CN111968139B - 基于初级视觉皮层固视微动机制的轮廓检测方法 - Google Patents
基于初级视觉皮层固视微动机制的轮廓检测方法 Download PDFInfo
- Publication number
- CN111968139B CN111968139B CN202010578385.5A CN202010578385A CN111968139B CN 111968139 B CN111968139 B CN 111968139B CN 202010578385 A CN202010578385 A CN 202010578385A CN 111968139 B CN111968139 B CN 111968139B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gaussian
- response
- offset
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 17
- 210000000977 primary visual cortex Anatomy 0.000 title claims abstract description 15
- 230000001629 suppression Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000005764 inhibitory process Effects 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明旨在提供一种基于初级视觉皮层固视微动机制的轮廓检测方法,包括以下步骤:A、输入经灰度处理得到的待检测图像,预设多个方向参数的高斯一阶导函数,预设高斯一阶导函数的模板中心的轴向偏移量,预设四个高斯一阶导函数的偏移中心,计算得到对应的四个高斯一阶导偏移函数;B、对于待检测图像的各像素点,计算得到各像素点的经典感受野响应;C、预设距离权重函数、抑制系数,计算得到各个像素点的抑制响应;D、将各个像素点的经典感受野响应减去该像素点的抑制响应,得到各像素点的轮廓响应,进而得到最终轮廓图。该轮廓检测方法克服现有技术缺陷,具有仿真性强、检测准确率高的特点。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于初级视觉皮层固视微动机制的轮廓检测方法。
背景技术
轮廓检测是计算机视觉领域的一个基本任务,不同于被定义为强烈的亮度变化所表征的边缘,轮廓通常表示一个目标到其他目标的边界。受生物启发的轮廓检测模型是目前主流的研究方向之一,但大都只是简单地模拟视觉系统中生理特性的一部分,而对于固视微动机制在轮廓检测中的作用缺乏研究,造成了一定程度上轮廓信息的缺失以及纹理信息的增强这类问题,从而不能较好地保证目标轮廓的完整性。而少有的考虑固视微动生理机制的方案则是注重在非经典感受野区域对纹理抑制的作用效果,而忽略了在视觉细胞经典感受野区域的应用。
发明内容
本发明旨在提供一种基于初级视觉皮层固视微动机制的轮廓检测方法,该轮廓检测方法克服现有技术缺陷,具有仿真性强、检测准确率高的特点。
本发明的技术方案如下:
一种基于初级视觉皮层固视微动机制的轮廓检测方法,包括以下步骤:
A、输入经灰度处理得到的待检测图像,预设多个方向参数的高斯一阶导函数,预设高斯一阶导函数的模板中心的轴向偏移量,预设四个高斯一阶导函数的偏移中心,各偏移中心分别位于以模板中心为原点的直角坐标系的四个象限,各偏移中心的横坐标、纵坐标的值与模板中心的轴向偏移量相同,将各偏移中心的坐标代入高斯一阶导函数,得到对应的四个高斯一阶导偏移函数;
B、对于待检测图像的各像素点:将该像素点的灰度值分别与高斯一阶导函数、四个高斯一阶导偏移函数卷积后分别得到该像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应,对于该像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应,选取各方向参数的对应的上述五个响应的最大值,作为该像素点的该方向参数的经典感受野响应;对于该像素点的各方向参数的经典感受野响应,选取其中的最大值作为该像素点的经典感受野响应;
C、预设距离权重函数、抑制系数,对于各像素点:将该像素点的经典感受野刺激响应与距离权重函数进行卷积后与抑制系数相乘,得到各个像素点的抑制响应;
D、将各个像素点的经典感受野响应减去该像素点的抑制响应,得到各像素点的轮廓响应,对轮廓响应使用非极大值抑制和双阈值处理,得到各个像素点的最终轮廓值,由各个像素点的最终轮廓值构成最终轮廓图。
优选地,所述的步骤A的高斯一阶导函数以及四个高斯一阶导偏移函数的统一表达式如下:
其中四个偏移中心以及模板中心的坐标如下:
轴向偏移量D为:
优选地,所述的步骤B中的各像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应的统一表达式如下:
e(xj,yj;θi)=|I(x,y)*RF(xj,yj;θi)| (2);
I(x,y)为待检测图像的各像素点的灰度值;
各像素点的各方向参数的经典感受野响应的表达式如下:
e(x,y;θi)=max{e(xj,yj;θi)|j=1,2,3,4,5} (3);
各像素点的经典感受野响应的表达式如下:
E(x,y)=max{e(x,y;θi)|i=1,2,...Nθ} (4)。
优选地,所述的步骤C中的距离权重函数的表达式为:
