消费导刊

1引 言

在基于形状的目标识别中，目标的边缘和轮廓包含大量信息，定义目标的外表形状，因此图像中显著目标边缘和轮廓的检测和提取成为目标识别研究领域最活跃的课题之一．自然图像中背景复杂多变的纹理常与目标轮廓交织在一起，使得准确提取目标轮廓变得非常困难．如何有效抑制与目标无关的背景纹理，突显尽可能完整的目标轮廓是目标识别研究的重要内容之一．随着人们对生物视觉识别机制研究的不断深入，近年来出现很多基于生物视觉感知机制的轮廓检测方法，并取得显著效果．桑农等…通过一种蝶形来模拟感受野两侧的环境抑制区域，避免轮廓上的成分相互抑制．在随后的研究中人们在蝶形侧抑制模型的基础上增加去抑制区，使得模型更加完善．Tang等旧1在去抑制区采用共圆规则和小曲率偏好的增强机制，Huang等p1和片兆宇等’41则考虑去抑制区内邻域刺激与中心响应之间距离和朝向的差异．侧抑制机制可有效抑制环境纹理，但是在轮廓边缘局部对比度低的情况下，轮廓可能会丢失．去抑制区共线增强机制引入后弱轮廓在一定程度上可得到加强，但同时也带来噪声增强或一些高曲率轮廓的拐角处容易出现断裂等问题．

近来，生理学与解剖学的研究表明感受野中心在低对比度刺激下，感受野外周边区域，即所谓的非经典感受野…对感受野施加的侧抑制强度会减弱¨呐j，并且感受野的大小也会扩张"o。鉴于这些研究成果，本文提出一种轮廓检测模型．该模型在整合侧抑制和共线增强两种调节机制的基础上，充分考虑刺激物对比度对这两种调节机制以及感受野大小的影响，并根据Gestalt知觉组织原则将去抑制区划分为邻接去抑制区和外周去抑制区，分别给予不同的增强机制．同时，结合数学形态学滤波方法对得到的轮廓进行噪声滤波处理．实验表明本模型在解决边缘局部对比度低时导致部分轮廓丢失和高曲率轮廓拐角处断裂等问题上有显著效果，并且有效抑制背景纹理，提高自然背景中轮廓提取的性能．

2计算模型

2．1感受野响应函数初级视皮层中简单细胞具有朝向选择性，即当具有一定朝向和宽度的条形刺激出现在其感受野内某个特定朝向上时，细胞响应最强，当偏离该朝向时响应强度急剧降低，甚至消失．采用二维Gabor函数的滤波器与简单细胞的感受野性质相似，因此用二维Cabor#p#分页标题#e#函数来描述简单细胞的感受野，其表达式：qn^，(”)=exp|-警Icos(狲+9≥，(1)‘厶U。“=％cos臼+ysinp，秽=一石sinp+)，cos9，其中，扩表示函数的标准差，为函数的高斯包络的空间常量，决定感受野的大小，同时也代表提取图像轮廓的尺度因子．当口较大时，在较粗的尺度下提取图像的主要轮廓；当盯较小时，在较细的尺度下提取具有更多细节的图像轮廓．，为感受野的最佳空间频率，与感受野大小盯的关系为，=1／(2盯)．当图像某部分的空间频率(图像灰度分布或纹理变化的快慢)与／相近时，感受野会有较大的响应．A为感受野长轴和短轴的比例常数．p∈[0，7r)表示感受野最大响应的朝向，9表示不同的感受野形式：妒=0时为对称型感受野，妒=霄／2时为反对称型感受野．用式#p#分页标题#e#(1)与输入图像，(戈，，，)做卷积，可提取图像在Gabor滤波器对应的频率和朝向上的特征，即简单细胞的响应强度：‰。厂'，(名，)，)=J(戈，，，)丰G口。。，，(算，y)．将两个相位差为订／2的简单细胞响应的模(E。。r(戈，y))作为感受野对输入图像各点的响应强度：E口，。，(石，y)=√兄；，。^o(石，)，)+兄；．，^手(石，y)．本文中定义Gabor滤波器方向参数9∈[o，仃)#p#分页标题#e#取值范围为[O，∥16，27r／16，…，7r]，感受野对输入图像各点的最优响应强度：E；，，，(戈，y)=max{E日。。，，(x，y)1日=o，刀／16，2仃／16，…，7r}．(2)最优响应方向口(算，y)为感受野达到最优响应强度时所对应的护值．万方数据5期 陈建军等：引入低对比度环境下视觉感知机制的轮廓检测模型感受野所对应的局部图像对比度旧：c如∽=等老，㈩其中，L。…L。。分别为以(戈，y)为中心，大小为盯的感受野内的最大亮度值和最小亮度值．另外，定义本模型中相应的低对比度响应阈值：#p#分页标题#e#c，=赢∑∑c“y)，(4)其中，M、J7~r为输入图像x，y方向上的像素个数．如果感受野在某处的局部图像对比度C。(z，y)低于低对比度响应阈值C，时，调整感受野响应函数的盯参数(本文为原来的1．2倍)以改变感受野的窄问作用范围，当在加入非经典感受野影响因素时重新计算该处神经元的最优响应强度及其方向．

