一种基于视网膜明适应机制的轮廓检测方法

1.本发明涉及图像处理领域，具体涉及一种基于视网膜明适应机制的轮廓检测方法。


背景技术：

2.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。
3.目前许多受生物学启发的轮廓检测模型大多并没有完整的模拟整个视觉系统的生理特性，比如在视网膜当中存在的视觉适应机制。它们在轮廓信息提取的过程中，对于视觉的适应机制并没有进行模拟，因此造成了一定程度上目标轮廓信息问题，从而导致目标轮廓的定位偏差。


技术实现要素：

4.本发明旨在提供一种基于非经典感受野空间总和调制的轮廓检测方法，该方法通过模拟明适应过程，利用在明适应过程中，存在的一个时刻是图像信息恢复最大的，利用该时刻可以提取出部分目标轮廓，这部分轮廓可用于增强目标轮廓，从而提高了目标轮廓检测的精准性。
5.本发明的技术方案如下：
6.所述的基于视网膜明适应机制的轮廓检测方法，包括以下步骤：
7.a、将待测图像由rgb颜色空间转到hsv颜色空间；
8.b、对hsv图像的亮度进行亮度明适应模拟，设定明适应时间为t，将时间t进行n等分，将每一等分当前时刻上的图像中各个像素点的亮度值作为亮度理论最大值，当前时刻的亮度理论最大值的计算函数为：
[0009][0010]
其中，t∈(1,180)，τ＝20；
[0011]
基于该公式计算获得n幅不同适应时刻的亮度理论最大值图像，将各个亮度理论最大值图像中各个像素点的亮度与原图像中的相应像素点的亮度进行比较，取大值作为该像素点的亮度实际最大值，获得n幅不同适应时刻的亮度实际最大图像；
[0012]
c、将n幅亮度实际最大图分别转回rgb颜色空间，得到n幅不同适应时刻的适应过程图像；
[0013]
d、统计步骤b过程中各个亮度理论最大值图像中已经达到原图像中亮度值的像素点个数，将该像素点的个数占该幅图中总像素店个数的比例作为加权权重，并选取出其中
最大的比例权重所对应的适应过程图像的四个拮抗通道求取轮廓，并选取四通道中各通道的最大值输出，作为明适应过程中的轮廓增强图像；对原图像四个拮抗通道求取轮廓，并选取四通道中各通道的最大值输出，获得原图像的轮廓待增强图像；
[0014]
e、将明适应过程中的轮廓增强图像与原图像的轮廓待增强图像进行融合，然后利用最优方向作为抑制方向，使用标准的非最大抑制进行边缘细化，得到增强后的最终轮廓输出图像。
[0015]
所述的步骤a中，将待测图像由rgb颜色空间转到hsv颜色空间的转换函数为：
[0016][0017][0018]
v＝c
max
ꢀꢀ
(3)
[0019]
其中，h代表色调，s代表饱和度，v代表亮度；r
′
＝r/255；g
′
＝g/266；b
′
＝b/266， c
max
表示rgb2通中每个点最大值c
max
＝max(r
′
，g
′
，b
′
)，c
min
表示rgb2通中每个点最小值c
min
＝min(r
′
，g
′
，b
′
)，δ表示每点最大和最小的差值δ＝c
max
‑
c
min
。
[0020]
所述的步骤b中，当前时刻的亮度实际最大图像取值规则公式为：
[0021][0022]
其中，v(x，y)代表原图的亮度，v
t
(x，y)代表亮度理论最大图。
[0023]
所述的步骤c中，将亮度实际最大图转回rgb颜色空间的函数为：
[0024]
令c＝va
t
＝s，x＝c
×
(1
‑
|(h/60
°
)mod 2
‑
1|)，m＝va
t
‑
c；
[0025][0026]
i
t
＝(r
t
，g
t
，b
t
)＝(r
t
′
+m)
×
255，(g
t
′
+m)
×
255，(b
t
′
+m)
×
255
ꢀꢀ
(7)
[0027]
所述的步骤d中加权权重的计算函数为：
