CN104778696A - 一种基于视通路方位敏感的图像边缘分级检测方法 - Google Patents

Abstract

本发明公开了一种基于视通路方位敏感的图像边缘分级检测方法。本发明利用神经元突触连接在感受野最优方位向心分布中的作用，构建对多个特定方向敏感的第一级神经元网络，以图像像素作为网络输入，记录神经元在一定时间窗口内的脉冲发放序列，并计算放电频率作为网络输出；融合多方向上的网络输出并映射到灰度级，形成一幅边缘敏感图像；针对边缘敏感图像，确定感受野内侧向抑制范围以及抑制量，形成第二级神经元网络，并输出侧向抑制后的图像；最后经过阈值处理，获得边缘检测结果。本发明考虑了方向性感受野以及侧向抑制等重要视觉机制，模拟了视通路上不同层次结构在轮廓感知中的分级处理作用，能有效提高低对比度图像的边缘检测性能。

Description

一种基于视通路方位敏感的图像边缘分级检测方法

技术领域

本发明属于视觉神经计算领域，涉及一种基于视通路方位敏感的图像边缘分级检测方法。

背景技术

轮廓特征提取将为图像理解或者运动目标行为分析提供重要的降维信息，提取过程通常需满足：(1)在准确定位边缘的前提下不发生漏检；(2)避免出现虚假边缘。然而在实际应用中，由于光照、阴影等不利因素的影响，图像边缘对比度降低，传统检测方法很难同时满足上述两项要求；而目前基于视觉神经机制的边缘检测方法，简化了真实神经元在信号处理中的电生理特性，忽视了视通路上不同层次结构在轮廓感知中的分级处理作用，从本质上是采用了黑箱数学模型对视觉机制进行了模拟。

发明内容

本发明考虑到：(1)对于低对比度边缘，传统检测方法从图像梯度出发设定简单阈值，容易出现边缘漏检或者伪边缘两种极端情况，通常在弱边缘检测时不可避免地将会引入噪声；(2)目前基于视觉神经机制的边缘检测方法，大多数在像素层面进行建模处理，而忽略了神经元在信号处理过程中的电脉冲发放等生理特性，以及视觉信息在视觉通路上传递时不同层次结构的分级处理，其图像边缘检测结果难以与主观感知结果一致。因此本发明利用神经元放电编码机制，模拟视通路上不同层次结构在轮廓感知过程中的分级处理，提出一种基于视通路方位敏感的图像边缘分级检测方法，充分发挥上述视觉生理特性的作用。

本发明提出一种基于视通路方位敏感的图像边缘分级检测方法，包括以下步骤：

步骤(1)构建第一级神经元网络，其尺寸与原数字图像大小相同，其中单个神经元采用LIF模型；在每个神经元的感受野范围内，确定该神经元与其他神经元相互作用的突触连接权值，权值大小不仅与两端神经元所对应的图像像素灰度值大小有关，也与两端神经元之间的空间距离有关；

步骤(2)设定4类感受野最优方位，分别为中心水平、副对角线、中心垂直和正对角线；首先以最优方位为界将感受野一分为二，一半设为兴奋性突触连接，另一半设为抑制性突触连接，突触连接权值大小由步骤(1)确定；然后将兴奋与抑制区域对换，每一类最优方位将会形成2个方向性感受野，这样就会得到8个对特定方向敏感的感受野模型；

步骤(3)以归一化的图像像素灰度值作为第一级神经元网络的输入，将步骤(2)获得的8个感受野模型分别代入神经元模型，记录每个神经元在一段时间内的脉冲发放序列，并计算放电频率作为第一级神经元网络的输出；

步骤(4)融合步骤(3)中8个网络输出，并映射到灰度级形成一幅边缘敏感图像；对每个输出点选择放电频率最大时所对应的感受野最优方位，得到一个与原始图像尺寸大小相同的最优方位矩阵；

步骤(5)再次构建一个与第一级网络规模相同的神经元网络，单个神经元仍然采用LIF模型，形成第二级网络；在感受野范围内，比较各神经元与中心神经元的输入值大小；若某个神经元的输入要大于中心神经元的输入，确定其与中心神经元的突触连接权值，权值大小与神经元空间距离、输入以及最优方位三方面因素有关；

