• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于層次形狀特征提取模型的圖像分類①

    2016-12-05 07:47:36張盛博
    高技術(shù)通訊 2016年1期
    關(guān)鍵詞:特征提取方向特征

    張盛博 劉 娜 霍 宏 方 濤

    ?

    基于層次形狀特征提取模型的圖像分類①

    張盛博②劉 娜 霍 宏 方 濤③

    (上海交通大學(xué)自動(dòng)化系控制與信息處理教育部重點(diǎn)實(shí)驗(yàn)室 上海 200240)

    研究了基于層次形狀特征提取的圖像分類。針對(duì)從初級(jí)視覺皮層(V1)提取的條形特征對(duì)目標(biāo)形狀的描述不充分,提出了一種層次模型(V1-V2-V4),以進(jìn)一步提取角形、曲率特征。模型中V1層的條形特征提取采用Gabor模擬;V2層結(jié)合了抑制噪聲的3D高斯差分(DOG),并使用濾波方向相差90度的Gabor濾波器組提取多尺度角形特征;V4層通過曲率域計(jì)算來描述目標(biāo)輪廓的形變程度,并最終提取融合曲率與梯度方向的直方圖特征。該模型的優(yōu)勢(shì)在于,通過角形以及曲率計(jì)算的層次表達(dá),可有效增強(qiáng)目標(biāo)形狀的關(guān)鍵特征點(diǎn)(如角點(diǎn)位置)的提取,并且結(jié)合曲率與梯度的直方圖描述,也可有效彌補(bǔ)單一曲率或梯度特征局部描述不足的問題。在MNIST手寫數(shù)字與21類遙感影像上的實(shí)驗(yàn)表明,曲率與梯度的融合特征的運(yùn)用可獲得98.94%的數(shù)字識(shí)別精度,同時(shí)在遙感影像分類中也可獲得較好的分類效果。

    腹側(cè)通路, 形狀特征, 曲率, 層次性, 圖像分類

    0 引 言

    圖像分類是利用計(jì)算機(jī)視覺技術(shù),根據(jù)目標(biāo)在圖像信息中所反映出的特征,把不同類別的目標(biāo)識(shí)別、區(qū)分開來的圖像處理方法。人的視覺系統(tǒng)可以快速、準(zhǔn)確地處理大量視覺信息,相比于傳統(tǒng)的計(jì)算機(jī)視覺方法,可以更好地完成目標(biāo)識(shí)別任務(wù)。視覺系統(tǒng)對(duì)目標(biāo)形狀的信息處理是從視網(wǎng)膜開始,經(jīng)過側(cè)膝體(LGN)、V1、V2、V4、IT等層次的過程[1]。受初級(jí)視覺皮層V1啟發(fā),余鵬等[2]提出了一種前饋深度層次模型。該模型利用稀疏連接模擬感受野特性,結(jié)合方向圖實(shí)現(xiàn)對(duì)目標(biāo)的抽象表示。文獻(xiàn)[3]基于V1簡(jiǎn)單細(xì)胞特性與極大化稀疏原理,提出了快速收斂的獨(dú)立成分分析(independent component analysis, ICA)模型,該模型較傳統(tǒng)的ICA模型收斂速度更快,但是受噪聲影響較大。最具代表性的模型是Poggio等[4]提出的分層最大化(HMAX)模型。該模型的簡(jiǎn)單細(xì)胞層執(zhí)行“線性和”操作,復(fù)雜細(xì)胞層執(zhí)行“最大化”操作,從而實(shí)現(xiàn)位置、尺度等的不變性。該模型與V1實(shí)現(xiàn)了較好對(duì)應(yīng),而對(duì)更高級(jí)皮層的模擬比較粗糙。以上模型主要停留在V1,忽略了較高級(jí)皮層神經(jīng)機(jī)制對(duì)目標(biāo)表達(dá)的重要作用[5]。近年來,涌現(xiàn)出了許多結(jié)合高級(jí)皮層進(jìn)行模擬的層次模型:Kavukcuoglu等[6]在ICA基礎(chǔ)上,把非線性變換引入稀疏編碼模型,模擬V1復(fù)雜細(xì)胞特性,但是在特征提取部分需要執(zhí)行迭代算法,計(jì)算量較大;Yang等[7]基于尺度不變特征變換(SIFT)特征提出了一種監(jiān)督的稀疏編碼模型,該模型通過max pooling操作實(shí)現(xiàn)對(duì)V1復(fù)雜細(xì)胞不變性的模擬,但此模型使用的基于反投影的隨機(jī)優(yōu)化算法計(jì)算速度較慢,并且max pooling操作會(huì)丟失較多信息;Kim等[8]提出了一種模擬V1、V4的形狀編碼方法,該方法結(jié)合視覺區(qū)域檢測(cè)和形狀編碼提取目標(biāo)單一尺度下的曲率方向特征并初步應(yīng)用在目標(biāo)識(shí)別中,但是此模型忽略了V2區(qū)對(duì)角形特征提取的重要作用[9];Tschechne等[10]受神經(jīng)元間存在反饋連接的啟發(fā),提出了對(duì)表面和目標(biāo)邊界編碼的循環(huán)計(jì)算網(wǎng)絡(luò)模型,此模型增加了對(duì)V2區(qū)模擬并應(yīng)用于目標(biāo)邊界提取。

