图像边缘检测方法、装置、计算机设备及存储介质与流程
本发明属于计算机技术领域，尤其涉及一种图像边缘检测方法、装置、计算机设备及存储介质。
背景技术：
在利用计算机视觉技术对图像进行处理的过程中，通常需要用到边缘检测算法，目的是将图像中有意义的目标边缘和无意义的背景纹理区分开来，其中如何更好地提取图像中有意义的目标边缘而抑制图像中的无意义的背景纹理，是许多学者的重点研究方向。生物研究发现，在人脑视皮层神经元经典感受野外，存在更大面积的非经典感受野，因此人脑视皮层却能够轻松地实现将图像中目标边缘和背景纹理区分开来，基于此，提出了很多基于视觉机制的边缘检测算法，例如最常用的非经典感受野抑制作用的边缘检测模型。
目前，现有技术中边缘提取效果最好的边缘检测算法是在非经典感受野边缘检测算法的基础上，通过构建一个新颖的空间统一调制算子来获得周边刺激对于中央神经元的增强和抑制影响，从而有效抑制与目标无关的背景纹理，并尽可能保留了图像边缘轮廓。然而，该边缘检测算法还是存在着图像边缘轮廓提取不显著、图像边缘轮廓缺失的问题。
技术实现要素：
本发明实施例的目的在于提供一种图像边缘检测算法，旨在解决现有的边缘检测算法都还存在的图像边缘轮廓提取不显著、图像边缘轮廓缺失等检测效果不好的技术问题。
本发明实施例是这样实现的，一种图像边缘检测方法，包括：
根据预设的视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果；所述视觉神经元能量响应模型包括尺度参数；
根据所述能量响应结果以及预设的方向选择显著度计算规则确定所述像素点的方向选择显著度；
根据所述方向选择显著度与预设的方向选择显著度阈值的大小关系以及预设的尺度参数修正规则以及对所述视觉神经元能量响应模型中的尺度参数进行修正，生成修正后的视觉神经元能量响应模型；
根据所述修正后的视觉神经元能量响应模型确定所述像素点的最优能量响应结果和最优响应方位；
根据非经典感受野边缘检测算法以及所述像素点的最优能量响应结果和最优响应方位确定待处理图像的边缘检测结果。
本发明实施例的另一目的在于提供一种图像边缘检测装置，包括：
能量响应结果计算模块，用于根据预设的视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果；所述视觉神经元能量响应模型包括尺度参数；
方向选择显著度计算模块，用于根据所述能量响应结果以及预设的方向选择显著度计算规则确定所述像素点的方向选择显著度；
尺度参数修正模块，用于根据所述方向选择显著度与预设的方向选择显著度阈值的大小关系以及预设的尺度参数修正规则以及对所述视觉神经元能量响应模型中的尺度参数进行修正，生成修正后的视觉神经元能量响应模型；
最优能量响应结果与方位计算模块，用于根据所述修正后的视觉神经元能量响应模型确定所述像素点的最优能量响应结果和最优响应方位；
边缘检测结果确定模块，用于根据非经典感受野边缘检测算法以及所述像素点的最优能量响应结果和最优响应方位确定待处理图像的边缘检测结果。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述图像边缘检测方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述图像边缘检测方法的步骤。
本发明实施例提供的一种图像边缘检测方法，在根据视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果之后，通过进一步计算像素点的方向选择显著度，利用方向选择显著度和预设的方向选择显著度阈值的大小关系来判断该像素点是在某方位具有显著性、更可能代表目标轮廓等重要结构的方向显著性像素点还是在各个方位响应比较均衡、更可能代表纹理特征等非重要结构的非方向显著性像素点，并针对方向显著性像素点和非方向显著性像素点，按照不同的尺度参数修正规则对视觉神经元能量响应模型进行修正，并利用修正后的视觉神经元能量响应模型再分别去计算对应的像素点的最优能量响应结果和最优响应方位，最后结合非经典感受野边缘检测算法确定边缘检测结果。本发明提供的图像边缘检测方法相比于现有技术是直接利用相同的视觉神经元能量响应模型来确定各个像素点的最优能量响应结果和最优响应方位，是根据像素点的方向选择显著度来调整视觉神经元能量响应模型，对不同性质的像素点使用尺度参数的不同的视觉神经元能量响应模型，所确定出的最优能量响应结果和最优响应方位在用于非经典感受野边缘检测算法时效果更佳，边缘检测结果中纹理的抑制效果以及轮廓的提取效果更优。
