CN110717893B - 一种基于视觉神经通路的边缘检测方法 - Google Patents

一种基于视觉神经通路的边缘检测方法 Download PDF

Info

Publication number
CN110717893B
CN110717893B CN201910893120.1A CN201910893120A CN110717893B CN 110717893 B CN110717893 B CN 110717893B CN 201910893120 A CN201910893120 A CN 201910893120A CN 110717893 B CN110717893 B CN 110717893B
Authority
CN
China
Prior art keywords
model
receptive field
cells
edge detection
mechanism model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910893120.1A
Other languages
English (en)
Other versions
CN110717893A (zh
Inventor
师昕
赵雪青
陈惠娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201910893120.1A priority Critical patent/CN110717893B/zh
Publication of CN110717893A publication Critical patent/CN110717893A/zh
Application granted granted Critical
Publication of CN110717893B publication Critical patent/CN110717893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30041Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于视觉神经通路的边缘检测方法,通过对生物学研究的视觉神经通路信号传播过程及边缘识别过程进行建模,得到较为符合人眼感受的边缘检测图。首先,建立视网膜的感受机制模型,模拟视网膜对图片信息的响应;其次,建立大脑皮层V1区的感受机制模型,模拟脑皮层V1区对边缘轮廓的检测;然后,建立大脑皮层V1区的感受机制模型,模拟脑皮层V1区对边缘轮廓的检测;最后,结合上述三个模型组合生成基于视觉神经通路的边缘检测模型,模拟视觉神经通路的边缘检测输出。基于视觉神经通路的边缘检测方法分别对视网膜、侧膝体及大脑皮层V1区建模,将人眼视觉机制融入边缘检测中,可以得到更为符合人眼观察特征的边缘检测效果。

