CN106228547A - 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 - Google Patents

Abstract

一种基于视觉颜色理论和同质抑制的轮廓与边界检测方法，属于计算机视觉和模式识别的交叉领域，旨在从复杂的自然场景中提取目标的轮廓和边界。本发明通过研究人眼视觉信息处理机制，对视觉通路各级神经元的感受野建立数学模型，同时利用非经典感受野的调制作用来抑制纹理边缘，从而突显轮廓和边界。本发明的创新点在于将人眼颜色信息处理机制引入轮廓与边界检测模型中，通过设置不平衡的视锥输入检测出颜色和亮度边界，保持轮廓的完整性，同时考虑纹理区域的同质性和非经典感受野对经典感受野的同质抑制，采用同质抑制来抑制纹理边缘，从而很好的提取自然图像的轮廓和边界。

Description

一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法

技术领域

本发明属于图像处理、计算机视觉和模式识别的交叉领域，具体涉及到了一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法。

背景技术

轮廓和边界检测是图像处理、计算机视觉、模式识别等领域的基础课题，检测结果的好坏直接影响更高级的视觉任务，轮廓与边界检测可用于目标识别、对象跟踪、图像分割等领域，具有重要的研究意义。

传统边缘检测算子往往根据颜色、亮度等低层信息的突变来检测边缘，由于仅利用了低层信息，不能有效区分轮廓与纹理边缘，因而检测结果中含有较多不必要的纹理信息。基于概率的轮廓检测算法通过差分直方图获取亮度梯度、颜色梯度、纹理梯度，然后利用逻辑回归模型将三种梯度特征综合，训练出模型参数，最后利用该模型和每个像素点的三个梯度特征来判断该像素点属于轮廓的概率。概率轮廓检测算法取得了较好的效果，但是该算法由于要计算三种梯度特征，比较耗时，而且训练出的模型参数强烈依赖于训练集，因而对单幅图像的检测结果具有可变性。由于人类视觉系统能快速准确地从自然图像中检测出轮廓与边界，这为轮廓与边界检测提供了一个新思路，通过研究人眼视觉信息处理机制，对视觉通路各级神经元的感受野建立数学模型，从而实现轮廓与边界检测。在轮廓与边界检测中引入视觉信息处理机制不仅可以有效的提高轮廓检测的效果,同时更符合人类视觉效果。

由于颜色信息对于理解自然场景也非常重要，因而引入视觉颜色信息处理机制，视觉颜色信息处理通道如图1所示。研究表明，视皮层V1区存在着对颜色和亮度都敏感的神经元，通过研究这些神经元的颜色拮抗机制，然后建立数学模型来模拟这些神经元的感受野，最终既能检测出亮度边界，又可以检测出颜色边界，同时考虑纹理区域的同质性和非经典感受野对经典感受野的同质抑制能抑制部分纹理边缘。因而本发明提出了一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法。

发明内容

本发明提供了一种基于视觉颜色理论和同质抑制的轮廓与边界检测方法，该方法可以有效地提取出自然图像轮廓和边界。

本发明提供的一种基于视觉颜色理论和同质抑制的轮廓与边界检测方法，其特征在于，所述方法包括如下步骤：

(1)将待检测的图像输入到电子视网膜，被视网膜上的L-cone、M-cone、S-cone三种视锥细胞分为红、绿、蓝三个颜色通道，分别用R(x,y),G(x,y),B(x,y)表示，并计算得到黄色混合通道；

(2)视锥细胞处理后，颜色信息经电子视网膜中的神经节细胞传递至外侧膝状体，神经节或外膝体拥有两种颜色拮抗的神经元：一种称为红-绿拮抗神经元(R-G)；另外一种被称作蓝-黄拮抗神经元(B-Y)；红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，蓝-黄拮抗神经元接受相反极性的S和(M+L)视锥细胞的输出作为输入；红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，以得到红-绿拮抗神经元的响应信号和蓝-黄拮抗神经元的响应信号；

(3)将双拮抗神经元看成是具有特定朝向选择性的两个相反的单拮抗神经元并行排列而成，视皮层V1区的由并排的单拮抗感受野形成的双拮抗感受野具有朝向选择性；利用双拮抗神经元提取的不同朝向上各个拮抗通道的响应的最大值，结合胜者全取策略，选择所有通道上的最大值及其对应朝向作为轮廓响应和最优朝向；

(4)利用局部亮度特征和亮度对比度特征来描述感受野中刺激特征的同质性，用DOG_h函数描述非经典感受野，同时也考虑距离因素的影响；采用尺度引导策略来综合同质性中的多特征的影响，通过两个尺度的信息，确定同质抑制程度；

(5)纹理区域具有同质性，采用同质抑制以减少纹理边缘，利用像素与同质抑制之间的关系即：像素点处于纹理中时，同质抑制的程度大，反之，当像素点处于轮廓或边界上时，同质抑制程度小；得到基于颜色理论和同质抑制的轮廓和边界检测模型；

(6)通过非极大值抑制细化轮廓，排除不是单像素宽度的轮廓，并采用基于概率模型的高低自适应阈值以获取高、低阈值，以此进行滞后门限处理，得到二值化的轮廓图。

本发明具有以下技术特点：

(1)用一个二维高斯滤波器g_σ(x,y)来描述感受野的结构,σ表示高斯滤波器的方差，用来调节感受野的尺寸。红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，因此红-绿拮抗神经元的响应可以用如下表达式描述：

S_rg(x,y)＝(w₁·R(x,y)+w₂·G(x,y))*g_σ(x,y)

同理，蓝-黄拮抗神经元的响应用如下表达式描述：

S_by(x,y)＝(w₁·B(x,y)+w₂·Y(x,y))*g_σ(x,y)

式中，w₁和w₂表示视锥输入权重，并且，

w₁w₂表示从视锥细胞到神经节细胞的连接权重，由于神经元呈现单拮抗特性，因此他们的符号总是相反。

从公式可以看出，当|w₁|＝|w₂|时，即神经节细胞/外膝体具有相反的连接权重时，对亮度信息不响应，因而不能检测出亮度边界。相反，当神经节细胞/外膝体具有不平衡的连接权重时，该模型对亮度信息和颜色信息都能作出响应，因而既能检测出颜色边界，又能检测出亮度边界。

(2)视皮层V1区的双拮抗感受野具有朝向选择性；双拮抗神经元可以看成是具有特定朝向选择性的两个相反的单拮抗神经元并行排列而成，用2-D高斯函数的导数来模拟：

$RF(x,y;\mathrm{\θ},\mathrm{\σ})=\frac{\∂g(\tilde{x},\tilde{y};\mathrm{\θ},\mathrm{\σ})}{\∂\tilde{x}}$

$g(\tilde{x},\tilde{y};\mathrm{\θ},\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{{\tilde{x}}^2+{\mathrm{\γ}}^2{\tilde{y}}^2}{2{\mathrm{\σ}}^2})$

$\left[\begin{array}{c}\tilde{x}\\ \tilde{y}\end{array}\right]=\left[\begin{array}{c}xcos\mathrm{\θ}+ysin\mathrm{\θ}\\ -xsin\mathrm{\θ}+ycos\mathrm{\θ}\end{array}\right]$

式中：γ代表高斯滤波器的空间长宽比，调节感受野的椭圆率；θ∈[0,2π)表示细胞的最优响应朝向；σ表示V1区感受野的尺寸，一般设置为神经节细胞感受野的k倍，且k>1，表明V1区神经元的感受野比前面各层的感受野要大。因此，双拮抗神经元提取的不同朝向上各个拮抗通道的响应：

