CN107767387B - 基于可变感受野尺度全局调制的轮廓检测方法 - Google Patents

Abstract

本发明旨在提供一种基于可变感受野尺度全局调制的轮廓检测方法，包括以下步骤：A、输入经灰度处理的待检测图像，计算得到各像素点的归一化高斯差分滤波值；B、预设尺度函数的高尺度值、低尺度值、阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，确定各像素点的尺度函数值；C、预设抑制强度及均分圆周的多个方向参数；对待检测图像中的各像素点分别按照各方向参数进行Gabor滤波，计算各像素点的经典感受野刺激响应；D、计算各像素点的抑制响应；E、将各像素点的经典感受野刺激响应与抑制响应计算得到该像素点的轮廓响应并处理得到各像素点的最终轮廓值，进而得到最终轮廓图。该方法具有仿真效果好、轮廓识别率高的特点。

Description

基于可变感受野尺度全局调制的轮廓检测方法

技术领域

本发明涉及计算机图像处理领域，具体涉及一种基于可变感受野尺度全局调制的轮廓检测方法。

背景技术

轮廓检测是计算机视觉领域的一个基本任务，不同于被定义为强烈的亮度变化所表征的边缘，轮廓通常表示一个目标到其他目标的边界。提高轮廓检测性能的基本方法就是融合全局的信息，为了提高轮廓检测模型的性能，许多研究者尽力的去对原始的检测算子以及抑制模型进行改进；基于尺度空间理论，每个尺度对应一组神经元感受野的大小，神经节细胞不同的感受野大小有着不同尺度下的特性；因此，在模型中考虑感受野模型尺度可以作为该领域的发展方向。

发明内容

本发明旨在提供一种基于可变感受野尺度全局调制的轮廓检测方法，该方法具有仿真效果好、轮廓识别率高的特点。

本发明的技术方案如下：

A、输入经灰度处理的待检测图像，对各像素点的灰度值利用高斯差分函数进行高斯差分滤波，得到各像素点的高斯差分滤波值，分别对各像素点的高斯差分滤波值中的正值和负值进行归一化处理，得到各像素点的归一化高斯差分滤波函数；利用各像素点的归一化高斯差分滤波函数分别与对应像素点的灰度值进行卷积，得到各像素点的归一化高斯差分滤波值；

B、预设尺度函数的高尺度值、低尺度值，预设阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，若该像素点归一化高斯差分滤波值大于或等于阈值，则该像素点对应的尺度函数值为高尺度值，若该像素点归一化高斯差分滤波值小于阈值，则该像素点对应的尺度函数值为低尺度值；

C、预设抑制强度，预设均分圆周的多个方向参数；对待检测图像中的各像素点分别按照各方向参数进行Gabor滤波，获得各像素点的各方向的响应值，其中Gabor滤波中所采用的尺度函数值为各个像素点在步骤B中所确定的高尺度值或低尺度值；对于各像素点，选取其各方向的响应值中的最大值，作为该像素点的经典感受野刺激响应；

D、将各像素点的经典感受野刺激响应与该像素点的距离权重函数进行卷积后与该像素点对应的尺度相乘，得到各像素点的抑制响应；

E、将各像素点的经典感受野刺激响应减去该像素点的抑制响应与抑制强度的乘积，得到该像素点的轮廓响应，对轮廓响应使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值，进而得到最终轮廓图。

