CN111179294A - 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法 - Google Patents
一种基于x、y并行视觉通道响应的仿生型轮廓检测方法 Download PDFInfo
- Publication number
- CN111179294A CN111179294A CN201911390981.4A CN201911390981A CN111179294A CN 111179294 A CN111179294 A CN 111179294A CN 201911390981 A CN201911390981 A CN 201911390981A CN 111179294 A CN111179294 A CN 111179294A
- Authority
- CN
- China
- Prior art keywords
- type
- response value
- pixel point
- value
- 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.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 205
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 9
- 210000004027 cell Anatomy 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 11
- 210000003127 knee Anatomy 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 210000003994 retinal ganglion cell Anatomy 0.000 claims abstract description 6
- 230000002093 peripheral effect Effects 0.000 claims description 46
- 230000003042 antagnostic effect Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 10
- 230000008485 antagonism Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 3
- 208000003098 Ganglion Cysts Diseases 0.000 description 2
- 208000005400 Synovial Cyst Diseases 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000003592 biomimetic effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000036755 cellular response Effects 0.000 description 1
- 230000009956 central mechanism Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000009955 peripheral mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000001082 somatic cell Anatomy 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Abstract
本发明提供一种基于X、Y并行视觉通道响应的仿生型轮廓检测方法,包括以下步骤:A、输入经灰度处理的待检测图像,构建视网膜神经节细胞与外膝体中的X型细胞和Y型细胞仿真模型;B、X型细胞的初始响应值的计算;C、Y型细胞的初始响应值的计算;D、X、Y型细胞的经典感受野响应值的计算;E、X、Y型细胞的轮廓响应值的计算;F、最终轮廓响应值的计算;G、最终轮廓响应值的计算。该方法克服现有技术轮廓识别率低的缺陷,具有仿真效果好、轮廓识别率高的特点。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于X、Y并行视觉通道响应的仿生型轮廓检测方法。
背景技术
