CN103679710B - 基于多层神经元群放电信息的图像弱边缘检测方法 - Google Patents

Abstract

本发明涉及一种基于多层神经元群放电信息的图像弱边缘检测方法。本发明构建具有抑制突触互连的多层神经元群，将数字图像作为输入层神经元群的输入，以各神经元首次放电的时空信息来表征图像像素；利用视觉感受野及各神经元放电时序，以时间方差来描述图像的空间细节，并考虑侧向抑制，继而实现选择注意机制以获取图像信息的视觉注意数据；结合选择注意过程，采用Log‑Gabor多方向滤波结果实现空间变分辨率机制，获得重构后的图像边缘信息，并利用输出层神经元群对边缘信息进行增强。本发明考虑了神经元群的突触互连特性；引入多方向滤波机制反映皮质对视觉信息的简单过程；利用多层神经元群实现图像弱边缘的有效检测。

Description

基于多层神经元群放电信息的图像弱边缘检测方法

技术领域

本发明属于图像处理领域，涉及一种基于多层神经元群放电信息的图像弱边缘检测方法。

背景技术

图像边缘是指图像的灰度值或颜色发生跃变的区域，该区域包含了图像大量的关键信息，比如轮廓、纹理、光线的明暗等，这对于特征提取、目标识别甚至对象感知以及更多的后续处理至关重要，并且通过边缘检测可以剔除无关的信息，从而大大减少需要处理的数据量，提高处理速度，因此图像边缘的有效检测具有重要意义。传统的边缘检测手段，譬如基于数学微分方法的Sobel算子，通常对于弱边缘表现不够，有时又会产生过分割，同时对噪声也比较敏感。

发明内容

本发明针对现有技术的不足，提供了一种基于多层神经元群放电信息的图像弱边缘检测方法。

本发明基于多层神经元群放电信息的图像弱边缘检测方法，包括以下步骤：

步骤(1)将原始数字图像输入到输入层神经元群中，记录各神经元的首次放电时间，并经抑制性突触作用后获得时间矩阵。

步骤(2)构造感受野窗口滑过该时间矩阵，先对该感受野窗口中的时间元素进行排序，根据排序结果进行加权，计算窗口内时间元素的改进方差，并将其赋值给感受野窗口的中心元素。依次对时间矩阵中的每个元素进行相同的处理，继而得到方差矩阵。

步骤(3)将步骤(2)中构造的感受野窗口滑过上述方差矩阵，对感受野窗口中的方差元素进行侧向抑制处理，同样需要对方差矩阵中的每个元素依次进行相同的处理，继而得到注意矩阵。

步骤(4)对得到的注意矩阵进行映射。

步骤(5)将原始数字图像视为一矩阵，将其与映射后的注意矩阵相加，并再次对相加后的矩阵数据进行灰度映射。

步骤(6)对上述灰度映射后的矩阵数据进行多方向Log-Gabor滤波器处理，然后根据滤波结果，重构图像信息。

步骤(7)将步骤(6)中的重构结果输入到输出层神经元群，记录各神经元的首次放电时间，并经抑制性突触作用后获得新的时间矩阵。

步骤(8)构造感受野窗口滑过上述新的时间矩阵，对感受野窗口中的神经元进行侧向抑制处理，依次对时间矩阵中的每个元素进行相同的处理，然后得到边缘矩阵。

步骤(9)对上述的边缘矩阵进行灰度映射，映射到0～255的范围，最终就得到了包含图像弱边缘信息的结果矩阵。

本发明具有的有益效果：

1、在弱边缘检测中引入具有抑制性突触的多层互连神经元群，使得系统满足视觉神经的生理基础，能够更有效地获取图像的弱边缘信息；

2、在弱边缘检测中引入选择注意机制，能够凸显受关注的区域，使得结果图像中的边缘特征更加明显；

3、利用Log-Gabor滤波器来模拟初级视皮层的方向选择特性，满足皮层神经元响应对于方向边缘的选择性；

4、采用空间变分辨率机制：先利用输入层互连的神经元群、响应时间的方差特征以及侧向抑制作用低分辨地获取感兴趣区域；然后通过Log-Gabor滤波器及输出层互连的神经元群对获取的感兴趣区域进行高分辨分析。

