CN109919945B - 基于非经典感受野非线性两侧亚单元响应的轮廓检测方法 - Google Patents
基于非经典感受野非线性两侧亚单元响应的轮廓检测方法 Download PDFInfo
- Publication number
- CN109919945B CN109919945B CN201910102518.9A CN201910102518A CN109919945B CN 109919945 B CN109919945 B CN 109919945B CN 201910102518 A CN201910102518 A CN 201910102518A CN 109919945 B CN109919945 B CN 109919945B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- response
- semicircular
- pixel
- center
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明旨在提供一种基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,包括以下步骤:A、输入经灰度处理的待检测图像,获得各像素点的最优响应和最优方向;B、对于各个像素点计算归一化的高斯差分滤波响应;C、对于各个像素点,构建周边区域集合、中心‑周边区域集合、中心区域集合;划分半圆环周边区域Ⅰ集合、半圆环周边区域Ⅱ集合;D、对于各个像素点,构建周边区域聚类特征向量,进行聚类分析;E、对于各个像素点计算得到各个类别的左右侧差异值;F、预设抑制系数,计算各个像素点的抑制后响应;G、对各像素点的抑制后响应进行处理得到最终轮廓图。该方法克服现有技术缺陷,具有计算效率高、准确率高的特点。
Description
技术领域
本发明涉及图像轮廓检测领域,具体涉及基于非经典感受野非线性两侧亚单元响应的轮廓检测方法。
背景技术
目前已经有的仿生视觉轮廓检测方案都基于非经典感受野对感受野区域的线性抑制行为,如使用高斯差函数来模拟非经典感受野区域,即通过高斯差函数和原图卷积,得到的计算结果后直接对中心进行相减的抑制方案;传统的计算方法忽视了视网膜传送到外膝体的一些信息,且Y细胞的生理电特性为非线性的,Y细胞可能接受广泛的非线性整流亚单位输入。因此,考虑Y细胞的非线性特性能够促进有效信息的保留,抑制无效信息。
发明内容
本发明旨在提供一种基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,该方法克服现有技术缺陷,具有计算效率高、准确率高的特点。
本发明的技术方案如下:
A、输入经灰度处理的待检测图像,预设抑制系数,预设以滤波模板中心为起点的均分180°圆心角的多个方向,对待检测图像中的各像素点的灰度值分别按照各方向进行二维高斯一阶导函数滤波,获得各像素点的各方向的响应值;对于各像素点,选取其各方向的响应值中的最大值,作为该像素点的最优响应,该最优响应对应的方向为该像素点的最优方向;
B、预设高斯差分函数并对该函数进行归一化处理,得到归一化的高斯差分滤波函数及相应的模板范围;对于各个像素点,采用归一化的高斯差分滤波函数分别对以当前像素点为模板中心的模板范围内的各个像素点进行滤波,得到各个像素点的模板范围内的各像素点的归一化的高斯差分滤波响应;
C、对于各个像素点:预设周边区域边界值,将其模板范围内的归一化的高斯差分滤波响应大于周边区域边界值的像素点作为周边区域集合,周边区域集合各像素点构成的范围即为周边区域,从而得到周边区域的像素点数量;以模板中心作为圆心,周边区域的外圆作为外圆,构建中心-周边区域集合,将中心-周边区域集合除去周边区域集合中的像素点,得到中心区域集合,中心区域集合各像素点构成的范围即为中心区域;对中心区域中的各像素点的最优响应和最优方向分别求取平均值,分别得到中心区域的平均响应和平均方向;以中心区域的平均方向及其延长线将周边区域划分为两个部分,分别为半圆环周边区域Ⅰ、半圆环周边区域Ⅱ,半圆环周边区域Ⅰ、半圆环周边区域Ⅱ中的像素点分别构成半圆环周边区域Ⅰ集合、半圆环周边区域Ⅱ集合;
D、对于各个像素点:预设类别的数量,构建半圆环周边区域Ⅰ的聚类特征向量,所述的半圆环周边区域Ⅰ的聚类特征向量的构成元素为半圆环周边区域Ⅰ集合中各像素点的最优响应和最优方向;构建半圆环周边区域Ⅱ的聚类特征向量,所述的半圆环周边区域Ⅱ的聚类特征向量的构成元素为半圆环周边区域Ⅱ集合中各像素点的最优响应和最优方向;半圆环周边区域Ⅰ的聚类特征向量进行聚类分析,得到半圆环周边区域Ⅰ范围内的预设数量的各个类,每个类中包含该类的元素、元素数量、该类的聚类中心;对半圆环周边区域Ⅱ的聚类特征向量进行聚类分析,得到半圆环周边区域Ⅱ范围内的预设数量的各个类,每个类中包含该类的元素、元素数量、该类的聚类中心;
E、对于各个像素点:将半圆环周边区域Ⅰ范围内的各个类的聚类中心依次与半圆环周边区域Ⅱ范围内的各个类的聚类中心相减后求L2范数,得到半圆环周边区域Ⅰ范围内的各个类的聚类中心所对应的差异值集合,取各个差异值集合中的最小值作为该类的半圆环周边区域差异值;
F、将各个像素点的中心区域的平均响应和平均方向求L2范数,然后将该求取L2范数后的结果分别与各个类的半圆环周边区域差异值相减,求取各个相减结果的平均值,得到各个像素点的中心-周边差异值;将各个像素点的中心-周边差异值进行归一化得到各个像素点的归一化中心-周边差异值,用1与各个像素点的归一化中心-周边差异值相减得到各个像素点的抑制权重,将各个像素点的最优响应减去该像素点对应的抑制权重与抑制系数的乘积,即得到各个像素点的抑制后响应;
G、对各像素点的抑制后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的二维高斯一阶导函数如下:
θ为方向参数,θ∈(0,π];σ为尺度,λ为感受野的椭圆长短轴比例常数,(x′,y′)为待检测图像中各像素点的坐标;
像素点(x′,y′)的响应为:
像素点(x′,y′)的最优响应为:
像素点(x′,y′)的最优角度为:
θmax(x′,y′)=argE(x′,y′) (5);
其中arg为提取角度的函数。
优选地,步骤B所述的归一化的高斯差分滤波函数ω(x,y)为:
||x||1为L1范数,||x||1=|x1|+|x2|...+|xn|,x1,x2...xn为模板范围内各像素点的H(DoG(x,y))值,H(x)=max(0,x),(x,y)为以当前像素点为滤波模板中心的模板范围内的像素点的坐标。
优选地,步骤C所述的周边区域集合OL为:
OL={(x,y)|ω(x,y)>d} (7);
其中d为周边区域边界值;
中心区域集合的确定方式如下:
(xm,ym)={(x,y)|max{x2 j+y2 j},(xj,yj)∈OL,j=1,2,,card(OL)} (8);
rad=xm 2+ym 2 (9);
LL={(x,y)|x2+y2<rad} (10);
IL={(x,y)|(LL-OL)} (11);
其中,(xm,ym)为周边区域集合的外圆的像素点的坐标,rad为周边区域集合的外圆的半径,LL为中心-周边区域集合,IL为中心区域集合;card(OL)为集合OL的元素数量;
像素点(x′,y′)的中心区域的平均响应和平均方向IF为:
IF=(IFE,IFθ) (12);
其中,IFE(x′,y′)为像素点(x′,y′)的中心区域的平均响应,IFθ(x′,y′)为中心区域的平均方向,ilt代表集合IL中的元素,t=1,2,,card(IL),card(IL)为集合IL中的元素数量;
像素点(x′,y′)半圆环周边区域Ⅰ(4)集合OLl为:
OLl={(x,y)|y>tan(IFθ(x′,y′))*x}∩OL (15);
像素点(x′,y′)半圆环周边区域Ⅰ(4)集合OLr为:
OLr={(x,y)|y<tan(IFθ(x′,y′))*x}∩OL (16)。
优选地,步骤D所述的半圆环周边区域Ⅰ的聚类特征向量CFl(x′,y′)为:
CFl(x′,y′)=(CFle(x′,y′),CFlθ(x′,y′)) (17);
其中CFle(x′,y′)=E((x′,y′)+OLlp) (18);
CFlθ(x′,y′)=θmax((x′,y′)+OLlp) (19);
步骤D所述的半圆环周边区域Ⅱ的聚类特征向量CFr(x′,y′)为:
CFr(x′,y′)=(CFre(x′,y′),CFrθ(x′,y′)) (20);
其中CFre(x′,y′)=E((x′,y′)+OLrq) (21);
CFrθ(x′,y′)=θmax((x′,y′)+OLrq) (22);
其中OLlp为OLl集合中的元素,OLrq为OLr集合中的元素,p∈{1,2,...,card(OLl)},q∈{1,2,...,card(OLr)};
聚类分析之后,半圆环周边区域Ⅰ聚类中心的集合为COFl,半圆环周边区域Ⅱ聚类中心的集合为COFr,均为Nk×2的矩阵;Nk为类别的数量。
优选地,步骤E所述的半圆环周边区域Ⅰ范围内的各个类的聚类中心所对应的差异值集合ΔOL为:
ΔOL(u,v)=||COFlu-COFrv||2,u={1,2,...,Nkmeans},v={1,2,...,Nkmeans}(23);
其中,COFlu、COFrv分别为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的集合中的元素,u={1,2,...,Nk},v={1,2,...,Nk};ΔOL为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的差异值的集合,ΔOL(u,v)为ΔOL中的元素;||x||2为L2范数,x1,x2...xn为(COFlu-COFrv)的全部结果;
各个类别的半圆环周边区域差异值的集合Leng为:
Leng=minh{ΔOL} (24);
minh为选取ΔOL各行元素最小值的函数;Leng为1×Nk的矩阵。
优选地,步骤F所述的中心-周边差异值ΔL(x′,y′)为:
其中,Lengn为集合Leng中的元素,n={1,2,...,Nk};
归一化中心-周边差异值S{ΔL(x′,y′)}为:
其中,ΔL(x′,y′)max为各像素点的中心-周边差异值的最大值,ΔL(x′,y′)min为各像素点的中心-周边差异值的最小值;
像素点(x′,y′)的抑制权重为W(x′,y′)为:
W(x′,y′)=1-S{ΔL(x′,y′)} (27);
像素点(x′,y′)的抑制后响应Eend(x′,y′)为:
Eend(x′,y′)=E(x′,y′)-kW(x′,y′) (28);
其中k为抑制系数。
本发明通过使用高斯一阶导数算子模拟感受野区域的作用,得到基础的最优响应;之后通过中心区域及周边区域的划分,中心区域响应作为基础响应,周边区域响应最优作为抑制响应的基础,并且将周边区域通过最优方向划分为左、右两侧;通过对各个像素的两侧的周边区域进行聚类处理模拟出非线性亚单元,从而实现视网膜的神经节Y细胞非线性整流亚单元输入的特性的模拟,提高了仿真度与准确率;并且将两侧周边区域的差异整合到最终的抑制响应中,保留了最优方向两侧的差异化信息,提高识别的准确率;因此,本发明轮廓检测方法在构建非经典感受野的抑制权重时采用了更多的信息输入,使得准确率更高,并且减少了计算复杂度,降低了内存占用,提高计算效率。
附图说明
图1为本发明轮廓检测方法的中心区域及周边区域结构示意图;
图2为本发明实施例1方案与文献1方案的轮廓检测效果对比图;
图1中各部分名称及序号如下:
1为模板中心,2为中心区域,3为中心区域的平均方向,4为半圆环周边区域Ⅰ,5为半圆环周边区域Ⅱ,6为周边区域。
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
本实施例提供的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,包括以下步骤:
A、输入经灰度处理的待检测图像,预设抑制系数,预设以滤波模板中心2为起点的均分180°圆心角的多个方向,对待检测图像中的各像素点的灰度值分别按照各方向进行二维高斯一阶导函数滤波,获得各像素点的各方向的响应值;对于各像素点,选取其各方向的响应值中的最大值,作为该像素点的最优响应,该最优响应对应的方向为该像素点的最优方向;
所述的步骤A的二维高斯一阶导函数如下:
θ为方向参数,θ∈(0,π];σ为尺度,λ为感受野的椭圆长短轴比例常数,(x′,y′)为待检测图像中各像素点的坐标;
像素点(x′,y′)的响应为:
像素点(x′,y′)的最优响应为:
像素点(x′,y′)的最优角度为:
θmax(x′,y′)=argE(x′,y′) (5);
其中arg为提取角度的函数;
B、预设高斯差分函数并对该函数进行归一化处理,得到归一化的高斯差分滤波函数及相应的模板范围;对于各个像素点,采用归一化的高斯差分滤波函数分别对以当前像素点为模板中心的模板范围内的各个像素点进行滤波,得到各个像素点的模板范围内的各像素点的归一化的高斯差分滤波响应;
步骤B所述的归一化的高斯差分滤波函数ω(x,y)为:
||x||1为L1范数,||x||1=|x1|+|x2|...+|xn|,x1,x2...xn为模板范围内各像素点的H(DoG(x,y))值,H(x)=max(0,x),(x,y)为以当前像素点为滤波模板中心的模板范围内的像素点的坐标;
C、对于各个像素点:预设周边区域边界值,将其模板范围内的归一化的高斯差分滤波响应大于周边区域边界值的像素点作为周边区域集合,周边区域集合各像素点构成的范围即为周边区域6,从而得到周边区域6的像素点数量;以模板中心1作为圆心,周边区域6的外圆作为外圆,构建中心-周边区域集合,将中心-周边区域集合除去周边区域集合中的像素点,得到中心区域集合,中心区域集合各像素点构成的范围即为中心区域2;对中心区域2中的各像素点的最优响应和最优方向分别求取平均值,分别得到中心区域的平均响应和平均方向;以中心区域的平均方向及其延长线将周边区域划分为两个部分,分别为半圆环周边区域Ⅰ4、半圆环周边区域Ⅱ5,半圆环周边区域Ⅰ4、半圆环周边区域Ⅱ5中的像素点分别构成半圆环周边区域Ⅰ集合、半圆环周边区域Ⅱ集合;
步骤C所述的周边区域集合OL为:
OL={(x,y)|ω(x,y)>d} (7);
其中d为周边区域边界值;
中心区域集合的确定方式如下:
(xm,ym)={(x,y)|max{x2 j+y2 j},(xj,yj)∈OL,j=1,2,,card(OL)} (8);
rad=xm 2+ym 2 (9);
LL={(x,y)|x2+y2<rad} (10);
IL={(x,y)|(LL-OL)} (11);
其中,(xm,ym)为周边区域集合的外圆的像素点的坐标,rad为周边区域集合的外圆的半径,LL为中心-周边区域集合,IL为中心区域集合;card(OL)为集合OL的元素数量;
像素点(x′,y′)的中心区域的平均响应和平均方向IF为:
IF=(IFE,IFθ) (12);
其中,IFE(x′,y′)为像素点(x′,y′)的中心区域的平均响应,IFθ(x′,y′)为中心区域的平均方向,ilt代表集合IL中的元素,t=1,2,,card(IL),card(IL)为集合IL中的元素数量;
像素点(x′,y′)半圆环周边区域Ⅰ4集合OLl为:
OLl={(x,y)|y>tan(IFθ(x′,y′))*x}∩OL (15);
像素点(x′,y′)半圆环周边区域Ⅱ5集合OLr为:
OLr={(x,y)|y<tan(IFθ(x′,y′))*x}∩OL (16);
D、对于各个像素点:预设类别的数量,构建半圆环周边区域Ⅰ4的聚类特征向量,所述的半圆环周边区域Ⅰ4的聚类特征向量的构成元素为半圆环周边区域Ⅰ集合中各像素点的最优响应和最优方向;构建半圆环周边区域Ⅱ5的聚类特征向量,所述的半圆环周边区域Ⅱ5的聚类特征向量的构成元素为半圆环周边区域Ⅱ集合中各像素点的最优响应和最优方向;半圆环周边区域Ⅰ4的聚类特征向量进行聚类分析,得到半圆环周边区域Ⅰ4范围内的预设数量的各个类,每个类中包含该类的元素、元素数量、该类的聚类中心;对半圆环周边区域Ⅱ的聚类特征向量进行聚类分析,得到半圆环周边区域Ⅱ5范围内的预设数量的各个类,每个类中包含该类的元素、元素数量、该类的聚类中心;
步骤D所述的半圆环周边区域Ⅰ4聚类特征向量CFl(x′,y′)为:
CFl(x′,y′)=(CFle(x′,y′),CFlθ(x′,y′)) (17);
其中CFle(x′,y′)=E((x′,y′)+OLlp) (18);
CFlθ(x′,y′)=θmax((x′,y′)+OLlp) (19);
步骤D所述的半圆环周边区域Ⅱ(5)聚类特征向量CFr(x′,y′)为:
CFr(x′,y′)=(CFre(x′,y′),CFrθ(x′,y′)) (20);
其中CFre(x′,y′)=E((x′,y′)+OLrq) (21);
CFrθ(x′,y′)=θmax((x′,y′)+OLrq) (22);
其中OLlp为OLl集合中的元素,OLrq为OLr集合中的元素,p∈{1,2,...,card(OLl)},q∈{1,2,...,card(OLr)};
聚类分析之后,半圆环周边区域Ⅰ4聚类中心的集合为COFl,半圆环周边区域Ⅱ5聚类中心的集合为COFr,均为Nk×2的矩阵;Nk为类别的数量;
E、对于各个像素点:将半圆环周边区域Ⅰ4范围内的各个类的聚类中心依次与半圆环周边区域Ⅱ5范围内的各个类的聚类中心相减后求L2范数,得到半圆环周边区域Ⅰ4范围内的各个类的聚类中心所对应的差异值集合,取各个差异值集合中的最小值作为该类的半圆环周边区域差异值;
步骤E所述的半圆环周边区域Ⅰ4聚类中心与半圆环周边区域Ⅱ5聚类中心的差异值集合ΔOL为:
ΔOL(u,v)=||COFlu-COFrv||2,u={1,2,...,Nkmeans},v={1,2,...,Nkmeans}(23);
其中,COFlu、COFrv分别为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的集合中的元素,u={1,2,...,Nk},v={1,2,...,Nk};ΔOL为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的差异值的集合,ΔOL(u,v)为ΔOL中的元素;||x||2为L2范数,x1,x2...xn为(COFlu-COFrv)的全部结果;
各个类别的左右侧差异值的集合Leng为:
Leng=minh{ΔOL} (24);
minh为选取ΔOL各行元素最小值的函数;Leng为1×Nk的矩阵;
F、将各个像素点的中心区域的平均响应和平均方向求L2范数,然后将该求取L2范数后的结果分别与各个类的半圆环周边区域差异值相减,求取各个相减结果的平均值,得到各个像素点的中心-周边差异值;将各个像素点的中心-周边差异值进行归一化得到各个像素点的归一化中心-周边差异值,用1与各个像素点的归一化中心-周边差异值相减得到各个像素点的抑制权重,将各个像素点的最优响应减去该像素点对应的抑制权重与抑制系数的乘积,即得到各个像素点的抑制后响应;
步骤F所述的中心-周边差异值ΔL(x′,y′)为:
其中,Lengn为集合Leng中的元素,n={1,2,...,Nk};
归一化中心-周边差异值S{ΔL(x′,y′)}为:
其中,ΔL(x′,y′)max为各像素点的中心-周边差异值的最大值,ΔL(x′,y′)min为各像素点的中心-周边差异值的最小值;
像素点(x′,y′)的抑制权重为W(x′,y′)为:
W(x′,y′)=1-S{ΔL(x′,y′)} (27);
像素点(x′,y′)的抑制后响应Eend(x′,y′)为:
Eend(x′,y′)=E(x′,y′)-kW(x′,y′) (28);
其中k为抑制系数;
G、对各像素点的抑制后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。
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,文献1如下:
文献1:Cosmin Grigorescu,Nicolai Petkov,and MichelA.Westenberg.Contour Detection Based on Nonclassical Receptive FieldInhibition[J].IEEE Transactions on image processing,vol.12,no.7,july 2003729-739;
为保证对比的有效性,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,p=0.1;
对比结果采用性能评价指标P:
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;
实施例1方法与文献1方法通过篮子、水牛、大象、山羊共4副经典图像进行轮廓检测的结果对比,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
参数 | 取值 |
σ | [1.0,1.5,2,2.5] |
λ | 0.5 |
d | 0.2 |
k | [0.05,0.1,0.2,0.4] |
N<sub>θ</sub> | 12 |
N<sub>k</sub> | [8,10,12] |
如图1所示为本实施例轮廓检测方法的模板范围的中心区域及周边区域示意图,其中1为模板中心,2为中心区域,3为中心区域的平均方向,4为半圆环周边区域Ⅰ,5为半圆环周边区域Ⅱ,6为周边区域;
本实施例方向参数的数量为12个,分别为0°,15°,30°,45°,60°,75°,90°,105°,120°,135°,150°,165°;
文献1中的各项同性模型采用如下参数:α={1.0,1.2};σ={1.4,1.6,1.8,2.0,2.2,2.4,2.6,2.8};p={0.1,0.2,0.3,0.4,0.5}。
图2所示分别为篮子、水牛、大象、山羊共4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4幅图像的文献1方法检测的最优P值与实施例1方法检测的的最优P值;
表2 P值对比
图像 | 篮子 | 水牛 | 大象 | 山羊 |
文献1 | 0.264 | 0.422 | 0.491 | 0.393 |
实施例1 | 0.322 | 0.590 | 0.516 | 0.423 |
结合表2及图2的结果对比可以看出,本实施例方法在识别准确率及识别效果上均优于文献1方案。
本实施例方法中聚类方法采用K-means方法,选用文献2中记载的方法,文献2如下:
文献2:“一种改进的K_means算法”,尹宝勇等,江西理工大学学报,第39卷第5期,第97-102页。
Claims (7)
1.一种基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,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,预设抑制系数,预设以滤波模板中心为起点的均分180°圆心角的多个方向,对待检测图像中的各像素点的灰度值分别按照各方向进行二维高斯一阶导函数滤波,获得各像素点的各方向的响应值;对于各像素点,选取其各方向的响应值中的最大值,作为该像素点的最优响应,该最优响应对应的方向为该像素点的最优方向;
B、预设高斯差分函数并对该函数进行归一化处理,得到归一化的高斯差分滤波函数及相应的模板范围;对于各个像素点,采用归一化的高斯差分滤波函数分别对以当前像素点为模板中心的模板范围内的各个像素点进行滤波,得到各个像素点的模板范围内的各像素点的归一化的高斯差分滤波响应;
C、对于各个像素点:预设周边区域边界值,将其模板范围内的归一化的高斯差分滤波响应大于周边区域边界值的像素点作为周边区域集合,周边区域集合各像素点构成的范围即为周边区域(6),从而得到周边区域(6)的像素点数量;以模板中心(1)作为圆心,周边区域(6)的外圆作为外圆,构建中心-周边区域集合,将中心-周边区域集合除去周边区域集合中的像素点,得到中心区域集合,中心区域集合各像素点构成的范围即为中心区域(2);对中心区域(2)中的各像素点的最优响应和最优方向分别求取平均值,分别得到中心区域的平均响应和平均方向;以中心区域的平均方向及其延长线将周边区域划分为两个部分,分别为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5),半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)中的像素点分别构成半圆环周边区域Ⅰ集合、半圆环周边区域Ⅱ集合;
D、对于各个像素点:预设类别的数量,构建半圆环周边区域Ⅰ(4)的聚类特征向量,所述的半圆环周边区域Ⅰ(4)的聚类特征向量的构成元素为半圆环周边区域Ⅰ集合中各像素点的最优响应和最优方向;构建半圆环周边区域Ⅱ(5)的聚类特征向量,所述的半圆环周边区域Ⅱ(5)的聚类特征向量的构成元素为半圆环周边区域Ⅱ集合中各像素点的最优响应和最优方向;半圆环周边区域Ⅰ(4)的聚类特征向量进行聚类分析,得到半圆环周边区域Ⅰ(4)范围内的预设数量的各个类,每个类中包含该类的元素、元素数量、该类的聚类中心;对半圆环周边区域Ⅱ的聚类特征向量进行聚类分析,得到半圆环周边区域Ⅱ(5)范围内的预设数量的各个类,每个类中包含该类的元素、元素数量、该类的聚类中心;
E、对于各个像素点:将半圆环周边区域Ⅰ(4)范围内的各个类的聚类中心依次与半圆环周边区域Ⅱ(5)范围内的各个类的聚类中心相减后求L2范数,得到半圆环周边区域Ⅰ(4)范围内的各个类的聚类中心所对应的差异值集合,取各个差异值集合中的最小值作为该类的半圆环周边区域差异值;
F、将各个像素点的中心区域的平均响应和平均方向求L2范数,然后将该求取L2范数后的结果分别与各个类的半圆环周边区域差异值相减,求取各个相减结果的平均值,得到各个像素点的中心-周边差异值;将各个像素点的中心-周边差异值进行归一化得到各个像素点的归一化中心-周边差异值,用1与各个像素点的归一化中心-周边差异值相减得到各个像素点的抑制权重,将各个像素点的最优响应减去该像素点对应的抑制权重与抑制系数的乘积,即得到各个像素点的抑制后响应;
G、对各像素点的抑制后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。
4.如权利要求3所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,其特征在于:
步骤C所述的周边区域集合OL为:
OL={(x,y)|ω(x,y)>d} (7);
其中d为周边区域边界值;
中心区域集合的确定方式如下:
(xm,ym)={(x,y)|max{x2 j+y2 j},(xj,yj)∈OL,j=1,2,… ,card(OL)} (8);
rad=xm 2+ym 2 (9);
LL={(x,y)|x2+y2<rad} (10);
IL={(x,y)|(LL-OL)} (11);
其中,(xm,ym)为周边区域集合的外圆的像素点的坐标,rad为周边区域集合的外圆的半径,LL为中心-周边区域集合,IL为中心区域集合;card(OL)为集合OL的元素数量;
像素点(x',y')的中心区域的平均响应和平均方向IF为:
IF=(IFE,IFθ) (12);
其中,IFE(x',y')为像素点(x',y')的中心区域的平均响应,IFθ(x',y')为中心区域的平均方向,ilt代表集合IL中的元素,t=1,2,...,card(IL),card(IL)为集合IL中的元素数量;
像素点(x',y')半圆环周边区域Ⅰ(4)集合OLl为:
OLl={(x,y)|y>tan(IFθ(x',y'))*x}∩OL (15);
像素点(x',y')半圆环周边区域Ⅰ(4)集合OLr为:
OLr={(x,y)|y<tan(IFθ(x',y'))*x}∩OL (16)。
5.如权利要求4所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,其特征在于:
步骤D所述的半圆环周边区域Ⅰ(4)的聚类特征向量CFl(x',y')为:
CFl(x',y')=(CFle(x',y'),CFlθ(x',y')) (17);
其中CFle(x',y')=E((x',y')+OLlp) (18);
CFlθ(x',y')=θmax((x',y')+OLlp) (19);
步骤D所述的半圆环周边区域Ⅱ(5)的聚类特征向量CFr(x',y')为:
CFr(x',y')=(CFre(x',y'),CFrθ(x',y')) (20);
其中CFre(x',y')=E((x',y')+OLrq) (21);
CFrθ(x',y')=θmax((x',y')+OLrq) (22);
其中OLlp为OLl集合中的元素,OLrq为OLr集合中的元素,p∈{1,2,...,card(OLl)},q∈{1,2,...,card(OLr)};
聚类分析之后,半圆环周边区域Ⅰ(4)聚类中心的集合为COFl,半圆环周边区域Ⅱ(5)聚类中心的集合为COFr,均为Nk×2的矩阵;Nk为类别的数量。
6.如权利要求5所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,其特征在于:
步骤E所述的半圆环周边区域Ⅰ(4)范围内的各个类的聚类中心所对应的差异值集合ΔOL为:
ΔOL(u,v)=||COFlu-COFrv||2,u={1,2,...,Nkmeans},v={1,2,...,Nkmeans}(23);
其中,COFlu、COFrv分别为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的集合中的元素,u={1,2,...,Nk},v={1,2,...,Nk};ΔOL为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的差异值的集合,ΔOL(u,v)为ΔOL中的元素;||x||2为L2范数,x1,x2...xn为(COFlu-COFrv)的全部结果;
各个类别的半圆环周边区域差异值的集合Leng为:
Leng=minh{ΔOL} (24);
minh为选取ΔOL各行元素最小值的函数;Leng为1×Nk的矩阵。
7.如权利要求6所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法,其特征在于:
步骤F所述的中心-周边差异值ΔL(x',y')为:
其中,Lengn为集合Leng中的元素,n={1,2,...,Nk};
归一化中心-周边差异值S{ΔL(x',y')}为:
其中,ΔL(x',y')max为各像素点的中心-周边差异值的最大值,ΔL(x',y')min为各像素点的中心-周边差异值的最小值;
像素点(x',y')的抑制权重为W(x',y')为:
W(x',y')=1-S{ΔL(x',y')} (27);
像素点(x',y')的抑制后响应Eend(x',y')为:
Eend(x',y')=E(x',y')-kW(x',y') (28);
其中k为抑制系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102518.9A CN109919945B (zh) | 2019-02-01 | 2019-02-01 | 基于非经典感受野非线性两侧亚单元响应的轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102518.9A CN109919945B (zh) | 2019-02-01 | 2019-02-01 | 基于非经典感受野非线性两侧亚单元响应的轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919945A CN109919945A (zh) | 2019-06-21 |
CN109919945B true CN109919945B (zh) | 2022-03-25 |
Family
ID=66961123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102518.9A Active CN109919945B (zh) | 2019-02-01 | 2019-02-01 | 基于非经典感受野非线性两侧亚单元响应的轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919945B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968140B (zh) * | 2020-06-24 | 2023-07-14 | 广西科技大学 | 基于经典感受野固视微动机制的轮廓检测方法 |
CN113192092B (zh) * | 2021-05-07 | 2023-04-07 | 广西科技大学 | 一种模拟xyw细胞感受野特性融合的轮廓检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN107767387A (zh) * | 2017-11-09 | 2018-03-06 | 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 |
CN107909059A (zh) * | 2017-11-30 | 2018-04-13 | 中南大学 | 一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法 |
CN108053415A (zh) * | 2017-12-14 | 2018-05-18 | 广西科技大学 | 基于改进非经典感受野的仿生轮廓检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123697B (zh) * | 2013-04-23 | 2017-11-17 | 华为技术有限公司 | 一种图像增强方法及设备 |
-
2019
- 2019-02-01 CN CN201910102518.9A patent/CN109919945B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN107767387A (zh) * | 2017-11-09 | 2018-03-06 | 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 |
CN107909059A (zh) * | 2017-11-30 | 2018-04-13 | 中南大学 | 一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法 |