轮廓定义目标的形状,轮廓是目标识别中的重要任务之一,而从杂乱场景中获取的目标轮廓是一项重要且相当困难的任务,主要是因为轮廓周围通常存在大量纹理背景的边缘,因此这项工作主要需要排除由于纹理区域的无意义边缘,而保留目标轮廓。提高检测率的关键在于能基于上下文将局部信息优化整合成一致的全局特征。人类视觉系统具有快速和有效的从复杂场景中提取轮廓特征的能力,有效促进了以生物特性作为启发的轮廓检测算法研究的发展。由光引起的神经元信号起始于视网膜,这些信号经过通过视网膜的神经节细胞的轴突传递至中继站外膝体(LGN),然后由外膝体神经元直接经视放射到视皮层,形成了视觉的第一通路。生理研究表明,V1层神经元具有方位选择性,且在其经典感受野(Classical Receptive Rield,CRF)外存在非经典感受野(Non-Classical ReceptiveRield,NCRF)区域,虽然单独刺激该区域没有响应,但可以对CRF具有一定的调制作用。
Rodieck于1965年提出了关于同心圆拮抗式感受野的数学模型,它由一个兴奋作用强的中心机制和一个作用较弱但面积更大的抑制性周边机制所构成。Rodieck模型又称高斯差模型,difference oftwo Gaussians,DOG。1966年Enroth-Cugell和Robson观察猫GC可以按其反应的空间-时间总和性质而划分为两类:一类细胞反应的空间总和特性大体符合Rodieck模型,即它们的感受野兴奋和抑制作用是可以线性相加的,称X型细胞;另一类GC的空间总和性质是非线性的,Rodieck模型对其不甚适用,称为Y型细胞。Enroth-Cugell etal.发现神经节细胞中一些细胞(X型细胞)的感受野空间特性近似于线性的,而另一些细胞(Y型细胞)很大程度上表现出非线性的空间特征,这些特性同样存在于外膝体细胞中。目前许多受生物学启发的轮廓检测模型都只是简单地模拟视觉系统中生理特性的一部分,在轮廓提取的过程中,轮廓信息的缺失以及纹理信息不能完全被抑制这类问题依旧存在,表明轮廓检测性能还需要进一步的提高。
发明内容
本发明旨在提供一种基于X、Y并行视觉通道响应的仿生型轮廓检测方法,该方法克服现有技术仿真效果差、轮廓识别率低的缺陷,具有仿真效果好、轮廓识别率高的特点。
本发明的技术方案如下:一种基于X、Y并行视觉通道响应的仿生型轮廓检测方法,包括以下步骤:A、输入待检测图像,构建视网膜神经节细胞与外膝体中的X型细胞和Y型细胞仿真模型;B、对X型细胞的初始响应值进行计算;C、对Y型细胞的初始响应值进行计算;D、结合X型细胞的初始响应值、Y型细胞的初始响应值对X、Y型细胞的经典感受野响应值进行计算;E、对X、Y型细胞的轮廓响应值进行计算;F、对最终轮廓响应值的计算;G、对最终轮廓值进行计算。
优选地,基于X、Y并行视觉通道响应的仿生型轮廓检测方法,包括以下步骤:
A、输入经灰度处理的待检测图像,构建视网膜神经节细胞与外膝体中的X型细胞和Y型细胞仿真模型;
B、X型细胞的初始响应值的计算:
预设X型中心二维高斯函数、X型周边二维高斯函数、X型中心周边拮抗强度,X型周边二维高斯函数的空间标准差大于X型中心二维高斯函数,对于各像素点,分别采用X型中心二维高斯函数、X型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X型中心响应值和X型周边响应值,将各像素点的X型中心响应值减去其X型周边响应值与X型中心周边拮抗强度的乘积,得到各像素点的X型初始响应值;
C、Y型细胞的初始响应值的计算:
预设Y型中心二维高斯函数、Y型周边二维高斯函数、Y型中心周边拮抗强度,Y型中心二维高斯函数的空间标准差大于X型中心二维高斯函数,Y型周边二维高斯函数的空间标准差大于Y型中心二维高斯函数;对于各像素点,分别采用Y型中心二维高斯函数进行二维高斯滤波,得到各像素点的Y型的中心响应值;预设圆形的的亚单元区域,对于各像素点,采用X型中心二维高斯函数分别对以该像素点为中心的亚单元区域内的各像素点的Y型的中心响应值进行二维高斯滤波,并将得到的全部响应值求和取均值,得到各像素点的Y型亚单元总响应值;对于各像素点,采用Y型周边二维高斯函数对其Y型亚单元总响应值进行二维高斯滤波,得到各像素点的Y型亚单元抑制响应值;对于各像素点,将其Y型亚单元总响应值减去其Y型亚单元抑制响应值与Y型中心周边拮抗强度的乘积,得到各像素点的Y型初始响应值;
D、X、Y型细胞的经典感受野响应值的计算:
预设分别与X型细胞、Y型细胞相对应的包含多个方向参数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X型初始响应值、Y型初始响应值进行滤波,得到各像素点各方向参数的X型经典感受野初始响应值、Y型经典感受野初始响应值;对于各像素点,分别在其各方向参数的X型经典感受野初始响应值及Y型经典感受野初始响应值中取最大值,分别作为该像素点的X型经典感受野响应值、Y型经典感受野响应值;
E、X、Y型细胞的轮廓响应值的计算:
预设分别与X型细胞、Y型细胞相对应的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X型经典感受野响应值、Y型经典感受野响应值进行滤波,得到各像素点的X型非经典感受野响应值、Y型非经典感受野响应值;对于各像素点,将其X型经典感受野响应值、Y型经典感受野响应值分别减去X型非经典感受野响应值与非经典感受野拮抗强度的乘积、Y型非经典感受野响应值与非经典感受野拮抗强度的乘积,分别得到X型轮廓响应值、Y型轮廓响应值;
