CN109949324A - 基于非经典感受野非线性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亚单元响应的轮廓检测方法 Download PDF

Info

Publication number
CN109949324A
CN109949324A CN201910102433.0A CN201910102433A CN109949324A CN 109949324 A CN109949324 A CN 109949324A CN 201910102433 A CN201910102433 A CN 201910102433A CN 109949324 A CN109949324 A CN 109949324A
Authority
CN
China
Prior art keywords
pixel
response
neighboring area
follows
value
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
Application number
CN201910102433.0A
Other languages
English (en)
Other versions
CN109949324B (zh
Inventor
林川
陈海杰
万术娟
崔林昊
王垚
文泽奇
潘勇才
张玉薇
刘青正
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.)
Guangxi University of Science and Technology
Original Assignee
Guangxi University of Science and Technology
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 Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN201910102433.0A priority Critical patent/CN109949324B/zh
Publication of CN109949324A publication Critical patent/CN109949324A/zh
Application granted granted Critical
Publication of CN109949324B publication Critical patent/CN109949324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明旨在提供一种基于非经典感受野非线性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，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；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的中心‑周边差异值；计算各个像素点的抑制后响应；F、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

基于非经典感受野非线性亚单元响应的轮廓检测方法
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：
一种基于非经典感受野非线性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；
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，获得周边区域(1)以及周边区域所包含的像素点数量；以滤波模板中心(2)作为圆心，周边区域(1)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，获得中心区域(3)；将中心区域集合各像素点的最优响应、最优方向求平均值，分别得到中心区域(3)的平均响应和平均方向，作为中心区域(3)的平均响应向量；
D、对于各个像素点：预设类别的数量，构建周边区域(1)的聚类特征向量，所述的周边区域(1)的聚类特征向量的构成元素为周边区域集合中各像素点的最优响应和最优方向；对周边区域(1)的聚类特征向量进行聚类分析，得到预设数量的各个类，每个类中包含该类的聚类中心和该类中的元素数量；
E、对于各个像素点：将中心区域(3)的平均响应向量分别与各个类的聚类中心相减后求L2范数，得到的结果乘以该类聚类中心所对应的类中的元素数量后再除以周边区域的元素数量，从而得到各个类的像素点与中心区域(3)的差异值，将各个类的像素点与中心区域(3)的差异值相加进行求和，得到该像素点的中心-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；
F、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：
其中
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：
其中θi为方向参数，i＝1,2,…Nθ，Nθ为方向参数的数量；I(x',y')为像素点(x',y')的灰度值，*表示卷积计算；
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：
其中，
||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。
优选地，步骤D所述的周边区域聚类特征向量OF(x′,y′)为：
OF(x′,y′)＝(OFe(x′,y′),OFθ(x′,y′)) (15)；
其中OFe(x′,y′)＝E((x′,y′)+OLp) (16)；
CFθ(x′,y′)＝θmax((x′,y′)+OLp) (17)；
其中OLp为OL集合中的元素，p∈{1,2,...,card(OL)}；
聚类分析之后，周边区域聚类中心的集合为CF，为Nk×2的矩阵；Nk为类别的数量。
优选地，步骤E所述的中心-周边差异值ΔL(x',y')为：
其中，CFq为周边区域的聚类中心的集合中的元素，q＝{1,2,...,Nk}；||x||2为L2范数，x1,x2...xn为(IF-CFq)的全部结果；
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')} (20)；
像素点(x',y')的抑制后响应Eend(x',y')为：
Eend(x',y')＝E(x',y')-kW(x',y') (21)；
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；通过对各个像素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；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模板范围的中心区域及周边区域示意图；
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
一种基于非经典感受野非线性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：
其中
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：
其中θi为方向参数，i＝1,2,…Nθ，Nθ为方向参数的数量；I(x',y')为像素点(x',y')的灰度值，*表示卷积计算；
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：
其中，
||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，获得周边区域(1)以及周边区域所包含的像素点数量；以滤波模板中心(2)作为圆心，周边区域(1)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，获得中心区域(3)；将中心区域集合各像素点的最优响应、最优方向求平均值，分别得到中心区域(3)的平均响应和平均方向，作为中心区域(3)的平均响应向量；
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；
D、对于各个像素点：预设类别的数量，构建周边区域(1)的聚类特征向量，所述的周边区域(1)的聚类特征向量的构成元素为周边区域集合中各像素点的最优响应和最优方向；对周边区域(1)的聚类特征向量进行聚类分析，得到预设数量的各个类，每个类中包含该类的聚类中心和该类中的元素数量；
步骤D所述的周边区域聚类特征向量OF(x′,y′)为：
OF(x′,y′)＝(OFe(x′,y′),OFθ(x′,y′)) (15)；
其中OFe(x′,y′)＝E((x′,y′)+OLp) (16)；
CFθ(x′,y′)＝θmax((x′,y′)+OLp) (17)；
其中OLp为OL集合中的元素，p∈{1,2,...,card(OL)}；
聚类分析之后，周边区域聚类中心的集合为CF，为Nk×2的矩阵；Nk为类别的数量；
E、对于各个像素点：将中心区域(3)的平均响应向量分别与各个类的聚类中心相减后求L2范数，得到的结果乘以该类聚类中心所对应的类中的元素数量后再除以周边区域的元素数量，从而得到各个类的像素点与中心区域(3)的差异值，将各个类的像素点与中心区域(3)的差异值相加进行求和，得到该像素点的中心-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E所述的中心-周边差异值ΔL(x',y')为：
其中，CFq为周边区域的聚类中心的集合中的元素，q＝{1,2,...,Nk}；||x||2为L2范数，x1,x2...xn为(IF-CFq)的全部结果；
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')} (20)；
像素点(x',y')的抑制后响应Eend(x',y')为：
Eend(x',y')＝E(x',y')-kW(x',y') (21)；
其中k为抑制系数；
F、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：CosminGrigorescu,NicolaiPetkov,andMichelA.Westenberg.ContourDetection Based on Nonclassical Receptive Field Inhibition[J].IEEE Transactionson image processing,vol.12,no.7,july2003729-739；
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
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为周边区域，2为模板中心，3为中心区域；
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 0.316 0.562 0.504 0.418
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 (6)

