CN112464948A - 一种基于仿生学的自然场景目标轮廓提取方法及系统 - Google Patents

Abstract

本发明公开了计算机视觉技术领域的一种基于仿生学的自然场景目标轮廓提取方法及系统，提高了自然场景下目标轮廓提取的准确性和鲁棒性。包括：获取图像的高斯梯度及梯度幅值；基于图像的梯度幅值，获取图像的外区抑制量；基于图像的梯度幅值和外区抑制量生成轮廓响应；对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图；基于视觉偏好的边缘显著性和共线性，计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；基于先验轮廓概率，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；基于后验轮廓概率，在给定的阈值下，输出图像的轮廓。

Description

一种基于仿生学的自然场景目标轮廓提取方法及系统

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于仿生学的自然场景目标轮廓提取方法及系统。

背景技术

目标轮廓提取是计算机视觉领域研究的热点问题，有着十分广泛的应用前景。迄今为止，针对这一问题已经提出了大量的解决方法。传统的检测算法整合了线形滤波和局部方向性分析，例如基于图像数据的方法和基于图像局部能量的方法。然而，这些方法并没有区分边缘类型，例如是纹理边缘还是区域边界。其他的一些研究考虑了图像边缘的上下文信息，比如基于各项异性融合以及基于边缘灰度信息的方法。该类方法不再关注图像中所有的灰度变化，而是有选择性的检测、增强感兴趣的区域。比如医学图像中的组织轮廓，自然场景中的目标轮廓和不同纹理的边界。但从实际应用效果来看，轮廓检测和提取依然是一个开放性的研究性课题，在不同的应用场景下面临着众多困难。特别是自然场景中的目标轮廓提取，由于其场景复杂、干扰因素多，目标轮廓提取的精度不高。

发明内容

为解决现有技术中的不足，本发明提供一种基于仿生学的自然场景目标轮廓提取方法及系统，提高了自然场景下目标轮廓提取的准确性和鲁棒性。

为达到上述目的，本发明所采用的技术方案是：一种基于仿生学的自然场景目标轮廓提取方法，包括：获取图像的高斯梯度及梯度幅值；基于图像的梯度幅值，获取图像的外区抑制量；基于图像的梯度幅值和外区抑制量生成轮廓响应；对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图；基于视觉偏好的边缘显著性和共线性，计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；基于先验轮廓概率，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；基于后验轮廓概率，在给定的阈值下，输出图像的轮廓。

进一步地，所述图像的外区抑制量由以下方法获得：

其中，t(x,y)表示图像的外区抑制量，

表示点(x,y)的梯度方向，

表示图像的梯度幅值

与基函数V_n(x,y)作卷积。

进一步地，所述轮廓响应为图像的梯度幅值

与图像的外区抑制量之差：

其中，

表示轮廓响应，λ表示抑制水平。

进一步地，对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图，具体包括：

采用一组不同大小的抑制水平，对图像进行处理得到一组不同的候选轮廓边缘，并形成一组不同的候选轮廓集；

分别获取各候选轮廓集的交集和并集；

以交集作为种子，遍历并集中所有的轮廓边缘，并将重叠的轮廓边缘加入到组合结果b(p,c)中。

进一步地，所述先验轮廓概率通过以下公式获得：

P(e)＝ω·p_c+(1-ω)·p_l (13)

其中，P(e)表示边缘轮廓的先验轮廓概率，ω用于调节共线概率和显著性概率所占的权重，p_c表示边缘轮廓的共线概率，p_l表示边缘轮廓的显著性概率。

进一步地，所述后验轮廓概率通过以下公式获得：

p(x,y,r)＝arg max_P(e){P(e)[1-δ(e∩Ω_r(x,y))]} (14)

其中，p(x,y,r)表示边缘点属于轮廓的后验轮廓概率，Ω_r(x,y)表示边缘点(x,y)的r邻域，e表示候选边缘，

进一步地，基于后验轮廓概率，在给定的阈值下，输出图像的轮廓，具体方法为：

b(x,y)＝p(x,y,r)>T_p (15)

其中，T_p表示给定的阈值。

一种基于仿生学的自然场景目标轮廓提取系统，包括：第一模块，用于获取图像的高斯梯度及梯度幅值；第二模块，用于基于图像的梯度幅值，获取图像的外区抑制量；第三模块，用于基于图像的梯度幅值和外区抑制量生成轮廓响应；第四模块，用于对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图；第五模块，用于计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；第六模块，用于基于先验轮廓概率，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；第七模块，用于基于后验轮廓概率，在给定的阈值下，输出图像的轮廓。