附图说明

图1为本发明方法流程图。

具体实施方式

如图1所示，I_old(i,j)表示原始的输入图像；T₁(i,j)表示经过输入层神经元群后获得的时间矩阵；D(i,j)表示经过方差处理后的方差矩阵；V₁(i,j)表示矩阵D(i,j)经过神经元侧向抑制作用后的注意矩阵；V₂(i,j)表示矩阵V₁(i,j)经过映射后的注意矩阵；f_k(i,j)(k＝0,1,...,7)为经过Log-Gabor滤波器以角度为θ_i(θ_i＝22.5⁰*i,i＝0,1,...,7)滤波后的结果；T₂(i,j)表示经过输出层神经元群后获得的时间矩阵；F(i,j)表示矩阵T₂(i,j)在经过神经元侧向抑制作用后得到的边缘矩阵；I_new(i,j)表示最终的图像弱边缘检测结果。

本发明考虑到：(1)传统的边缘检测方法对于弱细节表现不够，有时又会产生过分割的问题；(2)传统的边缘检测方法往往采取二值化来处理图像，无法表现边缘的强弱特征，将丢失部分细节信息；(3)传统的边缘检测方法通常从数学算子的角度来处理，没有考虑到视觉机制的作用，对于一些细节比较丰富的图像检测效果有限；(4)脉冲耦合神经网络虽然引入了视觉机制的初步作用，但基本上是对视觉机制的黑箱模拟，并没有涉及到内在的信息流处理机制；(5)基于点阵神经元的边缘检测方法虽然考虑了部分视觉机制，但是无突触连接的神经元并不符合神经生理基础，而具有突触连接的神经元群动态响应在视觉信息的处理中起着重要作用。因此，本发明基于视觉生理，提出一种基于多层神经元群放电信息的图像弱边缘检测方法，使得检测结果能够表现出更丰富的细节信息，更符合人们的主观视觉感受。

本实施例的具体步骤是：

步骤(1)将原始数字图像I_old(i,j)输入到输入层互连神经元群Neuron₁(i,j)，其中神经元与图像像素一一对应，像素值作为对应各神经元的输入，上述i和j的取值范围分别为：i＝1,2,...,M,j＝1,2,...,N。

神经元模型如式(1)所示。

$\left\{\begin{array}{c}\frac{\mathrm{dv}}{\mathrm{dt}}=0.04v^2+5v+140-u+I_{\mathrm{ext}}\\ \frac{\mathrm{du}}{\mathrm{dt}}=a(\mathrm{bv}-u)\\ \mathrm{ifv}\≥v_{\mathrm{thresh}},\mathrm{thenv}\←\mathrm{cu}\←u+d\end{array}\right.---\left(1\right)$

其中，v是神经元膜电位，u代表神经元膜恢复变量。I_ext是输入刺激，即对应图像的各像素值，a、b、c和d为模型参数，v_thresh为阈值，设置为a＝0.02，b＝0.2，c＝-65，d＝6，v_thresh＝30。如果v大于等于v_thresh，神经元发放脉冲，即产生放电，同时v被重新设定为c，u被重置为u+d；否则神经元不发放脉冲。

首先记录各神经元首次放电的时间，形成时间矩阵T_temp(i,j)(i＝1,2,...,M;j＝1,2,...,N)；之后通过构造一个7×7的连接窗口W(p,q)(p＝1,2,...7,q＝1,2,...,7)，与时间矩阵T_temp(i,j)的7×7局部区域对应；根据连接窗口内49个神经元的放电顺序，来决定各神经元之间抑制性突触作用的先后，设置的规则如下：放电在先的神经元先对其他神经元产生抑制作用，放电在后的神经元后对其他神经元产生抑制作用。例如，假设目前已考虑到连接窗口中放电顺序为第Z的神经元，例如其位置为连接窗口的(1,1)处，那么该神经元会对连接窗口内其余神经元产生抑制作用，具体机制如下所述。首先定义该神经元到连接窗口内(k,l)位置神经元的距离d(k,l)，如式(2)所示。

