基于非经典感受野和线性非线性调制的轮廓检测方法与流程

本发明涉及图像处理领域，具体涉及一种基于非经典感受野和线性非线性调制的轮廓检测方法。

背景技术：

轮廓定义目标的形状，轮廓是目标识别中的重要任务之一，而从杂乱场景中获取的目标轮廓是一项重要且相当困难的任务，主要是因为轮廓周围通常存在大量纹理背景的边缘，因此这项工作主要需要排除由于纹理区域的无意义边缘，而保留目标轮廓。提高检测率的关键在于能基于上下文将局部信息优化整合成一致的全局特征。人类视觉系统具有快速和有效的从复杂场景中提取轮廓特征的能力，有效促进了以生物特性作为启发的轮廓检测算法研究的发展。生理研究表明，v1层神经元具有方位选择性，且在其经典感受野(classicalreceptiverield，crf)外存在非经典感受野(non-classicalreceptiverield，ncrf)区域，虽然单独刺激该区域没有响应，但可以对crf具有一定的调制作用。

rodieck于1965年提出了关于同心圆拮抗式感受野的数学模型，它由一个兴奋作用强的中心机制和一个作用较弱但面积更大的抑制性周边机制所构成。rodieck模型又称高斯差模型，differenceoftwogaussians，dog。1966年enroth-cugell和robson观察猫gc可以按其反应的空间-时间总和性质而划分为两类：一类细胞反应的空间总和特性大体符合rodieck模型，即它们的感受野兴奋和抑制作用是可以线性相加的，称x细胞；另一类gc的空间总和性质是非线性的，rodieck模型对其不甚适用，称为y细胞。enroth-cugelletal.发现神经节细胞中一些细胞(x细胞)的感受野空间特性近似于线性的，而另一些细胞(y细胞)很大程度上表现出非线性的空间特征，这些特性同样存在于外膝体细胞中。

技术实现要素：

本发明旨在提供一种基于非经典感受野和线性非线性调制的轮廓检测方法，该方法克服现有技术仿真效果差、轮廓识别率低的缺陷，具有仿真效果好、轮廓识别率高的特点。

本发明的技术方案如下：基于非经典感受野和线性非线性调制的轮廓检测方法，包括以下步骤：

a、输入经灰度处理的待检测图像，将待检测图像的各个像素点分别作为非经典感受野中心神经元；

b、预设多个方向参数的gabor滤波器组，对待检测图像中的各像素点分别按照各个方向参数进行gabor滤波，获得各像素点的各个方向的gabor能量值；对于每个像素点，选取其各个方向的gabor能量值中的最大值，作为该像素点受经典感受野的刺激响应，即为该非经典感受野中心神经元的刺激响应，该最大值对应的滤波方向作为该像素点的最优角，即为该非经典感受野中心神经元的最优角；

c、构建视网膜神经节细胞中的x细胞和y细胞仿真模型；

d、对于x细胞通路的响应计算：

基于各个非经典感受野中心神经元，计算出各个非经典感受野对其中心神经元的空间总和调制权值，并将其归一化，同时计算出各个非经典感受野对其中心神经元的距离权值响应，然后通过各个非经典感受野对其中心神经元的距离权值响应与对应的归一化的空间总和调制权值相乘得到x细胞对应的各个中心神经元受非经典感受野的刺激响应；

e、对于y细胞通路的响应计算：

沿非经典感受野中心神经元外沿间隔均匀设置多个方向，在预设的各个方向上预设多个基点，计算出各个非经典感受野的基点对其中心神经元的空间总和调制权值，并将其归一化，同时计算出各个非经典感受野的基点对其中心神经元的的距离权值响应，通过各个非经典感受野的基点对其中心神经元的距离权值响应与对应的归一化的空间总和调制权值相乘得到y细胞对应的各个中心神经元受非经典感受野的刺激响应；

f、分别求出x细胞、y细胞对应的各个中心神经元受经典感受野和非经典感受野联合调制的刺激响应，将上述x、y细胞对应的联合调制的刺激响应取正后相加，相加值作为该中心神经元对应像素点的轮廓值；

g、对各像素点的轮廓值使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。

优选地，所述的步骤d中：

分别计算得到各个非经典感受野对其中心神经元的对比度权重函数，并分别根据各非经典感受野中神经元对应的最优角计算得到各非经典感受野中心神经元朝向权重函数，进而计算出各个非经典感受野对其中心神经元的空间总和调制权值，并将其归一化；

计算出各个非经典感受野对其中心神经元的距离权重函数，将这一距离权重函数与其中心神经元受经典感受野的刺激响应进行卷积得到各个非经典感受野对其中心神经元的距离权值响应。

