CN109489576B - 一种基于初级视觉通路计算模型的轮廓检测方法 - Google Patents

一种基于初级视觉通路计算模型的轮廓检测方法 Download PDF

Info

Publication number
CN109489576B
CN109489576B CN201811219318.3A CN201811219318A CN109489576B CN 109489576 B CN109489576 B CN 109489576B CN 201811219318 A CN201811219318 A CN 201811219318A CN 109489576 B CN109489576 B CN 109489576B
Authority
CN
China
Prior art keywords
scale
contour
primary
response
receptive field
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
Application number
CN201811219318.3A
Other languages
English (en)
Other versions
CN109489576A (zh
Inventor
范影乐
黄春燕
周涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Electronic Science and Technology University
Original Assignee
Hangzhou Electronic Science and Technology University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Electronic Science and Technology University filed Critical Hangzhou Electronic Science and Technology University
Priority to CN201811219318.3A priority Critical patent/CN109489576B/zh
Publication of CN109489576A publication Critical patent/CN109489576A/zh
Application granted granted Critical
Publication of CN109489576B publication Critical patent/CN109489576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Abstract

本发明涉及一种基于初级视觉通路计算模型的轮廓检测方法。构建初级视觉通路计算模型，通过模拟视觉信息流的传递和处理过程来实现轮廓检测。提出了一种融合多尺度特征的经典感受野方向选择模型，利用多尺度特征融合策略来模拟视网膜神经节的初级轮廓响应；在视网膜神经节到外膝体的视通路中，利用时空编码机制来精简初级轮廓响应中的冗余特征；提出了一种具有非经典感受野各向同性抑制性质的计算模型，利用非下采样轮廓波变换和Gabor变换的协同作用，模拟非经典感受野的侧向抑制特性对纹理背景信息的处理作用；模拟视觉通路对初级视皮层的前馈机制，融合多视觉通路的视觉特征，最终获得轮廓响应。本发明能有效突出主体轮廓并抑制纹理背景。

