CN106033610A - 基于非经典感受野空间总和调制的轮廓检测方法 - Google Patents

Abstract

本发明旨在提供一种基于非经典感受野空间总和调制的轮廓检测方法，包括以下步骤：A、输入经灰度处理的待检测图像；B、对待检测图像Gabor滤波，获得各像素点的各个方向的Gabor能量值；C、计算出非经典感受野对中心神经元的空间总和调制权值；D、计算出非经典感受野在距离权值上对中心神经元的调制响应；E、计算得到中心神经元受非经典感受野的刺激响应；F、计算得到中心神经元受经典感受野和非经典感受野联合调制的刺激响应，作为对应的轮廓值；G、对各像素点的轮廓值使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。该方法克服现有技术仿真效果差、轮廓识别率低的缺陷，具有仿真效果好、轮廓识别率高的特点。

Description

基于非经典感受野空间总和调制的轮廓检测方法

技术领域

本发明涉及图像处理领域，具体涉及一种基于非经典感受野空间总和调制的轮廓检测方法。

背景技术

轮廓定义目标的形状，轮廓是目标识别中的重要任务之一，而从杂乱场景中获取的目标轮廓是一项重要且相当困难的任务，主要是因为轮廓周围通常存在大量纹理背景的边缘，因此这项工作主要需要排除由于纹理区域的无意义边缘，而保留目标轮廓。提高检测率的关键在于能基于上下文将局部信息优化整合成一致的全局特征。人类视觉系统具有快速和有效的从复杂场景中提取轮廓特征的能力，有效促进了以生物特性作为启发的轮廓检测算法研究的发展。生理研究表明，V1层神经元具有方位选择性，且在其经典感受野(Classical ReceptiveRield，CRF)外存在非经典感受野(Non-Classical Receptive Rield，NCRF)区域，虽然单独刺激该区域没有响应，但可以对CRF具有一定的调制作用。

现有技术中，Grigorescu等人采用二维GABOR函数模型模拟视皮层简单细胞经典感受野的输出，由高斯差分函数(Difference of Gaussian，DoG)模拟圆环形的非经典感受野神经元对中心神经元的距离权值，提出各项同性和各项异性的抑制计算模型构建，从而建立非经典感受野目标轮廓检测模型。该类方法利用了初级视皮层中细胞的非经典感受野抑制特性，即中心神经元的活动被周边神经元所施加的抑制而减弱，形成侧抑制机制；然而，这种方法的抑制权值计算仅考虑了NCRF神经元个体对中心神经元的影响程度，但是NCRF神经元在参与中心神经元的调制中，其生理特性使得其自身同时也受到周边神经元的调制。

发明内容

本发明旨在提供一种基于非经典感受野空间总和调制的轮廓检测方法，该方法克服现有技术仿真效果差、轮廓识别率低的缺陷，具有仿真效果好、轮廓识别率高的特点。

本发明的技术方案如下：基于非经典感受野空间总和调制的轮廓检测方法，包括以下步骤：

A、输入经灰度处理的待检测图像，将待检测图像的各个像素点分别作为非经典感受野中心神经元；

B、预设多个方向参数的Gabor滤波器组，对待检测图像中的各像素点分别按照各个方向参数进行Gabor滤波，获得各像素点的各个方向的Gabor能量值；对于每个像素点，选取其各个方向的Gabor能量值中的最大值，作为该像素点受经典感受野的刺激响应，即为该非经典感受野中心神经元的刺激响应，该最大值对应的滤波方向作为该像素点的最优角，即为该非经典感受野中心神经元的最优角；

C、基于各个非经典感受野中心神经元，分别计算得到各个非经典感受野对其中心神经元的全局能量调制权值，并分别结合各非经典感受野中心神经元对应的的最优角计算得到各非经典感受野中心神经元方位调制权值，进而计算出各个非经典感受野对其中心神经元的空间总和调制权值；

D、计算出各个非经典感受野对其中心神经元作用的距离函数，将这一距离函数与其中心神经元受经典感受野的刺激响应进行卷积得到各个非经典感受野在距离权值上对其中心神经元的调制响应；