优选地，所述的步骤e中：

所述的基点延预设的方向分布在非经典感受野，对各基点进行高斯加权得到各基点的能量及角度；分别计算得到各基点对其中心神经元的对比度权重函数，并分别根据各基点的角度计算得到各非经典感受野中心神经元朝向权重函数，进而计算出各个非经典感受野的基点对其中心神经元的空间总和调制权值，并将其归一化；

计算出各个非经典感受野的基点对其中心神经元的距离权重函数，将这一距离权重函数与其中心神经元受经典感受野的刺激响应相乘得到各个非经典感受野的基点对其中心神经元的距离权值响应；

通过各个非经典感受野的基点对其中心神经元的距离权值响应与对应的归一化的空间总和调制权值相乘得到y细胞对应的各个中心神经元受非经典感受野的刺激响应。

优选地，所述的步骤f中，分别将x细胞、y细胞对应的各个中心神经元受非经典感受野调制的刺激响应与抑制系数相乘，再将其中心神经元受经典感受野的刺激响应减去上述乘积分别得到x细胞、y细胞对应的联合调制的刺激响应。

优选地，所述的步骤b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γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ为dog模板中心区的带宽，1/λ为余弦函数的空间频率，σ/λ为空间频率的带宽，是相角参数，θ为gabor滤波的角度参数；

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；

ec(x,y)为像素点(x,y)的各角度gabor滤波能量值的最大值，为ec(x,y)对应的滤波角度，作为像素点(x,y)的最优角。

优选地，所述的步骤d具体如下：

对于x细胞：

所述的非经典感受野对中心神经元的空间总和调制权值的表达式为：

inhgox(x,y)＝∑x′∑y′wgx(x,y)wox(x+x′,y+y′)(7)；

其中-3kσ<x′<3kσ；-3kσ<y′<3kσ；

其中inhgox(x,y)为非经典感受野对中心神经元的空间总和调制权值，wgx(x,y)为非经典感受野对中心神经元的对比度权重函数，wox(x+x′,y+y′)为非经典感受野对中心神经元的朝向权重函数；

wgx(x,y)表达式为：

其中，eavg为待检测图像各像素点受经典感受野刺激响应的均值，即为待检测图像各个像素点的ec(x,y)值的均值；

wox(x+x′,y+y′)的表达式为：

其中ω＝max(ω1，ω2)；

其中为中心神经元a(x,y)的最优角，为非经典感受野中除中心神经元外的任一神经元b(x+x′,y+y′)的最优角，即分别为神经元a、b的最大的gabor能量值对应的滤波角度，为中心神经元a与神经元b连线的偏向角；

为归一化的空间总和调制权值；

所述的非经典感受野对中心神经元的距离权值响应表达为：

inhdx(x,y)＝ec(x,y)·wd(x,y)(10)；

其中inhdx(x,y)为非经典感受野对中心神经元的距离权值响应，wd(x,y)为非经典感受野对中心神经元的距离权重函数；

中心神经元受非经典感受野的刺激响应表达式为：

优选地，所述的步骤e具体如下：

对于y细胞：

各基点的坐标为(δxi,j,δyi,j)，δxi,j＝dicosφj、δyi,j＝disinφj；

其中di＝1,2...5＝(2σ,4σ,6σ,8σ,10σ)，φj＝1,2,...8＝(0,π/4,π/2,3π/4,π,5/4,3π/2,7π/4)；

各基点的能量和角度计算如下：

其中gσ(x′,y′；σg)为高斯函数，σg＝σ，x′≤3σg，y′≤3σg；t为尺度参数的乘数；

所述的非经典感受野中各基点对中心神经元的空间总和调制权值的表达式为：

inhgoy(x,y)＝∑x′∑y′wgy(x,y)woy(x+x′,y+y′)(14)；

其中-3kσ<x′<3kσ；-3kσ<y′<3kσ；

其中inhgoy(x,y)为非经典感受野中各基点对中心神经元的空间总和调制权值，wgy(x,y)为非经典感受野对中心神经元的对比度权重函数，woy(x+x′,y+y′)为非经典感受野对中心神经元的朝向权重函数；