||·||1为L1范数,H(x)=max(0,x);
所述的各像素点的抑制响应Inh(x,y)为:
Inh(x,y)=αE(x,y)*wσ(x,y) (6);
其中H(x)=max(0,x),α为抑制系数。
优选地,所述的各像素点的轮廓响应的表达式如下:
R(x,y)=E(x,y)-Inh(x,y)。
本发明通过高斯一阶导函数的模板中心的偏移,实现基于初级视觉皮层对人眼固视微动机制进行模拟,从而减少背景纹理的响应,最大程度的提高轮廓检测的性能;并且,通过灰度图的局部特征结合感受野大小计算模板中心的轴向偏移量,既结合了模板中心周边的灰度特征,又使偏移量与感受野大小相匹配,使得对固视微动机制的模拟更为逼真;同时,偏移量的计算中结合高斯函数滤波函数,既能去除噪声,又能使偏移量的计算更精准;另一方面考虑到偏移量由局部特征决定更符合生理特性。综上所述,本发明方案通过模拟了经典感受野在轮廓检测过程中的固视微动特性,从一定程度上加强了对目标轮廓的保护,为后续的纹理抑制提供了更加有效的信息,从而进一步的提高了轮廓检测的性能。
附图说明
图1为本发明提供的基于初级视觉皮层固视微动机制的轮廓检测方法的模板中心偏移示意图;
图2为本发明提供的基于初级视觉皮层固视微动机制的轮廓检测方法的轮廓检测效果对比图。
具体实施方式
下面结合附图和实施例具体本说明本发明。
实施例1
本实施例提供的基于初级视觉皮层固视微动机制的轮廓检测方法,包括以下步骤:
A、输入经灰度处理得到的待检测图像,预设多个方向参数的高斯一阶导函数,预设高斯一阶导函数的模板中心的轴向偏移量,预设四个高斯一阶导函数的偏移中心,各偏移中心分别位于以模板中心为原点的直角坐标系的四个象限,各偏移中心的横坐标、纵坐标的值与模板中心的轴向偏移量相同,将各偏移中心的坐标代入高斯一阶导函数,得到对应的四个高斯一阶导偏移函数;
所述的步骤A的高斯一阶导函数以及四个高斯一阶导偏移函数的统一表达式如下:
其中四个偏移中心以及模板中心的坐标如下:
轴向偏移量D为:
B、对于待检测图像的各像素点:将该像素点的灰度值分别与高斯一阶导函数、四个高斯一阶导偏移函数卷积后分别得到该像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应,对于该像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应,选取各方向参数的对应的上述五个响应的最大值,作为该像素点的该方向参数的经典感受野响应;对于该像素点的各方向参数的经典感受野响应,选取其中的最大值作为该像素点的经典感受野响应;
所述的步骤B中的各像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应的统一表达式如下:
e(xj,yj;θi)=|I(x,y)*RF(xj,yj;θi)| (2);
I(x,y)为待检测图像的各像素点的灰度值;
各像素点的各方向参数的经典感受野响应的表达式如下:
e(x,y;θi)=max{e(xj,yj;θi)|j=1,2,3,4,5} (3);
各像素点的经典感受野响应的表达式如下:
E(x,y)=max{e(x,y;θi)|i=1,2,...Nθ} (4);
C、预设距离权重函数、抑制系数,对于各像素点:将该像素点的经典感受野刺激响应与距离权重函数进行卷积后与抑制系数相乘,得到各个像素点的抑制响应;
所述的步骤C中的距离权重函数的表达式为:
||·||1为L1范数,H(x)=max(0,x);
所述的各像素点的抑制响应Inh(x,y)为:
Inh(x,y)=αE(x,y)*wσ(x,y) (6);
其中H(x)=max(0,x),α为抑制系数;
D、将各个像素点的经典感受野响应减去该像素点的抑制响应,得到各像素点的轮廓响应,对轮廓响应使用非极大值抑制和双阈值处理,得到各个像素点的最终轮廓值,由各个像素点的最终轮廓值构成最终轮廓图;
所述的步骤D中的各像素点的轮廓响应的表达式如下:
R(x,y)=E(x,y)-Inh(x,y)。
如图1所示,点a,b,c,d分别为四个偏移的中心点;
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,Li C Y,Li Y J.Multifeature-based surround inhibitionimproves contour detection in natural images[J].IEEE Transactions on ImageProcessing,2014,23(12):5020-5032;
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2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3幅自然图像及其对应的真实轮廓图,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及对比文件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 (5)
1.一种基于初级视觉皮层固视微动机制的轮廓检测方法,其特征在于包括以下步骤:
A、输入经灰度处理得到的待检测图像,预设多个方向参数的高斯一阶导函数,预设高斯一阶导函数的模板中心的轴向偏移量,预设四个高斯一阶导函数的偏移中心,各偏移中心分别位于以模板中心为原点的直角坐标系的四个象限,各偏移中心的横坐标、纵坐标的值与模板中心的轴向偏移量相同,将各偏移中心的坐标代入高斯一阶导函数,得到对应的四个高斯一阶导偏移函数;
