CN106033609B - 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 - Google Patents
仿生物跳跃眼动信息处理机制的目标轮廓检测方法 Download PDFInfo
- Publication number
- CN106033609B CN106033609B CN201510442081.5A CN201510442081A CN106033609B CN 106033609 B CN106033609 B CN 106033609B CN 201510442081 A CN201510442081 A CN 201510442081A CN 106033609 B CN106033609 B CN 106033609B
- Authority
- CN
- China
- Prior art keywords
- pixel
- gabor
- directions
- value
- profile
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000004424 eye movement Effects 0.000 title claims abstract description 19
- 230000010365 information processing Effects 0.000 title claims abstract description 13
- 230000007246 mechanism Effects 0.000 title claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000005764 inhibitory process Effects 0.000 claims abstract description 6
- 230000001629 suppression Effects 0.000 claims abstract description 6
- 230000009977 dual effect Effects 0.000 claims abstract description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000873 fovea centralis Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明旨在提供一种仿生物跳跃眼动信息处理机制的目标轮廓检测方法,包括以下步骤:输入经灰度处理的待检测图像;进行各个方向的Gabor滤波,得到Gabor能量图;建立初始DoG模板,对初始DoG模板进行变换,并用变换DoG模板对Gabor能量图进行滤波;根据上述滤波结果图生成抑制图;对抑制图进行修正,得到修正抑制图;将各方向Gabor能量图中各像素点的Gabor能量值减去方向与其相同的修正抑制图中对应的像素点的滤波结果值,作为该像素点的初始轮廓值,并作非极大值抑制和双阈值处理,得到最终轮廓图。本发明检测方法克服现有技术仿真度低、轮廓识别率低的缺陷,具有仿真度高、轮廓识别率高的特点。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种仿生物跳跃眼动信息处理机制的目标轮廓检测方法。
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,应用于轮廓检测较成功的有Canny算子、活动轮廓模型等。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他杂乱边界。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;
现有技术进一步的优化方案为: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;得到各像素的最大灰度值以及最优方向,以高频参数所得滤波结果为基础,将低频参数所得滤波结果作为抑制量,分别通过二维高斯差分函数(DoG)模板进行滤波后相减,得到最终的滤波轮廓;人眼的眼动指人眼在固视状态下无意识的微小运动,主要指闪动,当人注视着一个特殊的物体或者背景时,眼动对于视觉的敏度和精度也有相应的意义和作用;跳跃眼动是使视觉目标迅速地从视网膜边缘转移到视网膜边缘转移到视网膜中央凹,从而获得最好的视觉效果;而上述方法采用预设的固定 DoG模板,假定人眼是保持固定不动的,忽视了人眼的跳跃眼动效应,具有仿真度低、轮廓识别率低的缺陷。
发明内容
本发明旨在提供一种仿生物跳跃眼动信息处理机制的目标轮廓检测方法,该检测方法克服现有技术仿真度低、轮廓识别率低的缺陷,具有仿真度高、轮廓识别率高的特点。
本发明的技术方案如下,仿生物跳跃眼动信息处理机制的目标轮廓检测方法,包括以下步骤:
A、输入经灰度处理的待检测图像;
B、预设多个方向参数的Gabor滤波器组,对待检测图像中的各像素点分别按照各个方向参数进行Gabor能量计算,获得各像素点的各个方向的Gabor能量值,得到各个方向的Gabor 能量图,所述Gabor能量图的方向与其对应的Gabor滤波器的方向一致;
