[发明专利]一种基于双侧注意通路的显著轮廓提取方法

说明书

本发明涉及一种基于双侧注意通路的显著轮廓提取方法。首先改进视皮层下单拮抗感受野模型，构建基于局部亮度特征的单拮抗动态调节模型，实现亮度和颜色边界的联合编码；接着模拟经典感受野的方向敏感特性，提出一种最佳方位区间多方向微动方法，实现方向选择的精细化；随后当初级视皮层信号传递至高级视皮层时，模拟背侧流和腹侧流之间的信息响应特性，构建双侧信息流交互模型，利用高斯金字塔和稀疏编码模型，分别获取背侧空间显著轮廓和腹侧神经元稀疏响应；最后通过加权融合策略将双侧注意通路的信息融合，以多视通路之间的信息互补来增强显著轮廓和抑制纹理背景。

技术领域

本发明属于生物视觉和图像处理领域，具体涉及一种基于双侧注意通路的显著轮廓提取方法。

背景技术

轮廓是图像目标的重要形态特征，通常湮没在图像噪声和纹理背景中，如何准确地在复杂场景中提取显著轮廓，对于后续的计算机图像处理至关重要。显著轮廓提取的难点主要体现在：(1)在光照不均或弱对比度下，轮廓信息更易被纹理干扰而难以提取；(2)在凸显轮廓和抑制纹理的过程中，难以保证剔除大量纹理的同时又保留完整的轮廓。

随着视觉生理实验和计算模型的发展，视觉仿生型轮廓感知方法逐渐受到学者们的关注。例如有研究基于视觉系统中各级神经元的解剖特性，构建高斯差分(Differenceof Gaussian,DOG)模型来描述中心-周边型的感受野结构，揭示了单拮抗感受野(Single-Opponent Receptive Field,SORF)感知颜色信息时所呈现的拮抗特性；有研究提出基于经典感受野(Classical Receptive Field,CRF)的最佳方位多层级细化方法，利用高斯导函数的角度细分实现目标方向的精细感知；还有研究指出视皮层拥有背侧流和腹侧流构成的双侧通路，且两者不同层级之间存在着相互调节作用；而视觉感知过程根据场景特征和视觉任务特性，可解释为Bottom-Up和Top-Down两种视觉注意模型，利用其可有效地提取显著目标；后续也有研究在多视通路和多层次视觉信息的基础上，整合多条平行通路的视觉特征，通过不同视通路间的信息融合获取显著轮廓。需要指出的是，上述方法都要预设CRF的偏向角或感受野的调控参数，无法保证不同场景图像的检测效果；并且仅在单一视通路上考虑轮廓和纹理的差异性，忽略或简化了视觉信息分流机制对细节信息的调制作用，易造成弱轮廓的漏检现象；此外，现有方法大都未从多视通路的信息交互层面出发，缺乏多通路信息互补对显著轮廓的修正作用。

发明内容

本发明构建双侧注意通路交互与融合模型，通过模拟视觉信息的分流传递和交互响应特性来提取显著轮廓。模拟视网膜神经节和膝状体(LGN)层(统称为视皮层下)特性，构建基于局部亮度特征的单拮抗动态调节模型，通过亮度和颜色边界的联合编码，获取图像目标的初级边界响应；模拟初级视皮层(V1区)特性，基于经典感受野的方向敏感特性，提出最佳方位区间多方向微动方法，实现方向选择的精细化；模拟V1区与高级视皮层的视觉信号传递特性，构建双侧信息流交互模型，将视通路划分为背侧和腹侧注意通路，利用高斯金字塔和稀疏编码模型，分别获取背侧空间显著轮廓和腹侧神经元稀疏响应；最后通过加权融合策略将双侧注意通路的信息融合，以多视通路之间的功能互补、信息互补，来实现显著轮廓的快速提取。

本发明提出了一种基于双侧注意通路的显著轮廓提取方法，包含如下步骤：

步骤(1)模拟视皮层下神经元的颜色拮抗特性，构建基于局部亮度特征的单拮抗动态调节模型，得到初级边界响应I_border(x,y)，(x,y)表示图像的横纵坐标。

步骤1.1针对输入图像I(x,y)，分解出亮度分量L(x,y)，以L(x,y)每个像素点为中心，计算出H×H区域内的亮度均值L_avg(x,y)，如式(1)所示。

其中，(i,j)表示H×H区域内的坐标，step表示移动步长，默认取H＝5，step＝3；为解决边界溢出问题，以L(x,y)的边缘像素填充边界。