基于HMAX模型和非经典感受野抑制的轮廓提取

针对图像里处于复杂纹理背景中物体的轮廓提取正确率低的问题,首先研究了基于非经典感受野抑制的轮廓提取算法和HMAX模型,然后利用HMAX模型所具备的具有基本视皮层功能结构的优点,弥补了前者所依据的生物学视觉结构比较简单的不足,最后提出并实现了基于HMAX模型和非经典感受野抑制的轮廓提取算法。通过与Canny算子和非经典感受野抑制的轮廓提取算法的评估比较,表明本文算法有效提高了轮廓提取的正确率。     

基于颜色拮抗和纹理抑制的轮廓检测模型

作为目标识别的关键步骤,轮廓检测已成为计算机视觉研究领域的热点之一.仿生学研究发现,在初级视皮层(V1)细胞中,驱动彩色亮度单元的双拮抗细胞感受野对亮度和颜色信息敏感且具有方向选择性,对于轮廓检测起到重要作用.本文提出一种基于颜色拮抗和纹理抑制的轮廓检测模型,通过二维高斯差分DOG函数来模拟纹理抑制模板,对不同的双拮抗细胞通道进行纹理抑制,在基于颜色拮抗特性检测模型中考虑了抑制纹理的作用.实验结果表明:在BSDS300图像库下本文模型在纹理抑制方面较现有模型有一定的优势,能够较好的提取目标轮廓,是颜色拮抗目标轮廓检测模型中的一种新思路.     

基于非经典感受野动态特性的轮廓检测模型

轮廓检测是计算机视觉的重要任务之一,并广泛地用于医学,工程,交通等领域.针对这些领域的检测需求,本文受非经典感受野动态特性的启发提出一种仿生型轮廓检测模型:在模拟初级视皮层(V1区)神经元的经典感受野响应时,用改进的神经元激活函数sigmoid提取局部尺度信息,然后用局部最优尺度代替现有模型中的全局感受野尺度,并将提取的局部最优尺度信息对非经典感受野抑制进行调制.基于RuG40和伯克利图像数据库的实验结果表明,本文的轮廓检测模型较同类模型获得了较高的性能评测指数,有效地提高了轮廓检测的性能.     

基于X、Y细胞感受野视觉神经机制的轮廓检测模型

仿生型轮廓检测的研究已逐渐成为计算机视觉的研究热点.生物视觉机制研究中,空间总和特性将视觉细胞分为线性的X型细胞和非线性的Y型细胞.受该机制启发,提出一种仿生型轮廓检测模型,该模型通过模拟计算X、Y型细胞不同的感受野响应,并根据亮度对比度信息有效地融合X、Y通道的轮廓特征.实验结果表明:本文的模型能有效地保留弱轮廓并抑制纹理背景,将为基于视觉机制的图像分析提供一种新的思路.     

利用采样窗口与彩色信息提取石材大板目标轮廓

目的提取生产线复杂背景下的石材大板目标轮廓,为后续石材大板的实时优化排版及下料等智能化加工提供基本参数．方法将彩色信息作为石材大板的有效分割特征．在HSI彩色图像空间中,定义采样窗口和动态检测窗口,提取采样窗口特征参数作为先验模板．用检测窗口遍历图像,根据检测窗口与采样窗口彩色分量概率分布的相似性分割出准目标区域;在该区域内用双阈值法分割出目标点区域,提取目标轮廓．结果对简单背景和复杂生产线背景下的石材大板目标轮廓提取进行了实验,并与直方图自适应阈值法进行了实验结果对比分析．实验结果表明,笔者所提算法能够准确提取简单背景和复杂背景下不规则石材大板目标轮廓．结论笔者算法从生产实际出发,能够准确提取复杂背景下不规则石材大板的目标轮廓,为石材大板的智能加工提供了前期输入参数．     

