一种复杂场景中目标轮廓提取方法与流程

本发明涉及计算机视觉
技术领域：
，特别涉及一种复杂环境中目标轮廓提取方法。
背景技术：
：轮廓提取是计算机视觉领域的一个重要内容，对于目标检测、目标识别等问题的解决有重要意义。复杂环境中的目标轮廓提取有两大要求：1)提取有效边界；2)滤除背景干扰。传统的轮廓提取方法，如Robert算子、Canny算子等，由于无法区分真实轮廓与背景干扰，很难实现背景干扰的滤除。而近年来，随着人体视觉理论的发展，人们逐渐开始利用生物体的视觉信息处理特性来建立模型，实现复杂环境中的轮廓提取功能。该领域方法主要有：各向同性外周抑制方法和各向异性外周抑制方法(GrigorescuC,PetkovN,WestenbergMA.Contourdetectionbasedonnonclassicalreceptivefieldinhibition.IEEEtransactionsonimageprocessing.2003；12(7):729-39.)、蝶型外周易化和抑制方法(TangQ,SangN,ZhangT.Extractionofsalientcontoursfromclutteredscenes.PatternRecognition.2007；40(11):3100-9.)、自适应蝶型外周抑制方法(ZengC,LiY,LiC.Center-surroundinteractionwithadaptiveinhibition:acomputationalmodelforcontourdetection.NeuroImage.2011；55(1):49-66.)这些方法都是基于生物视觉体系中的经典感受野和非经典感受野特性建立。前两种方法都是在经典感受野外周定义环形区域来模拟非经典感受野，利用非经典感受野的抑制特性来滤除背景信息。而后两种方法则进一步地将外周环形区域划分为两个端区和两个侧区，在不同区域模拟易化或抑制特性。蝶型外周易化和抑制方法是在两个端区施加易化特性，在两个侧区施加抑制特性，实现了复杂环境中较弱轮廓的增强。自适应蝶型外周抑制方法则仍是在端区和侧区均施加抑制效应，但通过自适应机制的引入，自适应地调节端区抑制的强度，进一步提高了轮廓提取的效果。相对于传统方法，这些方法在目标轮廓提取方面取得了较好的结果。但同样存在一定缺点：已有模型在非经典感受野各分区往往仅考虑易化或抑制效应中的一种，易导致轮廓提取结果出现错漏，对复杂场景的轮廓提取适应性较差等；已有模型中易化机制建模效果欠佳，对弱轮廓的增强效果不理想。技术实现要素：本发明的主要目的在于针对现有技术的不足，提供一种复杂环境中目标轮廓提取方法。为实现上述目的，本发明采用以下技术方案：一种复杂场景中目标轮廓提取方法，包含以下步骤：S1.对原始图片进行Gabor滤波；S2.根据步骤S1滤波结果求取最大Gabor能量图和最优方向图；S3.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野侧区抑制量；S4.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野端区易化量；S5.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野端区抑制量；S6.根据步骤S2中最大Gabor能量图、最优方向图和步骤S3中侧区抑制量，计算端区易化/抑制权重；S7.根据步骤S2～S6所得结果，计算施加侧区抑制、端区易化、端区抑制三者之后的轮廓图像；S8.对步骤S7中所得图像进行二值化处理，得到最终轮廓提取结果。进一步地：步骤S1中，构造一组不同方向的Gabor滤波器，并用该组滤波器处理原始图像，处理方式为滤波器与原始图像的卷积，由此得到一组不同方向的检测结果。步骤S2中，选取各个位置像素点在不同方向上的检测最大值，各位置最大值对应的方向为最优方向，由此得到最大Gabor能量图和最优方向图。步骤S3中，来自两个侧区的总抑制量为两侧区抑制量之和减去二者之差的绝对值。步骤S3中，用二维非负高斯差函数定义非经典感受野环形区域，两侧区位于中心经典感受野方向的垂线上，两侧区抑制量为侧区滤波核与最大Gabor能量图的卷积，其中侧区滤波核为定义在该区域中的非负高斯差函数。