CN107742302A - 基于初级视皮层多尺度轮廓融合的轮廓检测方法 - Google Patents
基于初级视皮层多尺度轮廓融合的轮廓检测方法 Download PDFInfo
- Publication number
- CN107742302A CN107742302A CN201711114505.0A CN201711114505A CN107742302A CN 107742302 A CN107742302 A CN 107742302A CN 201711114505 A CN201711114505 A CN 201711114505A CN 107742302 A CN107742302 A CN 107742302A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- pixel
- contour
- msup
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 210000000977 primary visual cortex Anatomy 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000005315 distribution function Methods 0.000 claims abstract description 13
- 230000005764 inhibitory process Effects 0.000 claims abstract description 5
- 230000001629 suppression Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 241000283716 Connochaetes Species 0.000 description 1
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 241000282458 Ursus sp. Species 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000717 retained effect Effects 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明旨在提供一种基于初级视皮层多尺度轮廓融合的轮廓检测方法，包括以下步骤：A、输入经灰度处理的待检测图像，预设Gabor滤波器组进行滤波得到各像素点各个尺度值下的初始滤波响应和最优方向；B、计算各像素点各个尺度值下的抑制响应，进而得到各像素点各个尺度值下的初级轮廓响及二值图点值；C、构建各像素点的击中矩阵和以该像素点为中心的多个邻域，根据邻域计算得到各像素点的击中矩阵的元素值；D、将各尺度值代入正态分布函数，得到各尺度值的权重函数值；进而计算得到该像素点的终极轮廓响应；E、对各像素点的终极轮廓响应进行处理得到各像素点的最终轮廓值，进而得到最终轮廓图。该方法具有仿真效果好、轮廓识别率高的特点。
Description
技术领域
本发明涉及计算机图像处理领域，具体涉及一种基于初级视皮层多尺度轮廓融合的轮廓检测方法。
背景技术
轮廓检测是计算机视觉领域的一个基本任务，不同于被定义为强烈的亮度变化所表征的边缘，轮廓通常表示一个目标到其他目标的边界。提高轮廓检测性能的基本方法就是融合全局的信息，为了提高轮廓检测模型的性能，许多研究者尽力的去对原始的检测算子以及抑制模型进行改进；基于尺度空间理论，每个尺度值对应一组神经元感受野的大小，神经节细胞不同的感受野大小有着不同尺度值下的特性；多分辨率小波分析显示，在大尺度值下，图像细节消失只保留大致的轮廓。这说明纹理只在小尺度值出现，选取合适的尺度值可以实现轮廓的保留和纹理的消除；因此，在模型中考虑感受野模型尺度值可以作为该领域的发展方向。
发明内容
本发明旨在提供一种基于初级视皮层多尺度轮廓融合的轮廓检测方法，该方法具有仿真效果好、轮廓识别率高的特点。
本发明的技术方案如下：
一种基于初级视皮层多尺度轮廓融合的轮廓检测方法，包括以下步骤：
A、输入经灰度处理的待检测图像，预设一组依次递增的尺度值，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基于每一个尺度值分别按照各个方向参数进行Gabor滤波，获得每一个像素点的不同尺度值下的各个方向的Gabor滤波值；对于每一个像素点，在其每个尺度值对应的各个方向的Gabor滤波值中选取最大值，作为该像素点在该尺度值下的初始滤波响应，选取每一个像素点的最小尺度值下的初始滤波响应所对应的方向作为该像素点的最优方向；
B、对高斯差分函数进行归一化处理，得到归一化函数，利用归一化函数对每一个像素点的各个尺度值下的初始滤波响应进行滤波，得到每一个像素点的各个尺度值下的抑制响应；将每一个像素点各个尺度值下的初始滤波响应减去其对应尺度值下的抑制响应得到该像素点各个尺度值下的初级轮廓响应；对每一个像素点各个尺度值下的初级轮廓响应进行非极大值抑制和二值化处理，得到该像素点各个尺度值下的二值图点值；基于尺度值对二值图点值进行组合，形成各个尺度值下的二值图；
C、构建各个像素点的击中矩阵，所述的击中矩阵为单行矩阵，击中矩阵中各元素分别与除最小尺度值以外的其他尺度值一一对应；在除最小尺度值外的其余尺度值下的二值图中，对每一个像素点均设置一个邻域；所述的邻域由两个顶角互为对顶角的等腰三角形区域组成，所述的两个等腰三角形基于该像素点最优方向所在直线对称，等腰三角形的顶点为该像素点；所述的各邻域中的各等腰三角形区域的高为该邻域所对应的尺度值与最小尺度值的差值；
对于每一个像素点的各个邻域进行判断，若该邻域所在范围的二值图中存在点值为1的二值图点值，则该像素点的击中矩阵中对应该尺度值的元素置为1；反之，则该像素点的击中矩阵中对应该尺度值的元素置为0；