附图说明
图1为本发明实施例提供的一种图像边缘检测方法的步骤流程图；
图2为本发明实施例提供的一种根据非经典感受野边缘检测算法确定边缘检测结果的步骤流程图；
图3为本发明实施例提供的一种确定边界像素点的步骤流程图；
图4为本发明实施例提供的一种确定局部对比度的步骤流程图；
图5为本发明实施例提供的一种对感受野半径参数进行修正的步骤流程图；
图6为本发明实施例提供的一种对尺度参数进行修正的步骤流程图；
图7为本发明实施例提供的一种对图像边缘检测装置的结构示意图；
图8为本发明实施例提供的一种可执行图像边缘检测方法的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例为进一步提高现有的图像边缘检测方法对图像边缘的检测效果，在根据视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果之后，通过进一步利用预设的方向选择显著度计算规则来确定图像中各个像素点的方向选择显著度，从而判断出相比于现有的图像边缘检测方法是直接根据预设的视觉神经元能量响应模型确定待处理图像中像素点在的预设的视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果是在某方位具有显著性、更可能代表目标轮廓等重要结构的方向显著性像素点还是在各个方位响应比较均衡、更可能代表纹理特征等非重要结构的非方向显著性像素点，进一步考虑到在细尺度上对纹理进行抑制可获得较好的效果，而在粗尺度上确定目标轮廓的方位可获得较好的效果，针对不同性质的像素点分别适应性的去调整视觉神经元能量响应模型的尺度参数，来确定该像素点的最优能量响应结果和最优响应方位，相对于常规图像边缘检测方法中直接利用相同的视觉神经元能量响应模型来确定各个像素点的最优能量响应结果和最优响应方位，结合非经典感受野边缘检测算法可以实现对该像素点更好的抑制效果或提取效果，从而得到效果更好的边缘检测结果。
如图1所示，为本发明实施例提供的一种图像边缘检测方法的步骤流程图，具体包括以下步骤：
步骤s102，根据预设的视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果。
在本发明实施例中，所述预设的视觉神经元能量响应模型可以是预先通过机器学习所确定的视觉神经元能量响应模型，其中视觉神经元能量响应模型应当包括尺度参数，此外也应当包括响应方位参数。具体的，利用视觉神经元能量响应模型对待处理图像进行卷积处理可以确定待处理图像中各个像素点的能量响应结果，当改变视觉神经元能量响应模型中的响应方位参数，可以得到待处理图像中各个像素点在多个预设的响应方位上的能量响应结果。
作为本发明的一个优选实施例，考虑到gabor滤波器和loggabor滤波器表现出明显的方向选择性，作为优选，视觉神经元能量响应模型是预先基于gabor滤波器或者loggabor滤波器所建立，在对待处理图像处理的过程中，也可以表现出明显的方向选择性，保证各像素点在不同相应方位上的能量响应结果具有明显的特征性。
在本发明实施例中，预先基于gabor滤波器所建立的视觉神经元能量响应模型具体如下：
其中，该视觉神经元能量响应模型所包含的多个参数的含义具体为：λ为波长，1/λ即余弦函数的空间频率；σ是椭圆形感受野大小的高斯函数的标准差，则σ/λ表示空间频率的带宽，也就是尺度参数，空间频率的带宽越大，表明视觉神经元能量响应模型尺度越大，空间频率的带宽越小，表明视觉神经元能量响应模型尺度越小；θ为神经元偏好方向，也就是前文所说的响应方位参数，通过调整θ，可以确定待处理图像中像素点在多个预设的响应方位(θ)上的能量响应结果；γ为椭圆形感受野的长短轴比；
其中，相位参数相差π/2的gabor滤波器对于图像响应的模即为可用于描述各像素点基本特性的能量响应结果eλ,σ,θ,γ(x,y)，具体为：
可以看出，eλ,σ,θ,γ(x,y)是
进一步，令nθ个预设的响应方位θi(即视觉神经元能量响应模型的神经元偏好方向参数θ)为：
此时可以确定待处理图像中像素点在多个预设的响应方位上的能量响应结果
在本发明实施例中，预先基于loggabor滤波器所建立的视觉神经元能量响应模型具体如下：