D_r+g-(x,y；θ_i,σ)＝|S_r+g-(x,y)*RF(x,y；θ_i,σ)|

D_r-g+(x,y；θ_i,σ)＝|S_r-g+(x,y)*RF(x,y；θ_i,σ)|

D_b+y-(x,y；θ_i,σ)＝|S_b+y-(x,y)*RF(x,y；θ_i,σ)|

D_b-y+(x,y；θ_i,σ)＝|S_b-y+(x,y)*RF(x,y；θ_i,σ)|

式中，*表示卷积。θ_i∈[0,2π)，并且N_θ表示用于提取朝向信息的滤波器朝向的个数。

由于双拮抗神经元具有朝向选择性，因而选择各个拮抗通道在所有朝向上的最大值作为该拮抗通道的边界响应，即：

D_rg(x,y)＝max{D_r+g-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_gr(x,y)＝max{D_r-g+(x,y；θ_i,σ)|i＝1,2...N_θ}

D_by(x,y)＝max{D_b+y-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_yb(x,y)＝max{D_b-y+(x,y；θ_i,σ)|i＝1,2...N_θ}

相应地，各个拮抗通道对应的最优朝向为：

θ_rg(x,y)＝argmax{D_r+g-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_gr(x,y)＝argmax{D_r-g+(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_by(x,y)＝argmax{D_b+y-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_yb(x,y)＝argmax{D_b-y+(x,y；θ_i,σ)|i＝1,2,...N_θ}

采用胜者全取策略，选择所有通道上的最大值及其对应朝向作为轮廓响应和最优朝向：

$r(x,y)=max\left(D_{c_i}\right(x,y\left)\right|c_i\∈\{rg,gr,by,yb\})$

$\mathrm{\θ}(x,y)={\mathrm{\θ}}_{c_i}(x,y),c_i=\arg max\left(D_{c_i}\right(x,y\left)\right|c_i\∈\{rg,gr,by,yb\})$

(3)计算出同质抑制的程度

采用一个余弦加权的窗来提取局部亮度和亮度对比度。余弦加权的窗的表达式如下：

$w(x,y)=0.5\left(cos\right(\frac{\mathrm{\π}}{\mathrm{\δ}}\sqrt{x^2+y^2})+1)$

w(x,y)表示模板中每一点的值，(x,y)表示以模板中心为坐标原点对应的坐标值。δ表示窗的半径。为了得到归一化的亮度特征和亮度对比度特征，将模板线性归一化，即

$w_{norm}(x,y)=\frac{w(x,y)}{{\Σ}_{(x,y)\∈S_{xy}}w(x,y)}$

式中，S_xy表示模板的范围。

局部亮度的计算公式如下：

$L(x,y)={\Σ}_{(x_i,y_i)\∈S_{xy}}{w}_{norm}(x-x_i,y-y_i)I(x_i,y_i)$

亮度对比度的计算公式如下：

$C(x,y)=\sqrt{{\Σ}_{(x_i,y_i)\∈S_{xy}}{w}_{norm}(x-x_i,y-y_i)\frac{{\left(I\right(x_i,y_i)-L(x,y\left)\right)}^2}{L{(x,y)}^2}}$

式中，I(x,y)表示输入的图像刺激,L(x,y)和C(x,y)分别表示归一化了的亮度和亮度对比度特征。

计算经典感受野与非经典感受野的亮度和对比度特征差异：

ΔL(x,y,x_i,y_i)＝|L(x,y)-L(x_i,y_i)|

ΔC(x,y,x_i,y_i)＝|C(x,y)-C(x_i,y_i)|

式中，(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点。

用以下模型描述亮度特征差异和亮度对比度特征差异下的抑制程度：

$W_{\mathrm{\Δ}l}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\Δ}L{(x,y,x_i,y_i)}^2}{2{{\mathrm{\σ}}_{\mathrm{\Δ}l}}^2})$

$W_{\mathrm{\Δ}c}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\Δ}C{(x,y,x_i,y_i)}^2}{2{{\mathrm{\σ}}_{\mathrm{\Δ}c}}^2})$

式中，σ_Δl和σ_Δc表示特征差异影响抑制程度的灵敏性。

用半波校正的DOG函数来描述距离因素的影响，半波校正的DOG的表达式如下：

${\mathrm{DOG}}_h(x,y)=H\left(\frac{1}{2\mathrm{\π}{\left(k\mathrm{\σ}\right)}^2}\exp \right(-\frac{x^2+y^2}{2{\left(k\mathrm{\σ}\right)}^2})-\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}\left)\right)$

将距离因素归一化，即：

$W_d(x,y)=\frac{{\mathrm{DOG}}_h(x,y)}{\left|\right|{\mathrm{DOG}}_h(x,y)|{|}_1}$

式中，||·||₁表示L1范数。

综合特征差异和距离因素的影响，在考虑特征差异和距离因素影响的情况下，亮度特征和亮度对比度特征下的抑制程度分别描述为：

$W_L(x,y)={\Σ}_{(x_i,y_i)}{W}_{\mathrm{\Δ}l}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

$W_C(x,y)={\Σ}_{(x_i,y_i)}{W}_{\mathrm{\Δ}c}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

式中，(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点。

用二维高斯函数的导数来描述视皮层V1区神经元的经典感受野。因此经典感受野在不同朝向上的响应为：

e(x,y；θ_i,σ)＝|I(x,y)*RF(x,y；θ_i,σ)|

式中，I(x,y)表示输入图像刺激。

采用尺度引导策略，取不同朝向上经典感受野响应的最大值作为经典感受野的响应，表达式如下：

E(x,y；σ)＝max{e(x,y；θ_i,σ)|i＝1,2...N_θ}

当采用不同尺度的高斯函数的导数表示经典感受野时，得到的响应不同。当用粗尺度表示时，得到了可靠的轮廓，但是会丢失一些细节，而且轮廓可能会断裂；当采用细尺度时，会保留很多细节，但同时也留下了不希望的边缘，因此利用两个尺度下的信息来综合同质性中的多特征影响。

利用尺度引导策略综合多特征的影响：

$Wcom(x,y)=\left\{\begin{array}{c}min\left(W_L\right(x,y),W_C(x,y\left)\right),\mathrm{\&Delta;}E(x,y)<0\\ max\left(W_L\right(x,y),W_C(x,y\left)\right),\mathrm{\&Delta;}E(x,y)\&GreaterEqual;0\end{array}\right.$

ΔE(x,y)＝SmallE(x,y)-LargeE(x,y)

式中：用SmallE表示归一化了的小尺度下的经典感受野响应，LargeE表示归一化了的大尺度下的经典感受野响应。

尺度引导策略为：当ΔE(x,y)＞0时，表示该像素点在小尺度的结果中，却不在大尺度的结果中，因此很有可能是不希望保留的，因此取两个特征中抑制程度最大的；当ΔE(x,y)≤0时，表示该像素很有可能是轮廓，因此取两个特征中抑制程度最小值。在尺度引导策略的指导下，最终得到了同质抑制程度Wcom(x,y)。

(4)计算视觉颜色理论和同质抑制的轮廓与边界检测模型

单独通过模拟颜色信息处理机制得到的轮廓与边界中，含有较多的纹理边缘，由于纹理区域具有同质性，为了减少纹理边缘，采用同质抑制。通过同质抑制，既能大量减少自然图像中的纹理边缘，同时又能很好的保存自然场景中轮廓与边界。

如下模型用来来描述基于颜色理论和同质抑制的轮廓与边界检测模型：

Res(x,y)＝c(x,y).*exp(1-Wcom(x,y))