$d(k,l)=\sqrt{{(k-m)}^2+{(l-n)}^2},k,l=\mathrm{1,2},...7;m=1,n=1---\left(2\right)$

记d(k,l)的最大值为d_max，d(k,l)的最小值为d_min。对d(k,l)进行幂指数转换后的结果为nlinear(k,l)，如式(3)所示。

$\mathrm{nlinear}(k,l)=e^{(\log d_{\max }-\log d(k,l))},d(k,l)\≠0---\left(3\right)$

设nlinear(k,l)的最大值为nlinear_max，最小值为nlinear_min。抑制性突触的作用如式(4)所示。

$\mathrm{synapse}\_\mathrm{inhibi}(k,l)=\left\{\begin{array}{c}1+\frac{\mathrm{nlinear}(k,l)-\mathrm{nlinear}\_\min }{\mathrm{nlinear}\_\max -\mathrm{nlinear}\_\min }*\mathrm{weight},\mathrm{ifd}(k,l)\≠0\\ 1,\mathrm{ifd}(k,l)=0\end{array}\right.---\left(4\right)$

其中weight表示抑制权重，例如可设置为0.25；synapse_inhibi(k,l)表示放电顺序为第Z的神经元对连接窗口(k,l)位置神经元的抑制性突触作用大小。连接窗口中其他神经元的抑制性突触作用按上述规则亦可获得。

将连接窗口依次滑过时间矩阵T_temp(i,j)，对每个连接窗口中的时间元素进行同样的处理，最终完成对所有神经元在相应的7×7的连接窗口中的相互连接，最后获得的时间矩阵记为T₁(i,j)，如式(5)所示。

T₁(i,j)＝T_temp(i,j)*synapse_inhibi(k,l) (5)

步骤(2)构造一个3×3的感受野窗口与时间矩阵T₁(i,j)的3×3局部区域对应，对感受野窗口中对应的时间元素进行升序排序，记录在数组templet(i)(i＝1,2,...,9)中，然后对该感受野窗口的时间元素计算改进后的方差，如式(6)所示。

$\left\{\begin{array}{c}\mathrm{average}=\left(\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\mathrm{templet}\left(i\right)\right)/9\\ \mathrm{sum}=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}[{(\mathrm{templet}\left(i\right)-\mathrm{average})}^2*e^{\left(i\right)}]\end{array}\right.---\left(6\right)$

其中average是感受野窗口中各个时间元素的平均值；sum是对感受野窗口中各个时间元素排序并进行加权后得到的改进方差，将其赋值给感受野窗口的中心点。将感受野窗口依次滑过时间矩阵T₁(i,j)，对每个时间元素进行同样的处理就得到方差矩阵D(i,j)(i＝1,2,...,M;j＝1,2,...,N)。

步骤(3)利用步骤(2)构造的3×3的感受野窗口，使其与方差矩阵D(i,j)的3×3局部区域对应，在感受野窗口中根据式(7)实现神经元的侧向抑制机制。

$\begin{array}{c}{w}_0^{\&prime;}=\left\{\begin{array}{c}{w}_0*e^{-(w_0/w_1)},\mathrm{if}{w}_0<w_1\\ w_0*e^{(w_1/w_0)},\mathrm{if}{w}_0>w_1\\ w_0,\mathrm{if}{w}_0=w_1\end{array}\right.\\ w_1^{\&prime;}=\left\{\begin{array}{c}{w}_1*e^{(w_0/w_1)},\mathrm{if}{w}_0<w_1\\ w_1*e^{-(w_1/w_0)},\mathrm{if}{w}_0>w_1\\ w_1,\mathrm{if}{w}_0=w_1\end{array}\right.\end{array}---\left(7\right)$

w₀，w′₀分别为感受野窗口中更新前后的中心元素，w₁，w′₁分别为感受野窗口中更新前后的非中心元素。将感受野窗口依次滑过方差矩阵D(i,j)，对每个方差元素进行同样的处理，重叠部分的元素会被不断更新，这样依次处理就可得到注意矩阵V₁(i,j)(i＝1,2,...,M;j＝1,2,...,N)。

