首页 > 专利 > 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专利详情

基于感受野子区域的方向选择性轮廓检测方法   0    0

有效专利 查看PDF
专利申请流程有哪些步骤?
专利申请流程图
申请
申请号:指国家知识产权局受理一件专利申请时给予该专利申请的一个标示号码。唯一性原则。
申请日:提出专利申请之日。
2017-11-07
申请公布
申请公布指发明专利申请经初步审查合格后,自申请日(或优先权日)起18个月期满时的公布或根据申请人的请求提前进行的公布。
申请公布号:专利申请过程中,在尚未取得专利授权之前,国家专利局《专利公报》公开专利时的编号。
申请公布日:申请公开的日期,即在专利公报上予以公开的日期。
2018-03-30
授权
授权指对发明专利申请经实质审查没有发现驳回理由,授予发明专利权;或对实用新型或外观设计专利申请经初步审查没有发现驳回理由,授予实用新型专利权或外观设计专利权。
2020-05-05
预估到期
发明专利权的期限为二十年,实用新型专利权期限为十年,外观设计专利权期限为十五年,均自申请日起计算。专利届满后法律终止保护。
2037-11-07
基本信息
有效性 有效专利 专利类型 发明专利
申请号 CN201711084042.8 申请日 2017-11-07
公开/公告号 CN107766866B 公开/公告日 2020-05-05
授权日 2020-05-05 预估到期日 2037-11-07
申请年 2017年 公开/公告年 2020年
缴费截止日
分类号 G06K9/46 主分类号 G06K9/46
是否联合申请 独立申请 文献类型号 B
独权数量 1 从权数量 5
权利要求数量 6 非专利引证数量 1
引用专利数量 0 被引证专利数量 0
非专利引证 1、Tae-Yong Kim 等.Object Boundary EdgeSelection Using Normal DirectionDerivatives of a Contour in a ComplexScene《.Proceedings of the 17thInternational Conference on PatternRecognition》.2004,第4卷第1-4页. Li Long 等.Contour Detection Based onthe Property of Orientation SelectiveInhibition of Nonclassical ReceptiveField《.2008 IEEE Conference onCybernetics and Intelligent Systems》.2008,第1002-1006页. Kai-Fu Yang 等.Multifeature-BasedSurround Inhibition Improves ContourDetection in Natural Images《.IEEETransactions on Image Processing》.2014,第23卷(第2期),第5020-5032页.;
引用专利 被引证专利
专利权维持 5 专利申请国编码 CN
专利事件 事务标签 公开、实质审查、授权
申请人信息
申请人 第一申请人
专利权人 广西科技大学 当前专利权人 广西科技大学
发明人 林川、张晴、李福章、曹以隽、赵浩钧、韦江华、覃溪、潘勇才、张玉薇、刘青正 第一发明人 林川
地址 广西壮族自治区柳州市东环路268号 邮编 545006
申请人数量 1 发明人数量 10
申请人所在省 广西壮族自治区 申请人所在市 广西壮族自治区柳州市
代理人信息
代理机构
专利代理机构是经省专利管理局审核,国家知识产权局批准设立,可以接受委托人的委托,在委托权限范围内以委托人的名义办理专利申请或其他专利事务的服务机构。
长沙正奇专利事务所有限责任公司 代理人
专利代理师是代理他人进行专利申请和办理其他专利事务,取得一定资格的人。
周晟、文信家
摘要
本发明旨在提供一种基于感受野子区域的方向选择性轮廓检测方法,包括以下步骤:A、输入经灰度处理的待检测图像,计算各像素点的经典感受野刺激响应;B、在感受野中心区域外部构建一组环绕中心区域的圆形的子区域,各子区域相对于中心区域具有不同偏离角度;C、计算各像素点的中心区域的各方向的能量分布值以及各子区域的各方向的能量分布值;D、计算各像素点的中心区域‑子区域抑制权重以及子区域‑子区域抑制权重,进而得到各像素点的中心区域‑子区域抑制权值与子区域‑子区域抑制权值;F、计算各像素点的轮廓响应。该方法具有仿真效果好、轮廓识别率高的特点。
  • 摘要附图
    基于感受野子区域的方向选择性轮廓检测方法
  • 说明书附图:图1
    基于感受野子区域的方向选择性轮廓检测方法
  • 说明书附图:图2
    基于感受野子区域的方向选择性轮廓检测方法
法律状态
序号 法律状态公告日 法律状态 法律状态信息
1 2020-05-05 授权
2 2018-03-30 实质审查的生效 IPC(主分类): G06K 9/46 专利申请号: 201711084042.8 申请日: 2017.11.07
3 2018-03-06 公开
权利要求
权利要求书是申请文件最核心的部分,是申请人向国家申请保护他的发明创造及划定保护范围的文件。
1.一种基于感受野子区域的方向选择性轮廓检测方法,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,预设抑制强度,预设均分圆周的多个方向参数,对待检测图像中的各像素点分别按照各方向参数进行二维高斯一阶滤波,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刺激响应;
B、预设圆形的感受野,将该感受野分为两个同心圆,圆形的中心区域为经典感受野,中心区域外的环形区域为非经典感受野;在非经典感受野内构建一组环绕中心区域分布的圆形的子区域,每一个子区域至少与其相邻的两个子区域相交;
所述的中心区域的圆心与任两个相邻的子区域的圆心连线所形成的夹角相等;
所述的子区域的直径为感受野半径与中心区域半径的差值,每一个子区域分别与其邻近的四个子区域相交;
所述的中心区域的半径为2.5σ,所述的子区域的半径为3.75σ,所述的子区域的数量为Ns,各个子区域中心的角度为 该角度为以Y轴正半轴为起点,逆
时针旋转的角度;
C、将各像素点的各方向的响应值进行高斯滤波后得到各像素点的各方向的能量值;
对于各像素点:在以该像素点为中心的感受野中,将中心区域内各像素点的各方向的能量值分别除以中心区域内的像素点个数并求和得到该像素点中心区域的各方向的能量分布值;将各子区域内各像素点的各方向的能量值分别除以该子区域内的像素点个数并求和得到该像素点各子区域的各方向的能量分布值;
D、对于各像素点:计算各子区域的各方向的能量分布值与中心区域的对应方向的能量分布值的差值,对该差值进行L1正则化之后与该子区域的角度的2倍的余弦值的负值相乘,得到的乘积即为该像素点的中心区域-子区域能量分布差值;
对中心区域的各方向的能量分布值计算方差,得到该像素点中心区域的能量方向显著度;
将中心区域-子区域能量分布差值与该像素点中心区域的能量方向显著度相乘,得到该像素点的中心区域-子区域抑制权重;
将该像素点各子区域的各方向的能量分布值进行L1正则化之后计算标准差,得到该像素点的子区域-子区域抑制权重;
E、对于各像素点:将像素点的中心区域-子区域抑制权重与子区域-子区域抑制权重分别进行径向基函数计算之后分别得到中心区域-子区域抑制权值与子区域-子区域抑制权值;
F、对于各像素点:将中心区域-子区域抑制权值与子区域-子区域抑制权值相加得到该像素点的非经典感受野刺激响应;将该像素点的经典感受野刺激响应减去非经典感受野刺激响应与抑制强度的乘积,得到该像素点的轮廓响应,对轮廓响应使用非极大值抑制和双阈值处理,得到各像素点的最终轮廓值,进而得到最终轮廓图。