    形狀特征是用于描述目標(biāo)的基本特征,常見的有基于輪廓和基于區(qū)域的形狀描述[11]。其中,基于輪廓的描述應(yīng)用更為廣泛,原因在于視覺系統(tǒng)通常是基于輪廓區(qū)分形狀。此外,曲率作為判別形狀間相似性的重要輪廓特征[12],可在視皮層中的V4區(qū)進(jìn)行感知[5]。但是,基于輪廓的形狀描述也存在一些限制,比如輪廓受噪聲影響較大,并且目標(biāo)輪廓常常難以提取。不同于基于輪廓或區(qū)域的描述方法,層次性的形狀描述可以逐層地過濾掉不匹配的圖像特征[11]?;诖?,本文提出了一種層次形狀特征提取模型(V1-V2-V4)以彌補(bǔ)V1條形特征對(duì)形狀描述的不充分。該模型與上述文獻(xiàn)的模型不同:首先是結(jié)合噪聲抑制與V2角形特征,通過增強(qiáng)角形特征點(diǎn)如角點(diǎn)位置的提取,進(jìn)而將其應(yīng)用于目標(biāo)與場(chǎng)景分類中;其次是對(duì)V4層引入曲率計(jì)算以描述目標(biāo)輪廓的形變程度,并對(duì)V4輸出提取融合曲率及梯度方向的直方圖特征以彌補(bǔ)單一特征對(duì)目標(biāo)或場(chǎng)景分類的不足。

    1 模型框架

    模型共三層,分別為V1層、V2層、V4層,層與層之間采用前饋連接,如圖1所示。

    圖1 層次形狀特征提取模型

    對(duì)每個(gè)圖像子塊,V1層使用Gabor濾波器組在5尺度8方向下提取兩組條形特征,每組條形特征的濾波方向相差90度。V2層在每個(gè)尺度下對(duì)V1輸出的兩組條形特征進(jìn)行組合,實(shí)現(xiàn)對(duì)角形特征的提取。V4層計(jì)算不同方向下V2輸出的曲率與方向?qū)?shù)。特征提取階段則是累積每個(gè)尺度的不同方向下V4輸出的曲率與方向?qū)?shù)的最大值作為目標(biāo)的曲率特征與梯度特征,簡(jiǎn)稱為“曲率+梯度”特征。

    圖2為各層輸出效果圖。

    圖2 各層輸出效果圖

    1.1 V1層

    使用Gabor函數(shù)模擬V1層簡(jiǎn)單細(xì)胞對(duì)條形刺激的響應(yīng)作用[13]。二維Gabor函數(shù)的表達(dá)式為

    (1)

    (2)

    其中尺度參數(shù)σ1決定V1層簡(jiǎn)單細(xì)胞感受野的大小,角度參數(shù)θ模擬神經(jīng)元的最優(yōu)響應(yīng)方向。參數(shù)r決定神經(jīng)元感受野形狀,參數(shù)φ決定偶數(shù)的奇偶性,1/λ表示余弦因子頻率設(shè)輸入圖像為f(x,y),則模擬簡(jiǎn)單細(xì)胞響應(yīng)結(jié)果為

    Rλ,σ1,θ,φ(x,y)=(f×gλ,σ1,θ,φ)(x,y)

    (3)

    使用Gabor能量算子模擬復(fù)雜細(xì)胞的響應(yīng)結(jié)果:

    (4)

    使用Nθ個(gè)不同方向θi下的Gabor能量的向量和來模擬V1層輸出,將多個(gè)方向合并為1個(gè)主方向:

    (5)

    1.2 V2層

    模型V2層的目的是在獲得條形特征的基礎(chǔ)上提取角形[9]特征,進(jìn)而有效增強(qiáng)目標(biāo)在關(guān)鍵特征點(diǎn)(如角點(diǎn))位置處的特征描述。

    (6)

    (7)

    (8)

    參數(shù)α1控制抑制強(qiáng)度的大小。

    其次,采用最優(yōu)響應(yīng)角度相差π/2的Rθi(x,y,s)模擬V2層對(duì)角形特征的響應(yīng)(圖3):

    RV2=Rθi·Rθi+π/2

    (9)

    圖3 V2層角形特征提取

    其中,Rθi與Rθi+π/2分別表示V1層不同方向下的條形特征。將對(duì)應(yīng)像素點(diǎn)的灰度值相乘,則結(jié)果只保留θi與(θi+π/2)方向組合的條形特征,即角形特征RV2。根據(jù)圖2可以看出,V2輸出后四角位置處亮度相對(duì)更高,角形部分得到加強(qiáng)。

    此外,由于單一尺度下會(huì)造成目標(biāo)尺度信息的缺失,因此,與文獻(xiàn)[10]不同的是,本文將單一尺度下的角形特征提取擴(kuò)展到多尺度,該擴(kuò)展方式有助于增強(qiáng)目標(biāo)尺度變化的穩(wěn)健性。

    1.3 V4層

    V4層的目的是在獲得目標(biāo)條形、角形特征基礎(chǔ)上提取曲率[5]方向特征。采用構(gòu)建方向域與曲率域的方法[8]模擬V4。

    曲率的計(jì)算方式如下:首先借助梯度向量的能量方向構(gòu)建方向域:

    (10)

    其中Ix、Iy表示對(duì)RV2(i, j)分別求x、y方向偏導(dǎo)。則推導(dǎo)近似曲率(ksel)如圖4所示:

    (11)

    通過添加梯度幅值(Mfwd, Mbwd)修正上述方程,得到在(i, j)處曲率域表達(dá)式:

    CF(i, j)=(1-cos(ksel(i, j)))·Mfwd·Mbwd

    (12)

    方向?qū)?shù)的計(jì)算方式如下:

    RV2(i, j)在點(diǎn)(x, y)處沿方向l=(cosθ,sinθ)的方向?qū)?shù)為

    ( 13 )

    圖4 135°方向的曲率信息近似計(jì)算

    1.4 特征提取

    圖5給出了特征提取的示意圖:計(jì)算每個(gè)點(diǎn)在四個(gè)方向下的曲率/梯度幅值,累積最大值。

    2 實(shí)驗(yàn)及分析

    為驗(yàn)證本文模型的有效性,實(shí)驗(yàn)采用兩種類型的數(shù)據(jù)集(MNIST手寫數(shù)字識(shí)別[15]和21類遙感影像分類[16])。實(shí)驗(yàn)環(huán)境如下:CPU:Intel Xeon E5-2630 2.40GHz;內(nèi)存:64.0GB;系統(tǒng)類型:64位Windows 7企業(yè)版;開發(fā)平臺(tái):MATLAB R2013a。

