CN111179293A - 一种基于颜色和灰度特征融合的仿生型轮廓检测方法 - Google Patents

一种基于颜色和灰度特征融合的仿生型轮廓检测方法 Download PDF

Info

Publication number
CN111179293A
CN111179293A CN201911390972.5A CN201911390972A CN111179293A CN 111179293 A CN111179293 A CN 111179293A CN 201911390972 A CN201911390972 A CN 201911390972A CN 111179293 A CN111179293 A CN 111179293A
Authority
CN
China
Prior art keywords
pixel point
color
response value
gray
characteristic
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
CN201911390972.5A
Other languages
English (en)
Other versions
CN111179293B (zh
Inventor
林川
王瞿
文泽奇
万术娟
潘勇才
刘青正
张玉薇
李福章
张晴
王垚
王蕤兴
韦艳霞
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 CN201911390972.5A priority Critical patent/CN111179293B/zh
Publication of CN111179293A publication Critical patent/CN111179293A/zh
Application granted granted Critical
Publication of CN111179293B publication Critical patent/CN111179293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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)

Abstract

本发明旨在提供一种基于颜色和灰度特征融合的仿生型轮廓检测方法，包括以下步骤：A、输入待检测图像，进行颜色特征的计算，提取待检测图像中的各颜色分量，进行滤波得到颜色分量的滤波响应值；B、计算各像素点的基于颜色特征的单拮抗响应；C、计算各像素点的颜色特征轮廓响应值以及颜色特征最优方向；D、对待检测图像进行灰度处理，进行灰度特征的计算；计算各像素点的灰度特征初始响应值；E、计算各像素点的灰度特征经典最优响应值及灰度特征最优方向；F、计算各像素点的灰度特征轮廓响应值；G、计算各像素点的最终轮廓响应值；H、计算各像素点的最终轮廓值。该轮廓检测方法克服现有技术缺陷，具有运算特征全面、轮廓识别率高的特点。