2．2 侧抑制机制电生理学研究表明在与感受野最优响应方向垂直的两侧非经典感受野区域内，如有相似方向的刺激，则会对感受野的响应强度产生抑制作用．抑制强度随刺激方位与感受野中心距离的增大而减弱，随刺激的方向与感受野最佳响应方向夹角的增大而减弱‘9，并且当感受野中心受低对比度刺激时侧抑制强度也会减弱”J．非经典感受野中神经元对感受野响应的抑制强度受神经元与感受野中心的距离和最佳响应方向夹角影响．文献[5]叶I的实验表明随着拜i离和夹角的增大，抑制强度开始减弱较快，随后缓慢减弱．凶此，本文用高斯函数描述距离影响因子和刺激朝向一致性影响囚子．非经典感受野模型如图1所示，其大小一般为感受野大小的#p#分页标题#e#4倍．外J1．；J上抑制I≤^邻接去抑制区A憾受野中心区A做0抑伟0l×^，．图l 非经典感受野模型Fig．1Modelof non—classicalrecep【ivefield侧抑制区域中距离影响因子：。一。。cx。，，．o，z，，’，=exp[一!兰—二』生!掣】，其中，盯‰为侧抑制区的带宽，(x。，yo)为感受野中心位置，(戈，y)为侧抑制区中刺激神经元所在位置．刺激朝向一致性影响因子：仉．。(以，p。x，)，)=min(Ip#p#分页标题#e#，一口。。l，仃一I p，一口，。J2盯j．．其中，六为感受野中最优响应方向，口。。为侧抑制区刺激神经冗的最优响应方向．感受野中心受低对比度刺激时侧抑制强度随感受野中心对比度与低对比度阀值差值的增大而减弱‘5j，同样开始减弱较快，随后缓慢减弱．因此，仍用高斯函数设置影响因子Ck对侧抑制强度进行调节，C“(C，(戈()，‰)，C，)=fl， G，(‰，，’o)≥C【维普】。I 一．1exp『-堕丢粤业1，c如碱)<百L。上。一。。。综合以上影响因子，感受野中心(z【paperpass】。，％)处受到侧抑制区各神经元的总抑制能量：日。(‰，％，佛#p#分页标题#e#)=G。(cf(‰，％)，e)∑E；．，“石，)，)’《，，，)E月m巩。(‰，％，戈，)，)D^i(晚，口们菇，y)．(5)

