[0105] φj表示多个偏移角度;
[0106] 所述的各像素点各偏移角度下的非经典感受野刺激响应粗算值的平均值及标准差的计算过程如下:
[0107]
[0108]
[0109] 其中STDinh(x,y)为各像素点各方向下的非经典感受野刺激响应粗算值的标准差,Aveinh(x,y)为各像素点各方向下的非经典感受野刺激响应粗算值的平均值;
[0110] D、对于各像素点,结合各偏移角度下的非经典感受野刺激响应粗算值的标准差及整体抑制参数计算得到标准差权重;将标准差权重与各偏移角度下的非经典感受野刺激响应粗算值的最小值进行乘积得到该像素点的非经典感受野刺激响应终算值;
[0111] 优选地,所述的步骤D中的标准差权重的计算过程如下:
[0112]
[0113]
[0114] 其中wstd(x,y;σ)为标准差权重,fos为整体抑制参数;
[0115] 非经典感受野刺激响应终算值的计算过程如下:
[0116] Inh(x,y;σ)=Inhm(x,y;σ)·wstd(x,y;σ) (15);
[0117] Inhm(x,y;σ)=min{Inhe(x,y;σ,φj)|j=1,2,...,Nφ} (16);
[0118] 其中Inhm(x,y;σ)为Inhe(x,y;σ,φj)的最小值;
[0119] E、对于各像素点,将其经典感受野刺激响应与非经典感受野刺激响应终算值结合抑制系数计算得到该像素点的综合刺激响应,即为该像素点的轮廓识别值,将待检测图像全部像素点的轮廓识别进行非极大值抑制和值二值化之后即得到待检测图像的轮廓识别图像;
[0120] 所述的步骤E中的综合刺激响应的计算过程如下:
[0121] R(x,y)=H(E(x,y;σ)-αInh(x,y;σ)) (17);
[0122] 其中R(x,y)为像素点的综合刺激响应,α为抑制系数。
[0123] 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以及各项异性模型进行有效性对比,其中选用文献1中的各向同性模型以及各项异性模型进行有效性对比,文献1如下:
[0124] 文献1:Grigorescu C,Petkov N,Westenberg M.Contour detection based on nonclassical receptive field inhibition[J].IEEE Transactions on Image Processing,2003,12(7):729-739.
[0125] 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方法进行后续的轮廓整合,其中包含的两个阈值th,tl设置为tl=0.5th,由阈值分位数p计算而得;
[0126] 其中性能评价指标P采用文献1中给出的如下标准:
[0127]
[0128]
[0129]
[0130] 式中nTP、nFP、nFN分别表示检测得到的正确轮廓、错误轮廓以及遗漏的轮廓的数目,nGT表示真实轮廓的数目,efn表示错误检测参数,efp表示遗漏检测参数;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,另外,定义容忍度为:在5*5的邻域内检测到的都算正确检测。
[0131] 选取毛刷、大象、犀牛3副经典图像进行有效性对比,分别采用文献1中的各项同性模型、各项异性模型以及实施例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,
[0132] 表1 实施例1参数组表
[0133]
[0134] 文献1中的各项同性模型、各项异性模型采用如下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};
[0135] 选取各项同性模型、各项异性模型以及实施例1方法中效果最好的一组参数进行对比,轮廓提取效果图对比如图2所示,由图2可看出,从轮廓提取的效果上看,实施例1方法均优于文献1中的各项同性模型、各项异性模型;图3为临时中心区的示意图,其中虚线椭圆部分为临时中心区;
[0136] 其中表2为实施例1结果图对应的部分参数表,其余参数参照表1中的数据;表3、4分别为各项同性模型、各项异性模型结果图对应的参数表,表5为实施例1方法与其他对比模型的识别效果对比表,进一步证明,实施例1方法均优于文献1中的各项同性模型、各项异性模型。
[0137] 表2 实施例1结果图对应的部分参数表
[0138]
[0139] 表3 各项同性模型结果图对应的参数表
[0140]
[0141] 表4 各项异性模型结果图对应的参数表
[0142]
[0143] 表5 实验结果对比图
[0144]