D、对于每一个像素点：将各尺度值代入正态分布函数，得到该像素点各尺度值的权重函数值；将该像素点击中矩阵中的元素分别与其对应的尺度值的权重函数值相乘，对乘积进行求和得到该像素点的终极轮廓响应；
E、对每一个像素点的终极轮廓响应使用非极大值抑制和二值化处理，得到各像素点的最终轮廓值，进而得到最终轮廓图。
优选地，所述的步骤A具体为：
所述的Gabor滤波器组的二维Gabor函数表达式如下：
其中γ为表示感受野椭圆度的常数，参数λ为波长，σi为尺度值，i＝1,2...Nσ，Nσ为尺度值的个数，1/λ为余弦函数的空间频率，是相角参数，θj为Gabor滤波的方向参数，j＝1,2,...Nθ，Nθ为Gabor滤波的方向的个数；
所述的各个方向的各个尺度值下的Gabor滤波值为：
Gabor滤波值计算如下：
其中：
I(x,y)为待检测图像各像素点的灰度值，*为卷积运算符；
所述的初始滤波响应Ec(x,y；σ0)为：
所述的像素点(x,y)的最优方向为：
优选地，所述的步骤B具体为：
所述的归一化函数为：
其中，
其中，||·||1为(L1)范数，H(x)＝max(0,x)；
各像素点各个尺度值下的抑制响应Inh(x,y；σi)为：
像素点各个尺度值下的初级轮廓响应R(x,y；σi)为：
R(x,y；σi)＝Ec(x,y；σi)-Inh(x,y；σi) (8)。
优选地，所述的步骤C具体为：
所述的各像素点各个尺度值下的二值图表示为ci(x,y)，其中i＝1,...,Nσ；
所述的各像素点的邻域表示为Dk(x,y)，其中k＝2,...,Nσ；
所述的各邻域的三角形区域的高为：
所述的各像素点的击中矩阵的元素ck,hit(x,y)为：
优选地，所述的步骤D具体为：
各尺度值的正态分布函数f(x)为：
其中η2为正态分布函数方差，μ为正态分布函数期望；
所述的各像素点的终极轮廓响应R(x,y)为：
优选地，所述的尺度值范围为1-8,步长为0.4-1。
优选地，步骤C中的所述的等腰三角形区域的顶角为45°。
本发明首先通过高斯差分函数的归一化函数对待检测图像进行初次滤波，能够提高后续检测算法的准确性；基于尺度值变化所导致的轮廓像素点偏移的情况，本发明通过大小可变的三角形邻域对轮廓像素点的偏移进行检测，并且通过击中矩阵来记录各个尺度值下轮廓像素点的偏移检测的结果，不同尺度值对应的邻域大小与该尺度值和初始化尺度值的差值相对应，尺度值越大，邻域也就越大，符合轮廓像素点便宜的规律；设置于最优方向两侧的邻域正好对应于轮廓像素点偏移的方向，能够准确的检测偏移的轮廓像素点，同时避免误识别到背景中的纹理像素点；事先进行的二值化操作也为后续偏移的轮廓像素点的检测打下基础，提高检测的成功率；正态分布函数的引入用于对击中矩阵进行加权，为各个尺度值下轮廓像素点偏移影响赋予不同的权重值，使得检测结果更为符合感受野的生理特性，进一步提高轮廓检测的准确率和效率；
综上所述，本发明轮廓检测方法克服了去除背景纹理时破坏轮廓信息的矛盾，通过多尺度值信息融合能够在保持轮廓的完整性的前提下极大地去除了多余的纹理背景，更符合视觉感受野的空间特性。
附图说明
图1为本发明轮廓检测方法的邻域示意图；
图2为实施例1提供的轮廓检测方法与文献1轮廓检测方法的有效性对比图；
图1中各部分名称及序号如下：
1为最优方向，2为邻域。
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
本实施例提供的基于初级视皮层多尺度轮廓融合的轮廓检测方法，包括以下步骤：
A、输入经灰度处理的待检测图像，预设一组依次递增的尺度值，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基于每一个尺度值分别按照各个方向参数进行Gabor滤波，获得每一个像素点的不同尺度值下的各个方向的Gabor滤波值；对于每一个像素点，在其每个尺度值对应的各个方向的Gabor滤波值中选取最大值，作为该像素点在该尺度值下的初始滤波响应，选取每一个像素点的最小尺度值下的初始滤波响应所对应的方向作为该像素点的最优方向；
所述的步骤A具体为：
所述的Gabor滤波器组的二维Gabor函数表达式如下：
其中γ为表示感受野椭圆度的常数，参数λ为波长，σi为尺度值，i＝1,2...Nσ，Nσ为尺度值的个数，1/λ为余弦函数的空间频率，是相角参数，θj为Gabor滤波的方向参数，j＝1,2,...Nθ，Nθ为Gabor滤波的方向的个数；
所述的各个方向的各个尺度值下的Gabor滤波值为：
Gabor滤波值计算如下：
其中：
I(x,y)为待检测图像各像素点的灰度值，*为卷积运算符；
所述的初始滤波响应Ec(x,y；σ0)为：
所述的像素点(x,y)的最优方向为：
B、对高斯差分函数进行归一化处理，得到归一化函数，利用归一化函数对每一个像素点的各个尺度值下的初始滤波响应进行滤波，得到每一个像素点的各个尺度值下的抑制响应；将每一个像素点各个尺度值下的初始滤波响应减去其对应尺度值下的抑制响应得到该像素点各个尺度值下的初级轮廓响应；对每一个像素点各个尺度值下的初级轮廓响应进行非极大值抑制和二值化处理，得到该像素点各个尺度值下的二值图点值；基于尺度值对二值图点值进行组合，形成各个尺度值下的二值图；
所述的步骤B具体为：
所述的归一化函数为：
其中，
其中，||·||1为(L1)范数，H(x)＝max(0,x)；
各像素点各个尺度值下的抑制响应Inh(x,y；σi)为：
像素点各个尺度值下的初级轮廓响应R(x,y；σi)为：
R(x,y；σi)＝Ec(x,y；σi)-Inh(x,y；σi) (8)；