E、通过各个非经典感受野的调制响应与其空间总和调制权值进行乘积得到各个中心神经元受非经典感受野的刺激响应；

F、通过各个中心神经元受非经典感受野调制的刺激响应与抑制系数相乘，再将其中心神经元受经典感受野的刺激响应减去上述乘积得到中心神经元受经典感受野和非经典感受野联合调制的刺激响应，取正后作为该中心神经元对应的轮廓值，从而得到各个像素点的轮廓值；

G、对各像素点的轮廓值使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。

所述的步骤B具体如下：

所述的Gabor滤波器组的二维Gabor函数表达式如下：

其中γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ为DoG模板中心区的带宽，1/λ为余弦函数的空间频率，σ/λ为空间频率的带宽，是相角参数，θ为Gabor滤波的角度参数；

I(x,y)为待检测图像，*为卷积运算符；

Gabor能量值计算如下：

$E_{\mathrm{\λ},\mathrm{\σ},{\mathrm{\θ}}_i}(x,y)=\sqrt{{e^2}_{\mathrm{\λ},\mathrm{\σ},{\mathrm{\θ}}_i,0}(x,y)+{e^2}_{\mathrm{\λ},\mathrm{\σ},{\mathrm{\θ}}_i,\mathrm{\π}/2}(x,y)}---\left(3\right);$

${\mathrm{\θ}}_i=\frac{\mathrm{\π}(i-1)}{N_{\mathrm{\θ}}},i=1,2,...N_{\mathrm{\θ}}---\left(4\right);$

其中θ_i为Gabor滤波的某一角度，N_θ为Gabor滤波的角度的个数；

$\mathrm{Ec}(x,y)=\max \left\{E_{{\mathrm{\λ},\mathrm{\σ},\mathrm{\θ}}_i}(x,y)\right|i=\mathrm{1,2},...N_{\mathrm{\θ}}\}---\left(5\right);$

Ec(x,y)为像素点(x,y)的各角度Gabor滤波能量值的最大值，为Ec(x,y)对应的滤波角度，作为像素点(x,y)的最优角。

所述的步骤C具体如下：

所述的非经典感受野对中心神经元的空间总和调制权值的表达式为：

Fs(x,y)＝∑_x′∑_y′Fa(x+x′,y+y′)Fr(x+x′,y+y′) (7)；

其中-3kσ<x′<3kσ；-3kσ<y′<3kσ；

其中Fs(x,y)为非经典感受野对中心神经元的空间总和调制权值，Fr(x,y)为非经典感受野对中心神经元的全局能量调制权值，Fa(x+x′,y+y′)为非经典感受野对中心神经元的方位调制权值；

Fr(x,y)表达式为：

$Fr(x,y)=\frac{1}{1+\exp (-Ec(x,y)+E_{AVG})}---\left(8\right);$

其中，E_AVG为待检测图像各像素点受经典感受野刺激响应的均值，即为待检测图像各个像素点的Ec(x,y)值的均值；

Fa(x+x′,y+y′)的表达式为：

$Fa(x+x^{\&prime;},y+y^{\&prime;})=1-\frac{2}{\mathrm{\&pi;}}*\mathrm{\&omega;}---\left(9\right);$

其中ω＝max(ω₁，ω₂) (10)；

其中为中心神经元A(x,y)的最优角，为非经典感受野中除中心神经元外的任一神经元B(x+x′,y+y′)的最优角，即分别为神经元A、B的最大的gabor能量值对应的滤波角度，为中心神经元A与神经元B连线的偏向角。

所述的步骤D具体如下：

所述的非经典感受野在距离权值上对中心神经元的调制响应表达为：

Ed(x,y)＝Ec(x,y)*Fd(x,y) (13)；

其中Ed(x,y)为非经典感受野在距离权值上对中心神经元的调制响应，Fd(x,y)为非经典感受野对中心神经元作用的距离函数；

Fd(x,y)的表达式为：

$Fd(x,y)=\frac{H\left(DoG\right(x,y\left)\right)}{\left|\right|H\left(DoG\right(x,y\left)\right)|{|}_1}---\left(14\right);$

