[发明专利]一种基于初级视觉通路计算模型的轮廓检测方法

权利要求书

1.一种基于初级视觉通路计算模型的轮廓检测方法，其特征在于，该方法具体包括以下步骤：

步骤(1)提取多尺度特征融合的初级轮廓响应；

引入如式(1)所示的二维高斯导函数模拟视网膜神经节细胞所具有的经典感受野方向选择特性；

其中，(x,y)表示像素点位置坐标，θ表示朝向角，其取值范围为θ∈[0,π)；均方差σ和空间大小比率γ分别决定了经典感受野的尺度和椭圆率，其中γ设置为0.5；

首先针对经典感受野某一尺度σ_i，i＝1,2,...,2k+1，计算当前尺度下的方向响应，如式(2)所示；

f_i(x,y；θ)＝|RF_i(x,y；θ,σ_i)*I(x,y)| (2)

其中，f_i(x,y；θ)表示第i个尺度σ_i对应的方向选择特征，I(x,y)为输入图像，*代表卷积运算；

然后针对经典感受野某一尺度σ_i，选取所有N个朝向的响应最大值作为当前尺度下的初始轮廓响应，如式(3)所示，朝向角个数N默认设置为8；

其中，E_i(x,y)表示第i个尺度σ_i对应的初级轮廓响应；对每个尺度的初级轮廓响应分别进行归一化处理，结果为对中间尺度σ_k+1情形进行处理，如式(4)所示；

其中，m，n分别表示输入图像I(x,y)的行数和列数；X表示归一化轮廓响应中对阈值选取产生影响的像素比例，按照图像轮廓像素的密度选取；resize函数表示对矩阵大小进行转换，其第二个参数和第三个参数分别表示目标矩阵的行数和列数，即将转换为m×n行和1列的矩阵；sort函数表示对矩阵元素进行升序排序；floor表示向下取整函数；

对初始轮廓响应进行更新，如式(5)所示；

其中，E(x,y)表示多尺度特征融合后的初级轮廓响应；

步骤(2)对初级轮廓响应E(x,y)进行时空编码；首先利用LIF神经元模型构建具备绝对不应期神经元网络模型，在时间上对初级轮廓响应E(x,y)进行脉冲编码，得到脉冲编码后的图像I_LIF(x,y)；然后在空间上对I_LIF(x,y)进行稀疏编码，如式(6)所示：

其中，E_ft(x,y)为时空编码图像，step表示稀疏编码局部方窗的宽度，

∪表示局部方窗内所有神经元的集合；

步骤(3)分别计算时空编码图像E_ft(x,y)的NSCT能量和Gabor能量；

将步骤(2)的结果E_ft(x,y)作为输入，分别计算:1)在NSCT尺度参数s下的第q个朝向的NSCT能量q∈[1,N]；2)在参数λ，感受野尺度σ和朝向角θ情形下的Gabor能量λ为cosine因子空间频率倒数；对和分别进行归一化处理，所得结果记为和

然后对和进行处理，如式(7)和(8)所示；

其中，和分别表示时空编码图像E_ft(x,y)的NSCT能量和Gabor能量；

步骤(4)计算非经典感受野各向同性抑制后的轮廓响应；

对步骤(3)得到的和取较大值进行融合，结果记为然后构建非经典感受野的各向同性抑制模型，利用各向同性方法抑制周围纹理背景边缘，最终得到非经典感受野各向同性抑制后的轮廓响应，记为其中α为非经典感受野各向同性抑制作用的强度系数，取值范围为0.1～0.8；

步骤(5)计算经过前馈融合后的最终轮廓响应；将步骤(1)视网膜神经节细胞所提取的初级轮廓响应直接传递到视通路的末端，然后按照像素点乘策略与步骤(4)所得的轮廓响应进行融合，实现图像的快速融合，形成初级视皮层最终轮廓响应，记为R(x,y)。

2.根据权利要求1所述的一种基于初级视觉通路计算模型的轮廓检测方法，其特征在于：步骤一中经典感受野尺度默认设定3种规格，即k＝1，中间尺度σ_i设置为2.4，另两种尺度σ_i分别设置为1.2和3.6。