[发明专利]基于初级视皮层多尺度轮廓融合的轮廓检测方法

说明书

本发明旨在提供一种基于初级视皮层多尺度轮廓融合的轮廓检测方法，包括以下步骤：A、输入经灰度处理的待检测图像，预设Gabor滤波器组进行滤波得到各像素点各个尺度值下的初始滤波响应和最优方向；B、计算各像素点各个尺度值下的抑制响应，进而得到各像素点各个尺度值下的初级轮廓响及二值图点值；C、构建各像素点的击中矩阵和以该像素点为中心的多个邻域，根据邻域计算得到各像素点的击中矩阵的元素值；D、将各尺度值代入正态分布函数，得到各尺度值的权重函数值；进而计算得到该像素点的终极轮廓响应；E、对各像素点的终极轮廓响应进行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，具体涉及一种基于初级视皮层多尺度轮廓融合的轮廓检测方法。

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，每个尺度值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值下的特性；多分辨率小波分析显示，在大尺度值下，图像细节消失只保留大致的轮廓。这说明纹理只在小尺度值出现，选取合适的尺度值可以实现轮廓的保留和纹理的消除；因此，在模型中考虑感受野模型尺度值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初级视皮层多尺度轮廓融合的轮廓检测方法，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：

一种基于初级视皮层多尺度轮廓融合的轮廓检测方法，包括以下步骤：

A、输入经灰度处理的待检测图像，预设一组依次递增的尺度值，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基于每一个尺度值分别按照各个方向参数进行Gabor滤波，获得每一个像素点的不同尺度值下的各个方向的Gabor滤波值；对于每一个像素点，在其每个尺度值对应的各个方向的Gabor滤波值中选取最大值，作为该像素点在该尺度值下的初始滤波响应，选取每一个像素点的最小尺度值下的初始滤波响应所对应的方向作为该像素点的最优方向；

B、对高斯差分函数进行归一化处理，得到归一化函数，利用归一化函数对每一个像素点的各个尺度值下的初始滤波响应进行滤波，得到每一个像素点的各个尺度值下的抑制响应；将每一个像素点各个尺度值下的初始滤波响应减去其对应尺度值下的抑制响应得到该像素点各个尺度值下的初级轮廓响应；对每一个像素点各个尺度值下的初级轮廓响应进行非极大值抑制和二值化处理，得到该像素点各个尺度值下的二值图点值；基于尺度值对二值图点值进行组合，形成各个尺度值下的二值图；

C、构建各个像素点的击中矩阵，所述的击中矩阵为单行矩阵，击中矩阵中各元素分别与除最小尺度值以外的其他尺度值一一对应；在除最小尺度值外的其余尺度值下的二值图中，对每一个像素点均设置一个邻域；所述的邻域由两个顶角互为对顶角的等腰三角形区域组成，所述的两个等腰三角形基于该像素点最优方向所在直线对称，等腰三角形的顶点为该像素点；所述的各邻域中的各等腰三角形区域的高为该邻域所对应的尺度值与最小尺度值的差值；

对于每一个像素点的各个邻域进行判断，若该邻域所在范围的二值图中存在点值为1的二值图点值，则该像素点的击中矩阵中对应该尺度值的元素置为1；反之，则该像素点的击中矩阵中对应该尺度值的元素置为0；

D、对于每一个像素点：将各尺度值代入正态分布函数，得到该像素点各尺度值的权重函数值；将该像素点击中矩阵中的元素分别与其对应的尺度值的权重函数值相乘，对乘积进行求和得到该像素点的终极轮廓响应；

E、对每一个像素点的终极轮廓响应使用非极大值抑制和二值化处理，得到各像素点的最终轮廓值，进而得到最终轮廓图。