CN103985115A - 一种仿视觉感光层功能的图像多强度边缘检测方法 - Google Patents

Abstract

本发明涉及一种仿视觉感光层功能的图像多强度边缘检测方法。在图像预处理阶段，为避免视觉系统的适应性，对图像采取了多方向多尺度下的移动操作；构建感光层神经元网络模型，根据时间窗口内的神经元动作电位发放特性，判别并实现神经元之间的抑制性或增强性突触连接；以移动图像输入前后的感光层神经元网络响应模式差异，获取图像多强度边缘的检测结果。本发明考虑神经元突触连接特性以及神经元动作电位发放机制，模拟了视觉感光层的一些重要特性，能够有效实现图像多强度边缘的检测。

Description

一种仿视觉感光层功能的图像多强度边缘检测方法

技术领域

本发明属于视觉神经计算领域，涉及一种仿视觉感光层功能的图像多强度边缘检测方法。

背景技术

图像的边缘或轮廓呈现出一种像素点灰度或亮度突变的特性，是图像的一种重要属性。因此边缘检测是图像处理、分析和理解的前期步骤，检测效果将直接影响到整个系统的性能。在实际应用中，图像存在着不同程度的边缘弱化问题，例如常见的渐变色边缘，传统检测方法对于此类边缘的检测效果并不理想。

发明内容

本发明考虑到：(1)对于图像中存在多强度边缘的情形，传统方法边缘检测的效果不理想，尤其是会丢失弱边缘的细节点；而在很多应用场合中，包含弱边缘在内的多强度边缘却是一种不可忽视的重要信息；(2)传统方法通常从数学梯度算子的角度入手，忽视了视觉生理特性在边缘检测中的重要作用，检测结果难以满足对图像多强度边缘的视觉感知效果。因此本发明利用视觉感光层的一些重要神经电生理特性，模拟感光层神经元的脉冲发放机制，提出了一种仿视觉感光层功能的图像多强度边缘检测方法，发挥视觉生理特性在图像边缘感知的独特优势。

本发明提出了一种仿视觉感光层功能的图像多强度边缘检测方法，包括以下步骤：

步骤(1)避免视觉系统的适应性，将原图像进行多方向多尺度移动。设置某一移动距离尺度，对图像进行多方向移动操作。

步骤(2)构建感光层神经元网络，其中单个神经元的模型采用LIF模型。设置记录神经元脉冲发放的观察时间，并将观察时间划分成若干个滑动时间窗口，将第一个滑动时间窗口设为当前分析时间窗口。

步骤(3)将原图像以及移动后的图像分别依次输入到感光层神经元网络中，网络中的神经元与输入图像的像素点一一对应。记录当前分析时间窗内神经元网络所有神经元的脉冲发放，并根据发放的差异判决神经元属于ON类型或者OFF类型。

步骤(4)构建一个3×3的模板，与感光层神经元网络的3×3区域进行匹配；利用感受野特性构建一个判决器，根据模板内神经元类型差异情况对中心神经元的反馈系数进行即时调整，而该系数的变化将在下一个滑动时间窗口内对中心神经元产生不同程度的兴奋性或者抑制性作用。将模板对感光层神经元网络进行遍历，按上述方法对每个神经元进行作用。

步骤(5)将下一个滑动时间窗口设为当前分析时间窗口，重复步骤(3)和步骤(4)，直至观察时间结束，最终获得观察时间内的神经元网络各个神经元的脉冲发放信息。

步骤(6)将原图像和各移动图像所对应的感光层神经元脉冲发放信息进行对比，按规则获得当前移动距离尺度下，各移动方向的图像多强度边缘检测结果。

步骤(7)将当前移动距离尺度下，各移动方向的图像多强度边缘检测结果进行融合，最终获得当前移动距离尺度下图像多强度边缘检测结果。

步骤(8)调整移动距离尺度，重复步骤(1)～(7)，融合不同移动距离尺度下的图像多强度边缘检测结果信息，以实现去噪功能，按色彩映射规则获得最终的图像多强度边缘检测结果。