B、对于待检测图像的各像素点:将该像素点的灰度值分别与高斯一阶导函数、四个高斯一阶导偏移函数卷积后分别得到该像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应,对于该像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应,选取各方向参数的对应的上述五个响应的最大值,作为该像素点的该方向参数的经典感受野响应;对于该像素点的各方向参数的经典感受野响应,选取其中的最大值作为该像素点的经典感受野响应;
C、预设距离权重函数、抑制系数,对于各像素点:将该像素点的经典感受野刺激响应与距离权重函数进行卷积后与抑制系数相乘,得到各个像素点的抑制响应;
D、将各个像素点的经典感受野响应减去该像素点的抑制响应,得到各像素点的轮廓响应,对轮廓响应使用非极大值抑制和双阈值处理,得到各个像素点的最终轮廓值,由各个像素点的最终轮廓值构成最终轮廓图。
3.如权利要求2所述的基于初级视觉皮层固视微动机制的轮廓检测方法,其特征在于:
所述的步骤B中的各像素点的各方向参数的高斯一阶导函数响应以及四个高斯一阶导函数偏移响应的统一表达式如下:
e(xj,yj;θi)=|I(x,y)*RF(xj,yj;θi)| (2);
I(x,y)为待检测图像的各像素点的灰度值;
各像素点的各方向参数的经典感受野响应的表达式如下:
e(x,y;θi)=max{e(xj,yj;θi)|j=1,2,3,4,5} (3);
各像素点的经典感受野响应的表达式如下:
E(x,y)=max{e(x,y;θi)|i=1,2,...Nθ} (4)。
5.如权利要求4所述的基于初级视觉皮层固视微动机制的轮廓检测方法,其特征在于:
所述的步骤D中的各像素点的轮廓响应的表达式如下:
R(x,y)=E(x,y)-Inh(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578385.5A CN111968139B (zh) | 2020-06-23 | 2020-06-23 | 基于初级视觉皮层固视微动机制的轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578385.5A CN111968139B (zh) | 2020-06-23 | 2020-06-23 | 基于初级视觉皮层固视微动机制的轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968139A CN111968139A (zh) | 2020-11-20 |
CN111968139B true CN111968139B (zh) | 2023-06-13 |
Family
ID=73362024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010578385.5A Active CN111968139B (zh) | 2020-06-23 | 2020-06-23 | 基于初级视觉皮层固视微动机制的轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968139B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473759A (zh) * | 2013-06-24 | 2013-12-25 | 南京理工大学 | 一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法 |
CN107067408A (zh) * | 2017-04-11 | 2017-08-18 | 广西科技大学 | 模拟人眼微动的图像轮廓检测方法 |
CN107742302A (zh) * | 2017-11-13 | 2018-02-27 | 广西科技大学 | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 |
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 |
CN110929734A (zh) * | 2019-10-15 | 2020-03-27 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8416992B2 (en) * | 2005-01-10 | 2013-04-09 | Thomson Licensing | Device and method for creating a saliency map of an image |
-
2020
- 2020-06-23 CN CN202010578385.5A patent/CN111968139B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473759A (zh) * | 2013-06-24 | 2013-12-25 | 南京理工大学 | 一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法 |
CN107067408A (zh) * | 2017-04-11 | 2017-08-18 | 广西科技大学 | 模拟人眼微动的图像轮廓检测方法 |