步骤(6)以边缘敏感图像作为第二级网络输入，构造一个方形感受野，依次与边缘敏感图像的每个像素点对应，根据像素点在最大响应方向上的极值分布，判断对应神经元是否受到侧向抑制作用，这里所述最大响应方向为垂直于最优方位的方向，具体判断规则为：当像素点在最大响应方向上为非极大时将受到侧向抑制作用，反之无作用；再根据最优方位矩阵，确定对应神经元在感受野内的去最优方位侧向抑制范围，抑制量为步骤(5)计算的突触连接权值，第二级网络脉冲频率输出即为抑制后的图像；

步骤(7)对步骤(6)的结果运用类间方差法选定合适阈值进行二值化，得到最终边缘图。

本发明具有的有益效果为：

1、改进了LIF神经元模型，使其具有方位敏感的感受野内突触连接特性，更符合视皮层下细胞方位感知机制，从而为后续处理作了有效的前级安排。

2、模拟了视皮层更为精细的轮廓感知能力，在最大响应方向上有选择的进行侧向抑制有利于保护真实边缘不受破坏，进而能准确定位；

3、对抑制区域去除最优方位能够避免边缘之间自抑制，从而能在去除伪边缘和纹理噪声的同时保护弱小细节，还原更真实的图像轮廓。

附图说明

图1为本发明方法流程图。

具体实施方式

结合图1，本发明具体的实施步骤为：

步骤(1)根据原始图像IO(x,y)(x＝1,2,…M；y＝1,2…N，变量x和y下同，M，N分别表示图像的宽和高)大小，构建相同尺寸的方位敏感第一级神经元网络GC(x,y)，其中单个神经元采用式(1)所示的LIF模型：

$\left\{\begin{array}{c}{c}_m\frac{\mathrm{dv}}{\mathrm{dt}}-g_{l}v+\underset{(x,y)\∈\mathrm{RF}}{\mathrm{\Σ}}{w}_{x,y}{I}_{x,y}\\ v=v_{\mathrm{reset}},\mathrm{ifv}>v_{\mathrm{th}}\end{array}\right.---\left(1\right)$

其中，v是神经元膜电压，c_m是膜电容，g_l是漏电导，RF表示神经元的感受野范围，w_x,y是突触连接权值。I_x,y是激励电流，对应图像IO(x,y)(x＝1,2,…M；y＝1,2…N)在(x,y)位置处的灰度归一化值。v_th为脉冲发放阈值，v_reset为静态电势。当v大于v_th时，神经元将产生脉冲发放，同时v被瞬时重置为v_reset。设置c_m＝1000，g_l＝1，v_th＝-54，v_reset＝-70；为一个5×5的方形感受野，在该感受野范围内，w_x,y的计算如式(2)所示：

$w_{x,y}=w_{x,y}^{\mathrm{gc}}=w_{\max }\exp [-(\frac{{|P_{x,y}-P_{x_c,y_c}|}^2}{2\mathrm{RFr}{1}^2}-\frac{{|I_{x,y}-I_{x_c,y_c}|}^2}{2\mathrm{\Δ}{I}^2})]---\left(2\right)$

式中(x_c,y_c)、(x,y)分别表示感受野中心和周围神经元坐标；是周围神经元与中心神经元在空间上的欧式距离，是周围神经元与中心神经元在输入上的激励电流差异绝对值；RFr1表示感受野的等效半径，设置为2.5；ΔI是感受野范围内最大与最小激励电流之差；w_max为权值调整常数，可设置为1。

步骤(2)设定4类感受野最优方位：中心水平(0°)、副对角线(45°)、中心垂直(90°)和正对角线(135°)，分别以上述最优方位为界，将感受野区域划分为具有兴奋和抑制突触连接特性的子区域，以实现视皮层下细胞对特定方位亮度对比线段的选择作用，计算如式(3)～(6)所示：

$w_{x,y}^0=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(y-y_c)>0\\ 0,\mathrm{if}(y-y_c)=0\\ -w_{x,y},\mathrm{if}(y-y_c)<0\end{array}\right.---\left(3\right)$

$w_{x,y}^{45}=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(x+y)<(x_c+y_c)\\ 0,\mathrm{if}(x+y)=(x_c+y_c)\\ -w_{x,y},\mathrm{if}(x+y)>(x_c+y_c)\end{array}\right.---\left(4\right)$

$w_{x,y}^{90}=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(x-x_c)>0\\ 0,\mathrm{if}(x-x_c)=0\\ -w_{x,y},\mathrm{if}(x-x_c)<0\end{array}\right.---\left(5\right)$

$w_{x,y}^{135}=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(x-y)<(x_c-y_c)\\ 0,\mathrm{if}(x-y)=(x_c-y_c)\\ -w_{x,y},\mathrm{if}(x-y)>(x_c-y_c)\end{array}\right.---\left(6\right)$

