CN108090492B - 基于尺度线索抑制的轮廓检测方法 - Google Patents

基于尺度线索抑制的轮廓检测方法 Download PDF

Info

Publication number
CN108090492B
CN108090492B CN201711097273.2A CN201711097273A CN108090492B CN 108090492 B CN108090492 B CN 108090492B CN 201711097273 A CN201711097273 A CN 201711097273A CN 108090492 B CN108090492 B CN 108090492B
Authority
CN
China
Prior art keywords
scale
value
pixel point
response
inhibition
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
Application number
CN201711097273.2A
Other languages
English (en)
Other versions
CN108090492A (zh
Inventor
林川
张晴
李福章
潘亦坚
韦江华
覃溪
潘勇才
刘青正
张玉薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liuzhou Shunchi Machinery Co ltd
Original Assignee
Guangxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN201711097273.2A priority Critical patent/CN108090492B/zh
Publication of CN108090492A publication Critical patent/CN108090492A/zh
Application granted granted Critical
Publication of CN108090492B publication Critical patent/CN108090492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明旨在提供一种基于尺度线索抑制的轮廓检测方法，包括以下步骤：A、输入经灰度处理的待检测图像，预设抑制强度，预设均分圆周的多个方向参数，进行二维高斯一阶导函数滤波，获得各像素点的经典感受野刺激响应；B、预设高斯差分函数并进行归一化处理，得到归一化的高斯差分滤波函数；C、利用归一化的高斯差分滤波函数分别计算各像素点的归一化高斯差分滤波值；D、预设尺度线索的高尺度值、低尺度值，预设阈值，确定各像素点的尺度线索；E、分别计算各像素点的抑制响应；将各像素点的经典感受野刺激响应减去该像素点的抑制响应并进行处理得到各像素点的最终轮廓值。该方法具有仿真效果好、轮廓识别率高的特点。