    2.1 MNIST手寫數(shù)字識(shí)別

    MNIST共10類(28×28像素),如圖6所示。其中訓(xùn)練樣本共60000幅,測(cè)試樣本共10000幅。

    圖6 MNIST數(shù)據(jù)集樣圖

    實(shí)驗(yàn)中,首先將每幅圖像分割成2×2個(gè)子塊,使用最近鄰插值算法,將每個(gè)圖像子塊大小縮放為16像素×16像素。設(shè)定式(1)中γ=0.3,λ=8,σ1∈{0.6,1.7,2.8,3.9,5.0},式(2)中θ∈{0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8},式(5)中Nθ=8,式(7)中α1=1。

    使用1.4節(jié)的方式提取特征,每個(gè)亞子塊提取8方向16維的“曲率+梯度”特征,則每個(gè)子塊提取16×(4×4)=256維特征。共5個(gè)尺度、2×2個(gè)子塊,每幅圖像提取的特征維數(shù)為256×5×(2×2)=5120維。最終采用支持向量機(jī)(SVM)進(jìn)行訓(xùn)練與測(cè)試。表1給出了本文方法識(shí)別精度的混淆矩陣,表2示出了本文模型與其它基于生物視覺啟發(fā)方法的識(shí)別精度,表3給出了方向數(shù)分別為4和8時(shí)單獨(dú)的層次性梯度、曲率特征及“曲率+梯度”特征的識(shí)別精度。

    表1 MNIST數(shù)字識(shí)別混淆矩陣

    表2 不同方法在MNIST上的精度

    表3 兩種方向下不同特征的精度

    表1給出了10個(gè)測(cè)試集的識(shí)別情況,表中行代表各個(gè)類別(0~9),列代表預(yù)測(cè)結(jié)果。對(duì)角線上的表示正確分類的樣本數(shù),非對(duì)角線表示錯(cuò)分樣本??傮w上看,實(shí)驗(yàn)取得了理想的識(shí)別精度。具體而言,“0”、 “1”等類別識(shí)別效果相對(duì)更好,“0”只有5個(gè)樣本分錯(cuò),“1”只有3個(gè)樣本分錯(cuò)。因?yàn)檫@些類別在形狀上區(qū)分度較高,可以更準(zhǔn)確地使用形狀特征進(jìn)行描述;而“9”的識(shí)別效果相對(duì)較差,共有23個(gè)樣本分錯(cuò)。其中有5個(gè)樣本分成了“4”,有6個(gè)樣本分成了“7”,因?yàn)樵谛螤钌稀?”與“4”、“7”等類別具有相似性,因此用形狀特征區(qū)分其差別具有一定難度。

    根據(jù)表2,本文模型比HMAX改進(jìn)模型識(shí)別精度高2.44%,因?yàn)镠MAX在提取條形特征后缺少對(duì)更復(fù)雜形狀特征的描述,因而建立的特征詞典不夠完備;比ICA直方圖方法高0.22%,因?yàn)镮CA方法容易受噪聲影響;與IPSD方法精度相差0.06%,因?yàn)镮PSD在ICA的特征提取等部分進(jìn)行了有效優(yōu)化;SIFT稀疏編碼精度最高,因?yàn)镾IFT特征本身實(shí)現(xiàn)了較好的局部不變性,可以有效區(qū)分目標(biāo)的形狀特征。

    表3驗(yàn)證了本文模型在方向拓展、特征融合上的有效性。4方向拓展為8方向后,梯度特征識(shí)別精度提高了2.34%,曲率特征精度提高了3.2%,“曲率+梯度”特征提高了1.47%。特征融合后,4方向下“曲率+梯度”特征分別比單獨(dú)的梯度特征、單獨(dú)的曲率特征識(shí)別精度高12.67%、18.55%;8方向下高11.8%、16.82%。

    2.2 21類遙感影像分類

    21類遙感影像共21類,每類包含100幅圖像(256像素×256像素)。數(shù)據(jù)集包含了較為復(fù)雜的地物結(jié)構(gòu),類間具有形狀上的相似性,并且圖像的空間結(jié)構(gòu)關(guān)系較為復(fù)雜,存在尺度、旋轉(zhuǎn)變化等因素影響,如圖7所示。

    圖7 21類遙感影像部分樣圖

    實(shí)驗(yàn)中,模型參數(shù)設(shè)置與2.1部分大致相同,區(qū)別在于:此處在 3個(gè)尺度下(σ1∈{0.6,1.8,3})使用滑動(dòng)窗口的方式提取特征,每個(gè)尺度下的濾波結(jié)果對(duì)應(yīng)的滑動(dòng)窗口數(shù)與滑動(dòng)步長(zhǎng)分別選取為32/8,36/10,40/18,則每幅圖像滑動(dòng)的窗口數(shù)為29×29+23×23+13×13=1539。對(duì)每個(gè)窗口分為4×4的亞子塊,每個(gè)亞子塊提取4方向的8維曲率梯度特征,則每個(gè)窗口提取8×(4×4)=128維特征,則對(duì)每幅圖像提取128×1539=196992維特征。

    此外,使用vlfeat[18]工具箱提供的VLAD encoding方法對(duì)特征進(jìn)行聚集產(chǎn)生更為緊湊的全局描述子,并采用SVM分類器進(jìn)行訓(xùn)練與測(cè)試。實(shí)驗(yàn)中,每類隨機(jī)選取50幅圖像作為訓(xùn)練樣本,其余50幅作為測(cè)試樣本,重復(fù)10次進(jìn)行交叉驗(yàn)證,最后將10次分類結(jié)果求均值。