F、最终轮廓响应值的计算:
预设局部区域、局部亮度对比度函数、亮度对比度阈值,所述的局部区域为方形;对于各像素点,采用局部亮度对比度函数对以其为中心的局部区域内的各像素点的灰度值进行计算,得到各像素点的局部亮度对比度;对于各像素点,对其局部亮度对比度进行归一化处理,得到各像素点的局部亮度对比度归一值;对于各像素点,若其局部亮度对比度归一值大于或等于亮度对比度阈值,则将其X型轮廓响应值作为该像素点的最终轮廓响应值,若其局部亮度对比度归一值小于亮度对比度阈值,则将其Y型轮廓响应值作为该像素点的最终轮廓响应值;
G、最终轮廓响应值的计算:
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,所述的步骤B具体如下:
所述的X型初始响应值RX(x,y)=I(x,y)*Gxc(x,y)-αx·I(x,y)*Gxf(x,y) (1);
其中I(x,y)为各像素点的灰度值,*为卷积运算;
σx为X型细胞的空间标准差;αx为X型中心周边拮抗强度。
优选地,所述的步骤C如下:
所述的Y型的中心响应值CY(x,y)=I(x,y)*Gyc(x,y) (2);
Y型初始响应值RY(x,y)=NY(x,y)-αy·NY(x,y)*Gyf(x,y) (4);
αy为Y型中心周边拮抗强度。
优选地,所述的步骤D如下:
X型经典感受野初始响应值CRFX(x,y,θi)=|RX(x,y)*VX(x,y,θi)| (5);
Y型经典感受野初始响应值CRFY(x,y,θi)=|RY(x,y)*VY(x,y,θi)| (6);
X型经典感受野响应值CRFX(x,y)=max(CRFX(x,y,θi)|i=1,2,…Nθ) (7);
Y型经典感受野响应值CRFY(x,y)=max(CRFY(x,y,θi)|i=1,2,…Nθ) (8)。
优选地,所述的步骤E如下:
X型轮廓响应值ResX(x,y)=CRFX(x,y)-β·CRFX(x,y)*wX(x,y) (9);
Y型轮廓响应值ResY(x,y)=CRFY(x,y)-β·CRFY(x,y)*wY(x,y) (10);
其中||·||1为L1范数,H(x)=max(0,x),β为非经典感受野拮抗强度。
优选地,所述的步骤F如下:
其中s2表示以当前像素点为中心的11*11像素的方形局部区域,f(xj,yj)表示区域s2内的各像素点的灰度值,j表示区域s2内的相对坐标,j∈[-5,5];
其中ΔCmax(x,y)为各个像素点的局部亮度对比度ΔC(x,y)中的最大值,ΔCmin(x,y)为各个像素点的局部亮度对比度ΔC(x,y)中的最小值;
本发明对分别对X型细胞及Y型细胞进行的感受响应进行模拟,通过中心及周边响应的差异计算X型细胞的初始响应;同时还基于Y型细胞感受野比X型细胞大的特点,对于Y型细胞选用更大的感受野空间标准差,并采用亚单元区域对Y型细胞进行计算,以模拟Y型细胞的整流特性;而后通过DOG模板对X、Y型细胞的初始响应进行滤波,以模拟非经典感受野的响应;最后通过引入局部亮度对比度函数,对X、Y型细胞的双通道进行整合,通过阈值判断选择X型或Y型细胞的轮廓响应,实现X、Y型细胞的双通道的合理融合,提高轮廓检测的成功率。
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
下面结合实施例具体说明本发明。
实施例1
如图1所示,本实施例提供的基于X、Y并行视觉通道响应的仿生型轮廓检测方法,包括以下步骤:
A、输入经灰度处理的待检测图像,构建视网膜神经节细胞与外膝体中的X型细胞和Y型细胞仿真模型;
B、X型细胞的初始响应值的计算:
预设X型中心二维高斯函数、X型周边二维高斯函数、X型中心周边拮抗强度,X型周边二维高斯函数的空间标准差大于X型中心二维高斯函数,对于各像素点,分别采用X型中心二维高斯函数、X型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X型中心响应值和X型周边响应值,将各像素点的X型中心响应值减去其X型周边响应值与X型中心周边拮抗强度的乘积,得到各像素点的X型初始响应值;
所述的步骤C具体如下:
所述的X型初始响应值RX(x,y)=I(x,y)*Gxc(x,y)-αx·I(x,y)*Gxf(x,y) (1);
其中I(x,y)为各像素点的灰度值,*为卷积运算;
σx为X型细胞的空间标准差;αx为X型中心周边拮抗强度;
C、Y型细胞的初始响应值的计算:
预设Y型中心二维高斯函数、Y型周边二维高斯函数、Y型中心周边拮抗强度,Y型中心二维高斯函数的空间标准差大于X型中心二维高斯函数,Y型周边二维高斯函数的空间标准差大于Y型中心二维高斯函数;对于各像素点,分别采用Y型中心二维高斯函数进行二维高斯滤波,得到各像素点的Y型的中心响应值;预设圆形的的亚单元区域,对于各像素点,采用X型中心二维高斯函数分别对以该像素点为中心的亚单元区域内的各像素点的Y型的中心响应值进行二维高斯滤波,并将得到的全部响应值求和取均值,得到各像素点的Y型亚单元总响应值;对于各像素点,采用Y型周边二维高斯函数对其Y型亚单元总响应值进行二维高斯滤波,得到各像素点的Y型亚单元抑制响应值;对于各像素点,将其Y型亚单元总响应值减去其Y型亚单元抑制响应值与Y型中心周边拮抗强度的乘积,得到各像素点的Y型初始响应值;
所述的步骤C具体如下:
所述的Y型的中心响应值CY(x,y)=I(x,y)*Gyc(x,y) (2);
Y型初始响应值RY(x,y)=NY(x,y)-αy·NY(x,y)*Gyf(x,y) (4);
αy为Y型中心周边拮抗强度;
D、X、Y型细胞的经典感受野响应值的计算:
预设分别与X型细胞、Y型细胞相对应的包含多个方向参数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X型初始响应值、Y型初始响应值进行滤波,得到各像素点各方向参数的X型经典感受野初始响应值、Y型经典感受野初始响应值;对于各像素点,分别在其各方向参数的X型经典感受野初始响应值及Y型经典感受野初始响应值中取最大值,分别作为该像素点的X型经典感受野响应值、Y型经典感受野响应值;
所示的步骤D具体如下:
X型经典感受野初始响应值CRFX(x,y,θi)=|RX(x,y)*VX(x,y,θi)| (5);
Y型经典感受野初始响应值CRFY(x,y,θi)=|RY(x,y)*VY(x,y,θi)| (6);
X型经典感受野响应值CRFX(x,y)=max(CRFX(x,y,θi)|i=1,2,…Nθ) (7);
Y型经典感受野响应值CRFY(x,y)=max(CRFY(x,y,θi)|i=1,2,…Nθ) (8);
E、X、Y型细胞的轮廓响应值的计算:
预设分别与X型细胞、Y型细胞相对应的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X型经典感受野响应值、Y型经典感受野响应值进行滤波,得到各像素点的X型非经典感受野响应值、Y型非经典感受野响应值;对于各像素点,将其X型经典感受野响应值、Y型经典感受野响应值分别减去X型非经典感受野响应值与非经典感受野拮抗强度的乘积、Y型非经典感受野响应值与非经典感受野拮抗强度的乘积,分别得到X型轮廓响应值、Y型轮廓响应值;
所述的步骤E具体如下:
X型轮廓响应值ResX(x,y)=CRFX(x,y)-β·CRFX(x,y)*wX(x,y) (9);
Y型轮廓响应值ResY(x,y)=CRFY(x,y)-β·CRFY(x,y)*wY(x,y) (10);
其中||·||1为L1范数,H(x)=max(0,x),β为非经典感受野拮抗强度;
F、最终轮廓响应值的计算:
预设局部区域、局部亮度对比度函数、亮度对比度阈值,所述的局部区域为方形;对于各像素点,采用局部亮度对比度函数对以其为中心的局部区域内的各像素点的灰度值进行计算,得到各像素点的局部亮度对比度;对于各像素点,对其局部亮度对比度进行归一化处理,得到各像素点的局部亮度对比度归一值;对于各像素点,若其局部亮度对比度归一值大于或等于亮度对比度阈值,则将其X型轮廓响应值作为该像素点的最终轮廓响应值,若其局部亮度对比度归一值小于亮度对比度阈值,则将其Y型轮廓响应值作为该像素点的最终轮廓响应值;
所示的步骤F具体如下:
其中s2表示以当前像素点为中心的11*11像素的方形局部区域,f(xj,yj)表示区域s2内的各像素点的灰度值,j表示区域s2内的相对坐标,j∈[-5,5];
其中ΔCmax(x,y)为各个像素点的局部亮度对比度ΔC(x,y)中的最大值,ΔCmin(x,y)为各个像素点的局部亮度对比度ΔC(x,y)中的最小值;
G、最终轮廓响应值的计算:
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:
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
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 (7)
1.一种基于X、Y并行视觉通道响应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,构建视网膜神经节细胞与外膝体中的X型细胞和Y型细胞仿真模型;
B、对X型细胞的初始响应值进行计算;
C、对Y型细胞的初始响应值进行计算;
D、结合X型细胞的初始响应值、Y型细胞的初始响应值对X、Y型细胞的经典感受野响应值进行计算;
E、对X、Y型细胞的轮廓响应值进行计算;
F、对最终轮廓响应值的计算;
G、对最终轮廓值进行计算。
2.一种基于X、Y并行视觉通道响应的仿生型轮廓检测方法,其特征在于:
