CN108416788B - 一种基于感受野及其明暗适应性的边缘检测方法 - Google Patents
一种基于感受野及其明暗适应性的边缘检测方法 Download PDFInfo
- Publication number
- CN108416788B CN108416788B CN201810271796.2A CN201810271796A CN108416788B CN 108416788 B CN108416788 B CN 108416788B CN 201810271796 A CN201810271796 A CN 201810271796A CN 108416788 B CN108416788 B CN 108416788B
- Authority
- CN
- China
- Prior art keywords
- receptive field
- edge detection
- model
- adaptability
- shade
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明涉及图像处理技术领域,具体的说是一种基于感受野及其明暗适应性的边缘检测方法。
背景技术
边缘检测技术是图像处理技术领域中一种重要的基础算法,多用于特征提取、目标识别等方面的预处理,可以大幅度地减少数据量,并且剔除不相关的信息,保留了图像重要的结构属性。传统的边缘检测算子包括Reberts算子、prewitt算子、sobel算子、laplacian算子、canny算子等,新型的边缘检测方法有基于有监督学习整合多种线索的边缘检测算法、基于多尺度信息的边缘检测算法等。传统方法难以区分场景纹理和主体轮廓信息,基于学习的算法一方面提升了算法复杂度,另一方面效果过于依赖样本。
基于对人类视觉神经系统的研究,并受视网膜及视皮层机制启发,最近有学者提出了新的轮廓检测模型。这种模型考虑了感受野拮抗特性和方向选择性,取得了很好的检测效果,但是这种方法建立在感受野恒定不变的前提下。
事实上,感受野在不同光照环境和视觉输入的刺激下是动态变化的,人类视觉具有明暗适应性。在低背景光照条件下,感受野增大以接收更多光照和能量,人眼能够分辨主体轮廓和部分细节;在强背景光照条件下,感受野呈相反的变化,人眼能够分辨更多细节,而主体轮廓相对弱化。
发明内容
为了解决现有技术中的不足,本发明提供一种基于感受野及其明暗适应性的边缘检测方法,实现在不同光照条件下的有效边缘检测。
为了实现上述目的,本发明采用的具体方案为:一种基于感受野及其明暗适应性的边缘检测方法,该边缘检测方法包括如下步骤:
步骤1、根据人类视觉明暗适应性构建感受野动态调控函数模型δ(E);
步骤2、利用步骤1得到的感受野动态调控函数模型δ(E)对感受野建模,得到同心圆拮抗感受野模型;
步骤3、利用同心圆拮抗感受野模型进行图像信息处理,得图像初步信息;
步骤4、设计方向选择性感受野模型对步骤3得到的图像初步信息进一步处理,得到边缘检测结果。
作为一种优选方案,步骤1构建的感受野动态调控函数模型δ(E)为:
δ(E)=a log(αE1+βE2);
E=αE1+βE2;
E1=∑I(x,y)/(255*m*n);
E2=1/H;
其中,E1为图像平均亮度,E2为图像的信息集中程度,E为图像的能量和信息强度,a为系数,α和β为权重,m,n为图像尺寸。
作为一种优选方案,步骤2对感受野建模的具体方法如下:
R(x,y)=w1GON(x,y,δ(E))+w2GOFF(x,y,δ(E));
其中,GOFF和GON为高斯函数,GOFF和GON共同构成了一对同心圆拮抗感受野模型,w1和w2为不同拮抗成分的权重,且符号相反,通过δ(E)自适应调控感受野大小。
作为一种优选方案,步骤4所述方向选择性感受野模型为初级视皮层简单细胞的方向选择性感受野模型。
作为一种优选方案,所述初级视皮层简单细胞的方向选择性感受野模型的具体处理过程为:
edge(x,y)=max(e(x,y;θi))i=1,2,......Nθ;
作为一种优选方案,初级视皮层简单细胞的方向选择性感受野模型RF为:
RF(x,y;θi)=|G'(x',y';θi)|;
x'=x cosθ+y sinθ;
y'=-x sinθ+y cosθ;
其中,θ为Gabor滤波核函数响应方向;γ为Gabor滤波器的椭圆度,表示空间纵横比;φ为Gabor核函数中余弦函数的相位参数;λ为Gabor核函数中余弦函数的波长参数,且λ的有效值大于2。
有益效果:本发明提供一种基于感受野及其明暗适应性的边缘检测方法,在不同光照条件下取得了优于主流边缘检测算法的效果,符合人类在不同光照环境下的视觉特性,对进一步建立符合视觉机制的人工智能算法具有很好的基础性作用。
附图说明
图1、2、3为本发明实施例原始图像;
图4、7、10为本发明实施例原始图像1对应3个等级光照条件下的图像;
图5、8、11为本发明实施例原始图像2对应3个等级光照条件下的图像;
图6、9、12为本发明实施例原始图像3对应3个等级光照条件下的图像;
图13-21为不同光照条件下图像采用sobel边缘检测的结果;
图22-30为不同光照条件下图像采用canny边缘检测的结果;
图31-39为不同光照条件下图像采用采用固定感受野模型边缘检测的结果;
图40-48为不同光照条件下图像采用本发明方法边缘检测结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于感受野及其明暗适应性的边缘检测方法,该边缘检测方法包括如下步骤:
步骤1、根据人类视觉明暗适应性构建感受野动态调控函数模型δ(E);
步骤2、利用步骤1得到的感受野动态调控函数模型δ(E)对感受野建模,得到同心圆拮抗感受野模型;
步骤3、利用同心圆拮抗感受野模型进行图像信息处理,得图像初步信息;
步骤4、设计方向选择性感受野模型对步骤3得到的图像初步信息进一步处理,得到边缘检测结果。