wgy(x,y)表达式为：

其中，eavg为待检测图像各像素点受经典感受野刺激响应的均值，即为待检测图像各个像素点的ec(x,y)值的均值；

woy(x,y)的表达式为：

其中ω＝max(ω1，ω2)；

其中为中心神经元a(x,y)的最优角，为非经典感受野中除中心神经元外的任一基点b的角度，为中心神经元a与基点神经元b连线的偏向角；

为归一化的空间总和调制权值；

所述的非经典感受野对中心神经元的距离权值响应表达为：

其中inhdy(x,y)为非经典感受野的基点对中心神经元的距离权值响应，wd(x,y)为非经典感受野对中心神经元的距离权重函数；

其中，wd(x,y)的表达式为：

其中，

其中，||·||1为(l¹)范数，h(dog(x,y))为取正值的函数，dog(x,y)为dog模板对应的表达式；

中心神经元受非经典感受野的刺激响应表达式为：

优选地，所述的步骤f具体如下：

对于x细胞：

所述的中心神经元受经典感受野和非经典感受野联合调制的刺激响应的表达式为：

rx(x,y)＝h(ec(x,y)-αinhx(x,y))(21)；

其中rx(x,y)为x细胞对应的中心神经元受经典感受野和非经典感受野联合调制的刺激响应，α为x细胞对应的抑制系数；

对于y细胞：

所述的中心神经元受经典感受野和非经典感受野联合调制的刺激响应的表达式为：

ry(x,y)＝h(ec(x,y)-βinhy(x,y))(22)；

其中ry(x,y)为y细胞对应的中心神经元受经典感受野和非经典感受野联合调制的刺激响应，β为y细胞对应的抑制系数；

所述的取正函数为

所述的中心神经元对应的像素点的轮廓值表达式如下：

r(x,y)＝rx(x,y)+ry(x,y)(23)；

其中r(x,y)为中心神经元对应的像素点的轮廓值。

本发明除了对x细胞的感受响应进行模拟，同时还基于y细胞感受野比x细胞大的特点，运用尺度参数的乘数对y细胞的感受响应进行了仿真；创新地通过设定多个方向上的基点，对基点小圆区域进行高斯加权整合，从而实现y细胞感受响应的模拟仿真，基点的设定的预处理，更能保存稳定的轮廓信息；通过高斯加权对基点周围的区域信息进行整合，既能实现y细胞感受响应性质的仿真，又可以有效减少高尺度的计算量，提高运算效率。

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

图4为本发明的轮廓检测方法的基点示意图

具体实施方式

实施例1

本实施例提供的基于非经典感受野和线性非线性调制的轮廓检测方法，包括以下步骤：

a、输入经灰度处理的待检测图像，将待检测图像的各个像素点分别作为非经典感受野中心神经元；

b、预设多个方向参数的gabor滤波器组，对待检测图像中的各像素点分别按照各个方向参数进行gabor滤波，获得各像素点的各个方向的gabor能量值；对于每个像素点，选取其各个方向的gabor能量值中的最大值，作为该像素点受经典感受野的刺激响应，即为该非经典感受野中心神经元的刺激响应，该最大值对应的滤波方向作为该像素点的最优角，即为该非经典感受野中心神经元的最优角；

所述的步骤b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γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ为dog模板中心区的带宽，1/λ为余弦函数的空间频率，σ/λ为空间频率的带宽，是相角参数，θ为gabor滤波的角度参数；

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；

ec(x,y)为像素点(x,y)的各角度gabor滤波能量值的最大值，为ec(x,y)对应的滤波角度，作为像素点(x,y)的最优角；

c、构建视网膜神经节细胞中的x细胞和y细胞仿真模型；

d、对于x细胞通路的响应计算：

基于各个非经典感受野中心神经元，分别计算得到各个非经典感受野对其中心神经元的对比度权重函数，并分别根据各非经典感受野中神经元对应的最优角计算得到各非经典感受野中心神经元朝向权重函数，进而计算出各个非经典感受野对其中心神经元的空间总和调制权值，并将其归一化；同时计算出各个非经典感受野对其中心神经元的距离权重函数，将这一距离权重函数与其中心神经元受经典感受野的刺激响应相乘得到各个非经典感受野对其中心神经元的距离权值响应；然后通过各个非经典感受野对其中心神经元的距离权值响应与对应的归一化的空间总和调制权值进行卷积得到x细胞对应的各个中心神经元受非经典感受野的刺激响应；

对于x细胞：

所述的非经典感受野对中心神经元的空间总和调制权值的表达式为：

inhgox(x,y)＝∑x′∑y′wgx(x,y)wox(x+x′,y+y′)(7)；

其中-3kσ<x′<3kσ；-3kσ<y′<3kσ；

其中inhgox(x,y)为非经典感受野对中心神经元的空间总和调制权值，wgx(x,y)为非经典感受野对中心神经元的对比度权重函数，wox(x+x′,y+y′)为非经典感受野对中心神经元的朝向权重函数；

wgx(x,y)表达式为：

其中，eavg为待检测图像各像素点受经典感受野刺激响应的均值，即为待检测图像各个像素点的ec(x,y)值的均值；

wox(x+x′,y+y′)的表达式为：

其中ω＝max(ω1，ω2)；

其中为中心神经元a(x,y)的最优角，为非经典感受野中除中心神经元外的任一神经元b(x+x′,y+y′)的最优角，即分别为神经元a、b的最大的gabor能量值对应的滤波角度，为中心神经元a与神经元b连线的偏向角；

