模拟人眼微动的图像轮廓检测方法与流程
本发明涉及图像处理领域，具体涉及一种模拟人眼微动的图像轮廓检测方法。
背景技术：
早期的生理学和神经科学在视觉信息处理的研究大都是基于中心有限区域的经典感受野。然而，后期更多的研究表明关在更大范围内的光刺激能调制经典感受野响应，这个外周区域被叫做非经典感受野。这个调制功能使得神经元能够整合更大范围内的信息并传递给随后的视觉过程。相比较于神经节细胞和外膝体细胞的抑制，初级视觉皮层的非经典感受野有着更加复杂的特性。有文献表示非经典感受野可大概分为四种模式：(1)全范围抑制；(2)全范围促进；(3)两边抑制，两端促进；(4)两边促进，两端抑制。另外，非经典感受野有着独立的方向选择性。当经典感受野和非经典感受野接受不同类型的方向，亮度，空间频率，空间相位，和运动速度刺激时，就会产生更强的响应，当经典感受野和非经典感受野接受相同类型的方向，亮度，空间频率，空间相位，和运动速度刺激时，就会产生更弱的响应。
然而，这些感受野的性质大多都是基于麻醉动物实验。在这种情况下，人眼的运动就被忽视了。但实际上人眼的运动对视觉信息处理的脑机制很有帮助。具体的，人眼运动能分为稳定注视，运动注视和固定的眼动。其中固定的眼动又包括震颤，漂移和微跳动。眼动影响着视网膜图像和其后续的视觉系统，包括外膝体，初级视觉皮层和高级视觉皮层，因此在进行
技术实现要素：
本发明旨在提供一种模拟人眼微动的图像轮廓检测方法，该方法克服现有技术未考虑人眼微动机制的缺陷，在很好地抑制强纹理的同时保留弱的边缘，提高轮廓识别的成功率。
本发明的技术方案如下：模拟人眼微动的图像轮廓检测方法，包括以下步骤：
a、输入经灰度处理的待检测图像，预设整体抑制参数与抑制系数，预设沿圆周均匀分布的多个方向参数的gabor滤波器组，对待检测图像中的各像素点分别按照各方向参数进行gabor滤波，获得各像素点的各方向的gabor能量值；对于各像素点，选取其各方向的gabor能量值中的最大值，作为该像素点经典感受野刺激响应；
b、对于各像素点，将其经典感受野刺激响应进行截断处理，得到各像素点截断后的经典感受野刺激响应；
c、利用高斯差分函数dog模板，构建一组临时中心区，各个临时中心区相对于视野中心区具有不同偏离角度；对于各像素点，将其临时中心区响应与dog模板进行整合与归一化，得到一组归一化的权重函数；
对于各像素点，在不同偏移角度下，将归一化的权重函数与dog模板内的截断后的经典感受野刺激响应作乘积后求和，得到各像素点在各偏移角度下的非经典感受野刺激响应粗算值；对各像素点在各偏移角度下的非经典感受野刺激响应粗算值求标准差；
d、对于各像素点，结合各偏移角度下的非经典感受野刺激响应粗算值的标准差及整体抑制参数计算得到标准差权重；将标准差权重与各偏移角度下的非经典感受野刺激响应粗算值的最小值进行乘积得到该像素点的非经典感受野刺激响应终算值；
e、对于各像素点，将其经典感受野刺激响应与非经典感受野刺激响应终算值结合抑制系数计算得到该像素点的综合刺激响应，即为该像素点的轮廓识别值，将待检测图像全部像素点的轮廓识别进行非极大值抑制和值二值化之后即得到待检测图像的轮廓识别图像。
优选地，所述的步骤a中经典感受野刺激响应的计算具体如下：
所述的gabor滤波器组的二维gabor函数表达式如下：
其中
i(x,y)为待检测图像，*为卷积运算符；
gabor能量值计算如下：
其中θi为gabor滤波的某一角度，nθ为gabor滤波的角度的个数；
e(x,y；σ)e(x,y)为像素点(x,y)的各角度gabor滤波能量值的最大值，即为像素点(x,y)的经典感受野刺激响应。
优选地，所述的步骤b中截断后的经典感受野刺激响应的计算过程如下：
利用上限比例ph∈(0,1)和下限比例pl∈(0,1)对e(x,y；σ)进行截断：
将各像素点的e(x,y；σ)从小到大进行选取，选取出ph对应百分比数目的e(x,y；σ)，其中的最大值设为qh，作为上限分位数；
将各像素点的e(x,y；σ)从小到大进行选取，选取出pl对应百分比数目的e(x,y；σ)，其中的最大值设为ql，作为下限分位数；
截断后的经典感受野刺激响应：
优选地，所述的步骤c中的dog模板的表达式：
其中k为控制dog模板大小的参数；
所述的临时中心区响应的表达式如下：
其中d表示视野中心到临时中心区的距离，
所述的各像素点的整合与归一化过程如下：
通过归一化的权重函数
其中w(x,y；d,φ)＝wm(x,y；d,φ)·dog(x,y；σ,k)，||·||1为(l1)范数正则化，h(x)为取正值的函数；
所述的各像素点各偏移角度下的非经典感受野刺激响应粗算值的计算过程如下：
其中：inhe(x,y；σ,φi)为各像素点各偏移角度下的非经典感受野刺激响应粗算值；
