[发明专利]一种基于视觉计算多元连接模型的显著性轮廓感知方法

权利要求书

1.一种基于视觉计算多元连接模型的显著性轮廓感知方法，其特征在于，该方法具体包括以下步骤：

步骤1、在LGN前馈连接上，构建基于感受野统计特性的稀疏度量模型，获得经LGN作用后的稀疏性轮廓

步骤2、在初级视皮层水平连接上，构建融合风车结构感受野的侧向调节模型，获得经初级视皮层侧向调节作用后的轮廓

步骤2.1采用二维Gabor函数模拟初级视皮层经典感受野的朝向选择特性，并遍历K个滤波器朝向θ_k，选取e_ij(θ_k)的最大值作为轮廓朝向响应；

步骤2.2考虑到初级视皮层具有风车样功能构筑，即风车结构感受野内部的水平调制作用与神经元间距离和最优响应方向夹角有关，因此在初级视皮层水平连接上，构建融合风车结构感受野的侧向调节模型；

首先定义风车结构感受野窗口半窗长为σ，下标ij表示中心神经元的行列坐标为(i,j)，上标HC表示在初级视皮层水平连接上的模拟；假设周围神经元的行列坐标为(i′,j′)，定义中心和周围神经元之间的距离如式(10)所示；

然后定义为中心和周围神经元的连线方向，为周围神经元的最佳朝向方位；计算中心和周围神经元的最优响应方向夹角，当或时，周围神经元将对中心神经元起到增强作用，增强作用系数ω_E(i′,j′)如式(11)所示；

式中，表示衰减速率；

当或时，周围神经元将对中心神经元起到抑制作用，抑制作用系数ω_I(i′,j′)如式(12)所示；

最后综合感受野窗口内的所有周围神经元作用，计算中心神经元受到的总增强作用ΔE_ij和总抑制作用ΔI_ij，如式(13)所示；

计算经初级视皮层侧向调节作用后的轮廓如式(14)所示；

式中，δ表示神经元相互作用强度系数，用来调节控制的数值在3～5之间，表示轮廓朝向响应；

步骤3、在高级视皮层反馈连接上，构建包含环绕抑制的三通道高级视皮层色调感知模型，获得经高级视皮层色调感知作用后的轮廓

定义双拮抗感受野窗口对应的抑制性和兴奋性半窗长分别为σ_I和σ_E，对于r⁺g^-、b⁺y^-支路以及亮度开通道情形，σ_I＝2σ，σ_E＝σ；对于g⁺r^-、y⁺b^-支路以及亮度闭通道情形，σ_I＝σ，σ_E＝2σ；下标ij表示中心神经元的行列坐标为(i,j)，上标G表示在高级视皮层反馈连接上的模拟；假设周围神经元的行列坐标为(p,q)；

步骤3.1模拟高级视皮层色调感知功能，构建双拮抗感受野模型；

计算颜色拮抗通道神经元竞争系数和上标rg表示r⁺g^-支路情形，上标gr表示g⁺r^-支路情形，上标by表示b⁺y^-支路情形，上标yb表示y⁺b^-支路情形，下同；

考虑到视皮层经典感受野与非经典感受野的相互作用，在双拮抗感受野模型中融入高斯差分函数；对于行列坐标为(p,q)的周围神经元，高斯差分函数DoG_pq的计算如式(15)所示；

以r⁺g^-支路为例，竞争系数的计算如式(16)所示；

式中，符号[a]⁺表示取0和a的最大值；R_pq、G_pq分别表示周围神经元所对应的红色和绿色分量输入；A₁表示衰减系数；

修改式(16)中周围神经元所对应的颜色分量输入，可计算g⁺r^-支路、b⁺y^-支路和y⁺b^-支路的神经元竞争系数和

步骤3.2计算亮度开、关通道神经元竞争系数和

亮度开通道负责增强亮度高于周围区域的信息，而亮度关通道负责增强亮度低于周围区域的信息；以神经元竞争系数计算为例，上标on表示亮度开通道情形，如式(17)所示；

调整式(15)中双拮抗感受野窗口对应的抑制性和兴奋性半窗σ_I、σ_E，得到亮度闭通道对应的高斯差分函数DoG，继而通过式(17)可得神经元竞争系数上标off表示亮度闭通道情形；

步骤3.3模拟视皮层奇、偶通道结构，应用多通道滤波的局部能量模型对颜色拮抗通道信息进行整合，得到简单细胞活性和

以r⁺g^-支路神经元(i,j)为例，采用式(18)所示二维Gabor滤波器对输入信息滤波，将通过滤波器得到的信息与各通道神经元活性相结合，得到奇分量简单细胞活性和偶分量简单细胞活性如式(19)所示；

式中，表示相位参数，奇对称滤波器或π/2，偶对称滤波器或π；分别表示双拮抗感受野窗口周围神经元的奇、偶分量；A₂表示模型系数；

修改式(19)中相应的神经元竞争系数，可计算g⁺r^-、b⁺y^-和y⁺b^-支路的奇、偶分量简单细胞活性和

步骤3.4通过亮度开、关通道融合，计算亮度通道简单细胞活性和上标L表示亮度通道情形，如式(20)所示；

步骤3.5采用两层复杂细胞网络模拟高级视皮层作用，处理来自简单细胞的输入信息，得到经高级视皮层色调感知作用后的轮廓

第一层复杂细胞网络负责融合颜色拮抗通道和亮度通道的十组简单细胞响应统一各通路提取的轮廓特征，如式(21)所示；

第二层复杂细胞网络采用环绕抑制方法，通过神经元间的竞争作用达到纹理抑制效果，如式(22)所示；

式中，A₃表示模型系数，表示抑制常数；

步骤4、构建模拟视皮层多元连接的轮廓感知模型，获得最终显著性轮廓E_ij；

模拟LGN、初级视皮层以及高级视皮层对视觉激励信号的响应和传递过程，构建图像轮廓初级响应模型，如式(23)所示；

式中，α、β和γ分别表示前馈、反馈和水平连接系数，模拟其在生物视神经环路中的作用强度，τ表示神经元的膜电位常数；

图像轮廓初级响应Vt_ij的取值采用首脉冲触发时间编码策略，为了更好地修正背景轮廓和纹理噪声，将图像轮廓初级响应Vt_ij与高级视皮层响应进行整合，得到最终显著性轮廓图E_ij，如式(24)所示；

式中，A、B分别表示整合系数。