同样的，其中，该视觉神经元能量响应模型所包含的多个参数的含义具体为：f0为滤波器中心频率；σf为径向带宽，σθ为方向带宽，两者均为尺度参数，径向带宽、方向带宽的带宽越大，表明视觉神经元能量响应模型尺度越大，径向带宽、方向带宽的带宽越小，表明视觉神经元能量响应模型尺度越小；θ0为滤波器方向，也就是前文所说的响应方位参数，通过调整θ0，可以确定待处理图像中像素点在多个预设的响应方位上的能量响应结果。此时，根据视觉神经元能量响应模型对待处理图像的灰度图i(x,y)进行卷积处理，得到描述各像素点基本特性的能量响应结果ef,θ(x,y)的具体公式为：
hodd对应滤波器h空间域中的实部，为偶滤波器，heven对应滤波器h空间域中虚部，为奇滤波器。
进一步，可以同样令nθ个预设的响应方位θi(即视觉神经元能量响应模型的神经元偏好方向参数θ0)为：
此时可以确定待处理图像中像素点在多个预设的响应方位上的能量响应结果
在本发明实施例中，需要说明的是，现有技术在确定多个预设的响应方位上的能量响应结果之后，是直接将最大能量响应结果
步骤s104，根据所述能量响应结果以及预设的方向选择显著度计算规则确定所述像素点的方向选择显著度。
在本发明实施例中，相比于现有技术是直接确定图像中各个像素点的最优能量响应结果和最优响应方位，本发明进一步利用能量响应结果以及预设的方向选择显著度计算规则来确定所述像素点的方向选择显著度，为便于理解，以前述基于gabor滤波器建立的视觉神经元能量响应模型作为示例来描述像素点的方向选择显著度的计算规则。需要说明的是，该方向选择显著度的计算规则也同样可以拓展到其他视觉神经元能量响应模型例如基于loggabor滤波器建立的视觉神经元能量响应模型，是本领域技术人员可以根据公知常识所能做出的常规选择。
在本发明实施例中，像素点的方向选择显著度是利用该像素点在多个预设的方向上的最大能量响应结果以及平均能量响应结果计算确定的，具体的像素点的方向选择显著度的计算公式为：
其中，上述等式右边的分子即为该像素点在多个预设的方向上的最大能量响应结果，分母即为该像素点在多个预设的方向上的平均能量响应结果。可以理解，方向选择显著度越大，即该像素点在多个预设的方向上的最大能量响应结果与平均能量响应结果商值越大，表明该像素点在某一个方向上响应特别明显，更可能是图像的轮廓特征，而方向选择显著度越小，即该像素点在多个预设的方向上的最大能量响应结果与平均能量响应结果商值越大，表明该像素点在多个方向上响应比较均衡，更可能是图像的纹理特征。
步骤s106，根据所述方向选择显著度与预设的方向选择显著度阈值的大小关系以及预设的尺度参数修正规则以及对所述视觉神经元能量响应模型中的尺度参数进行修正，生成修正后的视觉神经元能量响应模型。
在本发明实施例中，通过将各个像素点的方向选择显著度sλ,σ(x,y)和预设的方向选择显著度阈值ts进行比较，可以确定出该像素点是在某一个方位响应特别明显、更可能代表目标轮廓等重要结构的方向显著性像素点，还是在各个方位响应比较均衡、更可能代表纹理特征等非重要结构的非方向显著性像素点。
在本发明实施例中，考虑到利用细尺度(即尺度参数相对较小)视觉神经元能量响应模型对图像进行处理可以对纹理起到较好的抑制效果，而利用粗尺度(即尺度参数相对较大)视觉神经元能量响应模型对图像进行处理可以对轮廓起到较好的提取效果，因此，在确定各个像素点是方向显著性像素点还是非方向显著性像素点之后，对视觉神经元能量响应模型中包含的尺度参数进行自适应的修正，保证利用细尺度视觉神经元能量响应模型对非方向显著性像素点进行处理，利用粗尺度视觉神经元能量响应模型对方向显著性像素点进行处理。其中，具体的对视觉神经元能量响应模型中的尺度参数进行修正的步骤请参阅后续图6及其解释说明。
在本发明实施例中，需要强调的一点是，本发明中所指的粗尺度与细尺度仅仅表示相对的概念，并不具体限定尺度参数大小为多少时，才能表示粗尺度视觉神经元能量响应模型和细尺度粗尺度视觉神经元能量响应模型，但凡是根据像素点的方向显著性对视觉神经元能量响应模型的尺度参数进行修正，从而实现利用两个或者两个以上尺度参数大小不同的视觉神经元能量响应模型分别对具有(不具有)方向显著性的像素点进行处理的技术方案均属于本发明要求保护的范围之内。
步骤s108，根据所述修正后的视觉神经元能量响应模型确定所述像素点的最优能量响应结果和最优响应方位。