Description

一种基于视觉神经通路的边缘检测方法
技术领域
本发明属于视觉神经通路技术领域,具体涉及一种基于视觉神经通路的边缘检测方法。
背景技术
作为数字图像处理和计算机视觉的基础性工作,图像中的边缘被定义为像素及其邻域在特定方向上的阶跃性变化(颜色变化或灰度变化),边缘检测则是通过特定算法,标注出这些变化明显的像素,从而为后续的图像处理提供关键信息。
图像的边缘检测大幅度的减少了图像包含的数据量,剔除了冗余的、不相关的信息,保留图像重要的轮廓性属性,从而为目标识别和图像理解等较高层次的计算机视觉应用提供有效信息。因此,如何准确检测图像中的边缘,成为图像处理及相关研究领域的重要研究问题。
边缘检测的研究具有悠久的历史,迄今有许多边缘检测算法被提出,如一阶微分算子、二阶微分算子、LoG算子、DoG算子、Canny算子等,以及基于模糊理论、数学形态学及神经网络等新兴技术理论的方法。但是这些方法大多忽视了一个基本问题,即边缘检测之所以重要,主要依赖于人类视觉理论的假设,该假设认为人类对物体的感知在很大程度上依赖于边缘的。因此,只有符合人眼视觉机制的边缘检测算法,才可以检测出人眼认为准确的边缘。
发明内容
本发明的目的是提供一种基于视觉神经通路的边缘检测方法,解决了现有技术中存缺少符合人眼视觉机制的边缘检测算法问题。
本发明所采用的技术方案是,一种基于视觉神经通路的边缘检测方法,具体按照以下步骤实施:
步骤1、建立视网膜的感受机制模型,模拟视网膜对图片信息的响应;
步骤2、建立侧膝体的感受机制模型,模拟侧膝体对图片信息的响应;
步骤3、建立大脑皮层V1区的感受机制模型,模拟脑皮层V1区对边缘轮廓的检测;
步骤4、结合步骤1~3建立的模型组合生成基于视觉神经通路的边缘检测模型,模拟视觉神经通路的边缘检测输出。
本发明的特点还在于:
步骤1具体按照以下步骤实施:
步骤1.1、建立光源信号对电信号的转换模型,即在视网膜神经外丛状层中水平细胞和双极细胞中进行光源信号对电信号的转换,具体如式(1)所示:
Figure BDA0002209388840000021
式中,Ωi代表以xi为中心的双极细胞的感受野,K(x,t)是单个双极细胞在t时刻的时空传播模型,f(x,t)是t时刻感光细胞接受到的光信号刺激,式(1)表示外丛状层电信号的产生完全线性依赖于以xi为中心的双极细胞感受野Ωi及t时刻以前的输入信号在感受野中的滞留;
步骤1.2、单个双极细胞时空传播模型K(x,t)简化为所有双极细胞时空传播模型K1(x,t),假设双极细胞数量极多且所有双极细胞均遵循同样的时空传播函数K(x,t),且时空传播函数K(x,t)不受限于Ωi空间内,则式(1)可简化为:
Λ(x,t)=∫t′∈Rx′∈RK1(x-x′,t-t′)f(x′,t′)dx′dt′=(K1*f)(x,t)  (2)
步骤1.3、光信号刺激f(x,t)具有时变性,并且中枢和周围反应具有不用的时间进程,故建立时空不可分离的中心-环绕型感受野模型,具体如式(3)~(5)所示:
K(x,t)=C(x,t)-S(x,t)  (3)
Figure BDA0002209388840000033
Figure BDA0002209388840000034
式中,ωc是感受野中心区的常数系数,ωs是周围区的常数系数,G(x)是高斯滤波器,σc和σs是用于调节感受野半径的高斯函数标准差;
光源信号对电信号的转换模型、双极细胞时空传播模型K1(x,t)及时空不可分离的中心-环绕型感受野模型组合为视网膜的感受机制模型。
步骤1.3中V(t)是低通滤波器函数,具体如式(6)所示:
Figure BDA0002209388840000031
式中,δ0是单位冲击函数;