CN107742302A (zh) * | 2017-11-13 | 2018-02-27 | 广西科技大学 | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 |
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 |
CN110929734A (zh) * | 2019-10-15 | 2020-03-27 | 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 |
Non-Patent Citations (6)
Title |
---|
Contour detection model based on neuron behavior in primary visual cortex;Chuan Lin et al;《IET Computer Vision》;第12卷(第6期);863-872 * |
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》;第46卷(第2期);264-273 * |
基于固视微动与初级视皮层神经机制的轮廓检测模型;万术娟;《广西科技大学学报》;第31卷(第4期);83-90 * |
基于视觉感知机制的轮廓检测方法;蔡超等;《华中科技大学学报(自然科学版)》;第39卷(第7期);22-25 * |
考虑微动机制与感受野特性的轮廓检测模型;林川等;《计算机工程与应用》;第52卷(第24期);210-216 * |
轮廓检测和整合的脑认知机理及信息传输机制;陈祥惠;《中国优秀硕士学位论文全文数据库(信息科技辑)》(第2期);I138-2974 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968139A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN108416801B (zh) | 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法 | |
CN110781937B (zh) | 一种基于全局视角的点云特征提取方法 | |
CN107590512A (zh) | 一种模板匹配中参数的自适应方法和系统 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN114241119A (zh) | 一种游戏模型生成方法、装置、系统及计算机存储介质 | |
CN111968140B (zh) | 基于经典感受野固视微动机制的轮廓检测方法 | |
JPH1091782A (ja) | 濃淡画像用特定部位抽出方法 | |
CN113962917A (zh) | 一种基于掩膜的数据增强方法 | |
CN111968139B (zh) | 基于初级视觉皮层固视微动机制的轮廓检测方法 | |
CN111160372B (zh) | 一种基于高速卷积神经网络的大目标识别方法 | |
CN113469091A (zh) | 人脸识别方法、训练方法、电子设备及存储介质 | |
CN106127147B (zh) | 一种基于三维数据的人脸深度纹理修复方法 | |
CN111968141B (zh) | 基于多尺度叠加的非经典感受野轮廓检测方法 | |
CN116206156A (zh) | 一种阴影干扰下的路面裂缝分类识别方法 | |
CN110176021A (zh) | 结合亮度校正的显著性信息的水平集图像分割方法及系统 | |
CN114648544A (zh) | 一种亚像素椭圆提取方法 | |
CN104063874A (zh) | 基于权值模型的灰度图像二值化算法定量评估方法 | |
CN112002019B (zh) | 一种基于mr混合现实的模拟人物阴影的方法 | |
CN115222652A (zh) | 一种成捆钢筋端面的识别计数及中心定位方法与其存储器 | |
CN114897884A (zh) | 基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法 | |
CN111145081B (zh) | 基于空间体积特征的三维模型视图投影方法及系统 | |
CN114463534A (zh) | 一种目标关键点检测方法、装置、设备及存储介质 | |
CN112906629A (zh) | 人脸表情分类器的训练、人脸表情的识别方法和装置 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201120 Assignee: HUALI FAMILY PRODUCTS CO.,LTD. Assignor: GUANGXI University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980054119 Denomination of invention: A contour detection method based on the mechanism of fixed vision micro movement in the primary visual cortex Granted publication date: 20230613 License type: Common License Record date: 20231226 |