步骤(4)根据式(8)将注意矩阵数据映射到0～weight_mapping的范围。

$V_2(i,j)=\frac{(V_1(i,j)-\mathrm{value}\_\min )}{(\mathrm{value}\_\max -\mathrm{value}\_\min )}*\mathrm{weight}\_\mathrm{mapping}---\left(8\right)$

其中value_min和value_max分别为注意矩阵V₁(i,j)中的最小值和最大值，weight_mapping表示映射权值，例如可设置为15，V₂(i,j)表示经映射后的结果矩阵。

步骤(5)将得到的矩阵V₂(i,j)和原始图像I_old(i,j)相加，并进行灰度映射，得到范围在0～255的临时矩阵I_temp(i,j)(i＝1,2,...,M;j＝1,2,...,N)。

步骤(6)将临时矩阵I_temp(i,j)通过模拟初级视皮层神经元方向选择特性的Log-Gabor滤波器进行预处理，获取角度为θ_i(θ_i＝22.5⁰*i,i＝0,1,...,7)的8个方向结果，记为f_k(i,j)(k＝0,1,...,7)。然后利用式(9)重构图像的边缘信息：

$\mathrm{result}(i,j)=\underset{k=0}{\overset{7}{\mathrm{\&Sigma;}}}{f}_k(i,j)(i=\mathrm{1,2},...,M;j=\mathrm{1,2},...,N)---\left(9\right)$

步骤(7)将步骤(6)中的重构结果result(i,j)输入到输出层神经元群Neuron₂(i,j)进行增强输出，i＝1,2,...,M,j＝1,2,...,N，同步骤(1)，记录输出层各神经元首次放电时间，并经抑制性突触作用后获得新的时间矩阵T₂(i,j)(i＝1,2,...,M;j＝1,2,...,N)。

步骤(8)利用前述3×3的感受野窗口，使其与时间矩阵T₂(i,j)的3×3局部区域对应，在感受野窗口中根据式(7)实现神经元的侧向抑制机制，通过将感受野窗口依次滑过时间矩阵T₂(i,j)，对每个时间元素进行同样的处理就可以得到边缘矩阵F(i,j)(i＝1,2,...,M;j＝1,2,...,N)。

步骤(9)对步骤(8)中获得的边缘矩阵F(i,j)进行灰度映射，将其映射至0～255的范围，这样就得到了最终的结果矩阵I_new(i,j)，即为图像弱边缘的检测结果。

本发明构建具有抑制突触互连的多层神经元群，通过选择注意机制获取视觉注意数据，并结合Log-Gabor多方向滤波结果实现空间变分辨率机制，从而有效地检测出图像弱边缘，与传统方法相比具有较明显的优势。

Claims (1)

1.基于多层神经元群放电信息的图像弱边缘检测方法，其特征在于该方法包括如下步骤：

步骤(1)将原始数字图像输入到输入层神经元群中，记录各神经元的首次放电时间，并经抑制性突触作用后获得时间矩阵；

首先定义该神经元到连接窗口内(k,l)位置神经元的距离d(k,l)；

$d(k,l)=\sqrt{{(k-m)}^2+{(l-n)}^2},k,l=1,2,...7;m=1,n=1;$

记d(k,l)的最大值为d_max，d(k,l)的最小值为d_min；对d(k,l)进行幂指数转换后的结果为nlinear(k,l)；

$nlinear(k,l)=e^{({\mathrm{logd}}_{max}-\log d(k,l\left)\right)},d(k,l)\&NotEqual;0;$