优选地，所述的步骤A具体为：

所述的高斯差分函数DoG_σ(x,y)为：

其中σ为初始化尺度；

所述的归一化高斯差分滤波函数w_σ(x,y)为：

所述的归一化高斯差分滤波值wout_σ(x,y)为：

wout_σ(x,y)＝I(x,y)*w_σ(x,y) (3)。

优选地，所述的步骤B具体为：

所述的尺度函数σ(x,y)为：

其中σ_H为高尺度值，σ_L为低尺度值，σ_H＝σ_L+s，t为趋近于0的阈值，s为尺度的步长。

优选地，所述的步骤C具体为：

所述的Gabor滤波器组的二维Gabor函数表达式如下：

其中

γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ(x,y)为尺度函数，1/λ为余弦函数的空间频率，

是相角参数，θ为Gabor滤波的方向参数；

I(x,y)为待检测图像各像素点的灰度值，*为卷积运算符；

Gabor能量值计算如下：

其中θ_i为Gabor滤波的某一方向，N_θ为Gabor滤波的方向的个数；

所述的经典感受野刺激响应Ec(x,y；σ(x,y))为：

优选地，所述的步骤D具体为：

所述的距离权重函数w_σ(x,y)为：

其中，

其中，||·||₁为L¹范数，H(x)＝max(0,x)，DoG(x,y)为DoG模板对应的表达式；

各像素点的抑制响应Inh(x,y)为：

Inh(x,y)＝Ec(x,y；σ(x,y))*w_σ(x,y)σ(x,y) (11)。

优选地，所述的步骤E具体为：

所述的轮廓响应R(x,y)为：

R(x,y)＝H(Ec(x,y；σ(x,y))-αInh(x,y)) (12)；

其中H(x)＝max(0,x)，α为抑制强度。

本发明对高、低尺度值的区分选择基于高尺度值利于提取轮廓、低尺度值利于抑制纹理的原理，因此根据各像素点的归一化的高斯差分滤波值判断，若该滤波值显著大于0，则该像素点很可能位于轮廓的位置，因此选用高尺度值对轮廓进行提取；反之若该滤波值位于0附近，则该像素点很可能位于纹理的位置，因此选用低尺度值对纹理进行抑制；将高斯差分算子进行归一化，使得进行滤波时正、负滤波值的权重一致，降低错误识别率；因此，结合上述滤波值判断该像素点对应的是轮廓或者纹理，从而选择相应的高尺度值或低尺度值来进行抑制响应的计算，能够在保证不漏掉轮廓的同时还兼顾了纹理的抑制，避免出现过多无用的纹理，影响轮廓识别的效果；并且，通过结合距离权重函数来计算抑制响应，能够更好地反映非经典感受野的抑制特性，提高轮廓检测率。

综上所述，本发明的轮廓检测方法既保持了轮廓的完整性也极大地去除了多余的纹理背景，且更符合视觉感受野的空间频率特性。

附图说明

图1为本发明实施例1方法与文献1方法的轮廓检测对比图。

具体实施方式

下面结合附图和实施例具体说明本发明。

实施例1

本实施例提供的基于可变感受野尺度全局调制的轮廓检测方法，包括以下步骤：

A、输入经灰度处理的待检测图像，对各像素点的灰度值利用高斯差分函数进行高斯差分滤波，得到各像素点的高斯差分滤波值，分别对各像素点的高斯差分滤波值中的正值和负值进行归一化处理，得到各像素点的归一化高斯差分滤波函数；利用各像素点的归一化高斯差分滤波函数分别与对应像素点的灰度值进行卷积，得到各像素点的归一化高斯差分滤波值；

所述的高斯差分函数DoG_σ(x,y)为：

其中σ为初始化尺度；

所述的归一化高斯差分滤波函数w_σ(x,y)为：

所述的归一化高斯差分滤波值wout_σ(x,y)为：

wout_σ(x,y)＝I(x,y)*w_σ(x,y) (3)；

B、预设尺度函数的高尺度值、低尺度值，预设阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，若该像素点归一化高斯差分滤波值大于或等于阈值，则该像素点对应的尺度函数值为高尺度值，若该像素点归一化高斯差分滤波值小于阈值，则该像素点对应的尺度函数值为低尺度值；