A、输入经灰度处理的待检测图像,并构建视网膜神经节细胞与外膝体中的X型细胞和Y型细胞仿真模型;
B、X型细胞的初始响应值的计算具体为:
预设X型中心二维高斯函数、X型周边二维高斯函数、X型中心周边拮抗强度,X型周边二维高斯函数的空间标准差大于X型中心二维高斯函数,对于各像素点,分别采用X型中心二维高斯函数、X型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X型中心响应值和X型周边响应值,将各像素点的X型中心响应值减去其X型周边响应值与X型中心周边拮抗强度的乘积,得到各像素点的X型初始响应值;
C、Y型细胞的初始响应值的计算具体为:
预设Y型中心二维高斯函数、Y型周边二维高斯函数、Y型中心周边拮抗强度,Y型中心二维高斯函数的空间标准差大于X型中心二维高斯函数,Y型周边二维高斯函数的空间标准差大于Y型中心二维高斯函数;对于各像素点,分别采用Y型中心二维高斯函数进行二维高斯滤波,得到各像素点的Y型的中心响应值;预设圆形的的亚单元区域,对于各像素点,采用X型中心二维高斯函数分别对以该像素点为中心的亚单元区域内的各像素点的Y型的中心响应值进行二维高斯滤波,并将得到的全部响应值求和取均值,得到各像素点的Y型亚单元总响应值;对于各像素点,采用Y型周边二维高斯函数对其Y型亚单元总响应值进行二维高斯滤波,得到各像素点的Y型亚单元抑制响应值;对于各像素点,将其Y型亚单元总响应值减去其Y型亚单元抑制响应值与Y型中心周边拮抗强度的乘积,得到各像素点的Y型初始响应值;
D、X、Y型细胞的经典感受野响应值的计算具体为:
预设分别与X型细胞、Y型细胞相对应的包含多个方向参数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X型初始响应值、Y型初始响应值进行滤波,得到各像素点各方向参数的X型经典感受野初始响应值、Y型经典感受野初始响应值;对于各像素点,分别在其各方向参数的X型经典感受野初始响应值及Y型经典感受野初始响应值中取最大值,分别作为该像素点的X型经典感受野响应值、Y型经典感受野响应值;
E、X、Y型细胞的轮廓响应值的计算具体为:
预设分别与X型细胞、Y型细胞相对应的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X型经典感受野响应值、Y型经典感受野响应值进行滤波,得到各像素点的X型非经典感受野响应值、Y型非经典感受野响应值;对于各像素点,将其X型经典感受野响应值、Y型经典感受野响应值分别减去X型非经典感受野响应值与非经典感受野拮抗强度的乘积、Y型非经典感受野响应值与非经典感受野拮抗强度的乘积,分别得到X型轮廓响应值、Y型轮廓响应值;
F、最终轮廓响应值的计算具体为:
预设局部区域、局部亮度对比度函数、亮度对比度阈值,所述的局部区域为方形;对于各像素点,采用局部亮度对比度函数对以其为中心的局部区域内的各像素点的灰度值进行计算,得到各像素点的局部亮度对比度;对于各像素点,对其局部亮度对比度进行归一化处理,得到各像素点的局部亮度对比度归一值;对于各像素点,若其局部亮度对比度归一值大于或等于亮度对比度阈值,则将其X型轮廓响应值作为该像素点的最终轮廓响应值,若其局部亮度对比度归一值小于亮度对比度阈值,则将其Y型轮廓响应值作为该像素点的最终轮廓响应值;
G、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。
4.如权利要求3所述的基于X、Y并行视觉通道响应的仿生型轮廓检测方法,其特征在于:
所述的步骤C具体如下:
所述的Y型的中心响应值CY(x,y)=I(x,y)*Gyc(x,y) (2);
Y型初始响应值RY(x,y)=NY(x,y)-αy·NY(x,y)*Gyf(x,y) (4);
αy为Y型中心周边拮抗强度。
5.如权利要求4所述的基于X、Y并行视觉通道响应的仿生型轮廓检测方法,其特征在于:
所述的步骤D具体如下:
X型经典感受野初始响应值CRFX(x,y,θi)=|RX(x,y)*VX(x,y,θi)| (5);
Y型经典感受野初始响应值CRFY(x,y,θi)=|RY(x,y)*VY(x,y,θi)| (6);
X型经典感受野响应值CRFX(x,y)=max(CRFX(x,y,θi)|i=1,2,…Nθ) (7);
Y型经典感受野响应值CRFY(x,y)=max(CRFY(x,y,θi)|i=1,2,…Nθ) (8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911390981.4A CN111179294B (zh) | 2019-12-30 | 2019-12-30 | 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911390981.4A CN111179294B (zh) | 2019-12-30 | 2019-12-30 | 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179294A true CN111179294A (zh) | 2020-05-19 |