C、采用二维高斯差分函数建立初始DoG模板,所述初始DoG模板为圆形,并包含圆形的中心区,所述中心区内各像素点值均为零值;
D、在初始DoG模板上预设一个与中心区共圆心的环状的待置零区域,对待置零区域内的全部像素点值进行置零,置零后生成一个变换DoG模板;;
E、用变换DoG模板对各个方向的Gabor能量图进行滤波,得到各个方向的变换滤波结果值图,其方向与其对应的Gabor能量图的方向相同;
F、对于各个方向的变换滤波结果值图进行修正,得到各方向的修正抑制图;
G、将各方向Gabor能量图中各像素点的Gabor能量值减去方向与其相同的修正抑制图中对应的像素点的滤波结果值,作为该像素点该方向的初始轮廓值,进而得到各像素点各方向的初始轮廓值;
H、选取各像素点各方向的初始轮廓值中的最大值,作为该像素点的最大轮廓值,对上述最大轮廓值使用非极大值抑制和双阈值处理,得到各像素点的最终轮廓值,进而得到最终轮廓图。
优选地,所述步骤B中Gabor滤波器组的二维Gabor函数表达式如下:
其中γ为一个表示椭圆形感受野长短轴比例的常数,参数λ为波长,σ为DoG模板中心区的带宽,1/λ为余弦函数的空间频率,是相角参数,θ为 Gabor滤波的方向参数;
Gabor能量图计算模型如下:
其中
I为待检测图像,*为卷积运算符。
优选地,所述步骤C中初始DoG模板对应的表达式如下:
DoG模板对应的距离权重模板表达式如下:
其中|| ·||1为一阶(L1)范数。
优选地,所述步骤D中待置零区域对应的数学模型如下:
待置零区域用集合表示为{x,y|x2+y2≤R+d,x2+y2≥R} (7);
其中R为待置零区域的内圈半径,d为待置零区域的宽度。
优选地,所述的步骤E中,用变换DoG模板对各个方向的Gabor能量图进行滤波对应公式如下:
其中为θ方向的变换滤波结果图中像素点(x,y)的滤波结果值,Eλ,σ,θ(x,y) 为θ方向的Gabor能量图中像素点(x,y)的Gabor能量值,*为卷积运算,ωd(x,y)是指变换DoG模板。
所述步骤F中的修正是指对变换滤波结果值图中各像素点的值乘上预设的参数。
优选地,所述步骤G对应的数学模型如下:
其中bθ(x,y)为像素点(x,y)的初始轮廓值,Eλ,σ,θ(x,y)为θ方向的Gabor能量图中像素点(x,y)的Gabor能量值,a为修正参数,为像素点(x,y)θ方向的抑制值;
其中H函数为:
优选地,所述步骤B中的多个方向参数的Gabor滤波器组,其不同方向的滤波器个数为 8-12个,在360度内等弧度分布。
优选地,所述步骤G中的修正是指对抑制最大值图中各像素点的值乘上预设的参数。
优选地,所述步骤D中待置零区域的宽度为4-6。
本发明技术方案创新地将经典感受野的轮廓提取方法与人眼的跳跃眼动相结合,采用变换的DoG模板对人眼的跳跃眼动进行仿真模拟,提高了经典感受野模型的仿真度;跳跃眼动对关注的弱小信息能做到快速、精确地边缘提取,也能对视网膜周边区域信息产生适度警觉作用,可以进一步提高经典感受野的轮廓提取方法的识别率。
附图说明
图1为本发明仿生物跳跃眼动信息处理机制的目标轮廓检测方法的流程图
图2为本发明实施例1DoG模板变换区域示意图
图3为本发明实施例1进行轮廓检测的图像1
图4为图像1的标准轮廓图
图5为图像1经文献1检测方法得到的轮廓图
图6为图像1经实施例1检测方法得到的轮廓图
图7为本发明实施例1进行轮廓检测的图像2
图8为图像2的标准轮廓图
图9为图像2经文献1检测方法得到的轮廓图
图10为图像2经实施例1检测方法得到的轮廓图
图2中各部分名称及序号如下:1为DoG模板,2为DoG模板中心区,3为待置零区域。
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
如图1所示,本实施例仿生物跳跃眼动信息处理机制的目标轮廓检测方法包括一下步骤:
仿生物跳跃眼动信息处理机制的目标轮廓检测方法,包括以下步骤:
A、输入经灰度处理的待检测图像;
B、预设多个方向参数的Gabor滤波器组,对待检测图像中的各像素点分别按照各个方向参数进行Gabor能量计算,获得各像素点的各个方向的Gabor能量值,得到各个方向的Gabor 能量图,所述Gabor能量图的方向与其对应的Gabor滤波器的方向一致;
所述步骤B中Gabor滤波器组的二维Gabor函数表达式如下:
其中γ为一个表示椭圆形感受野长短轴比例的常数,参数λ为波长,σ为DoG模板中心区的带宽,1/λ为余弦函数的空间频率,是相角参数,θ为 Gabor滤波的方向参数;
Gabor能量图计算模型如下:
其中
I为待检测图像,*为卷积运算符;
C、采用二维高斯差分函数建立初始DoG模板,所述初始DoG模板为圆形,并包含圆形的中心区,所述中心区内各像素点值均为零值;
所述步骤C中初始DoG模板对应的表达式如下:
DoG模板对应的距离权重模板表达式如下:
其中||·||1为一阶(L1)范数;
D、在初始DoG模板上预设一个与中心区共圆心的环状的待置零区域,对待置零区域内的全部像素点值进行置零,置零后生成一个变换DoG模板;
所述步骤D中待置零区域对应的数学模型如下:
待置零区域用集合表示为{x,y|x2+y2≤R+d,x2+y2≥R} (7);
其中R为待置零区域的内圈半径,d为待置零区域的宽度;
E、用变换DoG模板对各个方向的Gabor能量图进行滤波,得到各个方向的变换滤波结果值图,其方向与其对应的Gabor能量图的方向相同;
所述的步骤E中,用变换DoG模板对各个方向的Gabor能量图进行滤波对应公式如下:
其中为θ方向的变换滤波结果图中像素点(x,y)的滤波结果值,Eλ,σ,θ(x,y) 为θ方向的Gabor能量图中像素点(x,y)的Gabor能量值,*为卷积运算,ωd(x,y)是指变换DoG模板。
F、对各个像素点的变换滤波结果值修正,得到各个像素点的修正滤波结果值,进而得到各方向的修正抑制图;
所述步骤F中的修正是指对变换滤波结果值图中各像素点的值乘上预设的参数;
G、将各方向Gabor能量图中各像素点的Gabor能量值减去方向与其相同的修正抑制图中对应的像素点的滤波结果值,作为该像素点该方向的初始轮廓值,进而得到各像素点各方向的初始轮廓值;
所述步骤G对应的数学模型如下:
其中bθ(x,y)为像素点(x,y)的初始轮廓值,Eλ,σ,θ(x,y)为θ方向的Gabor能量图中像素点(x,y)的Gabor能量值,a为修正参数,为像素点(x,y)θ方向的抑制值;
其中H函数为:
H、选取各像素点各方向的初始轮廓值中的最大值,作为该像素点的最大轮廓值,对上述最大轮廓值使用非极大值抑制和双阈值处理,得到各像素点的最终轮廓值,进而得到最终轮廓图。
上述非极大值抑制和双阈值处理采用以下文献中提供的方法:
Canny,J.,A Computational Approach To Edge Detection,IEEETrans.Pattern Analysis and M achine Intelligence,8(6):679–698,1986.。
本实施例中所述步骤B中的多个方向参数的Gabor滤波器组,其不同方向的滤波器个数为8个,在360度内等弧度分布;所述步骤H中的修正是指对抑制最大值图中各像素点的值乘上预设的参数,所述参数为1.2,所述待置零区域的宽度为6;
如图2所示,本实施例DoG模板变换区域示意图,其中1为DoG模板,2为DoG模板中心区,3为待置零区域,内圈半径为30;
如图3-10所示,本实施例对两幅图像处理领域较为经典的图像进行轮廓检测,并与轮廓检测领域经典算法文献1进行结果对比,文献1为“Cosmin Grigorescu,NicolaiPetkov,and Michel
A.Westenberg.Contour Detection Based on Nonclassical Receptive FieldInhibition[J].IEEE Transactions on image processing,vol.12,no.7,july 2003729-739”,对比结果参见表1;
表1文献1轮廓检测方法与实施例1方法的检测结果P对比:
上述检测结果P采用以下评测公式:
评测标准P在[0,1]之间。式中card(X)表示集合X中成员的数目;C,CFP和CFN分别表示正确检测的轮廓,虚假轮廓与遗漏的轮廓。如果所有的真实的轮廓都正确地检测了出来,并且没有背景边缘被错检为轮廓像素,则P=1;错检(漏检)越多时,P越接近0。
Claims (9)
1.仿生物跳跃眼动信息处理机制的目标轮廓检测方法,其特征在于包括以下步骤:
A、输入经灰度处理的待检测图像;
B、预设多个方向参数的Gabor滤波器组,对待检测图像中的各像素点分别按照各个方向参数进行Gabor能量计算,获得各像素点的各个方向的Gabor能量值,得到各个方向的Gabor能量图,所述Gabor能量图的方向与其对应的Gabor滤波器的方向一致;
C、采用二维高斯差分函数建立初始DoG模板,所述初始DoG模板为圆形,并包含圆形的中心区,所述中心区内各像素点值均为零值;
D、在初始DoG模板上预设一个与中心区共圆心的环状的待置零区域,对待置零区域内的全部像素点值进行置零,置零后生成一个变换DoG模板;
E、用变换DoG模板对各个方向的Gabor能量图进行滤波,得到各个方向的变换滤波结果值图,其方向与其对应的Gabor能量图的方向相同;
F、对各个像素点的变换滤波结果值修正,得到各个像素点的修正滤波结果值,进而得到各方向的修正抑制图;
G、将各方向Gabor能量图中各像素点的Gabor能量值减去方向与其相同的修正抑制图中对应的像素点的滤波结果值,作为该像素点该方向的初始轮廓值,进而得到各像素点各方向的初始轮廓值;
H、选取各像素点各方向的初始轮廓值中的最大值,作为该像素点的最大轮廓值,对上述最大轮廓值使用非极大值抑制和双阈值处理,得到各像素点的最终轮廓值,进而得到最终轮廓图。
2.如权利要求1所述的仿生物跳跃眼动信息处理机制的目标轮廓检测方法,其特征在于:所述步骤B中Gabor滤波器组的二维Gabor函数表达式如下:
其中γ为一个表示椭圆形感受野长短轴比例的常数,参数λ为波长,σ为DoG模板中心区的带宽,1/λ为余弦函数的空间频率,是相角参数,θ为Gabor滤波的方向参数;
Gabor能量图计算模型如下:
其中
I为待检测图像,*为卷积运算符。
