[0038] 下面结合附图和实施例具体说明本发明。
[0039] 实施例1
[0040] 一种基于改进非经典感受野的仿生轮廓检测方法,包括以下步骤:
[0041] A、输入经灰度处理的待检测图像;
[0042] B、预设包含多个方向参数的Gabor滤波函数,对待检测图像中的各个像素点分别利用 Gabor滤波函数进行Gabor能量计算,获得各个像素点的各个方向下的Gabor能量值;对于各个像素点,选取其各个方向的Gabor能量值中的最大值,作为该像素点的经典感受野刺激响应,该最大值对应的方向作为该像素点的最优方向;
[0043] 所述的步骤B具体如下:
[0044] 所述的Gabor滤波函数的表达式如下:
[0045]
[0046] 其中 γ为一个表示椭圆形感受野长短轴比例的常数,参数λ为波长,σ为尺度,1/λ为余弦函数的空间频率, 是相角参数,θ为Gabor滤波的方向参数;
[0047] Gabor能量值计算如下:
[0048]
[0049] 其中
[0050]
[0051] 其中θi为Gabor滤波的某一方向参数,Nθ为Gabor滤波的方向参数的个数;I(x,y)为待检测图像,*为卷积运算符;
[0052] 经典感受野刺激响应Ec(x,y)的表达式如下:
[0053]
[0054]
[0055] 其中 为像素点(x,y)的最优方向;
[0056] C、构建抑制核函数,通过抑制核函数构建距离权重函数;将各个像素点的经典感受野刺激响应与该像素点的距离权重函数进行卷积得到该像素点的抑制响应;
[0057] 所述的抑制核函数log(x,y;ε,σw)为:
[0058]
[0059] 其中 ε=0.1,σw为抑制核尺度;
[0060] 所述的距离权重函数wσ(x,y;ε,σw)为:
[0061]
[0062] 其中,
[0063] 其中,ε=0.1,σw=σ,||·||1为(L1)范数,H(x)=max(0,x);
[0064] 各个像素点的抑制响应Inh(x,y)为:
[0065] Inh(x,y)=Ec(x,y)*wσ(x,y;ε,σw) (10);
[0066] D、将各个像素点的经典感受野刺激响应减去该像素点的抑制响应与预设的抑制强度的乘积,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,得到各个像素点的最终轮廓值;
[0067] 所述的步骤D具体为:
[0068] 所述的轮廓响应R(x,y)为:
[0069] R(x,y)=H(Ec(x,y)-αInh(x,y)) (11);
[0070] 其中H(x)=max(0,x),α为抑制强度;
[0071] 本实施例中涉及的非极大值抑制和二值化处理采用文献1中记载的方法,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;
[0072] 文献1:GrigorescuC,PetkovN,WestenbergM.Contourdetectionbasedonnonclassical receptivefieldinhibition[J].IEEETransactionsonImageProcessing,2003,12(7):729-739;
[0073] 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,其中性能评价指标P采用文献1中给出的如下标准:
[0074]
[0075] 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;
[0076] 选取图1中4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4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,选取参数组中得到的最优结果进行对比;
[0077] 表1实施例1参数组表
[0078]
[0079]
[0080] 文献1中的各项同性模型采用如下参数:α={1.0,1.2};σ={1.4,1.6,1.8,2.0,2.2,2.4,2.6,2.8}; p={0.1,0.2,0.3,0.4,0.5};
[0081] 图1所示为分别为basket、elephant_2、goat_3、hyena共4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2所示为上述4幅图像的文献1 方法检测的最优P值与实施例1方法检测的最优P值的对比;
[0082] 表2最优P值对比
[0083]
[0084] 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。