式中，c(x,y)表示通过模拟视觉颜色信息处理得到的轮廓响应，Wcom(x,y)表示同质抑制程度。

(5)后处理

通过非极大值抑制细化轮廓。非极大值抑制是指寻求所得轮廓图像中的局部极大值点，将非局部极大值点置为0。经过非极大值抑制处理后，得到单像素的轮廓图。

进行滞后门限处理得到二值化的轮廓图。滞后门限处理用到了高阈值T_h和低阈值T_l，采用基于概率模型的高低自适应阈值来获取高低阈值。

总之，本发明通过研究人眼视觉信息处理机制，对视觉通路各级神经元的感受野建立数学模型，同时利用非经典感受野的调制作用来抑制纹理边缘，从而突显轮廓和边界。本发明的创新点在于将人眼颜色信息处理机制引入轮廓与边界检测模型中，通过设置不平衡的视锥输入检测出颜色和亮度边界，保持轮廓的完整性，同时考虑纹理区域的同质性和非经典感受野对经典感受野的同质抑制，采用同质抑制来抑制纹理边缘，从而很好的提取自然图像的轮廓和边界。

附图说明

图1为视觉颜色信息处理通路；

图2为视觉颜色信息处理流程图；

图3为红-绿拮抗神经元的单拮抗感受野结构和仿生模型；

图4为双拮抗感受野的结构和仿生模型；

图5为同质抑制流程图；

图6为半波校正的DOG函数；

图7为非极大值抑制原理图；

图8为实例图；

图9为实例处理结果图。

具体实施方式

由于人类视觉系统能快速准确地从自然图像中检测出轮廓与边界，这为轮廓与边界检测提供了一个新思路，通过研究人眼视觉信息处理机制，对视觉通路各级神经元的感受野建立数学模型，从而实现轮廓与边界检测。在轮廓与边界检测中引入视觉信息处理机制不仅可以有效的提高轮廓检测的效果,同时更符合人类视觉效果。

由于颜色信息对于理解自然场景也非常重要，因而引入视觉颜色信息处理机制，视觉颜色信息处理通道如图1所示。研究表明，视皮层V1区存在着对颜色和亮度都敏感的神经元，通过研究这些神经元的颜色拮抗机制，然后建立数学模型来模拟这些神经元的感受野，最终既能检测出亮度边界，又可以检测出颜色边界，同时考虑纹理区域的同质性和非经典感受野对经典感受野的同质抑制能抑制部分纹理边缘。因而本发明提出了一种基于视觉颜色理论和同质抑制的轮廓与边界检测方法。

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明主要是通过模拟视觉颜色信息处理通路上各级神经元的感受野结构来实现轮廓与边界检测的。神经节/外侧膝状体层的单拮抗感受野用于感知区域颜色信息，可用二维高斯函数进行模拟，视皮层V1区的双拮抗感受野用于感知具有特定朝向的边界，可用二维高斯函数的导数来模拟，然后利用纹理区域的同质性和非经典感受野对经典感受野的同质抑制来抑制纹理边缘，从而凸显轮廓与边界。

本发明通过构建一个模拟颜色信息处理通路的层次模型，同时结合非经典感受野对经典感受野的同质抑制可以有效地提取出自然图像轮廓和边界。如图2所示，该方法包括如下步骤：

(1)视锥细胞层

输入的图像刺激首先被视锥细胞分为三个颜色通道：红、绿、蓝颜色通道，分别用R(x,y),G(x,y),B(x,y)表示。基于三原色理论构建黄色通道Y(x,y)可以用如下表达式表示：

Y(x,y)＝(R(x,y)+G(x,y))/2

假设输入图像用I表示，则R(x,y),G(x,y),B(x,y)分别可以用如下表达式描述：

R(x,y)＝I(x,y,1)

G(x,y)＝I(x,y,2)

B(x,y)＝I(x,y,3)

(2)神经节/外侧膝状体层

视锥细胞处理后，颜色信息经神经节细胞传递至外侧膝状体，由于神经节和外侧膝状体中对颜色敏感的细胞具有相同结构的感受野，因此将两者归结为同一层。神经节或外膝体拥有两种颜色拮抗的神经元：一种由红光刺激激活，绿光刺激抑制，或者绿光刺激激活，红光刺激抑制，这种神经元被称作红-绿(R-G)拮抗神经元；另外一种由蓝光刺激激活，黄光刺激制，或者黄光刺激激活，蓝光刺激抑制，这种神经元被称作蓝-黄拮抗神经元(B-Y)。红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，蓝-黄拮抗神经元接受相反极性的S和(M+L)视锥细胞的输出作为输入。具有单中心结构感受野的神经元，如图3所示，负责感知区域颜色信息，可以用一个二维高斯滤波器g_σ(x,y)来描述感受野的结构,σ表示高斯滤波器的方差，用来调节感受野的尺寸。由于红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，因此红-绿拮抗神经元的响应可以用如下表达式描述：

S_rg(x,y)＝(w₁·R(x,y)+w₂·G(x,y))*g_σ(x,y)

同理可得，蓝-黄拮抗神经元的响应：

S_by(x,y)＝(w₁·B(x,y)+w₂·Y(x,y))*g_σ(x,y)

$g_{\mathrm{\&sigma;}}(x,y)=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})$

w₁,w₂表示从视锥输入权重，由于神经元呈现单拮抗特性，因此它们的符号总是相反。

视锥细胞的输入权重直接决定神经节/外膝体层的单拮抗神经元能否检测出亮度边界。从公式可以看出，当|w₁|＝|w₂|时，即神经节细胞/外膝体具有相反的连接权重时，对亮度信息不响应，因而不能检测出亮度边界。相反，当神经节细胞/外膝体具有不平衡的连接权重时，该模型对亮度信息和颜色信息都能作出响应，因而既能检测出颜色边界，又能检测出亮度边界。

(3)视皮层V1区

研究表明，视皮层V1区的由并排的单拮抗感受野形成的双拮抗感受野具有朝向选择性，如图4所示，此特性在边界检测中扮演着非常重要的作用。双拮抗神经元可以看成是具有特定朝向选择性的两个相反的单拮抗神经元并行排列而成，因此可用2-D高斯函数的导数来模拟：

$RF(x,y;\mathrm{\&theta;},\mathrm{\&sigma;})=\frac{\&part;g(\tilde{x},\tilde{y};\mathrm{\&theta;},\mathrm{\&sigma;})}{\&part;\tilde{x}}$

$g(\tilde{x},\tilde{y};\mathrm{\&theta;},\mathrm{\&sigma;})=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{{\tilde{x}}^2+{\mathrm{\&gamma;}}^2{\tilde{y}}^2}{2{\mathrm{\&sigma;}}^2})$

$\left[\begin{array}{c}\tilde{x}\\ \tilde{y}\end{array}\right]=\left[\begin{array}{c}xcos\mathrm{\&theta;}+ysin\mathrm{\&theta;}\\ -xsin\mathrm{\&theta;}+ycos\mathrm{\&theta;}\end{array}\right]$

式中：γ代表高斯滤波器的空间长宽比，调节感受野的椭圆率，本文设置为0.5。θ∈[0,2π)表示细胞的最优响应朝向。σ表示V1区感受野的尺寸，一般设置为神经节细胞感受野的k倍，且k>1，表明V1区神经元的感受野比前面各层的感受野要大。因此，双拮抗神经元提取的不同朝向上各个拮抗通道的响应：

D_r+g-(x,y；θ_i,σ)＝|S_r+g-(x,y)*RF(x,y；θ_i,σ)|

D_r-g+(x,y；θ_i,σ)＝|S_r-g+(x,y)*RF(x,y；θ_i,σ)|

D_b+y-(x,y；θ_i,σ)＝|S_b+y-(x,y)*RF(x,y；θ_i,σ)|

D_b-y+(x,y；θ_i,σ)＝|S_b-y+(x,y)*RF(x,y；θ_i,σ)|

式中，*表示卷积。θ_i∈[0,2π)，并且N_θ表示用于提取朝向信息的滤波器朝向的个数。

由于双拮抗神经元具有朝向选择性，因而选择各个拮抗通道在所有朝向上的最大值作为该拮抗通道的边界响应，即：

D_rg(x,y)＝max{D_r+g-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_gr(x,y)＝max{D_r-g+(x,y；θ_i,σ)|i＝1,2...N_θ}