C、构建各个像素点的击中矩阵，所述的击中矩阵为单行矩阵，击中矩阵中各元素分别与除最小尺度值以外的其他尺度值一一对应；在除最小尺度值外的其余尺度值下的二值图中，对每一个像素点均设置一个邻域；所述的邻域由两个顶角互为对顶角的等腰三角形区域组成，所述的两个等腰三角形基于该像素点最优方向所在直线对称，等腰三角形的顶点为该像素点；所述的各邻域中的各等腰三角形区域的高为该邻域所对应的尺度值与最小尺度值的差值；所述的等腰三角形区域的顶角为45°；邻域示意图如图1所示；
所述的步骤C具体为：
所述的各像素点各个尺度值下的二值图表示为ci(x,y)，其中i＝1,...,Nσ；
所述的各像素点的邻域表示为Dk(x,y)，其中k＝2,...,Nσ；
所述的各邻域的三角形区域的高为：
所述的各像素点的击中矩阵的元素ck,hit(x,y)为：
对于每一个像素点的各个邻域进行判断，若该邻域所在范围的二值图中存在点值为1的二值图点值，则该像素点的击中矩阵中对应该尺度值的元素置为1；反之，则该像素点的击中矩阵中对应该尺度值的元素置为0；
D、对于每一个像素点：将各尺度值代入正态分布函数，得到该像素点各尺度值的权重函数值；将该像素点击中矩阵中的元素分别与其对应的尺度值的权重函数值相乘，对乘积进行求和得到该像素点的终极轮廓响应；
所述的步骤D具体为：
各尺度值的正态分布函数f(x)为：
其中η2为正态分布函数方差，μ为正态分布函数期望；
所述的各像素点的终极轮廓响应R(x,y)为：
E、对每一个像素点的终极轮廓响应使用非极大值抑制和二值化处理，得到各像素点的最终轮廓值，进而得到最终轮廓图；
本实施例中涉及的非极大值抑制和二值化处理采用文献1中记载的方法，其中包含的两个阈值th,tl设置为tl＝0.5th，由阈值分位数p计算而得；
文献1：Grigorescu C,Petkov N,Westenberg M.Contour detection based onnonclassical receptive field inhibition[J].IEEE Transactions on ImageProcessing,2003,12(7):729-739；
下面将本实施例的轮廓检测方法与文献1提供的轮廓检测各项同性模型进行有效性对比，其中性能评价指标P采用文献1中给出的如下标准：
式中nTP、nFP、nFN分别表示检测得到的正确轮廓、错误轮廓以及遗漏的轮廓的数目，评测指标P取值在[0,1]之间，越接近1表示轮廓检测的效果越好，另外，定义容忍度为：在5*5的邻域内检测到的都算正确检测；
选取图2中3副经典图像进行有效性对比，分别采用文献1中的各项同性模型以及实施例1方法对上述3幅图进行轮廓检测，其中实施例1方法选用的参数组如表1所示，
表1实施例1参数组表
文献1中的各项同性模型采用如下80组参数：α＝{1.0，1.2}，σ＝{1.4，1.6，1.8，2.0，2.2，2.4，2.6，2.8}，p＝{0.5，0.4，0.3，0.2，0.1}；
如图2所示为分别为熊、大象、角马3副经典图像的原图、实际轮廓图、文献1方法检测的最优轮廓，实施例1方法检测的最优轮廓；如表2所示为上述3幅图像的文献1方法检测的的最优P值与实施例1方法检测的的最优P值；
表2P值对比图
从上述结果可以看出，不论从轮廓提取的效果上还是从性能指标参数上看，实施例1方法均优于文献1中的各项同性模型。
Claims (7)
1.一种基于初级视皮层多尺度轮廓融合的轮廓检测方法，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，预设一组依次递增的尺度值，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基于每一个尺度值分别按照各个方向参数进行Gabor滤波，获得每一个像素点的不同尺度值下的各个方向的Gabor滤波值；对于每一个像素点，在其每个尺度值对应的各个方向的Gabor滤波值中选取最大值，作为该像素点在该尺度值下的初始滤波响应，选取每一个像素点的最小尺度值下的初始滤波响应所对应的方向作为该像素点的最优方向；
B、对高斯差分函数进行归一化处理，得到归一化函数，利用归一化函数对每一个像素点的各个尺度值下的初始滤波响应进行滤波，得到每一个像素点的各个尺度值下的抑制响应；将每一个像素点各个尺度值下的初始滤波响应减去其对应尺度值下的抑制响应得到该像素点各个尺度值下的初级轮廓响应；对每一个像素点各个尺度值下的初级轮廓响应进行非极大值抑制和二值化处理，得到该像素点各个尺度值下的二值图点值；基于尺度值对二值图点值进行组合，形成各个尺度值下的二值图；
C、构建各个像素点的击中矩阵，所述的击中矩阵为单行矩阵，击中矩阵中各元素分别与除最小尺度值以外的其他尺度值一一对应；在除最小尺度值外的其余尺度值下的二值图中，对每一个像素点均设置一个邻域；所述的邻域由两个顶角互为对顶角的等腰三角形区域组成，所述的两个等腰三角形基于该像素点最优方向所在直线对称，等腰三角形的顶点为该像素点；所述的各邻域中的各等腰三角形区域的高为该邻域所对应的尺度值与最小尺度值的差值；
对于每一个像素点的各个邻域进行判断，若该邻域所在范围的二值图中存在点值为1的二值图点值，则该像素点的击中矩阵中对应该尺度值的元素置为1；反之，则该像素点的击中矩阵中对应该尺度值的元素置为0；
D、对于每一个像素点：将各尺度值代入正态分布函数，得到该像素点各尺度值的权重函数值；将该像素点击中矩阵中的元素分别与其对应的尺度值的权重函数值相乘，对乘积进行求和得到该像素点的终极轮廓响应；
E、对每一个像素点的终极轮廓响应使用非极大值抑制和二值化处理，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所述的基于初级视皮层多尺度轮廓融合的轮廓检测方法，其特征在于：
所述的步骤A具体为：
所述的Gabor滤波器组的二维Gabor函数表达式如下：
其中γ为表示感受野椭圆度的常数，参数λ为波长，σi为尺度值，i＝1,2...Nσ，Nσ为尺度值的个数，1/λ为余弦函数的空间频率，是相角参数，θj为Gabor滤波的方向参数，Nθ为Gabor滤波的方向的个数；