2．3共线增强机制有研究表明感受野最优响应方向两端的非经典感受野区域内存在去抑制区，在该区域内与中心感受野最优响应方向相似的刺激会对感受野的响应起到增强作用，当方向一致时增强强度达到最大，并且增强强度随刺激方位与感受野中心距离的增加而减弱’‘0。11．本模型中根据Gestalt知觉组织原则中的邻接律将去抑制区A，划分为邻接去抑制区A。。和外周去抑制区A雇，邻接去抑制区与中心感受野区域邻接，如图l所示，其径向长为去抑制区径向长度的l／4，剩余的为外周去抑制区．Gestalt心理学认为人类的大脑设法对来自环境的视觉图像做出正确的解释，它能合适的将局部边缘成分连接成全局轮廓．Gestalt学派的心理学家提出一些知觉组织规律，邻接律就是其中的一种．邻接律表明空间上靠近的部分容易被感知为一个整体幢#p#分页标题#e#o．因此，在去抑制区设置刺激朝向一致性影响因子时，邻接去抑制区A。。中神经元对感受野的增强强度不受刺激朝向影响，只与距离有关，而外周去抑制ⅨA席则与刺激朝向和距离均有关．并且去抑制区神经元刺激朝向和距离的影响方式1j前面侧抑制区相同，可用高斯函数描述．1)刺激朝向一致性影响因子：D1(p，，p，，算，)，)=万方数据模式识别与人工智能 25卷1， A=A聊，(石，y)∈A聊2)距离影响因子：。。(戈。，‰，x，y)=exp【一!兰—二』鱼立!∥]，。 fA聊， (茹，，，)∈A聊L4南， (菇，#p#分页标题#e#y)∈A店，其中，A为去抑制区的子区，矿。为去抑制区子区的带宽，臼。为去抑制区神经元的最优响应方向，(菇，)，)为去抑制区中刺激神经元所在位置．两个区域分别采用不同的增强机制，可在一定程度上避免高曲率轮廓拐角处会断裂现象，同时也尽可能地减少对噪声的增强．结合距离和朝向一致性的影响，去抑制区中各神经元对中心感受野响应强度的总增强能量：曩。(石o，)，o，疗。)=∑E；．，，(菇，y)巩。(菇。，％，菇，)，)D‰(以，既，戈，歹)+(g，y)EA埘∑壹；硝(算，y)巩。(算。，％，石，y)吼。(吼，％，戈，y)．(x，y)E札#p#分页标题#e#(6)经过非经典感受野侧抑制区和去抑制区的作用后，中心经典感受野对最优响应方向刺激的最终响应强度：甄。(戈o，yo，疗。)=E以，，，(xo，yo)～仅E。(咒o，yo，9。)+卢E如(xo，yo，9。)，(7)其中，a，口为影响因子，分别用来调节侧抑制区和去抑制区的影响强度．文中理=0．4，口=0．

1．2．4 轮廓检测1)设待检狈4图像为，，对其中的每一点，#p#分页标题#e#(戈，y)：(1)通过式(4)计算低对比度响应阈值C。；(2)通过式(3)计算感受野在，(石，y>处的局部图像对比度C。(石，)，)，依据低对比度响应阈值，调整，(戈，y)处感受野作用范围的大小，并根据式(2)得出，(菇，y)处的最优响应强度；(3)通过式(5)，得出，(省，y)处来自侧抑制区的总抑制能量；(4)通过式(6)，得出，(卫，，，)处来自去抑制区的总增强能量；(5)通过式(7)，得出中心经典感受野对最优响应方向刺激的最终响应强度日．#p#分页标题#e#(‰，y。，9。)．2)得到图像各点的最终响应强度后，采用canny算子中非最大抑制与滞后门限的方法对结果进行二值化处理并进行噪声抑制．3)针对所得到的二值图像中存在的残留噪声和局部轮廓线的断裂，采用数学形态学滤波算法进行优化处理．首先，用3×3矩阵算子，对二值图像作闭运算处理¨3‘．闭运算可平滑图像的轮廓线，消融狭窄的间断和细长的凹槽，填充细小的孑L洞，并且弥补轮廓线的断裂．然后，利用连通区域标记法对各个区域进行标记，并统计各个区域的面积(形成连通区域的像素个数)，关于连通区域标记算法的详细描述见文献[14]．二值图像中的残留噪声主要由短线条和孤立点组成．经闭运算后二值图像中的轮廓线得到平滑和连接，由轮廓形成的连通区域的面积相对于残留噪声面积会很大．最后，根据连通区域面积阈值|sh。(s№=20)，去除二值图像中的大部分残留噪声．