Description

基于尺度线索抑制的轮廓检测方法
技术领域
本发明涉及计算机图像处理领域，具体涉及一种基于尺度线索抑制的轮廓检测方法。
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。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对原始的检测算子以及抑制模型进行改进；基于尺度空间理论，每个尺度对应一组神经元感受野的大小，神经节细胞不同的感受野大小有着不同尺度下的特性；因此，在模型中考虑感受野模型尺度线索可以作为该领域的发展方向。
发明内容
本发明旨在提供一种基于尺度线索抑制的轮廓检测方法，该方法具有仿真效果好、轮廓识别率高的特点。
本发明的技术方案如下：
基于尺度线索抑制的轮廓检测方法，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的灰度值分别按照各方向参数进行二维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刺激响应；
B、预设高斯差分函数，对该函数的正值和负值进行归一化处理，得到归一化的高斯差分滤波函数；
C、利用归一化的高斯差分滤波函数分别与各像素点的灰度值进行卷积，得到各像素点的归一化高斯差分滤波值；
D、预设尺度线索的高尺度值、低尺度值，预设阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，若该像素点归一化高斯差分滤波值大于或等于阈值，则该像素点对应的尺度线索为高尺度值，若该像素点归一化高斯差分滤波值小于阈值，则该像素点对应的尺度线索为低尺度值；
E、对于尺度线索为高尺度值的各像素点：将该像素点的高尺度值与抑制强度相乘得到该像素点的抑制响应；
对于尺度线索为低尺度值的各像素点：将该像素点的的低尺度值与抑制强度相乘得到该像素点的抑制响应；
将各像素点的经典感受野刺激响应减去该像素点的抑制响应，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。
优选地，所述的步骤A具体为：
所述的二维高斯一阶导函数如下：
其中γ＝0.5，σ为初始化尺度，θ为方向参数；
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)。
优选地，所述的步骤B具体为：
所述的高斯差分函数DoGσ(x,y)为：
所述的归一化高斯差分滤波函数wσ(x,y)为：
优选地，所述的步骤C具体为：
所述的归一化高斯差分滤波值woutσ(x,y)为：
woutσ(x,y)＝I(x,y)*wσ(x,y) (7)。
优选地，所述的步骤D具体为：
所述的尺度线索S(x,y)为：
其中σH为高尺度值，σL为低尺度值，σH＝σL+s，t为阈值，s为尺度的步长。
优选地，所述的阈值t为趋近于0的数值。
优选地，所述的步骤E具体为：
所述的抑制响应Inh(x,y)为：
Inh(x,y)＝α·S(x,y) (9)；
所述的轮廓响应R(x,y)为：
R(x,y)＝H(CRF(x,y；σ)-αInh(x,y)) (10)；
其中H(x)＝max(0,x)，α为抑制强度。
本发明通过归一化的高斯差分算子对原始图像的每个像素点所对应的感受野尺度大小进行判断，提取出每个像素点所对应的感受野尺度信息，并将这项提取的尺度线索作为抑制项进行后续的轮廓检测计算；将高斯差分算子进行归一化，使得进行滤波时正、负滤波值的权重一致，降低错误识别率；
本发明对高、低尺度值的区分选择基于高尺度值利于提取轮廓、低尺度值利于抑制纹理的原理，因此根据各像素点的归一化的高斯差分滤波值判断，若该滤波值显著大于0，则该像素点很可能位于轮廓的位置，因此选用高尺度值对轮廓进行提取；反之若该滤波值位于0附近，则该像素点很可能位于纹理的位置，因此选用低尺度值对纹理进行抑制；因此，结合上述滤波值判断该像素点对应的是轮廓或者纹理，从而选择相应的高尺度值或低尺度值来进行抑制，能够在保证不漏掉轮廓的同时还兼顾了纹理的抑制，避免出现过多无用的纹理，影响轮廓识别的效果；
综上所述，本发明的轮廓检测方法既保持了轮廓的完整性也极大地去除了多余的纹理背景，且更符合视觉感受野的空间频率特性。
附图说明
图1为本发明实施例1方法与文献1方法针对图像1的轮廓检测对比图。
图2为本发明实施例1方法与文献1方法针对图像2的轮廓检测对比图。
图3为本发明实施例1方法与文献1方法针对图像3的轮廓检测对比图。
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尺度线索抑制的轮廓检测方法，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的灰度值分别按照各方向参数进行二维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刺激响应；
所述的步骤A具体为：
所述的二维高斯一阶导函数如下：
其中γ＝0.5，σ为初始化尺度，θ为方向参数；
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)；
B、预设高斯差分函数，对该函数的正值和负值进行归一化处理，得到归一化的高斯差分滤波函数；
所述的步骤B具体为：
所述的高斯差分函数DoGσ(x,y)为：
所述的归一化高斯差分滤波函数wσ(x,y)为：
C、利用归一化的高斯差分滤波函数分别与各像素点的灰度值进行卷积，得到各像素点的归一化高斯差分滤波值；
所述的步骤C具体为：
所述的归一化高斯差分滤波值woutσ(x,y)为：
woutσ(x,y)＝I(x,y)*wσ(x,y) (7)；
D、预设尺度线索的高尺度值、低尺度值，预设阈值，所述的阈值趋近于0，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，若该像素点归一化高斯差分滤波值大于或等于阈值，则该像素点对应的尺度线索为高尺度值，若该像素点归一化高斯差分滤波值小于阈值，则该像素点对应的尺度线索为低尺度值；
所述的步骤D具体为：
所述的尺度线索S(x,y)为：
其中σH为高尺度值，σL为低尺度值，σH＝σL+s，t为趋近于0的阈值，s为尺度的步长；
E、将各像素点的尺度线索与抑制强度相乘得到该像素点的抑制响应；将各像素点的经典感受野刺激响应减去该像素点的抑制响应，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；
所述的步骤E具体为：
所述的抑制响应Inh(x,y)为：
Inh(x,y)＝α·S(x,y) (9)；
所述的轮廓响应R(x,y)为：
R(x,y)＝H(CRF(x,y；σ)-αInh(x,y)) (10)；
其中H(x)＝max(0,x)，α为抑制强度。
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：
文献1：Cosmin Grigorescu,Nicolai Petkov,and MichelA.Westenberg.Contour Detection Based on Nonclassical Receptive FieldInhibition[J].IEEE Transactions on image processing,vol.12,no.7,july 2003729-739；
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；
本次性能评价指标F采用文献2中给出的如下标准：
文献2为“D.R.Martin,C.C.Fowlkes,and J.Malik,"Learning to detectnatural image boundaries using local brightness,color,and texture cues,"IEEEtransactions on pattern analysis and machine intelligence,vol.26,pp.530-549,2004.”；
式中P表示精确度，R表示覆盖率，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；
选取图2中所示的3副经典图像进行有效性对比，分别采用文献1中的方法以及实施例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，
表1实施例1参数组表
文献1中的方法采用如下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}；
如图1-3所示为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F值与实施例1方法检测的的最优F值对比；
表1 F值对比图
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中的轮廓检测方法。

Claims (7)