Description

一种基于初级视觉通路计算模型的轮廓检测方法
技术领域
本发明属于机器视觉领域，具体涉及一种基于初级视觉通路计算模型的轮廓检测方法。
背景技术
轮廓检测作为图像目标的一种有效的稀疏表达方法，对于提高后续目标识别与理解等高级视觉任务的准确性和计算效率都具有重要意义。轮廓获取的难点主要体现在：(1)目标的轮廓信息通常湮没在图像的噪声和复杂背景中；(2)即使对单一目标而言，轮廓的亮度和对比度等视觉属性通常并不具有整体一致性。
随着视觉生理实验和神经计算的发展，基于视觉机制的视觉信息处理方法受到了越来越多的关注。有研究基于视觉感知的层次性等解剖特性，构建了形式-色彩-深度(Formand color and depth)模型，揭示了经典感受野(classical receptive field,CRF)和非经典感受野(non-classical receptive field,NCRF)在视觉信息流特征检测中的调制作用。还有研究进一步提出了各向异性抑制和各向同性抑制，利用高斯差分算子(Differenceof Gaussian,DOG)描述加权距离实现对线、边和轮廓的独立检测，验证了神经节细胞抑制性对于复杂场景下轮廓检测性能的增强作用；此外还有研究对非经典感受野的作用区域和方式进行了改进，例如基于非经典感受野对神经元响应抑制作用的方向性以及空间不对称性，蝶形抑制算法被提出。需要指出的是，上述算法虽然考虑了空间多尺度因素，但大都采取在单一尺度上分而治之的策略，忽略了各个尺度之间的信息相关性；此外，它们对视觉信息流在视觉通路不同层级间的交互作用进行了简化或回避，这并不利于图像轮廓从局部到整体的有效表达。
发明内容
本发明构建初级视觉通路计算模型，通过模拟视觉信息流的传递和处理过程来实现轮廓检测。在视网膜神经节环节，构建融合多尺度特征的经典感受野方向选择模型，获得图像目标的初级轮廓响应；在视网膜神经节到外膝体的视通路中，利用时空编码机制来精简初级轮廓响应中的冗余特征；利用非下采样轮廓波变换(NSCT)和Gabor变换的协同作用，模拟非经典感受野的侧向抑制特性对纹理背景信息的处理作用；模拟视觉通路对初级视皮层的前馈机制，融合多视觉通路的视觉特征，最终获得轮廓响应。本发明提出了一种基于初级视觉通路计算模型的轮廓检测方法，包括如下步骤：
步骤(1)提取多尺度特征融合的初级轮廓响应。引入如式(1)所示的二维高斯导函数模拟视网膜神经节细胞所具有的经典感受野方向选择特性。
Figure BDA0001834346130000021
其中，(x,y)表示像素点位置坐标，θ表示朝向角，其取值范围为θ∈[0,π)。均方差σ和空间大小比率γ分别决定了经典感受野的尺度和椭圆率，其中γ设置为0.5。
首先针对经典感受野某一尺度σi(i＝1,2,...,2k+1)，计算当前尺度下的方向响应，如式(2)所示。其中默认设定3种规格的经典感受野尺度，即k＝1，中间尺度设置为2.4，另两种尺度分别设置为1.2和3.6，
fi(x,y；θ)＝|RFi(x,y；θ,σi)*I(x,y)| (2)
其中，fi(x,y；θ)表示第i个尺度σi对应的方向选择特征，I(x,y)为输入图像，*代表卷积运算。
然后针对经典感受野某一尺度σi，选取所有N个朝向的响应最大值作为当前尺度下的初始轮廓响应，如式(3)所示，朝向角个数N默认设置为8。
Figure BDA0001834346130000031
其中，Ei(x,y)表示第i个尺度σi对应的初级轮廓响应。对每个尺度的初级轮廓响应分别进行归一化处理，结果为
Figure BDA0001834346130000032
对中间尺度σk+1情形进行处理，如式(4)所示。
Figure BDA0001834346130000033
其中，m，n分别表示输入图像I(x,y)的行数和列数；X表示归一化轮廓响应中对阈值选取产生影响的像素比例，按照图像轮廓像素的密度选取；resize函数表示对矩阵大小进行转换，其第二个参数和第三个参数分别表示目标矩阵的行数和列数，即将
Figure BDA0001834346130000034
转换为m×n行和1列的矩阵；sort函数表示对矩阵元素进行升序排序；floor表示向下取整函数。
对初始轮廓响应进行更新，如式(5)所示。
Figure BDA0001834346130000041
其中，E(x,y)表示多尺度特征融合后的初级轮廓响应。
步骤(2)对初级轮廓响应E(x,y)进行时空编码。首先利用LIF神经元模型构建具备绝对不应期神经元网络模型，在时间上对初级轮廓响应E(x,y)进行脉冲编码，得到脉冲编码后的图像ILIF(x,y)。然后在空间上对ILIF(x,y)进行稀疏编码，如式(6)所示：
Figure BDA0001834346130000042
其中，Eft(x,y)为时空编码图像，step表示稀疏编码局部方窗的宽度，默认设置为2，∪表示局部方窗内所有神经元的集合，w、h表示的是使其非零的一个极小值。
