CN106373132B - 基于抑制性中间神经元的边缘检测方法 - Google Patents
基于抑制性中间神经元的边缘检测方法 Download PDFInfo
- Publication number
- CN106373132B CN106373132B CN201610773181.0A CN201610773181A CN106373132B CN 106373132 B CN106373132 B CN 106373132B CN 201610773181 A CN201610773181 A CN 201610773181A CN 106373132 B CN106373132 B CN 106373132B
- Authority
- CN
- China
- Prior art keywords
- color
- antagonism color
- image
- antagonism
- gain modulation
- 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
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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于抑制性中间神经元的边缘检测方法,其关注抑制性中间神经元属性来进行边缘检测,提出了基于增益调制功能的新型边缘特征检测模型。增益调制功能边缘检测模型可看作为基于空间拮抗型式感受野的图像边缘特征检测方法,专门用于自然图像分析,并且比经典的边缘检测方法具有更丰富信息。它整合了兴奋性神经元的空间结构属性和抑制性中间神经元属性的优点,它在某种程度上模拟了大脑运作机制,能够表达图像的边缘信息和颜色信息。基于增益调制作用的边缘检测模型所包含的信息量明显地高于经典的边缘检测模型,可以视为基于模拟神经元连接机制的边缘检测模型。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于抑制性中间神经元的边缘检测方法。
背景技术
大脑的运作机制至关重要,大脑所有区域的神经元具有多样性。神经元(神经细胞)是构成神经系统结构和功能的基本单位。绝大部分感觉、认知和运动发起功能都依赖脑中大量神经元相互作用。视觉信息经过各级视觉神经元进行加工和处理后,使得动物(包括人类)能够感知和辨别外界中的物体。
中间神经元是一种多极性神经元,在神经传导路径中连接上行及下行神经元。中间神经元的主要功能是形成神经元之间的连接,起到联络作用。鉴于大多数中间神经元是抑制性的,能够抑制其他神经元的激发,但却没有直接在大脑中引起兴奋。它能够在兴奋和抑制之间取得一种平衡,起到增益调制作用。
若能够模拟中间神经元的属性,充分利用增益调制作用来进行边缘检测,将能够更好的表达图像的边缘信息和颜色信息。
发明内容
本发明所要解决的技术问题是提供一种基于抑制性中间神经元的边缘检测方法,其能够模拟去抑制中间神经元的属性来处理颜色信息,以获得更加符合大脑运作机制的边缘特征,并且还能够模拟初级视皮层(V1)中间神经元的增益调制来抽取图像边缘特征。
为解决上述问题,本发明是通过以下技术方案实现的:
基于抑制性中间神经元的边缘检测方法,包括如下步骤:
步骤1、采用高斯滤波器对原始彩色图像的红色,绿色,蓝色和黄色分量进行高斯滤波;
步骤2、根据高斯滤波后的红色分量R,绿色分量G,蓝色分量B和黄色分量Y,分别计算红绿拮抗颜色的感受野的易化响应红绿拮抗颜色的感受野的抑制响应Cr-g+、蓝黄拮抗颜色的感受野的易化响应Cb+y-和蓝黄拮抗颜色的感受野的抑制响应Cb-y+;
步骤3、分别对红绿拮抗颜色的感受野的易化响应红绿拮抗颜色的感受野的抑制响应Cr-g+、蓝黄拮抗颜色的感受野的易化响应Cb+y-和蓝黄拮抗颜色的感受野的抑制响应Cb-y+进行增益调制,获得增益调制后的红绿拮抗颜色的易化响应Ir+g-、红绿拮抗颜色的抑响应Ir+g+、蓝黄拮抗颜色的易化响应Ib+y-和蓝黄拮抗颜色的抑制响应Ib-y+;
步骤4,分别采用Sigmoid函数对调制后的红绿拮抗颜色的易化响应Ir+g-、红绿拮抗颜色的抑响应Ir+g+、蓝黄拮抗颜色的易化响应Ib+y-和蓝黄拮抗颜色的抑制响应Ib-y+进行处理,获得红绿拮抗颜色的易化增益调制图像Mr+g-、红绿拮抗颜色的抑制增益调制图像Mr+g+、蓝黄拮抗颜色的易化增益调制图像Mb+y-和蓝黄拮抗颜色的抑制增益调制图像Mb-y+;
步骤5、采用Gabor滤波器对红绿拮抗颜色的易化增益调制图像Mr+g-、红绿拮抗颜色的抑制增益调制图像Mr+g+进行处理,获得红绿拮抗颜色的边缘图像erg;同时,采用Gabor滤波器对蓝黄拮抗颜色的易化增益调制图像Mb+y-和蓝黄拮抗颜色的抑制增益调制图像Mb-y+进行处理,获得蓝黄拮抗颜色的边缘图像eby;