在本发明实施例中，基于尺度参数修正后的视觉神经元能量响应模型对各个像素点进行处理，并进一步确定像素点的最优能量响应结果和最优响应方位，其中最优能量响应结果和最优响应方位的计算规则已在前述步骤s102中说明。也就是说，对各个像素点处理的视觉神经元能量响应模型中的尺度参数是基于该像素点的方向选择显著度所修正过的，从而保证了对每个像素点具有较好的抑制或者提取效果。
步骤s110，根据非经典感受野边缘检测算法以及所述像素点的最优能量响应结果和最优响应方位确定待处理图像的边缘检测结果。
在本发明实施例中，利用考虑上下文调制影响的非经典感受野边缘检测算法，结合图像中各像素点的最优能量响应结果和最优响应方位，能够利用上下文进一步对各像素点的能量响应结果进行修正，将修正后的各像素点的能量响应结果展示出，就可以得到待处理图像的边缘检测结果。
在本发明实施例中，根据非经典感受野边缘检测算法确定边缘检测结果的步骤具体请参阅图2及其解释说明的内容。
本发明实施例提供的一种图像边缘检测方法，在根据视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果之后，通过进一步计算像素点的方向选择显著度，利用方向选择显著度和预设的方向选择显著度阈值的大小关系来判断该像素点是在某方位具有显著性、更可能代表目标轮廓等重要结构的方向显著性像素点还是在各个方位响应比较均衡、更可能代表纹理特征等非重要结构的非方向显著性像素点，并针对方向显著性像素点和非方向显著性像素点，按照不同的尺度参数修正规则对视觉神经元能量响应模型进行修正，并利用修正后的视觉神经元能量响应模型再分别去计算对应的像素点的最优能量响应结果和最优响应方位，最后结合非经典感受野边缘检测算法确定边缘检测结果。本发明提供的图像边缘检测方法相比于现有技术是直接利用相同的视觉神经元能量响应模型来确定各个像素点的最优能量响应结果和最优响应方位，是根据像素点的方向选择显著度来调整视觉神经元能量响应模型，对不同性质的像素点使用尺度参数的不同的视觉神经元能量响应模型，所确定出的最优能量响应结果和最优响应方位在用于非经典感受野边缘检测算法时效果更佳，边缘检测结果中纹理的抑制效果以及轮廓的提取效果更优。
如图2所示，为本发明实施例提供的一种根据非经典感受野边缘检测算法确定边缘检测结果的步骤流程图，具体包括以下步骤：
步骤s202，根据确定的中央像素点以及预设的感受野半径参数确定边界像素点。
在本发明实施例中，非经典感受野边缘检测算法是基于生物研究发现的算法，主要原理是借鉴了人脑视皮层神经元经典感受野外，存在更大面积的非经典感受野来实现对图像的边缘检测。具体的，在边缘检测过程中，对于每个像素点，不仅仅考虑该像素点的最优能量响应结果，还额外考虑了在感受野半径内的其他像素点对该像素点调制影响，此时，将该像素点视为中央像素点，结合感受野半径参数可以确定边界像素点，其中所述边界像素点与所述中央像素点之间的距离小于所述感受野半径参数。
作为本发明的一个优选实施例，所述感受野半径参数还可以针对不同的中央像素点进行修正，以起到更好的轮廓提取效果和纹理抑制效果。其中，具体的实现方式请参阅图3及其解释说明的内容。
步骤s204，确定所述中央像素点与所述边界像素点之间的偏移角度和距离。
在本发明实施例中，在前述步骤中已经提供了各个像素点的最优能量响应结果和最优响应方位，此时计算中央像素点的最优响应方位β与所述边界像素点的最优响应方位之间ω的角度差(β-ω)，该角度差即为中央像素点与所述边界像素点之间的偏移角度φab，需要说明的一点是，通过取该角度和该角度的补角两者中的较小值，即φab＝min(|β-ω|，π-|β-ω|)，可以保证偏移角度φab处于0～π/2之间。而距离可直接通过距离公式确定，在此不在赘述。
步骤s206，根据所述偏移角度和距离以及所述边界像素点的最优能量响应结果确定所述边界像素点对所述中央像素点的能量响应影响值。
在本发明实施例中，当φab为0时，边界像素点对中央像素点的增强作用最大(意味着边界像素点的最优响应方位指向中央像素点位置，表现出共线增强或者角点增强)；而φab为π/2时，边界像素点对中央像素点的抑制作用最大(意味着中央像素点和边界像素点之间的路径被周边神经元阻断，表现出纹理抑制或者阻断抑制)，因此利用余弦函数可以有效模拟出偏移角度对边界像素点对中央像素点的影响程度。
在本发明实施例中，同样的，距离也会对影响边界像素点对中央像素点的影响程度，边界像素点距离中央像素点越远，影响程度越小，边界像素点距离中央像素点越近，影响程度越大。