3.如权利要求1所述的仿生物跳跃眼动信息处理机制的目标轮廓检测方法,其特征在于:所述步骤C中初始DoG模板对应的表达式如下:
DoG模板对应的距离权重模板表达式如下:
其中||·||1为一阶(L1)范数。
4.如权利要求1所述的轮廓检测方法,其特征在于:所述步骤D中待置零区域对应的数学模型如下:
待置零区域用集合表示为{x,y|x2+y2≤R+d,x2+y2≥R} (7);
其中R为待置零区域的内圈半径,d为待置零区域的宽度。
5.如权利要求1所述的仿生物跳跃眼动信息处理机制的目标轮廓检测方法,其特征在于:
所述的步骤E中,用变换DoG模板对各个方向的Gabor能量图进行滤波对应公式如下:
其中为θ方向的变换滤波结果图中像素点(x,y)的滤波结果值,Eλ,σ,θ(x,y)为θ方向的Gabor能量图中像素点(x,y)的Gabor能量值,*为卷积运算,ωd(x,y)是指变换DoG模板。
6.如权利要求1所述的轮廓检测方法,其特征在于:
所述步骤F中的修正是指对变换滤波结果值图中各像素点的值乘上预设的参数。
7.如权利要求1所述的轮廓检测方法,其特征在于:
所述步骤G对应的数学模型如下:
其中bθ(x,y)为像素点(x,y)的初始轮廓值,Eλ,σ,θ(x,y)为θ方向的Gabor能量图中像素点(x,y)的Gabor能量值,a为修正参数,为像素点(x,y)θ方向的抑制值;
其中H函数为:
8.如权利要求1所述的轮廓检测方法,其特征在于:所述步骤B中的多个方向参数的Gabor滤波器组,其不同方向的滤波器个数为8-12个,在360度内等弧度分布。
9.如权利要求1所述的轮廓检测方法,其特征在于:
所述步骤D中待置零区域的宽度为4-6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442081.5A CN106033609B (zh) | 2015-07-24 | 2015-07-24 | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442081.5A CN106033609B (zh) | 2015-07-24 | 2015-07-24 | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106033609A CN106033609A (zh) | 2016-10-19 |
CN106033609B true CN106033609B (zh) | 2018-10-19 |
Family
ID=57149011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510442081.5A Active CN106033609B (zh) | 2015-07-24 | 2015-07-24 | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106033609B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108874148A (zh) * | 2018-07-16 | 2018-11-23 | 北京七鑫易维信息技术有限公司 | 一种图像处理方法及装置 |
CN109872326B (zh) * | 2019-01-25 | 2022-04-05 | 广西科技大学 | 基于深度强化网络跳跃连接的轮廓检测方法 |
CN113793293B (zh) * | 2020-05-25 | 2024-01-26 | 中移(苏州)软件技术有限公司 | 轮廓检测方法、装置、系统及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009098743A1 (ja) * | 2008-02-04 | 2009-08-13 | Honda Motor Co., Ltd. | 車両周辺監視装置、車両、車両周辺監視用プログラム、車両周辺監視方法 |
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 |
CN102201120B (zh) * | 2011-06-17 | 2012-08-29 | 电子科技大学 | 一种基于多特征的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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230754A1 (en) * | 2006-03-30 | 2007-10-04 | Jain Anil K | Level 3 features for fingerprint matching |
-
2015
- 2015-07-24 CN CN201510442081.5A patent/CN106033609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009098743A1 (ja) * | 2008-02-04 | 2009-08-13 | Honda Motor Co., Ltd. | 車両周辺監視装置、車両、車両周辺監視用プログラム、車両周辺監視方法 |
