一种基于分频视觉机制的轮廓特征提取方法与流程

本发明属于生物视觉和图像处理领域，具体涉及一种基于分频视觉机制的轮廓特征提取方法。

背景技术：

轮廓检测是从杂乱场景中快速地提取人类感兴趣区域的过程，如何在较低漏检率的情况下实现伪轮廓和纹理信息的去除，对于降低后续视通路特征提取的难度，并进一步提高轮廓检测性能具有重要意义。轮廓检测的难点主要体现在：(1)在不同光照或视角下，视觉信息加工机理存在差异；(2)在保留轮廓信息的前提下，尽可能多的去除背景纹理信息，通常是相互矛盾的。

随着生理实验手段的发展以及数据分析技术在神经科学中的运用，对于视觉信息处理机制的研究受到广泛的关注。有研究基于生物视觉的中心-周围相互作用特性，构建了各向同性和各向异性的抑制模型，利用二维gabor函数来表征初级视皮层(v1)感受野轮廓方向的选择性，并引入高斯差(differenceofgaussian,dog)函数来模拟外周环绕的侧抑制作用；还有研究进一步提出了外侧膝状体(lgn)感受野组合模型，揭示简单细胞的定向抑制和对比度不变性；此外还有研究视通路中多个视觉特征提取和融合，例如朝向、亮度、对比度三个特征策略组合，实现选择性的纹理抑制，凸显主体轮廓；例如也有研究利用lgn细胞的频域敏感特性，提出了一种基于ncrf抑制和x-y信息通道的生物学启发模型。需要指出的是，上述算法仅考虑到视通路中单一感受野的生理特性，忽略了视觉信息传递过程的分频处理机制，而越来越多的实验证明视通路上存在着不同功能的感受野，它们之间的电生理活动不仅采用串行关联，还采用分频并行处理的模式；此外目前的研究大都没有关注各个层次间感受野的视觉特征，尤其是lgn感受野的时空频率调谐特征对轮廓快速检测的作用。

技术实现要素：

本发明为解决上述存在的问题，提出一种基于分频视觉机制的轮廓特征提取方法。该方法通过模拟lgn感受野的频域响应特性和v1区的分频视觉信息流融合机制来实现轮廓特征提取。首先模拟lgn经典感受野对视觉信息流的分频特性，引入视觉信息中若干个独立的空间频域调谐作用；然后利用lgn细胞的朝向与低对比度特征的选择性抑制机制，实现非经典感受野的全局调节特性；最后提出分频视觉信息流的融合模型，用于表征初级视皮层中的上下文整合机制，实现视觉信息流的并行处理以及关联性传递，最终达到快速响应和完整性融合的轮廓特征提取。本发明提出一种基于分频视觉机制的轮廓特征提取方法，包括如下步骤：

步骤1：针对输入图像i(x,y)，引入如式(1)所示的高斯函数模拟lgn经典感受野所具有的频域响应特性。

其中

利用高斯函数的尺度参数σj作为lgn经典感受野对视觉信息流的分频特性参数，从而获得f个空间频率调谐通道，默认f＝3，σ1＝1，σ2＝2，σ3＝4，下同。表示朝向角，上标j表示空间频率调谐通道的序号，j＝1,2,…,f，下同；下标i表示朝向角的序号，i＝1,2,…,nθ，下同，nθ默认设置为8；空间大小比率γ决定了lgn经典感受野的椭圆率；

针对某个尺度参数σj，计算第i个朝向角的lgn经典感受野分频激励响应如式(3)所示。

式(3)中默认γ＝0.5，*表示卷积运算。

步骤2：在步骤1所获得的基础上，提取f个空间频率调谐通道的初级轮廓响应e(x,y,σj)；具体实现过程如下：

针对步骤1所获得的激励响应在固定某个尺度参数σj情况下，使遍历nθ个不同朝向角，采用最大值策略，选取的最大值，从而获得初级轮廓响应e(x,y,σj)，如式(4)所示。同时记录各尺度参数σj情况下最大值所对应的朝向角，记为θcrf(j)。

其中max表示取最大值函数，下同。

步骤3：采用如式(5)和(6)所示的双高斯差函数模拟lgn非经典感受野响应特性同时记录各尺度参数σj情况下最大值所对应的朝向角为θncrf(j)。定义第j条空间频率调谐通道上lgn非经典感受野中心-外周的抑制强度如式(7)所示。

