一种基于视通路多层级抑制区协同作用的轮廓检测方法与流程

本发明属于机器视觉领域，主要涉及一种基于视通路多层级抑制区协同作用的轮廓检测方法。

背景技术

轮廓检测是图像理解或视觉分析中前期的重要环节之一，获取的轮廓特征将有效表达去冗余后的视觉关键细节。轮廓检测任务的难点主要表现在过检测和欠检测两个方面，前者是由于受到纹理噪声等伪轮廓的干扰，后者则是由于图像在轮廓对比度分布上的差异性。传统轮廓检测方法主要基于图像信息的空间跃变，因此采取了以差分或形态学等运算为基础的数学手段，在图像质量较好的情况下通常能够取得不错的性能。但传统方法完全忽视了视觉感知中的生物神经机制，因此在面对例如多级轮廓检测等复杂任务时，很难满足检测性能的要求。目前基于生物视觉机制的轮廓检测方法虽然在一定程度上模拟了生物视觉提取图像轮廓特征的能力，但它们在模拟视通路视觉信息流处理过程时，更多关注于视通路上某个层级神经元的经典感受野或抑制区本身，而忽略了视通路中不同层级之间所具有的抑制区协同作用，这种协同作用改变了视觉感知模型各个层级的孤立性，能够以整体协同的特点去充分发挥各个层级在感知中所扮演的重要角色。

技术实现要素：

本发明针对现有技术的不足，提出了一种基于视通路多层级抑制区协同作用的轮廓检测方法。

本专利考虑到：(1)初级视皮层神经元对视觉激励具有方向选择特性，传统检测方法通常设定若干个离散化的角度，然后将出现响应极值的角度确定为轮廓方向，此时检测的性能将与角度离散化的程度密切相关，密集的离散化角度将显著消耗检测系统的有限资源，分散的离散化角度又将严重影响到检测的准确性。(2)传统方法在模拟初级视皮层神经元的方向选择特性时，一般仅在本层级内进行角度和尺度的综合考虑，并不考虑前级环节对初级视皮层神经元的协同作用，而这种层级之间的关联性将有助于从局部细节过渡到整体结构的描述。(3)传统方法通常使用高斯差分模型来刻画初级视皮层单个层级内的抑制区特性，而忽略了视通路上多层级抑制区协同作用的视觉神经机制。这种协同作用将使得视通路上视觉信息流的传递和处理构成一个有效整体，将有利于轮廓检测从局部和全局视角展开融合。

因此，本发明从视通路中不同层级神经元感知方向时的逐级精细化检测机制出发，同时模拟不同层级间抑制区的协同作用，提出一种基于视通路多层级抑制区协同作用的轮廓检测方法，充分发挥上述视觉特性在轮廓检测的重要作用。

本发明的主要步骤如下：

步骤(1)首先构建与像素点一一对应的外膝体神经元阵列；然后模拟外膝体神经元的方向选择机制，设定待检测的k个离散方向，针对每个像素点i(x,y)所对应的外膝体神经元，计算每个方向响应强度，以及该方向响应强度与所有方向响应强度总和的占比。若占比的最大值超过阈值，则记录此最大值所对应的方向，视为最优响应方向id1(x,y)；若所有占比均未达到阈值，则同时记录占比的前两大数值所对应的方向，即最优响应方向和次优响应方向，分别记为id1(x,y)和id2(x,y)。最后将方向响应的极大值作为该外膝体神经元的响应。

步骤(2)计算外膝体-初级视皮层抑制区的协同作用参数wlgn(x,y)。

首先利用高斯函数获得外膝体神经元经典感受野的视觉输入，利用双高斯差函数获得外膝体神经元抑制区的视觉输入，并分别基于距离因素对两个视觉输入进行量化处理；然后将经量化处理后的两个视觉输入的差异作为外膝体神经元抑制区的有效响应，并对有效响应进行动态半波整流。最后对动态半波整流后的有效响应进行幂指数归一化；将幂指数归一化结果设置为调节初级视皮层神经元抑制区响应的协同作用参数wlgn(x,y)。

步骤(3)构建与外膝体神经元阵列同尺寸的初级视皮层神经元阵列，确定初级视皮层每个神经元的视觉输入u(x,y)。

首先构建一个局部窗口作为初级视皮层某个神经元的感受野，然后计算感受野内所有外膝体神经元与初级视皮层该神经元的突触连接权值，最后融合窗口内所有外膝体神经元的响应，得到初级视皮层该神经元的视觉输入u(x,y)。

步骤(4)实现初级视皮层神经元的方向精细化检测机制。

若步骤(1)中外膝体仅记录了id1(x,y)，则基于固定的离散角度间隔在最优响应方向左右对称各设定q个离散方向；若外膝体同时记录了id1(x,y)和id2(x,y)，则在最优和次优响应方向之间共设定p个离散方向。针对上述2q个或p个离散方向，分别检测初级视皮层神经元在视觉输入u(x,y)时的方向响应。将方向响应最大值作为初级视皮层检测的精准轮廓响应ev1(x,y)。

步骤(5)首先计算融合空间尺度因素的初级视皮层抑制区响应inh(x,y)。然后利用步骤(2)获取的协同作用参数wlgn(x,y)对inh(x,y)进行调节，最后将调节结果用于抑制精准轮廓响应ev1(x,y)，并将抑制后的响应作为最终的轮廓响应e(x,y)。

本发明具有的有益效果为：

1.模拟多层级神经元检测轮廓方向时的逐级精细化检测机制，降低了检测轮廓方向与角度离散化程度的耦合性，同时在一定程度上满足了方向的连续性，充分利用检测系统有限的资源，更快更准地检测轮廓方向。