D_by(x,y)＝max{D_b+y-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_yb(x,y)＝max{D_b-y+(x,y；θ_i,σ)|i＝1,2...N_θ}

相应地，各个拮抗通道对应的最优朝向为：

θ_rg(x,y)＝argmax{D_r+g-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_gr(x,y)＝argmax{D_r-g+(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_by(x,y)＝argmax{D_b+y-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_yb(x,y)＝argmax{D_b-y+(x,y；θ_i,σ)|i＝1,2,...N_θ}

采用胜者全取策略，选择所有通道上的最大值及其对应朝向作为轮廓响应和最优朝向：

$r(x,y)=max\left(D_{c_i}\right(x,y\left)\right|c_i\&Element;\{rg,gr,by,yb\})$

$\mathrm{\&theta;}(x,y)={\mathrm{\&theta;}}_{c_i}(x,y),c_i=\arg max\left(D_{c_i}\right(x,y\left)\right|c_i\&Element;\{rg,gr,by,yb\})$

同质抑制是指当经典感受野中的刺激和非经典感受野中的刺激特征越相似时，非经典感受野对经典感受野响应的抑制程度越大，反之，则越小。由于细胞之间的水平连接，抑制程度不仅与特征相似程度有关，还和中心与周边的距离有关，距离越远，对抑制程度影响越小。由于局部亮度特征和亮度对比度特征对于理解自然场景很重要，因此本文利用局部亮度特征和亮度对比度特征来描述同质性，用DOG_h函数描述非经典感受野，同时考虑距离因素的影响。为了综合同质性中的多特征的影响，采用了尺度引导策略，通过两个尺度的信息，确定同质抑制程度。

同质抑制的流程图如图5所示，具体包括下述步骤：

(4.1)计算局部亮度特征和亮度对比度特征

采用一个余弦加权的窗来提取局部亮度和亮度对比度。余弦加权的窗的表达式如下：

$w(x,y)=0.5\left(cos\right(\frac{\mathrm{\&pi;}}{\mathrm{\&delta;}}\sqrt{x^2+y^2})+1)$

w(x,y)表示模板中每一点的值，(x,y)表示以模板中心为坐标原点对应的坐标值。δ表示窗的半径。为了得到归一化的亮度特征和亮度对比度特征，将模板线性归一化，即

$w_{norm}(x,y)=\frac{w(x,y)}{{\&Sigma;}_{(x,y)\&Element;S_{xy}}w(x,y)}$

式中，S_xy表示模板的范围。

局部亮度的计算公式如下：

$L(x,y)={\&Sigma;}_{(x_i,y_i)\&Element;S_{xy}}{w}_{norm}(x-x_i,y-y_i)I(x_i,y_i)$

亮度对比度的计算公式如下：

$C(x,y)=\sqrt{{\&Sigma;}_{(x_i,y_i)\&Element;S_{xy}}{w}_{norm}(x-x_i,y-y_i)\frac{{\left(I\right(x_i,y_i)-L(x,y\left)\right)}^2}{L{(x,y)}^2}}$

式中，I(x,y)表示输入的图像刺激,L(x,y)和C(x,y)分别表示归一化了的亮度和亮度对比度特征。

(4.2)单特征下的抑制程度

非经典感受野对经典感受野响应的抑制程度不仅与两者间的特征差异有关，还和两者间的距离有关。

(4.2.1)计算经典感受野与非经典感受野的亮度和对比度特征差异：

ΔL(x,y,x_i,y_i)＝|L(x,y)-L(x_i,y_i)|

ΔC(x,y,x_i,y_i)＝|C(x,y)-C(x_i,y_i)|

式中，(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点。

(4.2.2)仅考虑特征差异下的抑制程度，当经典感受野与非经典感受野特征差异越大时，抑制程度越小，反之，则越大，因此可以用以下模型描述亮度特征差异和亮度对比度特征差异下的抑制程度：

$W_{\mathrm{\&Delta;}l}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\&Delta;}L{(x,y,x_i,y_i)}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{\&Delta;}l}}^2})$

$W_{\mathrm{\&Delta;}c}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\&Delta;}C{(x,y,x_i,y_i)}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{\&Delta;}c}}^2})$

式中，σ_Δl和σ_Δc表示特征差异影响抑制程度的灵敏性。

(4.2.3)考虑距离因素的影响

非经典感受野可用半波校正的DOG函数模拟，其函数图像如图6所示，细胞间的水平连接使得非经典感受野的抑制程度与距离有关，因而半波校正的DOG函数还可用来描述距离因素的影响。

半波校正的DOG的表达式如下：

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

将距离因素归一化，即：

$W_d(x,y)=\frac{{\mathrm{DOG}}_h(x,y)}{\left|\right|{\mathrm{DOG}}_h(x,y)|{|}_1}$

式中，||·||₁表示L1范数。

(4.2.4)综合特征差异和距离因素的影响

综合特征差异和距离因素的影响，在考虑特征差异和距离因素影响的情况下，亮度特征和亮度对比度特征下的抑制程度分别描述为：

$W_L(x,y)={\&Sigma;}_{(x_i,y_i)}{W}_{\mathrm{\&Delta;}l}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

$W_C(x,y)={\&Sigma;}_{(x_i,y_i)}{W}_{\mathrm{\&Delta;}c}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

在上述表达式中，(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点。

(4.3)尺度引导策略

用二维高斯函数的导数来描述视皮层V1区神经元的经典感受野。因此经典感受野在不同朝向上的响应为：

e(x,y；θ_i,σ)＝|I(x,y)*RF(x,y；θ_i,σ)|

式中，I(x,y)表示输入图像刺激。

由于细胞的朝向选择性，取不同朝向上经典感受野响应的最大值作为经典感受野的响应，表达式如下：

E(x,y；σ)＝max{e(x,y；θ_i,σ)|i＝1,2...N_θ}

由于当采用不同尺度的高斯函数的导数表示经典感受野时，得到的响应不同。当用粗尺度表示时，得到了可靠的轮廓，但是会丢失一些细节，而且轮廓可能会断裂；当采用细尺度时，会保留很多细节，但同时也留下了不希望的边缘，因此利用两个尺度下的信息来综合同质性中的多特征影响。

假如用SmallE表示归一化了的小尺度下的经典感受野响应，LargeE表示归一化了的大尺度下的经典感受野响应,利用尺度引导策略综合多特征的影响：

$Wcom(x,y)=\left\{\begin{array}{c}min\left(W_L\right(x,y),W_C(x,y\left)\right),\mathrm{\&Delta;}E(x,y)<0\\ max\left(W_L\right(x,y),W_C(x,y\left)\right),\mathrm{\&Delta;}E(x,y)\&GreaterEqual;0\end{array}\right.$

ΔE(x,y)＝SmallE(x,y)-LargeE(x,y)

尺度引导策略为：当ΔE(x,y)＞0时，表示该像素点在小尺度的结果中，却不在大尺度的结果中，因此很有可能是不希望保留的，因此取两个特征中抑制程度最大的；当ΔE(x,y)≤0时，表示该像素很有可能是轮廓，因此取两个特征中抑制程度最小值。在尺度引导策略的指导下，最终得到了同质抑制程度Wcom(x,y)。

(5)基于视觉颜色理论和同质抑制的轮廓与边界检测模型

单独通过模拟颜色信息处理机制得到的轮廓与边界中，含有较多的纹理边缘，由于纹理区域具有同质性，为了减少纹理边缘，采用同质抑制。通过同质抑制，既能大量减少自然图像中的纹理边缘，同时又能很好的保存自然场景中轮廓与边界。