式(6)中默认γ＝1；ρ表示lgn非经典感受野外周与中心的半径比值，根据电生理实验发现非经典感受野的直径一般为经典感受野的2～5倍，默认ρ＝4；式(7)中||||表示范数运算。

步骤4：针对步骤2和步骤3分别获取的θcrf(j)和θncrf(j)，计算两者的朝向差异特性，得到侧抑制强度

首先分别计算朝向差异△θcrf-ncrf(j)，如式(8)所示。

再经幂指数归一化，得到朝向调制权重w1(j)，如式(9)所示。

其中，δ表示抑制强度随视觉特征差异增大而衰减的调节参数，默认δ＝0.2，下同。

计算得到反映朝向差异特性的侧抑制强度如式(10)所示；

步骤5：对lgn非经典感受野局部窗口内的输入图像对比度进行修正，得到低对比度加强后的cc(x,y)。

首先定义窗长为υ的lgn非经典感受野局部窗口wxy，下标xy表示窗口的中心坐标为(x,y)，υ通常设定为3～11之间的奇数；w(xi,yi)表示wxy的空间权重函数，如式(11)所示。

然后对输入图像i(x,y)进行空间权重函数w(xi,yi)的加权计算，得到亮度l(x,y)，如式(12)所示。

接着计算局部窗口wxy内的输入图像对比度c(x,y)，如式(13)所示。

其中，lmax、lmin分别表示局部窗口wxy内，亮度l(x,y)的最大值和最小值；

最后采取阈值修正法，计算低对比度加强后的cc(x,y)，如式(14)所示。

其中cc表示修正阈值，

步骤6：基于步骤2获得的初级轮廓响应e(x,y,σj)，以及步骤3获得的lgn非经典感受野响应特性，将两者融合后，按步骤5所获得的cc(x,y)进行加权处理，得到低对比度差异指标△c(x,y,j)，如式(15)所示。

再经幂指数归一化，得到低对比度调制权重w2(x,y,j)，如式(16)所示。

计算得到反映低对比度差异特性的侧抑制强度如式(17)所示，其中上标j的含义同前。

步骤7：针对步骤4和步骤6分别得到的和调制空间频率调谐通道上的特征抑制强度e_inh^j(x,y)，最终得到图像纹理抑制后的轮廓信息r^j(x,y)，如式(18)～(20)所示。

r^j(x,y)＝max(e(x,y；σj)-α·e_inh^j(x,y)，0)(18)

式中，α表示经典感受野与非经典感受野的神经元间连接强度，默认α＝3。

步骤8：实现初级视皮层分频视觉信息流的快速融合编码，将步骤7获得的r^j(x,y)，并行传递至初级视皮层区进行权重融合加工处理，最终得到轮廓响应total_r(x,y)，如式(21)所示。

其中，βj为第f条空间频率调谐通道上轮廓响应的频段融合权重，取值范围为[0,1]，通常可按式(22)进行设置。

本发明具有的有益效果为：

①、提出了一种基于lgn经典感受野分频视觉机制的轮廓特征提取新方法。通过对视网膜和lgn细胞的频率响应特性建模，引入高斯函数模拟lgn经典感受野所具有的频域响应特性，实现初级主体轮廓的提取。

②、提出了一种基于lgn非经典感受野响应的侧抑制机制。针对空间频率、朝向调谐以及对比度对lgn经典感受野存在全局性抑制作用，构建多特征信息引导的外周抑制方法，实现背景信息的选择性抑制。

③、提出了一种v1区分频多通道视觉信息流的融合模型。改变了传统方法仅考虑串行的电生理特性，在初级视皮层内针对多个特定lgn细胞的输入信息，进行分频多通道并行处理以及关联性传递，可以有效的保留轮廓信息，得到最终轮廓响应。

附图说明

图1为本发明的图像轮廓检测流程图。

具体实施方式

为了使本发明的目的、技术方案和有益效果更加清楚，下面结合图1对本发明进行说明：

步骤1：针对输入图像i(x,y)，引入如式(1)所示的高斯函数模拟lgn经典感受野所具有的频域响应特性。

其中

利用高斯函数的尺度参数σj作为lgn经典感受野对视觉信息流的分频特性参数，从而获得f个空间频率调谐通道，默认f＝3，σ1＝1，σ2＝2，σ3＝4，下同。表示朝向角，上标j表示空间频率调谐通道的序号，j＝1,2,…,f，下同；下标i表示朝向角的序号，i＝1,2,…,nθ，下同，nθ默认设置为8；空间大小比率γ决定了lgn经典感受野的椭圆率；