所述的各个方向的各个尺度值下的Gabor滤波值为：
Gabor滤波值计算如下：
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>&lambda;</mi>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<msup>
<mi>e</mi>
<mn>2</mn>
</msup>
<mrow>
<mi>&lambda;</mi>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<msup>
<mi>e</mi>
<mn>2</mn>
</msup>
<mrow>
<mi>&lambda;</mi>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>&pi;</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中：
I(x,y)为待检测图像各像素点的灰度值，*为卷积运算符；
所述的初始滤波响应Ec(x,y；σ0)为：
<mrow>
<mi>E</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>;</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>&lambda;</mi>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<msub>
<mi>N</mi>
<mi>&theta;</mi>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
所述的像素点(x,y)的最优方向为：
3.如权利要求2所述的基于初级视皮层多尺度轮廓融合的轮廓检测方法，其特征在于：
所述的步骤B具体为：
所述的归一化函数为：
<mrow>
<msub>
<mi>w</mi>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mi>o</mi>
<mi>G</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mi>o</mi>
<mi>G</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，
<mrow>
<mi>D</mi>
<mi>o</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<msup>
<mrow>
<mo>(</mo>
<mn>4</mn>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mrow>
<mo>(</mo>
<mn>4</mn>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&pi;&sigma;</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，||·||1为(L1)范数，H(x)＝max(0,x)；
各像素点各个尺度值下的抑制响应Inh(x,y；σi)为：
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>;</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>;</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
像素点各个尺度值下的初级轮廓响应R(x,y；σi)为：
R(x,y；σi)＝Ec(x,y；σi)-Inh(x,y；σi) (8)。
4.如权利要求3所述的基于初级视皮层多尺度轮廓融合的轮廓检测方法，其特征在于：
所述的步骤C具体为：
所述的各像素点各个尺度值下的二值图表示为ci(x,y)，其中i＝1,...,Nσ；
所述的各像素点的邻域表示为Dk(x,y)，其中k＝2,...,Nσ；
所述的各邻域的三角形区域的高为：
<mrow>
<msub>
<mi>L</mi>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>&sigma;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>&sigma;</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
所述的各像素点的击中矩阵的元素ck,hit(x,y)为：
5.如权利要求4所述的基于初级视皮层多尺度轮廓融合的轮廓检测方法，其特征在于：
所述的步骤D具体为：
各尺度值的正态分布函数f(x)为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&eta;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&eta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中η2为正态分布函数方差，μ为正态分布函数期望；
所述的各像素点的终极轮廓响应R(x,y)为：
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mn>2</mn>
<mi>k</mi>
</msubsup>
<msub>
<mi>c</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>h</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mn>2</mn>
