[发明专利]一种基于视通路多层级抑制区协同作用的轮廓检测方法

说明书

本发明涉及一种基于视通路多层级抑制区协同作用的轮廓检测方法。本发明首先构建方向敏感的外膝体神经元阵列，记录外膝体选择的轮廓方向，计算外膝体神经元的响应；以距离为因素对外膝体神经元经典感受野与抑制区的视觉输入进行量化处理，将两者差异作为抑制区有效响应，经动态整流与幂指数归一化，得到协同作用参数；通过局部窗口加权融合外膝体神经元的响应得到初级视皮层的视觉输入，检测精准轮廓响应；计算初级视皮层神经元抑制区响应，得到最终的轮廓响应。本发明考虑了视通路中不同层级神经元感知方向时的逐级精细化检测机制，同时模拟不同层级间抑制区的协同作用，能有效提高自然图像的轮廓检测性能。

技术领域

本发明属于机器视觉领域，主要涉及一种基于视通路多层级抑制区协同作 用的轮廓检测方法。

背景技术

轮廓检测是图像理解或视觉分析中前期的重要环节之一，获取的轮廓特征 将有效表达去冗余后的视觉关键细节。轮廓检测任务的难点主要表现在过检测 和欠检测两个方面，前者是由于受到纹理噪声等伪轮廓的干扰，后者则是由于 图像在轮廓对比度分布上的差异性。传统轮廓检测方法主要基于图像信息的空 间跃变，因此采取了以差分或形态学等运算为基础的数学手段，在图像质量较 好的情况下通常能够取得不错的性能。但传统方法完全忽视了视觉感知中的生 物神经机制，因此在面对例如多级轮廓检测等复杂任务时，很难满足检测性能 的要求。目前基于生物视觉机制的轮廓检测方法虽然在一定程度上模拟了生物 视觉提取图像轮廓特征的能力，但它们在模拟视通路视觉信息流处理过程时，更多关注于视通路上某个层级神经元的经典感受野或抑制区本身，而忽略了视 通路中不同层级之间所具有的抑制区协同作用，这种协同作用改变了视觉感知 模型各个层级的孤立性，能够以整体协同的特点去充分发挥各个层级在感知中 所扮演的重要角色。

发明内容

本发明针对现有技术的不足，提出了一种基于视通路多层级抑制区协同作 用的轮廓检测方法。

本专利考虑到：(1)初级视皮层神经元对视觉激励具有方向选择特性，传 统检测方法通常设定若干个离散化的角度，然后将出现响应极值的角度确定为 轮廓方向，此时检测的性能将与角度离散化的程度密切相关，密集的离散化角 度将显著消耗检测系统的有限资源，分散的离散化角度又将严重影响到检测的 准确性。(2)传统方法在模拟初级视皮层神经元的方向选择特性时，一般仅在 本层级内进行角度和尺度的综合考虑，并不考虑前级环节对初级视皮层神经元 的协同作用，而这种层级之间的关联性将有助于从局部细节过渡到整体结构的 描述。(3)传统方法通常使用高斯差分模型来刻画初级视皮层单个层级内的抑 制区特性，而忽略了视通路上多层级抑制区协同作用的视觉神经机制。这种协 同作用将使得视通路上视觉信息流的传递和处理构成一个有效整体，将有利于 轮廓检测从局部和全局视角展开融合。

因此，本发明从视通路中不同层级神经元感知方向时的逐级精细化检测机 制出发，同时模拟不同层级间抑制区的协同作用，提出一种基于视通路多层级 抑制区协同作用的轮廓检测方法，充分发挥上述视觉特性在轮廓检测的重要作 用。

本发明的主要步骤如下：

步骤(1)首先构建与像素点一一对应的外膝体神经元阵列；然后模拟外膝 体神经元的方向选择机制，设定待检测的k个离散方向，针对每个像素点I(x,y) 所对应的外膝体神经元，计算每个方向响应强度，以及该方向响应强度与所有 方向响应强度总和的占比。若占比的最大值超过阈值，则记录此最大值所对应 的方向，视为最优响应方向ID₁(x,y)；若所有占比均未达到阈值，则同时记录占 比的前两大数值所对应的方向，即最优响应方向和次优响应方向，分别记为 ID₁(x,y)和ID₂(x,y)。最后将方向响应的极大值作为该外膝体神经元的响应。

步骤(2)计算外膝体-初级视皮层抑制区的协同作用参数w_LGN(x,y)。