在本发明实施例中，结合上述可以定义出空间统一调制算子：
此时，以ωncrf表示感受野范围，以rncrf表示感受野半径参数为，边界像素点对所述中央像素点的能量响应影响值的计算公式具体为：
其中，
步骤s208，根据所述能量响应影响值以及所述中央像素点的最优能量响应确定所述中央像素点的完整能量响应。
在本发明实施例中，通过对能量响应影响值取加权值来控制上下文调制的影响大小，综合中央像素点的最优能量响应以及边界像素点对所述中央像素点的能量响应影响值，求和就可以确定出考虑上下文调制机制后的中央像素点的完整能量响应。
步骤s210，根据所述完整能量响应确定所述待处理图像的边缘检测结果。
在本发明实施例中，将每个像素点视为中央像素点，计算出各个像素点的完整能量响应并展示出，就可以得到待处理图像的边缘检测结果。
本发明实施例提供的一种图像边缘检测方法，通过进一步利用非经典感受野边缘检测算法，综合考虑周边环境的上下文调制影响，进一步提高了图像边缘检测的处理效果。
如图3所示，为本发明实施例提供的一种确定边界像素点的步骤流程图，具体包括以下步骤：
步骤s302，根据所述待处理图像的灰度图像确定所述中央像素点的局部对比度。
在本发明实施例中，所述中央像素点的局部对比度可以由感受野范围内图像的最大亮度值和最小亮度值确定的，其中具体计算过程请参阅图4及其解释说明的内容。
步骤s304，根据所述局部对比度与预设的低对比度响应阈值的大小关系以及预设的感受野半径参数修正规则对所述感受野半径参数进行修正，生成修正后的感受野半径参数。
在本发明实施例中，在中央像素点的局部对比度过低时，通过对感受野半径参数进行修正来改变非经典感受野的空间作用范围，以提高模型的增强和抑制作用，其中具体的修正规则请参阅图5及其解释说明的内容。
作为本发明的一个优选实施例，将图像中各像素点的局部对比度的平均值确定为所述预设的低对比度响应阈值，即：
其中，ct为低对比度响应阈值，m、n分别为输入图象在x、y方向上的像素个数，c(x,y)表示以(x,y)作为中央像素点时的局部对比度。
步骤s306，根据所述中央像素点以及所述修正后的感受野半径参数确定边界像素点。
在本发明实施例中，在不同像素点作为中央像素点时，根据感受野范围的局部对比度对感受野半径参数进行修正，以扩大(缩小)感受野的空间作用范围，相比于对所有的像素点均使用同样的感受野半径参数来确定边界像素点，可以进一步提高提高模型的增强和抑制作用。
如图4所示，为本发明实施例提供的一种确定局部对比度的步骤流程图，具体包括以下步骤：
步骤s402，根据预设的感受野半径参数确定所述中央像素点的感受野范围内灰度图像。
在本发明实施例中，显然，以所述中央像素点为中心，与所述中央像素点距离小于预设的感受野半径参数的像素点均属于中央像素点的感受野范围内，此时可以确定对应的中央像素点的感受野范围内灰度图像。
步骤s404，确定所述感受野范围内灰度图像的最大亮度值和最小亮度值。
在本发明实施例中，lmax、lmin分别表示感受野范围内灰度图像的最大亮度值和最小亮度值。
步骤s406，根据所述最大亮度值和最小亮度值确定所述中央像素点的局部对比度。
在本发明实施例中，所述局部对比度的计算公式如下：
如图5所示，为本发明实施例提供的一种对感受野半径参数进行修正的步骤流程图，具体包括以下步骤：
步骤s502，判断所述局部对比度是否小于预设的低对比度响应阈值。当判断所述局部对比度小于预设的低对比度响应阈值时，执行步骤s504；当判断所述局部对比度小于预设的低对比度响应阈值时，执行其他步骤。
在本发明实施例中，当局部对比度小于预设的低对比度响应阈值时，表明在该像素点的亮度较为均衡，通过扩大感受野半径参数来扩大感受野的空间作用范围，来提高模型的增强和抑制作用。当局部对比度不小于预设的低对比度响应阈值时，表明在该像素点的亮度具有差异性，感受野内的边界像素点足够描述上下文对该中央像素点的调制影响，因此可以不调整感受野半径参数，当然也可以缩小感受野半径参数来缩小感受野的空间作用范围。
步骤s504，按照预设的感受野半径参数扩大规则扩大所述感受野半径参数。
在本发明实施例中，所述按照预设的感受野半径参数扩大规则扩大所述感受野半径参数，通常是将感受野半径参数扩大至k倍来扩大感受野的空间作用范围。
如图6所示，为本发明实施例提供的一种对尺度参数进行修正的步骤流程图，具体包括以下步骤：