本发明具有的有益效果为：

1、使用符合神经生理特性的LIF神经元模型，构建了具有抑制性或兴奋性突触作用的感光层神经元网络。

2、对感光层神经元的抑制性或兴奋性类型进行判别，同时结合了视觉感光层在视觉感知中的一些重要特性，利用ON和OFF两类不同神经元在感知多强度边缘时的互补作用，并以此为基础进行了仿视觉感光层功能的图像多强度边缘检测。

3、考虑了图像多方向多尺度移动对于感光层神经元检测多强度边缘的影响，提出通过调节图像移动距离尺度来实现噪声的滤除。

附图说明

图1为某移动距离尺度下的边缘检测流程图。

图2为不同移动距离单元尺度下的边缘信息融合图。

图3为感光层神经网络模型图。

具体实施方式

本发明利用了兴奋性(ON)和抑制性(OFF)两类感光层神经元在信息编码时的重要作用，通过感光层神经元的脉冲发放频度并结合图像多方向多尺度移动对于感光层神经元检测多强度边缘的影响来刻画图像中的多强度边缘；通过调节移动尺度来实现噪声的滤除得到最终的图像多强度边缘。本发明面向图像多强度边缘检测问题，构建神经元网络对视觉感光层的一些重要特性进行模拟，与传统方法相比，能获得较满意的边缘检测效果。

本发明具体实施方法如图1和图2所示。

步骤(1)对原始图像I₀(i,j)（i＝1,2LM;j＝1,2LN），进行某一距离尺度的移动，设在图像水平和竖直方向的移动距离分别为xmove和ymove，对原始图像I₀(i,j)从12点方向开始顺时针进行移动操作，依次获得8幅移动图像I₁～I₈，其中：I₁(i,j)＝I₀(i,j-ymove)，I₂(i,j)＝I₀(i+xmove,j-ymove)，I₃(i,j)＝I₀(i+xmove,j)，I₄(i,j)＝I₀(i+xmove,j+ymove)，I₅(i,j)＝I₀(i,j+ymove)，I₆(i,j)＝I₀(i-xmove,j+ymove)，I₇(i,j)＝I₀(i-xmove,j)，I₈(i,j)＝I₀(i-xmove,j-ymove)（i＝1,2LM;j＝1,2LN）。在移动操作时，采取对侧边界补足的方法来解决边界越界问题。

步骤(2)构建感光层神经元网络Neuron(i,j)（i＝1,2LM;j＝1,2LN），感光层神经元网络中的单个神经元采用LIF模型，如式(1)所示。图像中每个像素点输入到对应的神经元。

$\left\{\begin{array}{c}C\frac{{\mathrm{dV}}_{(i,j)}\left(t\right)}{\mathrm{dt}}=-\frac{V_{(i,j)}\left(t\right)}{R}+{\mathrm{weight}}_{(i,j)}\×f_{(i,j)}\\ f_{(i,j)}=I(i,j)\×1\left(t\right)\\ V_{(i,j)}\left(t\right)=0,\mathrm{if}{V}_{(i,j)}\left(t\right)>V_{\mathrm{thresh}}\end{array}\right.---\left(1\right)$

其中C，R分别表示模拟电路的电容和电阻，V_(i,j)(t)表示细胞膜电位；weight_(i,j)×f_(i,j)表示神经元接受的刺激电流，由f_(i,j)和（weight_(i,j)-1）×f_(i,j)两部分组成：f_(i,j)表示激励电流，（weight_(i,j)-1）×f_(i,j)表示反馈电流，weight_(i,j)为反馈系数，是神经元网络中第i行第j列神经元的反馈强度大小，并对神经元网络中第i行第j列的神经元的反馈电流产生影响，因此weight_(i,j)初值设为1；I(i,j)表示输入图像像素点的灰度值，分别对应步骤（1）中的原图及移动后图像；1(t)为单位阶跃信号；V_thresh为兴奋阈值。设置C＝0.5，R＝20，V_thresh＝16，设观察的时间长度为T_max，T_max＝100秒。将观察时间总长度T_max，划分为40个时间长度为Δt₁的滑动时间窗，Δt₁＝2.5秒。设置滑动时间窗的初始序号k=0，并将此滑动时间窗口设置为当前的分析时间窗口。