当像素点处于纹理中时，同质抑制的程度大，反之，当像素点处于轮廓或边界上时，同质抑制程度小，因此，可用如下模型来描述基于颜色理论和同质抑制的轮廓与边界检测模型：

Res(x,y)＝c(x,y).*exp(1-Wcom(x,y))

式中，c(x,y)表示通过模拟视觉颜色信息处理得到的轮廓响应，Wcom(x,y)表示同质抑制程度。

(6)后处理

(6.1)非极大值抑制

由于检测出的轮廓可能不是单像素宽度的，因此需要通过非极大值抑制细化轮廓。非极大值抑制是指寻求所得轮廓图像中的局部极大值点，将非局部极大值点置为0。假设图7中C点为其8邻域内的最大值，图中红线所表示的方向与该点最优朝向垂直，根据红线方向和图中的M1、M2对tmp1进行线性插值，得到tmp1点的像素值，根据红线方向和图中的M3、M4对tmp2进行线性插值，得到tmp2点的像素值。比较C点和tmp1、tmp2点的像素值大小，若C点的像素值是三者中最大的，则C点为局部极大值点，将其保留，否则将其置为0。经过非极大值抑制处理后，得到单像素的轮廓图。

(6.2)滞后门限处理

为了得到二值化的轮廓图，需要进行滞后门限处理。滞后门限处理需要两个阈值，高阈值T_h和低阈值T_l，采用基于概率模型的高低自适应阈值来获取高低阈值，具体原理为：统计候选轮廓点的直方图，得到候选轮廓的概率分布，选取需要保留的最少轮廓比例作为p分位数，由p分位数计算出高阈值，根据高低阈值间的关系t_l＝0.5t_h，可得到低阈值。将检测出的轮廓像素点与高低阈值相比较，当像素点的值小于高阈值时，将其置为0，比较完所有轮廓像素点后可得到图像I；当像素点的值小于低阈值时，将其置为0，比较完所有轮廓像素点后可得到图像II。由于图像I的阈值较高，去掉了大部分噪声，但也丢失了部分轮廓，图像II的阈值较低，保留了很多信息，因此以图像II为参照，以图像I为基础来链接轮廓。链接的具体步骤如下：对图像II逐点扫描，当发现非0像素点时，追踪以该点为起点的轮廓线，直至轮廓线的终点，考察图像I中对应位置点的8邻域，若其8邻域内有非0像素点，则将该点纳入到图像II中，然后跟踪以该点为起点的轮廓线，直至在图像I和图像II中均无法继续时停止，将跟踪的这条轮廓线进行标记，表明已经访问过，然后采用与前面相同的方法继续寻找下一条轮廓线，直至所有轮廓点均被标记。

实例：

下面以图8所示图像为例对本发明做进一步详细说明。以下结合附图和实施例对本发明进一步说明。本发明主要包括以下几个步骤：视锥细胞的处理、神经节/外侧膝状体的处理、视皮层V1区的处理、同质抑制、基于视觉颜色理论和同质处理的轮廓检测模型、后处理。

(1)视锥细胞的处理

输入的图像刺激首先被视锥细胞分为三个颜色通道：红、绿、蓝颜色通道，分别用R(x,y),G(x,y),B(x,y)表示。基于三原色理论构建黄色通道Y(x,y)可以用如下表达式表示：

Y(x,y)＝(R(x,y)+G(x,y))/2

假设输入图像用I表示，则R(x,y),G(x,y),B(x,y)分别可以用如下表达式描述：

R(x,y)＝I(x,y,1)

G(x,y)＝I(x,y,2)

B(x,y)＝I(x,y,3)

(2)神经节/外侧膝状体的处理

神经节/外侧膝状体对颜色敏感的细胞具有单拮抗感受野，用二维高斯函数模拟，单拮抗神经元接受来自视锥细胞的对立输入，因而红-绿拮抗神经元的响应为：

S_rg(x,y)＝(w₁·R(x,y)+w₂·G(x,y))*g_σ(x,y)

同理可得，蓝-黄拮抗神经元的响应：

S_by(x,y)＝(w₁·B(x,y)+w₂·Y(x,y))*g_σ(x,y)

$g_{\mathrm{\&sigma;}}(x,y)=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})$

w₁,w₂表示从视锥输入权重，由于神经元呈现单拮抗特性，因此他们的符号总是相反，当视锥输入权重不平衡时，可以检测出颜色和亮度边界。本实例中，w₁＝1,w₂＝-0.6.σ表示神经节/外侧膝状体的感受野大小，本实例设置为1.5。

(3)视皮层的处理

视皮层对颜色敏感的细胞具有双拮抗感受野，用二维高斯函数的导数模拟，因而可得特定朝向下红-绿、蓝-黄拮抗通道的响应：

D_r+g-(x,y；θ_i,σ)＝|S_r+g-(x,y)*RF(x,y；θ_i,σ)|

D_r-g+(x,y；θ_i,σ)＝|S_r-g+(x,y)*RF(x,y；θ_i,σ)|

D_b+y-(x,y；θ_i,σ)＝|S_b+y-(x,y)*RF(x,y；θ_i,σ)|

D_b-y+(x,y；θ_i,σ)＝|S_b-y+(x,y)*RF(x,y；θ_i,σ)|

$RF(x,y;{\mathrm{\&theta;}}_i,\mathrm{\&sigma;})=\frac{\&part;g(\tilde{x},\tilde{y};{\mathrm{\&theta;}}_i,\mathrm{\&sigma;})}{\&part;\tilde{x}}$

$g(\tilde{x},\tilde{y};{\mathrm{\&theta;}}_i,\mathrm{\&sigma;})=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{{\tilde{x}}^2+{\mathrm{\&gamma;}}^2{\tilde{y}}^2}{2{\mathrm{\&sigma;}}^2})$

$\left[\begin{array}{c}\tilde{x}\\ \tilde{y}\end{array}\right]=\left[\begin{array}{c}x{\mathrm{cos\&theta;}}_i+y{\mathrm{sin\&theta;}}_i\\ -x{\mathrm{sin\&theta;}}_i+y{\mathrm{cos\&theta;}}_i\end{array}\right]$

γ代表高斯滤波器的空间长宽比，调节感受野的椭圆率，本实例设置为0.5。θ_i∈[0,2π)表示细胞的最优响应朝向，本实例设置N_θ为24。σ表示V1区感受野的尺寸，一般设置为神经节细胞感受野的k倍，且k>1，表明V1区神经元的感受野比前面各层的感受野要大，本实例设置为2。

由于双拮抗神经元具有朝向选择性，因而选择所有朝向上的最大值作为红-绿、蓝-黄拮抗通道的边界响应，即：

D_rg(x,y)＝max{D_r+g-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_gr(x,y)＝max{D_r-g+(x,y；θ_i,σ)|i＝1,2...N_θ}

D_by(x,y)＝max{D_b+y-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_yb(x,y)＝max{D_b-y+(x,y；θ_i,σ)|i＝1,2...N_θ}

相应地，各个拮抗通道对应的最优朝向为：

θ_rg(x,y)＝argmax{D_r+g-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_gr(x,y)＝argmax{D_r-g+(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_by(x,y)＝argmax{D_b+y-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_yb(x,y)＝argmax{D_b-y+(x,y；θ_i,σ)|i＝1,2,...N_θ}

采用胜者全取策略，得出轮廓响应和最优朝向：

$r(x,y)=max\left(D_{c_i}\right(x,y\left)\right|c_i\&Element;\{rg,gr,by,yb\})$

$\mathrm{\&theta;}(x,y)={\mathrm{\&theta;}}_{c_i}(x,y),c_i=\arg max\left(D_{c_i}\right(x,y\left)\right|c_i\&Element;\{rg,gr,by,yb\})$