步骤(3)分别计算时空编码图像Eft(x,y)的NSCT能量和Gabor能量。将步骤(2)的结果Eft(x,y)作为输入，分别计算:1)在NSCT尺度参数s(默认为3)下的第q(q∈[1,N])个朝向的NSCT能量
Figure BDA0001834346130000043
2)在参数λ(cosine因子空间频率倒数，默认为8)，感受野尺度σ和朝向角θ情形下的Gabor能量
Figure BDA0001834346130000044
对
Figure BDA0001834346130000045
和
Figure BDA0001834346130000046
分别进行归一化处理，所得结果记为
Figure BDA0001834346130000047
和
Figure BDA0001834346130000048
然后对
Figure BDA0001834346130000049
和进行处理，如式(7)和(8)所示。
Figure BDA00018343461300000411
Figure BDA00018343461300000412
其中，
Figure BDA0001834346130000051
和
Figure BDA0001834346130000052
分别表示时空编码图像Eft(x,y)的NSCT能量和Gabor能量。
步骤(4)计算非经典感受野各向同性抑制后的轮廓响应。对步骤(3)得到的
Figure BDA0001834346130000053
和
Figure BDA0001834346130000054
取较大值进行融合，结果记为
Figure BDA0001834346130000055
然后构建非经典感受野的各向同性抑制模型，利用各向同性方法抑制周围纹理背景边缘，最终得到非经典感受野各向同性抑制后的轮廓响应，记为
Figure BDA0001834346130000056
其中α为非经典感受野各向同性抑制作用的强度系数，取值范围为0.1～0.8。
步骤(5)计算经过前馈融合后的最终轮廓响应。将步骤(1)视网膜神经节细胞所提取的初级轮廓响应直接传递到视通路的末端，然后按照像素点乘策略与步骤(4)所得的轮廓响应
Figure BDA0001834346130000057
进行融合，实现图像的快速融合，形成初级视皮层最终轮廓响应，记为R(x,y)。
本发明具有的有益效果为：
1.提出了一种体现方向选择特性的经典感受野改进模型，利用多尺度特征融合策略来模拟视网膜神经节的图像目标初级轮廓响应。考虑到图像轮廓和纹理在尺度上通常具有不确定性和不一致性，而且感受野的适应性与多尺度特征融合有着明确的关系，因此本发明构建了一种基于初级轮廓特征的感受野尺度自适应选择机制，提出了一种融合多尺度特征的经典感受野方向选择模型。
2.提出了一种模拟非经典感受野各向同性抑制性质的新模型。基于非下采样轮廓波变换和Gabor变换协同作用，构建非经典感受野的各向同性抑制模型，在保留初级轮廓响应细节的前提下，改善纹理背景的抑制效果。
3.提出了一种基于初级视觉通路计算模型的轮廓检测新方法。首先利用融合多尺度特征的经典感受野方向选择模型，模拟视网膜神经节对图像目标的初级轮廓响应；然后利用视觉信息时空尺度特征的时空编码机制，模拟神经节—外膝体通路对初级轮廓响应的去冗余处理；接着利用非下采样轮廓波变换和Gabor变换协同作用，模拟非经典感受野的侧向抑制特性，实现对初级轮廓响应中纹理背景信息的抑制；最后利用视觉通路对初级视皮层的前馈机制，实现对轮廓局部细节信息的完整性融合。
具体实施方式：
步骤(1)提取多尺度特征融合的初级轮廓响应。考虑到多方向边界信息提取的需要，本发明引入如式(9)所示的二维高斯导函数模拟视网膜神经节细胞所具有的经典感受野特性。
Figure BDA0001834346130000061
其中，(x,y)表示像素点位置坐标，θ表示朝向角，其取值范围为θ∈[0,π)。均方差σ和空间大小比率γ分别决定了经典感受野的尺度和椭圆率，其中γ设置为0.5。
传统视觉感知方法虽然考虑了经典感受野的多尺度因素，但没有关注到各个尺度之间的信息相关性。因此本发明首先针对经典感受野某一尺度σi(i＝1,2,...,2k+1)，计算当前尺度下的方向响应，如式(10)所示。其中默认设定3种规格的经典感受野尺度，即k＝1，中间尺度设置为2.4，另两种尺度分别设置为1.2和3.6，
fi(x,y；θ)＝|RFi(x,y；θ,σi)*I(x,y)| (10)
其中，fi(x,y；θ)表示第i个尺度σi对应的方向选择特征，I(x,y)为输入图像，*代表卷积运算。
然后针对经典感受野某一尺度σi，选取所有N个朝向的响应最大值作为当前尺度下的初始轮廓响应，如式(11)所示，朝向角个数N默认设置为8。
其中，Ei(x,y)表示第i个尺度σi对应的初级轮廓响应。对每个尺度的初级轮廓响应分别进行归一化处理，结果为
Figure BDA0001834346130000072