步骤s602，判断所述方向选择显著度是否大于预设的方向选择显著度阈值。当判断所述方向选择显著度大于预设的方向选择显著度阈值时，执行步骤s604；当判断所述方向选择显著度不大于预设的方向选择显著度阈值时，执行步骤s606。
步骤s604，按照预设的尺度参数扩大规则扩大所述视觉神经元能量响应模型中的尺度参数。
步骤s606，按照预设的尺度参数缩小规则缩小所述视觉神经元能量响应模型中的尺度参数。
在本发明实施例中，结合前述可以知晓，方向选择显著度大表明该像素点更可能是描述轮廓特征的像素点，而粗尺度对轮廓特征的提取效果较优，因此对于方向选择显著度大的像素点，应当适应性扩大所述视觉神经元能量响应模型中的尺度参数，利用粗尺度视觉神经元能量响应模型进行处理，以提高对该像素点的轮廓特征的提取效果；反之，方向选择显著度小表明该像素点更可能是描述纹理特征的像素点，而细尺度对纹理特征的抑制效果较优，因此对于方向选择显著度小的像素点，应当适应性缩小所述视觉神经元能量响应模型中的尺度参数，利用细尺度视觉神经元能量响应模型进行处理，以提高对该像素点的纹理特征的抑制效果。具体的，考虑到预设的视觉神经元能量响应模型本身可以设置为粗尺度或细尺度的视觉神经元能量响应模型，因此，在特定情况下，只需要对其中一种情形进行修正。例如，当预设的视觉神经元能量响应模型已经采用粗尺度的视觉神经元能量响应模型进行处理时，只需要执行步骤s606；而当预设的视觉神经元能量响应模型已经采用细尺度的视觉神经元能量响应模型进行处理时，只需要执行步骤s604。
如图7所示，为本发明实施例提供的一种对图像边缘检测装置的结构示意图，详述如下。
在本发明实施例中，所述图像边缘检测装置包括：
能量响应结果计算模块810，用于根据预设的视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果。
在本发明实施例中，所述预设的视觉神经元能量响应模型可以是预先通过机器学习所确定的视觉神经元能量响应模型，其中视觉神经元能量响应模型应当包括尺度参数，此外也应当包括响应方位参数。具体的，利用视觉神经元能量响应模型对待处理图像进行卷积处理可以确定待处理图像中各个像素点的能量响应结果，当改变视觉神经元能量响应模型中的响应方位参数，可以得到待处理图像中各个像素点在多个预设的响应方位上的能量响应结果。
作为本发明的一个优选实施例，考虑到gabor滤波器和loggabor滤波器表现出明显的方向选择性，作为优选，视觉神经元能量响应模型是预先基于gabor滤波器或者loggabor滤波器所建立，在对待处理图像处理的过程中，也可以表现出明显的方向选择性，保证各像素点在不同相应方位上的能量响应结果具有明显的特征性。
在本发明实施例中，预先基于gabor滤波器所建立的视觉神经元能量响应模型具体如下：
其中，该视觉神经元能量响应模型所包含的多个参数的含义具体为：λ为波长，1/λ即余弦函数的空间频率；σ是椭圆形感受野大小的高斯函数的标准差，则σ/λ表示空间频率的带宽，也就是尺度参数，空间频率的带宽越大，表明视觉神经元能量响应模型尺度越大，空间频率的带宽越小，表明视觉神经元能量响应模型尺度越小；θ为神经元偏好方向，也就是前文所说的响应方位参数，通过调整θ，可以确定待处理图像中像素点在多个预设的响应方位(θ)上的能量响应结果；γ为椭圆形感受野的长短轴比；
其中，相位参数相差π/2的gabor滤波器对于图像响应的模即为可用于描述各像素点基本特性的能量响应结果eλ,σ,θ,γ(x,y)，具体为：
可以看出，eλ,σ,θ,γ(x,y)是
进一步，令nθ个预设的响应方位θi(即视觉神经元能量响应模型的神经元偏好方向参数θ)为：
此时可以确定待处理图像中像素点在多个预设的响应方位上的能量响应结果
在本发明实施例中，预先基于loggabor滤波器所建立的视觉神经元能量响应模型具体如下：
同样的，其中，该视觉神经元能量响应模型所包含的多个参数的含义具体为：f0为滤波器中心频率；σf为径向带宽，σθ为方向带宽，两者均为尺度参数，径向带宽、方向带宽的带宽越大，表明视觉神经元能量响应模型尺度越大，径向带宽、方向带宽的带宽越小，表明视觉神经元能量响应模型尺度越小；θ0为滤波器方向，也就是前文所说的响应方位参数，通过调整θ0，可以确定待处理图像中像素点在多个预设的响应方位上的能量响应结果。此时，根据视觉神经元能量响应模型对待处理图像的灰度图i(x,y)进行卷积处理，得到描述各像素点基本特性的能量响应结果ef,θ(x,y)的具体公式为：
hodd对应滤波器h空间域中的实部，为偶滤波器，heven对应滤波器h空间域中虚部，为奇滤波器。
进一步，可以同样令nθ个预设的响应方位θi(即视觉神经元能量响应模型的神经元偏好方向参数θ0)为：
此时可以确定待处理图像中像素点在多个预设的响应方位上的能量响应结果
在本发明实施例中，需要说明的是，现有技术在确定多个预设的响应方位上的能量响应结果之后，是直接将最大能量响应结果
方向选择显著度计算模块820，用于根据所述能量响应结果以及预设的方向选择显著度计算规则确定所述像素点的方向选择显著度。
在本发明实施例中，相比于现有技术是直接确定图像中各个像素点的最优能量响应结果和最优响应方位，本发明进一步利用能量响应结果以及预设的方向选择显著度计算规则来确定所述像素点的方向选择显著度，为便于理解，以前述基于gabor滤波器建立的视觉神经元能量响应模型作为示例来描述像素点的方向选择显著度的计算规则。需要说明的是，该方向选择显著度的计算规则也同样可以拓展到其他视觉神经元能量响应模型例如基于loggabor滤波器建立的视觉神经元能量响应模型，是本领域技术人员可以根据公知常识所能做出的常规选择。
在本发明实施例中，像素点的方向选择显著度是利用该像素点在多个预设的方向上的最大能量响应结果以及平均能量响应结果计算确定的，具体的像素点的方向选择显著度的计算公式为：
其中，上述等式右边的分子即为该像素点在多个预设的方向上的最大能量响应结果，分母即为该像素点在多个预设的方向上的平均能量响应结果。可以理解，方向选择显著度越大，即该像素点在多个预设的方向上的最大能量响应结果与平均能量响应结果商值越大，表明该像素点在某一个方向上响应特别明显，更可能是图像的轮廓特征，而方向选择显著度越小，即该像素点在多个预设的方向上的最大能量响应结果与平均能量响应结果商值越大，表明该像素点在多个方向上响应比较均衡，更可能是图像的纹理特征。
尺度参数修正模块830，用于根据所述方向选择显著度与预设的方向选择显著度阈值的大小关系以及预设的尺度参数修正规则以及对所述视觉神经元能量响应模型中的尺度参数进行修正，生成修正后的视觉神经元能量响应模型。
在本发明实施例中，通过将各个像素点的方向选择显著度sλ,σ(x,y)和预设的方向选择显著度阈值ts进行比较，可以确定出该像素点是在某一个方位响应特别明显、更可能代表目标轮廓等重要结构的方向显著性像素点，还是在各个方位响应比较均衡、更可能代表纹理特征等非重要结构的非方向显著性像素点。
在本发明实施例中，考虑到利用细尺度(即尺度参数相对较小)视觉神经元能量响应模型对图像进行处理可以对纹理起到较好的抑制效果，而利用粗尺度(即尺度参数相对较大)视觉神经元能量响应模型对图像进行处理可以对轮廓起到较好的提取效果，因此，在确定各个像素点是方向显著性像素点还是非方向显著性像素点之后，对视觉神经元能量响应模型中包含的尺度参数进行自适应的修正，保证利用细尺度视觉神经元能量响应模型对非方向显著性像素点进行处理，利用粗尺度视觉神经元能量响应模型对方向显著性像素点进行处理。
在本发明实施例中，需要强调的一点是，本发明中所指的粗尺度与细尺度仅仅表示相对的概念，并不具体限定尺度参数大小为多少时，才能表示粗尺度视觉神经元能量响应模型和细尺度粗尺度视觉神经元能量响应模型，但凡是根据像素点的方向显著性对视觉神经元能量响应模型的尺度参数进行修正，从而实现利用两个或者两个以上尺度参数大小不同的视觉神经元能量响应模型分别对具有(不具有)方向显著性的像素点进行处理的技术方案均属于本发明要求保护的范围之内。
最优能量响应结果与方位计算模块840，用于根据所述修正后的视觉神经元能量响应模型确定所述像素点的最优能量响应结果和最优响应方位。
在本发明实施例中，基于尺度参数修正后的视觉神经元能量响应模型对各个像素点进行处理，并进一步确定像素点的最优能量响应结果和最优响应方位，其中最优能量响应结果和最优响应方位的计算规则已在前述步骤s102中说明。也就是说，对各个像素点处理的视觉神经元能量响应模型中的尺度参数是基于该像素点的方向选择显著度所修正过的，从而保证了对每个像素点具有较好的抑制或者提取效果。
边缘检测结果确定模块850，用于根据非经典感受野边缘检测算法以及所述像素点的最优能量响应结果和最优响应方位确定待处理图像的边缘检测结果。
在本发明实施例中，利用考虑上下文调制影响的非经典感受野边缘检测算法，结合图像中各像素点的最优能量响应结果和最优响应方位，能够利用上下文进一步对各像素点的能量响应结果进行修正，将修正后的各像素点的能量响应结果展示出，就可以得到待处理图像的边缘检测结果。
本发明实施例提供的一种图像边缘检测装置，在根据视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果之后，通过进一步计算像素点的方向选择显著度，利用方向选择显著度和预设的方向选择显著度阈值的大小关系来判断该像素点是在某方位具有显著性、更可能代表目标轮廓等重要结构的方向显著性像素点还是在各个方位响应比较均衡、更可能代表纹理特征等非重要结构的非方向显著性像素点，并针对方向显著性像素点和非方向显著性像素点，按照不同的尺度参数修正规则对视觉神经元能量响应模型进行修正，并利用修正后的视觉神经元能量响应模型再分别去计算对应的像素点的最优能量响应结果和最优响应方位，最后结合非经典感受野边缘检测算法确定边缘检测结果。本发明提供的图像边缘检测装置相比于现有技术是直接利用相同的视觉神经元能量响应模型来确定各个像素点的最优能量响应结果和最优响应方位，是根据像素点的方向选择显著度来调整视觉神经元能量响应模型，对不同性质的像素点使用尺度参数的不同的视觉神经元能量响应模型，所确定出的最优能量响应结果和最优响应方位在用于非经典感受野边缘检测算法时效果更佳，边缘检测结果中纹理的抑制效果以及轮廓的提取效果更优。
图8示出了一个实施例中计算机设备的内部结构图。如图8所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图像边缘检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行图像边缘检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的图像边缘检测装置可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该图像边缘检测装置的各个程序模块，比如，图7所示出的能量响应结果计算模块、方向选择显著度计算模块、尺度参数修正模块、最优能量响应结果、方位计算模块以及边缘检测结果确定模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的图像边缘检测方法中的步骤。
例如，图8所示的计算机设备可以通过如图7所示的图像边缘检测装置中的能量响应结果计算模块执行步骤s102；计算机设备可通过方向选择显著度计算模块执行步骤s104；计算机设备可通过尺度参数修正模块来执行步骤s106等等。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据预设的视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果；所述视觉神经元能量响应模型包括尺度参数；
根据所述能量响应结果以及预设的方向选择显著度计算规则确定所述像素点的方向选择显著度；
根据所述方向选择显著度与预设的方向选择显著度阈值的大小关系以及预设的尺度参数修正规则以及对所述视觉神经元能量响应模型中的尺度参数进行修正，生成修正后的视觉神经元能量响应模型；
根据所述修正后的视觉神经元能量响应模型确定所述像素点的最优能量响应结果和最优响应方位；
根据非经典感受野边缘检测算法以及所述像素点的最优能量响应结果和最优响应方位确定待处理图像的边缘检测结果。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
根据预设的视觉神经元能量响应模型确定待处理图像中像素点在多个预设的响应方位上的能量响应结果；所述视觉神经元能量响应模型包括尺度参数；
根据所述能量响应结果以及预设的方向选择显著度计算规则确定所述像素点的方向选择显著度；
根据所述方向选择显著度与预设的方向选择显著度阈值的大小关系以及预设的尺度参数修正规则以及对所述视觉神经元能量响应模型中的尺度参数进行修正，生成修正后的视觉神经元能量响应模型；
根据所述修正后的视觉神经元能量响应模型确定所述像素点的最优能量响应结果和最优响应方位；
根据非经典感受野边缘检测算法以及所述像素点的最优能量响应结果和最优响应方位确定待处理图像的边缘检测结果。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！