步骤S4中，总的端区易化量为两端区易化量之积的开方。步骤S4中，每个端区中某一位置的易化量为该位置滤波核易化强度向量与图像对应位置灰度值向量的点积，每个端区的易化量为该端区内所有位置易化量之和。步骤S5中，总的端区抑制量为两端区抑制量之和。步骤S6中，综合考虑大尺度Gabor最大能量图和小尺度侧区抑制量来自适应调节端区易化或抑制效应的强度，确定计算端区易化/抑制权重，其中大尺度定义为小尺度的预定倍数。步骤S8中，所述二值化处理包括非极大抑制和滞后阈值法两个处理步骤。本发明的有益效果：本发明针对现有技术不足，提出了一种基于视觉系统特性的轮廓提取方法，实现在复杂场景中目标轮廓的提取，对复杂场景适应性强。其显著优点体现在：1)提供了一套更有效的易化模型，并将其施加于非经典感受野端区；2)在非经典感受野端区同时考虑易化和抑制效应，实现了滤除背景干扰的同时，增强较弱轮廓，从而检测出更多有效边界。本发明能够更好地满足复杂场景轮廓提取的两个要求，即尽可能多的保留有效轮廓并滤除背景干扰。附图说明图1为本发明实施例的方法流程图；图2为本发明实施例中的感受野区域示意图，其中1为中心经典感受野区域，2为外周环形非经典感受野区域，3和6分别为非经典感受野侧区R和L，5和7分别为非经典感受野端区B和T，4为中心经典感受野最优方向；图3为本发明实施例中的原始图像(a)、轮廓真值图(b)、各向同性外周抑制方法结果(c)、各向异性外周抑制方法结果(d)、自适应外周抑制方法结果(e)、本实施方法结果(f)。具体实施方式以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。参阅图1，在一种实施例中，一种复杂场景中目标轮廓提取方法，包含以下步骤：S1.对原始图片进行Gabor滤波；S2.根据步骤S1滤波结果求取最大Gabor能量图和最优方向图；S3.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野侧区抑制量；S4.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野端区易化量；S5.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野端区抑制量；S6.根据步骤S2中最大Gabor能量图、最优方向图和步骤S3中侧区抑制量，计算端区易化/抑制权重；S7.根据步骤S2～S6所得结果，计算施加侧区抑制、端区易化、端区抑制三者之后的轮廓图像；S8.对步骤S7中所得图像进行二值化处理，得到最终轮廓提取结果。在优选的实施例中，步骤S1中，构造一组不同方向的Gabor滤波器，并用该组滤波器处理原始图像，处理方式为滤波器与原始图像的卷积，由此得到一组不同方向的检测结果。在进一步的实施例中，步骤S2中，选取各个位置像素点在不同方向上的检测最大值，各位置最大值对应的方向为最优方向，由此得到最大Gabor能量图和最优方向图。在优选的实施例中，步骤S3中，来自两个侧区的总抑制量为两侧区抑制量之和减去二者之差的绝对值。在进一步的实施例中，步骤S3中，用二维非负高斯差函数定义非经典感受野环形区域，两侧区位于中心经典感受野方向的垂线上，两侧区抑制量为侧区滤波核与最大Gabor能量图的卷积，其中侧区滤波核为定义在该区域中的非负高斯差函数。在优选的实施例中，步骤S4中，总的端区易化量为两端区易化量之积的开方。在优选的实施例中，步骤S4中，每个端区中某一位置的易化量为该位置滤波核易化强度向量与图像对应位置灰度值向量的点积，每个端区的易化量为该端区内所有位置易化量之和。在优选的实施例中，步骤S5中，总的端区抑制量为两端区抑制量之和。在优选的实施例中，步骤S6中，综合考虑大尺度Gabor最大能量图和小尺度侧区抑制量来自适应调节端区易化或抑制效应的强度，确定计算端区易化/抑制权重，其中大尺度定义为小尺度的预定倍数。在优选的实施例中，步骤S8中，所述二值化处理包括非极大抑制和滞后阈值法两个处理步骤。以下通过更具体的实施例进一步描述本发明的方法。