[发明专利]一种混合外区抑制与贝叶斯模型的轮廓检测方法

说明书

本发明公开了一种混合外区抑制与贝叶斯模型的轮廓检测方法，包括以下步骤：根据灰度图像定义图像高斯梯度，以去除噪声；建立方向滤波器，求得外区抑制量，并对高斯梯度处理的图像进行外区抑制，以生成轮廓响应；采用非极大值抑制与迟滞阈值进行图像处理，得到图像的二值边缘图；通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图；采用基于贝叶斯概率模型的轮廓判决机制，求得边缘点的后验轮廓概率，以获得轮廓输出。通过上述方案，本发明具有有效去除图像噪声边缘和保护图像弱轮廓的优点。

技术领域

本发明涉及图像处理技术领域，尤其是一种混合外区抑制与贝叶斯模型的轮廓检测方法。

背景技术

现有技术方案一般是模拟人类大脑初级视皮层的轮廓检测机制。神经生理学研究表明，人类大脑初级视皮层存在着外区抑制特性：即独立的边界或轮廓可以引起视神经元的强烈响应，而纹理性边缘却能够抑制视神经元的响应。Grigorescu等人首次模拟了这种现象，提出一种基于双高斯模型的仿生轮廓检测算法，仿生轮廓检测算法的基本思想是借助两个高斯函数(尺度不同)作差分而生成相应的抑制滤波器，接着对图像梯度幅值作卷积操作，再由图像梯度幅值减去卷积响应就可以获得轮廓显著图，轮廓显著图中目标轮廓的响应值较高，而纹理性边缘的响应值较低，可以实现轮廓的检测和提取。

但是，由于双高斯模型的抑制滤波器呈圆环型结构，所以轮廓自身也会有部分片段落入抑制区域内，导致轮廓的抑外区制量大于零，一些不够显著的弱轮廓经过外区抑制后就会消失，即生产了所谓的自抑制现象，不利于实际应用。

综上所述，为了克服上述技术难题，本发明提出一种新的多水平组合方式，以整合不同抑制水平作用下的二值响应图；同时，借助贝叶斯概率模型建立图像的后验轮廓概率图，根据概率图中噪声边缘的轮廓概率值较低，而弱轮廓的轮廓概率值较高这一特性，以实现去除噪声边缘和保护弱轮廓的效果。

发明内容

针对上述问题，本发明的目的在于提供一种混合外区抑制与贝叶斯模型的轮廓检测方法，本发明采用的技术方案如下：

一种混合外区抑制与贝叶斯模型的轮廓检测方法，包括以下步骤：

根据灰度图像定义图像高斯梯度，以去除噪声；

建立方向滤波器，求得外区抑制量，并对高斯梯度处理的图像进行外区抑制，以生成轮廓响应；

采用非极大值抑制与迟滞阈值进行图像处理，得到图像的二值边缘图；

通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图；

采用基于贝叶斯概率模型的轮廓判决机制，求得边缘点的后验轮廓概率，以获得轮廓输出。

进一步地，根据灰度图像定义图像高斯梯度，包括以下步骤：

定义任一幅灰度图像I(x,y)的高斯梯度，其表达式为：

其中，I表示图像，表示高斯梯度，x表示图像中某一点的x坐标，y表示图像中某一点的y坐标，σ表示高斯函数的尺度，g_σ(x,y)表示二元高斯函数，表示二元高斯函数g_σ(x，y)的梯度向量与灰度图像I(x,y)作一次卷积后得到的图像高斯梯度。

进一步地，所述建立方向滤波器，求得外区抑制量，并对高斯梯度处理的图像进行外区抑制，包括以下步骤：

建立滤波器生成函数K_θ(x,y)，其表达式为：

其中R_θ表示旋转矩阵，H(x,y)表示Hermite函数；