    表4比較了其它基于直方圖特征的提取方法在21類遙感影像數(shù)據(jù)集上的分類結(jié)果。其中SCK主要應(yīng)用了SIFT、空間共生核(Co-occurrence Kernel)方法,SPCK在SCK方法基礎(chǔ)上增加了空間金字塔共生核方法,BOVW+SCK是在SCK方法基礎(chǔ)上增加了詞包(bag of visual words,BOVW),SPMK主要應(yīng)用了SIFT和空間金字塔匹配核方法。本文模型比SPCK方法高4.87%,比SPMK方法高2.72%,比SCK方法高2.49%,比BOVW+SCK方法高0.3%。

    表4 不同方法在21類遙感影像上的精度

    此外,由于該數(shù)據(jù)集中目標(biāo)具有較為復(fù)雜的背景與噪聲信息,適合驗(yàn)證層次模型中每層的有效性。因此,我們分別比較了無V1、V2層(即直接提取曲率特征)、無V2層的“曲率+梯度”特征、單獨(dú)的層次性曲率特征、梯度特征與層次性的“曲率+梯度”特征的分類結(jié)果,如圖8所示。結(jié)果表明,4種層次性特征分類結(jié)果均明顯高于直接提取的曲率特征,平均差距最高達(dá)到25%左右,表明層次性形狀特征對(duì)于處理具有復(fù)雜背景與噪聲信息的目標(biāo)更加有效。相比于無V2層“曲率+梯度”特征,添加V2層后可以將分類精度提高1%左右,表明在條形特征基礎(chǔ)上引入多尺度角形特征更為有效。同時(shí)“曲率+梯度”特征分類精度比單獨(dú)的曲率特征高16%左右,比單獨(dú)的梯度特征高3%左右,再次驗(yàn)證了特征融合的有效性。

    圖8 層次性特征有效性驗(yàn)證

    3 結(jié) 論

    本文建立了一種層次模型(V1-V2-V4),用于提取目標(biāo)的條形、角形、曲率特征。其中V2層結(jié)合了3D-DOG抑制圖像噪聲,使用濾波方向相差90度的條形特征提取多尺度角形特征;V4通過曲率域提取目標(biāo)輪廓形變程度較大的部分,最終提取融合曲率與梯度方向的直方圖特征。實(shí)驗(yàn)表明,相比于條形特征,引入的角形、曲率特征可以更充分地描述目標(biāo)形狀,層次性的形狀特征在目標(biāo)識(shí)別上可以取得更好效果;曲率與梯度的融合特征可以有效彌補(bǔ)單一曲率或梯度特征局部描述的不足,并且特征方向的拓展可以進(jìn)一步提高目標(biāo)識(shí)別效果。未來的工作將繼續(xù)研究更高級(jí)皮層(如IT)對(duì)形狀編碼的機(jī)制,完善模型的層次結(jié)構(gòu),進(jìn)一步提取目標(biāo)更為完善的形狀特征。

    [ 1] Rousselet G A, Thorpe S J, Fabre-Thorpe M. How parallel is visual processing in the ventral pathway. Trends in Cognitive Sciences, 2004, 8(8): 363-370

    [ 2] 余鵬, 萬里紅, 霍宏等. 基于層次特征映射模型的目標(biāo)識(shí)別. 高技術(shù)通訊, 2014, 24(4): 414-419

    [ 3] Hyv?rinen A. Fast and robust fixed-point algorithms for independent component analysis. Neural Networks, IEEE Transactions on, 1999, 10(3): 626-634

    [ 4] Riesenhuber M, Poggio T. Hierarchical models of object recognition in cortex. Nature Neuroscience, 1999, 2(11): 1019-1025

    [ 5] Connor C E, Brincat S L, Pasupathy A. Transformation of shape information in the ventral pathway. Current Opinion in Neurobiology, 2007, 17(2): 140-147

    [ 6] Kavukcuoglu K, Ranzato M A, Fergus R, et al. Learning invariant features through topographic filter maps. In: Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR), Miami, America, 2009. 1605-1612

    [ 7] Yang J, Yu K, Huang T. Supervised translation-invariant sparse coding. In: Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR), San Francisco, America, 2010. 3517-3524

    [ 8] Kim S, Kwon S, Kweon I S. A perceptual visual feature extraction method achieved by imitating V1 and V4 of the human visual system. Cognitive Computation, 2013, 5(4): 610-628

    [ 9] Boynton G M, Hegdé J. Visual cortex: The continuing puzzle of area V2. Current Biology, 2004, 14(13): R523-R524

    [10] Tschechne S, Neumann H. Hierarchical representation of shapes in visual cortex——from localized features to figural shape segregation. Frontiers in Computational Neuroscience, 2014, 8: 93

    [11] Zhang D, Lu G. Review of shape representation and description techniques. Pattern Recognition, 2004, 37(1): 1-19

    [12] Yang M, Kpalma K, Ronsin J. A survey of shape feature extraction techniques. Pattern Recognition, 2008, 41(1): 43-90

    [13] Park J G, Kim K J. Design of a visual perception model with edge-adaptive Gabor filter and support vector machine for traffic sign detection. Expert Systems with Applications, 2013, 40(9): 3679-3687

    [14] Deng S, Liu N, Huo H, et al. Contour detection based on multi-scale spatial inhibition and contextual modulation. In: Proceedings of the IEEE 2015 Seventh International Conference on Advanced Computational Intelligence (ICACI), Wuyi, China, 2015. 372-377

    [15] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 1998, 86(11): 2278-2324

    [16] Yang Y, Newsam S. Bag-of-visual-words and spatial extensions for land-use classification. In: Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems (ACM GIS), San Jose, USA, 2010. 270-279

    [17] Borji A, Hamidi M, Mahmoudi F. Robust handwritten character recognition with features inspired by visual ventral stream. Neural Processing Letters, 2008, 28(2): 97-111

    [18] Vedaldi A, Fulkerson B. VLFeat: An open and portable library of computer vision algorithms. In: Proceedings of the International Conference on Multimedia, Firenze, Italy, 2010. 1469-1472

