一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法
【专利摘要】本发明公开了一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法。首先提出一种WKPCA算法，对高维特征空间的各特征向量进行特征向量角匹配(FAM)加权，削弱或排除CRF区域内病态或异常的特征数据干扰，更精确的提取CRF主成分；在此基础上，定义一种同质度概念和计算方法，通过nCRF特征向量在中心主成分的投影，计算环境-中心的同质性；最后基于该同质度对nCRF中各抑制量校正，使得同质区域相互抑制量大、异质区域抑制量小或不相互抑制、同时尽可能削弱轮廓元素自抑制作用，从而提高抑制作用的准确率。因此本发明提出的模型能够更全面的检测环境-中心的差异，降低噪声干扰、更精确的抑制纹理细节、提高轮廓响应强度和完整性。
【专利说明】—种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法
【技术领域】
[0001]本发明属于一种基于视觉建模的复杂场景下微光图像显著轮廓提取方法，特别是一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法。
【背景技术】
[0002]轮廓提取在夜视图像理解分析方面发挥着重要作用。目前夜视目标探测识别方面的应用大部分是针对自然场景的，因此微光图像中包含了大量的自然纹理(例如树和草)，传统的边缘检测算子的作用结果保留大量非轮廓的边缘成分(canny算子)。而且微光图像本身噪声干扰强，如何针对微光图像特征，去除这些由纹理和噪声所产生的局部非兴趣边缘，并且保持轮廓的完整性是夜视图像轮廓检测主要面临的问题。
[0003]针对复杂场景的轮廓提取问题提出了诸多解决方法，其中基于生物视觉机理的非经典感受野模型的轮廓提取在高质量可见光图像中获得了显著效果。视皮层(Vl)神经元感受野(CRF)的大外周(非经典感受野nCRF)对CRF起调制作用，这种调制主要是抑制性的，能够实现同质区域相互抑制，而使得孤立的边缘要比群体边缘更为显著。基于侧抑制区的仿生模型，较好地去除了背景纹理产生的边缘。Grigorescu等人(Contour detectionbased on Nonclassical Receptive Field inhibition;Improved Contour Detectionby Non-classical Receptive Field Inhibition;Contour and boundary detectionimproved by surround suppression of texture edges)利用 nCRF 的抑制特性进行轮廓检测，利用环境对中心的方向抑制，减少了环境纹理的影响，并提出各向异性抑制和各向同性抑制模型。Giuseppe 等人(A Biologically Motivated Multiresolution Approachto Contour Detection)基于贝叶斯降噪和环境抑制技术提出一种生物启发的多分辨率轮廓检狈Ij技术。Ursino 等人(A model of contour extraction including multiplescales, flexible inhibition and attention)引入层级注意机制，考虑不同尺度下背景抑制的轮廓提取。这些抑制模型能够一定程度的抑制背景纹理，提取出显著轮廓；但没有对中心环境进行特征差异分析，不能很好的解决异质成份互抑制和轮廓元素自抑制问题，可能导致轮廓响应微弱和轮廓间断。
[0004]为减小共线轮廓抑制的作用，桑农等人(Contour detection based oninhibition of primary visual cortex)根据nCRF剌激方位与CRF剌激方位差异，对抑制作用加权，建立了基于侧抑制区的蝶形模型。Zeng等人(Center-surround interactionwith adaptive inhibition:A computational model for contour detection;Contourdetection based on a non-classical receptive field model with butterfly-shapedinhibition subregions)提出一种双尺度轮廓提取方法以及一种改进的方向选择抑制模型，该模型釆用蝶形区域计算环境抑制。Giuseppe等人(An improved model for surroundsuppression by steerable filters and multilevel inhibition with application tocontour detection)利用可变滤波器和多层级抑制提出一种环境抑制模型。方向差异加权的抑制模型一定程度上减少了轮廓自抑制作用，但存在异向异质区域相互抑制的情况。而且相对于高质量的可见光图像，微光图像噪声干扰严重，轮廓局部方向特征不突出，环境抑制不准确。一方面高噪声、低对比度导致微光图像背景纹理无法完全抑制；另一方面抑制作用削弱轮廓强度，轮廓受到周边纹理的抑制，容易出现断裂，影响后续目标识别。
