一種基于視通路方位敏感的圖像邊緣分級檢測方法
【技術領域】
[0001] 本發(fā)明屬于視覺神經計算領域，涉及一種基于視通路方位敏感的圖像邊緣分級檢 測方法。
【背景技術】
[0002] 輪廓特征提取將為圖像理解或者運動目標行為分析提供重要的降維信息，提取過 程通常需滿足：（1)在準確定位邊緣的前提下不發(fā)生漏檢；（2)避免出現虛假邊緣。然而在 實際應用中，由于光照、陰影等不利因素的影響，圖像邊緣對比度降低，傳統檢測方法很難 同時滿足上述兩項要求；而目前基于視覺神經機制的邊緣檢測方法，簡化了真實神經元在 信號處理中的電生理特性，忽視了視通路上不同層次結構在輪廓感知中的分級處理作用， 從本質上是采用了黑箱數學模型對視覺機制進行了模擬。

【發(fā)明內容】

[0003] 本發(fā)明考慮到：⑴對于低對比度邊緣，傳統檢測方法從圖像梯度出發(fā)設定簡單 閾值，容易出現邊緣漏檢或者偽邊緣兩種極端情況，通常在弱邊緣檢測時不可避免地將會 引入噪聲；（2)目前基于視覺神經機制的邊緣檢測方法，大多數在像素層面進行建模處理， 而忽略了神經元在信號處理過程中的電脈沖發(fā)放等生理特性，以及視覺信息在視覺通路上 傳遞時不同層次結構的分級處理，其圖像邊緣檢測結果難以與主觀感知結果一致。因此本 發(fā)明利用神經元放電編碼機制，模擬視通路上不同層次結構在輪廓感知過程中的分級處 理，提出一種基于視通路方位敏感的圖像邊緣分級檢測方法，充分發(fā)揮上述視覺生理特性 的作用。
[0004] 本發(fā)明提出一種基于視通路方位敏感的圖像邊緣分級檢測方法，包括以下步驟：
[0005] 步驟（1)構建第一級神經元網絡，其尺寸與原數字圖像大小相同，其中單個神經 元采用LIF模型；在每個神經元的感受野范圍內，確定該神經元與其他神經元相互作用的 突觸連接權值，權值大小不僅與兩端神經元所對應的圖像像素灰度值大小有關，也與兩端 神經元之間的空間距離有關；
[0006] 步驟（2)設定4類感受野最優(yōu)方位，分別為中心水平、副對角線、中心垂直和正對 角線；首先以最優(yōu)方位為界將感受野一分為二，一半設為興奮性突觸連接，另一半設為抑制 性突觸連接，突觸連接權值大小由步驟（1)確定；然后將興奮與抑制區(qū)域對換，每一類最優(yōu) 方位將會形成2個方向性感受野，這樣就會得到8個對特定方向敏感的感受野模型；
[0007] 步驟（3)以歸一化的圖像像素灰度值作為第一級神經元網絡的輸入，將步驟（2) 獲得的8個感受野模型分別代入神經元模型，記錄每個神經元在一段時間內的脈沖發(fā)放序 列，并計算放電頻率作為第一級神經元網絡的輸出；
[0008] 步驟（4)融合步驟（3)中8個網絡輸出，并映射到灰度級形成一幅邊緣敏感圖像； 對每個輸出點選擇放電頻率最大時所對應的感受野最優(yōu)方位，得到一個與原始圖像尺寸大 小相同的最優(yōu)方位矩陣；
[0009] 步驟（5)再次構建一個與第一級網絡規(guī)模相同的神經元網絡，單個神經元仍然采 用LIF模型，形成第二級網絡；在感受野范圍內，比較各神經元與中心神經元的輸入值大 ??；若某個神經元的輸入要大于中心神經元的輸入，確定其與中心神經元的突觸連接權值， 權值大小與神經元空間距離、輸入以及最優(yōu)方位三方面因素有關；
[0010] 步驟（6)以邊緣敏感圖像作為第二級網絡輸入，構造一個方形感受野，依次與邊 緣敏感圖像的每個像素點對應，根據像素點在最大響應方向上的極值分布，判斷對應神經 元是否受到側向抑制作用，這里所述最大響應方向為垂直于最優(yōu)方位的方向，具體判斷規(guī) 則為：當像素點在最大響應方向上為非極大時將受到側向抑制作用，反之無作用；再根據 最優(yōu)方位矩陣，確定對應神經元在感受野內的去最優(yōu)方位側向抑制范圍，抑制量為步驟（5) 計算的突觸連接權值，第二級網絡脈沖頻率輸出即為抑制后的圖像；
[0011] 步驟（7)對步驟（6)的結果運用類間方差法選定合適閾值進行二值化，得到最終 邊緣圖。
[0012] 本發(fā)明具有的有益效果為：
[0013] 1、改進了LIF神經元模型，使其具有方位敏感的感受野內突觸連接特性，更符合 視皮層下細胞方位感知機制，從而為后續(xù)處理作了有效的前級安排。