(4)同质抑制

(4.1)计算局部亮度特征和亮度对比度特征：

采用余弦加权的窗来提取局部亮度和亮度对比度。余弦加权的窗的表达式如下：

$w(x,y)=0.5\left(cos\right(\frac{\mathrm{\&pi;}}{\mathrm{\&delta;}}\sqrt{x^2+y^2})+1)$

w(x,y)表示模板中每一点的值，(x,y)表示以模板中心为坐标原点对应的坐标值。δ表示窗的半径，本实例中设置为11。将模板线性归一化，即

$w_{norm}(x,y)=\frac{w(x,y)}{{\&Sigma;}_{(x,y)\&Element;S_{xy}}w(x,y)}$

式中，S_xy表示模板的范围。

局部亮度的计算公式如下：

$L(x,y)={\&Sigma;}_{(x_i,y_i)\&Element;S_{xy}}{w}_{norm}(x-x_i,y-y_i)I(x_i,y_i)$

亮度对比度的计算公式如下：

$C(x,y)=\sqrt{{\&Sigma;}_{(x_i,y_i)\&Element;S_{xy}}{w}_{norm}(x-x_i,y-y_i)\frac{{\left(I\right(x_i,y_i)-L(x,y\left)\right)}^2}{L{(x,y)}^2}}$

式中，I(x,y)表示输入的图像刺激,L(x,y)和C(x,y)分别表示归一化了的亮度和亮度对比度特征。

(4.2)单特征下的抑制程度

(4.2.1)计算经典感受野与非经典感受野的亮度和对比度特征差异：

ΔL(x,y,x_i,y_i)＝|L(x,y)-L(x_i,y_i)|

ΔC(x,y,x_i,y_i)＝|C(x,y)-C(x_i,y_i)|

(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点。

(4.2.2)经典感受野与非经典感受野特征差异越大，抑制程度越小，反之，则越大，因此可以用以下模型描述亮度特征差异和亮度对比度特征差异下的抑制程度：

$W_{\mathrm{\&Delta;}l}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\&Delta;}L{(x,y,x_i,y_i)}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{\&Delta;}l}}^2})$

$W_{\mathrm{\&Delta;}c}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\&Delta;}C{(x,y,x_i,y_i)}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{\&Delta;}c}}^2})$

σ_Δl和σ_Δc表示特征差异影响抑制程度的灵敏性，本实例中都取0.05。

(4.2.3)考虑距离因素的影响

非经典感受野可用半波校正的DOG函数模拟，其函数图像如图6所示，细胞间的水平连接使得非经典感受野的抑制程度与距离有关，因而半波校正的DOG函数还可用来描述距离因素的影响。

半波校正的DOG的表达式如下：

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

将距离因素归一化，即：

$W_d(x,y)=\frac{{\mathrm{DOG}}_h(x,y)}{\left|\right|{\mathrm{DOG}}_h(x,y)|{|}_1}$

式中，||·||₁表示L1范数。

由于非经典感受野是经典感受野的2～5倍，本实例设置k为4。

(4.2.4)综合特征差异和距离因素的影响

在考虑特征差异和距离因素影响的情况下，亮度特征和亮度对比度特征下的抑制程度分别描述为：

$W_L(x,y)={\&Sigma;}_{(x_i,y_i)}{W}_{\mathrm{\&Delta;}l}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

$W_C(x,y)={\&Sigma;}_{(x_i,y_i)}{W}_{\mathrm{\&Delta;}c}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

在上述表达式中，(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点。

(4.3)尺度引导策略

视皮层V1区神经元的经典感受野可由2-D高斯函数的导数来描述。2-D高斯函数的导数表达式如式(1-5)，因此经典感受野在不同朝向上的响应为：

e(x,y；θ_i,σ)＝|I(x,y)*RF(x,y；θ_i,σ)|

式中，I(x,y)表示输入图像刺激。

由于细胞的朝向选择性，取不同朝向上经典感受野响应的最大值作为经典感受野的响应，表达式如下：

E(x,y；σ)＝max{e(x,y；θ_i,σ)|i＝1,2...N_θ}

当采用不同尺度的高斯函数的导数表示经典感受野时，得到的响应不同。当用粗尺度表示时，得到了可靠的轮廓，但是会丢失一些细节，而且轮廓可能会断裂；当采用细尺度时，会保留很多细节，但同时也留下了不希望的边缘，因此利用两个尺度下的信息来综合同质性中的多特征影响。假如用SmallE表示归一化了的小尺度下的经典感受野响应，LargeE表示归一化了的大尺度下的经典感受野响应,利用尺度引导策略综合多特征的影响：

$Wcom(x,y)=\left\{\begin{array}{c}min\left(W_L\right(x,y),W_C(x,y\left)\right),\mathrm{\&Delta;}E(x,y)<0\\ max\left(W_L\right(x,y),W_C(x,y\left)\right),\mathrm{\&Delta;}E(x,y)\&GreaterEqual;0\end{array}\right.$

ΔE(x,y)＝SmallE(x,y)-LargeE(x,y)

尺度引导策略为：当ΔE(x,y)＞0时，表示该像素点在小尺度的结果中，却不在大尺度的结果中，因此很有可能是不希望保留的，因此取两个特征中抑制程度最大的；当ΔE(x,y)≤0时，表示该像素很有可能是轮廓，因此取两个特征中抑制程度最小值。在尺度引导策略的指导下，最终得到了同质抑制程度Wcom(x,y)。本实例中，小尺度的高斯函数的标准差为2.0，大尺度的高斯函数的标准差设置为4.0.

(4.4)基于视觉颜色理论和同质抑制的轮廓检测模型

当像素点处于纹理中时，同质抑制的程度大，反之，当像素点处于轮廓边界上时，同质抑制程度小，因此，可用如下模型来描述基于颜色理论和同质抑制的轮廓与边界检测模型：

Res(x,y)＝c(x,y).*exp(1-Wcom(x,y))

式中，c(x,y)表示通过模拟视觉颜色信息处理得到的轮廓响应，Wcom(x,y)表示同质抑制程度。

(4.5)后处理

(4.5.1)非极大值抑制

采用非极大值抑制细化轮廓，只保留局部灰度变化极大的点，具体过程如下：

对于Res(x,y)，对Res(x,y)中所有像素，沿着该点的最优朝向方向θ(x,y)的垂直方向进行8邻域范围内的双线性插值,得到两点tmp1和tmp2，如图7所示，如果(x,y)处的响应同时大于tmp1和tmp2处的响应，则保留该点，否则置为0。

(4.5.2)对细化后的轮廓图结果进行双阈值处理，得到二值化轮廓，滞后门限处理需要两个阈值，高阈值t_h和低阈值t_l，采用基于概率模型的高低自适应阈值来获取高低阈值，具体原理为：统计候选轮廓点的直方图，得到候选轮廓的概率分布，选取需要保留的最少轮廓比例作为p分位数，由p分位数计算出高阈值，根据高低阈值间的关系t_l＝0.5t_h，可得到低阈值。将检测出的轮廓像素点与高低阈值相比较，当像素点的值小于高阈值时，将其置为0，比较完所有轮廓像素点后可得到图像I；当像素点的值小于低阈值时，将其置为0，比较完所有轮廓像素点后可得到图像II。由于图像I的阈值较高，去掉了大部分噪声，但也丢失了部分轮廓，图像II的阈值较低，保留了很多信息，因此以图像II为参照，以图像I为基础来链接轮廓。链接的具体步骤如下：对图像II逐点扫描，当发现非0像素点时，追踪以该点为起点的轮廓线，直至轮廓线的终点，考察图像I中对应位置点的8邻域，若其8邻域内有非0像素点，则将该点纳入到图像II中，然后跟踪以该点为起点的轮廓线，直至在图像I和图像II中均无法继续时停止，将跟踪的这条轮廓线进行标记，表明已经访问过，然后采用与前面相同的方法继续寻找下一条轮廓线，直至所有轮廓点均被标记。