设nlinear(k,l)的最大值为nlinear_max，最小值为nlinear_min；抑制性突触的作用如下式：

$synapse\_inhibi(k,l)=\left\{\begin{array}{cc}1+\frac{nlinear(k,l)-nlinear\_min}{nlinear\_\max -nlinear\_min}*weight,& ifd(k,l)\&NotEqual;0\\ 1,& ifd(k,l)=0\end{array}\right.;$

其中weight表示抑制权重，synapse_inhibi(k,l)表示放电顺序为第Z的神经元对连接窗口(k,l)位置神经元的抑制性突触作用大小，连接窗口中其他神经元的抑制性突触作用按上述规则亦可获得；

将连接窗口依次滑过时间矩阵T_temp(i,j)，对每个连接窗口中的时间元素进行同样的处理，最终完成对所有神经元在相应的连接窗口中的相互连接，最后获得的时间矩阵记为T₁(i,j)；

T₁(i,j)＝T_temp(i,j)*synapse_inhibi(k,l)；

步骤(2)构造感受野窗口滑过该时间矩阵，先对该感受野窗口中的时间元素进行排序，根据排序结果进行加权，计算窗口内时间元素的改进方差，并将其赋值给感受野窗口的中心元素，依次对时间矩阵中的每个元素进行相同的处理，继而得到方差矩阵；

步骤(3)将步骤(2)中构造的感受野窗口滑过上述方差矩阵，对感受野窗口中的方差元素进行侧向抑制处理，同样对方差矩阵中的每个元素依次进行相同的处理，继而得到注意矩阵；

在感受野窗口中根据下式实现神经元的侧向抑制机制：

$\begin{array}{c}{w}_0^{\&prime;}=\left\{\begin{array}{cc}{w}_0*e^{-(w_0/w_1)},& if{w}_0<w_1\\ w_0*e^{(w_1/w_0)},& if{w}_0>w_1\\ w_0,& if{w}_0=w_1\end{array}\right.\\ w_1^{\&prime;}=\left\{\begin{array}{cc}{w}_1*e^{(w_0/w_1)},& if{w}_0<w_1\\ w_1*e^{-(w_1/w_0)},& if{w}_0>w_1\\ w_1,& if{w}_0=w_1\end{array}\right.\end{array};$

w₀，w′₀分别为感受野窗口中更新前后的中心元素，w₁，w′₁分别为感受野窗口中更新前后的非中心元素；将感受野窗口依次滑过方差矩阵D(i,j)，对每个方差元素进行同样的处理，重叠部分的元素会被不断更新，这样依次处理就可得到注意矩阵V₁(i,j),i＝1,2,...,M；j＝1,2,...,N；

步骤(4)对得到的注意矩阵进行映射；

根据下式将注意矩阵数据映射到0～weight_mapping的范围；

$V_2(i,j)=\frac{\left(V_1\right(i,j)-value\_min)}{(value\_max-value\_min)}*weight\_mapping;$

其中value_min和value_max分别为注意矩阵V₁(i,j)中的最小值和最大值，weight_mapping表示映射权值，V₂(i,j)表示经映射后的结果矩阵；

步骤(5)将原始数字图像视为一矩阵，将其与映射后的注意矩阵相加，并再次对相加后的矩阵数据进行灰度映射；

步骤(6)对上述灰度映射后的矩阵数据进行多方向Log-Gabor滤波器处理，然后根据滤波结果，重构图像信息；

步骤(7)将步骤(6)中的重构结果输入到输出层神经元群，记录各神经元的首次放电时间，并经抑制性突触作用后获得新的时间矩阵；

步骤(8)构造感受野窗口滑过上述新的时间矩阵，对感受野窗口中的神经元进行侧向抑制处理，依次对时间矩阵中的每个元素进行相同的处理，然后得到边缘矩阵；

步骤(9)对上述的边缘矩阵进行灰度映射，映射到0～255的范围，最终就得到了包含图像弱边缘信息的结果矩阵。