为归一化的空间总和调制权值；

所述的非经典感受野对中心神经元的距离权值响应表达为：

inhdx(x,y)＝ec(x,y)·wd(x,y)(10)；

其中inhdx(x,y)为非经典感受野对中心神经元的距离权值响应，wd(x,y)为非经典感受野对中心神经元的距离权重函数；

中心神经元受非经典感受野的刺激响应表达式为：

e、对于y细胞通路的响应计算：

沿非经典感受野中心神经元外沿间隔均匀设置多个方向，基点延预设的方向分布在非经典感受野，对各基点进行高斯加权得到各基点的能量及角度；分别计算得到各基点对其中心神经元的对比度权重函数，并分别根据各基点的角度计算得到各非经典感受野中心神经元朝向权重函数，进而计算出各个非经典感受野的基点对其中心神经元的空间总和调制权值，并将其归一化；

计算出各个非经典感受野的基点对其中心神经元的距离权重函数，将这一距离权重函数与其中心神经元受经典感受野的刺激响应相乘得到各个非经典感受野的基点对其中心神经元的距离权值响应；

通过各个非经典感受野的基点对其中心神经元的距离权值响应与对应的归一化的空间总和调制权值进行卷积得到y细胞对应的各个中心神经元受非经典感受野的刺激响应；

各基点的坐标为(δxi,j,δyi,j)，δxi,j＝dicosφj、δyi,j＝disinφj；

其中di＝1,2...5＝(2σ,4σ,6σ,8σ,10σ)，φj＝1,2,...8＝(0,π/4,π/2,3π/4,π,5/4,3π/2,7π/4)；

各基点的能量和角度计算如下：

其中gσ(x′,y′；σg)为高斯函数，σg＝σ，x′≤3σg，y′≤3σg；t为尺度参数的乘数；

所述的非经典感受野中各基点对中心神经元的空间总和调制权值的表达式为：

inhgoy(x,y)＝∑x′∑y′wgy(x,y)woy(x+x′,y+y′)(14)；

其中-3kσ<x′<3kσ；-3kσ<y′<3kσ；

其中inhgoy(x,y)为非经典感受野中各基点对中心神经元的空间总和调制权值，wgy(x,y)为非经典感受野对中心神经元的对比度权重函数，woy(x+x′,y+y′)为非经典感受野对中心神经元的朝向权重函数；

wgy(x,y)表达式为：

其中，eavg为待检测图像各像素点受经典感受野刺激响应的均值，即为待检测图像各个像素点的ec(x,y)值的均值；

woy(x,y)的表达式为：

其中ω＝max(ω1，ω2)；

其中为中心神经元a(x,y)的最优角，为非经典感受野中除中心神经元外的任一基点b的角度，为中心神经元a与基点神经元b连线的偏向角；

为归一化的空间总和调制权值；

所述的非经典感受野对中心神经元的距离权值响应表达为：

其中inhdy(x,y)为非经典感受野的基点对中心神经元的距离权值响应，wd(x,y)为非经典感受野对中心神经元的距离权重函数；

其中，wd(x,y)的表达式为：

其中，

其中，||·||1为(l¹)范数，h(dog(x,y))为取正值的函数，dog(x,y)为dog模板对应的表达式；

中心神经元受非经典感受野的刺激响应表达式为：

f、分别将x细胞、y细胞对应的各个中心神经元受非经典感受野调制的刺激响应与抑制系数相乘，再将其中心神经元受经典感受野的刺激响应减去上述乘积分别得到x细胞、y细胞对应的联合调制的刺激响应，将上述x、y细胞对应的联合调制的刺激响应取正后相加，相加值作为该中心神经元对应像素点的轮廓值；

对于x细胞：

所述的中心神经元受经典感受野和非经典感受野联合调制的刺激响应的表达式为：

rx(x,y)＝h(ec(x,y)-αinhx(x,y))(21)；

其中rx(x,y)为x细胞对应的中心神经元受经典感受野和非经典感受野联合调制的刺激响应，α为x细胞对应的抑制系数；

对于y细胞：

所述的中心神经元受经典感受野和非经典感受野联合调制的刺激响应的表达式为：

ry(x,y)＝h(ec(x,y)-βinhy(x,y))(22)；

其中ry(x,y)为y细胞对应的中心神经元受经典感受野和非经典感受野联合调制的刺激响应，β为x细胞对应的抑制系数；

所述的取正函数为

所述的中心神经元对应的像素点的轮廓值表达式如下：

r(x,y)＝rx(x,y)+ry(x,y)(23)；

其中r(x,y)为中心神经元对应的像素点的轮廓值。

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，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。

选取犀牛、狮子、大象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，相对应的性能指标对比如图3所示；由图2、图3可看出，不论从轮廓提取的效果上还是从性能指标参数上看，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4为实施例1的y细胞感受野基点的示意图，其中的黑点为基点；

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