其中，

$DoG(x,y)=\frac{1}{2\mathrm{\&pi;}{\left(k\mathrm{\&sigma;}\right)}^2}\exp (-\frac{x^2+y^2}{2{\left(k\mathrm{\&sigma;}\right)}^2})-\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})---\left(16\right);$

其中，||·||₁为(L¹)范数，H(DoG(x,y))为取正值的函数，DoG(x,y)为DoG模板对应的表达式，k为DOG模板函数中两个高斯函数sigma值的比率。

所述的步骤E具体如下：

中心神经元受非经典感受野的刺激响应表达式为：

En(x,y)＝Fs(x,y)·Ed(x,y) (17)。

所述的步骤F具体如下：

所述的中心神经元受经典感受野和非经典感受野联合调制的刺激响应的表达式为：

R(x,y)＝Ec(x,y)-αEn(x,y) (18)；

其中R(x,y)为中心神经元受经典感受野和非经典感受野联合调制的刺激响应，α为抑制系数；

所述的取正函数为

本发明轮廓检测方法采用特有的非经典感受野的中心神经元的空间总和调制权值，将非经典感受野内神经元的能量全局调制与方位调制结合，该权值既考虑了非经典感受野内神经元的能量全局调制作用，也考虑了非经典感受野内神经元的方位调制作用；该特征充分利用了非经典感受野内神经元在参与中心神经元的调制中，同时也受到自身周边神经元调制的生理特性。

因此，本发明轮廓检测方法体现了非经典感受野内神经元在全局考虑下对中心神经元的能量调制影响，更为符合非经典感受野的生理特性。该方法与现有模型对比的实验结果表明，该模型在抑制纹理和保持轮廓完整性上效果较好，且取得了较高的轮廓检测评测结果。

附图说明

图1为本发明提供的基于非经典感受野空间总和调制的轮廓检测方法的流程框图。

图2为待检测图像(山羊)

图3为待检测图像(犀牛)

图4为图2的真实轮廓图

图5为图3的真实轮廓图

图6为文献1各向异性模型对图2的检测轮廓图

图7为文献1各向异性模型对图3的检测轮廓图

图8为文献1各向同性模型对图2的检测轮廓图

图9为文献1各向同性模型对图3的检测轮廓图

图10为文献2检测方法对图2的检测轮廓图

图11为文献2检测方法对图3的检测轮廓图

图12为本实施例检测方法对图2的检测轮廓图

图13为本实施例检测方法对图3的检测轮廓图

图14为各方法对图2进行轮廓检测的盒须图

图15为各方法对图3进行轮廓检测的盒须图

图16为步骤C中的中心神经元与其余神经元各个角度的示意图

具体实施方式

下面结合附图和实施例具体说明本发明。

实施例1

本实施例提供的轮廓检测方法包括以下步骤：

A、输入经灰度处理的待检测图像，将待检测图像的各个像素点分别作为非经典感受野中心神经元；

B、预设多个方向参数的Gabor滤波器组，对待检测图像中的各像素点分别按照各个方向参数进行Gabor滤波，获得各像素点的各个方向的Gabor能量值；对于每个像素点，选取其各个方向的Gabor能量值中的最大值，作为该像素点受经典感受野的刺激响应，即为该非经典感受野中心神经元的刺激响应，该最大值对应的滤波方向作为该像素点的最优角，即为该非经典感受野中心神经元的最优角；

所述的Gabor滤波器组的二维Gabor函数表达式如下：

其中γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ为DoG模板中心区的带宽，1/λ为余弦函数的空间频率，σ/λ为空间频率的带宽，是相角参数，θ为Gabor滤波的角度参数；

I(x,y)为待检测图像，*为卷积运算符；

Gabor能量值计算如下：

$E_{\mathrm{\&lambda;},\mathrm{\&sigma;},{\mathrm{\&theta;}}_i}(x,y)=\sqrt{{e^2}_{\mathrm{\&lambda;},\mathrm{\&sigma;},{\mathrm{\&theta;}}_i,0}(x,y)+{e^2}_{\mathrm{\&lambda;},\mathrm{\&sigma;},{\mathrm{\&theta;}}_i,\mathrm{\&pi;}/2}(x,y)}---\left(5\right);$