    [19] Yang Y, Newsam S. Spatial pyramid co-occurrence for image classification. In: Proceedings of the International Conference on Computer Vision (ICCV), Barcelona, Spain, 2011. 1465-1472

    [20] Lazebnik S, Schmid C, Ponce J. Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories. In: Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR), New York, America, 2006. 2169-2178

    Image classification based on a hierarchical shape feature extraction model

    Zhang Shengbo, Liu Na, Huo Hong, Fang Tao

    (Key Laboratory of System Control and Information Processing, Ministry of Education, Department of Automation, Shanghai Jiao Tong University, Shanghai 200240)

    The image classification based on hierarchical shape feature extraction was studied. Considering that the bar features extracted from the primary visual cortex of V1 can not sufficiently represent the shape of an object, a new hierarchical model of V1-V2-V4 was presented to further extract the features of angle and curvature. Under the model, the Gabor function is adopted to simulate V1 to extract the bar features, the noisy inhibition using 3D-DOG (difference of Gaussian) combined with a group of Gabor filters with the filtering direction difference of 90°, is introduced to extract the multi-scale angle features in V2, and in V4, the deformation of the shape of an object is described through the computation of the curvature field, to finally extract the histogram features fusing the curvature and gradient orientation. The advantage of the proposed model is that the hierarchical representation based on the computation of angle and curvature helps to extract the key points of object shape such as the corners. Moreover, the use of fusion features also remedies the inadequacy of the object description only using curvature or gradient feature. The experiments on MNIST handwritten digits and 21 remote sensing images demonstrated that the use of the features fusing curvature and gradient orientation achieved the digit recognition accuracy of 98.94%, and obtained the better result in classification of remote sensing images.

    ventral pathway, shape feature, curvature, hierarchy, image classification

    ① 973計(jì)劃(2012CB719903),國(guó)家自然科學(xué)基金委創(chuàng)新研究群體(X198144),國(guó)家自然科學(xué)基金青年科學(xué)基金(41101386)和國(guó)家自然科學(xué)基金(41071256)資助項(xiàng)目。

    ?,E-mail: tfang@sjtu.edu.cn(

    2015-10-28)