3 实验结果将模型应用到自然场景中的目标轮廓检测，如图2所示，并与Canny算子、基于局部区域信息的局部二元拟合(L0calBinary Fitting，LBF)u副以及Tang等心3和片兆宇等H3所提出的轮廓检测算法进行对比分析．#p#分页标题#e#5种算法共有的参数值设置均与参考文献[4]中的一致，各自独有的参数均采用各自文献中所提及的参数值设置．实验中采用文献[16]中的评测方法，对各算法的有效性进行评测．评测公式：P：!堡型墨)‘cnrd(E)+c口rd(EFP)+cord(EFN)’其中，cord(E)表示与人工勾勒出的参考轮廓图相比较，算法模型所检测出的正确轮廓像素个数，c口以(E，，)表示错误轮廓像素个数，cⅡ以(E，。)表示漏检轮廓像素个数．p为轮廓检测算子性能评价指标．另外，错检率和漏检率定义如下：cord(EFP) cord(EFN)I彦一card(E)’ 铷一c口rd(Gr)’其中，cord(G丁)为参考轮廓图像素个数．e加与e血的值越小，表明其检测的误差越小，得到的结果性能越好．从图2可看出，Canny边缘检测算法和#p#分页标题#e#LBF活动轮廓模型检测算法对自然图像中复杂的背景纹理信息较敏感，检测的结果中含有大量冗余的纹理边缘，而后3种基于生物视觉感知机制的轮廓检测算法在姥 一万方数据5期 陈建_：等：，jl入低对比度环境下视觉感知机制的轮廓检测模倒 849rI．勾枷的轮均j_1(I．tirdwll【·IllIIt，IJl·s)(：atmv边缘检测纳求II-s1)}Jlaillt-II I】、(：a11lI、(t1)I．BF活动轮廓模型榆测结果)‘：¨111¨lIrs IIl¨aillPd 1)、1．BF n1¨hol·¨㈨g等的算法愉测结果“nII．solJIainctJh)’#p#分页标题#e#r1．il【l芒’s111Plll(f)”兆‘ji等的鲐：法榆洲结果(：…lI(1IJrsnbla．1l川I)、PhnZha¨、·Il’s n1Plh环境纹理抑制上都取得显著效果．相比而言，在环境纹理抑制方面本文算法表现最佳，其余依次是Tang等_的算法，片兆字等。4|的算法，canny边缘检测算法，最后是LBF活动轮廓模型检测算法．在轮廓检测完整性方面本文算法表现最佳，其余依次是片兆宇等4：的算法，Tang等’2。的算法，LBF活动轮廓模型检测算法，最后足canny边缘检测算法．

在算法的运算鲢方面Canny边缘检测算法最小，其余依次是片兆宇等”的算法，Tang等∞的算法，本文算法，最后是LBF活动轮廓模型检测算法．考虑到本文算法运算量较大的情况，在实验中利用算法可并行执行的优势，编写CPU#p#分页标题#e#／GPu协同并行计算程序．提高算法执行效率．在硬件为Geforce8800GTGPU(显 存 512MB、 主频 1．5GHz)，111telPen“umDualE5300cPU(主频2．6GHz)，内存2GB的环境下加速比达96，分辨率为400×300的图像，处理时间为0．32s．通过对所检测出的轮廓对比分析可知，canny边缘检测算法和LBF活动轮廓模型检测算法的性能在很大程度上取决于核带宽的选取，较大的带宽容易造成潜在边界的模糊，从而造成边界局部定位失败，轮廓丢失，而较小的带宽则容易产生多余轮廓．基于生物视觉感知机制的轮廓检测算法引入非经典感受野和经典感受野相互作用的机制，模仿视觉对纹理的抑制功能，因而即使在较小的带宽下也能得到较好的纹理抑制效果，同时在一定程度上减少轮廓的丢失现象．相对于Tang等心。和片兆宇等4的算法，由于基于对比度调节机制的引人，本文算法在检测局部低对比度轮廓的性能上效果明显，同时，去抑制区增强机制使得高曲率轮廓拐角处的更多细节得到保留，提高轮廓检测的完整性．另外，本文算法中融人数学形态学滤波算法，使得算法在保留更多轮廓细节的同时抑制大量的噪声．从表l的性能评测指标分析中叮看出，与所引入比较的4种算法相比，本文算法得到最小的错检率和漏检率，并且性能评价指标，)也明硅高于其它算子，这表明本文算法有更好的轮廓检测性能．#p#分页标题#e#

4 结束语

目标轮廓检测的完整性在基于形状的目标识别(g)本文算法检测结果中起着十分重要的作用．本文充分考虑生物视觉感(g)cⅢ0IJrs0b‘ainedby p。。pusedme‘“。d知机制在低对比度刺激下的反应特性和Gestalt知图2 不同算法的轮廓检测结果 觉组织原则，并结合数学形态学滤波算法，提出一种Fig．2 ResultsohlnIour exlractionl，y di雎ren【algorilhms 轮廓检测模型．实验结果表明本文算法在解决边缘万方数据模式识别与人工智能 25卷局部对比度低时部分轮廓易丢失和高曲率轮廓拐角处易断裂等问题上有显著效果．与所引入的另外4种算法相比提高抑制背景纹理效果的同时，保留更多的轮廓细节，提高了轮廓提取盼陛能．