<mi>k</mi>
</msubsup>
<msub>
<mi>c</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>h</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&gamma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
6.如权利要求1所述的基于初级视皮层多尺度轮廓融合的轮廓检测方法，其特征在于：
所述的尺度值范围为1-8,步长为0.4-1。
7.如权利要求1所述的基于初级视皮层多尺度轮廓融合的轮廓检测方法，其特征在于：步骤C中的所述的等腰三角形区域的顶角为45°。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711114505.0A CN107742302B (zh) | 2017-11-13 | 2017-11-13 | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711114505.0A CN107742302B (zh) | 2017-11-13 | 2017-11-13 | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107742302A true CN107742302A (zh) | 2018-02-27 |
| CN107742302B CN107742302B (zh) | 2019-12-31 |
Family
ID=61234577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711114505.0A Active CN107742302B (zh) | 2017-11-13 | 2017-11-13 | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107742302B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598205A (zh) * | 2018-11-09 | 2019-04-09 | 国网山东省电力公司淄博供电公司 | 基于Gabor变换的指纹特征提取与压缩编码的方法 |
| CN109934835A (zh) * | 2019-01-25 | 2019-06-25 | 广西科技大学 | 基于深度强化网络邻接连接的轮廓检测方法 |
| CN111968139A (zh) * | 2020-06-23 | 2020-11-20 | 广西科技大学 | 基于初级视觉皮层固视微动机制的轮廓检测方法 |
| CN111968141A (zh) * | 2020-06-30 | 2020-11-20 | 广西科技大学 | 基于多尺度叠加的非经典感受野轮廓检测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4579191B2 (ja) * | 2006-06-05 | 2010-11-10 | 本田技研工業株式会社 | 移動体の衝突回避システム、プログラムおよび方法 |
| 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 |
| CN103903251B (zh) * | 2012-12-30 | 2017-03-29 | 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 |
| CN103839066A (zh) * | 2014-03-13 | 2014-06-04 | 中国科学院光电技术研究所 | 一种源于生物视觉的特征提取方法 |
| CN106127209B (zh) * | 2016-06-17 | 2019-05-17 | 中南大学 | 一种基于局部边缘特征整合的目标物体轮廓提取方法 |
| CN106228547B (zh) * | 2016-07-15 | 2018-12-28 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
| CN106251344B (zh) * | 2016-07-26 | 2019-02-01 | 北京理工大学 | 一种基于视觉感受野的多尺度红外目标自适应检测方法 |
| CN106355596B (zh) * | 2016-08-30 | 2018-11-23 | 广西师范大学 | 一种融合均匀颜色信息和复合感受野模型的边缘检测方法 |
-
2017
- 2017-11-13 CN CN201711114505.0A patent/CN107742302B/zh active Active
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598205A (zh) * | 2018-11-09 | 2019-04-09 | 国网山东省电力公司淄博供电公司 | 基于Gabor变换的指纹特征提取与压缩编码的方法 |
| CN109934835A (zh) * | 2019-01-25 | 2019-06-25 | 广西科技大学 | 基于深度强化网络邻接连接的轮廓检测方法 |
| CN109934835B (zh) * | 2019-01-25 | 2023-03-31 | 广西科技大学 | 基于深度强化网络邻接连接的轮廓检测方法 |
| CN111968139A (zh) * | 2020-06-23 | 2020-11-20 | 广西科技大学 | 基于初级视觉皮层固视微动机制的轮廓检测方法 |