本实例中，设置p为0.1。得到的处理结果如图9所示。

以上所述为本发明的较佳实施例而已，但本发明不应该局限于该实施例和附图所公开的内容。所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (10)

1.一种基于视觉颜色理论和同质抑制的轮廓与边界检测方法，其特征在于，所述方法包括如下步骤：

(1)将待检测的图像输入到电子视网膜，被视网膜上的L-cone、M-cone、S-cone三种视锥细胞分为红、绿、蓝三个颜色通道，分别用R(x,y),G(x,y),B(x,y)表示，并计算得到黄色混合通道；

(2)视锥细胞处理后，颜色信息经电子视网膜中的神经节细胞传递至外侧膝状体，神经节或外膝体拥有两种颜色拮抗的神经元：一种称为红-绿拮抗神经元(R-G)；另外一种被称作蓝-黄拮抗神经元(B-Y)；红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，蓝-黄拮抗神经元接受相反极性的S和(M+L)视锥细胞的输出作为输入；红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，以得到红-绿拮抗神经元的响应信号和蓝-黄拮抗神经元的响应信号；

(3)将双拮抗神经元看成是具有特定朝向选择性的两个相反的单拮抗神经元并行排列而成，视皮层V1区的由并排的单拮抗感受野形成的双拮抗感受野具有朝向选择性；利用双拮抗神经元提取的不同朝向上各个拮抗通道的响应的最大值，结合胜者全取策略，选择所有通道上的最大值及其对应朝向作为轮廓响应和最优朝向；

(4)利用局部亮度特征和亮度对比度特征来描述感受野中刺激特征的同质性，用DOG_h函数描述非经典感受野，同时也考虑距离因素的影响；采用尺度引导策略来综合同质性中的多特征的影响，通过两个尺度的信息，确定同质抑制程度；

(5)纹理区域具有同质性，采用同质抑制以减少纹理边缘，利用像素与同质抑制之间的关系即：像素点处于纹理中时，同质抑制的程度大，反之，当像素点处于轮廓或边界上时，同质抑制程度小；得到基于颜色理论和同质抑制的轮廓和边界检测模型；

(6)通过非极大值抑制细化轮廓，排除不是单像素宽度的轮廓，并采用基于概率模型的高低自适应阈值以获取高、低阈值，以此进行滞后门限处理，得到二值化的轮廓图。

2.如权利要求1所述的轮廓与边界检测方法，其特征在于，所述步骤(1)中计算黄色混合通道，依据基于三原色理论解释的颜色混合现象得到的黄色混合通道为：

Y(x,y)＝(R(x,y)+G(x,y))/2。

3.如权利要求2所述的轮廓与边界检测方法，其特征在于，所述步骤(2)中红-绿拮抗神经元的响应和蓝-黄拮抗神经元的响应的计算过程为；单中心结构感受野的神经元负责感知区域颜色信息，用一个二维高斯滤波器g_σ(x,y)来描述感受野的结构,σ表示高斯滤波器的方差，用来调节感受野的尺寸；由于红-绿拮抗神经元接受相反极性的L和M视锥细胞输出作为输入，因此红-绿拮抗神经元的响应用如下表达式描述：

S_rg(x,y)＝(w₁·R(x,y)+w₂·G(x,y))*g_σ(x,y)

同理，蓝-黄拮抗神经元的响应用如下表达式描述：

S_by(x,y)＝(w₁·B(x,y)+w₂·Y(x,y))*g_σ(x,y)

式中，w₁和w₂表示视锥输入权重，并且，

w₁w₂表示从视锥细胞到神经节细胞的连接权重，由于神经元呈现单拮抗特性，因此他们的符号总是相反。

4.如权利要求3所述的轮廓与边界检测方法，其特征在于，所述步骤(3)中双拮抗神经元用2-D高斯函数的导数来模拟：

$RF(x,y;\mathrm{\&theta;},\mathrm{\&sigma;})=\frac{\&part;g(\tilde{x},\tilde{y};\mathrm{\&theta;},\mathrm{\&sigma;})}{\&part;\tilde{x}}$

$g(\tilde{x},\tilde{y};\mathrm{\&theta;},\mathrm{\&sigma;})=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{{\tilde{x}}^2+{\mathrm{\&gamma;}}^2{\tilde{y}}^2}{2{\mathrm{\&sigma;}}^2})$

$\left[\begin{array}{c}\tilde{x}\\ \tilde{y}\end{array}\right]=\left[\begin{array}{c}xcos\mathrm{\&theta;}+ysin\mathrm{\&theta;}\\ -xsin\mathrm{\&theta;}+ycos\mathrm{\&theta;}\end{array}\right]$

式中：x、y表示图像中像素点，表示经过正交旋转变换后图像中像素点，γ代表高斯滤波器的空间长宽比，调节感受野的椭圆率；θ∈[0,2π)，表示细胞的最优响应朝向；σ表示V1区感受野的尺寸，设置为神经节细胞感受野的k倍，且k>1，表明V1区神经元的感受野比前面各层的感受野要大；因此，双拮抗神经元提取的不同朝向上各个拮抗通道的响应：

D_r+g-(x,y；θ_i,σ)＝|S_r+g-(x,y)*RF(x,y；θ_i,σ)|

D_r-g+(x,y；θ_i,σ)＝|S_r-g+(x,y)*RF(x,y；θ_i,σ)|

D_b+y-(x,y；θ_i,σ)＝|S_b+y-(x,y)*RF(x,y；θ_i,σ)|

D_b-y+(x,y；θ_i,σ)＝|S_b-y+(x,y)*RF(x,y；θ_i,σ)|

式中，*表示卷积。θ_i∈[0,2π)，并且i＝1,2...N_θ、N_θ表示用于提取朝向信息的滤波器朝向的个数；

由于双拮抗神经元具有朝向选择性，因而选择各个拮抗通道在所有朝向上的最大值作为该拮抗通道的边界响应，即：

D_rg(x,y)＝max{D_r+g-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_gr(x,y)＝max{D_r-g+(x,y；θ_i,σ)|i＝1,2...N_θ}

D_by(x,y)＝max{D_b+y-(x,y；θ_i,σ)|i＝1,2...N_θ}

D_yb(x,y)＝max{D_b-y+(x,y；θ_i,σ)|i＝1,2...N_θ}

相应地，各个拮抗通道对应的最优朝向为：

θ_rg(x,y)＝argmax{D_r+g-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_gr(x,y)＝argmax{D_r-g+(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_by(x,y)＝argmax{D_b+y-(x,y；θ_i,σ)|i＝1,2,...N_θ}

θ_yb(x,y)＝argmax{D_b-y+(x,y；θ_i,σ)|i＝1,2,...N_θ}

采用胜者全取策略，选择所有通道上的最大值及其对应朝向作为轮廓响应和最优朝向：

$r(x,y)=max\left(D_{c_i}\right(x,y\left)\right|c_i\&Element;\{rg,gr,by,yb\})$

$\mathrm{\&theta;}(x,y)={\mathrm{\&theta;}}_{c_i}(x,y),c_i=\arg max\left(D_{c_i}\right(x,y\left)\right|c_i\&Element;\{rg,gr,by,yb\}).$

5.如权利要求4所述的轮廓与边界检测方法，其特征在于，所述步骤(4)中确定同质抑制程度，根据大小尺度的经典感受野响应，以及亮度特征、亮度对比度特征差异和距离因素影响下的抑制程度，在尺度引导策略的指导下，最终得到了同质抑制程度。