Description

一种基于颜色和灰度特征融合的仿生型轮廓检测方法
技术领域
本发明图像轮廓检测领域，具体涉及一种基于颜色和灰度特征融合的仿生型轮廓检测方法。
背景技术
在图像轮廓检测领域，受生物启发的轮廓检测模型是目前主流的研究方向之一。已经提出的仿生模型都普遍单独考虑图像的颜色信息或者灰度信息，并没有考虑将图像的颜色信息和灰度信息进行有效的结合，只是简单地利用颜色的单、双拮抗原理或者灰度的中心兴奋-周边抑制机制模拟复杂的视觉感知系统，从一定程度上造成了目标轮廓信息的缺失，从而降低轮廓检测模型的性能。
发明内容
本发明旨在提供一种基于颜色和灰度特征融合的仿生型轮廓检测方法，该轮廓检测方法克服现有技术缺陷，具有运算特征全面、轮廓识别率高的特点。
本发明的技术方案如下：
1、一种基于颜色和灰度特征融合的仿生型轮廓检测方法，包括以下步骤：
A、输入待检测图像，进行颜色特征的计算，提取待检测图像中的各颜色分量，并对各颜色分量进行滤波得到颜色分量的滤波响应值；
B、计算各像素点的基于颜色特征的单拮抗响应；
C、计算各像素点的颜色特征轮廓响应值以及颜色特征最优方向；
D、对待检测图像进行灰度处理，进行灰度特征的计算；计算各像素点的灰度特征初始响应值；
E、计算各像素点的灰度特征经典最优响应值及灰度特征最优方向；
F、计算各像素点的灰度特征轮廓响应值；
G、计算各像素点的最终轮廓响应值；
H、计算各像素点的最终轮廓值。
优选地，具体步骤如下：
A、输入待检测图像，进行颜色特征的计算；将待检测图像中的各像素点的红、绿、蓝分量提取出来，并利用红、绿分量计算出各像素点的黄分量；预设中心二维高斯函数，对于各像素点，采用中心二维高斯函数分别对该像素点的红、绿、蓝、黄分量进行滤波，分别得到该像素点的各颜色分量的滤波响应值；
B、预设颜色拮抗权重，预设红绿、蓝黄两个颜色组合，红绿组合设有红/绿通道、绿/红通道，蓝黄组合设有蓝/黄通道、黄/蓝通道，对于各像素点，通过颜色拮抗权重分别对各通道进行计算拮抗计算，分别得到各像素点的红/绿通道、绿/红通道、蓝/黄通道、黄/蓝通道的单拮抗响应；
C、预设包含多个方向参数的的二维高斯一阶偏导函数，对于各像素点，采用二维高斯一阶偏导函数分别对其红/绿通道、绿/红通道、蓝/黄通道、黄/蓝通道的单拮抗响应进行滤波，分别得到各像素点各通道的各方向参数的双拮抗响应值；对于各像素点的各通道，分别取该像素点该通道的各方向参数的双拮抗响应值的最大值，将该最大值作为该像素点该通道的最优响应值，该最大值对应的方向参数作为该像素点该通道的最优方向；对于各像素点，选取各通道的最优响应值中的最大值，作为该像素点的颜色特征轮廓响应值，该最大值对应的的方向参数作为该像素点的颜色特征最优方向；
D、对待检测图像进行灰度处理后得到灰度图像，对灰度图像进行灰度特征的计算；
预设周边二维高斯函数、中心周边拮抗强度，周边二维高斯函数的空间标准差大于中心二维高斯函数，对于各像素点，分别采用中心二维高斯函数、周边二维高斯函数对其灰度值进行二维高斯滤波，分别得到各像素点的中心响应值和周边响应值，将各像素点的中心响应值减去其周边响应值与中心周边拮抗强度的乘积，得到各像素点的灰度特征初始响应值；
E、对于各像素点，采用步骤C中的二维高斯一阶偏导函数对其灰度特征初始响应值进行滤波，得到各像素点的各方向参数的灰度特征经典响应值；对于各像素点，选取各方向参数的灰度特征经典响应值中的最大值，作为该像素点的灰度特征经典最优响应值，该最大值对应的的方向参数作为该像素点的灰度特征最优方向；
F、预设归一化高斯差分函数、非经典感受野拮抗强度，对于各像素点，采用归一化高斯差分函数分别对其灰度特征经典最优响应值进行滤波，其中归一化高斯差分函数的方向参数采用该像素点的灰度特征最优方向，得到该像素点的灰度特征非经典响应值；对于各像素点，将该像素点的灰度特征经典最优响应值减去灰度特征非经典响应值与非经典感受野拮抗强度的乘积，得到各像素点的灰度特征轮廓响应值；
G、预设颜色灰度特征融合比例函数，对于各像素点，将该像素点的颜色特征轮廓响应值与灰度特征轮廓响应值求和后与颜色灰度特征融合比例函数的相乘，得到的乘积作为颜色灰度特征抑制响应值，将该像素点的颜色特征轮廓响应值减去颜色灰度特征抑制响应值，得到各像素点的最终轮廓响应值；