[0028][0029]
最大比例权重：
[0030]
ω
max
＝max(ω
t
)
ꢀꢀ
(9)。
[0031]
所述的步骤d中，图像求取轮廓的函数为：
[0032]
re
co
(x，y)＝ω(x，y)
·
do
co
(x，y)
ꢀꢀ
(10)
[0033]
其中，ω(x，y)为稀疏度量，do
co
(x，y)为最佳双拮抗响应。
[0034]
所述的最佳双拮抗响应do
co
(x，y)的求取过程为：
[0035]
a、用高斯滤波器模拟视网膜视锥细胞的感受野：
[0036]
s
c
(x，y)＝i(x，y)*g(x，y)
ꢀꢀ
(11)
[0037][0038]
其中，*表示卷积运算符；i(x，y)为输入图像；g(x，y)为二维高斯函数卷积核；σ＝ 0.8决定了视网膜细胞感受野的大小；c∈{r，g，b，y}，表示输入图像的4个颜色，其中
[0039]
b、然后将步骤a输出的图像传入lgn层，在这层中各个颜色呈现出两两相互作用，单拮抗细胞以不平衡的方式组合颜色信息：
[0040][0041]
其中，co∈{rg，gr，by，yb}，表示4种类型的拮抗，分别为红
‑
绿拮抗(r+g
‑
， r
‑
g+)、蓝
‑
黄拮抗(b+y
‑
，b
‑
y+)；
[0042]
c、用二维高斯的一阶偏导数来模拟v1层中具有双拮抗感受野的细胞的感受野：
[0043][0044][0045]
其中，γ＝0.5，表示细胞感受野的椭圆率即长短轴的比例系数；θ表示神经元响应的最优方向，θ∈(0,2π；σ
g
决定了双拮抗细胞感受野的大小，定义为σ
g
＝2
·
σ；
[0046]
d、双拮抗特性的响应do
co
(x，y；θ
i
)由经lgn层处理过后传出的单拮抗响应so
co
(x，y)与rf
g
(x，y；θ)进行卷积模拟：
[0047]
do
co
(x，y；θ
i
)＝so
co
(x，y)*rf(x，y；θ
i
)
ꢀꢀ
(16)
[0048][0049]
其中，*表示卷积运算符；n
θ
＝6，表示感受野响应的待选方向在θ
i
∈[0，2π) 范围内角度个数；
[0050]
然后求得双拮抗细胞感受野响应的最佳响应do
co
(x，y)，以及步骤e中的最优方向
[0051]
do
co
(x，y)＝max{do
co
(x，y；θ
i
)|i＝1，2，...，n
θ
}
ꢀꢀ
(18)
[0052][0053]
所述的稀疏度量ω(x，y)的求取函数为：
[0054][0055][0056]
其中，表示以(x,y)为中心的各信息通道局部梯度幅值直方图；n表示的维数；||
·
||1是l1范数，||
·
||2是l2范数；表示的平均值，min表示取两者的最小值。
[0057]
所述的步骤d中，选取各通道最大值，获得原图像的轮廓待增强图像的函数为：
[0058]
re
out
(x，y)＝max(re
co
(x，y)|co∈{rg，gr，by，yb})
ꢀꢀ
(23)；
[0059]
选取各通道最大值，获得明适应过程中的轮廓增强图像的函数为：
[0060]
re
enhance
(x，y)＝max(re
co
(x，y)|co∈{rg，gr，by，yb})
ꢀꢀ
(24)。
[0061]
所述的步骤e中，明适应过程中的轮廓增强图像与原图像的轮廓待增强图像进行融合的函数为：
[0062]
re(x，y)＝re
out
(x，y)+ω
max
*re
enhance
(x，y)
ꢀꢀꢀ
(25)。
[0063]
本发明设计了独特的模拟函数，模拟了视网膜上的明适应过程，通过找出适应阶段中信息变化最大的适应时期图像并将其作为目标轮廓增强信息，为目标轮廓的提取提供了很大的帮助，使得目标轮廓更为清晰，优化了轮廓检测模型的性能，具有良好的应用前景。
附图说明
[0064]