CN108053415A (zh) * | 2017-12-14 | 2018-05-18 | 广西科技大学 | 基于改进非经典感受野的仿生轮廓检测方法 |
Non-Patent Citations (5)
Title |
---|
Improved contour detection model with spatial summation properties based on nonclassical receptive field;Chuan Lin等;《J. of Electronic Imaging》;20160802;第25卷(第4期);1-11 * |
Improved CORF model of simple cell combined with non-classical receptive field and its application on edge detection;Xiao Sun等;《Proceedings of the SPIE》;20180219;1-8 * |
基于非经典感受野动态特性的轮廓检测模型;潘亦坚等;《广西科技大学学报》;20180425;第29卷(第02期);第77-83页 * |
基于非经典感受野机制的视觉处理模型及其应用研究;郭笑天;《中国优秀硕士学位论文全文数据库_信息科技辑》;20180215;I138-2491 * |
基于颜色拮抗和纹理抑制的轮廓检测模型;赵浩钧等;《广西科技大学学报》;20181104;第29卷(第04期);第6-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919945A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949324B (zh) | 基于非经典感受野非线性亚单元响应的轮廓检测方法 | |
CN109117826B (zh) | 一种多特征融合的车辆识别方法 | |
CN110148162B (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN110096977B (zh) | 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质 | |
CN110929713B (zh) | 一种基于bp神经网络的钢印字符识别方法 | |
CN107135664A (zh) | 一种人脸识别的方法以及人脸识别装置 | |
CN105354866A (zh) | 一种多边形轮廓相似度检测方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN107506754A (zh) | 虹膜识别方法、装置及终端设备 | |
CN109919945B (zh) | 基于非经典感受野非线性两侧亚单元响应的轮廓检测方法 | |
CN108875907B (zh) | 一种基于深度学习的指纹识别方法和装置 | |
CN114359998B (zh) | 一种人脸口罩佩戴状态下的识别方法 | |
CN103295014B (zh) | 基于像素位置排列直方图的图像局部特征描述方法 | |
CN110245621B (zh) | 人脸识别装置及图像处理方法、特征提取模型、存储介质 | |
CN107909593B (zh) | 基于感受野子区域的非方向选择性轮廓检测方法 | |
CN107038432B (zh) | 基于频率信息的指纹图像方向场提取方法 | |
CN112036455A (zh) | 一种图像识别方法、智能终端和存储介质 | |
CN107871137A (zh) | 一种基于图像识别的物料匹配方法 | |
CN109145704B (zh) | 一种基于人脸属性的人脸画像识别方法 | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
CN107742302B (zh) | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 | |
CN112784754A (zh) | 一种车辆再识别方法、装置、设备及存储介质 | |
CN110458792A (zh) | 人脸图像质量的评价方法及装置 | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
Sabarinathan et al. | Medicinal plant leaf recognition and show medicinal uses using convolutional neural network |
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 |