对中间尺度σk+1情形进行处理，如式(12)所示。
其中，m，n分别表示输入图像矩阵的行数和列数；X表示归一化轮廓响应中对阈值选取产生影响的像素比例，按照图像轮廓像素的密度选取；resize函数表示对矩阵大小进行转换，其第二个参数和第三个参数分别表示目标矩阵的行数和列数，即将转换为m×n行和1列的矩阵；sort函数表示对矩阵进行升序排序；floor表示向下取整函数。
对初始轮廓响应进行更新，如式(13)所示。
Figure BDA0001834346130000075
其中，E(x,y)表示多尺度特征融合后的初级轮廓响应。
步骤(2)对初级轮廓响应E(x,y)进行时空编码。首先利用LIF神经元模型构建具备绝对不应期神经元网络模型，在时间上对初级轮廓响应E(x,y)进行脉冲编码，如式(14)所示：
Figure BDA0001834346130000081
其中，v为膜电压，cm和gl分别是神经元的膜电容和漏电导，Iin对应于多尺度特征融合后的初级轮廓响应E(x,y)。vth是脉冲发放阈值，vreset为静态电势，ref是绝对不应期，vg是脉冲发放峰值。当v大于vth时，神经元脉冲发放到vg时，同时v又被瞬间重置为vreset，开始进入绝对不应期，只有到绝对不应期结束，神经元才可以被激活。根据式(14)对多尺度特征融合后的初级轮廓响应E(x,y)进行脉冲编码，从而得到脉冲编码后的图像ILIF(x,y)。
然后，在空间上对ILIF(x,y)进行稀疏编码，如式(15)所示：
Figure BDA0001834346130000082
其中，Eft(x,y)为时空编码图像，step表示稀疏编码局部方窗的宽度，默认设置为2，∪表示局部方窗内所有神经元的集合。w、h表示的是使其非零的一个极小值；
步骤(3)分别计算时空编码图像Eft(x,y)的NSCT能量和Gabor能量。计算在NSCT尺度参数s下的第q(q∈[1,N])个朝向的NSCT能量
Figure BDA0001834346130000083
如式(16)所示。
Figure BDA0001834346130000084
其中，NSCT(Eft(x,y),s,q)表示对Eft(x,y)进行特定尺度和朝向的NSCT处理，(x,y)是像素点位置，s默认设置为3。
计算Gabor能量
Figure BDA0001834346130000085
如式(17)所示：
Figure BDA0001834346130000091
其中，
Figure BDA0001834346130000092
*，γ，σ，θ含义同前；1/λ表示cosine因子的空间频率，λ默认设置为8；Rλ,σ,θ,ε(x,y)表示当Gabor滤波器角度为ε时，在(x,y)处的边缘响应，ε＝0和ε＝π/2分别对应Gabor滤波器对称和非对称的情形。
考虑到NSCT能量和Gabor能量的取值范围存在一定的差异，对两种能量分别进行归一化处理，处理结果分别记为
Figure BDA0001834346130000093
Figure BDA0001834346130000094
然后对
Figure BDA0001834346130000095
和
Figure BDA0001834346130000096
分别进行处理，如式(18)和(19)所示。
Figure BDA0001834346130000097
Figure BDA0001834346130000098
其中，
Figure BDA0001834346130000099
和分别表示时空编码图像Eft(x,y)的NSCT能量和Gabor能量。
步骤(4)计算经过非经典感受野各向同性抑制后的轮廓响应。对
Figure BDA00018343461300000911
和两种能量进行融合，得到输入图像在尺度s下的最大能量
Figure BDA00018343461300000913
如式(20)所示。
Figure BDA00018343461300000914
计算非经典感受野各向同性抑制项bλ,σ,s(x,y)及抑制权重wσ(x,y)，如式(21)所示。
Figure BDA0001834346130000101
其中，抑制项bλ,σ,s(x,y)由最大能量
Figure BDA0001834346130000102
与抑制权重wσ(x,y)的卷积得到，||·||1表示L1范数，DOGσ表示高斯差函数，函数H(z)对应于半波整流作用。最后得到经过非经典感受野各向同性抑制后的轮廓响应，如式(22)所示。
其中，H的定义如式(21)所示；α是非经典感受野抑制作用的强度系数，取值范围为0.1～0.8。
步骤(5)计算经过前馈融合后的最终轮廓响应。将步骤(1)获得的初级轮廓响应E(x,y)直接传递到视通路的末端，按照像素点乘策略与步骤(4)获得的轮廓响应进行融合，形成初级视皮层的最终轮廓响应，记为R(x,y)，如式(23)所示。
Figure BDA0001834346130000104