2.模拟了多层级抑制区的协同作用机制，构建外膝体-初级视皮层抑制区协同作用模型，基于外膝体抑制区的有效响应提取协同作用参数，对初级视皮层的抑制区强度进行调节，减弱轮廓之间的自抑制，在去除非轮廓纹理与伪边缘的同同时保护真实轮廓，更符合视通路中抑制区协同作用的信息处理方式。

附图说明

图1为本发明的流程图。

具体实施方式

结合附图1，本发明具体的实施步骤为：

步骤(1)首先构建与像素点一一对应的外膝体神经元阵列。然后模拟外膝体神经元的方向选择机制，设定如式(1)所示待检测的k(默认为6)个离散方向。然后针对每个像素点i(x,y)所对应的外膝体神经元，如式(2)所示获得特定方向θi的响应强度elgn(x,y；θi,σl)。同时计算该方向的响应强度与所有方向的响应强度总和的占比d(x,y；θi)，如式(3)所示。

其中*为卷积符号，i(x,y)为输入图像，σl是外膝体神经元经典感受野的大小，默认设为2。若占比的最大值dmax(x,y；θi)超过阈值(默认为0.5)，则记录此最大值所对应的方向，视为最优响应方向id1(x,y)；若所有占比均未达到阈值，则同时记录占比的前两大数值所对应的方向，即最优响应方向和次优响应方向，分别记为id1(x,y)和id2(x,y)。最后将方向响应的极大值作为像素点i(x,y)所对应的外膝体神经元响应elgn(x,y)，如式(4)所示。

elgn(x,y)＝max{elgn(x,y；θi,σl)|i＝0,1,...k-1}(4)

步骤(2)计算外膝体-初级视皮层抑制区的协同作用参数wlgn(x,y)。首先利用高斯函数获得外膝体神经元经典感受野的视觉输入，利用双高斯差函数获得外膝体神经元抑制区的视觉输入，并分别基于距离因素对两个视觉输入进行量化处理。与分别是经典感受野和抑制区量化处理后的视觉输入，定义如式(5)～(8)所示。

dog⁺(m,n；σl,ρl)＝max{gaus(m,n,ρlσl)-gaus(m,n,σl),0}(8)

其中ρl为外膝体神经元抑制区与经典感受野大小的比值，默认设为4，m,n表示经典感受野内视觉输入i(x+m,y+n)与i(x,y)之间的偏移量。然后将的差异作为外膝体神经元抑制区的有效响应，并对δφ(x,y)进行动态半波整流，即以δφ(x,y)的平均值mean为阈值，将低于阈值的置0，不低于阈值的保持不变，如式(9)所示。

最后对动态半波整流后的δφ(x,y)进行幂指数归一化，并将调节初级视皮层神经元抑制区响应的协同作用参数wlgn(x,y)设置为此归一化结果，如式(10)所示。

其中，δ为抑制区有效响应调节参数，默认值为2。

步骤(3)构建与外膝体神经元阵列同尺寸的初级视皮层神经元阵列，确定初级视皮层每个神经元的视觉输入u(x,y)。首先构建一个局部窗口wxy作为初级视皮层某个神经元的感受野，然后计算感受野内所有外膝体神经元与初级视皮层该神经元的突触连接权值w(xt,yt)，如式(11)所示：

其中r为局部窗口半径(默认为3)，(xt,yt)表示为窗口内以(x,y)为中心的第t个外膝体神经元，最后融合窗口内所有外膝体神经元的响应，得到初级视皮层该神经元的视觉输入u(x,y)，如式(12)所示。

其中μ为窗口内所有外膝体神经元响应总和。

步骤(4)实现初级视皮层神经元的方向精细化检测机制。若步骤(1)中外膝体仅记录了id1(x,y)，则基于固定的离散角度间隔s在最优响应方向左右对称各设定q个离散方向，如式(13)所示；若外膝体同时记录了id1(x,y)和id2(x,y)，则在最优和次优响应方向之间等距设定共p个离散方向，如式(14)所示。默认设s＝5°,p＝3,q＝6。

θh＝id1(x,y)+(h-q)×s,h＝0,1,...2q-1(13)

针对上述2q个或p个离散方向，分别检测初级视皮层神经元在视觉输入u(x,y)，方向为θh时的方向响应ev1(x,y；θh,σv)，如式(15)所示。

其中σv是初级视皮层神经元经典感受野的大小，默认值设为4。将方向响应最大值作为初级视皮层检测到的精准轮廓响应ev1(x,y)。如式(16)所示。

ev1(x,y)＝max{ev1(x,y；θh,σv)|h＝0,1,...2q-1orh＝0,1,...p-1}(16)

步骤(5)首先计算融合空间尺度因素的初级视皮层神经元抑制区响应inh(x,y)，如式(17)、(18)所示。

其中，|dog⁺(x,y；σv,ρv)|为dog⁺(x,y；σv,ρv)的l1范数，ρv是初级视皮层神经元抑制区与经典感受野的比值，默认值为4，然后利用步骤(2)获取的协同作用参数wlgn(x,y)对inh(x,y)进行调节。最后将调节结果用于抑制精准轮廓响应ev1(x,y)，并将抑制后的响应作为最终的轮廓响应e(x,y)。如式(19)所示。

e(x,y)＝ev1(x,y)-α·wlgn(x,y)·inh(x,y)(19)

其中，α为调节抑制区整体抑制强度的参数，默认为1.0。