-3kσ<x′<3kσ；-3kσ<y′<3kσ，表示dog模板的范围；
所述的各像素点各偏移角度下的非经典感受野刺激响应粗算值的平均值及标准差的计算过程如下：
其中stdinh(x,y)为各像素点各方向下的非经典感受野刺激响应粗算值的标准差，aveinh(x,y)为各像素点各方向下的非经典感受野刺激响应粗算值的平均值。
优选地，所述的步骤d中的标准差权重的计算过程如下：
其中wstd(x,y；σ)为标准差权重，fos为整体抑制参数；
非经典感受野刺激响应终算值的计算过程如下：
inh(x,y；σ)＝inhm(x,y；σ)·wstd(x,y；σ)(15)；
inhm(x,y；σ)＝min{inhe(x,y；σ,φi)|i＝1,2,...,nφ}(16)；
其中inhm(x,y；σ)为inhe(x,y；σ,φi)的最小值。
优选地，所述的步骤e中的综合刺激响应的计算过程如下：
r(x,y)＝h(e(x,y；σ)-αinh(x,y；σ))(17)；
其中r(x,y)为像素点的综合刺激响应，α为抑制系数。
本发明方法中设置临时的中心区域对人眼微动产生的偏移进行模拟，假设固定的眼动偏移会导致一个临时的中心区域，此处我们仅仅假设抑制作用仅仅发生于短距离或长距离的神经元连接，即临时的中心区并不会抑制临时的中心区域的响应，通过模拟人眼微动的临时的中心区域保证模拟的真实性以及轮廓检测的准确性；
并且，通过多通道滤波器去模拟人眼微动在周边抑制中的的影响，多通道特征的选择是为了模拟人眼微动的的无方向性，提高模拟的真实性以及轮廓检测的准确性；同时，根据实验可以发现同性质的纹理会使得标准差变小，因此，在算法选择时设置当标准差小的时候，抑制程度就会增强；采用标准差的方法对不同的滤波结果融合，可以抑制显著的纹理，将显著的纹理去除掉，以降低误检测的概率；
再有，由于过大的gabor能量值会导致不精确的抑制响应，可能一些不较弱的边缘会被其周边较强的边缘的响应抑制，因此采用能量截断的方法增强较弱的边缘，以降低漏检测的概率，提高检测质量。
附图说明
图1为本发明的轮廓检测方法流程图
图2为实施例1方法与文件1轮廓检测模型的检测效果对比图
图3为实施例1方法与文件1轮廓检测模型的检测参数对比图
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
如图1所示，本实施例提供的模拟人眼微动的图像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，预设整体抑制参数与抑制系数，预设沿圆周均匀分布的多个方向参数的gabor滤波器组，对待检测图像中的各像素点分别按照各方向参数进行gabor滤波，获得各像素点的各方向的gabor能量值；对于各像素点，选取其各方向的gabor能量值中的最大值，作为该像素点经典感受野刺激响应；
所述的步骤a中经典感受野刺激响应的计算具体如下：
所述的gabor滤波器组的二维gabor函数表达式如下：
其中
i(x,y)为待检测图像，*为卷积运算符；
gabor能量值计算如下：
其中θi为gabor滤波的某一角度，nθ为gabor滤波的角度的个数；
e(x,y；σ)e(x,y)为像素点(x,y)的各角度gabor滤波能量值的最大值，即为像素点(x,y)的经典感受野刺激响应；
b、对于各像素点，将其经典感受野刺激响应进行截断处理，得到各像素点截断后的经典感受野刺激响应；
所述的步骤b中截断后的经典感受野刺激响应的计算过程如下：
利用上限比例ph∈(0,1)和下限比例pl∈(0,1)对e(x,y；σ)进行截断：
将各像素点的e(x,y；σ)从小到大进行选取，选取出ph对应百分比数目的e(x,y；σ)，其中的最大值设为qh，作为上限分位数；本实施例ph＝0.8，即将各像素点的e(x,y；σ)从小到大选取80％数目的值，将其中的最大值设为qh；
将各像素点的e(x,y；σ)从小到大进行选取，选取出pl对应百分比数目的e(x,y；σ)，其中的最大值设为ql；本实施例pl＝0.1，即将各像素点的e(x,y；σ)从小到大选取10％数目的值，将其中的最大值设为ql；
截断后的经典感受野刺激响应：
c、利用高斯差分函数dog模板，构建一组临时中心区，各个临时中心区相对于视野中心区具有不同偏离角度；对于各像素点，将其临时中心区响应与dog模板进行整合与归一化，得到一组归一化的权重函数；
对于各像素点，在不同偏移角度下，将归一化的权重函数与dog模板内的截断后的经典感受野刺激响应作乘积后求和，得到各像素点在各偏移角度下的非经典感受野刺激响应粗算值；对各像素点在各偏移角度下的非经典感受野刺激响应粗算值求标准差；
所述的步骤c中的dog模板的表达式：
其中k为控制dog模板大小的参数；