步骤1构建的感受野动态调控函数模型δ(E)为:
δ(E)=a log(αE1+βE2);
E=αE1+βE2;
E1=∑I(x,y)/(255*m*n);
E2=1/H;
其中,E1为图像平均亮度,E2为图像的信息集中程度,E为图像的能量和信息强度,a为系数,α和β为权重,m,n为图像尺寸;根据韦伯定律,感受量与物理量对数成正比,在暗环境中,视觉对亮度变化更为敏感,感受野范围更大,反之亦然。
步骤2对感受野建模的具体方法如下:
R(x,y)=w1GON(x,y,δ(E))+w2GOFF(x,y,δ(E));
其中,GOFF和GON为高斯函数,GOFF和GON共同构成了一对同心圆拮抗感受野模型,用高斯函数表征,为简化模型,使其高斯参数一致,w1和w2为不同拮抗成分的权重,且符号相反,通过δ(E)自适应调控感受野大小,该感受也对不同大小和强度的亮斑或暗斑具有兴奋响应。
步骤4所述方向选择性感受野模型为初级视皮层简单细胞的方向选择性感受野模型。
所述初级视皮层简单细胞的方向选择性感受野模型的具体处理过程为:
edge(x,y)=max(e(x,y;θi))i=1,2,......Nθ;
其中,Nθ为方向数,为卷积,R为步骤2中建模后的感受野模型,RF为初级视皮层简单细胞的方向选择性感受野模型,通过卷积,取朝向最大值为边缘检测结果。此处所述朝向最大值是指同心圆拮抗感受野中光照刺激(即纹理)方向与Gabor滤波核函数响应方向(θ)一致的方向,通过卷积实现。
初级视皮层简单细胞的方向选择性感受野模型RF为:
RF(x,y;θi)=|G'(x',y';θi)|;
x'=x cosθ+y sinθ;
y'=-x sinθ+y cosθ;
其中,θ为Gabor滤波核函数响应方向;γ为Gabor滤波器的椭圆度,表示空间纵横比;φ为Gabor核函数中余弦函数的相位参数;λ为Gabor核函数中余弦函数的波长参数,且λ的有效值大于2。
本发明中,模型参数的选取是根据在BSDS500数据库上的测试结果,优化选择得到的经验值,并且在自然拍摄图像上取得了较优的结果。模型参数设置如下:
根据该模型对图像进行边缘检测处理结果如图所示,共三组数据。其中,图1、2、3为实施例原始图像;图4、7、10为实施例原始图像1对应暗环境、正常环境、亮环境3个等级光照条件下的图像,三个不同等级光照条件通过仿真实现,具体而言,原始图像为光照等级二的正常光照环境;原始图像通过灰度级变换向低灰度级压缩,得到光照等级一的暗环境;原始图像通过灰度级变换向高灰度级压缩,得到光照等级三的亮环境;图5、8、11为实施例原始图像2对应3个等级光照条件下的图像;图6、9、12为实施例原始图像3对应3个等级光照条件下的图像;图13-21为不同光照条件下图像采用sobel边缘检测的结果;图22-30为不同光照条件下图像采用canny边缘检测的结果;图31-39为不同光照条件下图像采用采用固定感受野模型边缘检测的结果;图40-48为不同光照条件下图像采用本发明方法边缘检测的结果。
实验结果表明,本方法在三种光照条件下对主体边缘的检测效果显著优于传统边缘检测方法,略优于基于固定感受野模型边缘检测方法;本方法在三种光照条件下,细节展现能力明显优于传统边缘检测方法以及基于固定感受野模型边缘检测方法。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于感受野及其明暗适应性的边缘检测方法,其特征在于:该边缘检测方法包括如下步骤:
步骤1、根据人类视觉明暗适应性构建感受野动态调控函数模型δ(E),构建的感受野动态调控函数模型δ(E)为:
δ(E)=alog(αE1+βE2);
E=αE1+βE2;
E1=∑I(x,y)/(255*m*n);
E2=1/H;
其中,E1为图像平均亮度,E2为图像的信息集中程度,E为图像的能量和信息强度,a为系数,α和β为权重,m,n为图像尺寸;
步骤2、利用步骤1得到的感受野动态调控函数模型δ(E)对感受野建模,得到同心圆拮抗感受野模型,对感受野建模的具体方法如下:
R(x,y)=w1GON(x,y,δ(E))+w2GOFF(x,y,δ(E));
其中,GOFF和GON为高斯函数,GOFF和GON共同构成了一对同心圆拮抗感受野模型,w1和w2为不同拮抗成分的权重,且符号相反,通过δ(E)自适应调控感受野大小
步骤3、利用同心圆拮抗感受野模型进行图像信息处理,得图像初步信息;
步骤4、设计方向选择性感受野模型对步骤3得到的图像初步信息进一步处理,得到边缘检测结果。
2.如权利要求1所述的一种基于感受野及其明暗适应性的边缘检测方法,其特征在于:步骤4所述方向选择性感受野模型为初级视皮层简单细胞的方向选择性感受野模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810271796.2A CN108416788B (zh) | 2018-03-29 | 2018-03-29 | 一种基于感受野及其明暗适应性的边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810271796.2A CN108416788B (zh) | 2018-03-29 | 2018-03-29 | 一种基于感受野及其明暗适应性的边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416788A CN108416788A (zh) | 2018-08-17 |
CN108416788B true CN108416788B (zh) | 2020-06-05 |
Family