${\mathrm{\&theta;}}_i=\frac{\mathrm{\&pi;}(i-1)}{N_{\mathrm{\&theta;}}},i=1,2,...N_{\mathrm{\&theta;}}---\left(6\right);$

其中θ_i为Gabor滤波的某一角度，N_θ为Gabor滤波的角度的个数；

$\mathrm{Ec}(x,y)=\max \left\{E_{{\mathrm{\&lambda;},\mathrm{\&sigma;},\mathrm{\&theta;}}_i}(x,y)\right|i=\mathrm{1,2},...N_{\mathrm{\&theta;}}\}---\left(7\right);$

Ec(x,y)为像素点(x,y)的各角度Gabor滤波能量值的最大值，为Ec(x,y)对应的滤波角度，作为像素点(x,y)的最优角；

C、基于各个非经典感受野中心神经元，分别计算得到各个非经典感受野对其中心神经元的全局能量调制权值，并分别结合各非经典感受野中心神经元对应的的最优角计算得到各非经典感受野中心神经元方位调制权值，进而计算出各个非经典感受野对其中心神经元的空间总和调制权值；

所述的非经典感受野对中心神经元的空间总和调制权值的表达式为：

Fs(x,y)＝∑_x′∑_y′Fa(x+x′,y+y′)Fr(x+x′,y+y′) (9)；

其中-3kσ<x′<3kσ；-3kσ<y′<3kσ；

其中Fs(x,y)为非经典感受野对中心神经元的空间总和调制权值，Fr(x,y)为非经典感受野对中心神经元的全局能量调制权值，Fa(x+x′,y+y′)为非经典感受野对中心神经元的方位调制权值；

Fr(x,y)表达式为：

$Fr(x,y)=\frac{1}{1+\exp (-Ec(x,y)+E_{AVG})}---\left(10\right);$

其中，E_AVG为待检测图像各像素点受经典感受野刺激响应的均值，即为待检测图像各个像素点的Ec(x,y)值的均值；

Fa(x+x′,y+y′)的表达式为：

$Fa(x+x^{\&prime;},y+y^{\&prime;})=1-\frac{2}{\mathrm{\&pi;}}*\mathrm{\&omega;}---\left(11\right);$

其中ω＝max(ω₁，ω₂) (12)；

如图16所示，其中为中心神经元A(x,y)的最优角，为非经典感受野中除中心神经元外的任一神经元B(x+x′,y+y′)的最优角，即分别为神经元A、B的最大的gabor能量值对应的滤波角度，为中心神经元A与神经元B连线的偏向角；

D、计算出各个非经典感受野对其中心神经元作用的距离函数，将这一距离函数与其中心神经元受经典感受野的刺激响应进行卷积得到各个非经典感受野在距离权值上对其中心神经元的调制响应；

所述的非经典感受野在距离权值上对中心神经元的调制响应表达为：

Ed(x,y)＝Ec(x,y)*Fd(x,y) (15)；

其中Ed(x,y)为非经典感受野在距离权值上对中心神经元的调制响应，Fd(x,y)为非经典感受野对中心神经元作用的距离函数；

Fd(x,y)的表达式为：

$Fd(x,y)=\frac{H\left(DoG\right(x,y\left)\right)}{\left|\right|H\left(DoG\right(x,y\left)\right)|{|}_1}---\left(16\right);$

其中，

$DoG(x,y)=\frac{1}{2\mathrm{\&pi;}{\left(k\mathrm{\&sigma;}\right)}^2}\exp (-\frac{x^2+y^2}{2{\left(k\mathrm{\&sigma;}\right)}^2})-\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})---\left(18\right);$

其中，||·||₁为(L¹)范数，H(DoG(x,y))为取正值的函数，DoG(x,y)为DoG模板对应的表达式，k为DOG模板函数中两个高斯函数sigma值的比率；

