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θi上的信息。当θi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。
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
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.