H、最终轮廓值的计算具体为：
对于各像素点，对其最终轮廓响应值进行非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。
优选地，所述步骤A具体为：
所述的各颜色分量的滤波响应值如下：
SC(x,y)＝IC(x,y)*Gc(x,y) (1)；
其中SC(x,y)表示各颜色分量的滤波响应值，IC(x,y)表示各颜色分量值，C∈{R,G,B,Y}，分别表示红、绿、蓝、黄颜色分量，
Figure BDA0002344935070000031
σ表示空间标准差；*为卷积运算。
优选地，所述步骤B具体为：
各像素点各通道的单拮抗响应如下：
SOlm(x,y)＝Sl(x,y)-ωSm(x,y) (2)；
其中lm∈{RG,GR,BY,YB},即表示红/绿、绿/红、蓝/黄、黄/蓝通道，l∈{R,G,B,Y}，m∈{R,G,B,Y}分别表示同一通道的两个颜色分量；ω为颜色拮抗权重。
优选地，所述步骤C具体为：
各像素点的各方向参数的双拮抗响应值DOlm(x,y；θi)＝SOlm(x,y)*V(x,y；θi) (3)；
其中
Figure BDA0002344935070000032
Figure BDA0002344935070000033
Nθ为方向参数的数目，γ为表示感受野椭圆度的常数；
各像素点的各通道的最优响应值DOlm(x,y)＝max(DOlm(x,y；θi)|i＝1,2,...Nθ) (4)；
各像素点的各通道的最优方向θlm(x,y)＝θk，k＝argmax(DOlm(x,y；θi)|i＝1,2,...Nθ) (5)；
各像素点的颜色特征轮廓响应值RP(x,y)＝max{DOlm(x,y)|lm∈{RG,GR,BY,YB}} (6)；
各像素点的颜色特征最优方向θP(x,y)＝θno(x,y) (7)；
其中no＝argmax(DOlm(x,yi)|lm∈{RG,GR,BY,YB})，no∈{RG,GR,BY,YB}。
优选地，所述步骤D具体为：
各像素点的灰度特征初始响应值E(x,y)＝Ig(x,y)*Gc(x,y)-α·Ig(x,y)*Gf(x,y) (8)；
其中Ig(x,y)为各像素点的灰度值，
Figure BDA0002344935070000041
α为中心周边拮抗强度。
优选地，所述步骤E具体为：
各像素点的各方向参数的灰度特征经典响应值Rcrf(x,y；θi)＝E(x,y)*V(x,y；θi) (9)；
各像素点的灰度特征经典最优响应值Rcrf(x,y)＝max(Rcrf(x,y；θi)|i＝1,2,...Nθ) (10)；
各像素点的灰度特征最优方向θM(x,y)＝θj，j＝argmax(Rcrf(x,y；θi)|i＝1,2,...Nθ) (11)。
优选地，所述步骤F具体为：
各像素点的灰度特征非经典响应值Rncrf(x,y)＝Rcrf(x,y)*W(x,y) (12)；
归一化高斯差分函数
Figure BDA0002344935070000042
其中，
Figure BDA0002344935070000043
Figure BDA0002344935070000044
其中||·||1为L1范数，H(x)＝max(0,x)；
各像素点的灰度特征非经典响应值RM(x,y)＝Rcrf(x,y)-βRncrf(x,y) (13)；
其中β为非经典感受野拮抗强度。
优选地，所述步骤G具体为：
各像素点的最终轮廓响应值O(x,y)＝(1-λ(x,y))RP(x,y)+λ(x,y)·RM(x,y) (14)；
其中颜色灰度特征融合比例函数
Figure BDA0002344935070000045
本发明将基于颜色信息响应与基于灰度信息响应相结合，考虑了颜色与灰度双重特征的互补性质，并且结合了基于颜色信息响应与基于灰度信息响应的最优方向角，将双重特征信息的最优方向响应按比例进行融合，从而得到最终的轮廓输出响应；同时，融合比例的计算兼顾了颜色信息响应与灰度信息响应的最优方向差异以及响应值差异，使得融合比例更符合当前像素点的差异，保证更多有效信息的融合；并且，对于灰度信息响应中的非经典感受野响应的计算直接采用灰度信息对应的最优方向，在保证计算准确率的前提下降低运算量，提高轮廓检测的效率；通过以上双重信息特征的融合，更大程度上减少目标轮廓信息的缺失，从而提高了轮廓检测方法的性能。