Claims (2)

1.一种基于初级视觉通路计算模型的轮廓检测方法，其特征在于，该方法具体包括以下步骤：
步骤(1)提取多尺度特征融合的初级轮廓响应；
引入如式(1)所示的二维高斯导函数模拟视网膜神经节细胞所具有的经典感受野方向选择特性；
其中，(x,y)表示像素点位置坐标，θ表示朝向角，其取值范围为θ∈[0,π)；均方差σ和空间大小比率γ分别决定了经典感受野的尺度和椭圆率，其中γ设置为0.5；
首先针对经典感受野某一尺度σi，i＝1,2,...,2k+1，计算当前尺度下的方向响应，如式(2)所示；
fi(x,y；θ)＝|RFi(x,y；θ,σi)*I(x,y)| (2)
其中，fi(x,y；θ)表示第i个尺度σi对应的方向选择特征，I(x,y)为输入图像，*代表卷积运算；
然后针对经典感受野某一尺度σi，选取所有N个朝向的响应最大值作为当前尺度下的初始轮廓响应，如式(3)所示，朝向角个数N默认设置为8；
Figure FDA0002283493970000012
其中，Ei(x,y)表示第i个尺度σi对应的初级轮廓响应；对每个尺度的初级轮廓响应分别进行归一化处理，结果为
Figure FDA0002283493970000013
对中间尺度σk+1情形进行处理，如式(4)所示；
Figure FDA0002283493970000021
其中，m，n分别表示输入图像I(x,y)的行数和列数；X表示归一化轮廓响应中对阈值选取产生影响的像素比例，按照图像轮廓像素的密度选取；resize函数表示对矩阵大小进行转换，其第二个参数和第三个参数分别表示目标矩阵的行数和列数，即将
Figure FDA0002283493970000022
转换为m×n行和1列的矩阵；sort函数表示对矩阵元素进行升序排序；floor表示向下取整函数；
对初始轮廓响应进行更新，如式(5)所示；
Figure FDA0002283493970000023
其中，E(x,y)表示多尺度特征融合后的初级轮廓响应；
步骤(2)对初级轮廓响应E(x,y)进行时空编码；首先利用LIF神经元模型构建具备绝对不应期神经元网络模型，在时间上对初级轮廓响应E(x,y)进行脉冲编码，得到脉冲编码后的图像ILIF(x,y)；然后在空间上对ILIF(x,y)进行稀疏编码，如式(6)所示：
Figure FDA0002283493970000024
其中，Eft(x,y)为时空编码图像，step表示稀疏编码局部方窗的宽度，
∪表示局部方窗内所有神经元的集合；
步骤(3)分别计算时空编码图像Eft(x,y)的NSCT能量和Gabor能量；
将步骤(2)的结果Eft(x,y)作为输入，分别计算:1)在NSCT尺度参数s下的第q个朝向的NSCT能量
Figure FDA0002283493970000025
q∈[1,N]；2)在参数λ，感受野尺度σ和朝向角θ情形下的Gabor能量
Figure FDA0002283493970000026
λ为cosine因子空间频率倒数；对
Figure FDA0002283493970000031
和分别进行归一化处理，所得结果记为
Figure FDA0002283493970000033
和
Figure FDA0002283493970000034
然后对
Figure FDA0002283493970000035
和
Figure FDA0002283493970000036
进行处理，如式(7)和(8)所示；
Figure FDA0002283493970000037
Figure FDA0002283493970000038
其中，和
Figure FDA00022834939700000310
分别表示时空编码图像Eft(x,y)的NSCT能量和Gabor能量；
步骤(4)计算非经典感受野各向同性抑制后的轮廓响应；
对步骤(3)得到的
Figure FDA00022834939700000311
和取较大值进行融合，结果记为
Figure FDA00022834939700000313
然后构建非经典感受野的各向同性抑制模型，利用各向同性方法抑制周围纹理背景边缘，最终得到非经典感受野各向同性抑制后的轮廓响应，记为
Figure FDA00022834939700000314
其中α为非经典感受野各向同性抑制作用的强度系数，取值范围为0.1～0.8；
步骤(5)计算经过前馈融合后的最终轮廓响应；将步骤(1)视网膜神经节细胞所提取的初级轮廓响应直接传递到视通路的末端，然后按照像素点乘策略与步骤(4)所得的轮廓响应
Figure FDA00022834939700000315
进行融合，实现图像的快速融合，形成初级视皮层最终轮廓响应，记为R(x,y)。
2.根据权利要求1所述的一种基于初级视觉通路计算模型的轮廓检测方法，其特征在于：步骤一中经典感受野尺度默认设定3种规格，即k＝1，中间尺度σi设置为2.4，另两种尺度σi分别设置为1.2和3.6。
CN201811219318.3A 2018-10-19 2018-10-19 一种基于初级视觉通路计算模型的轮廓检测方法 Active CN109489576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811219318.3A CN109489576B (zh) 2018-10-19 2018-10-19 一种基于初级视觉通路计算模型的轮廓检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811219318.3A CN109489576B (zh) 2018-10-19 2018-10-19 一种基于初级视觉通路计算模型的轮廓检测方法