步骤(3)将归一化后的各幅图像分别独立输入到感光层神经元网络中，当V_(i,j)(t)大于兴奋阈值时，此时神经元发放脉冲，然后把V_(i,j)(t)重置为0（细胞膜初始电位）继续代入式(1)。记录神经元网络中各个神经元在当前分析时间窗口（即第k个滑动时间窗）的脉冲发放次数，得到此时间窗内整个神经元网络的脉冲平均发放次数，对各个神经元的类型进行判断。具体判决规则如式(2)和(3)所示。

${\mathrm{aver}}_s=\frac{\underset{i=1,j=1}{\overset{i=M,j=N}{\mathrm{\Σ}}}{S}_{(i,j)}(t-\mathrm{\Δ}{t}_1,t)}{M\×N}---\left(2\right)$

${\mathrm{check}}_{(i,j)}=\left\{\begin{array}{cc}\mathrm{ON}& S_{(i,j)}(t-\mathrm{\Δ}{t}_1,t)>{\mathrm{aver}}_s\\ \mathrm{OFF}& S_{(i,j)}(t-\mathrm{\Δ}{t}_1,t)\≤{\mathrm{aver}}_s\end{array}\right.0---\left(3\right)$

其中S_(i,j)(t-Δt₁,t)表示神经元网络中第i行第j列的神经元在当前分析时间窗中的脉冲发放次数，aver_S表示整个神经元网络在当前分析时间窗中的脉冲平均发放次数。check_(i,j)表示神经元网络中第i行第j列神经元的类型判决结果，当某一神经元的发放次数小于等于平均发放次数，则判定为OFF（标记为0）；当某一神经元的发放次数大于平均发放次数，则判定为ON（标记为1）。

步骤(4)在神经元网络Neuron(i,j)（i＝1,2LM;j＝1,2LN）中，取3×3模板大小的神经元子网络，根据所获得的9个神经元类型判决信息，对子网络中心点神经元的反馈系数weight_(i,j)进行即时调整，如式(4)所示。该反馈系数的变化将在下一个分析时间窗口内对中心点神经元产生反馈激励；将模板逐渐平移，从而处理整个神经元网络。

$\left\{\begin{array}{c}{\mathrm{weight}}_{(i,j)}={\mathrm{weight}}_{(i,j)}\×(1+k_c\×{\left(\frac{\underset{\mathrm{OFF}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}{\underset{\mathrm{ALL}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}\right)}^2),\mathrm{if}{\mathrm{check}}_{(i,j)}=\mathrm{ON}\\ {\mathrm{weigth}}_{(i,j)}={\mathrm{weight}}_{(i,j)}\×(1-k_c\×{\left(\frac{\underset{\mathrm{ON}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}{\underset{\mathrm{ALL}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}\right)}^2),\mathrm{if}{\mathrm{check}}_{(i,j)}=\mathrm{OFF}\end{array}\right.---\left(4\right)$

是指以神经元网络中第i行第j列的神经元为中心点，其周围判决结果为OFF类型的神经元个数；是指神经元网络中第i行第j列的神经元为中心点，其周围判决结果为ON类型神经元个数；是指模板内除去中心神经元后的神经元个数，对于3×3模板，式(4)中的m＝i-1,i,i+1，n＝j-1,j,j+1，且m＝i和n＝j不同时成立。设置k_c＝0.5。