Figure BDA0002209388840000035
是指数型时域滤波器函数,τG是代表时间的常数,具体如式(7)所示:
Figure BDA0002209388840000032
步骤2具体按照以下步骤实施:
步骤2.1、建立侧膝体的感受机制模型,侧膝体的感受机制模型包括经典感受野模型与非经典感受野模型,典感受野模型与非经典感受野模型均为加权的高斯函数,侧膝体模型具体如式(8)所示:
B(x,t)=H(x,t)*A(x,t)  (8)
式中,H(x,t)表示外膝体细胞在t时刻对视网膜输出信号A(x,t)的变换;
外膝体细胞在t时刻对对视网膜输出信号A(x,t)的变换H(x,t),具体如(9)所示:
Figure BDA0002209388840000041
式中,RC表示经典感受野中心区域,RS表示经典感受野周围区域,Rns表示非经典感受野的半径,Rs≥2Rc,Rns≥4Rc
Figure BDA0002209388840000044
是以σi为偏差的高斯滤波器,σi的选择与R成正比,βi为参数,其选择会影响建模准确度,采用使用高斯函数拟合的方法来确定βi的值;
步骤2.2、简化侧膝体的感受机制模型,对于静态图像,假设任意时刻内的侧膝体变换是不变的,获得简化侧膝体的感受机制模型,则式(8)可简化为:
B(x)=H(x)*A(x)  (10)
简化侧膝体的感受机制模型即为侧膝体的感受机制模型。
步骤3具体按照以下步骤实施:
步骤3.1、大脑皮层V1区的感受机制模型选用感受野合并模型;
步骤3.2、感受野合并模型视为简单细胞由多个子单元组成,每个子单元接受侧膝体细胞的输出作为输入,并对其附近的侧膝体细胞响应线性加权求和计算出每个子单元的响应,如式(12)~(14)所示:
Figure BDA0002209388840000042
Figure BDA0002209388840000043
Figure BDA0002209388840000051
式中,δi,σi,ρi
Figure BDA0002209388840000052
是简单细胞的子单元位置参数,x∈[-3σi,3σi],xi,yi代表子单元i相对于简单细胞感受野中心的坐标;
步骤3.3、基于感受野合并模型中简单细胞对特定方向的响应,定义为所有子单元响应的几何加权平均,具体式(15)所示,即只有当简单细胞的所有子单元都被激活时,该简单细胞才被激活;
Figure BDA0002209388840000053
ωi是由子单元位置参数决定的系数;
步骤3.4、感受野合并模型的不同方向选择性通过改变子单元位置的参数来得到,使用具有不同方向的感受野合并模型对图像进行处理,即可以获得各个方向的边缘,并使用最大化操作方法对各个方向的简单细胞响应进行合并,获得边缘响应集合,具体如式(16)所示,针对得到简单细胞的边缘响应集合,使用Canny算子中的非极大值抑制;
Figure BDA0002209388840000054
式中,ψ(C)是一系列不同方向角度对应的子单元位置参数集合,感受野合并模型即为大脑皮层V1区的感受机制模型。
步骤4具体按照以下步骤实施:
步骤4.1、根据步骤1~3建立的视网膜的感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型,将视网膜的感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型进行顺序组合生成基于视觉神经通路的边缘检测模型;
步骤4.2、向基于视觉神经通路的边缘检测模型输入感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型的主要参数;