附图说明
图1为本发明的轮廓检测方法流程图；
图2为实施例1方法与文献1轮廓检测模型的检测效果对比图。
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
如图1所示，本实施例的技术方案如下：
一种基于颜色和灰度特征融合的仿生型轮廓检测方法，包括以下步骤：
A、输入待检测图像，进行颜色特征的计算；将待检测图像中的各像素点的红、绿、蓝分量提取出来，并利用红、绿分量计算出各像素点的黄分量；预设中心二维高斯函数，对于各像素点，采用中心二维高斯函数分别对该像素点的红、绿、蓝、黄分量进行滤波，分别得到该像素点的各颜色分量的滤波响应值；
所述步骤A具体为：
所述的各颜色分量的滤波响应值如下：
SC(x,y)＝IC(x,y)*Gc(x,y) (1)；
其中SC(x,y)表示各颜色分量的滤波响应值，IC(x,y)表示各颜色分量值，C∈{R,G,B,Y}，分别表示红、绿、蓝、黄颜色分量，
Figure BDA0002344935070000051
σ表示空间标准差；*为卷积运算；
B、预设颜色拮抗权重，预设红绿、蓝黄两个颜色组合，红绿组合设有红/绿通道、绿/红通道，蓝黄组合设有蓝/黄通道、黄/蓝通道，对于各像素点，通过颜色拮抗权重分别对各通道进行计算拮抗计算，分别得到各像素点的红/绿通道、绿/红通道、蓝/黄通道、黄/蓝通道的单拮抗响应；
所述步骤B具体为：
各像素点各通道的单拮抗响应如下：
SOlm(x,y)＝Sl(x,y)-ωSm(x,y) (2)；
其中lm∈{RG,GR,BY,YB},即表示红/绿、绿/红、蓝/黄、黄/蓝通道，l∈{R,G,B,Y}，m∈{R,G,B,Y}分别表示同一通道的两个颜色分量；ω为颜色拮抗权重；
C、预设包含多个方向参数的的二维高斯一阶偏导函数，对于各像素点，采用二维高斯一阶偏导函数分别对其红/绿通道、绿/红通道、蓝/黄通道、黄/蓝通道的单拮抗响应进行滤波，分别得到各像素点各通道的各方向参数的双拮抗响应值；对于各像素点的各通道，分别取该像素点该通道的各方向参数的双拮抗响应值的最大值，将该最大值作为该像素点该通道的最优响应值，该最大值对应的方向参数作为该像素点该通道的最优方向；对于各像素点，选取各通道的最优响应值中的最大值，作为该像素点的颜色特征轮廓响应值，该最大值对应的的方向参数作为该像素点的颜色特征最优方向；
所述步骤C具体为：
各像素点的各方向参数的双拮抗响应值DOlm(x,y；θi)＝SOlm(x,y)*V(x,y；θi) (3)；其中
Figure BDA0002344935070000061
Figure BDA0002344935070000062
Nθ为方向参数的数目，γ为表示感受野椭圆度的常数；
各像素点的各通道的最优响应值DOlm(x,y)＝max(DOlm(x,y；θi)|i＝1,2,...Nθ) (4)；
各像素点的各通道的最优方向θlm(x,y)＝θk，k＝argmax(DOlm(x,y；θi)|i＝1,2,...Nθ) (5)；
各像素点的颜色特征轮廓响应值RP(x,y)＝max{DOlm(x,y)|lm∈{RG,GR,BY,YB}} (6)；
各像素点的颜色特征最优方向θP(x,y)＝θno(x,y) (7)；
其中no＝argmax(DOlm(x,yi)|lm∈{RG,GR,BY,YB})，no∈{RG,GR,BY,YB}；
D、对待检测图像进行灰度处理后得到灰度图像，对灰度图像进行灰度特征的计算；
预设周边二维高斯函数、中心周边拮抗强度，周边二维高斯函数的空间标准差大于中心二维高斯函数，对于各像素点，分别采用中心二维高斯函数、周边二维高斯函数对其灰度值进行二维高斯滤波，分别得到各像素点的中心响应值和周边响应值，将各像素点的中心响应值减去其周边响应值与中心周边拮抗强度的乘积，得到各像素点的灰度特征初始响应值；
所述步骤D具体为：
各像素点的灰度特征初始响应值E(x,y)＝Ig(x,y)*Gc(x,y)-α·Ig(x,y)*Gf(x,y) (8)；
其中Ig(x,y)为各像素点的灰度值，
Figure BDA0002344935070000071
α为中心周边拮抗强度；
