[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

说明书

本发明公开了一种基于视觉计算多元连接模型的显著性轮廓感知方法，构建具有多元连接特性的视觉计算模型。在LGN前馈连接上，模拟LGN神经元稀疏编码特性，并加入权重因子，实现纹理初步抑制，获得轮廓的初级感知结果；在初级视皮层水平连接上，模拟初级视皮层风车样结构感受野，基于神经元间距离与最佳朝向夹角，调节中心神经元的放电强弱；在高级视皮层反馈连接上，模拟高级视皮层的色调感知特性，构建包含环绕抑制的三通道色调感知模型，获得高级视皮层对图像目标或结构的响应。本发明通过多元连接特性的视觉计算模型的构建，使得所获取轮廓能够在抑制纹理噪声的同时，有效突出主体目标。

技术领域

本发明属于视觉神经计算领域，具体涉及一种基于视觉计算多元连接模型的显著性轮廓感知方法。

背景技术

轮廓感知是图像分析的前期关键步骤，其目标是在去除背景和纹理噪声的同时，尽可能完整地提取目标轮廓。传统轮廓感知方法主要基于局部邻域内的像素颜色或灰度值特征差异，通常忽略目标整体信息在局部轮廓检测过程的重要作用，因此获得的轮廓感知结果容易丢失目标的部分结构特性，并将引入较多的纹理噪声。

目前融入生物视觉机制的轮廓感知方法，例如利用融入方向选择性和感受野协同等机制的视觉计算模型，能够有效提升轮廓感知模型的可解释性和稳定性。但上述视觉计算模型更多关注于视通路中各功能模块内部的机制和作用，通常仅考虑视通路的前馈连接特性，简化了各功能模块之间的连接关系，但事实上，视觉信息在视通路传递和处理的过程中，初级视皮层不仅将受到来自视通路下层的外侧膝状体(LGN)等功能模块的输入；同时初级视皮层内部还存在着复杂的水平连接，这对于提升响应的适应性具有重要意义；此外高级视皮层对初级视皮层还具有反馈连接特性，其有助于感受野的协同优化。

因此本发明重点关注视觉计算模型的多元连接特性，模拟视觉通路中LGN、初级视皮层和高级视皮层等功能模块的连接关系和相互作用，在初级视皮层的视角上形成包括前馈、水平以及反馈连接在内的多元连接关系，不仅充分体现来自LGN的前馈输入信息，还将反映初级视皮层内部神经元的动态水平连接过程，此外还引入了高级视皮层对于轮廓感知的反馈指导作用。

发明内容

本发明针对现有技术的不足，提出了一种基于视觉计算多元连接模型的显著性轮廓感知方法。

本发明一种基于视觉计算多元连接模型的显著性轮廓感知方法，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，决定外周作用强度随朝向差别增大而衰减的快慢，默认值为3，下同。