步骤4.3、基于视觉神经通路的边缘检测模型使用Python和OpenCV进行计算机程序仿真模拟,输入一张彩色图片,输出边缘图像。
本发明的有益效果是:
1、针对整个视觉神经通路建模,而不仅关注视觉神经通路中的某一部分。
2、在最新生物学研究成果上,对视网膜、侧膝体细胞响应进行建模。
3、可以得到更为符合人眼视觉感受的边缘检测图。
附图说明
图1是本发明一种基于视觉神经通路的边缘检测方法的流程图;
图2是本发明一种基于视觉神经通路的边缘检测方法的视网膜细胞结构分布图;
图3是本发明一种基于视觉神经通路的边缘检测方法的侧膝体非经典感受野分布图;
图4是生物学研究发现的侧膝体细胞反应曲线图;
图5是本发明一种基于视觉神经通路的边缘检测方法的侧膝体的感受机制模型的反应曲线图;
图6是本发明一种基于视觉神经通路的边缘检测方法的简单细胞的子单元分布图;
图7是本发明实施例1的输入图片;
图8是本发明实施例1的边缘输出图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于视觉神经通路的边缘检测方法,如图1所示,具体按照以下步骤实施:
步骤1、建立视网膜的感受机制模型,模拟视网膜对图片信息的响应;
步骤2、建立侧膝体的感受机制模型,模拟侧膝体对图片信息的响应;
步骤3、建立大脑皮层V1区的感受机制模型,模拟脑皮层V1区对边缘轮廓的检测;
步骤4、结合步骤1~3建立的模型组合生成基于视觉神经通路的边缘检测模型,模拟视觉神经通路的边缘检测输出。
通过生物学及神经科学对视网膜的研究,使用数学工具对人眼视网膜细胞响应进行建模,并在建模过程中考虑水平细胞及双极细胞的时延特性。
通过生物学及神经科学对侧膝体的研究,使用数学工具对下丘脑中的侧膝体细胞响应进行建模,并在建模过程中考虑侧膝体非经典感受野对信号的调制作用。
通过对视网膜及侧膝体的建模,使用该模型对图片进行处理,即可得到模拟视网膜和侧膝体对图片信息的响应,并将其作为输入,传输到基于大脑皮层V1区响应建立的模型中,由于脑皮层V1区主要负责的就是边缘轮廓的检测,通过对V1区建模得到的输出,即为模拟视网膜通路得到的边缘检测输出。
步骤1具体按照以下步骤实施:
根据生物学及神经科学对眼的研究,对光信号在眼中的传输进行建模。首先,人眼接收光源信号,光源信号在视网膜中经过一系列变换以适应人脑的需求。而视网膜神经细胞主要可以分为三类,外丛状层、内丛状层及神经节层。外丛状层接受光源信号并将其线性转换为电信号,内丛状层完成电信号的非线性矫正,神经节层则用于产生一系列基于电信号幅度的脉冲信号。
步骤1.1、建立光源信号对电信号的转换模型,即在视网膜神经外丛状层中水平细胞和双极细胞中进行光源信号对电信号的转换,具体如式(1)所示:
Figure BDA0002209388840000081
式中,Ωi代表以xi为中心的双极细胞的感受野,K(x,t)是单个双极细胞在t时刻的时空传播模型,f(x,t)是t时刻感光细胞接受到的光信号刺激,式(1)表示外丛状层电信号的产生完全线性依赖于以xi为中心的双极细胞感受野Ωi及t时刻以前的输入信号在感受野中的滞留;
步骤1.2、单个双极细胞时空传播模型K(x,t)简化为所有双极细胞时空传播模型K1(x,t),假设双极细胞数量极多且所有双极细胞均遵循同样的时空传播函数K(x,t),且时空传播函数K(x,t)不受限于Ωi空间内,则式(1)可简化为:
Λ(x,t)=∫t′∈Rx′∈RK1(x-x′,t-t′)f(x′,t′)dx′dt′=(K1*f)(x,t)  (2)
步骤1.3、光信号刺激f(x,t)具有时变性,并且中枢和周围反应具有不用的时间进程,故建立时空不可分离的中心-环绕型感受野模型,具体如式(3)~(5)所示:
K(x,t)=C(x,t)-S(x,t)  (3)