步骤6、分别对红绿拮抗颜色的边缘图像erg和蓝黄拮抗颜色的边缘图像eby进行增益调制,获得增益调制后的红绿拮抗颜色的边缘图像Erg和蓝黄拮抗颜色的边缘图像Eby;
步骤7、对增益调制后的红绿拮抗颜色的边缘图像Erg和蓝黄拮抗颜色的边缘图像Eby进行PCA降维,并对降维后的边缘图像Erg和边缘图像Eby进行叠加,获得一幅最终边缘图像epca;
步骤8、分别采用Sigmoid函数对最终边缘图像epca进行处理,获得最终边缘图像E;
步骤9、采用Canny边缘算子来抽取最终边缘图像E的轮廓线,完成原始彩色图像的边缘检测。
上述步骤2中,
红绿拮抗颜色的感受野的易化响应的计算公式为:
红绿拮抗颜色的感受野的抑制响应Cr-g+的计算公式为:
蓝黄拮抗颜色的感受野的易化响应Cb+y-的计算公式为:
蓝黄拮抗颜色的感受野的抑制响应Cb-y+的计算公式为:
上述各式中,R为经过高斯滤波后的红色分量,G为经过高斯滤波后的绿色分量,B为经过高斯滤波后的蓝色分量,Y为经过高斯滤波后的黄色分量。
上述步骤3中,
增益调制后的红绿拮抗颜色的易化响应Ir+g-为:
增益调制后的红绿拮抗颜色的抑制响应Ir+q+为:
增益调制后的蓝黄拮抗颜色的易化响应Ib+y-为:
增益调制后的蓝黄拮抗颜色的抑制响应Ib-y+为:
上述各式中,Idsm(δ)和Idsm(2δ)分别表示不同的周边调制程度,Idsm(2δ)的标准方差值为Idsm(δ)的标准方差值的2倍;[.]+和[.]-分别表示取正值和负值;R、G、B和Y分别表示经过高斯滤波后的红色分量、绿色分量、蓝色分量和黄色分量;ε为平衡易化和抑制响应的常量。
上述步骤5中,
红绿拮抗颜色的边缘图像为erg为:
蓝黄拮抗颜色的边缘图像eby为:
上述各式中,Mr+g-表示红绿拮抗颜色的易化增益调制图像,Mr+g+表示红绿拮抗颜色的抑制增益调制图像,Mb+y-表示蓝黄拮抗颜色的易化增益调制图像,Mb-y+表示蓝黄拮抗颜色的抑制增益调制图像;g表示Gabor滤波器表示卷积运算。
上述步骤6中,
增益调制后的红绿拮抗颜色的边缘图像Erg为:
增益调制后的蓝黄拮抗颜色的边缘图像Eby为:
上述各式中,Mr+g-表示红绿拮抗颜色的易化增益调制图像,Mr+g+表示红绿拮抗颜色的抑制增益调制图像,Mb+y-表示蓝黄拮抗颜色的易化增益调制图像,Mb-y+表示蓝黄拮抗颜色的抑制增益调制图像;g表示Gabor滤波器,表示卷积运算;Idsm(δ)和Idsm(2δ)分别表示不同的周边调制程度,Idsm(2δ)的标准方差值为Idsm(δ)的标准方差值的2倍;[.]+和[.]-分别表示取正值和负值;ε为平衡易化和抑制响应的常量。
上述基于抑制性中间神经元的边缘检测方法,其特征是,还进一步包括:步骤10、采用错检率,漏检率和准确率这3个评价标准来评价轮廓检测性能。
与现有技术相比,本发明关注抑制性中间神经元属性来进行边缘检测,提出了基于增益调制功能的新型边缘特征检测模型。增益调制功能边缘检测模型可看作为基于空间拮抗型式感受野的图像边缘特征检测方法,专门用于自然图像分析,并且比经典的边缘检测方法具有更丰富信息。它整合了兴奋性神经元的空间结构属性和抑制性中间神经元属性的优点,它在某种程度上模拟了大脑运作机制,能够表达图像的边缘信息和颜色信息。基于增益调制作用的边缘检测模型所包含的信息量明显地高于经典的边缘检测模型,可以视为基于模拟神经元连接机制的边缘检测模型。
具体实施方式
为了充分利用增益调制作用来进行边缘检测,本发明提出了一种新颖的方法来抽取图像边缘特征,它被称之为去抑制神经元的边缘检测模型。去抑制神经元根据周边调制来定义,它在某种程度上模拟了大脑运作机制,能够表达图像的边缘信息和颜色信息。基于增益调制功能的边缘检测模型所包含的信息量明显地高于经典的边缘检测模型,可以视为基于神经元连接机制的边缘检测方法。
一种基于抑制性中间神经元的边缘检测方法,包括如下步骤:
(1)为了模拟去抑制中间神经元的增益调制作用,我们首先采用周边调制(surround modulation)的方式来模拟神经元调制作用,其中包括近周边(near-surround)调制和远周边(far-surround)调制,然后在此基础上,最终实现增益调制作用。为了模拟周边调制,本发明定义周边调制的程度,采用如下方法:
Idsm(δ)=(RC-RC+S)/RC (1)
其中,Idsm(δ)分别表示周边调制的程度,即为中心点刺激随着周边刺激响应率的变化比例,正值表示抑制作用,负值表示易化(facilitation)。RC表示中心点刺激引起的响应率,RC+S对联合中心-周边刺激的响应率,标准方差δ取值大小控制着感受野的尺寸,用于模拟近周边调制(较小感受野的尺寸)和远周边调制(较大感受野的尺寸)。