1.一种基于尺度线索抑制的轮廓检测方法，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的灰度值分别按照各方向参数进行二维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刺激响应；
B、预设高斯差分函数，对该函数的正值和负值进行归一化处理，得到归一化的高斯差分滤波函数；
C、利用归一化的高斯差分滤波函数分别与各像素点的灰度值进行卷积，得到各像素点的归一化高斯差分滤波值；
D、预设尺度线索的高尺度值、低尺度值，预设阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，若该像素点归一化高斯差分滤波值大于或等于阈值，则该像素点对应的尺度线索为高尺度值，若该像素点归一化高斯差分滤波值小于阈值，则该像素点对应的尺度线索为低尺度值；
E、对于尺度线索为高尺度值的各像素点：将该像素点的高尺度值与抑制强度相乘得到该像素点的抑制响应；
对于尺度线索为低尺度值的各像素点：将该像素点的的低尺度值与抑制强度相乘得到该像素点的抑制响应；
将各像素点的经典感受野刺激响应减去该像素点的抑制响应，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所述的基于尺度线索抑制的轮廓检测方法，其特征在于：
所述的步骤A具体为：
所述的二维高斯一阶导函数如下：
其中γ＝0.5，σ为初始化尺度，θ为方向参数；
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所述的基于尺度线索抑制的轮廓检测方法，其特征在于：
所述的步骤B具体为：
所述的高斯差分函数DoGσ(x,y)为：
所述的归一化高斯差分滤波函数wσ(x,y)为：
4.如权利要求3所述的基于尺度线索抑制的轮廓检测方法，其特征在于：
所述的步骤C具体为：
所述的归一化高斯差分滤波值woutσ(x,y)为：
woutσ(x,y)＝I(x,y)*wσ(x,y) (7)。
5.如权利要求4所述的基于尺度线索抑制的轮廓检测方法，其特征在于：
所述的步骤D具体为：
所述的尺度线索S(x,y)为：
其中σH为高尺度值，σL为低尺度值，σH＝σL+s，t为阈值，s为尺度的步长。
6.如权利要求5所述的基于尺度线索抑制的轮廓检测方法，其特征在于：所述的阈值t为趋近于0的数值。
7.如权利要求6所述的基于尺度线索抑制的轮廓检测方法，其特征在于：
所述的步骤E具体为：
所述的抑制响应Inh(x,y)为：
Inh(x,y)＝α·S(x,y) (9)；
所述的轮廓响应R(x,y)为：
R(x,y)＝H(CRF(x,y；σ)-αInh(x,y)) (10)；
其中H(x)＝max(0,x)，α为抑制强度。
CN201711097273.2A 2017-11-09 2017-11-09 基于尺度线索抑制的轮廓检测方法 Active CN108090492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711097273.2A CN108090492B (zh) 2017-11-09 2017-11-09 基于尺度线索抑制的轮廓检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711097273.2A CN108090492B (zh) 2017-11-09 2017-11-09 基于尺度线索抑制的轮廓检测方法

Publications (2)

Publication Number Publication Date
CN108090492A CN108090492A (zh) 2018-05-29
CN108090492B true CN108090492B (zh) 2019-12-31

Family

ID=62170436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711097273.2A Active CN108090492B (zh) 2017-11-09 2017-11-09 基于尺度线索抑制的轮廓检测方法

Country Status (1)

Country Link
CN (1) CN108090492B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934835B (zh) * 2019-01-25 2023-03-31 广西科技大学 基于深度强化网络邻接连接的轮廓检测方法
CN111080663B (zh) * 2019-12-30 2020-09-22 广西科技大学 一种基于动态感受野的仿生型轮廓检测方法
CN111161253B (zh) * 2019-12-31 2020-12-15 柳州快速制造工程技术有限公司 一种基于深度信息的模具检验方法
CN111539969B (zh) * 2020-04-23 2023-06-09 武汉铁路职业技术学院 图像边缘检测方法、装置、计算机设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5422962A (en) * 1992-03-19 1995-06-06 Fujitsu Limited Method and apparatus for extracting line segments from an image of an object
US7130484B2 (en) * 2001-10-15 2006-10-31 Jonas August Biased curve indicator random field filters for enhancement of contours in images
CN101673345A (zh) * 2009-07-01 2010-03-17 北京交通大学 基于形状先验的提取目标闭合轮廓的方法
CN102034105A (zh) * 2010-12-16 2011-04-27 电子科技大学 一种复杂场景的物体轮廓检测方法
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
US8971614B2 (en) * 2012-05-14 2015-03-03 University Of Southern California Extracting object edges from images
CN104484667A (zh) * 2014-12-30 2015-04-01 华中科技大学 一种基于亮度特征和轮廓完整性的轮廓提取方法
CN106033609A (zh) * 2015-07-24 2016-10-19 广西科技大学 仿生物跳跃眼动信息处理机制的目标轮廓检测方法
CN106485724A (zh) * 2016-09-20 2017-03-08 华中科技大学 一种基于组合感受野和朝向特征调制的轮廓检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020154833A1 (en) * 2001-03-08 2002-10-24 Christof Koch Computation of intrinsic perceptual saliency in visual environments, and applications
JP4208485B2 (ja) * 2001-05-31 2009-01-14 キヤノン株式会社 パルス信号処理回路、並列処理回路、パターン認識装置、及び画像入力装置
US20140254922A1 (en) * 2013-03-11 2014-09-11 Microsoft Corporation Salient Object Detection in Images via Saliency