E、对于各像素点，采用步骤C中的二维高斯一阶偏导函数对其灰度特征初始响应值进行滤波，得到各像素点的各方向参数的灰度特征经典响应值；对于各像素点，选取各方向参数的灰度特征经典响应值中的最大值，作为该像素点的灰度特征经典最优响应值，该最大值对应的的方向参数作为该像素点的灰度特征最优方向；
所述步骤E具体为：
各像素点的各方向参数的灰度特征经典响应值Rcrf(x,y；θi)＝E(x,y)*V(x,y；θi) (9)；
各像素点的灰度特征经典最优响应值Rcrf(x,y)＝max(Rcrf(x,y；θi)|i＝1,2,...Nθ) (10)；
各像素点的灰度特征最优方向θM(x,y)＝θj，j＝argmax(Rcrf(x,y；θi)|i＝1,2,...Nθ) (11)；
F、预设归一化高斯差分函数、非经典感受野拮抗强度，对于各像素点，采用归一化高斯差分函数分别对其灰度特征经典最优响应值进行滤波，其中归一化高斯差分函数的方向参数采用该像素点的灰度特征最优方向，得到该像素点的灰度特征非经典响应值；对于各像素点，将该像素点的灰度特征经典最优响应值减去灰度特征非经典响应值与非经典感受野拮抗强度的乘积，得到各像素点的灰度特征轮廓响应值；
所述步骤F具体为：
各像素点的灰度特征非经典响应值Rncrf(x,y)＝Rcrf(x,y)*W(x,y) (12)；
归一化高斯差分函数
Figure BDA0002344935070000072
其中，
Figure BDA0002344935070000073
Figure BDA0002344935070000074
其中||·||1为L1范数，H(x)＝max(0,x)；
各像素点的灰度特征非经典响应值RM(x,y)＝Rcrf(x,y)-βRncrf(x,y) (13)；
其中β为非经典感受野拮抗强度；
G、预设颜色灰度特征融合比例函数，对于各像素点，将该像素点的颜色特征轮廓响应值与灰度特征轮廓响应值求和后与颜色灰度特征融合比例函数的相乘，得到的乘积作为颜色灰度特征抑制响应值，将该像素点的颜色特征轮廓响应值减去颜色灰度特征抑制响应值，得到各像素点的最终轮廓响应值；
所述步骤G具体为：
各像素点的最终轮廓响应值O(x,y)＝(1-λ(x,y))RP(x,y)+λ(x,y)·RM(x,y) (14)；
其中颜色灰度特征融合比例函数
Figure BDA0002344935070000081
H、最终轮廓值的计算具体为：
对于各像素点，对其最终轮廓响应值进行非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。
下面将本实施例的轮廓检测方法与文献1提供的轮廓检测方法进行有效性对比，文献1如下：
文献1：Yang K F,Gao S B,Guo C F,et al.Boundary detection using double-opponency and spatial sparseness constraint[J].IEEE Transactions on ImageProcessing,2015,24(8):2565-2578.
为保证对比的有效性，对于本实施例采用与文献1中相同的非极大值抑制和双阈值处理进行最后的轮廓整合，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；
其中性能评价指标F采用文献1中给出的如下标准：
Figure BDA0002344935070000082
其中P表示精确率，R表示召回率，性能评测指标F的取值在[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。
选取伯克利分割数据集(BSDS300)随机的三幅自然图像，分别采用实施例1方案与文献1方案进行检测，对应的真实轮廓图、文献1方法检测的最优轮廓图，实施例1方法检测的最优轮廓图如图2所示；其中，文献1方法检测的最优轮廓图，实施例1方法检测的最优轮廓图中的右上角的数字为其对应的性能评价指标F的数值，表1为实施例1选用的参数值；
表1实施例1参数组表
Figure BDA0002344935070000083
Figure BDA0002344935070000091
由图2可以看出，实施例1方案的轮廓检测结果优于文献1方案。