2.如权利要求1所述的基于感受野子区域的方向选择性轮廓检测方法,其特征在于:
所述的步骤A具体为:
二维高斯一阶滤波函数如下:
其中 γ=0.5,σ为尺度,θ为角度参数;
所述的各像素点的各方向的响应值ei(x,y;θi,σ)为:
ei(x,y;θi,σ)=|I(x,y)*GD(x,y;θi,σ)|    (2);
其中 θi为方向参数中的某一方向;Nθ为方向参数的数量;I
(x,y)为待检测图像中的各像素点的灰度值;
各像素点的经典感受野刺激响应CRF(x,y;σ)为:
CRF(x,y;σ)=max{ei(x,y;θi,σ)|i=1,2,…Nθ}    (3)。

3.如权利要求2所述的基于感受野子区域的方向选择性轮廓检测方法,其特征在于:
所述的步骤C具体为:
所述的各像素点的各方向的能量值 为
其中
将各像素点的各方向的能量值构成向量得到能量矩阵E(x,y);
各像素点中心区域的各方向的能量分布值Ec(x,y)为:
各像素点各子区域的各方向的能量分布值Esk(x,y)为:
其中Acrf和NAcrf分别表示中心区域以及中心区域内的像素点个数;Asfk和NAsfk分别表示某个子区域以及该子区域内的像素点个数。