    10.3772/j.issn.1002-0470.2016.01.011

    ② 男,1990年生,碩士;研究方向:計(jì)算機(jī)視覺,數(shù)字圖像處理;E-mail:sheng_bo_cool@163.com

    猜你喜歡
    特征提取方向特征
    2022年組稿方向
    2021年組稿方向
    2021年組稿方向
    如何表達(dá)“特征”
    基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    一種基于LBP 特征提取和稀疏表示的肝病識(shí)別算法
    位置與方向
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    80岁老熟妇乱子伦牲交| 少妇的逼好多水| 王馨瑶露胸无遮挡在线观看| 狠狠精品人妻久久久久久综合| 亚洲无线观看免费| 亚洲精品视频女| 亚洲av福利一区| 亚洲国产最新在线播放| 国产深夜福利视频在线观看| 国产白丝娇喘喷水9色精品| av播播在线观看一区| 91久久精品国产一区二区三区| 99久久精品国产国产毛片| 日日啪夜夜爽| 毛片一级片免费看久久久久| 97超视频在线观看视频| 色视频在线一区二区三区| 少妇 在线观看| 成年女人在线观看亚洲视频| 日韩一本色道免费dvd| 久久久久视频综合| 我要看黄色一级片免费的| 日日啪夜夜爽| 国产精品一区二区性色av| 高清日韩中文字幕在线| 亚洲四区av| 乱码一卡2卡4卡精品| 免费av不卡在线播放| 日本午夜av视频| 18禁在线播放成人免费| 午夜精品国产一区二区电影| 黑丝袜美女国产一区| 最新中文字幕久久久久| 97热精品久久久久久| 久久精品国产亚洲av天美| 岛国毛片在线播放| 男女下面进入的视频免费午夜| 日本爱情动作片www.在线观看| 国产亚洲一区二区精品| 国产成人freesex在线| 久久99精品国语久久久| 久久97久久精品| 国产一级毛片在线| 成人亚洲精品一区在线观看 | 男女边吃奶边做爰视频| 一级黄片播放器| 在线观看免费视频网站a站| 人妻夜夜爽99麻豆av| 大码成人一级视频| 在线免费观看不下载黄p国产| 人妻 亚洲 视频| 国产爱豆传媒在线观看| 成人18禁高潮啪啪吃奶动态图 | 狂野欧美激情性xxxx在线观看| 熟女人妻精品中文字幕| 国产精品国产av在线观看| 久久精品人妻少妇| 国产精品女同一区二区软件| 免费看av在线观看网站| 日韩,欧美,国产一区二区三区| 欧美日韩在线观看h| 成人18禁高潮啪啪吃奶动态图 | 免费观看性生交大片5| 亚洲精品中文字幕在线视频 | 免费观看av网站的网址| 欧美另类一区| 亚洲欧美日韩另类电影网站 | 一边亲一边摸免费视频| 国产精品一二三区在线看| 亚洲欧美成人精品一区二区| 日韩伦理黄色片| 啦啦啦视频在线资源免费观看| 国产91av在线免费观看| 欧美xxⅹ黑人| 国产视频首页在线观看| 中文字幕制服av| 九草在线视频观看| 亚洲av男天堂| 丝袜脚勾引网站| 久久这里有精品视频免费| 男女啪啪激烈高潮av片| 人人妻人人添人人爽欧美一区卜 | 亚洲一区二区三区欧美精品| 天美传媒精品一区二区| 亚洲精品一区蜜桃| 成人毛片60女人毛片免费| 麻豆国产97在线/欧美| 国产精品一区www在线观看| 欧美97在线视频| 91久久精品电影网| 欧美日韩视频高清一区二区三区二| 成人二区视频| 国产男女超爽视频在线观看| 欧美精品国产亚洲| 97精品久久久久久久久久精品| 在线播放无遮挡| 国产精品无大码| 久久青草综合色| 久久久久久久大尺度免费视频| 成人免费观看视频高清| 国产成人精品婷婷| 少妇熟女欧美另类| 伦理电影大哥的女人| 亚洲国产精品专区欧美| 狂野欧美白嫩少妇大欣赏| 91精品一卡2卡3卡4卡| 亚洲美女黄色视频免费看| 亚洲精品久久午夜乱码| 亚洲国产毛片av蜜桃av| 免费人妻精品一区二区三区视频| 日日摸夜夜添夜夜爱| 久久久久久久久久久丰满| 高清午夜精品一区二区三区| 国产精品免费大片| 欧美成人一区二区免费高清观看| 99热这里只有是精品50| 国产乱人视频| 国产免费视频播放在线视频| 国产淫语在线视频| 欧美日韩视频精品一区| 美女cb高潮喷水在线观看| 精品视频人人做人人爽| 深夜a级毛片| 久久韩国三级中文字幕| 乱码一卡2卡4卡精品| 国产成人freesex在线| 日韩制服骚丝袜av| 国产成人aa在线观看| 在线播放无遮挡| 精品国产乱码久久久久久小说| 王馨瑶露胸无遮挡在线观看| 久久久欧美国产精品| 亚洲欧美日韩无卡精品| 国内精品宾馆在线| 欧美老熟妇乱子伦牲交| 色吧在线观看| 久久人人爽人人片av| 内射极品少妇av片p| 99久久精品热视频| 51国产日韩欧美| 欧美激情国产日韩精品一区| 日日撸夜夜添| 性色av一级| 黄色日韩在线| 大片电影免费在线观看免费| 91精品国产九色| 日日啪夜夜撸| 亚洲一区二区三区欧美精品| 精品国产三级普通话版| 久久久久精品性色| 久久精品国产亚洲av涩爱| 亚洲美女视频黄频| 97精品久久久久久久久久精品| 不卡视频在线观看欧美| 国产伦精品一区二区三区视频9| 国内精品宾馆在线| 国产精品不卡视频一区二区| 七月丁香在线播放| 韩国高清视频一区二区三区| 日本免费在线观看一区| 日本av手机在线免费观看| 久久精品国产a三级三级三级| 亚洲第一区二区三区不卡| 精品一区在线观看国产| 建设人人有责人人尽责人人享有的 | 亚洲精华国产精华液的使用体验| 色婷婷av一区二区三区视频| 久久99热6这里只有精品| 伦理电影大哥的女人| 自拍欧美九色日韩亚洲蝌蚪91 | 伦精品一区二区三区| 日韩制服骚丝袜av| 美女高潮的动态| 老司机影院毛片| 国产精品三级大全| 老熟女久久久| 午夜日本视频在线| 免费观看的影片在线观看| 亚洲欧美成人精品一区二区| 爱豆传媒免费全集在线观看| 在线亚洲精品国产二区图片欧美 | 女性生殖器流出的白浆| 少妇的逼好多水| 91精品国产九色| 日本-黄色视频高清免费观看| 国产视频首页在线观看| 一级爰片在线观看| 精品国产乱码久久久久久小说| 一本一本综合久久| 网址你懂的国产日韩在线| 亚洲av福利一区| 嘟嘟电影网在线观看| 你懂的网址亚洲精品在线观看| 国产视频首页在线观看| 国产日韩欧美在线精品| 一区二区av电影网| 啦啦啦啦在线视频资源| 色网站视频免费| 国产亚洲午夜精品一区二区久久| 纯流量卡能插随身wifi吗| av.