ID=63133849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810271796.2A Expired - Fee Related CN108416788B (zh) | 2018-03-29 | 2018-03-29 | 一种基于感受野及其明暗适应性的边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416788B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076954B (zh) * | 2021-03-26 | 2022-06-21 | 广西科技大学 | 一种基于视杆细胞暗适应的轮廓检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2805629B1 (fr) * | 2000-02-24 | 2002-08-30 | Holding Bev Sa | Procede et dispositif de perception automatique |
US7400761B2 (en) * | 2003-09-30 | 2008-07-15 | Microsoft Corporation | Contrast-based image attention analysis framework |
CN105654496B (zh) * | 2016-01-08 | 2018-06-29 | 华北理工大学 | 基于视觉特性的仿生自适应模糊边缘检测方法 |
CN106204662B (zh) * | 2016-06-24 | 2018-11-20 | 电子科技大学 | 一种多光源环境下的图像颜色恒常方法 |
-
2018
- 2018-03-29 CN CN201810271796.2A patent/CN108416788B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108416788A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685742A (zh) | 一种暗光环境下的图像增强方法 | |
CN111274916B (zh) | 人脸识别方法和人脸识别装置 | |
CN107153816A (zh) | 一种用于鲁棒人脸识别的数据增强方法 | |
CN109902717A (zh) | 病灶自动识别方法、装置及计算机可读存储介质 | |
US8280179B2 (en) | Image processing apparatus using the difference among scaled images as a layered image and method thereof | |
CN108710910A (zh) | 一种基于卷积神经网络的目标识别方法及系统 | |
CN109886153B (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
CN105103187A (zh) | 用于阴影检测和减弱的多光谱成像系统 | |
CN110032925A (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
CN109934781A (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
CN111861937A (zh) | 一种基于msr改进的图像增强方法及系统 | |
Hussein et al. | Retinex theory for color image enhancement: A systematic review | |
CN112184646A (zh) | 基于梯度域导向滤波和改进pcnn的图像融合方法 | |
CN108416788B (zh) | 一种基于感受野及其明暗适应性的边缘检测方法 | |
Zhang et al. | A fish retina-inspired single image dehazing method | |
Zhuang et al. | Image enhancement by deep learning network based on derived image and Retinex | |
CN107133932A (zh) | 视网膜图像预处理方法、装置和计算设备 | |
Singh et al. | Multiscale reflection component based weakly illuminated nighttime image enhancement | |
CN112102175B (zh) | 图像对比度的增强方法、装置、存储介质及电子设备 | |
Grimaldi et al. | Statistics of natural images as a function of dynamic range | |
Le Meur et al. | From low-level perception to high-level perception: a coherent approach for visual attention modeling | |
CN113379623B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Braik | Modified chameleon swarm algorithm for brightness and contrast enhancement of satellite images | |
CN111832464A (zh) | 一种基于近红外摄像头的活体检测方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200605 Termination date: 20210329 |