Claims (9)

1.一种基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于包括以下步骤：
A、输入待检测图像，进行颜色特征的计算，提取待检测图像中的各颜色分量，并对各颜色分量进行滤波得到颜色分量的滤波响应值；
B、计算各像素点的基于颜色特征的单拮抗响应；
C、计算各像素点的颜色特征轮廓响应值以及颜色特征最优方向；
D、对待检测图像进行灰度处理，进行灰度特征的计算；计算各像素点的灰度特征初始响应值；
E、计算各像素点的灰度特征经典最优响应值及灰度特征最优方向；
F、计算各像素点的灰度特征轮廓响应值；
G、计算各像素点的最终轮廓响应值；
H、计算各像素点的最终轮廓值。
2.如权利要求1所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：
具体步骤如下：
A、输入待检测图像，进行颜色特征的计算；将待检测图像中的各像素点的红、绿、蓝分量提取出来，并利用红、绿分量计算出各像素点的黄分量；预设中心二维高斯函数，对于各像素点，采用中心二维高斯函数分别对该像素点的红、绿、蓝、黄分量进行滤波，分别得到该像素点的各颜色分量的滤波响应值；
B、预设颜色拮抗权重，预设红绿、蓝黄两个颜色组合，红绿组合设有红/绿通道、绿/红通道，蓝黄组合设有蓝/黄通道、黄/蓝通道，对于各像素点，通过颜色拮抗权重分别对各通道进行计算拮抗计算，分别得到各像素点的红/绿通道、绿/红通道、蓝/黄通道、黄/蓝通道的单拮抗响应；
C、预设包含多个方向参数的的二维高斯一阶偏导函数，对于各像素点，采用二维高斯一阶偏导函数分别对其红/绿通道、绿/红通道、蓝/黄通道、黄/蓝通道的单拮抗响应进行滤波，分别得到各像素点各通道的各方向参数的双拮抗响应值；对于各像素点的各通道，分别取该像素点该通道的各方向参数的双拮抗响应值的最大值，将该最大值作为该像素点该通道的最优响应值，该最大值对应的方向参数作为该像素点该通道的最优方向；对于各像素点，选取各通道的最优响应值中的最大值，作为该像素点的颜色特征轮廓响应值，该最大值对应的的方向参数作为该像素点的颜色特征最优方向；
D、对待检测图像进行灰度处理后得到灰度图像，对灰度图像进行灰度特征的计算；
预设周边二维高斯函数、中心周边拮抗强度，周边二维高斯函数的空间标准差大于中心二维高斯函数，对于各像素点，分别采用中心二维高斯函数、周边二维高斯函数对其灰度值进行二维高斯滤波，分别得到各像素点的中心响应值和周边响应值，将各像素点的中心响应值减去其周边响应值与中心周边拮抗强度的乘积，得到各像素点的灰度特征初始响应值；
E、对于各像素点，采用步骤C中的二维高斯一阶偏导函数对其灰度特征初始响应值进行滤波，得到各像素点的各方向参数的灰度特征经典响应值；对于各像素点，选取各方向参数的灰度特征经典响应值中的最大值，作为该像素点的灰度特征经典最优响应值，该最大值对应的的方向参数作为该像素点的灰度特征最优方向；
F、预设归一化高斯差分函数、非经典感受野拮抗强度，对于各像素点，采用归一化高斯差分函数分别对其灰度特征经典最优响应值进行滤波，其中归一化高斯差分函数的方向参数采用该像素点的灰度特征最优方向，得到该像素点的灰度特征非经典响应值；对于各像素点，将该像素点的灰度特征经典最优响应值减去灰度特征非经典响应值与非经典感受野拮抗强度的乘积，得到各像素点的灰度特征轮廓响应值；
G、预设颜色灰度特征融合比例函数，对于各像素点，将该像素点的颜色特征轮廓响应值与灰度特征轮廓响应值求和后与颜色灰度特征融合比例函数的相乘，得到的乘积作为颜色灰度特征抑制响应值，将该像素点的颜色特征轮廓响应值减去颜色灰度特征抑制响应值，得到各像素点的最终轮廓响应值；
H、最终轮廓值的计算具体为：
对于各像素点，对其最终轮廓响应值进行非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。
3.如权利要求2所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：
所述步骤A具体为：
所述的各颜色分量的滤波响应值如下：
SC(x,y)＝IC(x,y)*Gc(x,y) (1)；
其中SC(x,y)表示各颜色分量的滤波响应值，IC(x,y)表示各颜色分量值，C∈{R,G,B,Y}，分别表示红、绿、蓝、黄颜色分量，
Figure FDA0002344935060000021
σ表示空间标准差；*为卷积运算。
4.如权利要求3所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：