E、通过各个非经典感受野的调制响应与其空间总和调制权值进行乘积得到各个中心神经元受非经典感受野的刺激响应；

中心神经元受非经典感受野的刺激响应表达式为：

En(x,y)＝Fs(x,y)·Ed(x,y) (19)；

F、通过各个中心神经元受非经典感受野调制的刺激响应与抑制系数相乘，再将其中心神经元受经典感受野的刺激响应减去上述乘积得到中心神经元受经典感受野和非经典感受野联合调制的刺激响应，取正后作为该中心神经元对应的轮廓值，从而得到各个像素点的轮廓值；

所述的中心神经元受经典感受野和非经典感受野联合调制的刺激响应的表达式为：

R(x,y)＝H{Ec(x,y)-αEn(x,y)} (20)；

其中R(x,y)为中心神经元受经典感受野和非经典感受野联合调制的刺激响应，α为抑制系数；

所述的取正函数为

G、对各像素点的轮廓值使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。

下面将本实施例的轮廓检测方法与如下两篇文献提供的轮廓检测方法进行有效性对比，其中选用文献1中的各向同性模型以及各项异性模型进行有效性对比，两篇文献如下：

文献1：Grigorescu C,Petkov N,Westenberg M.Contour detection based on nonclassicalreceptive field inhibition[J].IEEE Transactions on Image Processing,2003,12(7):729-739.

文献2：C.Zeng,Y.Li,C.Li,Center-surround interaction with adaptive inhibition:acomputational model for contour detection,Neuroimage,2011,55(1):49-66.；

为保证对比的有效性，对于本实施例采用与文献1与文献2中相同的非极大值抑制方法进行后续的轮廓整合，其中包含的两个阈值t_h,t_l设置为t_l＝0.5t_h，由分位数p计算而得；

其中性能评价指标采用文献1中给出的如下标准：

$P=\frac{card\left(E\right)}{card\left(E\right)+card\left(E_{fp}\right)+card\left(E_{fn}\right)}$

式中card(X)表示集合X中成员的数目；card(E)、card(E_fp)、card(E_fn)分别表示正确轮廓、虚假轮廓与遗漏轮廓的数目，评测标准P取值在[0,1]之间，越接近1表示轮廓检测的效果越好。

有效性对比中：选取2幅较为典型的图像进行轮廓提前的有效性对比，分别如图2、图3所示，对应的真实轮廓图分别为图4与图5；

对于图2，本实施例选用的参数为：α＝0.6，σ＝2.0，p＝0.05，其余参数参见表1；

对于图3，本实施例选用的参数为：α＝1.5，σ＝2.9，p＝0.1，其余参数参见表1；

对于图2，文献1中的各向异性模型选用的参数为：α＝1.0，σ＝2.4，p＝0.1，其余参数参见表1；

对于图3，文献1中的各向异性模型选用的参数为：α＝1.0，σ＝2.2，p＝0.1，其余参数参见表1；

对于图2，文献1中的各向同性模型选用的参数为：α＝1.2，σ＝2.4，p＝0.1，其余参数参见表1；

对于图3，文献1中的各向同性模型选用的参数为：α＝1.0，σ＝2.4，p＝0.1，其余参数参见表1；

对于图2，文献2中的检测方法选用的参数为：α₁＝1.0，α₂＝2.0，σ_f.＝2.0，σ_c＝10.0，p＝0.1，其余参数参见表1；

对于图3，文献2中的检测方法选用的参数为：α₁＝1.0，α₂＝1.2，σ_f.＝2.0，σ_c＝10.0，p＝0.1，其余参数参见表1；

表1 部分参数表

对比结果参见表2：

表2 对比结果

对应的轮廓提取结果如图6-图13所示。

为了更好地对上述几种检测方法进行对比，还进行了盒须图比较，采用文献1中公开的盒须图方法，各方法均选用80组参数，各方法的参数选择如下：

本实施例检测方法中选用的参数为：α＝[0.6,0.9,1.2,1.5]，σ＝[2.0,2.3,2.6,2.9,3.2]，p＝[0.2,0.15,0.1,0.05]，其余参数参见表1；

