本发明涉及图像处理技术领域,具体的说是一种基于感受野及其明暗适应性的边缘检测方法。
背景技术:
边缘检测技术是图像处理技术领域中一种重要的基础算法,多用于特征提取、目标识别等方面的预处理,可以大幅度地减少数据量,并且剔除不相关的信息,保留了图像重要的结构属性。传统的边缘检测算子包括reberts算子、prewitt算子、sobel算子、laplacian算子、canny算子等,新型的边缘检测方法有基于有监督学习整合多种线索的边缘检测算法、基于多尺度信息的边缘检测算法等。传统方法难以区分场景纹理和主体轮廓信息,基于学习的算法一方面提升了算法复杂度,另一方面效果过于依赖样本。
基于对人类视觉神经系统的研究,并受视网膜及视皮层机制启发,最近有学者提出了新的轮廓检测模型。这种模型考虑了感受野拮抗特性和方向选择性,取得了很好的检测效果,但是这种方法建立在感受野恒定不变的前提下。
事实上,感受野在不同光照环境和视觉输入的刺激下是动态变化的,人类视觉具有明暗适应性。在低背景光照条件下,感受野增大以接收更多光照和能量,人眼能够分辨主体轮廓和部分细节;在强背景光照条件下,感受野呈相反的变化,人眼能够分辨更多细节,而主体轮廓相对弱化。
技术实现要素:
为了解决现有技术中的不足,本发明提供一种基于感受野及其明暗适应性的边缘检测方法,实现在不同光照条件下的有效边缘检测。
为了实现上述目的,本发明采用的具体方案为:一种基于感受野及其明暗适应性的边缘检测方法,该边缘检测方法包括如下步骤:
步骤1、根据人类视觉明暗适应性构建感受野动态调控函数模型δ(e);
步骤2、利用步骤1得到的感受野动态调控函数模型δ(e)对感受野建模,得到同心圆拮抗感受野模型;
步骤3、利用同心圆拮抗感受野模型进行图像信息处理,得图像初步信息;
步骤4、设计方向选择性感受野模型对步骤3得到的图像初步信息进一步处理,得到边缘检测结果。
作为一种优选方案,步骤1构建的感受野动态调控函数模型δ(e)为:
δ(e)=alog(αe1+βe2);
e=αe1+βe2;
e1=∑i(x,y)/(255*m*n);
e2=1/h;
其中,e1为图像平均亮度,e2为图像的信息集中程度,e为图像的能量和信息强度,a为系数,α和β为权重,m,n为图像尺寸。
作为一种优选方案,步骤2对感受野建模的具体方法如下:
r(x,y)=w1gon(x,y,δ(e))+w2goff(x,y,δ(e));
其中,goff和gon为高斯函数,goff和gon共同构成了一对同心圆拮抗感受野模型,w1和w2为不同拮抗成分的权重,且符号相反,通过δ(e)自适应调控感受野大小。
作为一种优选方案,步骤4所述方向选择性感受野模型为初级视皮层简单细胞的方向选择性感受野模型。
作为一种优选方案,所述初级视皮层简单细胞的方向选择性感受野模型的具体处理过程为:
edge(x,y)=max(e(x,y;θi))i=1,2,......nθ;
其中,nθ为方向数,
作为一种优选方案,初级视皮层简单细胞的方向选择性感受野模型rf为:
rf(x,y;θi)=|g'(x',y';θi)|;
x'=xcosθ+ysinθ;
y'=-xsinθ+ycosθ;
其中,θ为gabor滤波核函数响应方向;γ为gabor滤波器的椭圆度,表示空间纵横比;φ为gabor核函数中余弦函数的相位参数;λ为gabor核函数中余弦函数的波长参数,且λ的有效值大于2。
有益效果:本发明提供一种基于感受野及其明暗适应性的边缘检测方法,在不同光照条件下取得了优于主流边缘检测算法的效果,符合人类在不同光照环境下的视觉特性,对进一步建立符合视觉机制的人工智能算法具有很好的基础性作用。
附图说明
图1、2、3为本发明实施例原始图像;
图4、7、10为本发明实施例原始图像1对应3个等级光照条件下的图像;
图5、8、11为本发明实施例原始图像2对应3个等级光照条件下的图像;
图6、9、12为本发明实施例原始图像3对应3个等级光照条件下的图像;
图13-21为不同光照条件下图像采用sobel边缘检测的结果;