CN111179294B CN111179294B (zh) | 2020-09-15 |
Family
ID=70648986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911390981.4A Active CN111179294B (zh) | 2019-12-30 | 2019-12-30 | 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179294B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132763A (zh) * | 2020-09-22 | 2020-12-25 | 中国科学院合肥物质科学研究院 | 基于人眼双拮抗色彩恒常的水下图像复原方法及系统 |
CN113076954A (zh) * | 2021-03-26 | 2021-07-06 | 广西科技大学 | 一种基于视杆细胞暗适应的轮廓检测方法 |
CN113192092A (zh) * | 2021-05-07 | 2021-07-30 | 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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010027476A1 (en) * | 2008-09-03 | 2010-03-11 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN105809173A (zh) * | 2016-03-09 | 2016-07-27 | 中南大学 | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 |
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 |
CN107067407A (zh) * | 2017-04-11 | 2017-08-18 | 广西科技大学 | 基于非经典感受野和线性非线性调制的轮廓检测方法 |
CN107610086A (zh) * | 2016-07-12 | 2018-01-19 | 天津超众机器人科技有限公司 | 一种基于仿生复眼结构的工业并联机器人快速视觉检测算法 |
CN107766866A (zh) * | 2017-11-07 | 2018-03-06 | 广西科技大学 | 基于感受野子区域的方向选择性轮廓检测方法 |
CN109949324A (zh) * | 2019-02-01 | 2019-06-28 | 广西科技大学 | 基于非经典感受野非线性亚单元响应的轮廓检测方法 |
-
2019
- 2019-12-30 CN CN201911390981.4A patent/CN111179294B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010027476A1 (en) * | 2008-09-03 | 2010-03-11 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN105809173A (zh) * | 2016-03-09 | 2016-07-27 | 中南大学 | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 |
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 |
CN107610086A (zh) * | 2016-07-12 | 2018-01-19 | 天津超众机器人科技有限公司 | 一种基于仿生复眼结构的工业并联机器人快速视觉检测算法 |
CN107067407A (zh) * | 2017-04-11 | 2017-08-18 | 广西科技大学 | 基于非经典感受野和线性非线性调制的轮廓检测方法 |
CN107766866A (zh) * | 2017-11-07 | 2018-03-06 | 广西科技大学 | 基于感受野子区域的方向选择性轮廓检测方法 |
CN109949324A (zh) * | 2019-02-01 | 2019-06-28 | 广西科技大学 | 基于非经典感受野非线性亚单元响应的轮廓检测方法 |
Non-Patent Citations (1)
Title |
---|