【发明内容】
[0005]本发明的目的在于提供WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法，该方法能够解决单一方位差加权抑制的不足，结合生物视觉机理，针对微光图像多维特征差异，从复杂场景下微光图像中有效抑制噪声和纹理，提取显著轮廓。
[0006]实现本发明目的的技术解决方案为:首先在高维特征空间研究一种特征向量角匹配(FAM Feature vector Angle Matching)力口权 KPCA (WKPCA Weighting KPCA)方法计算环境-中心同质度(HD Homogeneity Degree):该方法抑制了 CRF像元中的病态或异常数据，再对其进行主成分分析，提高主成分准确率；将nCRF各像元在中心主成分投影计算其与CRF中心同质度。其次基于该环境-中心多特征差异对nCRF抑制校正，构建一种同质度校正抑制模型:该模型在同质元素互抑制的同时，避免异质像元间相互作用及轮廓成份自抑制，实现微光图像中的噪声、纹理抑制，以及复杂自然场景下夜视图像的显著轮廓背景分离。
[0007]本发明与现有技术相比，其显著优点:
[0008](I)本发明针对微光图像多维特征分析，首次提出一种WKPCA算法，在高维特征空间基于特征向量角匹配准则对CRF协方差矩阵加权，有效削弱异常特征数据和噪声干扰，提高CRF主成分分析的准确性。
[0009](2)本发明创新性的定义一种同质度概念及其计算方法，采用WKPCA算法进行CRF与nCRF区域同质性分析,在高维特征空间nCRF各像元特征向量投影到CRF中心主成分,计算两者同质度。该方法能够更全面准确的表针环境-中心的差异。
[0010](3)本发明提出一种WKPCA同质度校正nCRF抑制模型，根据nCRF各像元与CRF中心同质度对其抑制量校正。该模型更有效排除噪声干扰、削弱背景细节的同时，更精确的提高同质成份的抑制程度，降低异质像元、轮廓元素间的相互抑制，提高轮廓整体响应及减少轮廓间断的可能性。
【专利附图】
【附图说明】
[0011]图1是nCRF距离衰减函数。
[0012]图2是WKPCA同质度校正nCRF抑制微光图像显著轮廓提取方法流程图。
[0013]图3是多维特征空间非经典感受野结构。
[0014]图4是以真实目标轮廓像元为中心的nCRF结构放大图，及nCRF中各像元特征向量与CRF中心均值向量FAM权值三维图。
[0015]图5是PCA、KPCA, WKPCA算法对高斯数据的分类效果比较。
[0016]图6是PCA、KPCA、WKPCA算法同质性分析结果比较。
[0017]图7是背景、目标、轮廓中心的WKPCA同质度校正抑制分析。行向从上到下分别是原图、WKPCA同质度值输出、Gabor能量极值输出以及有效抑制输出(同质度值与Gabor能量极值乘积)。
[0018]图8是各模型对复杂自然场景下微光图像轮廓提取效果比较。
【具体实施方式】
[0019]下面结合附图对本申请做进一步说明。
[0020]UnCRF环境抑制:
[0021]二维Gabor函数能有效地描述视皮层简单细胞的感受野剖面，通过奇偶对简单感受野滤波器的反应模(Gabor能量)，能很好地模拟典型复杂细胞的基本特性。这些复杂细胞可以看成局部方位能量算子，用复杂细胞活动的最大值可以对图形边与线进行准确定位，因此本发明通过Gabor能量来模拟复杂细胞的响应。二维Gabor滤波器表示如下。
[0022]
【权利要求】
1.一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法，其特征在于步骤如下: 步骤I，输入微光图像； 步骤2，设置非经典感受野模型参数:nCRF和CRF区域半径比P，高斯标准差σ，核函数尺度σ k，调制系数a e [O, I]、b e [O, I]，根据式I及参数计算CRF和nCRF区域圆形半径r。和Pr。；
2.根据权利要求1所述的WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法，其特征在于:所述步骤5中的WKPCA算法基于KPCA算法，在高维特征空间CRF协方差矩阵中引入特征向量角匹配FAM值对CRF各像元特征向量加权，FAM值为高维特征空间中CRF各像元特征向量与CRF特征数据集向量均值的向量夹角。
3.根据权利要求1或2所述的WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法，其特征在于:所述步骤5中的WKPCA算法计算CRF特征数据集主成分的步骤如下: 首先由式4计算CRF各像元的特征向量角匹配FAM值乂，i = H，并根据FAM值对高维特征空间CRF各像元特征向量加权；再计算加权后CRF多维特征数据集主成分，以及nCRF中各像元特征向量在CRF主成分上的投影即δ w(r)，式6中r e FY，DW为核矩阵Kw的特征向量，k(.)为径向基核函数；
【文档编号】G06T5/00GK103473759SQ201310253229
【公开日】2013年12月25日 申请日期:2013年6月24日 优先权日:2013年6月24日
【发明者】柏连发, 张毅, 陈钱, 顾国华, 韩静, 岳江, 祁伟, 金左轮 申请人:南京理工大学