步骤(5)k=k+1，当k小于40时，将第k个滑动时间窗口设为当前分析时间窗口并重复步骤(3)和步骤(4)，最终获得观察时间内的神经元网络各个神经元的脉冲发放信息；当k=40时，进入步骤(6)。感光层神经元网络模型的示意图如图3所示。图中神经元类型判别层依据神经元脉冲发放判决其类型，如步骤（3）中所述；具有感受野特性的反馈器根据模板内各神经元类型判决信息，利用感受野特性产生增强或抑制的反馈电流，如步骤（4）中所述；反馈电流如式（1）和式（4）所示；输出为中心点神经元的脉冲发放。

步骤(6)将移动图像和原始图像作为输入的神经元脉冲发放进行比较，得到图像移动对感光层神经元的影响系数，比较方法如式(5)和(6)所示。

${\mathrm{firerate}}_{(i,j)}(t,\mathrm{\Δ}{t}_2)=\frac{S_{(i,j)}(t-\mathrm{\Δ}{t}_2,t)}{\mathrm{\Δ}{t}_2}---\left(5\right)$

其中S_(i,j)(t-Δt₂,t)表示在时长为Δt₂的时间窗口中，神经元网络中第i行第j列神经元的脉冲发放次数，firerate_(i,j)(t,Δt₂)则表示对应的脉冲发放频率。

$r_{(i,j)}=\frac{\underset{k=1}{\overset{k=(T_{\max }-\mathrm{\Δ}{t}_2)/\mathrm{sp}}{\mathrm{\Σ}}}{({\mathrm{firerate}}_{(i,j)}(\mathrm{sp}\×k,\mathrm{\Δ}{t}_2)-{\mathrm{firerate}}_{(i,j)}^{\′}(\mathrm{sp}\×k,\mathrm{\Δ}{t}_2))}^2}{T_{\max }}---\left(6\right)$

式(6)中，firerate_(i,j)(sp×k,Δt₂)和firerate′_(i,j)(sp×k,Δt₂)分别表示在时长为Δt₂的时间窗口中，以移动图像获原始图像作为输入时，神经元网络中第i行第j列神经元的脉冲发放频率；sp表示计算脉冲发放频率时窗口移动速度，sp＝2.5；T_max对应于步骤(2)中的观察时间；r_(i,j)称为影响因子，表示在原始图像移动前后，神经元网络中第i行第j列神经元的脉冲发放变动情况，r_(i,j)越大则表示图像移动操作对该神经元的影响越大，越小则表示图像移动操作对该神经元的影响越小。设置Δt₂＝2.5秒。

将获得的影响因子r_(i,j)送到判决器中，判断出边缘信息。判决器策略如式(7)和(8)所示。

$\mathrm{fire}\_{\mathrm{aver}}_r=\frac{\underset{i=1,j=1}{\overset{i=M,j=N}{\mathrm{\Σ}}}{r}_{(i,j)}}{M\×N}---\left(7\right)$

$\mathrm{point}\_\mathrm{result}(i,j)=\left\{\begin{array}{cc}1& r_{(i,j)}>k_r\×\mathrm{fire}\_{\mathrm{aver}}_r\\ 0& r_{(i,j)}\≤k_r\×\mathrm{fire}\_{\mathrm{aver}}_r\end{array}\right.---\left(8\right)$

其中，fire_aver_r表示影响因子的均值，当图像移动操作对某神经元的影响系数r_(i,j)大于k_r×fire_aver_r，则认为该神经元所对应的图像点（point_result(i,j)）为边缘点，标记值为1；当移动操作对某神经元的影响系数r_(i,j)小于k_r×fire_aver_r，则认为该神经元所对应的图像上的点（point_result(i,j)）不是边缘点，标记值为0。设置k_r＝0.1。

步骤(7)由于步骤(1)获得了某一距离尺度下8个方向的移动图像，因此最终将获得8组边缘点矩阵，融合此8组边缘点矩阵，获得在某一移动距离单元尺度下的边缘信息，综合的决策如式(9)。

result_{(xmove,ymove)}(i,j)＝point_result₁(i,j)|point_result₂(i,j)|L|point_result₈(i,j)(9)其中，|表示或操作，result_{(xmove,ymove)}(i,j)表示沿x轴和y轴移动距离单位尺度分别为xmove和ymove的边缘点检测结果。等式右侧的下标与步骤(1)中的移动图像相对应，即point_result₁(i,j)表示移动图像I₁(i,j)的边缘点检测结果，point_result₂(i,j)表示移动图像I₂(i,j)的边缘点检测结果，以此类推。