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5422962A (en) * 1992-03-19 1995-06-06 Fujitsu Limited Method and apparatus for extracting line segments from an image of an object
US7130484B2 (en) * 2001-10-15 2006-10-31 Jonas August Biased curve indicator random field filters for enhancement of contours in images
CN101673345A (zh) * 2009-07-01 2010-03-17 北京交通大学 基于形状先验的提取目标闭合轮廓的方法
CN102034105A (zh) * 2010-12-16 2011-04-27 电子科技大学 一种复杂场景的物体轮廓检测方法
US8971614B2 (en) * 2012-05-14 2015-03-03 University Of Southern California Extracting object edges from images
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
CN104484667A (zh) * 2014-12-30 2015-04-01 华中科技大学 一种基于亮度特征和轮廓完整性的轮廓提取方法
CN106033609A (zh) * 2015-07-24 2016-10-19 广西科技大学 仿生物跳跃眼动信息处理机制的目标轮廓检测方法
CN106485724A (zh) * 2016-09-20 2017-03-08 华中科技大学 一种基于组合感受野和朝向特征调制的轮廓检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Contour detection operators based on surround inhibition;Cosmin Grigorescu 等;《Proceedings 2003 International Conference on Image Processing》;20031231;第3卷;第III-437-III440页 *
Improved Contour Detection by Non-classical Receptive Field Inhibition;Cosmin Grigorescu 等;《BMCV 2002》;20021231;第50-59页 *
Improved contour detection model with spatial summation properties based on nonclassical receptive field;Chuan Lin 等;《Journal of Electronic Imaging》;20160831;第25卷(第4期);第1-10页 *
Orientation Histogram-Based Center-Surround Interaction: An Integration Approach for Contour Detection;Rongchang Zhao 等;《Neural Computation》;20161130;第29卷(第4期);第1-23页 *
基于多通道Gabor滤波的指纹图像二值化方法;林川 等;《科学技术与工程》;20130831;第13卷(第22期);第6487-6491页 *
基于非经典感受野多尺度机制的图像分析方法;许跃颖 等;《信息技术》;20170725(第7期);第5-8页 *

Also Published As

Publication number Publication date
CN108090492A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN107767387B (zh) 基于可变感受野尺度全局调制的轮廓检测方法
CN108090492B (zh) 基于尺度线索抑制的轮廓检测方法
CN105956582B (zh) 一种基于三维数据的人脸识别***
CN108022233A (zh) 一种基于改进型Canny算子的工件边缘提取方法
CN103886589B (zh) 面向目标的自动化高精度边缘提取方法
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN104091157A (zh) 一种基于特征融合的行人检测方法
CN104732536A (zh) 一种基于改进形态学的亚像素边缘检测方法
CN103198319B (zh) 用于矿山井筒环境下的模糊图像角点提取方法
CN103413119A (zh) 基于人脸稀疏描述子的单样本人脸识别方法
CN106682641A (zh) 基于fhog‑lbph特征的图像行人识别方法
CN108710909B (zh) 一种可变形旋转不变装箱物体清点方法
CN107808161A (zh) 一种基于光视觉的水下目标识别方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN102209974A (zh) 特征量提取装置、物体识别装置、以及特征量提取方法
CN107886539B (zh) 一种工业场景下高精度齿轮视觉检测方法
CN107180422A (zh) 一种基于词袋特征的标贴破损检测方法
CN107038432B (zh) 基于频率信息的指纹图像方向场提取方法
CN107742302B (zh) 基于初级视皮层多尺度轮廓融合的轮廓检测方法
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN114943744A (zh) 基于局部Otsu阈值化的边缘检测方法
CN104463896B (zh) 基于核相似区分布特性的图像角点检测方法及***
CN111639555B (zh) 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置
CN103279960A (zh) 一种基于x射线背散射图像的人体隐藏物的图像分割方法
CN104063874B (zh) 基于权值模型的灰度图像二值化算法定量评估方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221228

Address after: 545002 Bailu SME Industrial Base, No. 1 Machang Road, Liuzhou City, Guangxi Zhuang Autonomous Region

Patentee after: LIUZHOU SHUNCHI MACHINERY Co.,Ltd.

Address before: 545006 No. 268 East Ring Road, the Guangxi Zhuang Autonomous Region, Liuzhou

Patentee before: GUANGXI University OF SCIENCE AND TECHNOLOGY