所述步骤B具体为：
各像素点各通道的单拮抗响应如下：
SOlm(x,y)＝Sl(x,y)-ωSm(x,y) (2)；
其中lm∈{RG,GR,BY,YB},即表示红/绿、绿/红、蓝/黄、黄/蓝通道，l∈{R,G,B,Y}，m∈{R,G,B,Y}分别表示同一通道的两个颜色分量；ω为颜色拮抗权重。
5.如权利要求4所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：
所述步骤C具体为：
各像素点的各方向参数的双拮抗响应值DOlm(x,y；θi)＝SOlm(x,y)*V(x,y；θi) (3)；
其中
Figure FDA0002344935060000031
Figure FDA0002344935060000032
Nθ为方向参数的数目，γ为表示感受野椭圆度的常数；
各像素点的各通道的最优响应值DOlm(x,y)＝max(DOlm(x,y；θi)|i＝1,2,...Nθ) (4)；
各像素点的各通道的最优方向θlm(x,y)＝θk，k＝argmax(DOlm(x,y；θi)|i＝1,2,...Nθ) (5)；
各像素点的颜色特征轮廓响应值RP(x,y)＝max{DOlm(x,y)|lm∈{RG,GR,BY,YB}} (6)；
各像素点的颜色特征最优方向θP(x,y)＝θno(x,y) (7)；
其中no＝argmax(DOlm(x,yi)|lm∈{RG,GR,BY,YB})，no∈{RG,GR,BY,YB}。
6.如权利要求5所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：
所述步骤D具体为：
各像素点的灰度特征初始响应值E(x,y)＝Ig(x,y)*Gc(x,y)-α·Ig(x,y)*Gf(x,y) (8)；
其中Ig(x,y)为各像素点的灰度值，
Figure FDA0002344935060000033
α为中心周边拮抗强度。
7.如权利要求6所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：
所述步骤E具体为：
各像素点的各方向参数的灰度特征经典响应值Rcrf(x,y；θi)＝E(x,y)*V(x,y；θi) (9)；
各像素点的灰度特征经典最优响应值Rcrf(x,y)＝max(Rcrf(x,y；θi)|i＝1,2,...Nθ) (10)；
各像素点的灰度特征最优方向θM(x,y)＝θj，j＝argmax(Rcrf(x,y；θi)|i＝1,2,...Nθ) (11)。
8.如权利要求7所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：所述步骤F具体为：
各像素点的灰度特征非经典响应值Rncrf(x,y)＝Rcrf(x,y)*W(x,y) (12)；
归一化高斯差分函数
Figure FDA0002344935060000041
其中，
Figure FDA0002344935060000042
Figure FDA0002344935060000043
其中||·||1为L1范数，H(x)＝max(0,x)；
各像素点的灰度特征非经典响应值RM(x,y)＝Rcrf(x,y)-βRncrf(x,y) (13)；
其中β为非经典感受野拮抗强度。
9.如权利要求8所述的基于颜色和灰度特征融合的仿生型轮廓检测方法，其特征在于：所述步骤G具体为：
各像素点的最终轮廓响应值O(x,y)＝(1-λ(x,y))RP(x,y)+λ(x,y)·RM(x,y) (14)；
其中颜色灰度特征融合比例函数
Figure FDA0002344935060000044
CN201911390972.5A 2019-12-30 2019-12-30 一种基于颜色和灰度特征融合的仿生型轮廓检测方法 Active CN111179293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911390972.5A CN111179293B (zh) 2019-12-30 2019-12-30 一种基于颜色和灰度特征融合的仿生型轮廓检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911390972.5A CN111179293B (zh) 2019-12-30 2019-12-30 一种基于颜色和灰度特征融合的仿生型轮廓检测方法