步骤(8)取不同的移动距离单元尺度进行步骤(1)到步骤(7)的操作，获得不同移动距离单元尺度下的边缘信息并进行融合以实现去噪功能，最终得到边缘信息矩阵，综合的决策如式(10)所示。将边缘信息矩阵中值为1的点映射为像素值255（白色），值为0的点映射为像素值0（黑色），输出映射后的像素二值矩阵，即为边缘检测的结果。

last_result(i,j)＝result_(1,1)(i,j)&result_(2,2)(i,j)&L&result_{(xmove,ymove)}(i,j)(10)

其中，&表示与操作，下标表示移动距离尺度。

Claims (1)

1.一种仿视觉感光层功能的图像多强度边缘检测方法，其特征在于该方法包括如下步骤：

步骤(1)对原始图像I₀(i,j)进行某一距离尺度的移动，具体是：设在图像水平和竖直方向的移动距离分别为xmove和ymove，对原始图像I₀(i,j)从12点方向开始顺时针进行移动操作，依次获得8幅移动图像I₁～I₈，其中：I₁(i,j)＝I₀(i,j-ymove)，I₂(i,j)＝I₀(i+xmove,j-ymove)，I₃(i,j)＝I₀(i+xmove,j)，I₄(i,j)＝I₀(i+xmove,j+ymove)，I₅(i,j)＝I₀(i,j+ymove)，I₆(i,j)＝I₀(i-xmove,j+ymove)，I₇(i,j)＝I₀(i-xmove,j)，I₈(i,j)＝I₀(i-xmove,j-ymove)，其中i＝1,2LM;j＝1,2LN；

步骤(2)构建感光层神经元网络Neuron(i,j)，感光层神经元网络中的单个神经元采用LIF模型，如式(1)所示；图像中每个像素点输入到对应的神经元；

$\left\{\begin{array}{c}C\frac{{\mathrm{dV}}_{(i,j)}\left(t\right)}{\mathrm{dt}}=-\frac{V_{(i,j)}\left(t\right)}{R}+{\mathrm{weight}}_{(i,j)}\×f_{(i,j)}\\ f_{(i,j)}=I(i,j)\×1\left(t\right)\\ V_{(i,j)}\left(t\right)=0,\mathrm{if}{V}_{(i,j)}\left(t\right)>V_{\mathrm{thresh}}\end{array}\right.---\left(1\right)$

其中C，R分别表示模拟电路的电容和电阻，V_(i,j)(t)表示细胞膜电位；weight_(i,j)×f_(i,j)表示神经元接受的刺激电流，由f_(i,j)和（weight_(i,j)-1）×f_(i,j)两部分组成：f_(i,j)表示激励电流，（weight_(i,j)-1）×f_(i,j)表示反馈电流，weight_(i,j)为反馈系数，是神经元网络中第i行第j列神经元的反馈强度大小，并对神经元网络中第i行第j列的神经元的反馈电流产生影响，因此weight_(i,j)初值设为1；I(i,j)表示输入图像像素点的灰度值，分别对应步骤（1）中的原图及移动后图像；1(t)为单位阶跃信号；V_thresh为兴奋阈值；设置C＝0.5，R＝20，V_thresh＝16，设观察的时间长度为T_max，T_max＝100秒；将观察时间总长度T_max，划分为40个时间长度为Δt₁的滑动时间窗，Δt₁＝2.5秒；设置滑动时间窗的初始序号k=0，并将此滑动时间窗口设置为当前的分析时间窗口；

