CN111968141B - 基于多尺度叠加的非经典感受野轮廓检测方法 - Google Patents
基于多尺度叠加的非经典感受野轮廓检测方法 Download PDFInfo
- Publication number
- CN111968141B CN111968141B CN202010611779.6A CN202010611779A CN111968141B CN 111968141 B CN111968141 B CN 111968141B CN 202010611779 A CN202010611779 A CN 202010611779A CN 111968141 B CN111968141 B CN 111968141B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- receptive field
- classical receptive
- response
- contour
- 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 27
- 230000004044 response Effects 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000001629 suppression Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000005764 inhibitory process Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 210000003127 knee Anatomy 0.000 description 5
- 210000001525 retina Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000000977 primary visual cortex Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 230000000007 visual effect 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明旨在提供一种基于多尺度叠加的非经典感受野轮廓检测方法,包括以下步骤:A、输入经灰度处理的待检测图像,对待检测图像中的各像素点分别按照各方向参数进行高斯一阶导函数滤波,得到各像素点的经典感受野响应及经典感受野最优方向;B、预设包含非经典感受野的最优方向及多个尺度参数的距离权重函数,计算得到各像素点的融合距离权重函数;C、预设抑制系数,计算得到各像素点的轮廓响应;D、对各像素点的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。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,具体涉及一种基于多尺度叠加的非经典感受野轮廓检测方法。
背景技术
视觉信息处理机制是由视网膜感受野、外膝体感受野和视皮层感受野构成的串行处理机制。视网膜上一个较小的范围组成视网膜上神经节细胞感受野,传输到外膝体上一个细胞的感受野,从视网膜上感受野到外膝状体上感受野基本是一对一,再由若干个外膝体细胞的感受野共同会聚到一个视皮层细胞的感受野上。因而,视皮层细胞的感受野是视网膜上的一个更大的区域。相关研究表明,初级视觉皮层V1除了同心圆拮抗式的感受野,还可能存在椭圆形的非经典感受野抑制区,而非经典感受野抑制区对于轮廓信息的检测识别存在较大的影响作用。
发明内容
本发明旨在提供一种基于多尺度叠加的非经典感受野轮廓检测方法,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:
A、输入经灰度处理的待检测图像,预设多个方向参数的高斯一阶导函数,对待检测图像中的各像素点分别按照各方向参数进行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,作为该像素点的经典感受野响应,最大值对应的方向参数作为该像素点的经典感受野最优方向;
B、预设包含非经典感受野的最优方向及多个尺度参数的距离权重函数,对于各像素点:将与其经典感受野最优方向相垂直的方向作为其非经典感受野的最优方向,多个尺度参数基于高斯一阶导函数的标准差依次递增;将各像素点的多个尺度参数的距离权重函数进行求和,得到各像素点的融合距离权重函数;
C、预设抑制系数,将各像素点的经典感受野响应与融合距离权重函数进行卷积得到各像素点的非经典感受野响应;将各像素点的非经典感受野响应与抑制系数相乘,得到各像素点的抑制响应,将各像素点的经典感受野响应减去非经典感受野响应,得到各像素点的轮廓响应;
D、对各像素点的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中高斯一阶导函数的表达式为:
各像素点的各方向的响应值为:
e(x,y;θi)=|I(x,y)*RF(x,y;θi)| (2);
I(x,y)为待检测图像的各像素点的灰度值,| |为取绝对值符号;
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} (3);
各像素点的经典感受野最优方向θn为:
其中n=arg max{e(x,y;θi)|i=1,2,...Nθ}。
优选地,所述的步骤B中的融合距离权重函数的表达式为:
其中距离权重函数的表达式为
||·||1为L1范数,H(X)=max(0,X),;
多个尺度参数的表达式σj为:
σj=σ+M·j,其中M非经典感受野的尺度间隔,j=0,1,2....N-1,N为尺度参数的数目;
优选地,所述的步骤C的各像素点的轮廓响应表达式如下:
R(x,y)=E(x,y)-Inh(x,y) (6);
其中Inh(x,y)=αE(x,y)*w(x,y);
α为抑制系数。
本发明通过距离权重函数构建椭圆形圆环的非经典感受野区域,通时结合多重尺度对距离权重函数进行融合,实现非经典感受野的圆环区域的扩展,从而完成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,最大程度地提高轮廓检测的性能;并且结合高斯一阶导函数获取经典感受野响应以及对应的最优方向,并将最优方向结合到距离权重函数的融合中,使得在距离权重函数的融合后,非经典感受野的区域更具方向性,对经典感受野最优方向的垂直方向进行纹理抑制,减少背景纹理信息的干扰,提高轮廓检测的成功率。
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。