图1为实施例1提供的轮廓检测方法与文献1轮廓检测方法的效果对比图；
具体实施方式
[0065]
实施例1
[0066]
一、本实施例提供的基于视网膜明适应机制的轮廓检测方法，包括以下步骤：
[0067]
a、将待测图像由rgb颜色空间转到hsv颜色空间，采用如下的转换函数进行：
[0068]
[0069][0070]
v＝c
max
ꢀꢀ
(3)
[0071]
其中，h代表色调，s代表饱和度，v代表亮度；r
′
＝r/255；g
′
＝g/266；b
′
＝b/266， c
max
表示rgb2通中每个点最大值c
max
＝max(r
′
，g
′
，b
′
)，c
min
表示rgb2通中每个点最小值c
min
＝min(r
′
，g
′
，b
′
)，δ表示每点最大和最小的差值δ＝c
max
‑
c
min
；
[0072]
b、对hsv图像的亮度进行亮度明适应模拟，设定明适应时间为t，将时间t进行n等分，将每一等分当前时刻上的图像中各个像素点的亮度值作为亮度理论最大值，当前时刻的亮度理论最大值的计算函数为：
[0073][0074]
其中，t∈(1,180)，τ＝20；
[0075]
当前时刻的亮度实际最大图像取值规则公式为：
[0076][0077]
其中，v(x，y)代表原图的亮度，v
t
(x，y)代表亮度理论最大图；
[0078]
基于上述公式和规则，获得n幅不同适应时刻的亮度理论最大值图像，将各个亮度理论最大值图像中各个像素点的亮度与原图像中的相应像素点的亮度进行比较，取大值作为该像素点的亮度实际最大值，获得n幅不同适应时刻的亮度实际最大图像；
[0079]
c、将n幅亮度实际最大图分别转回rgb颜色空间，得到n幅不同适应时刻的适应过程图像；
[0080]
将亮度实际最大图转回rgb颜色空间的函数为：
[0081]
令c＝va
t
×
s，x＝c
×
(1
‑
|(h/60
°
)mod 2
‑
1|)，m＝va
t
‑
c；
[0082][0083]
i
t
＝(r
t
，g
t
，b
t
)＝(r
t
′
+m)
×
255，(g
t
′
+m)
×
255，(b
t
′
+m)
×
255
ꢀꢀ
(7)
[0084]
d、统计步骤b过程中各个亮度理论最大值图像中已经达到原图像中亮度值的像素点个数，将该像素点的个数占该幅图中总像素店个数的比例作为加权权重，并选取出其中最大的比例权重所对应的适应过程图像的四个拮抗通道求取轮廓，并选取四通道中各通道的最大值输出，作为明适应过程中的轮廓增强图像；对原图像四个拮抗通道求取轮廓，并选取四通道中各通道的最大值输出，获得原图像的轮廓待增强图像；
[0085]
所述的步骤d中加权权重的计算函数为：
[0086][0087]
最大比例权重：
[0088]
ω
max
＝max(ω
t
)
ꢀꢀ
(9)；
[0089]
所述的步骤d中，图像求取轮廓的函数为：
[0090]
re
co
(x，y)＝ω(x，y)
·
do
co
(x，y)
ꢀꢀ
(10)
[0091]
其中，ω(x，y)为稀疏度量，do
co
(x，y)为最佳双拮抗响应。
[0092]
所述的最佳双拮抗响应do
co
(x，y)的求取过程为：
[0093]
a、用高斯滤波器模拟视网膜视锥细胞的感受野：
[0094]
s
c
(x，y)＝i(x，y)*g(x，y)
ꢀꢀꢀ
(11)
[0095][0096]
其中，*表示卷积运算符；i(x，y)为输入图像；g(x，y)为二维高斯函数卷积核；σ＝ 0.8决定了视网膜细胞感受野的大小；c∈{r，g，b，y}，表示输入图像的4个颜色，其中
[0097]
b、然后将步骤a输出的图像传入lgn层，在这层中各个颜色呈现出两两相互作用，单拮抗细胞以不平衡的方式组合颜色信息：
[0098][0099]