步骤(3)将归一化后的各幅图像分别独立输入到感光层神经元网络中，当V_(i,j)(t)大于兴奋阈值时，此时神经元发放脉冲，然后把V_(i,j)(t)重置为0继续代入式(1)；记录神经元网络中各个神经元在当前分析时间窗口的脉冲发放次数，（即第k个滑动时间窗的脉冲发放次数，得到此时间窗内整个神经元网络的脉冲平均发放次数，对各个神经元的类型进行判断；具体判决规则如式(2)和(3)所示；

${\mathrm{aver}}_s=\frac{\underset{i=1,j=1}{\overset{i=M,j=N}{\mathrm{\Σ}}}{S}_{(i,j)}(t-\mathrm{\Δ}{t}_1,t)}{M\×N}---\left(2\right)$

${\mathrm{check}}_{(i,j)}=\left\{\begin{array}{cc}\mathrm{ON}& S_{(i,j)}(t-\mathrm{\Δ}{t}_1,t)>{\mathrm{aver}}_s\\ \mathrm{OFF}& S_{(i,j)}(t-\mathrm{\Δ}{t}_1,t)\≤{\mathrm{aver}}_s\end{array}\right.0---\left(3\right)$

其中S_(i,j)(t-Δt₁,t)表示神经元网络中第i行第j列的神经元在当前分析时间窗中的脉冲发放次数，aver_S表示整个神经元网络在当前分析时间窗中的脉冲平均发放次数；check_(i,j)表示神经元网络中第i行第j列神经元的类型判决结果，当某一神经元的发放次数小于等于平均发放次数，则判定为OFF；当某一神经元的发放次数大于平均发放次数，则判定为ON；

步骤(4)在神经元网络Neuron(i,j)中，取3×3模板大小的神经元子网络，根据所获得的9个神经元类型判决信息，对子网络中心点神经元的反馈系数weight_(i,j)进行即时调整，如式(4)所示；该反馈系数的变化将在下一个分析时间窗口内对中心点神经元产生反馈激励；将模板逐渐平移，从而处理整个神经元网络；

$\left\{\begin{array}{c}{\mathrm{weight}}_{(i,j)}={\mathrm{weight}}_{(i,j)}\×(1+k_c\×{\left(\frac{\underset{\mathrm{OFF}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}{\underset{\mathrm{ALL}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}\right)}^2),\mathrm{if}{\mathrm{check}}_{(i,j)}=\mathrm{ON}\\ {\mathrm{weigth}}_{(i,j)}={\mathrm{weight}}_{(i,j)}\×(1-k_c\×{\left(\frac{\underset{\mathrm{ON}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}{\underset{\mathrm{ALL}}{\mathrm{\Σ}}{\mathrm{check}}_{(m,n)}}\right)}^2),\mathrm{if}{\mathrm{check}}_{(i,j)}=\mathrm{OFF}\end{array}\right.---\left(4\right)$

是指以神经元网络中第i行第j列的神经元为中心点，其周围判决结果为OFF类型的神经元个数；是指神经元网络中第i行第j列的神经元为中心点，其周围判决结果为ON类型神经元个数；是指模板内除去中心神经元后的神经元个数，对于3×3模板，式(4)中的m＝i-1,i,i+1，n＝j-1,j,j+1，且m＝i和n＝j不同时成立；设置k_c＝0.5；

步骤(5)另k自加1，当k小于40时，将第k个滑动时间窗口设为当前分析时间窗口并重复步骤(3)和步骤(4)，最终获得观察时间内的神经元网络各个神经元的脉冲发放信息；当k=40时，进入步骤(6)；

步骤(6)将移动图像和原始图像作为输入的神经元脉冲发放进行比较，得到图像移动对感光层神经元的影响系数，比较方法如式(5)和(6)所示；

${\mathrm{firerate}}_{(i,j)}(t,\mathrm{\Δ}{t}_2)=\frac{S_{(i,j)}(t-\mathrm{\Δ}{t}_2,t)}{\mathrm{\Δ}{t}_2}---\left(5\right)$ 其中S_(i,j)(t-Δt₂,t)表示在时长为Δt₂的时间窗口中，神经元网络中第i行第j列神经元的脉冲发放次数，firerate_(i,j)(t,Δt₂)则表示对应的脉冲发放频率；