文献1中的各向异性模型选用的参数为：α＝[1.0,1.2]，σ＝[1.0,1.2,1.4,1.6,1.8,2.0,2.2,2.4]，p＝[05,0.4,0.3,0.2,0.1]，其余参数参见表1；

文献1中的各向同性模型选用的参数为：α＝[1.0,1.2]，σ＝[1.0,1.2,1.4,1.6,1.8,2.0,2.2,2.4]，p＝[05,0.4,0.3,0.2,0.1]，其余参数参见表1；

文献2中的检测方法选用的参数为：α₁＝1.0，α₂＝[1.0,1.2]，σ_f.＝[1.2,1.6,2.0,2.4]，σ_c＝[5σ_f.,6σ_f.]，p＝[05,0.4,0.3,0.2,0.1]，其余参数参见表1；

相应的盒须图如图14、图15所示；其中A表示文献1的各项异性模型，I表示文献1的各项同性模型，Z表示文献2检测方法，O表示本实施例检测方法。

由上述表2及图14、15的对比可以看出，本实施例轮廓检测方法在保持轮廓完整和抑制纹理上具有较好的效果。

Claims (6)

1.基于非经典感受野空间总和调制的轮廓检测方法，其特征在于包括以下步骤：

A、输入经灰度处理的待检测图像，将待检测图像的各个像素点分别作为非经典感受野中心神经元；

B、预设多个方向参数的Gabor滤波器组，对待检测图像中的各像素点分别按照各个方向参数进行Gabor滤波，获得各像素点的各个方向的Gabor能量值；对于每个像素点，选取其各个方向的Gabor能量值中的最大值，作为该像素点受经典感受野的刺激响应，即为该非经典感受野中心神经元的刺激响应，该最大值对应的滤波方向作为该像素点的最优角，即为该非经典感受野中心神经元的最优角；

C、基于各个非经典感受野中心神经元，分别计算得到各个非经典感受野对其中心神经元的全局能量调制权值，并分别结合各非经典感受野中心神经元对应的的最优角计算得到各非经典感受野中心神经元方位调制权值，进而计算出各个非经典感受野对其中心神经元的空间总和调制权值；

D、计算出各个非经典感受野对其中心神经元作用的距离函数，将这一距离函数与其中心神经元受经典感受野的刺激响应进行卷积得到各个非经典感受野在距离权值上对其中心神经元的调制响应；

E、通过各个非经典感受野的调制响应与其空间总和调制权值进行乘积得到各个中心神经元受非经典感受野的刺激响应；

F、通过各个中心神经元受非经典感受野调制的刺激响应与抑制系数相乘，再将其中心神经元受经典感受野的刺激响应减去上述乘积得到中心神经元受经典感受野和非经典感受野联合调制的刺激响应，取正后作为该中心神经元对应的轮廓值，从而得到各个像素点的轮廓值；

G、对各像素点的轮廓值使用非极大值抑制和双阈值处理，得到各像素点的最终轮廓值。

2.如权利要求1所述的基于非经典感受野空间总和调制的轮廓检测方法，其特征在于：

所述的步骤B具体如下：

所述的Gabor滤波器组的二维Gabor函数表达式如下：

其中γ为一个表示椭圆形感受野长短轴比例的常数，参数λ为波长，σ为DoG模板中心区的带宽，1/λ为余弦函数的空间频率，σ/λ为空间频率的带宽，是相角参数，θ为Gabor滤波的角度参数；

I(x,y)为待检测图像，*为卷积运算符；

Gabor能量值计算如下：

$E_{\mathrm{\&lambda;},\mathrm{\&sigma;},{\mathrm{\&theta;}}_i}(x,y)=\sqrt{{e^2}_{\mathrm{\&lambda;},\mathrm{\&sigma;},{\mathrm{\&theta;}}_i,0}(x,y)+{e^2}_{\mathrm{\&lambda;},\mathrm{\&sigma;},{\mathrm{\&theta;}}_i,\mathrm{\&pi;}/2}(x,y)}---\left(3\right);$