在一些具体实施例中，该复杂场景中目标轮廓提取方法可以包括以下步骤：S1.Gabor滤波：利用Gabor滤波器模拟圆形经典感受野特性。构造一组Nθ个不同方向的Gabor滤波器，并用该组滤波器处理原始图像，得到一组不同方向的检测结果。滤波器尺度(大小)由参数高斯标准差σ控制，滤波器方向为θ，(x,y)表示滤波器和图像中一点的二维坐标。处理方式为滤波器Gσ(x,y,θ)与原始图像I(x,y)的卷积：Eσ(x,y,θ)＝I(x,y)*Gσ(x,y,θ)S2.计算Gabor最大能量图和最优方向图：在S1中得到的Nθ个不同方向检测结果中，选取各个位置(像素点)在不同方向上的检测最大值作为最终的检测结果，各位置最大值对应的方向为最优方向，由此得到Gabor最大能量图和最优方向图E~σ(x,y)=max{Eσ(x,y,θi)|i=1,2,···,Nθ}]]>θ~σ(x,y)=argmax{Eσ(x,y,θi)|i=1,2,···,Nθ}]]>S3.计算侧区抑制量：用二维非负高斯差函数Wσ(x,y)定义非经典感受野环形区域，两侧区L(x,y,θ)和R(x,y,θ)位于中心经典感受野(Gabor滤波器)方向的垂线上。两侧区抑制强度IL和IR为侧区滤波核与最大Gabor能量图的卷积：IL(x,y,θ)=(L(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>IR(x,y,θ)=(R(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>其中侧区滤波核为定义在该区域中的二维非负高斯差函数，以侧区L为例，滤波核表示为L(x,y,θ)·Wσ(x,y)。总的抑制强度IS为两侧区抑制强度的整合：IS(x,y,θ)＝IL(x,y,θ)+IR(x,y,θ)-|IL(x,y,θ)-IR(x,y,θ)|S4.计算端区易化量：两端区T(x,y,θ)和B(x,y,θ)位于中心经典感受野(Gabor滤波器)方向延长线上。中心位于点z(x,y)的非经典感受野端区滤波核K(x,y,θ)为：K(x,y,θ)=Wσ(x,y)·exp(-α′22σθ2)]]>其中，σθ为常数，用于控制端区易化滤波核中各点的易化强度，m和n为端区中一点z’相对于中心z的偏移坐标，即z’坐标为(x+m,y+n)，该点对应图像灰度值检测最优方向为β。端区易化量FT(x,y,θ)和FB(x,y,θ)为每个端区点对中心易化效应之和，其中滤波核易化强度向量：图像灰度值向量：FT(x,y,θ)=Σz,∈TK→(x+m,y+n)·E→σ(x+m,y+n)]]>FB(x,y,θ)=Σz,∈BK→(x+m,y+n)·E→σ(x+m,y+n)]]>两端区总易化量为二者的整合：FE(x,y,θ)=FT(x,y,θ)·FB(x,y,θ)]]>S5.计算端区抑制量：与侧区抑制类似，端区抑制IT和IB定义为滤波核与最大Gabor能量图的卷积：II(x,y,θ)=(T(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>IB(x,y,θ)=(R(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>两端区总抑制量为：IE(x,y,θ)＝IT(x,y,θ)+IB(x,y,θ)S6.计算端区易化/抑制权重：综合考虑更大尺度σc下的Gabor最大能量图和小尺度σ下的侧区抑制量来自适应调节端区易化或抑制效应的强度。对于图像中一点，Gabor能量强度越大，侧区抑制量越小，则端区易化效应越强，抑制效应越弱；反之，Gabor能量强度越小，侧区抑制量越大，则端区易化效应越弱，抑制效应越强。端区易化WF和抑制权重WI计算如下：WF(x,y)＝1+Wc(x,y,σc)-Wf(x,y,σ),WI(x,y)＝2-WF(x,y)Wc(x,y,σc)=f(E~σc(x,y)||E~σc(x,y)||1)]]>Wf(x,y,σ)=f(IS(x,y,σ)||IS(x,y,σ)||1)]]>f(t)＝1/(1+exp(-a(t-τ)))其中，||·||1表示L1范数，a和τ为常数。