郭策锋: "基于中高级视觉机理的轮廓检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132763A (zh) * | 2020-09-22 | 2020-12-25 | 中国科学院合肥物质科学研究院 | 基于人眼双拮抗色彩恒常的水下图像复原方法及系统 |
CN112132763B (zh) * | 2020-09-22 | 2023-10-20 | 中国科学院合肥物质科学研究院 | 基于人眼双拮抗色彩恒常的水下图像复原方法及系统 |
CN113076954A (zh) * | 2021-03-26 | 2021-07-06 | 广西科技大学 | 一种基于视杆细胞暗适应的轮廓检测方法 |
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 |
CN113192092A (zh) * | 2021-05-07 | 2021-07-30 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111179294B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN104166861B (zh) | 一种行人检测方法 | |
CN104318558B (zh) | 复杂场景下基于多信息融合的手势分割方法 | |
CN108491835A (zh) | 面向面部表情识别的双通道卷积神经网络 | |
CN107851193B (zh) | 混合机器学习系统 | |
CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
CN106033610B (zh) | 基于非经典感受野空间总和调制的轮廓检测方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN105320917B (zh) | 一种基于头肩轮廓及bp神经网络的行人检测及跟踪方法 | |
CN101261677A (zh) | 人脸和虹膜混合识别的新方法——特征提取层融合 | |
CN102306384A (zh) | 一种基于单幅图像的颜色恒常性处理方法 | |
CN105046202B (zh) | 自适应的人脸识别光照处理方法 | |
CN107067407B (zh) | 基于非经典感受野和线性非线性调制的轮廓检测方法 | |
CN106127740A (zh) | 一种基于视通路多感受野朝向性关联的轮廓检测方法 | |
Fang et al. | From stereogram to surface: how the brain sees the world in depth. | |
CN101980314A (zh) | 公交专座智能提示装置与方法 | |
CN111080663B (zh) | 一种基于动态感受野的仿生型轮廓检测方法 | |
Karacs et al. | Bionic eyeglass: an audio guide for visually impaired | |
Wang et al. | An edge detection method by combining fuzzy logic and neural network | |
Manaf et al. | Color recognition system with augmented reality concept and finger interaction: Case study for color blind aid system | |
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 | |
CN111161291A (zh) | 基于目标景深信息的轮廓检测方法 | |
CN110674675A (zh) | 一种行人面部反欺诈方法 | |
CN113362356B (zh) | 一种基于双侧注意通路的显著轮廓提取方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200519 Assignee: HUALI FAMILY PRODUCTS CO.,LTD. Assignor: GUANGXI University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980054119 Denomination of invention: A biomimetic contour detection method based on X and Y parallel visual channel response Granted publication date: 20200915 License type: Common License Record date: 20231226 |