基于固视微动与初级视皮层神经机制的轮廓检测模型

已有研究表明,生物视觉系统中第二视觉通路主要是基于固视微动响应特性来完成视觉信息的特征提取.受此启发,提出一种基于固视微动与初级视觉皮层神经机制的轮廓检测模型,以注视中心为原点,通过不同角度下偏移的高斯一阶导滤波器模拟视觉神经细胞的固视微动特性,其中偏移量由图像的局部特征信息计算得到;然后将不同偏好方向下多个角度偏移模板的滤波能量与注视中心的响应能量竞争得到经典感受野的最优能量响应;最后通过高斯差分函数对最优能量响应进行纹理抑制并获得最终的目标轮廓输出.BSDS数据集的定性和定量实验结果表明,所提出的检测模型能够获得更完整更连续的轮廓特征,具有较高的性能评测指标.     

阴影检测技术在裁割机样片轮廓提取中的应用研究

阴影将导致轮廓提取时样片的轮廓发生扭曲变形以及部分轮廓的丢失,为了提高轮廓提取的准确性,提出了一种基于色度畸变和均值的局部多层次差分算子的阴影检测方法.新方法从彩色不变性和纹理相似性两个方面出发,通过阴影覆盖前后色度变化相对较小和纹理具有相似性的原理来确定阴影区域.实验结果表明：该方法能够有效去除样片周围的阴影,具有良好的性能.     

一种新的组织病理图像阳性细胞轮廓检测方法

组织病理图像中阳性细胞比例的检测对癌症和肿瘤的定性和定级起决定作用。提出一种用于细胞准确计数的新的轮廓检测方法,针对组织病理图像色彩纹理复杂、细胞边界模糊等特点,结合通道提取和图像二值化方法实现阳性细胞的准确分离,并在CV模型基础上完成对细胞的轮廓提取。实验表明,该方法有效解决了传统方法无法处理的弱边缘问题,在保持算法性能的前提下,可自动分离组织病理图像中的阳性细胞并检测其轮廓。     

视觉感知的目标识别算法

针对图像的目标识别问题,采用视觉感知的方法,模拟感受野的分层信息处理机制,并引入神经元间的侧抑制机制,对神经元响应进行筛选,通过检测视觉基本特征的方式识别图像中的目标.算法首先在简单细胞的感受野中对图像进行预处理;其次,在复杂细胞的感受野中,将简单细胞的感受野刺激进一步拓扑特征提取,得到感受野刺激响应;最后,通过侧抑制机制对响应神经元筛选,找出对刺激响应较强烈的神经元,将其输出作为目标识别的参数标准.实验结果表明,基于视觉感知的算法可以用少量样本解决大量图像中的目标识别问题,识别率高于边缘检测和图像分割方法,算法的目标识别率达到95.56%.     

基于XCS-LBP纹理背景建模算法的运动目标检测

传统纹理特征的背景建模算法具有模型的维数过高、计算复杂等缺点,加大了运动目标检测的难度,提取精确细致的纹理特征建立背景模型,并且提高算法的处理速度,是运动目标检测技术的关键。文章对比了几种经典的纹理算子,采用了提取纹理信息更加细致的纹理提取算子,使用统计学习方式建立背景模型,又利用像素的空间信息,增加了随机更新机制去更新背景模型,提出了基于扩展中心对称局部二值纹理模式(extended center-symmetric local binary pattern,XCS-LBP)纹理特征背景建模算法并通过实验验证该算法检测效果好,避免了模型的维数过高,减少了复杂计算,处理速度满足实时处理的需求。     

局部能量模型边缘检测方法研究

绝大多数边缘检测算法都是基于梯度的边缘检测,但是随着纹理复杂度加深,梯度会变得模糊,在边缘图像中很难找到有用信息。提出了一种采用局部能量模型来检测健全和有用的图像边缘的新方法。该局部能量模型与人类视觉系统相关,采用非标准的感受野（Non-CRF）抑制进行感兴趣边缘检测。实验结果表明,在感兴趣的边缘检测中,新方法比梯度模型（Canny）算法取得了更好的检测效果.     