所述的步骤B具体为：

所述的尺度函数σ(x,y)为：

其中σ_H为高尺度值，σ_L为低尺度值，σ_H＝σ_L+s，t为趋近于0的阈值，s为尺度的步长；

C、预设抑制强度，预设均分圆周的多个方向参数；对待检测图像中的各像素点分别按照各方向参数进行Gabor滤波，获得各像素点的各方向的响应值，其中Gabor滤波中所采用的尺度函数值为各个像素点在步骤B中所确定的高尺度值或低尺度值；对于各像素点，选取其各方向的响应值中的最大值，作为该像素点的经典感受野刺激响应；

所述的Gabor滤波器组的二维Gabor函数表达式如下：

其中

γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ(x,y)为尺度函数，1/λ为余弦函数的空间频率，

是相角参数，θ为Gabor滤波的方向参数；

I(x,y)为待检测图像各像素点的灰度值，*为卷积运算符；

Gabor能量值计算如下：

其中θ_i为Gabor滤波的某一方向，N_θ为Gabor滤波的方向的个数；

所述的经典感受野刺激响应Ec(x,y；σ(x,y))为：

D、将各像素点的经典感受野刺激响应与该像素点的距离权重函数进行卷积后与该像素点对应的尺度相乘，得到各像素点的抑制响应；

所述的步骤D具体为：

所述的距离权重函数w_σ(x,y)为：

其中，

其中，||·||₁为L₁范数，H(x)＝max(0,x)，DoG(x,y)为DoG模板对应的表达式；

各像素点的抑制响应Inh(x,y)为：

Inh(x,y)＝Ec(x,y；σ(x,y))*w_σ(x,y)σ(x,y) (11)；

E、将各像素点的经典感受野刺激响应减去该像素点的抑制响应与抑制强度的乘积，得到该像素点的轮廓响应，对轮廓响应使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值，进而得到最终轮廓图；

所述的步骤E具体为：

所述的轮廓响应R(x,y)为：

R(x,y)＝H(Ec(x,y；σ(x,y))-αInh(x,y)) (12)；

其中H(x)＝max(0,x)，α为抑制强度。

下面将本实施例的轮廓检测方法与文献1提供的轮廓检测各项同性模型进行有效性对比，文献1如下：

文献1：Cosmin Grigorescu,Nicolai Petkov,and MichelA.Westenberg.Contour Detection Based on Nonclassical Receptive FieldInhibition[J].IEEE Transactions on image processing,vol.12,no.7,july 2003729-739；

为保证对比的有效性，对于本实施例采用与文献1中相同的非极大值抑制和双阈值处理，其中包含的两个阈值t_h,t_l设置为t_l＝0.5t_h，由阈值分位数p计算而得；

本次性能评价指标F采用文献2中给出的如下标准：

文献2为“D.R.Martin,C.C.Fowlkes,and J.Malik,"Learning to detectnatural image boundaries using local brightness,color,and texture cues,"IEEEtransactions on pattern analysis and machine intelligence,vol.26,pp.530-549,2004.”；

式中P表示精确度，R表示覆盖率，评测指标P取值在[0,1]之间，越接近1表示轮廓检测的效果越好；

选取图1中所示的3副经典图像进行有效性对比，分别采用文献1中的方法以及实施例1方法对上述3幅图进行轮廓检测，其中实施例1方法选用的参数组如表1所示；

表1 实施例1参数组表

文献1中的方法采用如下80组参数：α＝{1.0，1.2}，σ＝{1.4，1.6，1.8，2.0，2.2，2.4，2.6，2.8}，p＝{0.5，0.4，0.3，0.2，0.1}；

如图1所示为3副经典图像的原图、实际轮廓图、文献1方法检测的最优轮廓，实施例1方法检测的最优轮廓；如表2所示为上述3幅图像的文献1方法检测的的最优F值与实施例1方法检测的的最优F值对比；

表2 F值对比表

从上述结果可以看出，不论从轮廓提取的效果上还是从性能指标参数上看，实施例1方法均优于文献1中的轮廓检测方法。

Claims (6)