| CN111968139B (zh) * | 2020-06-23 | 2023-06-13 | 广西科技大学 | 基于初级视觉皮层固视微动机制的轮廓检测方法 |
| CN111968141A (zh) * | 2020-06-30 | 2020-11-20 | 广西科技大学 | 基于多尺度叠加的非经典感受野轮廓检测方法 |
| CN111968141B (zh) * | 2020-06-30 | 2023-06-16 | 广西科技大学 | 基于多尺度叠加的非经典感受野轮廓检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107742302B (zh) | 2019-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
| CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
| CN107742302B (zh) | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 | |
| US8509536B2 (en) | Character recognition device and method and computer-readable medium controlling the same | |
| Bhagat et al. | A comparative study for brain tumor detection in MRI images using texture features | |
| CN101630405B (zh) | 一种利用核Fisher分类与冗余小波变换的多聚焦图像融合方法 | |
| CN102651132B (zh) | 一种基于交叉视觉皮质模型的医学图像配准方法 | |
| CN105354866A (zh) | 一种多边形轮廓相似度检测方法 | |
| CN104881635B (zh) | 非高斯二维Gabor滤波器图像纹理提取及识别方法 | |
| CN105320962B (zh) | 一种基于分类器集成的路面破损类型识别方法 | |
| CN104484667A (zh) | 一种基于亮度特征和轮廓完整性的轮廓提取方法 | |
| CN104599242A (zh) | 使用多尺度非局部正则的模糊核估计方法 | |
| CN102509293B (zh) | 异源图像的一致性特征检测方法 | |
| CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
| CN105447492A (zh) | 一种基于二维局部二值模式的图像描述方法 | |
| CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
| CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
| CN107909593A (zh) | 基于感受野子区域的非方向选择性轮廓检测方法 | |
| CN114119437A (zh) | 一种基于gms的用于改善运动物体畸变的图像拼接方法 | |
| CN103077499B (zh) | 基于相似块的sar图像预处理方法 | |
| CN109978898A (zh) | 基于矢量场能量计算的轮廓检测方法 | |
| CN106446833A (zh) | 一种用于复杂场景图像识别的多通道仿生视觉方法 | |
| CN104268549A (zh) | 抗噪声的多尺度局部二值模式特征表示方法 | |
| CN108053415A (zh) | 基于改进非经典感受野的仿生轮廓检测方法 | |
| CN109598205A (zh) | 基于Gabor变换的指纹特征提取与压缩编码的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20180227 Assignee: GUANGXI YINGTENG EDUCATION TECHNOLOGY Co.,Ltd. Assignor: GUANGXI University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980053979 Denomination of invention: A contour detection method based on multi-scale contour fusion of primary visual cortex Granted publication date: 20191231 License type: Common License Record date: 20231226 |
|
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180227 Assignee: LIUZHOU DADI COMMUNICATION TECHNOLOGY CO.,LTD. Assignor: GUANGXI University OF SCIENCE AND TECHNOLOGY Contract record no.: X2024980018634 Denomination of invention: A contour detection method based on multi-scale contour fusion of primary visual cortex Granted publication date: 20191231 License type: Open License Record date: 20241016 |