式中w_x,y由步骤(1)得到，(x_c,y_c)、(x,y)分别表示感受野中心和周围神经元坐标，和表示内突触连接权值。再将兴奋和抑制作用区对换，可得到另外四个方向性感受野突触连接权值：计算如式(7)～(10)所示：

$w_{x,y}^{0^{\&prime;}}=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(y-y_c)<0\\ 0,\mathrm{if}(y-y_c)=0\\ -w_{x,y},\mathrm{if}(y-y_c)>0\end{array}\right.---\left(7\right)$

$w_{x,y}^{{45}^{\&prime;}}=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(x+y)>(x_c+y_c)\\ 0,\mathrm{if}(x+y)=(x_c+y_c)\\ -w_{x,y},\mathrm{if}(x+y)<(x_c+y_c)\end{array}\right.---\left(8\right)$

$w_{x,y}^{{90}^{\&prime;}}=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(x-x_c)<0\\ 0,\mathrm{if}(x-x_c)=0\\ -w_{x,y},\mathrm{if}(x-x_c)>0\end{array}\right.---\left(9\right)$

$w_{x,y}^{{135}^{\&prime;}}=\left\{\begin{array}{c}{w}_{x,y},\mathrm{if}(x-y)>(x_c-y_c)\\ 0,\mathrm{if}(x-y)=(x_c-y_c)\\ -w_{x,y},\mathrm{if}(x-y)<(x_c-y_c)\end{array}\right.---\left(10\right)$

步骤(3)将步骤(2)中的8个突触连接权值分别代替式(1)中的w_x,y，将IO(x,y)灰度归一化值作为LIF神经元模型激励电流，输入到网络GC(x,y)中。计算各神经元在时间t＝1000ms内的脉冲发放频率，记为f^α(x,y)，α＝0,45,90,135,0',45',90',135'。其中0和0'均表示中心水平方位，前者表示具有上明下暗的边缘特征，后者与之相反，其他方位亦如此。

步骤(4)利用式(11)融合多方位上的频率矩阵，并映射成灰度等级，得到视皮层下细胞前级处理后的边缘敏感图像：

$\mathrm{IS}(x,y)=\frac{{\mathrm{\&Sigma;}}_{\mathrm{\&alpha;}}{f}^{\mathrm{\&alpha;}}(x,y)}{f\_\max }\&times;255---\left(11\right)$

式中，Σ_αf^α(x,y)是对8个方位脉冲发放频率的加和，f_max是融合后的频率矩阵Σ_αf^α(x,y)的最大值。

对于点(x,y)上的神经元，选择其最大放电频率所对应的感受野方位，角度记为β，例如在水平方位0或0'上的放电频率最大，则β＝0°。则按式(12)，可获得最优方位矩阵ID(x,y)。

ID_x,y＝β      (12)

这里，ID_x,y是矩阵ID(x,y)在点(x,y)处的值。

步骤(5)构建侧向抑制第二级神经元网络VC(x,y)，网络尺寸与GC(x,y)相同，单个神经元仍然采用式(1)所示LIF模型，参数设定亦与步骤(1)相同，此时感受野范围设置为3×3，在该感受野范围内，权值w_x,y计算如式(13)：

$w_{x,y}=\left\{\begin{array}{c}L\_{\mathrm{ih}}_{x,y}=\exp [-(\frac{\mathrm{\&Delta;}{d}^2}{2\mathrm{RFr}{2}^2}+\frac{1}{4}\sqrt{\frac{{\mathrm{IS}}_{x_c,y_c}}{{\mathrm{IS}}_{x,y}}}+\frac{{\mathrm{\&theta;}}^2}{2{\mathrm{\&delta;}}^2})],\mathrm{if}{\mathrm{IS}}_{x,y}\&GreaterEqual;{\mathrm{IS}}_{x_c,y_c}\\ 0,\mathrm{if}{\mathrm{IS}}_{x,y}<{\mathrm{IS}}_{x_c,y_c}\end{array}\right.---\left(13\right)$

式中，Δd为神经元空间距离，RFr2是感受野的等效半径，等于1.5，IS_x,y和分别是IS(x,y)在(x,y)和(x_c,y_c)位置经灰度归一化后的值，δ是最优方位最小差，等于45°,θ是最优方位角度差，定义为：

其中，ID_x,y和分别是ID(x,y)在(x,y)和(x_c,y_c)处的值。

步骤(6)以边缘敏感图像IS(x,y)灰度归一化后的值作为网络VC(x,y)的输入，将依次与边缘敏感图像的每个像素点对应，这里把感受野内最优方位所在区域标记为OF_x,y，垂直于OF_x,y的最大响应方向所在区域标记为MF_x,y。首先在作用范围内，按式(15)去除最优方位OF_x,y上同类边缘影响，可得到去最优方位侧向抑制量：

$w_{x,y}^{\mathrm{Lih}}=\left\{\begin{array}{c}L\_{\mathrm{ih}}_{x,y},(x,y)\&Element;({\mathrm{RF}}_{x,y}^{\mathrm{vc}}-{\mathrm{OF}}_{x,y})\\ 0,(x,y)\&Element;{\mathrm{OF}}_{x,y}\end{array}\right.---\left(15\right)$

根据感受野对应像素点在MF_x,y上是否是极大值，按式(16)确定其最终受到的抑制量：

$w_{x,y}^{\mathrm{vc}}=\left\{\begin{array}{c}0,{\mathrm{IS}}_{x_c,y_c}=\max \{\mathrm{IS}(x,y),(x,y)\&Element;{\mathrm{MF}}_{x,y}\}\\ w_{x,y}^{\mathrm{Lih}},\mathrm{else}\end{array}\right.---\left(16\right)$

以作为侧向抑制第二级神经元网络的最终突触连接权值，计算各神经元在时间t＝1000ms内的脉冲发放频率并映射到0～1范围内，记为IM(x,y)。

步骤(7)利用类间方差法计算阈值I_th，按式(17)对步骤(6)的结果二值化，得到最终边缘图IE(x,y)。

${\mathrm{IE}}_{x,y}=\left\{\begin{array}{c}1,{\mathrm{IM}}_{x,y}>I_{\mathrm{th}}\\ 0,{\mathrm{IM}}_{x,y}\&le;I_{\mathrm{th}}\end{array}\right.---\left(17\right)$

这里IE_x,y和IM_x,y分别是矩阵IE(x,y)和IM(x,y)在点(x,y)处的值。

Claims (1)

1.一种基于视通路方位敏感的图像边缘分级检测方法，其特征在于该方法包括以下步骤：

步骤（1）构建第一级神经元网络，其尺寸与原数字图像大小相同，其中单个神经元采用LIF模型；在每个神经元的感受野范围内，确定该神经元与其他神经元相互作用的突触连接权值，权值大小不仅与两端神经元所对应的图像像素灰度值大小有关，也与两端神经元之间的空间距离有关；

步骤（2）设定4类感受野最优方位，分别为中心水平、副对角线、中心垂直和正对角线；首先以最优方位为界将感受野一分为二，一半设为兴奋性突触连接，另一半设为抑制性突触连接，突触连接权值大小由步骤（1）确定；然后将兴奋与抑制区域对换，每一类最优方位将会形成2个方向性感受野，这样就会得到8个对特定方向敏感的感受野模型；

步骤（3）以归一化的图像像素灰度值作为第一级神经元网络的输入，将步骤（2）获得的8个感受野模型分别代入神经元模型，记录每个神经元在一段时间内的脉冲发放序列，并计算放电频率作为第一级神经元网络的输出；

步骤（4）融合步骤（3）中8个网络输出，并映射到灰度级形成一幅边缘敏感图像；对每个输出点选择放电频率最大时所对应的感受野最优方位，得到一个与原始图像尺寸大小相同的最优方位矩阵；

步骤（5）再次构建一个与第一级网络规模相同的神经元网络，单个神经元仍然采用LIF模型，形成第二级网络；在感受野范围内，比较各神经元与中心神经元的输入值大小；若某个神经元的输入要大于中心神经元的输入，确定其与中心神经元的突触连接权值，权值大小与神经元空间距离、输入以及最优方位三方面因素有关；

步骤（6）以边缘敏感图像作为第二级网络输入，构造一个方形感受野，依次与边缘敏感图像的每个像素点对应，根据像素点在最大响应方向上的极值分布，判断对应神经元是否受到侧向抑制作用，这里所述最大响应方向为垂直于最优方位的方向，具体判断规则为：当像素点在最大响应方向上为非极大时将受到侧向抑制作用，反之无作用；再根据最优方位矩阵，确定对应神经元在感受野内的去最优方位侧向抑制范围，抑制量为步骤（5）计算的突触连接权值，第二级网络脉冲频率输出即为抑制后的图像；

步骤（7）对步骤（6）的结果运用类间方差法选定合适阈值进行二值化，得到最终边缘图。