针对某个尺度参数σj，计算第i个朝向角的lgn经典感受野分频激励响应如式(3)所示。

式(3)中默认γ＝0.5，*表示卷积运算。

步骤2：在步骤1所获得的基础上，提取f个空间频率调谐通道的初级轮廓响应e(x,y,σj)；具体实现过程如下：

针对步骤1所获得的激励响应在固定某个尺度参数σj情况下，使遍历nθ个不同朝向角，采用最大值策略，选取的最大值，从而获得初级轮廓响应e(x,y,σj)，如式(4)所示。同时记录各尺度参数σj情况下最大值所对应的朝向角，记为θcrf(j)。

其中max表示取最大值函数，下同。

步骤3：采用如式(5)和(6)所示的双高斯差函数模拟lgn非经典感受野响应特性同时记录各尺度参数σj情况下最大值所对应的朝向角为θncrf(j)。定义第j条空间频率调谐通道上lgn非经典感受野中心-外周的抑制强度如式(7)所示。

式(6)中默认γ＝1；ρ表示lgn非经典感受野外周与中心的半径比值，根据电生理实验发现非经典感受野的直径一般为经典感受野的2～5倍，默认ρ＝4；式(7)中||||表示范数运算。

步骤4：针对步骤2和步骤3分别获取的θcrf(j)和θncrf(j)，计算两者的朝向差异特性，得到侧抑制强度

首先分别计算朝向差异△θcrf-ncrf(j)，如式(8)所示。

再经幂指数归一化，得到朝向调制权重w1(j)，如式(9)所示。

其中，δ表示抑制强度随视觉特征差异增大而衰减的调节参数，默认δ＝0.2，下同。

计算得到反映朝向差异特性的侧抑制强度如式(10)所示；

步骤5：对lgn非经典感受野局部窗口内的输入图像对比度进行修正，得到低对比度加强后的cc(x,y)。

首先定义窗长为υ的lgn非经典感受野局部窗口wxy，下标xy表示窗口的中心坐标为(x,y)，υ通常设定为3～11之间的奇数；w(xi,yi)表示wxy的空间权重函数，如式(11)所示。

然后对输入图像i(x,y)进行空间权重函数w(xi,yi)的加权计算，得到亮度l(x,y)，如式(12)所示。

接着计算局部窗口wxy内的输入图像对比度c(x,y)，如式(13)所示。

其中，lmax、lmin分别表示局部窗口wxy内，亮度l(x,y)的最大值和最小值；

最后采取阈值修正法，计算低对比度加强后的cc(x,y)，如式(14)所示。

其中cc表示修正阈值，

步骤6：基于步骤2获得的初级轮廓响应e(x,y,σj)，以及步骤3获得的lgn非经典感受野响应特性将两者融合后，按步骤5所获得的cc(x,y)进行加权处理，得到低对比度差异指标△c(x,y,j)，如式(15)所示。

再经幂指数归一化，得到低对比度调制权重w2(x,y,j)，如式(16)所示。

计算得到反映低对比度差异特性的侧抑制强度如式(17)所示，其中上标j的含义同前。

步骤7：针对步骤4和步骤6分别得到的和调制空间频率调谐通道上的特征抑制强度e_inh^j(x,y)，最终得到图像纹理抑制后的轮廓信息r^j(x,y)，如式(18)～(20)所示。

r^j(x,y)＝max(e(x,y；σj)-α·e_inh^j(x,y)，0)(18)

式中，α表示经典感受野与非经典感受野的神经元间连接强度，默认α＝3。

步骤8：实现初级视皮层分频视觉信息流的快速融合编码，将步骤7获得的r^j(x,y)，并行传递至初级视皮层区进行权重融合加工处理，最终得到轮廓响应total_r(x,y)，如式(21)所示。

其中，βj为第f条空间频率调谐通道上轮廓响应的频段融合权重，取值范围为[0,1]，通常可按式(22)进行设置。