[發明專利]一種基于視覺機制暗邊緣增強的輪廓檢測方法

有效

• 申請號: 202010049327.3
• 申請日: 2020-01-16
• 公開（公告）號: CN111402285B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 范影樂;陳樹楠;武薇
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/149
• 分類號: G06T7/149
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.一種基于視覺機制暗邊緣增強的輪廓檢測方法，其特征在于，該方法具體包括以下步驟：

步驟1：模擬視網膜暗視野調節機制，對輸入圖像I(x,y)進行處理，得到暗視野調節響應I_rod(x,y)；首先獲取圖像I(x,y)的亮度通道L(x,y)，計算L(x,y)歸一化后的局部亮度平均值L_avg(x,y)；然后利用改進的Sigmoid函數對L_avg(x,y)進行激活約束，計算得到尺度參數σ(x,y)，具體如式(1)～(4)所示；

式中(x,y)表示圖像的二維坐標，(x_m,y_n)表示圖像局部窗口S_xy，以(x,y)為中心原點，d為窗長，r＝(d-1)/2為半徑內的坐標位置，m,n∈[1,d]；ω(x_m,y_n)為S_xy內的余弦權重函數；為窗口S_xy內的權重總和，mean(·)和max(·)分別表示均值計算和均值集合的最大值計算，∪表示S_xy內的像素集合，×表示乘法運算，下同；以d為步長，計算亮度通道L(x,y)在各S_xy內的均值，取均值的極大值，記為L_max；

再采用歸一化的去中心高斯函數與S_xy內的I(x_m,y_n)相乘求和，得到調節因子W_rod(x,y)，將其與輸入圖像I(x,y)融合得到暗視野調節響應I_rod(x,y)，具體如式(5)～(7)所示：

其中I_max和I_min分別為I(x,y)的最大值與最小值；

步驟2：根據神經節細胞以及更高級組織細胞的經典感受野的朝向特性，引入二維高斯導函數，計算單尺度條件下的初級輪廓響應E₁(x,y)，以及多尺度條件下的全局輪廓信息E₂(x,y)；具體實現過程如下：

首先計算I_rod(x,y)在N_θ個朝向方位下的神經節經典感受野響應e_i(x,y；θ_i,σ_CRF)，取所有方位的最大值得到初級輪廓響應E₁(x,y)，具體如式(8)～(10)所示：

E₁(x,y)＝max{e_i(x,y；θ_i,σ_CRF)|i＝1,2,...,N_θ}???????????(10)

式中|·|表示取絕對值運算，g表示二維高斯函數，下同；σ_CRF表示神經節細胞經典感受野的單尺度，γ表示感受野的橢圓率，θ_i表示經典感受野的第i個朝向，max(·)表示計算最大方位響應，*為卷積運算符，下同；

然后考慮視通路經典感受野的多尺度特性，計算I_rod(x,y)在N_σ個尺度下的N_θ個朝向方位響應e_ij(x,y；θ_i,σ_j)，其中θ_i和σ_j分別表示經典感受野的第i個朝向和第j個尺度；接著利用主成分分析法對e_ij(x,y；θ_i,σ_j)進行降維處理，提取i×j個成分分量P_s，并取P_s的最大值，得到具有多尺度多朝向特征的全局輪廓信息E₂(x,y)，如式(11)和(12)所示：

E₂(x,y)＝max(P_s|s＝1,2,...,i×j)????????(12)

s表示成分分量的序號；

步驟3：視覺信息流傳遞至外膝體時，在非經典感受野的側抑制作用下，引入神經元的稀疏特性，實現對初級輪廓響應E₁(x,y)的背景紋理協同抑制；具體實現過程如下：

首先計算初級輪廓響應E₁(x,y)的稀疏度sparsity(x,y)和變異系數c_v(x,y)，將兩者融合后達到刻畫強紋理區域的作用，如式(13)～(15)所示：

f(x,y)＝sparsity(x,y)×c_v(x,y)????????????????(15)

其中δ²(x,y)和μ(x,y)分別表示局部窗口S_xy內E₁(x,y)的方差和均值，表示為局部窗口S_xy內的直方圖，n是的維度，||·||_p指p范數，f(x,y)為E₁(x,y)強紋理區域的稀疏表達式；

然后采用各向同性抑制方法減弱紋理，如式(16)所示：

式中DoG(x,y)表示高斯差函數，經半波整流后得到DoG⁺(x,y)；b(x,y)表示紋理抑制項，由初級輪廓響應E₁(x,y)與距離抑制權重卷積獲得；

最后計算得到經紋理抑制后的輪廓信息C(x,y；α)，如式(17)所示：

其中α表示對紋理的抑制強度，取值范圍為[0,1]，resize表示雙線性插值運算；

步驟4：對步驟3的輪廓信息C(x,y；α)進行神經元動態傳遞編碼，并經動態突觸W_synapse傳遞至初級視皮層V1區，獲得輸出響應I_V1(x,y)；具體實現過程如下：

首先利用考慮絕對不應期的LIF漏放電積分模型，對C(x,y；α)進行脈沖頻率編碼，計算得到脈沖激勵響應I_Fires(x,y)；

然后構建微動信息快速整合模型，抑制弱紋理區域神經脈沖發放，如式(18)和(19)所示：

式中表示微動信息的神經元響應，θ_i表示由p_i和q_i所確定的8個微動方向，p_i和q_i的可能取值對為{(1,0)，(1,1)，(0,1)，(-1,1)，(-1,0)，(-1,-1)，(0,-1)，(1,-1)}，[·]表示向下取整，dx和dy分別代表水平和豎直方向的微動量，默認設置為5個像素大小，I_move(x,y)表示微動信息整合后的脈沖頻率響應；

針對神經元間動作電位序列的相互關系，采用適應性動態突觸W_synapse(x,y)將脈沖響應I_move(x,y)傳遞至V1區，如式(20)和(21)所示：

I_V1(x,y)＝I_move(x,y)*W_synapse(x,y)??????????(21)

式中，W_const表示突觸權重常量，默認設置為1，(x_c,y_c)表示群體感受野中心神經元位置，|I_move(x,y)-I_move(x_c,y_c)|表示群體感受野周邊神經元與中心神經元的脈沖頻率差異，ΔI_move表示群體感受野內脈沖頻率響應的最大差值，I_V1(x,y)表示V1區的響應輸出；

步驟5：計算經跨視區前饋融合后的輪廓響應；具體實現過程如下：將步驟2得到的初級輪廓響應E₁(x,y)直接前饋至V1區后，與全局輪廓信息E₂(x,y)融合后，將步驟4得到的脈沖響應I_V1(x,y)進一步融合，從而得到最終輪廓響應，記為SE(x,y)，如式(22)所示：

SE(x,y)＝(E₁(x,y)+E₂(x,y))×I_V1(x,y)??(22)。