其中，co∈{rg，gr，by，yb}，表示4种类型的拮抗，分别为红
‑
绿拮抗(r+g
‑
， r
‑
g+)、蓝
‑
黄拮抗(b+y
‑
，b
‑
y+)；
[0100]
c、用二维高斯的一阶偏导数来模拟v1层中具有双拮抗感受野的细胞的感受野：
[0101][0102][0103]
其中，γ＝0.5，表示细胞感受野的椭圆率即长短轴的比例系数；θ表示神经元响应的最优方向，θ∈(0,2π；σ
g
决定了双拮抗细胞感受野的大小，定义为σ
g
＝2
·
σ；
[0104]
d、双拮抗特性的响应do
co
(x，y；θ
i
)由经lgn层处理过后传出的单拮抗响应 so
co
(x，y)与rf
g
(x，y；θ)进行卷积模拟：
[0105]
do
co
(x，y；θ
i
)＝so
co
(x，y)*rf(x，y；θ
i
)
ꢀꢀꢀ
(16) [0106]
其中，*表示卷积运算符；n
θ
＝6，表示感受野响应的待选方向在θ
i
∈[0，2π) 范围内角度个数；
[0107]
然后求得双拮抗细胞感受野响应的最佳响应do
co
(x，y)，以及步骤e中的最优方向
[0108]
do
co
(x，y)＝max{do
co
(x，y；θ
i
)|i＝1，2，...，n
θ
}
ꢀꢀ
(18)
[0109]
[0110]
所述的稀疏度量ω(x，y)的求取函数为：
[0111][0112][0113]
其中，表示以(x,y)为中心的各信息通道局部梯度幅值直方图；n表示的维数；||
·
||1是l1范数，||
·
||2是l2范数；表示的平均值，min表示取两者的最小值。
[0114]
所述的步骤d中，选取各通道最大值，获得原图像的轮廓待增强图像的函数为：
[0115]
re
out
(x，y)＝max(re
co
(x，y)|co∈{rg，gr，by，yb})
ꢀꢀ
(23)；
[0116]
选取各通道最大值，获得明适应过程中的轮廓增强图像的函数为：
[0117]
re
enhance
(x，y)＝max(re
co
(x，y)|co∈{rg，gr，by，yb})
ꢀꢀ
(24)。
[0118]
e、将明适应过程中的轮廓增强图像与原图像的轮廓增强图像进行融合，然后利用最优方向作为抑制方向，使用标准的非最大抑制进行边缘细化，得到增强后的最终轮廓输出图像；
[0119]
其中，明适应过程中的轮廓增强图像与原图像的待轮廓增强图像进行融合的函数为：
[0120]
re(x，y)＝re
out
(x，y)+ω
max
*re
enhance
(x，y)
ꢀꢀ
(25)。
[0121]
二、基于上述方法的轮廓识别性能测试对比：
[0122]
1、采用文献1的方法进行对比：
[0123]
文献1：yang k f,gao s b,guo c f,et al.boundary detection using double
‑
opponency and spatial sparseness constraint[j].ieee transactions on image processing,2015,24(8):2565
‑
2578.
[0124]
2、对于最终的轮廓图进行定量的性能评估，我们采用和文献1中一样的性能测量标准，具体评价如下：
[0125][0126]
其中，p表示精确率，r表示召回率。f的值越大，表明性能越好。
[0127]
文献1所用到的参数和其原文一样，都是该模型的最优参数。
[0128]
对比测试结果见图1：图1为从伯克利分割数据集(bsds300)随机选取的三幅自然图像、对应的真实轮廓图、文献1方法检测的最优轮廓图，实施例1方法检测的最优轮廓；其中，图中的右上角给出的是f
‑
score。
[0129]
从实验的效果来看，实施例1检测方法均优于文献1的检测方法。