6.如权利要求4所述的轮廓与边界检测方法，其特征在于，所述步骤(4)的具体实现过程为：

(5.1)计算特征差异和距离因素下的抑制权重，并计算大小尺度的经典感受野响应；

其中，计算特征差异和距离因素下的抑制权重的具体过程包括

(a.1)采用一个余弦加权的窗来提取局部亮度和亮度对比度，余弦加权的窗的表达式如下：

$w(x,y)=0.5\left(cos\right(\frac{\mathrm{\&pi;}}{\mathrm{\&delta;}}\sqrt{x^2+y^2})+1)$

w(x,y)表示模板中每一点的值，(x,y)表示以模板中心为坐标原点对应的坐标值，δ表示窗的半径，为得到归一化的亮度特征和亮度对比度特征，将模板线性归一化，即

$w_{norm}(x,y)=\frac{w(x,y)}{{\&Sigma;}_{(x,y)\&Element;S_{xy}}w(x,y)}$

式中，S_xy表示模板的范围；

局部亮度的计算公式如下：

$L(x,y)={\&Sigma;}_{(x_i,y_i)\&Element;S_{xy}}{w}_{norm}(x-x_i,y-y_i)I(x_i,y_i)$

亮度对比度的计算公式如下：

$C(x,y)=\sqrt{{\&Sigma;}_{(x_i,y_i)\&Element;S_{xy}}{w}_{norm}(x-x_i,y-y_i)\frac{{\left(I\right(x_i,y_i)-L(x,y\left)\right)}^2}{L{(x,y)}^2}}$

式中，I(x,y)表示输入的图像刺激,L(x,y)和C(x,y)分别表示归一化了的亮度和亮度对比度特征；

(a.2)计算经典感受野与非经典感受野的亮度和对比度特征差异：

ΔL(x,y,x_i,y_i)＝|L(x,y)-L(x_i,y_i)|

ΔC(x,y,x_i,y_i)＝|C(x,y)-C(x_i,y_i)|

式中，(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点；

(a.3)仅考虑特征差异下的抑制程度，当经典感受野与非经典感受野特征差异越大时，抑制程度越小，反之，则越大，因此采用以下模型描述亮度特征差异和亮度对比度特征差异下的抑制程度，即抑制权重：

$W_{\mathrm{\&Delta;}l}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\&Delta;}L{(x,y,x_i,y_i)}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{\&Delta;}l}}^2})$

$W_{\mathrm{\&Delta;}c}(x,y,x_i,y_i)=\exp (-\frac{\mathrm{\&Delta;}C{(x,y,x_i,y_i)}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{\&Delta;}c}}^2})$

其中，W_Δl(x,y,x_i,y_i)表示亮度特征差异下的抑制权重，W_Δc(x,y,x_i,y_i)表示亮度对比度特征下的抑制权重，σ_Δl和σ_Δc表示特征差异影响抑制程度的灵敏性；

(a.4)非经典感受野用半波校正的DOG函数模拟，细胞间的水平连接使得非经典感受野的抑制程度与距离有关，利用半波校正后的DOG函数模拟距离因素的影响；

半波校正的DOG的表达式如下：

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

将距离因素归一化，即：

$W_d(x,y)=\frac{{\mathrm{DOG}}_h(x,y)}{\left|\right|{\mathrm{DOG}}_h(x,y)|{|}_1}$

式中，||·||₁表示L1范数；

(a.5)综合亮度与对比度特征差异和距离因素影响下的抑制权重

综合特征差异和距离因素的影响，在考虑特征差异和距离因素影响的情况下，亮度特征和亮度对比度特征下的抑制程度分别描述为：

$W_L(x,y)={\&Sigma;}_{(x_i,y_i)}{W}_{\mathrm{\&Delta;}l}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

$W_C(x,y)={\&Sigma;}_{(x_i,y_i)}{W}_{\mathrm{\&Delta;}c}(x,y,x_i,y_i)W_d(x-x_i,y-y_i)$

在上述表达式中，(x,y)表示经典感受野中的像素点，(x_i,y_i)表示非经典感受野中的像素点；

所述计算大小尺度的经典感受野响应的具体过程为：

用二维高斯函数的导数来描述视皮层V1区神经元的经典感受野；因此经典感受野在不同朝向上的响应为：

e(x,y；θ_i,σ)＝|I(x,y)*RF(x,y；θ_i,σ)|

式中，I(x,y)表示输入图像刺激；

由于细胞的朝向选择性，取不同朝向上经典感受野响应的最大值作为经典感受野的响应，表达式如下：

E(x,y；σ)＝max{e(x,y；θ_i,σ)|i＝1,2...N_θ}

(5.2)综合同质抑制中的亮度和对比度特征的抑制权重

假如用SmallE表示归一化了的小尺度下的经典感受野响应，LargeE表示归一化了的大尺度下的经典感受野响应,利用尺度引导策略综合多特征的影响：

$Wcom(x,y)=\left\{\begin{array}{c}min(W_L\left(x,y\right),W_C\left(x,y\right)),\mathrm{\&Delta;}E(x,y)<0\\ max(W_L\left(x,y\right),W_C\left(x,y\right)),\mathrm{\&Delta;}E(x,y)\&GreaterEqual;0\end{array}\right.$

ΔE(x,y)＝SmallE(x,y)-LargeE(x,y)

(5.3)确定同质抑制程度

尺度引导策略为：当ΔE(x,y)＞0时，表示该像素点在小尺度的结果中，却不在大尺度的结果中，有可能是不希望保留的，因此取两个特征中抑制程度最大的；当ΔE(x,y)≤0时，表示该像素很有可能是轮廓，因此取两个特征中抑制程度最小值，在尺度引导策略的指导下，最终得到了同质抑制程度Wcom(x,y)。

7.如权利要求4和5所述的轮廓与边界检测方法，其特征在于，步骤(5)中得到颜色理论和同质抑制的轮廓和边界检测模型，具体公式如下：

当像素点处于纹理中时，同质抑制的程度大，反之，当像素点处于轮廓或边界上时，同质抑制程度小，因此，采用如下模型来描述基于颜色理论和同质抑制的轮廓与边界检测模型：

Res(x,y)＝c(x,y).*exp(1-Wcom(x,y))

式中，Res(x,y)，表示检测模型，“.*”表示点乘，c(x,y)表示通过模拟视觉颜色信息处理得到的轮廓响应，Wcom(x,y)表示同质抑制程度。

8.如权利要求1-6中任一所述轮廓与边界检测方法，其特征在于，步骤(6)中通过非极大值抑制和滞后门限处理得到二值化的轮廓图，具体方法如下：

(8.1)非极大值抑制

非极大值抑制是指寻求所得轮廓图像中的局部极大值点，将非局部极大值点置为0经过非极大值抑制处理后，得到单像素的轮廓图；

(8.2)滞后门限处理

设置高阈值t_h和低阈值t_l，将检测出的轮廓像素点与高、低阈值相比较，当像素点的值小于高阈值t_h时，将其置为0，比较完所有轮廓像素点后可得到图像I；当像素点的值小于低阈值t_l时，将其置为0，比较完所有轮廓像素点后得到图像II；

再以图像II为参照，以图像I为基础进行链接以得到二值化轮廓。

9.如权利要求8所述轮廓与边界检测方法，其特征在于，所述链接的具体步骤如下：对图像II逐点扫描，当发现非0像素点时，追踪以该点为起点的轮廓线，直至轮廓线的终点，考察图像I中对应位置点的8邻域，若其8邻域内有非0像素点，则将该点纳入到图像II中，然后跟踪以该点为起点的轮廓线，直至在图像I和图像II中均无法继续时停止，将跟踪的这条轮廓线进行标记，表明已经访问过，然后继续寻找下一条轮廓线，直至所有轮廓点均被标记。

10.如权利要求1-6中任一所述轮廓与边界检测方法，其特征在于，

所述高、低阈值记为t_h、t_l，其获取过程为：

统计候选轮廓点的直方图，得到候选轮廓的概率分布，选取需要保留的最少轮廓比例作为p分位数，由p分位数计算出高阈值，根据高低阈值间的关系t_l＝0.5t_h，得到低阈值。