在线天堂| 一级毛片久久久久久久久女| 国产色爽女视频免费观看| 久久久午夜欧美精品| 嫩草影院入口| 亚洲,欧美,日韩| 亚洲一级一片aⅴ在线观看| 秋霞在线观看毛片| 我的老师免费观看完整版| 黄色怎么调成土黄色| 亚洲av成人精品一区久久| 国产精品成人在线| 国内精品宾馆在线| 久久国产精品大桥未久av | 色视频www国产| 一级毛片黄色毛片免费观看视频| 国产免费视频播放在线视频| 欧美老熟妇乱子伦牲交| 大片电影免费在线观看免费| 精品亚洲成a人片在线观看 | 99热这里只有是精品50| 日韩制服骚丝袜av| 韩国高清视频一区二区三区| 免费观看在线日韩| 欧美成人a在线观看| 欧美变态另类bdsm刘玥| 色婷婷av一区二区三区视频| 女的被弄到高潮叫床怎么办| 免费人妻精品一区二区三区视频| 99久国产av精品国产电影| 人妻一区二区av| 国产精品国产三级国产av玫瑰| 免费看av在线观看网站| 亚洲一区二区三区欧美精品| av不卡在线播放| 亚洲欧美日韩东京热| 有码 亚洲区| av线在线观看网站| 国产 一区精品| 久久久久网色| 日本免费在线观看一区| 六月丁香七月| 岛国毛片在线播放| 观看美女的网站| 精品久久久噜噜| 26uuu在线亚洲综合色| 熟女人妻精品中文字幕| 一级毛片黄色毛片免费观看视频| 国产成人a∨麻豆精品| kizo精华| 免费av中文字幕在线| 极品少妇高潮喷水抽搐| 搡女人真爽免费视频火全软件| 久久久久性生活片| 在线观看av片永久免费下载| 亚洲av免费高清在线观看| 五月开心婷婷网| 噜噜噜噜噜久久久久久91| 久久久a久久爽久久v久久| 国产 一区精品| 亚洲人与动物交配视频| 交换朋友夫妻互换小说| 日本欧美国产在线视频| 国产熟女欧美一区二区| 美女内射精品一级片tv| 国产成人精品福利久久| 综合色丁香网| av专区在线播放| av免费在线看不卡| 国产在线一区二区三区精| 黄片无遮挡物在线观看| 国产精品一区www在线观看| 美女脱内裤让男人舔精品视频| 在线观看美女被高潮喷水网站| 乱码一卡2卡4卡精品| 久久国产乱子免费精品| 少妇 在线观看| 日本黄大片高清| 久久国产亚洲av麻豆专区| 熟女av电影| 大码成人一级视频| 久久久久久久亚洲中文字幕| 日本vs欧美在线观看视频 | 国产白丝娇喘喷水9色精品| 狂野欧美激情性xxxx在线观看| 精品久久久噜噜| 亚洲国产精品专区欧美| 99热这里只有精品一区| 美女主播在线视频| 久热久热在线精品观看| 只有这里有精品99| 免费黄色在线免费观看| 国产乱人视频| 欧美xxxx性猛交bbbb| 成年美女黄网站色视频大全免费 | 亚洲av电影在线观看一区二区三区| 久久国产精品男人的天堂亚洲 | 97超碰精品成人国产| 亚洲国产欧美在线一区| 久久久久久久亚洲中文字幕| 久久久久视频综合| tube8黄色片| 日韩制服骚丝袜av| 王馨瑶露胸无遮挡在线观看| 日韩国内少妇激情av| 狂野欧美激情性xxxx在线观看| 青春草视频在线免费观看| www.色视频.com| 国产精品久久久久久久久免| 观看av在线不卡| 青春草国产在线视频| 中文天堂在线官网| 一本久久精品| 最近中文字幕2019免费版| 国产成人免费无遮挡视频| 91狼人影院| 国产精品欧美亚洲77777| 日本欧美视频一区| av又黄又爽大尺度在线免费看| 新久久久久国产一级毛片| av免费观看日本| 麻豆精品久久久久久蜜桃| 男女啪啪激烈高潮av片| 亚洲国产色片| 天堂中文最新版在线下载| 亚洲国产最新在线播放| 国产熟女欧美一区二区| 日韩欧美精品免费久久| 亚洲av二区三区四区| 免费大片18禁| 日韩国内少妇激情av| 国产精品一区二区在线不卡| 熟女av电影| 91久久精品国产一区二区三区| 精品一品国产午夜福利视频| 黑人猛操日本美女一级片| 日韩视频在线欧美| 亚洲国产欧美在线一区| 精品99又大又爽又粗少妇毛片| 国产 一区精品| 美女高潮的动态| 一区二区三区精品91| 国产 精品1| 日本黄大片高清| 久久国内精品自在自线图片| 精品熟女少妇av免费看| 大香蕉97超碰在线| 在线天堂最新版资源| av在线播放精品| 国产又色又爽无遮挡免| 久久久精品94久久精品| 久久亚洲国产成人精品v| 伦理电影免费视频| 亚洲欧美成人精品一区二区| 视频中文字幕在线观看| 一个人看视频在线观看www免费| 免费大片18禁| 看免费成人av毛片| 男男h啪啪无遮挡| 国产精品.久久久| 国产高清有码在线观看视频| 免费大片黄手机在线观看| 校园人妻丝袜中文字幕| 性高湖久久久久久久久免费观看| 一区二区三区免费毛片| 亚洲色图av天堂| 女人十人毛片免费观看3o分钟| 久久久久久久久久成人| 日本爱情动作片www.在线观看| 欧美日本视频| 成人影院久久| 啦啦啦视频在线资源免费观看| 色5月婷婷丁香| 成人18禁高潮啪啪吃奶动态图 | 久久精品久久久久久久性| av播播在线观看一区| 免费看av在线观看网站| 久久久久精品久久久久真实原创| 高清在线视频一区二区三区| 日韩大片免费观看网站| 久久国产精品男人的天堂亚洲 | 联通29元200g的流量卡| 丰满乱子伦码专区| 久久久久久久久久成人| 卡戴珊不雅视频在线播放| 国产精品.久久久| 嫩草影院入口| 久久人妻熟女aⅴ| 在现免费观看毛片| 亚洲精品亚洲一区二区| 热re99久久精品国产66热6| 国产 一区精品| 中文字幕制服av| 日韩伦理黄色片| 国产深夜福利视频在线观看| 亚州av有码| 联通29元200g的流量卡| 久久ye,这里只有精品| 91狼人影院| 91在线精品国自产拍蜜月| 亚洲欧美日韩东京热| 91精品国产国语对白视频| av福利片在线观看| 在现免费观看毛片| 久久热精品热| 国产精品久久久久久精品古装| 少妇人妻一区二区三区视频| 亚洲不卡免费看| 国产精品一及| 大又大粗又爽又黄少妇毛片口| 国产男女内射视频| 色5月婷婷丁香| 久久97久久精品| 国产精品一区二区在线观看99| 欧美成人一区二区免费高清观看| 高清黄色对白视频在线免费看 | 久久毛片免费看一区二区三区| 一级二级三级毛片免费看| 免费看光身美女| 国产免费视频播放在线视频| av.