[0014] 2、模擬了視皮層更為精細的輪廓感知能力，在最大響應方向上有選擇的進行側向 抑制有利于保護真實邊緣不受破壞，進而能準確定位；
[0015] 3、對抑制區(qū)域去除最優(yōu)方位能夠避免邊緣之間自抑制，從而能在去除偽邊緣和紋 理噪聲的同時保護弱小細節(jié)，還原更真實的圖像輪廓。
【附圖說明】
[0016] 圖1為本發(fā)明方法流程圖。
【具體實施方式】
[0017] 結合圖1，本發(fā)明具體的實施步驟為：
[0018] 步驟⑴根據原始圖像IO(x,y)(x=1，2,…厘；y=1，2*"N，變量x和y下同，M， N分別表示圖像的寬和高）大小，構建相同尺寸的方位敏感第一級神經元網絡GC(x，y)，其 中單個神經元采用式（1)所示的LIF模型：
[0019]
【主權項】
1. 一種基于視通路方位敏感的圖像邊緣分級檢測方法，其特征在于該方法包括以下步 驟： 步驟（1)構建第一級神經元網絡，其尺寸與原數字圖像大小相同，其中單個神經元采用LIF模型；在每個神經元的感受野范圍內，確定該神經元與其他神經元相互作用的突觸連 接權值，權值大小不僅與兩端神經元所對應的圖像像素灰度值大小有關，也與兩端神經元 之間的空間距離有關； 步驟（2)設定4類感受野最優(yōu)方位，分別為中心水平、副對角線、中心垂直和正對角線； 首先以最優(yōu)方位為界將感受野一分為二，一半設為興奮性突觸連接，另一半設為抑制性突 觸連接，突觸連接權值大小由步驟（1)確定；然后將興奮與抑制區(qū)域對換，每一類最優(yōu)方位 將會形成2個方向性感受野，這樣就會得到8個對特定方向敏感的感受野模型； 步驟（3)以歸一化的圖像像素灰度值作為第一級神經元網絡的輸入，將步驟（2)獲得 的8個感受野模型分別代入神經元模型，記錄每個神經元在一段時間內的脈沖發(fā)放序列， 并計算放電頻率作為第一級神經元網絡的輸出； 步驟（4)融合步驟（3)中8個網絡輸出，并映射到灰度級形成一幅邊緣敏感圖像；對每 個輸出點選擇放電頻率最大時所對應的感受野最優(yōu)方位，得到一個與原始圖像尺寸大小相 同的最優(yōu)方位矩陣； 步驟（5)再次構建一個與第一級網絡規(guī)模相同的神經元網絡，單個神經元仍然采用LIF模型，形成第二級網絡；在感受野范圍內，比較各神經元與中心神經元的輸入值大?。?若某個神經元的輸入要大于中心神經元的輸入，確定其與中心神經元的突觸連接權值，權 值大小與神經元空間距離、輸入以及最優(yōu)方位三方面因素有關； 步驟（6)以邊緣敏感圖像作為第二級網絡輸入，構造一個方形感受野，依次與邊緣敏感 圖像的每個像素點對應，根據像素點在最大響應方向上的極值分布，判斷對應神經元是否 受到側向抑制作用，這里所述最大響應方向為垂直于最優(yōu)方位的方向，具體判斷規(guī)則為：當 像素點在最大響應方向上為非極大時將受到側向抑制作用，反之無作用；再根據最優(yōu)方位 矩陣，確定對應神經元在感受野內的去最優(yōu)方位側向抑制范圍，抑制量為步驟（5 )計算的突 觸連接權值，第二級網絡脈沖頻率輸出即為抑制后的圖像； 步驟（7)對步驟（6)的結果運用類間方差法選定合適閾值進行二值化，得到最終邊緣 圖。
【專利摘要】本發(fā)明公開了一種基于視通路方位敏感的圖像邊緣分級檢測方法。本發(fā)明利用神經元突觸連接在感受野最優(yōu)方位向心分布中的作用，構建對多個特定方向敏感的第一級神經元網絡，以圖像像素作為網絡輸入，記錄神經元在一定時間窗口內的脈沖發(fā)放序列，并計算放電頻率作為網絡輸出；融合多方向上的網絡輸出并映射到灰度級，形成一幅邊緣敏感圖像；針對邊緣敏感圖像，確定感受野內側向抑制范圍以及抑制量，形成第二級神經元網絡，并輸出側向抑制后的圖像；最后經過閾值處理，獲得邊緣檢測結果。本發(fā)明考慮了方向性感受野以及側向抑制等重要視覺機制，模擬了視通路上不同層次結構在輪廓感知中的分級處理作用，能有效提高低對比度圖像的邊緣檢測性能。
【IPC分類】G06T7-00
【公開號】CN104778696
【申請?zhí)枴緾N201510172244
【發(fā)明人】范影樂, 王典, 郭斌, 李曉春
【申請人】杭州電子科技大學
【公開日】2015年7月15日
【申請日】2015年4月13日