图22-30为不同光照条件下图像采用canny边缘检测的结果;
图31-39为不同光照条件下图像采用采用固定感受野模型边缘检测的结果;
图40-48为不同光照条件下图像采用本发明方法边缘检测结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于感受野及其明暗适应性的边缘检测方法,该边缘检测方法包括如下步骤:
步骤1、根据人类视觉明暗适应性构建感受野动态调控函数模型δ(e);
步骤2、利用步骤1得到的感受野动态调控函数模型δ(e)对感受野建模,得到同心圆拮抗感受野模型;
步骤3、利用同心圆拮抗感受野模型进行图像信息处理,得图像初步信息;
步骤4、设计方向选择性感受野模型对步骤3得到的图像初步信息进一步处理,得到边缘检测结果。
步骤1构建的感受野动态调控函数模型δ(e)为:
δ(e)=alog(αe1+βe2);
e=αe1+βe2;
e1=∑i(x,y)/(255*m*n);
e2=1/h;
其中,e1为图像平均亮度,e2为图像的信息集中程度,e为图像的能量和信息强度,a为系数,α和β为权重,m,n为图像尺寸;根据韦伯定律,感受量与物理量对数成正比,在暗环境中,视觉对亮度变化更为敏感,感受野范围更大,反之亦然。
步骤2对感受野建模的具体方法如下:
r(x,y)=w1gon(x,y,δ(e))+w2goff(x,y,δ(e));
其中,goff和gon为高斯函数,goff和gon共同构成了一对同心圆拮抗感受野模型,用高斯函数表征,为简化模型,使其高斯参数一致,w1和w2为不同拮抗成分的权重,且符号相反,通过δ(e)自适应调控感受野大小,该感受也对不同大小和强度的亮斑或暗斑具有兴奋响应。
步骤4所述方向选择性感受野模型为初级视皮层简单细胞的方向选择性感受野模型。
所述初级视皮层简单细胞的方向选择性感受野模型的具体处理过程为:
edge(x,y)=max(e(x,y;θi))i=1,2,......nθ;
其中,nθ为方向数,
初级视皮层简单细胞的方向选择性感受野模型rf为:
rf(x,y;θi)=|g'(x',y';θi)|;
x'=xcosθ+ysinθ;
y'=-xsinθ+ycosθ;
其中,θ为gabor滤波核函数响应方向;γ为gabor滤波器的椭圆度,表示空间纵横比;φ为gabor核函数中余弦函数的相位参数;λ为gabor核函数中余弦函数的波长参数,且λ的有效值大于2。
本发明中,模型参数的选取是根据在bsds500数据库上的测试结果,优化选择得到的经验值,并且在自然拍摄图像上取得了较优的结果。模型参数设置如下:
a=-1,α=0.8,β=0.2,w1=1,w2=-0.3,γ=0.5,k=2.5,
根据该模型对图像进行边缘检测处理结果如图所示,共三组数据。其中,图1、2、3为实施例原始图像;图4、7、10为实施例原始图像1对应暗环境、正常环境、亮环境3个等级光照条件下的图像,三个不同等级光照条件通过仿真实现,具体而言,原始图像为光照等级二的正常光照环境;原始图像通过灰度级变换向低灰度级压缩,得到光照等级一的暗环境;原始图像通过灰度级变换向高灰度级压缩,得到光照等级三的亮环境;图5、8、11为实施例原始图像2对应3个等级光照条件下的图像;图6、9、12为实施例原始图像3对应3个等级光照条件下的图像;图13-21为不同光照条件下图像采用sobel边缘检测的结果;图22-30为不同光照条件下图像采用canny边缘检测的结果;图31-39为不同光照条件下图像采用采用固定感受野模型边缘检测的结果;图40-48为不同光照条件下图像采用本发明方法边缘检测的结果。
实验结果表明,本方法在三种光照条件下对主体边缘的检测效果显著优于传统边缘检测方法,略优于基于固定感受野模型边缘检测方法;本方法在三种光照条件下,细节展现能力明显优于传统边缘检测方法以及基于固定感受野模型边缘检测方法。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。