(2)根据近周边调制和远周边调制的定义,为了使得中间神经元在兴奋和抑制之间取得一种平衡,本发明模拟中间神经元的增益调制作用来处理视觉信息,它的定义如下:
I=gE×[Idsm(δ)]-+gI×[Idsm(2δ)]++ε (2)
其中,[.]-中标准方差值为[.]+中标准方差值的50%。gE和gI分别表示兴奋响应和抑制响应,I表示增益调制后的图像,[.]+和[.]-分别表示取正值和负值,常量ε用于平衡兴奋和抑制响应,神经元的非线性作用函数采用Sigmoid函数,可以得到新图像方程:
其中,C1和C2为常数。依据增益调制作用,我们可以将空间拮抗型式感受野模型进行拓展和改进,使其更加符合视觉神经机制,其中设置ε=δ,C1=2.0,C2=3.0和δ=5.0等参数。
(3)在视觉通路中,不同类型的视锥细胞接收不同波长的信息,并通过拮抗机制而形成红绿(RG)和蓝黄(BY)拮抗通道。颜色特征、边缘特征和空间拮抗型式感受野之间具有非常密切的关系。为了获得符合视觉信息处理机制的颜色和边缘特征,本发明采用空间拮抗型式感受野模型。
本发明首先采用高斯滤波器对红色(R),绿色(G),蓝色(B)和黄色(Y)分量进行高斯滤波,高斯滤波器的标准偏差初步拟定为δ=3.0。经过高斯滤波之后,四个颜色通道的输出可以表示为:R(x,y,δ),G(x,y,δ),B(x,y,δ)和Y(x,y,δ)。
一般情况下,外侧膝状体(LGN)细胞的感受野为单拮抗细胞感受野,属于具有颜色拮抗和空间低通属性的细胞感受野,它们主要具有颜色拮抗和空间低通属性。例如,红绿(RG)拮抗颜色的感受野反应可以定义为:
同理可得Cr-g+(x,y,δ),Cb+y-(x,y,δ)和Cb-y+(x,y,δ)。为了获得更加符合颜色信息处理机制的边缘信息,本发明将空间拮抗型式感受野模型进行拓展和延伸,引入增益调制作用,则红绿(RG)拮抗颜色的增益调制作用表示为:
其中,Idsm(δ)=(R′-R′G′)/R′,R′和G′分别表示R和G分量的泊松流,采用公式(3)对进行处理,可以得到增益调制图像Mr+g-(x,y),同理可以得到Mr+g+(x,y),Mb+y-(x,y),Mb-y+(x,y)。
(4)鉴于在初级视觉皮层V1中,存在大量的颜色敏感性神经元,它们具有空间和颜色双重拮抗,对应于感受野模式,属于具有空间和颜色双重拮抗的细胞感受野,其中朝向性双拮抗细胞在彩色边缘检测中起到非常重要的作用。为了模拟它们的感受野空间结构属性,本发明采用Gabor滤波器来计算每个通道的边缘响应。本发明采用16个尺度和4个方向构成,共计64个Gabor滤波器,其中在每个尺度每个位置都存在4个方向Gabor单元。
Gabor滤波器的定义如下:
其中,X=xcosθ+ysinθ,Y=-xsinθ+ycosθ,θ为滤波器的方向,γ为椭圆率,λ为波长,δ为标准方差,为了获得16个尺度,设置初始值σ0=1.0,然后逐步递增。本发明设置γ=0.20和λ=0.56。在某个尺度下δi,对红绿(RG)拮抗颜色分量进行Gabor滤波后可得:
其中, 表示卷积运算。本发明将空间拮抗型式感受野模型进行拓展和延伸,引入增益调制作用,根据公式(2)和(3)则获得erg(x,y,δi,θj)增益调制后的边缘图像为Erg(x,y,δi,θj),同理可获得蓝黄(BY)拮抗颜色增益调制后的边缘图像Eby(x,y,δi,θj)。根据红绿(RG)拮抗和颜色蓝黄(BY)拮抗颜色分量,共计获得64+64=128幅边缘图像。
(5)基于机器学习的降维方法对特征动态整合是一个启发,它使用较少的潜在或隐藏变量来总结大量神经元活动,并且提供了一种方法来涵盖单个神经元的异质性,并依据神经元彼此互动中找到简单解释。因此,本发明对边缘图像Erg(x,y,δi,θj)和Eby(x,y,δi,θj)共计64+64=128幅边缘图像采用PCA降维。在PCA降维中,拟保留20%信息量来获得最终的映射矩阵,然后对原始边缘图像进行映射,可以获得128幅降维后的边缘图像i=0,1,…,127。本发明拟叠加所有边缘图像来获得一幅最终边缘图像epca。采用公式(3)的Sigmoid函数对epca进行处理,可以获得最终边缘图像E(x,y)。
(6)借鉴著名的Canny边缘算子来抽取梯度图像E(x,y)的轮廓线,包括去噪声,非极大值抑制,滞后阈值化等步骤。
(7)采用错检率,漏检率和准确率三个评价标准来评价轮廓检测性能。
Claims (6)
1.基于抑制性中间神经元的边缘检测方法,其特征是,包括如下步骤:
步骤1、采用高斯滤波器对原始彩色图像的红色,绿色,蓝色和黄色分量进行高斯滤波;