基于区域合并与轮廓模型的图像序列人物轮廓分割

为解决受图像背景复杂度影响,分水岭算法较难高精度实现图像序列中人物轮廓的分割与追踪这一问题,提出了利用颜色空间转换的区域合并实现目标轮廓区域的划分、并基于人物头部轮廓信息生成人物领域轮廓模型的方法。通过对人物领域边界线生成的初步轮廓模型进行高斯函数的卷积运算,生成形态轮廓模型的有效对象模板,实现图像序列的人物领域中不依靠序列差分和移动向量亦能在图像序列中追踪移动对象。基于颜色空间转换的区域合并和轮廓模型算法,可满足视频背景变动并且背景复杂的情况下对图像序列中的人物轮廓进行有效分割。实验结果验证了本算法的有效性与鲁棒性,可有效而稳定实现图像序列中人物轮廓的分割。     

基于YOLO神经网络的雷达目标成像识别评估研究

针对复杂地面背景环境下的武器装备精确探测识别需求,采用Lee增强滤波、对比度自适应直方图均衡化和能量归一化等图像预处理方法,提高SAR图像质量;通过引入两个可学习的参数和采用基于非极大值抑制(NMS)方法构建了优化的YOLO神经网络目标识别方法,对基于轮廓、纹理等特征的地面目标SAR图像自动识别进行了实验.实验结果表明...     

对复杂背景中字符分割方法的研究

机器视觉技术是计算机科学的重要研究领域,其中背景图像中字符的提取和识别有重大的研究意义.通过分析复杂背景中字符存在的特点,针对快速分割和识别的应用需求,提出了一种在色调上将阀值法和区域生长法相结合的分割方法.     

基于Kinect深度信息的指尖检测

指尖检测是目前人机交互研究的热点之一,针对基于普通摄像机的指尖检测容易受到复杂背景的影响而无法准确定位的问题,提出了基于Kinect深度信息的指尖获取方法。利用Kinect获取的深度信息将手单独分离出来,从而更好的实现手或手指与虚拟物体的交互。研究了一种利用NITE库函数定位手的位置的方法,根据获取的手的位置能够迅速而准确的从复杂背景中提取手部信息。再利用道格拉斯-普克算法得到手的轮廓曲线,最后利用轮廓分析法从凸包点中识别出指尖。实验表明该方法能够精确的定位到手的各个指尖位置,识别率达到80%,该方法实现简单,实时性好,有较好的鲁棒性。     

复杂背景下人脸检测技术的研究

为了解决传统人脸检测技术在检测复杂背景中的人脸时准确率低的问题,提出了一种具有形状约束的Snake模型的人脸检测方法。该方法依据人脸形状近似符合椭圆的特点,在Snake模型的能量函数中引入了形状能量函数,使得控制点之间的联系进一步加强,从而提高了复杂背景中人脸检测时收敛结果的准确性。实验结果表明,该方法能够较好地提取复杂背景中的人脸轮廓,是一种有效可行的方法。     

基于改进DRLSE的运动目标分割方法

为了得到精准、连续的运动目标轮廓,提出将帧间差分法和改进的距离规则水平集演化(DRLSE)方法结合应用于运动目标分割.采用帧间差分法得到运动目标的初始轮廓;使用在能量泛函的外力项中融入运动序列时空变化信息的DRLSE方法进行轮廓演化,避免演化受背景边缘干扰,得到精准的运动目标轮廓;根据精准目标轮廓的反馈估计运动方向,并结合帧间差分法为后续的DRLSE提供一个较佳的初始轮廓,能显著提高运动目标的分割速度.实验结果表明,与现有算法相比该改进方法能够更精确、更快地得到运动目标轮廓.