1.一种基于非经典感受野非线性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(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；
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，获得周边区域(1)以及周边区域所包含的像素点数量；以滤波模板中心(2)作为圆心，周边区域(1)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，获得中心区域(3)；将中心区域集合各像素点的最优响应、最优方向求平均值，分别得到中心区域(3)的平均响应和平均方向，作为中心区域(3)的平均响应向量；
D、对于各个像素点：预设类别的数量，构建周边区域(1)的聚类特征向量，所述的周边区域(1)的聚类特征向量的构成元素为周边区域集合中各像素点的最优响应和最优方向；对周边区域(1)的聚类特征向量进行聚类分析，得到预设数量的各个类，每个类中包含该类的聚类中心和该类中的元素数量；
E、对于各个像素点：将中心区域(3)的平均响应向量分别与各个类的聚类中心相减后求L2范数，得到的结果乘以该类聚类中心所对应的类中的元素数量后再除以周边区域的元素数量，从而得到各个类的像素点与中心区域(3)的差异值，将各个类的像素点与中心区域(3)的差异值相加进行求和，得到该像素点的中心-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；
F、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。
2.如权利要求1所述的基于非经典感受野非线性亚单元响应的轮廓检测方法，其特征在于：
所述的步骤A的二维高斯一阶导函数如下：
其中
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：
其中θi为方向参数，Nθ为方向参数的数量；I(x',y')为像素点(x',y')的灰度值，*表示卷积计算；
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。
3.如权利要求2所述的基于非经典感受野非线性亚单元响应的轮廓检测方法，其特征在于：
步骤B所述的归一化的高斯差分滤波函数ω(x,y)为：
其中，
||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。
4.如权利要求3所述的基于非经典感受野非线性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。
5.如权利要求4所述的基于非经典感受野非线性亚单元响应的轮廓检测方法，其特征在于：
步骤D所述的周边区域聚类特征向量OF(x',y')为：
OF(x’,y’)＝(OFe(x’,y’),OFθ(x’,y’)) (15)；
其中OFe(x',y')＝E((x',y')+OLp) (16)；
CFθ(x’,y’)＝θmax((x’,y’)+OLp) (17)；
其中OLp为OL集合中的元素，p∈{1,2,...,card(OL)}；
聚类分析之后，周边区域聚类中心的集合为CF，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亚单元响应的轮廓检测方法，其特征在于：
步骤E所述的中心-周边差异值ΔL(x',y')为：
其中，CFq为周边区域的聚类中心的集合中的元素，q＝{1,2,...,Nk}；||x||2为L2范数，x1,x2...xn为(IF-CFq)的全部结果；
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')} (20)；
像素点(x',y')的抑制后响应Eend(x',y')为：
Eend(x',y')＝E(x',y')-kW(x',y') (21)；
其中k为抑制系数。
CN201910102433.0A 2019-02-01 2019-02-01 基于非经典感受野非线性亚单元响应的轮廓检测方法 Active CN109949324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910102433.0A CN109949324B (zh) 2019-02-01 2019-02-01 基于非经典感受野非线性亚单元响应的轮廓检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910102433.0A CN109949324B (zh) 2019-02-01 2019-02-01 基于非经典感受野非线性亚单元响应的轮廓检测方法

Publications (2)

Publication Number Publication Date
CN109949324A true CN109949324A (zh) 2019-06-28
CN109949324B CN109949324B (zh) 2022-04-22

Family

ID=67007482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910102433.0A Active CN109949324B (zh) 2019-02-01 2019-02-01 基于非经典感受野非线性亚单元响应的轮廓检测方法

Country Status (1)