所述的临时中心区响应的表达式如下：
其中d表示视野中心到临时中心区的距离，
所述的各像素点的整合与归一化过程如下：
通过归一化的权重函数
其中w(x,y；d,φ)＝wm(x,y；d,φ)·dog(x,y；σ,k)，||·||1为(l1)范数正则化，h(x)为取正值的函数；
所述的各像素点各偏移角度下的非经典感受野刺激响应粗算值的计算过程如下：
其中：inhe(x,y；σ,φi)为各像素点各偏移角度下的非经典感受野刺激响应粗算值；
-3kσ<x′<3kσ；-3kσ<y′<3kσ，表示dog模板的范围；
所述的各像素点各偏移角度下的非经典感受野刺激响应粗算值的平均值及标准差的计算过程如下：
其中stdinh(x,y)为各像素点各方向下的非经典感受野刺激响应粗算值的标准差，aveinh(x,y)为各像素点各方向下的非经典感受野刺激响应粗算值的平均值；
d、对于各像素点，结合各偏移角度下的非经典感受野刺激响应粗算值的标准差及整体抑制参数计算得到标准差权重；将标准差权重与各偏移角度下的非经典感受野刺激响应粗算值的最小值进行乘积得到该像素点的非经典感受野刺激响应终算值；
优选地，所述的步骤d中的标准差权重的计算过程如下：
其中wstd(x,y；σ)为标准差权重，fos为整体抑制参数；
非经典感受野刺激响应终算值的计算过程如下：
inh(x,y；σ)＝inhm(x,y；σ)·wstd(x,y；σ)(15)；
inhm(x,y；σ)＝min{inhe(x,y；σ,φi)|i＝1,2,...,nφ}(16)；
其中inhm(x,y；σ)为inhe(x,y；σ,φi)的最小值；
e、对于各像素点，将其经典感受野刺激响应与非经典感受野刺激响应终算值结合抑制系数计算得到该像素点的综合刺激响应，即为该像素点的轮廓识别值，将待检测图像全部像素点的轮廓识别进行非极大值抑制和值二值化之后即得到待检测图像的轮廓识别图像；
所述的步骤e中的综合刺激响应的计算过程如下：
r(x,y)＝h(e(x,y；σ)-αinh(x,y；σ))(17)；
其中r(x,y)为像素点的综合刺激响应，α为抑制系数。
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以及各项异性模型进行有效性对比，其中选用文献1中的各向同性模型以及各项异性模型进行有效性对比，文献1如下：
文献1：grigorescuc,petkovn,westenbergm.contourdetectionbasedonnonclassicalreceptivefieldinhibition[j].ieeetransactionsonimageprocessing,2003,12(7):729-739.
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方法进行后续的轮廓整合，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；
其中性能评价指标p采用文献1中给出的如下标准：
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，ngt表示真实轮廓的数目，efn表示错误检测参数，efp表示遗漏检测参数；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。
选取毛刷、大象、犀牛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、各项异性模型以及实施例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，
表1实施例1参数组表
文献1中的各项同性模型、各项异性模型采用如下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}；
选取各项同性模型、各项异性模型以及实施例1方法中效果最好的一组参数进行对比，轮廓提取效果图对比如图2所示，由图2可看出，从轮廓提取的效果上看，实施例1方法均优于文献1中的各项同性模型、各项异性模型；图3为临时中心区的示意图，其中虚线椭圆部分为临时中心区；
其中表2为实施例1结果图对应的部分参数表，其余参数参照表1中的数据；表3、4分别为各项同性模型、各项异性模型结果图对应的参数表，表5为实施例1方法与其他对比模型的识别效果对比表，进一步证明，实施例1方法均优于文献1中的各项同性模型、各项异性模型。
表2实施例1结果图对应的部分参数表
表3各项同性模型结果图对应的参数表
表4各项异性模型结果图对应的参数表
表5实验结果对比图
- 还没有人留言评论。精彩留言会获得点赞！