一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行前述的基于仿生学的自然场景目标轮廓提取方法。

与现有技术相比，本发明所达到的有益效果：本发明基于贝叶斯概率框架的边缘点概率计算方法，根据边缘点的局部边缘信息来计算点的轮廓概率；采用了生物视觉特征，基于视觉偏好的边缘显著性和共线性，提出了边缘属于目标轮廓的边缘轮廓先验轮廓概率，能够准确区分局部轮廓边缘和纹理边缘；最后，基于边缘轮廓先验轮廓概率，由贝叶斯概率模型计算边缘点属于轮廓边缘的后验轮廓概率，提高了自然场景下目标轮廓提取的准确性和鲁棒性。

附图说明

图1是本发明实施例提供的一种基于仿生学的自然场景目标轮廓提取方法的流程示意图；

图2是θ＝0时的滤波器图像；

图3是θ＝π/4时的滤波器图像；

图4是θ＝π/2时的滤波器图像；

图5是θ＝3π/4时的滤波器图像；

图6是仿生轮廓组合示意图一；

图7是仿生轮廓组合示意图二；

图8是仿生轮廓组合示意图三。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1所示，一种基于仿生学的自然场景目标轮廓提取方法，包括：获取图像的高斯梯度及梯度幅值；基于图像的梯度幅值，获取图像的外区抑制量；基于图像的梯度幅值和外区抑制量生成轮廓响应；对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图；基于视觉偏好的边缘显著性和共线性，计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；基于先验轮廓概率，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；基于后验轮廓概率，在给定的阈值下，输出图像的轮廓。

1)获取图像的高斯梯度及梯度幅值

令I(x,y)表示一幅灰度图像，定义I(x,y)的高斯梯度如下：

其中，g_σ(x,y)表示二元高斯函数，其作用为平滑图像以去除噪声影响；对g_σ(x,y)求梯度向量，与图像I(x,y)作一次卷积得到图像的高斯梯度

梯度幅值为

2)基于图像的梯度幅值，获取图像的外区抑制量

通过可旋转滤波器计算外区抑制量；计算过程需要用到一组不同方向的滤波器，滤波器生成函数定义如下：

其中，R_θ表示旋转矩阵，图2～图5分别显示了4种不同方向(θ＝0,π/4,π/2,3π/4)的滤波器图像；K_θ(x,y)与梯度幅值

作卷积得到外区抑制量t(x,y)：

为降低时间复杂度，将(x,y)转换成极坐标形式(ρ,φ)，有x＝ρcos(φ),y＝ρsin(φ)，故：

令

则

H(ρ+θ,φ)＝exp(-2iθ)V_-2+V₀+exp(2iθ)V₂ (5)

令a_-2＝exp(-2iθ),a₀＝1,a₂＝exp(2iθ)，有：

K_θ(x,y)＝∑_n a_n(θ)V_n(ρ,φ) (6)

其中，n∈{-2,0,2}。因此，K_θ(x,y)本质上是三个固定基函数(不含角度变量)的线性组合。现将式(3)重写为如下形式：

其中，

表示点(x,y)的梯度方向；图像的梯度幅值

与3个基函数分别作卷积，再乘以相应的系数进行线性组合，得到抑制量。此时，借助快速傅里叶变换，时间复杂度可下降到O(3N²logN²)，能够满足实时性要求。

3)基于图像的梯度幅值和外区抑制量生成轮廓响应

轮廓响应定义为梯度幅值

与外区抑制量之差：

其中，λ表示抑制水平。由于t(x,y)在纹理性边缘中取值较高，而在轮廓中取值较低。最后通过非极大值抑制和迟滞阈值得到最终的目标轮廓。

4)对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图

公式(8)中的参数λ决定了外区抑制的强度。然而一个较大的λ，能够加强抑制纹理边缘的力度，但同时也会抑制部分轮廓边缘。反之，在减轻抑制轮廓边缘的同时，也残留了大量的纹理边缘。为解决以上问题，提出一种多水平抑制的方法，包括：d1)采用一组不同大小的抑制水平，对图像进行处理得到一组不同的候选轮廓边缘，并形成一组不同的候选轮廓集。那么对于图像点(x,y)，它在所有候选轮廓集b(b,α_k,)中出现的次数决定了它属于轮廓边缘的概率。而孤立点或者轮廓点出现的次数要多于噪声点出现的次数。d2)分别获取各候选轮廓集的交集和并集；如下定义了候选轮廓集b(b,α_k,)的交集和并集：

其中，交集B_p,i表示在所有二值图像中都存在的图像边缘集合，这里认为其中不存在纹理边缘，但丢失了部分轮廓边缘。而并集B_p,u中假设包括了所有的轮廓边缘，但也混入了部分纹理边缘。交集包含有大量不连续的轮廓片段，而并集则同时包含有完整的轮廓和纹理边缘。d3)为筛选出完整的轮廓并排除纹理边缘，以交集作为种子，然后遍历并集中所有的边缘，如果有部分像素点发生重叠，则将有重叠的边缘加入到组合结果b(p,c)中：

其中，

组合结果b(p,c)去除了大部分纹理边缘，同时保留了较为完整的轮廓边缘。

多水平方法中通过对候选边缘集求交并运算将边缘分类为轮廓边缘和纹理边缘。但该分类结果存在一定的缺陷，不能正确处理一些孤立的细小边缘。例如图6～图8中，如对于三种不同情况下的细小边缘e，都会做出丢弃处理。正确的轮廓分类应该将图6和图7中的短边剔除，而保留图8中的短边。

5)基于视觉偏好的边缘显著性和共线性，计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；

边缘轮廓分组机制在人类观察理解外部环境时起到了显著的作用。在该机制的作用下，人们总能够将局部的边界元素正确组合成一个完整的全局轮廓。根据轮廓成组机制中最主要的连续性特征，如果几个边缘片断，通过端点的延长能够互相连接而形成一个光滑的曲线，那么这几个局部边缘属于目标轮廓的一部分的可能性就大为增加。同时人类视觉特征更倾向于将长边缘纳入到目标的主轮廓中去，而丢弃较短小的边缘片断。根据以上生物视觉特征，

本发明提出了一个仿生轮廓组合方法。如果候选边缘的邻域内存在可能和其共线的边缘，那么增加该边缘属于轮廓边缘的概率。同时如果其邻域内共线的边缘数量越多，当前边缘属于目标轮廓边缘的概率越大。对候选边缘集合中的每一个边缘e和邻域内其他边缘e_i，计算他们的边缘方向角度θ和θ_i。如果邻域内和当前边缘方向一致的边缘越多，那么就当前边缘属于主轮廓的概率就越大。边缘共线概率p_c定义如下：

其中，θ是当前边缘的方向角，θ_i是邻域内边缘的方向角，G_σ()是高斯函数，如果角度差为零，那么高斯函数取最大值1，随着角度差增大，取值无限趋近于零。n是邻域中的边缘数，而N_max是所有邻域中存在边缘数量的最大值。其次，由于人类视觉偏好长边缘，所以边缘的长度越长，其属于轮廓的概率也越大。由此边缘的显著性概率p_l定义为：

其中，l_e为当前边缘的长度，而l_max为所有候选边缘长度中的最大值。那么一个边缘的仿生轮廓的先验概率p定义如下：

P(e)＝ω·p_c+(1-ω)·p_l (13)

这里参数ω用于调节共线概率和显著性概率所占的权重。根据该仿生轮廓概率，对于图6所示的情况,由于候选边缘e是孤立细小边缘，会从轮廓边缘中排除。图7中，边缘e由于不满足共线条件，同样会被排除。而在图8中，边缘e和上下两条候选边缘可以组成一个连续的长边缘，增大了属于轮廓边缘的组合概率。

6)基于先验轮廓概率，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；

边缘点(x,y)的后验轮廓概率可定义如下：

p(x,y,r)＝arg max_P(e){P(e)[1-δ(e∩Ω_r(x,y))]} (14)

其中，p(x,y,r)表示边缘点属于轮廓的后验轮廓概率，Ω_r(x,y)表示边缘点(x,y)的r邻域，e表示候选边缘，

边缘点(x,y)的后验轮廓概率等于该点周围所有边缘的先验轮廓概率的最大值。显然，式(14)的基本思想是利用周围的边缘信息来判断自身属于轮廓的可能性。对于边缘e1，其周围除了自身之外没有其它轮廓的存在，故e1上边缘点的概率值很低；而e2的周围存在着两条长轮廓，所以e2上边缘点具有较高的后验轮廓概率值。因此，e1和e2虽然长度相同，但边缘点的后验轮廓概率值却不同，据此可以排除e1，而保留e2。

7)基于后验轮廓概率，在给定的阈值下，输出图像的轮廓

得到边缘点的后验轮廓概率p(x,y,r)之后，给定阈值T_p，可定义最终的轮廓输出：

b(x,y)＝p(x,y,r)>T_p (15)

本实施例提出了基于贝叶斯概率框架的边缘点概率计算方法，根据边缘点的局部边缘信息来计算点的轮廓概率，见公式(14)。为了能够准确区分局部轮廓边缘和纹理边缘。这里采用了生物视觉特征，基于视觉偏好的边缘显著性和共线性，提出了边缘属于目标轮廓的边缘轮廓先验轮廓概率，见公式(13)；最后，基于边缘轮廓先验轮廓概率，由贝叶斯概率模型计算边缘点属于轮廓边缘的后验轮廓概率。基于概率模型的轮廓边缘过滤及提取方法，能够提高边缘提取的准确性和鲁棒性。

实施例二：

基于实施例一所述的基于仿生学的自然场景目标轮廓提取方法，本实施例提供一种基于仿生学的自然场景目标轮廓提取系统，包括：

第一模块，用于获取图像的高斯梯度及梯度幅值；

第二模块，用于基于图像的梯度幅值，获取图像的外区抑制量；

第三模块，用于基于图像的梯度幅值和外区抑制量生成轮廓响应；

第四模块，用于对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图；

第五模块，用于计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；

第六模块，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；

第七模块，用于基于后验轮廓概率，在给定的阈值下，输出图像的轮廓。

实施例三：

基于实施例一所述的基于仿生学的自然场景目标轮廓提取方法，本实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行实施例一所述的基于仿生学的自然场景目标轮廓提取方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (9)

1.一种基于仿生学的自然场景目标轮廓提取方法，其特征是，包括：

获取图像的高斯梯度及梯度幅值；

基于图像的梯度幅值，获取图像的外区抑制量；

基于图像的梯度幅值和外区抑制量生成轮廓响应；

对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图；

基于视觉偏好的边缘显著性和共线性，计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；

基于先验轮廓概率，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；

基于后验轮廓概率，在给定的阈值下，输出图像的轮廓。

2.根据权利要求1所述的基于仿生学的自然场景目标轮廓提取方法，其特征是，所述图像的外区抑制量由以下方法获得：

其中，t(x,y)表示图像的外区抑制量，

表示点(x,y)的梯度方向，

表示图像的梯度幅值

与基函数V_n(x,y)作卷积。

3.根据权利要求1所述的基于仿生学的自然场景目标轮廓提取方法，其特征是，所述轮廓响应为图像的梯度幅值

与图像的外区抑制量之差：

其中，

表示轮廓响应，λ表示抑制水平。

4.根据权利要求1所述的基于仿生学的自然场景目标轮廓提取方法，其特征是，对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图，具体包括：

采用一组不同大小的抑制水平，对图像进行处理得到一组不同的候选轮廓边缘，并形成一组不同的候选轮廓集；

分别获取各候选轮廓集的交集和并集；

以交集作为种子，遍历并集中所有的轮廓边缘，并将重叠的轮廓边缘加入到组合结果b(p,c)中。

5.根据权利要求1所述的基于仿生学的自然场景目标轮廓提取方法，其特征是，所述先验轮廓概率通过以下公式获得：

P(e)＝ω·p_c+(1-ω)·p_l (13)

其中，P(e)表示边缘轮廓的先验轮廓概率，ω用于调节共线概率和显著性概率所占的权重，p_c表示边缘轮廓的共线概率，p_l表示边缘轮廓的显著性概率。

6.根据权利要求1所述的基于仿生学的自然场景目标轮廓提取方法，其特征是，所述后验轮廓概率通过以下公式获得：

p(x,y,r)＝arg max_P(e){P(e)[1-δ(e∩Ω_r(x,y))]} (14)

其中，p(x,y,r)表示边缘点属于轮廓的后验轮廓概率，Ω_r(x,y)表示边缘点(x,y)的r邻域，e表示候选边缘，

7.根据权利要求1所述的基于仿生学的自然场景目标轮廓提取方法，其特征是，基于后验轮廓概率，在给定的阈值下，输出图像的轮廓，具体方法为：

b(x,y)＝p(x,y,r)>T_p (15)

其中，T_p表示给定的阈值。

8.一种基于仿生学的自然场景目标轮廓提取系统，其特征是，包括：

第一模块，用于获取图像的高斯梯度及梯度幅值；

第二模块，用于基于图像的梯度幅值，获取图像的外区抑制量；

第三模块，用于基于图像的梯度幅值和外区抑制量生成轮廓响应；

第四模块，用于对不同抑制水平下的轮廓响应分别进行二值化处理，获取初步的二值边缘图；

第五模块，用于计算初步的二值边缘图中的边缘轮廓的先验轮廓概率；

第六模块，用于基于先验轮廓概率，采用贝叶斯概率框架计算边缘点属于轮廓边缘的后验轮廓概率；

第七模块，用于基于后验轮廓概率，在给定的阈值下，输出图像的轮廓。

9.一种计算机可读存储介质，其特征是，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的基于仿生学的自然场景目标轮廓提取方法。

Images