因此,本发明通过多尺度下的椭圆形非经典感受野模型来模拟若干个外膝体细胞感受野共同会聚到初级视皮层的感受野的生理过程,期望该模型能够准确区分目标轮廓和背景纹理,进一步提高轮廓检测的鲁棒性。
附图说明
图1为本发明提供的基于多尺度叠加的非经典感受野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说明本发明。
实施例1
本实施例提供的基于多尺度叠加的非经典感受野轮廓检测方法,包括以下步骤:
A、输入经灰度处理的待检测图像,预设多个方向参数的高斯一阶导函数,对待检测图像中的各像素点分别按照各方向参数进行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,作为该像素点的经典感受野响应,最大值对应的方向参数作为该像素点的经典感受野最优方向;
所述的步骤A中高斯一阶导函数的表达式为:
各像素点的各方向的响应值为:
e(x,y;θi)=|I(x,y)*RF(x,y;θi)| (2);
I(x,y)为待检测图像的各像素点的灰度值,| |为取绝对值符号;
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} (3);
各像素点的经典感受野最优方向θn为:
其中n=arg max{e(x,y;θi)|i=1,2,...Nθ};
B、预设包含非经典感受野的最优方向及多个尺度参数的距离权重函数,对于各像素点:将与其经典感受野最优方向相垂直的方向作为其非经典感受野的最优方向,多个尺度参数基于高斯一阶导函数的标准差依次递增;将各像素点的多个尺度参数的距离权重函数进行求和,得到各像素点的融合距离权重函数;
所述的步骤B中的融合距离权重函数的表达式为:
其中距离权重函数的表达式为
||·||1为L1范数,H(X)=max(0,X),;
多个尺度参数的表达式σj为:
σj=σ+M·j,其中M非经典感受野的尺度间隔,j=0,1,2....N-1,N为尺度参数的数目;
C、预设抑制系数,将各像素点的经典感受野响应与融合距离权重函数进行卷积得到各像素点的非经典感受野响应;将各像素点的非经典感受野响应与抑制系数相乘,得到各像素点的抑制响应,将各像素点的经典感受野响应减去非经典感受野响应,得到各像素点的轮廓响应;
所述的步骤C的各像素点的轮廓响应表达式如下:
R(x,y)=E(x,y)-Inh(x,y) (6);
其中Inh(x,y)=αE(x,y)*w(x,y);
α为抑制系数;
D、对各像素点的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。
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1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1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 (4)
1.一种基于多尺度叠加的非经典感受野轮廓检测方法,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,预设多个方向参数的高斯一阶导函数,对待检测图像中的各像素点分别按照各方向参数进行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,作为该像素点的经典感受野响应,最大值对应的方向参数作为该像素点的经典感受野最优方向;
B、预设包含非经典感受野的最优方向及多个尺度参数的距离权重函数,对于各像素点:将与其经典感受野最优方向相垂直的方向作为其非经典感受野的最优方向,多个尺度参数基于高斯一阶导函数的标准差依次递增;将各像素点的多个尺度参数的距离权重函数进行求和,得到各像素点的融合距离权重函数;
C、预设抑制系数,将各像素点的经典感受野响应与融合距离权重函数进行卷积得到各像素点的非经典感受野响应;将各像素点的非经典感受野响应与抑制系数相乘,得到各像素点的抑制响应,将各像素点的经典感受野响应减去非经典感受野响应,得到各像素点的轮廓响应;
D、对各像素点的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。
2.如权利要求1所述的基于多尺度叠加的非经典感受野轮廓检测方法,其特征在于:
所述的步骤A中高斯一阶导函数的表达式为:
各像素点的各方向的响应值为:
e(x,y;θi)=|I(x,y)*RF(x,y;θi)| (2);
I(x,y)为待检测图像的各像素点的灰度值,| |为取绝对值符号;
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} (3);
各像素点的经典感受野最优方向θn为:
其中n=argmax{e(x,y;θi)|i=1,2,...Nθ}。
4.如权利要求3所述的基于多尺度叠加的非经典感受野轮廓检测方法,其特征在于:
所述的步骤C的各像素点的轮廓响应表达式如下:
R(x,y)=E(x,y)-Inh(x,y) (6);
其中Inh(x,y)=αE(x,y)*w(x,y);
α为抑制系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611779.6A CN111968141B (zh) | 2020-06-30 | 2020-06-30 | 基于多尺度叠加的非经典感受野轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611779.6A CN111968141B (zh) | 2020-06-30 | 2020-06-30 | 基于多尺度叠加的非经典感受野轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968141A CN111968141A (zh) | 2020-11-20 |
CN111968141B true CN111968141B (zh) | 2023-06-16 |
Family
ID=73360727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010611779.6A Active CN111968141B (zh) | 2020-06-30 | 2020-06-30 | 基于多尺度叠加的非经典感受野轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968141B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100810326B1 (ko) * | 2006-10-10 | 2008-03-04 | 삼성전자주식회사 | 다해상도 3차원 모델 생성 방법 |