步骤2、根据高斯滤波后的红色分量R,绿色分量G,蓝色分量B和黄色分量Y,分别计算红绿拮抗颜色的感受野的易化响应红绿拮抗颜色的感受野的抑制响应Cr-g+、蓝黄拮抗颜色的感受野的易化响应Cb+y-和蓝黄拮抗颜色的感受野的抑制响应Cb-y+;
步骤3、分别对红绿拮抗颜色的感受野的易化响应红绿拮抗颜色的感受野的抑制响应Cr-g+、蓝黄拮抗颜色的感受野的易化响应Cb+y-和蓝黄拮抗颜色的感受野的抑制响应Cb-y+进行增益调制,获得增益调制后的红绿拮抗颜色的易化响应Ir+g-、红绿拮抗颜色的抑响应Ir+g+、蓝黄拮抗颜色的易化响应Ib+y-和蓝黄拮抗颜色的抑制响应Ib-y+;
步骤4,分别采用Sigmoid函数对调制后的红绿拮抗颜色的易化响应Ir+g-、红绿拮抗颜色的抑响应Ir+g+、蓝黄拮抗颜色的易化响应Ib+y-和蓝黄拮抗颜色的抑制响应Ib-y+进行处理,获得红绿拮抗颜色的易化增益调制图像Mr+g-、红绿拮抗颜色的抑制增益调制图像Mr+g+、蓝黄拮抗颜色的易化增益调制图像Mb+y-和蓝黄拮抗颜色的抑制增益调制图像Mb-y+;
步骤5、采用Gabor滤波器对红绿拮抗颜色的易化增益调制图像Mr+g-、红绿拮抗颜色的抑制增益调制图像Mr+g+进行处理,获得红绿拮抗颜色的边缘图像erg;同时,采用Gabor滤波器对蓝黄拮抗颜色的易化增益调制图像Mb+y-和蓝黄拮抗颜色的抑制增益调制图像Mb-y+进行处理,获得蓝黄拮抗颜色的边缘图像eby;
步骤6、分别对红绿拮抗颜色的边缘图像erg和蓝黄拮抗颜色的边缘图像eby进行增益调制,获得增益调制后的红绿拮抗颜色的边缘图像Erg和蓝黄拮抗颜色的边缘图像Eby;
步骤7、对增益调制后的红绿拮抗颜色的边缘图像Erg和蓝黄拮抗颜色的边缘图像Eby进行PCA降维,并对降维后的边缘图像Erg和边缘图像Eby进行叠加,获得一幅最终边缘图像epca;
步骤8、分别采用Sigmoid函数对最终边缘图像epca进行处理,获得最终边缘图像E;
步骤9、采用Canny边缘算子来抽取最终边缘图像E的轮廓线,完成原始彩色图像的边缘检测。
2.根据权利要求1所述基于抑制性中间神经元的边缘检测方法,其特征是,步骤2中,
红绿拮抗颜色的感受野的易化响应的计算公式为:
红绿拮抗颜色的感受野的抑制响应Cr-g+的计算公式为:
蓝黄拮抗颜色的感受野的易化响应Cb+y-的计算公式为:
蓝黄拮抗颜色的感受野的抑制响应Cb-y+的计算公式为:
上述各式中,R为经过高斯滤波后的红色分量,G为经过高斯滤波后的绿色分量,B为经过高斯滤波后的蓝色分量,Y为经过高斯滤波后的黄色分量。
3.根据权利要求1所述基于抑制性中间神经元的边缘检测方法,其特征是,步骤3中,
增益调制后的红绿拮抗颜色的易化响应Ir+g-为:
增益调制后的红绿拮抗颜色的抑制响应Ir+g+为:
增益调制后的蓝黄拮抗颜色的易化响应Ib+y-为:
增益调制后的蓝黄拮抗颜色的抑制响应Ib-y+为:
上述各式中,Idsm(δ)和Idsm(2δ)分别表示不同的周边调制程度,Idsm(2δ)的标准方差值为Idsm(δ)的标准方差值的2倍;[.]+和[.]-分别表示取正值和负值;R、G、B和Y分别表示经过高斯滤波后的红色分量、绿色分量、蓝色分量和黄色分量;ε为平衡易化和抑制响应的常量。
4.根据权利要求1所述基于抑制性中间神经元的边缘检测方法,其特征是,步骤5中,
红绿拮抗颜色的边缘图像为erg为:
蓝黄拮抗颜色的边缘图像eby为:
上述各式中,Mr+g-表示红绿拮抗颜色的易化增益调制图像,Mr+g+表示红绿拮抗颜色的抑制增益调制图像,Mb+y-表示蓝黄拮抗颜色的易化增益调制图像,Mb-y+表示蓝黄拮抗颜色的抑制增益调制图像;g表示Gabor滤波器,表示卷积运算。
5.根据权利要求1所述基于抑制性中间神经元的边缘检测方法,其特征是,步骤6中,
增益调制后的红绿拮抗颜色的边缘图像Erg为:
增益调制后的蓝黄拮抗颜色的边缘图像Eby为:
上述各式中,Mr+g-表示红绿拮抗颜色的易化增益调制图像,Mr+g+表示红绿拮抗颜色的抑制增益调制图像,Mb+y-表示蓝黄拮抗颜色的易化增益调制图像,Mb-y+表示蓝黄拮抗颜色的抑制增益调制图像;g表示Gabor滤波器,表示卷积运算;Idsm(δ)和Idsm(2δ)分别表示不同的周边调制程度,Idsm(2δ)的标准方差值为Idsm(δ)的标准方差值的2倍;[.]+和[.]-分别表示取正值和负值;ε为平衡易化和抑制响应的常量。
6.根据权利要求1所述的一种基于抑制性中间神经元的边缘检测方法,其特征是,还进一步包括:
步骤10、采用错检率,漏检率和准确率这3个评价标准来评价轮廓检测性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610773181.0A CN106373132B (zh) | 2016-08-30 | 2016-08-30 | 基于抑制性中间神经元的边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610773181.0A CN106373132B (zh) | 2016-08-30 | 2016-08-30 | 基于抑制性中间神经元的边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106373132A CN106373132A (zh) | 2017-02-01 |
CN106373132B true CN106373132B (zh) | 2018-10-23 |
Family
ID=57902405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610773181.0A Expired - Fee Related CN106373132B (zh) | 2016-08-30 | 2016-08-30 | 基于抑制性中间神经元的边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106373132B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520539B (zh) * | 2018-03-13 | 2021-08-31 | 中国海洋大学 | 一种基于稀疏学习可变模型的图像目标检测方法 |
CN108898606B (zh) * | 2018-06-20 | 2021-06-15 | 中南民族大学 | 医学图像的自动分割方法、系统、设备及存储介质 |
CN110136215B (zh) * | 2019-05-22 | 2021-11-02 | 中国工程物理研究院机械制造工艺研究所 | 一种磁流变抛光斑提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104159091A (zh) * | 2014-07-30 | 2014-11-19 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于边缘检测的颜色插值方法 |
CN104573691A (zh) * | 2013-10-26 | 2015-04-29 | 西安群丰电子信息科技有限公司 | 一种基于相位特性的物体轮廓检测方法 |
CN104778696A (zh) * | 2015-04-13 | 2015-07-15 | 杭州电子科技大学 | 一种基于视通路方位敏感的图像边缘分级检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI391878B (zh) * | 2009-12-01 | 2013-04-01 | Mstar Semiconductor Inc | 區塊邊界偵測方法及區塊邊界偵測裝置 |
US9177223B2 (en) * | 2014-01-14 | 2015-11-03 | Welch Allyn, Inc. | Edge detection in images |
-
2016
- 2016-08-30 CN CN201610773181.0A patent/CN106373132B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104573691A (zh) * | 2013-10-26 | 2015-04-29 | 西安群丰电子信息科技有限公司 | 一种基于相位特性的物体轮廓检测方法 |
CN104159091A (zh) * | 2014-07-30 | 2014-11-19 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于边缘检测的颜色插值方法 |
CN104778696A (zh) * | 2015-04-13 | 2015-07-15 | 杭州电子科技大学 | 一种基于视通路方位敏感的图像边缘分级检测方法 |
Non-Patent Citations (2)
Title |
---|
Pulse coupled neural networks and its applications;M. Monica Subashini等;《Expert Systems with Applications》;20141231;全文 * |
基于神经元突触可塑性机制图像边缘检测方法;方芳等;《华中科技大学学报》;20151031;第43卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106373132A (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106373132B (zh) | 基于抑制性中间神经元的边缘检测方法 | |
