CN113435455B - 一种基于时空脉冲编码的图像轮廓提取方法 - Google Patents
一种基于时空脉冲编码的图像轮廓提取方法 Download PDFInfo
- Publication number
- CN113435455B CN113435455B CN202110513846.5A CN202110513846A CN113435455B CN 113435455 B CN113435455 B CN 113435455B CN 202110513846 A CN202110513846 A CN 202110513846A CN 113435455 B CN113435455 B CN 113435455B
- Authority
- CN
- China
- Prior art keywords
- receptive field
- image
- ganglion cell
- pulse
- complex
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 64
- 210000004027 cell Anatomy 0.000 claims abstract description 55
- 208000003098 Ganglion Cysts Diseases 0.000 claims abstract description 45
- 208000005400 Synovial Cyst Diseases 0.000 claims abstract description 45
- 230000001629 suppression Effects 0.000 claims abstract description 35
- 210000002569 neuron Anatomy 0.000 claims abstract description 25
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 17
- 230000005764 inhibitory process Effects 0.000 claims description 28
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000036279 refractory period Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000002964 excitative effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 241000406668 Loxodonta cyclotis Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 235000008708 Morus alba Nutrition 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于时空脉冲编码的图像轮廓提取方法，具体按照以下步骤实施：步骤1、读取输入图像；步骤2、利用二维Gabor函数模拟简单神经节细胞感受野和复杂神经节细胞的感受野来处理输入图像；步骤3、利用非经典感受野的各向异性抑制，对提取出的结果做初步的纹理抑制；步骤4、利用高斯函数赋予权值处理纹理抑制后的图像，并编码成时间序列；步骤5、利用漏积分点火神经元模型将步骤4得到的时间脉冲序列编码为脉冲发放频率输出，并做细化处理和二值化处理，输出最终的图像轮廓提取结果。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于时空脉冲编码的图像轮廓提取方法。
背景技术
轮廓含有图像非常重要的特征，提取图像轮廓信息有助于获取目标的大小、位置和方向等信息。精准有效的提取图像主体轮廓不仅能减少信息冗余，而且能降低后续图像分析和处理的时间复杂神经节度。
目前有很多图像边缘提取方法，如基于一阶微分算子Canny算子、Sobel算子、Prewitt算子、Roberts算子等，来编码图像的边缘信息。由于这些算法都是基于单纯的数学计算求得图像像素点的灰度变化这一原理来提取图像轮廓，虽然算法实现比较简单神经节，对于简单神经节的图像有较好的效果，但是处理复杂神经节图像时，轮廓提取精确度会变得很差，主体轮廓提出取出来的同时也会提取出非常多的背景边缘。