Publications (2)

Publication Number Publication Date
CN109489576A CN109489576A (zh) 2019-03-19
CN109489576B true CN109489576B (zh) 2020-03-03

Family

ID=65692145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811219318.3A Active CN109489576B (zh) 2018-10-19 2018-10-19 一种基于初级视觉通路计算模型的轮廓检测方法

Country Status (1)

Country Link
CN (1) CN109489576B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210493B (zh) * 2019-04-30 2021-03-19 中南民族大学 基于非经典感受野调制神经网络的轮廓检测方法及系统
CN110472086B (zh) * 2019-08-02 2023-01-31 西安工程大学 一种基于视网膜关键特征提取的骨架图像检索方法
CN110929734B (zh) * 2019-10-15 2023-03-24 杭州电子科技大学 一种基于双侧非对称感受野机制的显著轮廓提取方法
CN111161253B (zh) * 2019-12-31 2020-12-15 柳州快速制造工程技术有限公司 一种基于深度信息的模具检验方法
CN111402285B (zh) * 2020-01-16 2023-08-08 杭州电子科技大学 一种基于视觉机制暗边缘增强的轮廓检测方法
CN112613427B (zh) * 2020-12-28 2024-02-27 杭州电子科技大学 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
CN113435455B (zh) * 2021-05-12 2024-03-22 深圳灵图创新科技有限公司 一种基于时空脉冲编码的图像轮廓提取方法
CN116342612A (zh) * 2023-05-31 2023-06-27 深圳市微特智能系统有限公司 PCB板mark点提取的方法、装置及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894364A (zh) * 2010-05-31 2010-11-24 重庆大学 基于光学非下采样轮廓波变换的图像融合方法和装置
CN101980287A (zh) * 2010-11-28 2011-02-23 河海大学常州校区 一种采用非下采样轮廓波变换的图像边缘检测方法
CN102073998A (zh) * 2011-01-20 2011-05-25 山东大学 基于非下采样轮廓波的边缘检测方法
CN103065309A (zh) * 2012-12-26 2013-04-24 辽宁师范大学 基于简化的lbf模型的图像分割方法
CN103353989A (zh) * 2013-06-18 2013-10-16 西安电子科技大学 基于先验和融合灰度与纹理特征的sar图像变化检测方法
US8693744B2 (en) * 2010-05-03 2014-04-08 Mim Software, Inc. Systems and methods for generating a contour for a medical image
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
CN105512670A (zh) * 2015-11-04 2016-04-20 上海大学 基于keca特征降维和聚类的hrct周围神经分割
CN105719263A (zh) * 2016-01-22 2016-06-29 昆明理工大学 基于nsct域底层视觉特征的可见光和红外图像融合算法
CN105930788A (zh) * 2016-04-18 2016-09-07 太原理工大学 非下采样轮廓波和主成分分析相结合的人脸识别方法
CN106127740A (zh) * 2016-06-16 2016-11-16 杭州电子科技大学 一种基于视通路多感受野朝向性关联的轮廓检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8693744B2 (en) * 2010-05-03 2014-04-08 Mim Software, Inc. Systems and methods for generating a contour for a medical image
CN101894364A (zh) * 2010-05-31 2010-11-24 重庆大学 基于光学非下采样轮廓波变换的图像融合方法和装置
CN101980287A (zh) * 2010-11-28 2011-02-23 河海大学常州校区 一种采用非下采样轮廓波变换的图像边缘检测方法
CN102073998A (zh) * 2011-01-20 2011-05-25 山东大学 基于非下采样轮廓波的边缘检测方法
CN103065309A (zh) * 2012-12-26 2013-04-24 辽宁师范大学 基于简化的lbf模型的图像分割方法
CN103353989A (zh) * 2013-06-18 2013-10-16 西安电子科技大学 基于先验和融合灰度与纹理特征的sar图像变化检测方法
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
CN105512670A (zh) * 2015-11-04 2016-04-20 上海大学 基于keca特征降维和聚类的hrct周围神经分割
CN105719263A (zh) * 2016-01-22 2016-06-29 昆明理工大学 基于nsct域底层视觉特征的可见光和红外图像融合算法
CN105930788A (zh) * 2016-04-18 2016-09-07 太原理工大学 非下采样轮廓波和主成分分析相结合的人脸识别方法
CN106127740A (zh) * 2016-06-16 2016-11-16 杭州电子科技大学 一种基于视通路多感受野朝向性关联的轮廓检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Surround suppression in primate V1;Jones H E et al;《Journal of Neurophysiology》;20010430;第86卷(第4期);第2011-2028页 *
基于初级视通路视觉感知机制的轮廓检测方法;张明琦等;《自动化学报》;20181011;第1-10页 *
引入视通路视觉响应与融合模型的轮廓检测;郭金朋等;《中国图象图象学报》;20180228;第23卷(第2期);第182-193页 *

Also Published As

Publication number Publication date
CN109489576A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN109489576B (zh) 一种基于初级视觉通路计算模型的轮廓检测方法
CN108717568B (zh) 一种基于三维卷积神经网络的图像特征提取与训练方法
CN103871029B (zh) 一种图像增强及分割方法
CN105469034B (zh) 基于加权式鉴别性稀疏约束非负矩阵分解的人脸识别方法
CN107292317B (zh) 基于浅层特征与t矩阵深度学习的极化sar分类方法
CN107248144A (zh) 一种基于压缩型卷积神经网络的图像去噪方法
CN110309798A (zh) 一种基于域自适应学习和域泛化的人脸欺骗检测方法
CN108388896A (zh) 一种基于动态时序卷积神经网络的车牌识别方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN109033945A (zh) 一种基于深度学习的人体轮廓提取方法
CN105894018B (zh) 基于深度多示例学习的极化sar图像分类方法
CN103208001A (zh) 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN105046664A (zh) 一种基于自适应epll算法的图像去噪方法
CN105894013A (zh) 基于cnn和smm的极化sar图像分类方法
Na et al. Coupled parameter optimization of PCNN model and vehicle image segmentation
CN110232390B (zh) 一种变化光照下图像特征提取方法
CN111402285A (zh) 一种基于视觉机制暗边缘增强的轮廓检测方法
CN104751111A (zh) 识别视频中人体行为的方法和系统
CN107239827B (zh) 一种基于人工神经网络的空间信息学习方法
Fang et al. Salient contour detection on the basis of the mechanism of bilateral asymmetric receptive fields
Yang et al. Research on digital camouflage pattern generation algorithm based on adversarial autoencoder network
CN112613427B (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
CN106780468A (zh) 基于视觉感知正反馈的显著性检测方法
CN114092799A (zh) 基于池化视觉Transformer林业害虫识别检测方法
CN106096650B (zh) 基于收缩自编码器的sar图像分类方法

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