在线天堂| 国产人妻一区二区三区在| freevideosex欧美| 日本黄色片子视频| 搡女人真爽免费视频火全软件| 精品亚洲成a人片在线观看 | 国产精品一区二区三区四区免费观看| 欧美日韩国产mv在线观看视频 | 热re99久久精品国产66热6| 欧美日韩精品成人综合77777| 亚洲美女搞黄在线观看| 亚洲自偷自拍三级| 亚洲精华国产精华液的使用体验| 国产av国产精品国产| 波野结衣二区三区在线| 我要看黄色一级片免费的| 成人毛片a级毛片在线播放| 韩国av在线不卡| 91aial.com中文字幕在线观看| 久久久久久久国产电影| 18禁裸乳无遮挡动漫免费视频| 国产色婷婷99| 深爱激情五月婷婷| 一个人看的www免费观看视频| 夜夜骑夜夜射夜夜干| 欧美精品人与动牲交sv欧美| 成年免费大片在线观看| 精品国产三级普通话版| 国产色婷婷99| 一级毛片久久久久久久久女| av福利片在线观看| 国产精品一区www在线观看| 日本与韩国留学比较| 国产爽快片一区二区三区| 美女国产视频在线观看| 少妇精品久久久久久久| 舔av片在线| 欧美激情极品国产一区二区三区 | 日产精品乱码卡一卡2卡三| 欧美成人精品欧美一级黄| 久久久成人免费电影| 男人添女人高潮全过程视频| 成人18禁高潮啪啪吃奶动态图 | 尤物成人国产欧美一区二区三区| 久久人人爽人人爽人人片va| 高清黄色对白视频在线免费看 | 免费看不卡的av| 日本爱情动作片www.在线观看| 夫妻性生交免费视频一级片| 男人和女人高潮做爰伦理| 在线观看av片永久免费下载| 特大巨黑吊av在线直播| 国产一区亚洲一区在线观看| 中国美白少妇内射xxxbb| 91精品伊人久久大香线蕉| 制服丝袜香蕉在线| 麻豆乱淫一区二区| 99久久精品热视频| 久热这里只有精品99| 天美传媒精品一区二区| 日本免费在线观看一区| 青春草国产在线视频| 亚洲欧美成人综合另类久久久| 一级爰片在线观看| 青青草视频在线视频观看| 波野结衣二区三区在线| 国产成人aa在线观看| 日本午夜av视频| 国产色爽女视频免费观看| 国产亚洲最大av| 少妇高潮的动态图| 在线观看三级黄色| 乱码一卡2卡4卡精品| 日韩不卡一区二区三区视频在线| 国产乱来视频区| 我的老师免费观看完整版| 亚洲精品国产av成人精品| 国产男女超爽视频在线观看| 久久韩国三级中文字幕| 在线看a的网站| 国产视频内射| 日本vs欧美在线观看视频 | 大话2 男鬼变身卡| 亚洲精品456在线播放app| 丰满人妻一区二区三区视频av| 亚洲av中文字字幕乱码综合| 少妇猛男粗大的猛烈进出视频| 成人毛片60女人毛片免费| 国产精品伦人一区二区| 国产精品国产三级国产av玫瑰| 97超碰精品成人国产| 精品久久久久久久末码| 亚洲一区二区三区欧美精品| 99久久人妻综合| 有码 亚洲区| 欧美激情极品国产一区二区三区 | 午夜日本视频在线| 久久久久久久久久久丰满| 一级毛片电影观看| 久久久久国产网址| 简卡轻食公司| 视频区图区小说| av专区在线播放| 91久久精品国产一区二区成人| 我的老师免费观看完整版| 蜜桃亚洲精品一区二区三区| 777米奇影视久久| 99re6热这里在线精品视频| 久久国内精品自在自线图片| 国产真实伦视频高清在线观看| 最近最新中文字幕大全电影3| 99九九线精品视频在线观看视频| 大陆偷拍与自拍| 三级国产精品片| 成人国产av品久久久| 99久久人妻综合| 激情五月婷婷亚洲| 人人妻人人澡人人爽人人夜夜| 国产人妻一区二区三区在| 最新中文字幕久久久久| av视频免费观看在线观看| 在线观看免费高清a一片| 我的老师免费观看完整版| 久久久久久久大尺度免费视频| 国产国拍精品亚洲av在线观看| 九草在线视频观看| 国产美女午夜福利| www.色视频.com| 中文资源天堂在线| 18禁裸乳无遮挡免费网站照片| 汤姆久久久久久久影院中文字幕| 最近最新中文字幕大全电影3| 久久人人爽av亚洲精品天堂 | 国产亚洲一区二区精品| 亚洲精品色激情综合| 国产在线视频一区二区| 国产人妻一区二区三区在| 亚洲欧美成人综合另类久久久| 久久毛片免费看一区二区三区| 丰满少妇做爰视频| 免费人妻精品一区二区三区视频| 国产精品麻豆人妻色哟哟久久| 最近中文字幕高清免费大全6| 日韩欧美 国产精品| 丝瓜视频免费看黄片| 久久久精品94久久精品| 精品国产一区二区三区久久久樱花 | 国产又色又爽无遮挡免| 午夜福利影视在线免费观看| 中文欧美无线码| 男人添女人高潮全过程视频| 卡戴珊不雅视频在线播放| 国产黄色免费在线视频| 又黄又爽又刺激的免费视频.| 最近中文字幕高清免费大全6| 亚洲av欧美aⅴ国产| 免费黄网站久久成人精品| 国产精品一区二区在线不卡| 久久人妻熟女aⅴ| 欧美极品一区二区三区四区| 黑人猛操日本美女一级片| 人体艺术视频欧美日本| 性色av一级| 一边亲一边摸免费视频| 老司机影院毛片| 超碰97精品在线观看| 日本猛色少妇xxxxx猛交久久| www.av在线官网国产| 99热6这里只有精品| 久久久久视频综合| 五月开心婷婷网| 国产乱来视频区| 国产成人精品婷婷| av天堂中文字幕网| 干丝袜人妻中文字幕| 麻豆国产97在线/欧美| 欧美日韩综合久久久久久| 国产精品久久久久久精品古装| 日本猛色少妇xxxxx猛交久久| 亚洲成人av在线免费| 国产一级毛片在线| 欧美另类一区| 久久人妻熟女aⅴ| 99热这里只有精品一区| 丰满迷人的少妇在线观看| 亚洲精品aⅴ在线观看| 又爽又黄a免费视频| 黄色怎么调成土黄色| 91久久精品电影网| 乱码一卡2卡4卡精品| 亚洲,一卡二卡三卡| 久久久午夜欧美精品| 中文字幕久久专区| 嫩草影院入口| 成人黄色视频免费在线看|