Country Link
CN (1) CN109949324B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161253A (zh) * 2019-12-31 2020-05-15 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
CN111161291A (zh) * 2019-12-31 2020-05-15 广西科技大学 基于目标景深信息的轮廓检测方法
CN111179294A (zh) * 2019-12-30 2020-05-19 广西科技大学 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法
CN117455725A (zh) * 2023-12-22 2024-01-26 广惠建设工程集团有限公司 一种基于bim建筑的建筑能耗管理方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080084536A1 (en) * 2006-10-04 2008-04-10 Isport, Llc System and Method of Enchancing a Retino-Geniculo-Cortical Pathway for a Particular Physical Activity
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
CN102254304A (zh) * 2011-06-17 2011-11-23 电子科技大学 一种目标物体轮廓检测方法
CN104484667A (zh) * 2014-12-30 2015-04-01 华中科技大学 一种基于亮度特征和轮廓完整性的轮廓提取方法
CN106127209A (zh) * 2016-06-17 2016-11-16 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
CN106228547A (zh) * 2016-07-15 2016-12-14 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
CN106355596A (zh) * 2016-08-30 2017-01-25 刘广海 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
CN106485724A (zh) * 2016-09-20 2017-03-08 华中科技大学 一种基于组合感受野和朝向特征调制的轮廓检测方法
CN107194896A (zh) * 2017-06-05 2017-09-22 华中科技大学 一种基于邻域结构的背景抑制方法和系统
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
US10067509B1 (en) * 2017-03-10 2018-09-04 TuSimple System and method for occluding contour detection

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080084536A1 (en) * 2006-10-04 2008-04-10 Isport, Llc System and Method of Enchancing a Retino-Geniculo-Cortical Pathway for a Particular Physical Activity
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
CN102254304A (zh) * 2011-06-17 2011-11-23 电子科技大学 一种目标物体轮廓检测方法
CN104484667A (zh) * 2014-12-30 2015-04-01 华中科技大学 一种基于亮度特征和轮廓完整性的轮廓提取方法
CN106127209A (zh) * 2016-06-17 2016-11-16 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
CN106228547A (zh) * 2016-07-15 2016-12-14 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
CN106355596A (zh) * 2016-08-30 2017-01-25 刘广海 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
CN106485724A (zh) * 2016-09-20 2017-03-08 华中科技大学 一种基于组合感受野和朝向特征调制的轮廓检测方法
US10067509B1 (en) * 2017-03-10 2018-09-04 TuSimple System and method for occluding contour detection
CN107194896A (zh) * 2017-06-05 2017-09-22 华中科技大学 一种基于邻域结构的背景抑制方法和系统
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QILING TANG等: "Contrast-dependent surround suppression models for contour detection", 《PATTERN RECOGNITION》 *
李晓磊: "基于人类视觉感知的轮廓检测方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
林川等: "考虑微动机制与感受野特性的轮廓检测模型", 《计算机工程与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179294A (zh) * 2019-12-30 2020-05-19 广西科技大学 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法
CN111161253A (zh) * 2019-12-31 2020-05-15 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
CN111161291A (zh) * 2019-12-31 2020-05-15 广西科技大学 基于目标景深信息的轮廓检测方法
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
CN117455725A (zh) * 2023-12-22 2024-01-26 广惠建设工程集团有限公司 一种基于bim建筑的建筑能耗管理方法及系统
CN117455725B (zh) * 2023-12-22 2024-03-12 广惠建设工程集团有限公司 一种基于bim建筑的建筑能耗管理方法及系统

Also Published As

Publication number Publication date
CN109949324B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN109949324A (zh) 基于非经典感受野非线性亚单元响应的轮廓检测方法
CN106250858B (zh) 一种融合多种人脸识别算法的识别方法及系统
CN110515456B (zh) 基于注意力机制的脑电信号情感判别方法及装置
CN109872305B (zh) 一种基于质量图生成网络的无参考立体图像质量评价方法
CN108875907B (zh) 一种基于深度学习的指纹识别方法和装置
CN102034224B (zh) 基于伪Zernike矩的图像去噪算法
CN107066961B (zh) 指纹配准方法及装置
CN110786849B (zh) 基于多视图鉴别分析的心电信号身份识别方法及系统
US11263437B2 (en) Method for extracting a feature vector from an input image representative of an iris by means of an end-to-end trainable neural network
CN112116009A (zh) 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统
CN103679639A (zh) 基于非局部均值的图像去噪方法和装置
CN107368819B (zh) 人脸识别方法及系统
CN112633401A (zh) 一种高光谱遥感图像分类方法、装置、设备及存储介质
CN109919945A (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
CN116797895A (zh) 面向司法场景的多模态融合身份鉴别方法、介质及设备
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN113378620B (zh) 监控视频噪声环境下跨摄像头行人重识别方法
Cao et al. Automatic latent value determination
Kang et al. GuidedMixup: an efficient mixup strategy guided by saliency maps
CN108491883A (zh) 一种基于条件随机场的显著性检测优化方法
CN116127298B (zh) 基于三元组损失的小样本射频指纹识别方法
WO2018120088A1 (zh) 情感识别模型生成方法及装置
CN116089848A (zh) 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法
CN109978898A (zh) 基于矢量场能量计算的轮廓检测方法
CN110874602A (zh) 一种图像识别方法及装置

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