved self-adaptive edge detection method based on Canny | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN102201120A (zh) | 一种基于多特征的目标物体轮廓检测方法 | |
CN106920211A (zh) | 美颜处理方法、装置以及终端设备 | |
CN105654496A (zh) | 基于视觉特性的仿生自适应模糊边缘检测方法 | |
CN103995860B (zh) | 一种基于颜色特征提取的图像检索系统及其方法 | |
CN105913382B (zh) | 阈值寻优的高保真各向异性滤波方法 | |
CN109003233A (zh) | 一种基于自适应权重全变分模型的图像去噪方法 | |
CN102222325A (zh) | 一种基于相位特性的物体轮廓检测方法 | |
Zhao et al. | Infrared and visible image fusion algorithm based on saliency detection and adaptive double-channel spiking cortical model | |
CN106127209A (zh) | 一种基于局部边缘特征整合的目标物体轮廓提取方法 | |
CN108053415A (zh) | 基于改进非经典感受野的仿生轮廓检测方法 | |
CN117541654B (zh) | 一种高分辨率遥感图像细节增强方法 | |
CN102254304A (zh) | 一种目标物体轮廓检测方法 | |
CN102034105A (zh) | 一种复杂场景的物体轮廓检测方法 | |
CN104573691A (zh) | 一种基于相位特性的物体轮廓检测方法 | |
CN104361571A (zh) | 基于边缘信息和支持度变换的红外与微光图像融合方法 | |
CN108090460A (zh) | 基于韦伯多方向描述子的人脸表情识别特征提取算法 | |
CN105023257B (zh) | 基于N‑Smoothlets的图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150429 |
|
WD01 | Invention patent application deemed withdrawn after publication |