Publications (2)

Publication Number Publication Date
CN111179293A true CN111179293A (zh) 2020-05-19
CN111179293B CN111179293B (zh) 2020-10-02

Family

ID=70657518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911390972.5A Active CN111179293B (zh) 2019-12-30 2019-12-30 一种基于颜色和灰度特征融合的仿生型轮廓检测方法

Country Status (1)

Country Link
CN (1) CN111179293B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232181A (zh) * 2020-10-14 2021-01-15 北京航空航天大学 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法
CN113095334A (zh) * 2021-03-26 2021-07-09 广西科技大学 一种基于视网膜明适应机制的轮廓检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587590A (zh) * 2009-06-17 2009-11-25 复旦大学 基于脉冲余弦变换的选择性视觉注意计算模型
CN102567969A (zh) * 2011-12-28 2012-07-11 电子科技大学 一种彩色图像边缘检测方法
CN103606163A (zh) * 2013-12-04 2014-02-26 南京汇川工业视觉技术开发有限公司 基于四元数理论和canny算法的彩色图像边缘检测方法
WO2014165787A1 (en) * 2013-04-05 2014-10-09 Old Dominion University Research Foundation System and method for detection of structures
CN105957067A (zh) * 2016-04-23 2016-09-21 北京工业大学 一种基于颜色差分的彩色图像边缘检测方法
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
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
CN108010046A (zh) * 2017-12-14 2018-05-08 广西科技大学 基于改进经典感受野的仿生轮廓检测方法
CN109146901A (zh) * 2018-08-03 2019-01-04 广西科技大学 基于颜色拮抗感受野的轮廓检测方法
CN110378920A (zh) * 2019-07-17 2019-10-25 福建师范大学 一种基于视觉模型的图像轮廓提取方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587590A (zh) * 2009-06-17 2009-11-25 复旦大学 基于脉冲余弦变换的选择性视觉注意计算模型
CN102567969A (zh) * 2011-12-28 2012-07-11 电子科技大学 一种彩色图像边缘检测方法
WO2014165787A1 (en) * 2013-04-05 2014-10-09 Old Dominion University Research Foundation System and method for detection of structures
CN103606163A (zh) * 2013-12-04 2014-02-26 南京汇川工业视觉技术开发有限公司 基于四元数理论和canny算法的彩色图像边缘检测方法
CN105957067A (zh) * 2016-04-23 2016-09-21 北京工业大学 一种基于颜色差分的彩色图像边缘检测方法
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
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
CN108010046A (zh) * 2017-12-14 2018-05-08 广西科技大学 基于改进经典感受野的仿生轮廓检测方法
CN109146901A (zh) * 2018-08-03 2019-01-04 广西科技大学 基于颜色拮抗感受野的轮廓检测方法
CN110378920A (zh) * 2019-07-17 2019-10-25 福建师范大学 一种基于视觉模型的图像轮廓提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAIFU YANG 等: "Efficient Color Boundary Detection with Color-opponent Mechanisms", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
吴瑕莉 等: "一种基于颜色拮抗感受野的轮廓检测模型", 《计算机科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232181A (zh) * 2020-10-14 2021-01-15 北京航空航天大学 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法
CN112232181B (zh) * 2020-10-14 2022-08-16 北京航空航天大学 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法
CN113095334A (zh) * 2021-03-26 2021-07-09 广西科技大学 一种基于视网膜明适应机制的轮廓检测方法
CN113095334B (zh) * 2021-03-26 2022-04-01 广西科技大学 一种基于视网膜明适应机制的轮廓检测方法

Also Published As

Publication number Publication date
CN111179293B (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
Li et al. Multi-angle head pose classification when wearing the mask for face recognition under the COVID-19 coronavirus epidemic
CN108038456B (zh) 一种人脸识别系统中的防欺骗方法
CN110555465B (zh) 一种基于cnn与多特征融合的天气图像识别方法
CN101729911B (zh) 一种基于视觉感知的多视点图像颜色校正方法
CN102306384B (zh) 一种基于单幅图像的颜色恒常性处理方法
CN108446729A (zh) 基于卷积神经网络的鸡蛋胚胎分类方法
CN108021881B (zh) 一种肤色分割方法、装置和存储介质
CN111179293B (zh) 一种基于颜色和灰度特征融合的仿生型轮廓检测方法
CN103065334A (zh) 一种基于hsv颜色空间的偏色检测、校正方法及装置
CN110111288B (zh) 基于深度辅助学习的图像增强及盲图质量评价网络系统
CN107705254A (zh) 一种基于街景图的城市环境评估方法
JP2021531571A (ja) 証明書画像抽出方法及び端末機器
CN109509188B (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN110415207A (zh) 一种基于图像失真类型的图像质量评估的方法
CN111160194B (zh) 一种基于多特征融合的静态手势图像识别方法
CN111179294B (zh) 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法
CN110826380A (zh) 一种异常签名的识别方法及其系统
CN102567969B (zh) 一种彩色图像边缘检测方法
CN103150739A (zh) 一种基于多特征稳健主成分分析的视频运动对象分割算法
CN117392733B (zh) 一种痤疮分级检测方法、装置、电子设备及存储介质
CN113129390A (zh) 一种基于联合显著性的色盲图像重新着色方法及系统
WO2017101347A1 (zh) 动画视频识别与编码方法及装置
CN113609944A (zh) 一种静默活体检测方法
CN111080663B (zh) 一种基于动态感受野的仿生型轮廓检测方法

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

Application publication date: 20200519

Assignee: GUANGXI YINGTENG EDUCATION TECHNOLOGY Co.,Ltd.

Assignor: GUANGXI University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2023980053979

Denomination of invention: A biomimetic contour detection method based on color and grayscale feature fusion

Granted publication date: 20201002

License type: Common License

Record date: 20231226

EE01 Entry into force of recordation of patent licensing contract