CN108090492B

CN108090492B - 基于尺度线索抑制的轮廓检测方法

Info

Publication number: CN108090492B
Application number: CN201711097273.2A
Authority: CN
Inventors: 林川; 张晴; 李福章; 潘亦坚; 韦江华; 覃溪; 潘勇才; 刘青正; 张玉薇
Original assignee: Guangxi University of Science and Technology
Current assignee: Liuzhou Shunchi Machinery Co ltd
Priority date: 2017-11-09
Filing date: 2017-11-09
Publication date: 2019-12-31
Anticipated expiration: 2037-11-09
Also published as: CN108090492A

Abstract

本发明旨在提供一种基于尺度线索抑制的轮廓检测方法，包括以下步骤：A、输入经灰度处理的待检测图像，预设抑制强度，预设均分圆周的多个方向参数，进行二维高斯一阶导函数滤波，获得各像素点的经典感受野刺激响应；B、预设高斯差分函数并进行归一化处理，得到归一化的高斯差分滤波函数；C、利用归一化的高斯差分滤波函数分别计算各像素点的归一化高斯差分滤波值；D、预设尺度线索的高尺度值、低尺度值，预设阈值，确定各像素点的尺度线索；E、分别计算各像素点的抑制响应；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并进行处理得到各像素点的最终轮廓值。该方法具有仿真效果好、轮廓识别率高的特点。

Description

基于尺度线索抑制的轮廓检测方法

技术领域

本发明涉及计算机图像处理领域，具体涉及一种基于尺度线索抑制的轮廓检测方法。

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线索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尺度线索抑制的轮廓检测方法，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：

基于尺度线索抑制的轮廓检测方法，包括以下步骤：

A、输入经灰度处理的待检测图像，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的灰度值分别按照各方向参数进行二维高斯一阶导函数滤波，获得各像素点的各方向的响应值；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；

B、预设高斯差分函数，对该函数的正值和负值进行归一化处理，得到归一化的高斯差分滤波函数；

C、利用归一化的高斯差分滤波函数分别与各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；

D、预设尺度线索的高尺度值、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线索为高尺度值，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线索为低尺度值；

E、对于尺度线索为高尺度值的各像素点：将该像素点的高尺度值与抑制强度相乘得到该像素点的抑制响应；

对于尺度线索为低尺度值的各像素点：将该像素点的的低尺度值与抑制强度相乘得到该像素点的抑制响应；

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，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：

所述的二维高斯一阶导函数如下：

其中γ＝0.5，σ为初始化尺度，θ为方向参数；

所述的各像素点的各方向的响应值e_i(x,y；θ_i,σ)为：

e_i(x,y；θ_i,σ)＝|I(x,y)*GD(x,y；θ_i,σ)| (2)；

其中θ_i为方向参数中的某一方向；N_θ为方向参数的数量；I(x,y)为待检测图像中的各像素点的灰度值；

各像素点的经典感受野刺激响应CRF(x,y；σ)为：

CRF(x,y；σ)＝max{e_i(x,y；θ_i,σ)|i＝1,2,...N_θ} (3)。

优选地，所述的步骤B具体为：

所述的高斯差分函数DoG_σ(x,y)为：

所述的归一化高斯差分滤波函数w_σ(x,y)为：

优选地，所述的步骤C具体为：

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) (7)。

优选地，所述的步骤D具体为：

所述的尺度线索S(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为阈值，s为尺度的步长。

优选地，所述的阈值t为趋近于0的数值。

优选地，所述的步骤E具体为：

所述的抑制响应Inh(x,y)为：

Inh(x,y)＝α·S(x,y) (9)；

所述的轮廓响应R(x,y)为：

R(x,y)＝H(CRF(x,y；σ)-αInh(x,y)) (10)；

其中H(x)＝max(0,x)，α为抑制强度。

本发明通过归一化的高斯差分算子对原始图像的每个像素点所对应的感受野尺度大小进行判断，提取出每个像素点所对应的感受野尺度信息，并将这项提取的尺度线索作为抑制项进行后续的轮廓检测计算；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；

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；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，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；

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方法针对图像1的轮廓检测对比图。

图2为本发明实施例1方法与文献1方法针对图像2的轮廓检测对比图。

图3为本发明实施例1方法与文献1方法针对图像3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尺度线索抑制的轮廓检测方法，包括以下步骤：

所述的步骤A具体为：

所述的二维高斯一阶导函数如下：

其中γ＝0.5，σ为初始化尺度，θ为方向参数；

所述的各像素点的各方向的响应值e_i(x,y；θ_i,σ)为：

e_i(x,y；θ_i,σ)＝|I(x,y)*GD(x,y；θ_i,σ)| (2)；

各像素点的经典感受野刺激响应CRF(x,y；σ)为：

CRF(x,y；σ)＝max{e_i(x,y；θ_i,σ)|i＝1,2,...N_θ} (3)；

所述的步骤B具体为：

所述的高斯差分函数DoG_σ(x,y)为：

所述的归一化高斯差分滤波函数w_σ(x,y)为：

所述的步骤C具体为：

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) (7)；

D、预设尺度线索的高尺度值、低尺度值，预设阈值，所述的阈值趋近于0，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线索为高尺度值，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线索为低尺度值；

所述的步骤D具体为：

所述的尺度线索S(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；

E、将各像素点的尺度线索与抑制强度相乘得到该像素点的抑制响应；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，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：

所述的抑制响应Inh(x,y)为：

Inh(x,y)＝α·S(x,y) (9)；

所述的轮廓响应R(x,y)为：

R(x,y)＝H(CRF(x,y；σ)-αInh(x,y)) (10)；

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2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1-3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1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1 F值对比图

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

1.一种基于尺度线索抑制的轮廓检测方法，其特征在于包括以下步骤：

2.如权利要求1所述的基于尺度线索抑制的轮廓检测方法，其特征在于：

所述的步骤A具体为：

所述的二维高斯一阶导函数如下：

其中γ＝0.5，σ为初始化尺度，θ为方向参数；

所述的各像素点的各方向的响应值e_i(x,y；θ_i,σ)为：

e_i(x,y；θ_i,σ)＝|I(x,y)*GD(x,y；θ_i,σ)| (2)；

各像素点的经典感受野刺激响应CRF(x,y；σ)为：

CRF(x,y；σ)＝max{e_i(x,y；θ_i,σ)|i＝1,2,...N_θ} (3)。

3.如权利要求2所述的基于尺度线索抑制的轮廓检测方法，其特征在于：

所述的步骤B具体为：

所述的高斯差分函数DoG_σ(x,y)为：

所述的归一化高斯差分滤波函数w_σ(x,y)为：

4.如权利要求3所述的基于尺度线索抑制的轮廓检测方法，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) (7)。

5.如权利要求4所述的基于尺度线索抑制的轮廓检测方法，其特征在于：

所述的步骤D具体为：

所述的尺度线索S(x,y)为：

6.如权利要求5所述的基于尺度线索抑制的轮廓检测方法，其特征在于：所述的阈值t为趋近于0的数值。

7.如权利要求6所述的基于尺度线索抑制的轮廓检测方法，其特征在于：

所述的步骤E具体为：

所述的抑制响应Inh(x,y)为：

Inh(x,y)＝α·S(x,y) (9)；

所述的轮廓响应R(x,y)为：

R(x,y)＝H(CRF(x,y；σ)-αInh(x,y)) (10)；

其中H(x)＝max(0,x)，α为抑制强度。