[发明专利]学习生物视觉通路的轮廓检测方法

说明书

本发明旨在提供一种学习生物视觉通路的轮廓检测方法，包括以下步骤：构建深度神经网络结构，深度神经网络结构具体如下：编码网络、解码网络、前馈融合模块；其中，编码网络为VGG16与FENet相结合的网络结构；原始图像依次经过编码网络、解码网络、前馈融合模块处理，获得最终输出轮廓。本发明能让编码器获得更丰富的轮廓特征信息，提升轮廓检测性能。

技术领域

本发明涉及图像处理领域，具体涉及一种学习生物视觉通路的轮廓检测方法。

背景技术

轮廓检测旨在提取一幅图像中背景和目标之间的分界线，通常作为多种中、高级计算机视觉任务的前端处理的关键步骤，是计算机视觉研究领域的基本任务之一。近几年，深度学习迅猛发展，一些学者设计了基于卷积神经网络(CNN)的轮廓检测模型，这些模型都由编码器和解码器组成，其中编码器普遍采用VGG16或ResNet，解码器架构设计为研究重点。基于CNN的模型可以实现端到端的轮廓提取，实验证明，这些模型在伯克利分割数据集(BSDS500)上取得了显著的效果。

虽然基于CNN的端到端的轮廓检测方法实现了显著效果，但是目前模型的主要创新点均在解码器的设计，并且这些模型缺乏视觉机制的指导。解码器的作用就是通过融合编码器的输出特征还原出原始分辨率的图像。

发明内容

本发明旨在提供一种学习生物视觉通路的轮廓检测方法，该方法从增强编码器的特征表达能力出发，同时受到生物视觉通路及其相关视觉机制启发，设计了一个仿生型轮廓增强器。该增强器与编码器结合，能让编码器获得更丰富的轮廓特征信息，从而达到提升轮廓检测性能的目的。

本发明的技术方案如下：

所述的学习生物视觉通路的轮廓检测方法，包括以下步骤：

A、构建深度神经网络结构，深度神经网络结构具体如下：

编码网络、解码网络、前馈融合模块；其中，编码网络为VGG16与FENet相结合的网络结构；FENet网络为自创结构；FENet中文命名为特征增强网络；

VGG16网络以池化层为分界线，分为S1、S2、S3、S4、S5阶段；

FENet包括四个子网络：单拮抗特征子网络、双拮抗特征子网络、V1输出子网络、V2输出子网络；单拮抗特征子网络模拟视网膜/LGN中的单拮抗感受野机制，双拮抗特征子网络模拟V1中双拮抗感受野机制；

B、原始图像输入VGG16网络中，依次经S1、S2、S3、S4、S5阶段卷积处理，分别获得输出结果S1、S2、S3、S4、S5，其中输出结果S1送入解码网络；

原始图像经过公式1处理，得到R-G，G-R，B-Y，Y-B四种输入；

SO_i＝C_m-ωC_n (1)

其中，i表示R-G，G-R，B-Y，Y-B；m和n都代表R、G、B、Y分量；ω为系数，取值为0.7；

将R-G，G-R，B-Y，Y-B输入单拮抗特征子网络处理，获得输出结果a，输出结果a与输出结果S2相加融合后，得到融合结果a，输入解码网络；

将R-G，G-R，B-Y，Y-B输入双拮抗特征子网络处理，获得输出结果b，输出结果b与输出结果S3相加融合后，得到融合结果b，输入解码网络；

原始图像经过SCO算法得到V1区的边缘响应，输入V1输出子网络处理，获得输出结果c，输出结果c与输出结果S4相加融合后，得到融合结果c，输入解码网络；

原始图像经过SED算法得到V2区的边缘响应，输入V2输出子网络处理，获得输出结果d，输出结果d与输出结果S5相加融合后，得到融合结果d，输入解码网络；