[0070] 下面结合附图和实施例具体说明本发明。
[0071] 实施例1
[0072] 本实施例提供的基于感受野子区域的方向选择性轮廓检测方法,包括以下步骤:
[0073] 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分别按照各方向参数进行高斯一阶滤波,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;
[0074] 所述的步骤A具体为:
[0075] 二维高斯一阶滤波函数如下:
[0076]
[0077] 其中 γ=0.5,σ为尺度,θ为角度参数;
[0078] 所述的各像素点的各方向的响应值ei(x,y;θi,σ)为:
[0079] ei(x,y;θi,σ)=|I(x,y)*GD(x,y;θi,σ)| (2);
[0080] 其中 θi为方向参数中的某一方向;Nθ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
[0081] 各像素点的经典感受野刺激响应CRF(x,y;σ)为:
[0082] CRF(x,y;σ)=max{ei(x,y;θi,σ)|i=1,2,…Nθ} (3);
[0083] B、在感受野中心区域外部构建一组环绕中心区域的圆形的子区域,各子区域相对于中心区域具有不同偏离角度;如图1所示为感受野中心区域以及其外部子区域的示意图,图中中心的实心圆为中心区域,外围的虚线圆为各个子区域;
[0084] C、将各像素点的各方向的响应值进行高斯滤波后得到各像素点的各方向的能量值;
[0085] 对于各像素点:在以该像素点为中心的感受野中,将中心区域内各像素点的各方向的能量值分别除以中心区域内的像素点个数并求和得到该像素点中心区域的各方向的能量分布值;将各子区域内各像素点的各方向的能量值分别除以该子区域内的像素点个数并求和得到该像素点各子区域的各方向的能量分布值;
[0086] 所述的步骤C具体为:
[0087] 所述的各像素点的各方向的能量值 为
[0088]
[0089] 其中
[0090] 将各像素点的各方向的能量值构成向量得到能量矩阵E(x,y);
[0091]
[0092] 各像素点中心区域的各方向的能量分布值Ec(x,y)为:
[0093]
[0094] 各像素点各子区域的各方向的能量分布值Esk(x,y)为:
[0095]
[0096] 其中Acrf和NAcrf分别表示中心区域以及中心区域内的像素点个数;Asfk和NAsfk分别表示某个子区域以及该子区域内的像素点个数;
[0097] D、对于各像素点:计算各子区域的各方向的能量分布值与中心区域的对应方向的能量分布值的差值,对该差值进行L1正则化之后与该子区域的角度的2倍的余弦值的负值相乘,得到的乘积即为该像素点的中心区域-子区域能量分布差值;
[0098] 对中心区域的各方向的能量分布值计算方差,得到该像素点中心区域的能量方向显著度;
[0099] 将中心区域-子区域能量分布差值与该像素点中心区域的能量方向显著度相乘,得到该像素点的中心区域-子区域抑制权重;
[0100] 将该像素点各子区域的各方向的能量分布值进行L1正则化之后计算标准差,得到该像素点的子区域-子区域抑制权重;
[0101] 所述的步骤D具体为:
[0102] 各像素点的中心区域-子区域能量分布差值ΔEOS(x,y)为:
[0103]
[0104] 其中||·||1为L1正则化范数;
[0105] 各像素点中心区域的能量方向显著度Dc(x,y)为:
[0106]
[0107] 其中 是Ec(x,y)的各方向值的平均值;
[0108] 各像素点的中心区域-子区域抑制权重CS(x,y)为:
[0109] CS(x,y)=ΔEOS(x,y)·Dc(x,y) (10);
[0110] 各像素点的子区域-子区域抑制权重SS(x,y)为:
[0111]
[0112] 其中 为各个子区域的||Esk(x,y)||1值的平均值;
[0113] E、对于各像素点:将像素点的中心区域-子区域抑制权重与子区域-子区域抑制权重分别进行径向基函数计算之后分别得到中心区域-子区域抑制权值与子区域-子区域抑制权值;
[0114] 所述的步骤E具体为:
[0115] 中心区域-子区域抑制权值 为:
[0116]
[0117] 其中N(x)=min(1,max(0,x)),该函数保证输出值在[0,1]区间,σcs为CS(x,y)的标准差参数;
[0118] 子区域-子区域抑制权值 为:
[0119]
[0120] 其中,σss为SS(x,y)的标准差参数;
[0121] F、对于各像素点:将中心区域-子区域抑制权值与子区域-子区域抑制权值相加得到该像素点的非经典感受野刺激响应;将该像素点的经典感受野刺激响应减去非经典感受野刺激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;
[0122] 所述的步骤F具体为:
[0123] 各像素点的非经典感受野刺激响应Inhu(x,y)为:
[0124]
[0125] 各像素点的轮廓响应Ru(x,y)为:
[0126] Ru(x,y)=H(CRF(x,y;σ)-αInhu(x,y)) (15);
[0127] 其中H(x)=max(0,x),α为抑制强度。
[0128] 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:
[0129] 文献1:K.-F.Yang,C.-Y.Li,and Y.-J.Li,"Multifeature-based surround inhibition improves contour detection in natural images,"IEEE Transactions on Image Processing,vol.23,pp.5020-5032,2014.;
[0130] 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th,tl设置为tl=0.5th,由阈值分位数p计算而得;
[0131] 其中性能评价指标P采用文献1中给出的如下标准:
[0132]
[0133] 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,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;
[0134] 选取熊、大象、山羊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,
[0135] 表1实施例1参数组表
[0136]
[0137] 文献1中的各项同性模型采用如下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};
[0138] 如图2所示为分别为熊、大象、山羊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P值与实施例1方法检测的的最优P值;
[0139] 表1P值对比图
[0140]
[0141] 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中的各项同性模型。