CN108876737A (zh) | 一种联合残差学习和结构相似度的图像去噪方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN103593652B (zh) | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 | |
CN106485222A (zh) | 一种基于肤色分层的人脸检测方法 | |
Sgroi et al. | The prediction of old and young subjects from iris texture | |
CN106997475A (zh) | 一种基于并行卷积神经网络的害虫图像识别方法 | |
CN101674490B (zh) | 一种基于视网膜视觉机制的彩色图像颜色恒常方法 | |
Sokolov | Psychophysiology of consciousness | |
CN106067016A (zh) | 一种人脸图像眼镜检测方法及装置 | |
Orillo et al. | Rice plant nitrogen level assessment through image processing using artificial neural network | |
CN101241593A (zh) | 图层影像的影像处理装置及其方法 | |
CN102222231A (zh) | 一种基于背侧通路引导的视觉注意计算模型及其处理方法 | |
CN106485247B (zh) | 基于神经元感受野空间结构的显著性检测方法 | |
JP5902954B2 (ja) | デジタル画像の色属性を処理し特徴付けするためのバイオインスパイアード・システム | |
CN106778658A (zh) | 基于课堂场景及学习者视线分析学习者注意力的方法 | |
CN112613427A (zh) | 基于视觉信息流分区投射编码模型的道路障碍物检测方法 | |
Mollon | “… On the basis of velocity clues alone”: Some perceptual themes 1946–1996 | |
CN104463917B (zh) | 基于除法归一化的图像视觉显著性检测方法 | |
Harris et al. | Spatial and colour opponency in anatomically constrained deep networks | |
CN108764459B (zh) | 基于语义定义的目标识别网络设计方法 | |
CN103793927B (zh) | 一种提取主要颜色的图像分析方法 | |
Huang et al. | Bio-inspired computer fovea model based on hexagonal-type cellular neural network | |
RU2493773C2 (ru) | Способ развития способности зрительного анализатора к восприятию глубины и объема плоскостного изображения | |
CN107798323A (zh) | 一种车牌图像定位方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180830 Address after: 541004 15 Yucai Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region Applicant after: Guangxi Normal University Address before: 541004 302, room 69, 15 Yucai Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region. Applicant before: Liu Guanghai |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181023 Termination date: 20210830 |
|
CF01 | Termination of patent right due to non-payment of annual fee |