1.一种基于可变感受野尺度全局调制的轮廓检测方法，其特征在于包括以下步骤：

A、输入经灰度处理的待检测图像，对各像素点的灰度值利用高斯差分函数进行高斯差分滤波，得到各像素点的高斯差分滤波值，分别对各像素点的高斯差分滤波值中的正值和负值进行归一化处理，得到各像素点的归一化高斯差分滤波函数；利用各像素点的归一化高斯差分滤波函数分别与对应像素点的灰度值进行卷积，得到各像素点的归一化高斯差分滤波值；

B、预设尺度函数的高尺度值、低尺度值，预设阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，若该像素点归一化高斯差分滤波值大于或等于阈值，则该像素点对应的尺度函数值为高尺度值，若该像素点归一化高斯差分滤波值小于阈值，则该像素点对应的尺度函数值为低尺度值；

C、预设抑制强度，预设均分圆周的多个方向参数；对待检测图像中的各像素点分别按照各方向参数进行Gabor滤波，获得各像素点的各方向的响应值，其中Gabor滤波中所采用的尺度函数值为各个像素点在步骤B中所确定的高尺度值或低尺度值；对于各像素点，选取其各方向的响应值中的最大值，作为该像素点的经典感受野刺激响应；

D、将各像素点的经典感受野刺激响应与该像素点的距离权重函数进行卷积后与该像素点对应的尺度相乘，得到各像素点的抑制响应；

E、将各像素点的经典感受野刺激响应减去该像素点的抑制响应与抑制强度的乘积，得到该像素点的轮廓响应，对轮廓响应使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值，进而得到最终轮廓图。

2.如权利要求1所述的基于可变感受野尺度全局调制的轮廓检测方法，其特征在于：

所述的步骤A具体为：

所述的高斯差分函数DoG_σ(x,y)为：

其中σ为初始化尺度；

所述的归一化高斯差分滤波函数w_σ(x,y)为：

所述的归一化高斯差分滤波值wout_σ(x,y)为：

wout_σ(x,y)＝I(x,y)*w_σ(x,y) (3)。

3.如权利要求2所述的基于可变感受野尺度全局调制的轮廓检测方法，其特征在于：

所述的步骤B具体为：

所述的尺度函数σ(x,y)为：

其中σ_H为高尺度值，σ_L为低尺度值，σ_H＝σ_L+s，t为趋近于0的阈值，s为尺度的步长。

4.如权利要求3所述的基于可变感受野尺度全局调制的轮廓检测方法，其特征在于：

所述的步骤C具体为：

所述的Gabor滤波器组的二维Gabor函数表达式如下：

其中

γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ(x,y)为尺度函数，1/λ为余弦函数的空间频率，

是相角参数，θ为Gabor滤波的方向参数；

I(x,y)为待检测图像各像素点的灰度值，*为卷积运算符；

Gabor能量值计算如下：

其中θ_i为Gabor滤波的某一方向，N_θ为Gabor滤波的方向的个数；

所述的经典感受野刺激响应Ec(x,y；σ(x,y))为：

5.如权利要求4所述的基于可变感受野尺度全局调制的轮廓检测方法，其特征在于：

所述的步骤D具体为：

所述的距离权重函数w_σ(x,y)为：

其中，

其中，||·||₁为L¹范数，H(x)＝max(0,x)，DoG(x,y)为DoG模板对应的表达式；

各像素点的抑制响应Inh(x,y)为：

Inh(x,y)＝Ec(x,y；σ(x,y))*w_σ(x,y)σ(x,y) (11)。

6.如权利要求5所述的基于可变感受野尺度全局调制的轮廓检测方法，其特征在于：

所述的步骤E具体为：

所述的轮廓响应R(x,y)为：

R(x,y)＝H(Ec(x,y；σ(x,y))-αInh(x,y)) (12)；

其中H(x)＝max(0,x)，α为抑制强度。

Images