[发明专利]一种复杂场景中目标轮廓提取方法

摘要

一种复杂场景中目标轮廓提取方法，包含以下步骤：S1.对原始图片进行Gabor滤波；S2.根据S1滤波结果求取最大Gabor能量图和最优方向图；S3.根据S2中最大Gabor能量图和最优方向图，计算非经典感受野侧区抑制量；S4.根据S2中最大Gabor能量图和最优方向图，计算非经典感受野端区易化量；S5.根据S2中最大Gabor能量图和最优方向图，计算非经典感受野端区抑制量；S6.根据S2中最大Gabor能量图、最优方向图和S3中侧区抑制量，计算端区易化/抑制权重；S7.根据S2～S6所得结果，计算施加侧区抑制、端区易化、端区抑制三者之后的轮廓图像；S8.对S7中所得图像进行二值化处理，得到最终轮廓提取结果。本方法对复杂场景适应性强，很好地保留有效轮廓并滤除背景干扰。

主权项

1.一种复杂场景中目标轮廓提取方法，其特征在于，包含以下步骤：S1.对原始图片进行Gabor滤波；S2.根据步骤S1滤波结果求取最大Gabor能量图和最优方向图；S3.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野侧区抑制量；S4.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野端区易化量；S5.根据步骤S2中最大Gabor能量图和最优方向图，计算非经典感受野端区抑制量；S6.根据步骤S2中最大Gabor能量图、最优方向图和步骤S3中侧区抑制量，计算端区易化/抑制权重；S7.根据步骤S2～S6所得结果，计算施加侧区抑制、端区易化、端区抑制三者之后的轮廓图像；S8.对步骤S7中所得图像进行二值化处理，得到最终轮廓提取结果；其中：S1.Gabor滤波：利用Gabor滤波器模拟圆形经典感受野特性，构造一组N_θ个不同方向的Gabor滤波器，并用该组滤波器处理原始图像，得到一组不同方向的检测结果，滤波器尺度(大小)由参数高斯标准差σ控制，滤波器方向为θ，(x，y)表示滤波器和图像中一点的二维坐标，处理方式为滤波器G_σ(x，y，θ)与原始图像I(x，y)的卷积：E_σ(x，y，θ)＝I(x，y)*G_σ(x，y，θ)S2.计算Gabor最大能量图和最优方向图：在S1中得到的N_θ个不同方向检测结果中，选取各个位置(像素点)在不同方向上的检测最大值作为最终的检测结果，各位置最大值对应的方向为最优方向，由此得到Gabor最大能量图和最优方向图S3.计算侧区抑制量：用二维非负高斯差函数W_σ(x，y)定义非经典感受野环形区域，两侧区L(x，y，θ)和R(x，y，θ)位于中心经典感受野(Gabor滤波器)方向的垂线上，两侧区抑制强度I_L和I_R为侧区滤波核与最大Gabor能量图的卷积：其中侧区滤波核为定义在该区域中的二维非负高斯差函数，侧区L滤波核表示为L(x，y，θ)·W_σ(x，y)，总的抑制强度I_S为两侧区抑制强度的整合：I_S(x，y，θ)＝I_L(x，y，θ)+I_R(x，y，θ)‑|I_L(x，y，θ)‑I_R(x，y，θ)|S4.计算端区易化量：两端区T(x，y，θ)和B(x，y，θ)位于中心经典感受野(Gabor滤波器)方向延长线上，中心位于点z(x，y)的非经典感受野端区滤波核K(x，y，θ)为：其中，σ_θ为常数，用于控制端区易化滤波核中各点的易化强度，m和n为端区中一点z’相对于中心z的偏移坐标，即z’坐标为(x+m，y+n)，该点对应图像灰度值检测最优方向为β，端区易化量F_T(x，y，θ)和F_B(x，y，θ)为每个端区点对中心易化效应之和，其中滤波核易化强度向量：图像灰度值向量：两端区总易化量为二者的整合：S5.计算端区抑制量：与侧区抑制类似，端区抑制I_T和I_B定义为滤波核与最大Gabor能量图的卷积：两端区总抑制量为：I_E(x，y，θ)＝I_T(x，y，θ)+I_B(x，y，θ)S6.计算端区易化/抑制权重：综合考虑更大尺度σ_c下的Gabor最大能量图和小尺度σ下的侧区抑制量来自适应调节端区易化或抑制效应的强度，对于图像中一点，Gabor能量强度越大，侧区抑制量越小，则端区易化效应越强，抑制效应越弱；反之，Gabor能量强度越小，侧区抑制量越大，则端区易化效应越弱，抑制效应越强，端区易化权重W_F和抑制权重W_I计算如下：W_F(x，y)＝1+W_c(x，y，σ_c)‑W_f(x，y，σ)，W_I(x，y)＝2‑W_F(x，y)f(t)＝1/(1+exp(‑a(t‑τ)))其中，||·||₁表示L1范数，a和τ为常数，S7.计算施加易化及抑制效应后的轮廓图像：综合侧区抑制效应和端区易化及抑制效应，施加两种非经典感受野特性后的轮廓图像为：其中，[·]⁺表示半波整流算子，α₁，α₂和α₃为常数，控制端区和侧区对中心的影响强度，S8.二值化处理：首先对S7中轮廓图像进行归一化，而后进行标准二值化处理，包括非极大抑制和滞后阈值法两个基本步骤。