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 |
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 |
US10067509B1 (en) * | 2017-03-10 | 2018-09-04 | TuSimple | System and method for occluding contour detection |
CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
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 |
---|---|---|---|---|
US11587304B2 (en) * | 2017-03-10 | 2023-02-21 | Tusimple, Inc. | System and method for occluding contour detection |
-
2020
- 2020-06-30 CN CN202010611779.6A patent/CN111968141B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100810326B1 (ko) * | 2006-10-10 | 2008-03-04 | 삼성전자주식회사 | 다해상도 3차원 모델 생성 방법 |
US10067509B1 (en) * | 2017-03-10 | 2018-09-04 | TuSimple | System and method for occluding contour detection |
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 |
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 |
CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
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 (4)
Title |
---|
Multifeature-Based Surround Inhibition Improves Contour Detection in Natural Images;Kai-Fu Yang et al;《IEEE Transactions on Image Processing》;第23卷(第12期);第5020 - 5032页 * |
Salient contour detection on the basis of the mechanism of bilateral asymmetric receptive fields;Tao Fang et al;《Signal, Image and Video Processing》;第14卷;第1461–1469页 * |
基于深度学习的轮廓检测算法:综述;林川 等;《广西科技大学学报》;第30卷(第2期);第1-12页 * |
视觉仿生轮廓检测中多尺度融合方法研究;林川 等;《计算机仿真》;第36卷(第4期);第362-368页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968141A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584251A (zh) | 一种基于单目标区域分割的舌体图像分割方法 | |
Ali et al. | Optic disk and cup segmentation through fuzzy broad learning system for glaucoma screening | |
CN107767413A (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
CN110287846A (zh) | 一种基于注意力机制的人脸关键点检测方法 | |
CN106097393B (zh) | 一种基于多尺度与自适应更新的目标跟踪方法 | |
CN111783748B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN105956582A (zh) | 一种基于三维数据的人脸识别系统 | |
CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN105930767A (zh) | 一种基于人体骨架的动作识别方法 | |
CN110738161A (zh) | 一种基于改进生成式对抗网络的人脸图像矫正方法 | |
CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
CN111091075A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112232128B (zh) | 基于视线追踪的老年残障人士照护需求识别方法 | |
JP6381368B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN112836680A (zh) | 一种基于视觉的人脸表情识别方法 | |
CN111968141B (zh) | 基于多尺度叠加的非经典感受野轮廓检测方法 | |
CN113298742A (zh) | 基于图像配准的多模态视网膜图像融合方法及系统 | |
CN111507184B (zh) | 基于并联空洞卷积和身体结构约束的人体姿态检测方法 | |
CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
CN107194364B (zh) | 一种基于分治策略的Huffman-LBP多姿态人脸识别方法 | |
CN105718947A (zh) | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 | |
CN114492634A (zh) | 一种细粒度装备图片分类识别方法及系统 | |
CN106295716A (zh) | 一种基于视频信息的交通运动目标分类方法及装置 | |
CN111507276B (zh) | 一种基于隐藏层增强特征的工地安全帽检测方法 |
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 |