基于朝向特性的非经典感受野轮廓检测研究

基于朝向特性的非经典感受野轮廓检测研究

覃溪 李兴

柳州工学院，广西 柳州 545616

摘要：轮廓检测是计算机视觉领域最重要的一个任务。人类视觉系统具有快速和有效地从复杂场景中提取轮廓特征的能力，初级视觉皮层（V1 区）的非经典感受野对中心神经元刺激具有抑制特性，本文采用Gabor模型模拟经典感受野的输出，圆环形抑制区域采用高斯差分模型来模拟其距离权值，利用朝向特性的非经典感受野的抑制。通过仿真实验表明，该方法在提取物体轮廓的同时有效地抑制了纹理背景，在一定程度上提高了轮廓检测的正确率。

关键词：轮廓检测；非经典感受野；Gabor

中图分类号

1 引言

目标轮廓信息是视觉系统感知和识别目标的重要信息，因此轮廓检测也成为很多计算视觉任务首先要解决的基本问题。对自然图像的轮廓提取是一个困难的课题，其原因在于自然图像中往往存在着大量的背景信息和噪声，这对轮廓检测有很大的影响。人类的视觉系统可以很容易地从环境中识别物体，提取物体的轮廓和边缘信息。大量视觉生理研究表明，初级视皮层(V1区)的神经元在从视觉场景中提取目标轮廓信息中扮演着重要的角色，是近年来轮廓检测的主要研究对象。在本文中，采用Gabor模型模拟经典感受野的输出，圆环形抑制区域采用高斯差分模型来模拟其距离权值，并利用朝向特性的非经典感受野的抑制。通过仿真实验表明，该方法在提取物体轮廓的同时有效地抑制了纹理背景，有效地提高了轮廓检测的性能。

_{2 基于朝向特性的非经典感受野的轮廓检测}

_{2.1 Gabor能量}

Gabor函数形成的二维 Gabor滤波器具有在空间域和频率域同时取得最优局部化的特性，能够很好地描述对应于空间频率( 尺度)、空间位置及方向选择性的局部结构信息。因此，采用二维Gabor函数来描述视皮层简单细胞经典感受野。二维Gabor滤波器表达式为

_{其 中， 为空间宽高比， 为Gabor函数的波长，为Gabor函数标准偏差，称为尺度因子，它决定感受野的大小； 为Gabor函数的方向参数 是相角参数}

简单细胞的响应由输入图像与Gabor函数卷积而成，描述如下：

其中，I为输入图像，*为卷积运算符。

复杂细胞响应由Gabor能量来模拟，取相位差为π/2 的两个简单细胞的响应进行叠加：

每一个Gabor滤波器可以提取固定角度的局部信息，要想得到丰富的图片信息，需要不同朝向的局部信息，因此为了得到最大的Gabor能量图，需要描述各个朝向角度θ_i上的信息。当θ_i取

_{则得到各个朝向的能量响应，通过}

_{得到最大的Gabor能量响应，这时朝向θi达到最优朝向角度。}

_{2.2 描述非经典感受野的DOG+模型}

在视觉细胞的经典感受野以外存在着直径约为经典感受野 3~6 倍的大范围区域，该区域在一定程度上影响该细胞经典感受野内刺激产生的反应，这一区域被称为非经典感受野。

非经典感受野采用如下二维高斯差分函数（DoG）作为模板：

_{对上式进行归一化处理用来模拟视觉感受野的抑制特性：}

_{其 中， 为一阶范数， 为非负函数。}

_{2.3 朝向调谐特性}

_{图1为非经典感受野的抑制权重与朝向差的变化关系。当非经典感受野的朝向与经典感受野的朝向相同时，即朝向差为0，这时抑制作用最大。而当两者的朝向相互垂直时，即朝向差为直角，抑制作用最小，几乎接近于0。}

_{图1 朝向特性}

_{为了描述抑制权重和朝向差的关系，定义朝向对比度权重函数为}

_{式中， 和 分别表示经典感受野和非经典感受野的最优朝向。于是得到朝向差特性修改后的抑制模板：}

用 经典感受野最大能量响应与 卷积得到非经典感受野的抑制项。

感受野的最终响应为经典感受野响应减去非经典感受野的抑制项。后续处理采用非极大值抑制和双阈值处理，获得最终的轮廓检测结果。

3. _实验结果

在硬件配置为Intel(R) Pentium(R) N3540 CPU，主频为2.16 GHz，内存为8 GB 的计算机上进行仿真实验。实验数据采用RUG40数据库，图2给出了轮廓检测模型经过非极大值抑制后的轮廓，从中可以看出有效地提取了物体的边缘，抑制了背景的纹理，提高了主体轮廓检测的准确度。

（a）elephant原图 （b）elephant轮廓

（c）gazelle2原图 （d）gazelle2轮廓

（e）goat3原图 （f）goat3轮廓

_{图2 实验结果}

3. _结束语

轮廓检测是图像处理及计算机视觉中一个重要的组成部分，从复杂的背景中正确地检测物体轮廓是一个非常重要而困难的工作。只有尽可能地提取完整的目标轮廓，才能使目标识别更加准确。本文采用朝向特性的非经典感受野的轮廓提取方法，通过仿真实验有效地提取了物体的边缘，抑制了背景的纹理，提高了主体轮廓提取的准确度。

【作者简介】覃溪，副教授、高级工程师，研究方向为单片机应用、图像处理与智能计算。

【基金项目】2018年度广西高校中青年教师基础能力提升项目——基于仿生视觉的目标轮廓检测模型研究 (2018KY0875)

【参考文献】

[1] K F Yang，C Y Li，Y J Li． Multifeature － based surround inhibition improves contour detection in natural images［J］． IEEE Transactions on Image Processing，2014，23( 12) ：5020 － 5032．

[2] 林川，李亚，曹以隽．考虑微动机制与感受野特性的轮廓检测模型［J］． 计算机工程与应用，2016，52( 24)：210 － 216．

[3] 林 川，郭 越，韦江华，曹以隽． 视觉仿生轮廓检测中多尺度融合方法研究［J］，计算机仿真，2019，36( 4)：362 － 368．

[4] 杜晓凤，李翠华，李晶． 基于复合感受野的轮廓检测方法[ J ]，电子与信息学报，2009，31( 7)：1630 － 1634．

[5] Grigorescu C，Petkov N，Westenberg M.Contour detection based on nonclassical receptive field inhibition[J].IEEE Transactions on Image Processing，2003，12（7）：729-739.

[6] Grigorescu C，Petkov N，Westenbeg M A.Contour and bound- ary detection improved by surround suppression of texture edges[J].Image and Vision Computing，2004，22（8）：609-622.

[7] 吴贺，吴玉兰． 非经典感受野的朝向和对比度特性在轮廓提取中的应用[ J ]，沈阳理工大学学报，2013，32( 6)：12 － 16．

[8] C Zeng，et al． Contour detection based on a non － classical receptive field model with butterfly － shaped inhibition subregions［J］．Neurocomputing，2011，74( 10) : 1527 － 1534．