[0034] 下面结合附图和实施例具体说明本发明。
[0035] 实施例1
[0036] 本实施例提供的基于动态感受野的仿生型轮廓检测方法，包括以下步骤：
[0037] A、输入经灰度处理的待检测图像，预设局部区域、局部区域的半径，所述的局部区域为方形，局部区域的边长为局部区域的半径的两倍外加一个像素点；对于各像素点，对以其为中心的局部区域内的各像素点的灰度值进行标准差计算，并对得到的标准差进行计算得到各像素点的空间标准差；
[0038] 所述的步骤A具体如下：
[0039] 所述的标准差
[0040] 所述的空间标准差
[0041] 其中，Rxy表示局部区域，r表示局部区域的半径，局部区域Rxy的边长为(2r+1)，为局部区域内第i个像素的灰度值，N为局部区域内像素点的数目，μR为局部区域内各像素点的灰度值均值；
[0042] B、预设包含多个方向参数的二维高斯一阶偏导函数，对于各像素点，采用二维高斯一阶偏导函数分别对灰度值进行滤波，其中二维高斯一阶偏导函数中的标准差为各像素点对应的空间标准差，得到各像素点各方向参数的经典感受野初始响应值；对于各像素点，分别取该像素点各方向参数的经典感受野初始响应值的最大值，将该最大值作为该像素点的经典感受野最优响应值；
[0043] 所述的步骤B具体如下：
[0044] 所述的二维高斯一阶偏导函数
[0045] Nθ为方向参数的数目；γ为表示感受野椭圆度的常数；
[0046] 各像素点各方向参数的经典感受野初始响应值E(x,y,θi)＝I(x,y)*G(x,y,θi) (4)；
[0047] 其中I(x,y)为各像素点的灰度值；
[0048] 各像素点的经典感受野最优响应值E(x,y)＝max(E(x,y,θi)|i＝1,2,…Nθ) (5)；
[0049] C、预设归一化高斯差分函数、非经典感受野拮抗强度，对于各像素点，采用归一化高斯差分函数分别对其经典感受野最优响应值进行滤波，得到各像素点的非经典感受野响应值；对于各像素点，将该像素点的经典感受野最优响应值减去非经典感受野响应值与非经典感受野拮抗强度的乘积，得到各像素点的最终轮廓响应值；
[0050] 所述的步骤C具体如下：
[0051] 各像素点的非经典感受野响应值Inh(x,y)＝E(x,y)*W(x,y) (6)；
[0052] 归一化高斯差分函数
[0053] 其中，
[0054] 其中||·||1为L1范数，H(x)＝max(0,x)；
[0055] 各像素点的最终轮廓响应值O(x,y)＝E(x,y)-β·Inh(x,y) (7)；
[0056] 其中β为非经典感受野拮抗强度；
[0057] D、对于各像素点，对其最终轮廓响应值轮廓值进行非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。
[0058] 下面将本实施例的轮廓检测方法与文献1提供的轮廓检测方法进行有效性对比，文献1如下：
[0059] 文献1：Yang K F,Li C Y,Li Y J.Multifeature-based surround inhibition improves contour detection in natural images[J].IEEE Transactions on Image Processing,2014,23(12):5020-5032；
[0060] 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进行最后的轮廓整合，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；
[0061] 其中性能评价指标F采用文献1中给出的如下标准：
[0062]
[0063] 其中P表示精确率，R表示召回率，性能评测指标F的取值在[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。
[0064] 选取伯克利分割数据集(BSDS300)随机的三幅自然图像，分别采用实施例1方案与文献1方案进行检测，对应的真实轮廓图、文献1方法检测的最优轮廓图，实施例1方法检测的最优轮廓图如图2所示；其中，文献1方法检测的最优轮廓图，实施例1方法检测的最优轮廓图中的右上角的数字为其对应的性能评价指标F的数值，表1为实施例1选用的参数值；
[0065] 表1实施例1参数组表
[0066]
[0067] 由图2可以看出，实施例1方案的轮廓检测结果优于文献1方案。