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 |
CN102201120B (zh) * | 2011-06-17 | 2012-08-29 | 电子科技大学 | 一种基于多特征的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 |
Non-Patent Citations (3)
Title |
---|
Zeng Chi 等.Contour detection based on a non-classical receptive field model with butterfly-shaped inhibition subregions.《Neurocomputing》.2011,第74卷(第10期), * |
唐奇伶 等.视觉感知结合学习的自然图像轮廓检测测模型.《中国科学:信息科学》.2013,第43卷(第9期), * |
陈建军 等.引入低对比度环境下视觉感知机制的轮廓检测模型.《模式识别与人工智能》.2012,第25卷(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN106033609A (zh) | 2016-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106033608B (zh) | 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) | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN104680519B (zh) | 基于轮廓和颜色的七巧板识别方法 | |
CN104851085B (zh) | 自动获取图像中检测区的方法及系统 | |
CN106033610B (zh) | 基于非经典感受野空间总和调制的轮廓检测方法 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
US20140169647A1 (en) | Method and a system for processing an image comprising dendritic spines | |
CN107038432B (zh) | 基于频率信息的指纹图像方向场提取方法 | |
CN107909593B (zh) | 基于感受野子区域的非方向选择性轮廓检测方法 | |
CN107886539B (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
CN110232390B (zh) | 一种变化光照下图像特征提取方法 | |
CN107067407B (zh) | 基于非经典感受野和线性非线性调制的轮廓检测方法 | |
CN109472788A (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN102254163A (zh) | 自适应模板大小的Gabor指纹图像增强方法 | |
CN107408195A (zh) | 一种虹膜识别方法及装置 | |
CN104102903A (zh) | 一种基于src的二次人脸识别方法 | |
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 | |
CN107766866B (zh) | 基于感受野子区域的方向选择性轮廓检测方法 | |
CN107742302B (zh) | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
CN106033607B (zh) | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 | |
CN107944393B (zh) | 人脸鼻尖定位方法 | |
CN106033606B (zh) | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20161019 Assignee: HUALI FAMILY PRODUCTS CO.,LTD. Assignor: GUANGXI University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980054119 Denomination of invention: A Target Contour Detection Method for Biomimetic Jumping Eye Movement Information Processing Mechanism Granted publication date: 20181019 License type: Common License Record date: 20231226 |