该部分为本领域现有技术，具体参见文献：ZengC,LiY,LiC.Center-surroundinteractionwithadaptiveinhibition:acomputationalmodelforcontourdetection.NeuroImage.2011；55(1):49-66，在此不做详细描述。S7.计算施加易化及抑制效应后的轮廓图像：综合侧区抑制效应和端区易化及抑制效应，施加两种非经典感受野特性后的轮廓图像为：M(x,y)=[E~σ(x,y)-α1IS(x,y)+α2(WF(x,y)·FE(x,y))-α3(W1(x,y)·IE(x,y))]+]]>其中，[·]+表示半波整流算子。α1，α2和α3为常数，控制端区和侧区对中心的影响强度。二值化处理：首先对S7中轮廓图像进行归一化，而后进行标准二值化处理，包括非极大抑制和滞后阈值法两个基本步骤。实例：以实际自然图像为原始图像，原始图像及轮廓真值图来源于RuG数据库，图像大小为512*512像素。采用以下处理步骤：S1.Gabor滤波：构造一组共12个不同方向的Gabor滤波器，该组滤波器标准差σ＝2.4，滤波器共12个方向，在180°范围内均匀分布，即为0,1/12π,1/6π,……,11/12π，其中竖直方向为0°方向。该组滤波器直径为25像素。分别用这12个滤波器处理原始图像，得到12个方向下的处理结果。在12个方向的检测结果中，坐标为(200,140)对应位置(原点位于图片左上角)的灰度值依次为：0.0028、0.0043、0.0036、0.0047、0.0031、0.0026、0.0007、0.0027、0.0091、0.0155、0.0074、0.0018。S2.计算Gabor最大能量图和最优方向图：选取图中每个位置(像素点)12个方向处理结果的最大值作为该位置的处理结果，并选择该最大值对应的方向为最优方向。则对于坐标为(200,140)的位置，最大灰度值为0.0155，最优方向为3π/4。对于图中每个位置进行该操作，则得到Gabor最大能量图和最优方向图。S3.计算侧区抑制量：对于图中某一位置，定义圆环形非经典感受野区域。该区域内径与Gabor滤波器相同，外径是其的4倍。根据其最优方向确定环形区域中侧区位置，侧区位于该最优方向的垂线上，侧区张角为2π/3。对于坐标为(200,140)的位置，两侧区连线方向为π/4。该位置侧区抑制量为0.0037。S4.计算端区易化量：同样根据某一位置最优方向确定环形区域中端区位置，端区位于最优方向延长线上，端区张角为π/3。对于坐标为(200,140)的位置，两侧区连线方向为3π/4。设定σθ＝π/6，则该位置端区易化量计算结果为0.0079。S5.计算端区抑制量：与侧区抑制量计算类似，坐标为(200,140)位置端区抑制量计算结果为0.0033。S6.计算端区易化/抑制权重：综合考虑大尺度Gabor最大能量图和小尺度侧区抑制量来自适应调节端区易化或抑制效应的强度。其中大尺度σc定义为小尺度σ的5倍。参数α＝40,τ＝0.25。坐标为(200,140)位置的端区易化和抑制权重计算结果分别为：0.9994和1.0006。S7.计算施加易化及抑制效应后的轮廓图像：参数定义为：α1＝2；α2＝α3＝1，则(200,140)位置的轮廓计算结果为0.0127。S8.二值化处理：归一化后(200,140)位置的灰度值为0.0489。之后利用非极大抑制和滞后阈值法对S7结果进行二值化处理。从图3中的处理结果可以看出，本发明能够更好地满足复杂场景轮廓提取的两个要求，即尽可能多的保留有效轮廓并滤除背景干扰。对现有三种实施方法和本发明的方法进行定量评价，本领域现有三种方法最终结果评价指标P(参数越接近于1，则表明效果越好)分别为：0.53(图3中的结果c)、0.40(图3中的结果d)、0.55(图3中的结果e)，本实施方法最终结果(图3中的结果f)评价指标P为0.62，相对于三种已有方法，分别提高了17％，55％，13％。以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属
技术领域：
的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。当前第1页1 2 3