$r_{(i,j)}=\frac{\underset{k=1}{\overset{k=(T_{\max }-\mathrm{\Δ}{t}_2)/\mathrm{sp}}{\mathrm{\Σ}}}{({\mathrm{firerate}}_{(i,j)}(\mathrm{sp}\×k,\mathrm{\Δ}{t}_2)-{\mathrm{firerate}}_{(i,j)}^{\′}(\mathrm{sp}\×k,\mathrm{\Δ}{t}_2))}^2}{T_{\max }}---\left(6\right)$

式(6)中，firerate_(i,j)(sp×k,Δt₂)和firerate′_(i,j)(sp×k,Δt₂)分别表示在时长为Δt₂的时间窗口中，以移动图像获原始图像作为输入时，神经元网络中第i行第j列神经元的脉冲发放频率；sp表示计算脉冲发放频率时窗口移动速度；T_max对应于步骤(2)中的观察时间；r_(i,j)称为影响因子，表示在原始图像移动前后，神经元网络中第i行第j列神经元的脉冲发放变动情况，r_(i,j)越大则表示图像移动操作对该神经元的影响越大，越小则表示图像移动操作对该神经元的影响越小；

将获得的影响因子r_(i,j)送到判决器中，判断出边缘信息；判决器策略如式(7)和(8)所示；

$\mathrm{fire}\_{\mathrm{aver}}_r=\frac{\underset{i=1,j=1}{\overset{i=M,j=N}{\mathrm{\Σ}}}{r}_{(i,j)}}{M\×N}---\left(7\right)$

$\mathrm{point}\_\mathrm{result}(i,j)=\left\{\begin{array}{cc}1& r_{(i,j)}>k_r\×\mathrm{fire}\_{\mathrm{aver}}_r\\ 0& r_{(i,j)}\≤k_r\×\mathrm{fire}\_{\mathrm{aver}}_r\end{array}\right.---\left(8\right)$ 其中，fire_aver_r表示影响因子的均值，当图像移动操作对某神经元的影响系数r_(i,j)大于k_r×fire_aver_r，则认为该神经元所对应的图像点（point_result(i,j)）为边缘点，标记值为1；当移动操作对某神经元的影响系数r_(i,j)小于k_r×fire_aver_r，则认为该神经元所对应的图像上的点（point_result(i,j)）不是边缘点，标记值为0；

步骤(7)步骤(1)获得了某一距离尺度下8个方向的移动图像，因此最终将获得8组边缘点矩阵，融合此8组边缘点矩阵，获得在某一移动距离单元尺度下的边缘信息，综合的决策如式(9)；

result_{(xmove,ymove)}(i,j)＝point_result₁(i,j)|point_result₂(i,j)|L|point_result₈(i,j)(9)其中，|表示或操作，result_{(xmove,ymove)}(i,j)表示沿x轴和y轴移动距离单位尺度分别为xmove和ymove的边缘点检测结果；等式右侧的下标与步骤(1)中的移动图像相对应，即point_result₁(i,j)表示移动图像I₁(i,j)的边缘点检测结果，point_result₂(i,j)表示移动图像I₂(i,j)的边缘点检测结果，以此类推；

步骤(8)取不同的移动距离单元尺度进行步骤(1)到步骤(7)的操作，获得不同移动距离单元尺度下的边缘信息并进行融合以实现去噪功能，最终得到边缘信息矩阵，综合的决策如式(10)所示；将边缘信息矩阵中值为1的点映射为像素值255，值为0的点映射为像素值0，输出映射后的像素二值矩阵，即为边缘检测的结果；

last_result(i,j)＝result_(1,1)(i,j)&result_(2,2)(i,j)&L&result_{(xmove,ymove)}(i,j)(10)

其中，&表示与操作，下标表示移动距离尺度。