Figure BDA0002209388840000082
Figure BDA0002209388840000083
式中,ωc是感受野中心区的常数系数,ωs是周围区的常数系数,G(x)是高斯滤波器,σc和σs是用于调节感受野半径的高斯函数标准差;
步骤1.3中V(t)是低通滤波器函数,具体如式(6)所示:
Figure BDA0002209388840000084
式中,δ0是单位冲击函数;
Figure BDA0002209388840000092
是指数型时域滤波器函数,τG是代表时间的常数,具体如式(7)所示:
Figure BDA0002209388840000091
光源信号对电信号的转换模型、双极细胞时空传播模型K1(x,t)及时空不可分离的中心-环绕型感受野模型组合为视网膜的感受机制模型。
对视网膜的感受机制模型的时间信息解释如下:感光细胞接收到光源信号后,于τG时刻先传送给水平细胞,同时,一小部分感光细胞在τC时刻将光源信号直接传动给双极细胞,这两部分信号加权后用于激活双极细胞的感受野;此外,τG时刻水平细胞接收到的信号经过整合交互后,再经过τS的延时传送给双极细胞,这部分信号对双极细胞起到抑制作用。综上,双极细胞就接收到两种极性相反的信号,在考虑到时间因素的基础上,使用高斯函数对感受野的中心-环绕型特性进行建模,即可得到时空不可分离的中心-环绕型感受野模型。由于图像在任意时刻是静态不变的,光信号刺激f(x,t)可直接表示为。因此直接用K(x,t)和f(x)进行卷积即可得到视网膜输出的电信号A(x,t)。
步骤2具体按照以下步骤实施:
与视网膜神经节细胞的感受野相似,侧膝体细胞同样具有感受野机制,且其经典的感受野也被认为是中心-环绕型的模型。但是,根据生物学对哺乳动物的研究发现,在侧膝体经典感受野的周围,还存在一个区域,该区域不会产生响应,但是会对位于经典感受野的响应产生调节作用,即在经典感受野外再添加一个刺激,细胞的响应会产生改变。
基于相关生物学及生理学研究提出的反应曲线如图4所示,本方案提出侧膝体的感受机制模型以包括的经典感受野模型与非经典感受野模型。侧膝体的感受机制模型假设非经典感受野是位于经典感受野周围的另一个同心圆,即经典感受野外存在一个大外环表示非经典感受野,如图3所示。
步骤2.1、建立侧膝体的感受机制模型,侧膝体的感受机制模型包括经典感受野模型与非经典感受野模型,典感受野模型与非经典感受野模型均为加权的高斯函数,侧膝体模型具体如式(8)所示:
B(x,t)=H(x,t)*A(x,t)  (8)
式中,H(x,t)表示外膝体细胞在t时刻对对视网膜输出信号A(x,t)的变换;
外膝体细胞在t时刻对对视网膜输出信号A(x,t)的变换H(x,t),具体如(9)所示:
Figure BDA0002209388840000101
式中,RC表示经典感受野中心区域,RS表示经典感受野周围区域,Rns表示非经典感受野的半径,Rs≥2Rc,Rns≥4Rc
Figure BDA0002209388840000102
是以σi为偏差的高斯滤波器,σi的选择与R成正比,βi为参数,其选择会影响建模准确度,采用使用高斯函数拟合的方法来确定βi的值;
步骤2.2、简化侧膝体的感受机制模型,对于静态图像,假设任意时刻内的侧膝体变换是不变的,获得简化侧膝体的感受机制模型,则式(8)可简化为:
B(x)=H(x)*A(x)  (10)
简化侧膝体的感受机制模型即为侧膝体的感受机制模型。
本方案的侧膝体的感受机制模型如图5所示,使用均方根,如式(11),统计本发明建模结果与图4中反应曲线的误差为0.017,即从数据上验证本发明对LGN非经典感受野所建模型的有效性。
Figure BDA0002209388840000111