20世纪80年代李朝义院士发现了除经典感受野外，还存在着外周更大的非经典感受野来调节经典感受野的结果，随后学者们开始构建基于非经典感受野抑制特性的周围抑制轮廓提取编码模型。2003年，Grigorescu等人将非经典感受野的抑制作用引入轮廓提取任务中，构建了各向异性抑制模型和各向同性抑制的计算模型0。随后桑农，曾驰等人提出了蝶形感受野结构的非经典感受野抑制算法，杨开富提出了基于多特征的MCI算法。和传统边缘检测算法相比较，这些基于视觉信息处理机制的算法能够很好的抑制背景边缘的提取，提高主体轮廓的提取精度。
发明内容
本发明的目的是提供一种基于时空脉冲编码的图像轮廓提取方法，解决现有技术中对轮廓提取时会同时提取出大部分背景纹理边缘的问题。
本发明所采用的技术方案是，一种基于时空脉冲编码的图像轮廓提取方法，具体按照以下步骤实施：
步骤1、读取输入图像；
步骤2、利用二维Gabor函数模拟简单神经节细胞感受野和复杂神经节细胞感受野来处理输入图像；
步骤3、利用非经典感受野的各向异性抑制，对提取出的结果做初步的纹理抑制；
步骤4、利用高斯函数赋予权值处理纹理抑制后的图像，并编码成时间脉冲序列；
步骤5、利用漏积分点火神经元模型将步骤4得到的时间脉冲序列编码为脉冲发放频率输出，并做细化处理和二值化处理，输出最终的图像轮廓提取结果。
步骤2中模拟简单神经节细胞感受野具体为：
使用4个尺度12个方向的二维Gabor函数模拟简单神经节细胞感受野处理输入图像，初步提取出轮廓结果；
二维Gabor函数为
其中参数γ＝0.5为空间纵横比，决定感受野的椭圆度；参数σ为高斯函数的标准偏差，决定感受野的大小；参数λ是余弦因数的波长，而1/λ是余弦因数的空间频率；比率σ/λ＝0.56决定在接收场中可以观察到平行的兴奋性和抑制性条带区域的数量；角度θ∈(0，π)决定感受野的朝向；参数和/>构成奇偶滤波器来模拟简单神经节细胞感受野，将简单神经节细胞感受野函数与输入的图像f(x,y)进行卷积，得到简单神经节细胞感受野的响应/>
然后使参数和/>构成4个尺度12个方向的奇二维Gabor滤波器和偶二维Gabor滤波器，用这些滤波器和原图的卷积结果做平方和然后开根号来模拟复杂细胞感受野提取结果；所述步骤2中模拟复杂神经节细胞感受野具体为：
复杂细胞的感受野对图像的边缘方向信息非常敏感，在计算机视觉中使用简单神经节细胞的奇对称感受野滤波器、偶对称感受野滤波器的响应模型，来捕捉复杂细胞感受野得到的响应，公式如下
步骤3中使用DOG函数来模拟非经典感受野，抑制项是由各个方向的复杂神经节细胞感受野的响应与加权函数卷积得到，如下：
利用复杂神经节细胞感受野的响应减去抑制项，得到各个方向抑制后的结果
其中α是非经典感受野抑制作用的强度系数，H(x)为取正运算函数；从同一个尺度，每一个像素点位置挑选最大的响应方向作为该像素点的响应，如下
并记录每一个像素位置最优方向：
ΘA(x,y)＝θk
步骤4具体为：
根据各感受野尺度的不同，利用高斯函数求得不同尺度的权重，如下，
其中k为不同尺度感受野的个数，1为尺度最大的感受野，N为最小尺度的感受野，μ＝0.9为高斯函数的中心轴，r＝1为高斯函数的标准差；
然后利用各权重与各尺度图像相乘，如下
最后将得到的各个尺度相同位置像素点组合起来，编码为一个时间脉冲序列。
步骤5具体为：
使用漏积分点火神经元模型模拟视觉信息在不同视觉细胞之间的传递过程，利用漏积分点火神经元脉冲发放特性，将步骤4得到的时间脉冲序列编码为脉冲发放频率，去除冗余信息，采用如下漏积分点火神经元模型：
式中v膜电压，cmt膜电容，gl漏电导，vreset静态电势，vG脉冲发放峰值，vth脉冲发放阈值，Iin对应上一级轮廓响应，ref是绝对不应期；当v大于vth时，神经元将会发放脉冲；当v到达vG时，它被瞬间重置为vreset，开始进入不应期，等到ref＝0，神经元被重新激活；
根据得到的脉冲发放频率，利用非极大值抑制做细化处理，并用滞后阈值法做二值化处理，得到最终提取结果。
本发明的有益效果是：
本发明利用最大尺度的轮廓点作为主要轮廓点，小尺度轮廓点作为补充，以此作为依据对不同尺度的轮廓信息进行权值调整，减少主体轮廓的漏检。将脉冲时间序列传入漏积分点火神经元，利用神经元的发放频率对信息进行进一步的编码，提取出主要的轮廓信息。减少背景纹理边缘的提取，同时更好的模拟了生物对于图像信息的提取处理过程。本发明对图像主体轮廓的提取精度更高，并且能很好的抑制背景纹理边缘。
附图说明
图1为本发明一基于时空脉冲编码的图像轮廓提取方法的流程图；
图2为待检测RUG40数据集中的大象图像；
图3为待检测RUG40数据集中的高尔夫车图像；
图4为图2的数据集中手工提取出来的标准主体轮廓结果图；
图5为图3的数据集中手工提取出来的标准主题轮廓结果图；
图6为使用二维Gabor函数的最大能量法对图2的提取结果图；
图7为使用二维Gabor函数的最大能量法对图3的提取结果图；
图8为使用各向异性抑制方法对图2的提取结果图；
图9为使用各向异性抑制方法对图3的提取结果图；
图10为使用各向同性抑制方法对图2的提取结果图；