${\mathrm{\&theta;}}_i=\frac{\mathrm{\&pi;}(i-1)}{N_{\mathrm{\&theta;}}},i=1,2,...N_{\mathrm{\&theta;}}---\left(4\right);$

其中θ_i为Gabor滤波的某一角度，N_θ为Gabor滤波的角度的个数；

$Ec(x,y)=max\left\{E_{\mathrm{\&lambda;},\mathrm{\&sigma;},{\mathrm{\&theta;}}_i}(x,y)\right|i=1,2,...N_{\mathrm{\&theta;}}\}---\left(5\right);$

Ec(x,y)为像素点(x,y)的各角度Gabor滤波能量值的最大值，为Ec(x,y)对应的滤波角度，作为像素点(x,y)的最优角。

3.如权利要求2所述的基于非经典感受野空间总和调制的轮廓检测方法，其特征在于：

所述的步骤C具体如下：

所述的非经典感受野对中心神经元的空间总和调制权值的表达式为：

Fs(x,y)＝∑_x′∑_y′Fa(x+x′,y+y′)Fr(x+x′,y+y′) (7)；

其中-3kσ<x′<3kσ；-3kσ<y′<3kσ；

其中Fs(x,y)为非经典感受野对中心神经元的空间总和调制权值，Fr(x,y)为非经典感受野对中心神经元的全局能量调制权值，Fa(x+x′,y+y′)为非经典感受野对中心神经元的方位调制权值；

Fr(x,y)表达式为：

$Fr(x,y)=\frac{1}{1+\exp (-Ec(x,y)+E_{AVG})}---\left(8\right);$

其中，E_AVG为待检测图像各像素点受经典感受野刺激响应的均值，即为待检测图像各个像素点的Ec(x,y)值的均值；

Fa(x+x′,y+y′)的表达式为：

$Fa(x+x^{\&prime;},y+y^{\&prime;})=1-\frac{2}{\mathrm{\&pi;}}*\mathrm{\&omega;}---\left(9\right);$

其中ω＝max(ω₁，ω₂) (10)；

其中为中心神经元A(x,y)的最优角，为非经典感受野中除中心神经元外的任一神经元B(x+x′,y+y′)的最优角，即分别为神经元A、B的最大的gabor能量值对应的滤波角度，为中心神经元A与神经元B连线的偏向角。

4.如权利要求3所述的基于非经典感受野空间总和调制的轮廓检测方法，其特征在于：

所述的步骤D具体如下：

所述的非经典感受野在距离权值上对中心神经元的调制响应表达为：

Ed(x,y)＝Ec(x,y)*Fd(x,y) (13)；

其中Ed(x,y)为非经典感受野在距离权值上对中心神经元的调制响应，Fd(x,y)为非经典感受野对中心神经元作用的距离函数；

Fd(x,y)的表达式为：

$Fd(x,y)=\frac{H\left(DoG\right(x,y\left)\right)}{\left|\right|H\left(DoG\right(x,y\left)\right)|{|}_1}---\left(14\right);$

其中，

$DoG(x,y)=\frac{1}{2\mathrm{\&pi;}{\left(k\mathrm{\&sigma;}\right)}^2}\exp (-\frac{x^2+y^2}{2{\left(k\mathrm{\&sigma;}\right)}^2})-\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})---\left(16\right);$

其中，||·||₁为(L¹)范数，H(DoG(x,y))为取正值的函数，DoG(x,y)为DoG模板对应的表达式。

5.如权利要求4所述的基于非经典感受野空间总和调制的轮廓检测方法，其特征在于：

所述的步骤E具体如下：

中心神经元受非经典感受野的刺激响应表达式为：

En(x,y)＝Fs(x,y)·Ed(x,y) (17)。

6.如权利要求5所述的基于非经典感受野空间总和调制的轮廓检测方法，其特征在于：

所述的步骤F具体如下：

所述的中心神经元受经典感受野和非经典感受野联合调制的刺激响应的表达式为：

R(x,y)＝Ec(x,y)-αEn(x,y) (18)；

其中R(x,y)为中心神经元受经典感受野和非经典感受野联合调制的刺激响应，α为抑制系数；

所述的取正函数为