H(xi)为本模型每个取样点xi对应的幅值,R(xi)为图4中反应曲线每个取样点对应的幅值。
步骤3具体按照以下步骤实施:
生物学相关研究发现,哺乳动物的大脑皮层V1区细胞不会对光点刺激产生响应,但是对特定方向的光栅十分敏感。除此之外,不同细胞的感受野特性也会有所区别,可被分为简单细胞,复杂细胞,和超复杂细胞等。其中,简单细胞会对特定方向和宽度的条状刺激做出强烈反应,因此,许多研究认为,简单细胞的感受野从结构上可以认为是多个侧膝体细胞按照特定的方向聚合而成。根据这一结构提出的感受野合并模型在本发明中进行应用,作为对整个视通路中大脑皮层V1区的模型。
步骤3.1、大脑皮层V1区的感受机制模型选用感受野合并模型;
步骤3.2、感受野合并模型视为简单细胞由多个子单元组成,其排布如图3所示,每个子单元接受侧膝体细胞的输出作为输入,并对其附近的侧膝体细胞响应线性加权求和计算出每个子单元的响应,如式(12)~(14)所示:
Figure BDA0002209388840000112
Figure BDA0002209388840000121
Figure BDA0002209388840000122
式中,δi,σi,ρi
Figure BDA0002209388840000123
是简单细胞的子单元位置参数,x′∈[-3σi,3σi],xi,yi代表子单元i相对于简单细胞感受野中心的坐标;
步骤3.3、基于感受野合并模型中简单细胞对特定方向的响应,定义为所有子单元响应的几何加权平均,具体式(15)所示,即只有当简单细胞的所有子单元都被激活时,该简单细胞才被激活;
Figure BDA0002209388840000124
ωi是由子单元位置参数决定的系数;
步骤3.4、感受野合并模型的不同方向选择性通过改变子单元位置的参数来得到,使用具有不同方向的感受野合并模型对图像进行处理,即可以获得各个方向的边缘,并使用最大化操作方法对各个方向的简单细胞响应进行合并,获得边缘响应集合,具体如式(16)所示,针对得到简单细胞的边缘响应集合,使用Canny算子中的非极大值抑制;
Figure BDA0002209388840000125
式中,ψ(C)是一系列不同方向角度对应的子单元位置参数集合,感受野合并模型即为大脑皮层V1区的感受机制模型。
步骤4具体按照以下步骤实施:
步骤4.1、根据步骤1~3建立的视网膜的感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型,将视网膜的感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型进行顺序组合生成基于视觉神经通路的边缘检测模型;
步骤4.2、向基于视觉神经通路的边缘检测模型输入感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型的主要参数,如表1所示;
步骤4.3、基于视觉神经通路的边缘检测模型使用Python和OpenCV进行计算机程序仿真模拟,输入一张彩色图片,如图7所示,输出边缘图像,如图8所示。
表1
Figure BDA0002209388840000131
Figure BDA0002209388840000141
本发明的优点在于,基于视觉神经通路的边缘检测方法分别对视网膜、侧膝体及大脑皮层V1区建模,将人眼视觉机制融入边缘检测中,可以得到更为符合人眼观察特征的边缘检测效果。另一个优点在于,本发明考虑视网膜双极细胞及水平细胞信号传输的延时性,考虑侧膝体细胞的非经典感受野对经典感受野的调制作用,考虑大脑皮层V1区细胞对特定方向宽度的光源选择性,对现有模型进行更为符合生物特性的建模。

Claims (3)

1.一种基于视觉神经通路的边缘检测方法,其特征在于,具体按照以下步骤实施:
步骤1、建立视网膜的感受机制模型,模拟视网膜对图片信息的响应;
步骤2、建立侧膝体的感受机制模型,模拟侧膝体对图片信息的响应;
步骤3、建立大脑皮层V1区的感受机制模型,模拟脑皮层V1区对边缘轮廓的检测;
步骤4、结合步骤1~3建立的模型组合生成基于视觉神经通路的边缘检测模型,模拟视觉神经通路的边缘检测输出;
所述步骤1具体按照以下步骤实施:
步骤1.1、建立光源信号对电信号的转换模型,即在视网膜神经外丛状层中水平细胞和双极细胞中进行光源信号对电信号的转换,具体如式(1)所示:
Figure FDA0004063559550000011
式中,Ωi代表以xi为中心的双极细胞的感受野,K(x,t)是单个双极细胞在t时刻的时空传播模型,f(x,t)是t时刻感光细胞接受到的光信号刺激,式(1)表示外丛状层电信号的产生完全线性依赖于以xi为中心的双极细胞感受野Ωi及t时刻以前的输入信号在感受野中的滞留;
步骤1.2、单个双极细胞时空传播模型K(x,t)简化为所有双极细胞时空传播模型K1(x,t),假设双极细胞数量极多且所有双极细胞均遵循同样的时空传播函数K(x,t),且时空传播函数K(x,t)不受限于Ωi空间内,则式(1)可简化为:
A(x,t)=∫t′∈R∫x′∈RK1(x-x′,t-t′)f(x′,t′)dx′dt′=(K1*f)(x,t)(2)
步骤1.3、光信号刺激f(x,t)具有时变性,并且中枢和周围反应具有不用的时间进程,故建立时空不可分离的中心-环绕型感受野模型,具体如式(3)~(5)所示:
K(x,t)=C(x,t)-S(x,t)(3)
Figure FDA0004063559550000021
Figure FDA0004063559550000022
式中,ωc是感受野中心区的常数系数,ωs是周围区的常数系数,G(x)是高斯滤波器,σc和σs是用于调节感受野半径的高斯函数标准差;
光源信号对电信号的转换模型、双极细胞时空传播模型K1(x,t)及时空不可分离的中心-环绕型感受野模型组合为视网膜的感受机制模型;
所述步骤2具体按照以下步骤实施:
步骤2.1、建立侧膝体的感受机制模型,侧膝体的感受机制模型包括经典感受野模型与非经典感受野模型,典感受野模型与非经典感受野模型均为加权的高斯函数,侧膝体模型具体如式(8)所示:
B(x,t)=H(x,t)-A(x,t)(8)式中,H(x,t)表示外膝体细胞在t时刻对对视网膜输出信号A(x,t)的变换;
外膝体细胞在t时刻对对视网膜输出信号A(x,t)的变换H(x,t),具体如(9)所示:
Figure FDA0004063559550000023
式中,RC表示经典感受野中心区域,RS表示经典感受野周围区域,Rns表示非经典感受野的半径,Rs≥2Rc,Rns≥4Rc,Gσi(·)是以σi为偏差的高斯滤波器,σi的选择与R成正比,βi为参数,其选择会影响建模准确度,采用使用高斯函数拟合的方法来确定βi的值;
步骤2.2、简化侧膝体的感受机制模型,对于静态图像,假设任意时刻内的侧膝体变换是不变的,获得简化侧膝体的感受机制模型,则式(8)可简化为:
B(x)=H(x)*A(x)(10)简化侧膝体的感受机制模型即为侧膝体的感受机制模型;
所述步骤3具体按照以下步骤实施:
步骤3.1、大脑皮层V1区的感受机制模型选用感受野合并模型;
步骤3.2、感受野合并模型视为简单细胞由多个子单元组成,每个子单元接受侧膝体细胞的输出作为输入,并对其附近的侧膝体细胞响应线性加权求和计算出每个子单元的响应,如式(12)~(14)所示:
Figure FDA0004063559550000031
Figure FDA0004063559550000032
Figure FDA0004063559550000033
式中,δi,σi,ρi
Figure FDA0004063559550000034
是简单细胞的子单元位置参数,x′∈[-3σi,3σi],xi,yi代表子单元i相对于简单细胞感受野中心的坐标;
步骤3.3、基于感受野合并模型中简单细胞对特定方向的响应,定义为所有子单元响应的几何加权平均,具体式(15)所示,即只有当简单细胞的所有子单元都被激活时,该简单细胞才被激活;
Figure FDA0004063559550000035
ωi是由子单元位置参数决定的系数;
步骤3.4、感受野合并模型的不同方向选择性通过改变子单元位置的参数来得到,使用具有不同方向的感受野合并模型对图像进行处理,即可以获得各个方向的边缘,并使用最大化操作方法对各个方向的简单细胞响应进行合并,获得边缘响应集合,具体如式(16)所示,针对得到简单细胞的边缘响应集合,使用Canny算子中的非极大值抑制;
Figure FDA0004063559550000041
式中,ψ(C)是一系列不同方向角度对应的子单元位置参数集合,感受野合并模型即为大脑皮层V1区的感受机制模型。
2.根据权利要求1所述的一种基于视觉神经通路的边缘检测方法,其特征在于,所述步骤1.3中V(t)是低通滤波器函数,具体如式(6)所示:
Figure FDA0004063559550000042
式中,δ0是单位冲击函数;
Figure FDA0004063559550000043
是指数型时域滤波器函数,τG是代表时间的常数,具体如式(7)所示:
Figure FDA0004063559550000044
3.根据权利要求1所述的一种基于视觉神经通路的边缘检测方法,其特征在于,所述步骤4具体按照以下步骤实施:
步骤4.1、根据步骤1~3建立的视网膜的感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型,将视网膜的感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型进行顺序组合生成基于视觉神经通路的边缘检测模型;
步骤4.2、向基于视觉神经通路的边缘检测模型输入感受机制模型、侧膝体的感受机制模型及大脑皮层V1区的感受机制模型的主要参数;
步骤4.3、基于视觉神经通路的边缘检测模型使用Python和OpenCV进行计算机程序仿真模拟,输入一张彩色图片,输出边缘图像。
CN201910893120.1A 2019-09-20 2019-09-20 一种基于视觉神经通路的边缘检测方法 Active CN110717893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910893120.1A CN110717893B (zh) 2019-09-20 2019-09-20 一种基于视觉神经通路的边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910893120.1A CN110717893B (zh) 2019-09-20 2019-09-20 一种基于视觉神经通路的边缘检测方法

Publications (2)

Publication Number Publication Date
CN110717893A CN110717893A (zh) 2020-01-21
CN110717893B true CN110717893B (zh) 2023-05-12

Family

ID=69210675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910893120.1A Active CN110717893B (zh) 2019-09-20 2019-09-20 一种基于视觉神经通路的边缘检测方法

Country Status (1)

Country Link
CN (1) CN110717893B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462064B (zh) * 2020-03-26 2023-05-12 西安工程大学 一种基于大脑皮层细胞方向选择性的织物疵点检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1989001757A1 (en) * 1987-08-27 1989-03-09 Richardson Robert W Method and device for measuring retinal response
CN101930592A (zh) * 2009-09-23 2010-12-29 电子科技大学 一种基于视觉非经典感受野模型的图像去噪方法
CN106127740A (zh) * 2016-06-16 2016-11-16 杭州电子科技大学 一种基于视通路多感受野朝向性关联的轮廓检测方法
CN106228547A (zh) * 2016-07-15 2016-12-14 华中科技大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1989001757A1 (en) * 1987-08-27 1989-03-09 Richardson Robert W Method and device for measuring retinal response
CN101930592A (zh) * 2009-09-23 2010-12-29 电子科技大学 一种基于视觉非经典感受野模型的图像去噪方法
CN106127740A (zh) * 2016-06-16 2016-11-16 杭州电子科技大学 一种基于视通路多感受野朝向性关联的轮廓检测方法
CN106228547A (zh) * 2016-07-15 2016-12-14 华中科技大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李康群 ; 范影乐 ; 甘海涛 ; 武薇 ; .基于视通路多感受野朝向性关联的轮廓检测方法.中国生物医学工程学报.2017,(01),全文. *

Also Published As

Publication number Publication date
CN110717893A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
Goodhill Topography and ocular dominance: a model exploring positive correlations
CN111402285B (zh) 一种基于视觉机制暗边缘增强的轮廓检测方法
Barrett et al. Optimal compensation for neuron loss
Hinz et al. Drifting perceptual patterns suggest prediction errors fusion rather than hypothesis selection: replicating the rubber-hand illusion on a robot
CN104778696B (zh) 一种基于视通路方位敏感的图像边缘分级检测方法
Lian et al. Toward a biologically plausible model of LGN-V1 pathways based on efficient coding
CN111161203A (zh) 一种基于忆阻脉冲耦合神经网络的多聚焦图像融合方法
Fang et al. From stereogram to surface: how the brain sees the world in depth.
CN110717893B (zh) 一种基于视觉神经通路的边缘检测方法
CN111179294B (zh) 一种基于x、y并行视觉通道响应的仿生型轮廓检测方法
Fang et al. Salient contour detection on the basis of the mechanism of bilateral asymmetric receptive fields
Souihel et al. On the potential role of lateral connectivity in retinal anticipation
Li et al. Image recognition with a limited number of pixels for visual prostheses design
CN115054272A (zh) 一种面向运动障碍功能重塑的脑电信号识别方法及系统
CN108537852B (zh) 一种基于图像局部对比度的自适应颜色恒常性方法
Von Seelen et al. Characteristics of neuronal systems in the visual cortex
Bornet et al. Running large-scale simulations on the Neurorobotics Platform to understand vision–the case of visual crowding
Tamekue et al. Cortical origins of MacKay-type visual illusions: A case for the non-linearity
Meese et al. Object image size is a fundamental coding dimension in human vision: New insights and model
Wang et al. Improved binocular vergence control via a neural network that maximizes an internally defined reward
Grossberg et al. On the road to invariant object recognition: How cortical area V2 transforms absolute to relative disparity during 3D vision
US11701512B2 (en) Virtual patch electrodes for electrical muscle stimulation and transcutaneous electrical nerve stimulation
Tajima et al. Saliency-based color accessibility
McManus et al. A computational model of perceptual fill-in following retinal degeneration
CN113362356A (zh) 一种基于双侧注意通路的显著轮廓提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant