一种混合外区抑制与贝叶斯模型的轮廓检测方法与流程

本发明涉及图像处理技术领域，尤其是一种混合外区抑制与贝叶斯模型的轮廓检测方法。

背景技术：

现有技术方案一般是模拟人类大脑初级视皮层的轮廓检测机制。神经生理学研究表明，人类大脑初级视皮层存在着外区抑制特性：即独立的边界或轮廓可以引起视神经元的强烈响应，而纹理性边缘却能够抑制视神经元的响应。grigorescu等人首次模拟了这种现象，提出一种基于双高斯模型的仿生轮廓检测算法，仿生轮廓检测算法的基本思想是借助两个高斯函数(尺度不同)作差分而生成相应的抑制滤波器，接着对图像梯度幅值作卷积操作，再由图像梯度幅值减去卷积响应就可以获得轮廓显著图，轮廓显著图中目标轮廓的响应值较高，而纹理性边缘的响应值较低，可以实现轮廓的检测和提取。

但是，由于双高斯模型的抑制滤波器呈圆环型结构，所以轮廓自身也会有部分片段落入抑制区域内，导致轮廓的抑外区制量大于零，一些不够显著的弱轮廓经过外区抑制后就会消失，即生产了所谓的自抑制现象，不利于实际应用。

综上所述，为了克服上述技术难题，本发明提出一种新的多水平组合方式，以整合不同抑制水平作用下的二值响应图；同时，借助贝叶斯概率模型建立图像的后验轮廓概率图，根据概率图中噪声边缘的轮廓概率值较低，而弱轮廓的轮廓概率值较高这一特性，以实现去除噪声边缘和保护弱轮廓的效果。

技术实现要素：

针对上述问题，本发明的目的在于提供一种混合外区抑制与贝叶斯模型的轮廓检测方法，本发明采用的技术方案如下：

一种混合外区抑制与贝叶斯模型的轮廓检测方法，包括以下步骤：

根据灰度图像定义图像高斯梯度，以去除噪声；

建立方向滤波器，求得外区抑制量，并对高斯梯度处理的图像进行外区抑制，以生成轮廓响应；

采用非极大值抑制与迟滞阈值进行图像处理，得到图像的二值边缘图；

通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图；

采用基于贝叶斯概率模型的轮廓判决机制，求得边缘点的后验轮廓概率，以获得轮廓输出。

进一步地，根据灰度图像定义图像高斯梯度，包括以下步骤：

定义任一幅灰度图像i(x,y)的高斯梯度，其表达式为：

其中，i表示图像，表示高斯梯度，x表示图像中某一点的x坐标，y表示图像中某一点的y坐标，σ表示高斯函数的尺度，gσ(x,y)表示二元高斯函数，表示二元高斯函数gσ(x，y)的梯度向量与灰度图像i(x,y)作一次卷积后得到的图像高斯梯度。

进一步地，所述建立方向滤波器，求得外区抑制量，并对高斯梯度处理的图像进行外区抑制，包括以下步骤：

建立滤波器生成函数kθ(x,y)，其表达式为：

其中rθ表示旋转矩阵，h(x,y)表示hermite函数；

根据滤波器kθ计算公式：kθ＝θv(a)(x,y)，通过滤波器生成函数kθ(x,y)与梯度幅值作卷积，得到外区抑制量t(x，y)，其表达式为：

其中，表示点(x,y)的梯度方向；

将滤波器kθ＝θv(a)(x,y)与图像纹理性边缘上的点的邻域作局部加权平均，对高斯梯度处理的图像进行外区抑制。

进一步地，还包括对所述外区抑制量进行修正，包括以下步骤：

将(x，y)转换成极坐标形式(ρ，φ)，令x＝ρcos(φ)，y＝ρsin(φ)，转换公式(2)中的h(x,y)得到：

分别定义基函数v-2、v0、v2为：

则：

h(ρ+θ,φ)＝exp(-2iθ)v-2+v0+exp(2iθ)v2(5)

定义基函数v-2、v0、v2一一对应的系数a-2、a0、a2分别为：

a-2＝exp(-2iθ)，a0＝1，a2＝exp(2iθ)，

有：

其中n∈{-2,0,2}，kθ(x,y)表示三个固定基函数、且不含角度变量的线性组合；

将式(3)修正得到：

将梯度幅值分别与基函数v-2、v0、v2作卷积，再乘以与基函数v-2、v0、v2一一对应的系数a-2、a0、a2进行线性组合，得到修正后的外区抑制量。

进一步地，所述采用非极大值抑制与迟滞阈值进行图像处理，包括以下步骤：

根据梯度幅值与外区抑制量之差，定义点(x，y)的轮廓响应为：

其中λ表示抑制水平，t(x,y)表示外区抑制量；

采用线性插值方法分别求出响应中点(x，y)以及点(x，y)的梯度方向所在直线与该点邻域正方形的交点(x′，y′)和交点(x″，y″)的响应值；

若点(x，y)的响应值大于点(x′，y′)和点(x″，y″)的响应值，则点(x，y)属于局部极大值点予以保留，否则将点(x，y)置零，对轮廓响应边缘进行细化；

利用迟滞阈值对轮廓响应进行二值化操作，定义阈值th和tl，其中th与分位数p关系为：

其中，card函数用于统计集合中非零元素的个数，m表示响应点总数，式(9)表明强轮廓点至少包含前pm个最大响应点；

令tl＝th/2；

舍弃响应中小于tl的边缘点，且保留th和tl之间的弱边缘点，以获得初步的二值边缘图b(p,λ)。

进一步地，所述通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图，包括以下步骤：

定义二值边缘图b(p,λ)在不同抑制水平λk下二值边缘图b(p，λk)的强边缘和弱边缘为b(p，λk)的交集和并集，得：

其中λk表示不同的抑制水平，交集bp，i表示图像强边缘，包含大量的离散轮廓片段以及少量的噪声边缘，且bp，i中的点在所有二值图像b(p，λk)中都出现过，并集bp，u表示图像弱边缘，包含完整的轮廓信息和噪声边缘，且bp，u中的点在二值图像b(p，λk)中至少出现一次；

以交集bp，i作为种子点集，在并集bp，u中遍历所有弱边缘eu，将与种子点集有部分边缘点发生重叠的弱边缘eu，加入到组合结果b(p，c)中，得：

获得较为完整的目标轮廓。

更进一步地，所述基于贝叶斯概率模型的轮廓判决机制，包括以下步骤：

根据组合结果b(p，c),定义组合结果b(p，c)中每条边缘轮廓e的先验轮廓概率为：

其中，emax表示b(p，c)中的最长边缘，length(*)表示计算边缘长度；

根据边缘的先验轮廓概率定义p(e)，定义边缘点(x，y)的后验轮廓概率为：

其中，ωr(x，y)表示边缘点(x，y)的r邻域，边缘点(x，y)的后验轮廓概率等于该点周围所有边缘的先验轮廓概率的最大值；

根据边缘点的后验轮廓概率p(x，y，r)，给定阈值tp，得到最终的轮廓输出b(x,y)：

b(x,y)＝p(x,y,r)＞tp(14)。

与现有技术相比，本发明具有以下有益效果：

(1)本发明巧妙地通过高斯梯度定义，以平滑灰度图像以及去除噪声影响，先对二元高斯函数gσ(x,y)求梯度变量，与灰度图像i(x,y)作一次卷积得到图像的高斯梯度相较于传统的先使用高斯函数平滑图像，再对平滑结果进行梯度计算的方法，其具有更低的时间复杂度。

(2)本发明通过计算抑制量，然后借助快速傅里叶变换，时间复杂度可下降到o(3n²logn²)，可以有效降低时间复杂度，满足实时性要求。

(3)本发明根据梯度方向得到滤波器再与纹理边缘上的点邻域作局部加权平均，得到外区抑制量，可以实现有效抑制纹理性边缘，进而保留孤立目标轮廓的效果。

(4)本发明定义边缘点的后验轮廓概率，并利用边缘点的邻域信息判决图像轮廓，有效简化边缘的后验轮廓概率计算。

(5)本发明中所述外区抑制量t(x，y)在纹理性边缘中取值高，在轮廓中取值低，经过轮廓响应之后，轮廓会在响应中变得更加明显，更易于检测。

(6)本发明提出的一种新的轮廓仿生检测算法，适用于复杂多样的自然场景中，实现充分抑制纹理性边缘，实现目标轮廓的完整性，进一步提高轮廓检测性能的效果。

(7)本发明提出的一种新的多水平组合方式，可以整合不同抑制水平作用下的二值响应图，同时，借助贝叶斯概率模型建立图像的后验轮廓概率图，概率图中噪声边缘的轮廓概率值较低，而弱轮廓的轮廓概率值较高，能够用于去除噪声边缘和保护弱轮廓。

综上所述，本发明提出的一种混合外区抑制与贝叶斯模型的轮廓检测方法在图像处理技术领域具有很高的实用价值和推广价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的仿生轮廓检测算法流程图。

图2从左往右依次为θ＝0、θ＝π/4、θ＝π/2、θ＝3π/4四个方向的滤波器图像示意图。

图3为不同抑制水平λk作用下的二值图像b(p，λk)。

图4从左向右依次为二值图像强边缘、弱边缘及其组合边缘示意图。

图5为伪轮廓排除示意图。

具体实施方式

为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例

如图1至图5所示，本实施例提供一种混合外区抑制与贝叶斯模型的轮廓检测方法，包括以下步骤：

第一步，根据灰度图像定义图像高斯梯度，以去除噪声；具体如下：

定义任一幅灰度图像i(x,y)的高斯梯度，其表达式为：

其中，i表示灰度图像，表示高斯梯度，x表示图像中某一点的x坐标，y表示图像中某一点的y坐标，σ表示高斯函数的尺度，gσ(x,y)表示二元高斯函数，表示二元高斯函数gσ(x，y)的梯度向量与灰度图像i(x,y)作一次卷积后得到的图像高斯梯度。

第二步，建立方向滤波器，求得外区抑制量，并对高斯梯度处理的图像进行外区抑制，以生成轮廓响应；

(1)建立方向滤波器，求得外区抑制量，并对高斯梯度处理的图像进行外区抑制，包括以下步骤：

建立滤波器生成函数kθ(x,y)，其表达式为：

其中，rθ表示旋转矩阵，h(x,y)表示hermite函数；

根据滤波器kθ计算公式：kθ＝θv(a)(x,y)，通过滤波器生成函数kθ(x,y)与梯度幅值作卷积，得到外区抑制量t(x，y)，其表达式为：

其中，表示点(x,y)的梯度方向；

将滤波器kθ＝θv(a)(x,y)与图像纹理性边缘上的点的邻域作局部加权平均，对高斯梯度处理的图像进行外区抑制。

(2)对所述外区抑制量进行修正，包括以下步骤：

将(x，y)转换成极坐标形式(ρ，φ)，令x＝ρcos(φ)，y＝ρsin(φ)，转换公式(2)中的h(x,y)得到：

分别定义基函数v-2、v0、v2为：

则：

h(ρ+θ,φ)＝exp(-2iθ)v-2+v0+exp(2iθ)v2(5)

定义基函数v-2、v0、v2一一对应的系数a-2、a0、a2分别为：

a-2＝exp(-2iθ)，a0＝1，a2＝exp(2iθ)，

有：

其中，n∈{-2,0,2}，kθ(x,y)表示三个固定基函数、且不含角度变量的线性组合；

将式(3)修正得到：

将梯度幅值分别与基函数v-2、v0、v2作卷积，再乘以与基函数v-2、v0、v2一一对应的系数a-2、a0、a2进行线性组合，得到修正后的外区抑制量。

第三步，采用非极大值抑制与迟滞阈值进行图像处理，得到图像的二值边缘图；

其中，所述采用非极大值抑制与迟滞阈值进行图像处理，包括以下步骤：

(1)根据梯度幅值与外区抑制量之差，定义点(x，y)的轮廓响应为：

其中，λ表示抑制水平，t(x,y)表示外区抑制量；

(2)采用线性插值方法分别求出响应中点(x，y)以及点(x，y)的梯度方向所在直线与该点邻域正方形的交点(x′，y′)和交点(x″，y″)的响应值；

若点(x，y)的响应值大于点(x′，y′)和点(x″，y″)的响应值，则点(x，y)属于局部极大值点予以保留，否则将点(x，y)置零，对轮廓响应边缘进行细化；

(3)利用迟滞阈值对轮廓响应进行二值化操作，定义阈值th和tl，其中th与分位数p关系为：

其中，card函数用于统计集合中非零元素的个数，m表示响应点总数，式(9)表明强轮廓点至少包含前pm个最大响应点；

(4)令tl＝th/2；

舍弃响应中小于tl的边缘点，且保留th和tl之间的弱边缘点，以获得初步的二值边缘图b(p,λ)。

第四步，通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图；

其中，所述通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图，包括以下步骤：

(1)定义二值边缘图b(p,λ)在不同抑制水平λk下二值边缘图b(p，λk)的强边缘和弱边缘为b(p，λk)的交集和并集，得：

其中，λk表示不同的抑制水平，交集bp，i表示图像强边缘，包含大量的离散轮廓片段以及少量的噪声边缘，且bp，i中的点在所有二值图像b(p，λk)中都出现过，并集bp，u表示图像弱边缘，包含完整的轮廓信息和噪声边缘，且bp，u中的点在二值图像b(p，λk)中至少出现一次；

(2)以交集bp，i作为种子点集，在并集bp，u中遍历所有弱边缘eu，将与种子点集有部分边缘点发生重叠的弱边缘eu，加入到组合结果b(p，c)中，得：

获得较为完整的目标轮廓。

第五步，采用基于贝叶斯概率模型的轮廓判决机制，求得边缘点的后验轮廓概率，以获得轮廓输出。

其中，所述基于贝叶斯概率模型的轮廓判决机制，包括以下步骤：

(1)根据组合结果b(p，c),定义组合结果b(p，c)中每条边缘轮廓e的先验轮廓概率为：

其中，emax表示b(p，c)中的最长边缘，length(*)表示计算边缘长度；

(2)根据边缘的先验轮廓概率定义p(e)，定义边缘点(x，y)的后验轮廓概率为：

其中，ωr(x，y)表示边缘点(x，y)的r邻域，边缘点(x，y)的后验轮廓概率等于该点周围所有边缘的先验轮廓概率的最大值；

(3)根据边缘点的后验轮廓概率p(x，y，r)，给定阈值tp，得到最终的轮廓输出b(x,y)：

b(x,y)＝p(x,y,r)＞tp(14)。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。