图11为使用各向同性抑制方法对图3的提取结果图；
图12为使用本专利方法对图2的提取结果图；
图13为使用本专利方法对图3的提取结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，一种基于时空脉冲编码的图像轮廓提取方法，具体按照以下步骤实施：
步骤1、读取输入图像；
步骤2、利用二维Gabor函数模拟简单神经节细胞感受野和复杂神经节细胞感受野来处理输入图像；
步骤3、利用非经典感受野的各向异性抑制，对提取出的结果做初步的纹理抑制；
步骤4、利用高斯函数赋予权值处理纹理抑制后的图像，并编码成时间脉冲序列；
步骤5、利用漏积分点火神经元模型将步骤4得到的时间脉冲序列编码为脉冲发放频率输出，并做细化处理和二值化处理，输出最终的图像轮廓提取结果。
步骤2中模拟简单神经节细胞感受野具体为：
使用4个尺度12个方向的二维Gabor函数模拟简单神经节细胞感受野处理输入图像，初步提取出轮廓结果；
二维Gabor函数为
其中参数γ＝0.5为空间纵横比，决定感受野的椭圆度；参数σ为高斯函数的标准偏差，决定感受野的大小；参数λ是余弦因数的波长，而1/λ是余弦因数的空间频率；比率σ/λ＝0.56决定在接收场中可以观察到平行的兴奋性和抑制性条带区域的数量；角度θ∈(0，π)决定感受野的朝向；参数和/>构成奇偶滤波器来模拟简单神经节细胞感受野，将简单神经节细胞感受野函数与输入的图像f(x,y)进行卷积，得到简单神经节细胞感受野的响应/>
然后使用参数和/>构成4个尺度12个方向的奇二维Gabor滤波器和偶二维Gabor滤波器，用这些滤波器和原图的卷积结果做平方和然后开根号来模拟复杂细胞感受野提取结果；所述步骤2中模拟复杂神经节细胞感受野具体为：
复杂细胞的感受野对图像的边缘方向信息非常敏感，在计算机视觉中使用简单神经节细胞的奇对称感受野滤波器、偶对称感受野滤波器的响应模型，来捕捉复杂细胞感受野得到的响应，公式如下
步骤3中使用DOG函数来模拟非经典感受野，抑制项是由各个方向的复杂神经节细胞感受野的响应与加权函数卷积得到，如下：
利用复杂神经节细胞感受野的响应减去抑制项，得到各个方向抑制后的结果
其中α是非经典感受野抑制作用的强度系数，H(x)为取正运算函数；从同一个尺度，每一个像素点位置挑选最大的响应方向作为该像素点的响应，如下
并记录每一个像素位置最优方向：
ΘA(x,y)＝θk
步骤4具体为：
根据各感受野尺度的不同，利用高斯函数求得不同尺度的权重，如下，
其中k为不同尺度感受野的个数，1为尺度最大的感受野，N为最小尺度的感受野，μ＝0.9为高斯函数的中心轴，r＝1为高斯函数的标准差；
然后利用各权重与各尺度图像相乘，如下
最后将得到的各个尺度相同位置像素点组合起来，编码为一个时间脉冲序列。
步骤5具体为：
使用漏积分点火神经元模型模拟视觉信息在不同视觉细胞之间的传递过程，利用漏积分点火神经元脉冲发放特性，将步骤4得到的时间脉冲序列编码为脉冲发放频率，去除冗余信息，本发明中采用如下漏积分点火神经元模型：
式中v膜电压，cmt膜电容，gl漏电导,vreset静态电势，vG脉冲发放峰值，vth脉冲发放阈值，Iin对应上一级轮廓响应，ref是绝对不应期；当v大于vth时，神经元将会发放脉冲；当v到达vG时，它被瞬间重置为vreset，开始进入绝对不应期，等到ref＝0，神经元被重新激活；
根据得到的脉冲发放频率，利用非极大值抑制做细化处理，并用滞后阈值法做二值化处理，得到最终提取结果。
实施例1
采用RUG40图像库中的大象(如图2所示)作为测试图像，验证本发明方法提取图像轮廓的性能，并选取图2的人工绘制图(如图4所示)作为基准用于验证图像轮廓检测方法的有效性。
执行步骤1，读取输入图像，读取图2所示的大象图像。
执行步骤2，利用二维Gabor函数模拟简单神经节细胞感受野和复杂神经节细胞感受野来处理步骤1中读取的输入图像。
本发明方法采用奇偶二维Gabor函数，初步提取出输入图像的轮廓，本实施例中，奇偶二维Gabor函数参数设置如下：4个感受野尺度σ＝{1.2,1.6,2.0，2.4}。
执行步骤3，利用非经典感受野的各向异性抑制，对步骤2提取出的结果做初步的纹理抑制。本发明方法中使用DOG函数来模拟非经典感受野，抑制项是由各个方向的复杂神经节细胞感受野的响应与加权函数卷积得到，各个方向抑制后的结果由公式(4)得到，本实施例中，2个非经典抑制系数α＝{1,1.2}。
执行步骤4，利用高斯函数赋予不同权值处理步骤3中得到的纹理抑制后的图像，本实施例中，高斯函数计算公式见公式(7)，其中高斯函数的参数取值：μ＝0.9，r＝1，本实施例中计算4个不同尺度的感受野，按照公式(8)将4个尺度相同位置像素点组合起来，编码为一个时间脉冲序列。
执行步骤5，本实施例采用公式(9)所示的漏积分点火神经元模型模拟视觉信息在不同视觉细胞之间的传递过程，将步骤4得到的时间脉冲序列编码为脉冲发放频率，采用5个脉冲神经元阈值Vth＝{0.7,0.9,1，1.2，1.4}。利用非极大值抑制做细化处理，并用滞后阈值法做二值化处理，五个滞后阈值百分比p＝{0.1，0.2，0.3,0.4,0.5}，得到最终图像轮廓提取结果，见图12所示。
为了进一步说明本发明方法在图像轮廓提取方面具有较好的性能，本发明中，针对本实施例中的大象图像(图2所示)，采用同类方法，如二维Gabor函数最大能量方法、各向异性抑制方法、各向同性抑制方法及本发明方法从不同尺度的参数选择、保留比例、漏检率、错检率和准确率进行能对比，对比结果见表1所示。其中，漏检率(efn)、错误率(efp)和准确率(Acc)计算公式如下：
公式(10)、(11)和(12)中，card(EFP)表示所有错检的轮廓像素点个数；card(E)表示所有检测出的正确轮廓的像素点的个数；card(EFN)表示所有漏检的轮廓像素点个数；card(EGT)表示标准的参考轮廓图像的轮廓像素点个数。
表1不同方法对大象图像客观评价
从表1客观结果可以看出，与Gabor函数最大能量法、各向异性抑制、各向同性抑制相比，本发明方法能够较好的降低漏检率和错检率，并且有效提高检测的准确率。
主观方面，图6为二维Gabor函数最大能量法对于图2提取轮廓结果，图8为使用各向异性抑制方法对图2提取轮廓结果图；图10为使用各向同性抑制方法对图2提取轮廓结果图；图12为使用本发明方法对图2提取轮廓结果图。从图6、8、10、12对于测试图2提取结果与手工绘制的轮廓基准图(图4所示)相比较，本发明方法能够有效的抑制背景纹理边缘信息并且完整突出主体轮廓信息，得到的主体轮廓更加显著。
实施例2
采用RUG40图像库中的高尔夫车(如图3所示)作为测试图像，验证本发明方法提取图像轮廓的性能，并选取图3的人工绘制图(如图5所示)作为基准用于验证图像轮廓检测方法的有效性。
执行步骤1，读取输入图像。读取图3所示的高尔夫车图像。
执行步骤2，利用二维Gabor函数模拟简单神经节细胞感受野和复杂神经节细胞感受野来处理步骤1中读取的输入图像。本发明方法采用奇偶二维Gabor函数，初步提取出输入图像的轮廓，本实施例中，奇偶二维Gabor函数参数设置如下：
4个感受野尺度σ＝{1.2，1.6，2.0，2.4}。
执行步骤3，利用非经典感受野的各向异性抑制，对步骤2提取出的结果做初步的纹理抑制。本发明方法中使用DOG函数来模拟非经典感受野，抑制项是由各个方向的复杂神经节细胞感受野的响应与加权函数卷积得到，各个方向抑制后的结果由公式(4)得到，本实施例中，2个非经典抑制系数α＝{1，1.2}。
执行步骤4，利用高斯函数赋予不同权值处理步骤3中得到的纹理抑制后的图像，本实施例中，高斯函数计算公式见公式(7)，其中高斯函数的参数取值：μ＝0.9，r＝1，本实施例中计算4个不同尺度的感受野，按照公式(8)将4个尺度相同位置像素点组合起来，编码为一个时间脉冲序列。
执行步骤5，本实施例采用公式(9)所示的漏积分点火神经元模型模拟视觉信息在不同视觉细胞之间的传递过程，将步骤4得到的时间脉冲序列编码为脉冲发放频率，采用5个脉冲神经元阈值Vth＝{0.7,0.9,1,1.2，1.4}。利用非极大值抑制做细化处理，并用滞后阈值法做二值化处理，五个滞后阈值百分比p＝{0.1，0.2，0.3，0.4，0.5}，得到最终图像轮廓提取结果，见图12所示。
为了进一步说明本发明方法在图像轮廓提取方面具有较好的性能，本发明中，针对本实施例中的高尔夫车图像(图3所示)，采用同类方法，如二维Gabor函数最大能量方法、各向异性抑制方法、各向同性抑制方法及本发明方法从不同尺度的参数选择、保留比例、漏检率、错检率和准确率进行能对比，对比结果见表2所示。其中，漏检率(efn)、错误率(efp)和准确率(Acc)计算公式与实施例1中的计算公式相同。
表2不同方法对高尔夫车图像客观评价
从表2客观结果可以看出，与Gabor函数最大能量法、各向异性抑制、各向同性抑制相比，本发明方法能够较好的降低漏检率和错检率，并且有效提高检测的准确率。
主观方面，图7为二维Gabor函数最大能量法对于图3提取轮廓结果，图9为使用各向异性抑制方法对图3提取轮廓结果图；图11为使用各向同性抑制方法对图3提取轮廓结果图；图13为使用本发明方法对图3提取轮廓结果图。从图7、9、11、13对于测试图3提取结果与手工绘制的轮廓基准图(图5所示)相比较，本发明方法能够有效的抑制背景纹理边缘信息并且完整突出主体轮廓信息，得到的主体轮廓更加显著。
Claims (3)
1.一种基于时空脉冲编码的图像轮廓提取方法，其特征在于，具体按照以下步骤实施：
步骤1、读取输入图像；
步骤2、利用二维Gabor函数模拟简单神经节细胞感受野和复杂神经节细胞感受野来处理输入图像；
步骤3、利用非经典感受野的各向异性抑制，对提取出的结果做初步的纹理抑制；
步骤4、利用高斯函数来赋予权值处理纹理抑制后的图像，并编码成时间脉冲序列；
步骤5、利用漏积分点火神经元模型组成脉冲神经网络，将步骤4得到的时间脉冲序列输入到网络，将脉冲发放频率作为输出，经细化处理和二值化处理后得到最终的提取结果；
其中，所述步骤2中模拟简单神经节细胞感受野具体为：
使用4个尺度12个方向的二维Gabor函数模拟简单神经节细胞感受野处理输入图像，初步提取出轮廓结果；
其中参数γ＝0.5为空间纵横比，决定感受野的椭圆度；参数σ为高斯函数的标准偏差，决定感受野的大小；参数λ是余弦因数的波长，而1/λ是余弦因数的空间频率；比率σ/λ＝0.56决定在接收场中可以观察到平行的兴奋性和抑制性条带区域的数量；角度θ∈(0,π)决定感受野的朝向；参数和/>构成奇偶滤波器来模拟简单神经节细胞感受野，将简单神经节细胞感受野函数与输入的图像f(x,y)进行卷积，得到简单神经节细胞感受野的响应/>
然后使用参数和/>构成4个尺度12个方向的奇二维Gabor滤波器和偶二维Gabor滤波器，用这些滤波器和原图的卷积结果做平方和然后开根号来模拟复杂细胞感受野提取结果；所述步骤2中模拟复杂神经节细胞感受野具体为：复杂细胞的感受野对图像的边缘方向信息非常敏感，在计算机视觉中使用简单神经节细胞的奇对称感受野滤波器、偶对称感受野滤波器的响应模型，来捕捉复杂细胞感受野得到的响应，公式如下
其中，所述步骤4具体为:
根据各感受野尺度的不同，利用高斯函数求得不同尺度的权重，
如下，
其中k为不同尺度感受野的个数，1为尺度最大的感受野，N为最小尺度的感受野，μ＝0.9为高斯函数的中心轴，r＝1为高斯函数的标准差；
然后利用各权重与各尺度图像相乘，如下
最后将得到的各个尺度相同位置像素点组合起来，编码为一个时间脉冲序列。
2.根据权利要求1所述的一种基于时空脉冲编码的图像轮廓提取方法，其特征在于，所述步骤3中使用DOG函数来模拟非经典感受野，抑制项是由各个方向的复杂神经节细胞感受野的响应与加权函数卷积得到，如下：
利用复杂神经节细胞感受野的响应减去抑制项，得到各个方向抑制后的结果
其中α是非经典感受野抑制作用的强度系数，H(x)为取正运算函数；从同一个尺度，每一个像素点位置挑选最大的响应方向作为该像素点的响应，如下
并记录每一个像素位置最优方向：
ΘA(x,y)＝θk
3.根据权利要求1所述的一种基于时空脉冲编码的图像轮廓提取方法，其特征在于，所述步骤5具体为：
使用漏积分点火神经元模拟视觉信息在不同视觉细胞之间的传递过程，将步骤4得到的时间脉冲序列输入到神经网络中，利用漏积分点火神经元脉冲发放特性，以脉冲发放频率对视觉特征进行脉冲编码，去除信息的冗余；漏积分点火神经元模型：
式中v膜电压，cmt膜电容，gl漏电导,vreset静态电势，vG脉冲发放峰值，vth脉冲发放阈值，Iin对应上一级轮廓响应，ref是绝对不应期；当v大于vth时，神经元将会发放脉冲；当v到达vG时，它被瞬间重置为vreset，开始进入绝对不应期，等到ref＝0，神经元被重新激活；根据得到的脉冲发放频率，利用非极大值抑制做细化处理，并用滞后阈值法做二值化处理，得到最终提取结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513846.5A CN113435455B (zh) | 2021-05-12 | 2021-05-12 | 一种基于时空脉冲编码的图像轮廓提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513846.5A CN113435455B (zh) | 2021-05-12 | 2021-05-12 | 一种基于时空脉冲编码的图像轮廓提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435455A CN113435455A (zh) | 2021-09-24 |
| CN113435455B true CN113435455B (zh) | 2024-03-22 |
Family
ID=77753124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110513846.5A Active CN113435455B (zh) | 2021-05-12 | 2021-05-12 | 一种基于时空脉冲编码的图像轮廓提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435455B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010092533A1 (en) * | 2009-02-13 | 2010-08-19 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method and apparatus for 3d object shape and surface topology measurements by contour depth extraction acquired in a single shot |
| CN109489576A (zh) * | 2018-10-19 | 2019-03-19 | 杭州电子科技大学 | 一种基于初级视觉通路计算模型的轮廓检测方法 |
| CN110458903A (zh) * | 2019-07-29 | 2019-11-15 | 北京大学 | 一种编码脉冲序列的图像处理方法 |
| CN111402285A (zh) * | 2020-01-16 | 2020-07-10 | 杭州电子科技大学 | 一种基于视觉机制暗边缘增强的轮廓检测方法 |
| CN112613427A (zh) * | 2020-12-28 | 2021-04-06 | 杭州电子科技大学 | 基于视觉信息流分区投射编码模型的道路障碍物检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10922824B1 (en) * | 2019-08-13 | 2021-02-16 | Volkswagen Ag | Object tracking using contour filters and scalers |
-
2021
- 2021-05-12 CN CN202110513846.5A patent/CN113435455B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010092533A1 (en) * | 2009-02-13 | 2010-08-19 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method and apparatus for 3d object shape and surface topology measurements by contour depth extraction acquired in a single shot |
| CN109489576A (zh) * | 2018-10-19 | 2019-03-19 | 杭州电子科技大学 | 一种基于初级视觉通路计算模型的轮廓检测方法 |
| CN110458903A (zh) * | 2019-07-29 | 2019-11-15 | 北京大学 | 一种编码脉冲序列的图像处理方法 |
| CN111402285A (zh) * | 2020-01-16 | 2020-07-10 | 杭州电子科技大学 | 一种基于视觉机制暗边缘增强的轮廓检测方法 |
| CN112613427A (zh) * | 2020-12-28 | 2021-04-06 | 杭州电子科技大学 | 基于视觉信息流分区投射编码模型的道路障碍物检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| A biologically-inspired model for dynamic saliency detection;Zhiyong Gao等;《2014 International Conference on Multisensor Fusion and Information Integration for Intelligent Systems (MFI)》;7 * |
| 基于抑制性突触多层神经元群放电编码的图像边缘检测;廖进文 等;《中国生物医学工程学报》;第33卷(第5期);513-524 * |
| 基于时空脉冲编码的图像主体轮廓提取方法;杨坤;《计算机系统应用》;第31卷(第3期);226-233 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435455A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
| CN108520503B (zh) | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 | |
| CN111062880A (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| CN110060286B (zh) | 一种单目深度估计方法 | |
| CN109784148A (zh) | 活体检测方法及装置 | |
| Ding et al. | U 2 D 2 Net: Unsupervised unified image dehazing and denoising network for single hazy image enhancement | |
| CN111915486B (zh) | 基于图像超分辨重建的对抗样本防御方法 | |
| CN110210282A (zh) | 一种基于非凸低秩稀疏分解的运动目标检测方法 | |
| CN112308873B (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
| CN112991278A (zh) | RGB空域特征与LoG时域特征结合的Deepfake视频检测方法及系统 | |
| CN114187203A (zh) | 注意力优化的深度编解码去雾生成对抗网络 | |
| Liu et al. | A super resolution algorithm based on attention mechanism and srgan network | |
| CN113112583A (zh) | 基于红外热成像的3d人体重构方法 | |
| CN107239827B (zh) | 一种基于人工神经网络的空间信息学习方法 | |
| CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
| Hsu et al. | Object detection using structure-preserving wavelet pyramid reflection removal network | |
| Xu et al. | Exposing fake images generated by text-to-image diffusion models | |
| CN113810683A (zh) | 一种客观评估水下视频质量的无参考评价方法 | |
| CN113034371A (zh) | 一种基于特征嵌入的红外与可见光图像融合方法 | |
| Mao et al. | Depth image inpainting via single depth features learning | |
| CN113435455B (zh) | 一种基于时空脉冲编码的图像轮廓提取方法 | |
| Zin et al. | Local image denoising using RAISR | |
| CN116703750A (zh) | 基于边缘注意力和多阶微分损失的图像去雾方法及系统 | |
| Chen et al. | Face recognition with masks based on spatial fine-grained frequency domain broadening | |
| CN116309221A (zh) | 一种多光谱图像融合模型的构建方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240202 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 19 Applicant before: XI'AN POLYTECHNIC University Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240223 Address after: 518000, KB11, 2nd Floor, Unit A, Building 1, Vanke Qianhai Enterprise Mansion, No. 63 Qianwan 1st Road, Qianhai Shenzhen Hong Kong Cooperation Zone, Nanshan Street, Qianhai Shenzhen Hong Kong Cooperation Zone, Shenzhen, Guangdong Province Applicant after: Shenzhen Lingtu Innovation Technology Co.,Ltd. Country or region after: China Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Wanzhida Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |