[发明专利]基于可变感受野尺度全局调制的轮廓检测方法

说明书

本发明旨在提供一种基于可变感受野尺度全局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，计算得到各像素点的归一化高斯差分滤波值；B、预设尺度函数的高尺度值、低尺度值、阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，确定各像素点的尺度函数值；C、预设抑制强度及均分圆周的多个方向参数；对待检测图像中的各像素点分别按照各方向参数进行Gabor滤波，计算各像素点的经典感受野刺激响应；D、计算各像素点的抑制响应；E、将各像素点的经典感受野刺激响应与抑制响应计算得到该像素点的轮廓响应并处理得到各像素点的最终轮廓值，进而得到最终轮廓图。该方法具有仿真效果好、轮廓识别率高的特点。

技术领域

本发明涉及计算机图像处理领域，具体涉及一种基于可变感受野尺度全局调制的轮廓检测方法。

背景技术

轮廓检测是计算机视觉领域的一个基本任务，不同于被定义为强烈的亮度变化所表征的边缘，轮廓通常表示一个目标到其他目标的边界。提高轮廓检测性能的基本方法就是融合全局的信息，为了提高轮廓检测模型的性能，许多研究者尽力的去对原始的检测算子以及抑制模型进行改进；基于尺度空间理论，每个尺度对应一组神经元感受野的大小，神经节细胞不同的感受野大小有着不同尺度下的特性；因此，在模型中考虑感受野模型尺度可以作为该领域的发展方向。

发明内容

本发明旨在提供一种基于可变感受野尺度全局调制的轮廓检测方法，该方法具有仿真效果好、轮廓识别率高的特点。

本发明的技术方案如下：

A、输入经灰度处理的待检测图像，对各像素点的灰度值利用高斯差分函数进行高斯差分滤波，得到各像素点的高斯差分滤波值，分别对各像素点的高斯差分滤波值中的正值和负值进行归一化处理，得到各像素点的归一化高斯差分滤波函数；利用各像素点的归一化高斯差分滤波函数分别与对应像素点的灰度值进行卷积，得到各像素点的归一化高斯差分滤波值；

B、预设尺度函数的高尺度值、低尺度值，预设阈值，将各像素点的归一化高斯差分滤波值分别与阈值进行对比，若该像素点归一化高斯差分滤波值大于或等于阈值，则该像素点对应的尺度函数值为高尺度值，若该像素点归一化高斯差分滤波值小于阈值，则该像素点对应的尺度函数值为低尺度值；

C、预设抑制强度，预设均分圆周的多个方向参数；对待检测图像中的各像素点分别按照各方向参数进行Gabor滤波，获得各像素点的各方向的响应值，其中Gabor滤波中所采用的尺度函数值为各个像素点在步骤B中所确定的高尺度值或低尺度值；对于各像素点，选取其各方向的响应值中的最大值，作为该像素点的经典感受野刺激响应；

D、将各像素点的经典感受野刺激响应与该像素点的距离权重函数进行卷积后与该像素点对应的尺度相乘，得到各像素点的抑制响应；

E、将各像素点的经典感受野刺激响应减去该像素点的抑制响应与抑制强度的乘积，得到该像素点的轮廓响应，对轮廓响应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，进而得到最终轮廓图。

优选地，所述的步骤A具体为：

所述的高斯差分函数DoG_σ(x,y)为：

其中σ为初始化尺度；

所述的归一化高斯差分滤波函数w_σ(x,y)为：

所述的归一化高斯差分滤波值wout_σ(x,y)为：

wout_σ(x,y)＝I(x,y)*w_σ(x,y) (3)。

优选地，所述的步骤B具体为：

所述的尺度函数σ(x,y)为：