4.如权利要求3所述的基于感受野子区域的方向选择性轮廓检测方法,其特征在于:
所述的步骤D具体为:
各像素点的中心区域-子区域能量分布差值ΔEOS(x,y)为:
其中||·||1为L1正则化范数;
各像素点中心区域的能量方向显著度Dc(x,y)为:
其中 是Ec(x,y)的各方向值的平均值;
各像素点的中心区域-子区域抑制权重CS(x,y)为:
CS(x,y)=ΔEOS(x,y)·Dc(x,y)          (10);
各像素点的子区域-子区域抑制权重SS(x,y)为:
其中 为各个子区域的||Esk(x,y)||1值的平均值。

5.如权利要求4所述的基于感受野子区域的方向选择性轮廓检测方法,其特征在于:
所述的步骤E具体为:
中心区域-子区域抑制权值 为:
其中N(x)=min(1,max(0,x)),该函数保证输出值在[0,1]区间,σcs为CS(x,y)的标准差参数;
子区域-子区域抑制权值 为:
其中,σss为SS(x,y)的标准差参数。

6.如权利要求5所述的基于感受野子区域的方向选择性轮廓检测方法,其特征在于:
各像素点的非经典感受野刺激响应Inhu(x,y)为:
各像素点的轮廓响应Ru(x,y)为:
Ru(x,y)=H(CRF(x,y;σ)-αInhu(x,y))   (15);
其中H(x)=max(0,x),α为抑制强度。
说明书

技术领域

[0001] 本发明涉及计算机图像处理领域,具体涉及一种基于感受野子区域的方向选择性轮廓检测方法。

背景技术

[0002] 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。提高轮廓检测性能的基本方法就是融合全局的信息,为了提高轮廓检测模型的性能,许多研究者尽力的去发现不同的视觉线索,包括亮度,颜色或者纹理信息。
[0003] 现有方法会考虑多重的图像特征,例如亮度,纹理,并且使用统计和学习技术、活动轮廓、图论的方法构建了一个亮度,颜色和纹理通道的统计框架,并且用了一个逻辑回归分类器去预测边缘的可能性;进一步的还有的通过冲图像块中提取千个简单特征,用这些特征去学习一种概率提升树的分类器去做轮廓提取或是为了融合多尺度的信息使用局部轮廓线索:对比度、局部对比度以及局部位置去训练一个逻辑回归分类器来融合这些特征。

发明内容

[0004] 本发明旨在提供一种基于感受野子区域的方向选择性轮廓检测方法,该方法具有仿真效果好、轮廓识别率高的特点。
[0005] 本发明的技术方案如下:
[0006] 一种基于感受野子区域的方向选择性轮廓检测方法,包括以下步骤:
[0007] A、输入经灰度处理的待检测图像,预设抑制强度,预设均分圆周的多个方向参数,对待检测图像中的各像素点分别按照各方向参数进行二维高斯一阶滤波,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刺激响应;
[0008] B、预设圆形的感受野,将该感受野分为两个同心圆,圆形的中心区域为经典感受野,中心区域外的环形区域为非经典感受野;在非经典感受野内构建一组环绕中心区域分布的圆形的子区域,每一个子区域至少与其相邻的两个子区域相交;
[0009] 所述的中心区域的圆心与任两个相邻的子区域的圆心连线所形成的夹角相等;
[0010] 所述的子区域的直径为感受野半径与中心区域半径的差值,每一个子区域分别与其邻近的四个子区域相交;
[0011] 所述的中心区域的半径为2.5σ,所述的子区域的半径为3.75σ,所述的子区域的数量为Ns,所述的各个子区域中心的角度为 该角度为以Y轴正半轴为起点,逆时针旋转的角度;
[0012] C、将各像素点的各方向的响应值进行高斯滤波后得到各像素点的各方向的能量值;
[0013] 对于各像素点:在以该像素点为中心的感受野中,将中心区域内各像素点的各方向的能量值分别除以中心区域内的像素点个数并求和得到该像素点中心区域的各方向的能量分布值;将各子区域内各像素点的各方向的能量值分别除以该子区域内的像素点个数并求和得到该像素点各子区域的各方向的能量分布值;
[0014] D、对于各像素点:计算各子区域的各方向的能量分布值与中心区域的对应方向的能量分布值的差值,对该差值进行L1正则化之后与该子区域的角度的2倍的余弦值的负值相乘,得到的乘积即为该像素点的中心区域-子区域能量分布差值;
[0015] 对中心区域的各方向的能量分布值计算方差,得到该像素点中心区域的能量方向显著度;
[0016] 将中心区域-子区域能量分布差值与该像素点中心区域的能量方向显著度相乘,得到该像素点的中心区域-子区域抑制权重;
[0017] 将该像素点各子区域的各方向的能量分布值进行L1正则化之后计算标准差,得到该像素点的子区域-子区域抑制权重;
[0018] E、对于各像素点:将像素点的中心区域-子区域抑制权重与子区域-子区域抑制权重分别进行径向基函数计算之后分别得到中心区域-子区域抑制权值与子区域-子区域抑制权值;
[0019] F、对于各像素点:将中心区域-子区域抑制权值与子区域-子区域抑制权值相加得到该像素点的非经典感受野刺激响应;将该像素点的经典感受野刺激响应减去非经典感受野刺激响应与抑制强度的乘积,得到该像素点的轮廓响应,对轮廓响应使用非极大值抑制和双阈值处理,得到各像素点的最终轮廓值,进而得到最终轮廓图。
[0020] 优选地,所述的步骤A具体为:
[0021] 二维高斯一阶滤波函数如下:
[0022]
[0023] 其中 γ=0.5,σ为尺度,θ为角度参数;
[0024] 所述的各像素点的各方向的响应值ei(x,y;θi,σ)为:
[0025] ei(x,y;θi,σ)=|I(x,y)*GD(x,y;θi,σ)|   (2);
[0026] 其中 θi为方向参数中的某一方向;Nθ为方向参数的数量;I(x,y)为待检测图像中的各像素点的灰度值
[0027] 各像素点的经典感受野刺激响应CRF(x,y;σ)为:
[0028] CRF(x,y;σ)=max{ei(x,y;θi,σ)|i=1,2,…Nθ}   (3)。
[0029] 优选地,所述的步骤C具体为:
[0030] 所述的各像素点的各方向的能量值 为
[0031]
[0032] 其中
[0033] 将各像素点的各方向的能量值构成向量得到能量矩阵E(x,y);
[0034]
[0035]
[0036] 各像素点中心区域的各方向的能量分布值Ec(x,y)为:
[0037]
[0038] 各像素点各子区域的各方向的能量分布值Esk(x,y)为:
[0039]
[0040] 其中Acrf和NAcrf分别表示中心区域以及中心区域内的像素点个数;Asfk和NAsfk分别表示某个子区域以及该子区域内的像素点个数。
[0041] 优选地,所述的步骤D具体为:
[0042] 各像素点的中心区域-子区域能量分布差值ΔEOS(x,y)为:
[0043]
[0044] 其中||·||1为L1正则化范数;
[0045] 各像素点中心区域的能量方向显著度Dc(x,y)为:
[0046]
[0047] 其中 是Ec(x,y)的各方向值的平均值;
[0048] 各像素点的中心区域-子区域抑制权重CS(x,y)为:
[0049] CS(x,y)=ΔEOS(x,y)·Dc(x,y)   (10);
[0050] 各像素点的子区域-子区域抑制权重SS(x,y)为:
[0051]
[0052] 其中 为各个子区域的||Esk(x,y)||1值的平均值。
[0053] 优选地,所述的步骤E具体为:
[0054] 中心区域-子区域抑制权值 为:
[0055]
[0056] 其中N(x)=min(1,max(0,x)),该函数保证输出值在[0,1]区间,σcs为CS(x,y)的标准差参数;
[0057] 子区域-子区域抑制权值 为:
[0058]
[0059] 其中,σss为SS(x,y)的标准差参数。
[0060] 优选地,各像素点的非经典感受野刺激响应Inhu(x,y)为:
[0061]
[0062] 各像素点的轮廓响应Ru(x,y)为:
[0063] Ru(x,y)=H(CRF(x,y;σ)-αInhu(x,y))   (15);
[0064] 其中H(x)=max(0,x),α为抑制强度。
[0065] 本发明轮廓检测方法考虑了感受野中心区域的响应与其外部的非经典感受野区域的抑制响应,其中感受野中心区域的响应能够对需识别的边缘轮廓进行保护,降低了漏识别率,保证轮廓检测质量;
[0066] 而非经典感受野区域的抑制影响包括中心区域-子区域抑制权值与子区域-子区域抑制权值;中心区域-子区域抑制权值能够有效地抑制常规纹理,减低错误识别率;并且,中心区域-子区域的抑制权值的计算加入了方向选择性,对处于中心区域两端的子区域的影响进行促进,对处于中心区域两端的子区域的影响进行抑制,该特征设置很好地契合了感受野生理特性中:“两端促进,两侧抑制”的规律,使得能够算法更好地符合感受野的生理特性,提高识别正确率;而对于图像中的密集纹理以及被纹理包裹的孤立无用的边缘,子区域-子区域抑制权值能够给予很好的抑制效果;将中心区域-子区域抑制权值与子区域-子区域抑制权值进行结合作为非经典感受野区域的抑制响应,能够完善对各类纹理的抑制,弥补前述抑制的不足;综上,对边缘的保护和纹理抑制进行兼顾,使得运算结果更为符合人眼感受野的生理特性,轮廓识别的效率和正确率更高;
[0067] 并且,结合感受野中心区域的方向显著度进行考量,考虑了人眼感受野特性的生物学原理,较高的方向显著度往往意味着该处存在轮廓,因此,结合感受野中心区域的方向显著度能够进一步提高的轮廓检测的正确率。

实施方案

[0070] 下面结合附图和实施例具体说明本发明。
[0071] 实施例1
[0072] 本实施例提供的基于感受野子区域的方向选择性轮廓检测方法,包括以下步骤:
[0073] A、输入经灰度处理的待检测图像,预设抑制强度,预设均分圆周的多个方向参数,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刺激响应;
[0074] 所述的步骤A具体为:
[0075] 二维高斯一阶滤波函数如下:
[0076]
[0077] 其中 γ=0.5,σ为尺度,θ为角度参数;
[0078] 所述的各像素点的各方向的响应值ei(x,y;θi,σ)为:
[0079] ei(x,y;θi,σ)=|I(x,y)*GD(x,y;θi,σ)|   (2);
[0080] 其中 θi为方向参数中的某一方向;Nθ为方向参数的数量;I(x,y)为待检测图像中的各像素点的灰度值
[0081] 各像素点的经典感受野刺激响应CRF(x,y;σ)为:
[0082] CRF(x,y;σ)=max{ei(x,y;θi,σ)|i=1,2,…Nθ}   (3);
[0083] B、在感受野中心区域外部构建一组环绕中心区域的圆形的子区域,各子区域相对于中心区域具有不同偏离角度;如图1所示为感受野中心区域以及其外部子区域的示意图,图中中心的实心圆为中心区域,外围的虚线圆为各个子区域;
[0084] C、将各像素点的各方向的响应值进行高斯滤波后得到各像素点的各方向的能量值;
[0085] 对于各像素点:在以该像素点为中心的感受野中,将中心区域内各像素点的各方向的能量值分别除以中心区域内的像素点个数并求和得到该像素点中心区域的各方向的能量分布值;将各子区域内各像素点的各方向的能量值分别除以该子区域内的像素点个数并求和得到该像素点各子区域的各方向的能量分布值;
[0086] 所述的步骤C具体为:
[0087] 所述的各像素点的各方向的能量值 为
[0088]
[0089] 其中
[0090] 将各像素点的各方向的能量值构成向量得到能量矩阵E(x,y);
[0091]
[0092] 各像素点中心区域的各方向的能量分布值Ec(x,y)为:
[0093]
[0094] 各像素点各子区域的各方向的能量分布值Esk(x,y)为:
[0095]
[0096] 其中Acrf和NAcrf分别表示中心区域以及中心区域内的像素点个数;Asfk和NAsfk分别表示某个子区域以及该子区域内的像素点个数;
[0097] D、对于各像素点:计算各子区域的各方向的能量分布值与中心区域的对应方向的能量分布值的差值,对该差值进行L1正则化之后与该子区域的角度的2倍的余弦值的负值相乘,得到的乘积即为该像素点的中心区域-子区域能量分布差值;
[0098] 对中心区域的各方向的能量分布值计算方差,得到该像素点中心区域的能量方向显著度;
[0099] 将中心区域-子区域能量分布差值与该像素点中心区域的能量方向显著度相乘,得到该像素点的中心区域-子区域抑制权重;
[0100] 将该像素点各子区域的各方向的能量分布值进行L1正则化之后计算标准差,得到该像素点的子区域-子区域抑制权重;
[0101] 所述的步骤D具体为:
[0102] 各像素点的中心区域-子区域能量分布差值ΔEOS(x,y)为:
[0103]
[0104] 其中||·||1为L1正则化范数;
[0105] 各像素点中心区域的能量方向显著度Dc(x,y)为:
[0106]
[0107] 其中 是Ec(x,y)的各方向值的平均值;
[0108] 各像素点的中心区域-子区域抑制权重CS(x,y)为:
[0109] CS(x,y)=ΔEOS(x,y)·Dc(x,y)   (10);
[0110] 各像素点的子区域-子区域抑制权重SS(x,y)为:
[0111]
[0112] 其中 为各个子区域的||Esk(x,y)||1值的平均值;
[0113] E、对于各像素点:将像素点的中心区域-子区域抑制权重与子区域-子区域抑制权重分别进行径向基函数计算之后分别得到中心区域-子区域抑制权值与子区域-子区域抑制权值;
[0114] 所述的步骤E具体为:
[0115] 中心区域-子区域抑制权值 为:
[0116]
[0117] 其中N(x)=min(1,max(0,x)),该函数保证输出值在[0,1]区间,σcs为CS(x,y)的标准差参数;
[0118] 子区域-子区域抑制权值 为:
[0119]
[0120] 其中,σss为SS(x,y)的标准差参数;
[0121] F、对于各像素点:将中心区域-子区域抑制权值与子区域-子区域抑制权值相加得到该像素点的非经典感受野刺激响应;将该像素点的经典感受野刺激响应减去非经典感受野刺激响应与抑制强度的乘积,得到该像素点的轮廓响应,对轮廓响应使用非极大值抑制和双阈值处理,得到各像素点的最终轮廓值,进而得到最终轮廓图;
[0122] 所述的步骤F具体为:
[0123] 各像素点的非经典感受野刺激响应Inhu(x,y)为:
[0124]
[0125] 各像素点的轮廓响应Ru(x,y)为:
[0126] Ru(x,y)=H(CRF(x,y;σ)-αInhu(x,y))   (15);
[0127] 其中H(x)=max(0,x),α为抑制强度。
[0128] 下面将本实施例的轮廓检测方法与文献1提供的轮廓检测各项同性模型进行有效性对比,文献1如下:
[0129] 文献1:K.-F.Yang,C.-Y.Li,and Y.-J.Li,"Multifeature-based surround inhibition improves contour detection in natural images,"IEEE Transactions on Image Processing,vol.23,pp.5020-5032,2014.;
[0130] 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,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;
[0131] 其中性能评价指标P采用文献1中给出的如下标准:
[0132]
[0133] 式中nTP、nFP、nFN分别表示检测得到的正确轮廓、错误轮廓以及遗漏的轮廓的数目,评测指标P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;
[0134] 选取熊、大象、山羊3副经典图像进行有效性对比,分别采用文献1中的各项同性模型以及实施例1方法对上述3幅图进行轮廓检测,其中实施例1方法选用的参数组如表1所示,
[0135] 表1实施例1参数组表
[0136]
[0137] 文献1中的各项同性模型采用如下80组参数:α={1.0,1.2},σ={1.4,1.6,1.8,2.0,2.2,2.4,2.6,2.8},p={0.5,0.4,0.3,0.2,0.1};
[0138] 如图2所示为分别为熊、大象、山羊3副经典图像的原图、实际轮廓图、文献1方法检测的最优轮廓,实施例1方法检测的最优轮廓;如表1所示为上述3幅图像的文献1方法检测的的最优P值与实施例1方法检测的的最优P值;
[0139] 表1P值对比图
[0140]
[0141] 从上述结果可以看出,不论从轮廓提取的效果上还是从性能指标参数上看,实施例1方法均优于文献1中的各项同性模型。

附图说明

[0068] 图1为本发明基于感受野子区域的方向选择性轮廓检测方法的感受野子区域划分示意图;
[0069] 图2为实施例1与文献方法的轮廓识别对比图。
版权所有:盲专网 ©2023 zlpt.xyz  蜀ICP备2023003576号