（生物医学工程专业论文）基于非经典感受野特性的轮廓检测算法研究.pdf

a b s t r a c t e d g e sa n dc o n t o u r sa r eo fg r e a ti n f o r m a t i o no fa ni m a g e ，a n dt h i si n f o r m a t i o ni s v e r yi m p o r t a n ti nc o m p u t e rv i s i o n ，i m a g ep r o c e s s i n ga n dm a c h i n ei n t e l l i g e n c e a l s oi t i sab i gp r o b l e mi nt h e s er e l e v a n tf i e l d s f o ro n er e a s o n ，t h e s ea r es om a n yt e x t u r e sa n d 8 0c o m p l e xb a c k g r o u n di m b e d d e di n h u m a nv i s i o ns y s t e mc a l le a s i l yh a n d l et h e s ep r o b l e m s ，i tc a ne x t r a c to b j e c tf r o m av e r yc o m p l e xs c e n e ，a n de d g e sa n dc o n t o u r sa r ef i r s t l yd e t e c t e di nav e r ye a r l ys t a g e o fv i s i o ni n f o r m a t i o np r o c e s s i n g f o rt h i sm i s s i o n ，t h er e c e p t i v ef i e l d sp l a yav e r y i m p o r t a n tr o l e b yr e s e a r c ht h er e c e p t i v ef i e l d s m e c h a n i s m sa n da p p l yt h e mt ot h e i m a g ep r o c e s s i n g ，t h ee d g ea n dc o n t o u rd e t e c tp r o c e s sw i l lb er e m a r k a b l yi m p r o v e d a l s ot h er e s u l tw i l lb em u c hs u i t a b l ef o rh u m a nv i s i o nc h a r a c t e r i s t i c i nt h i st h e s i s ，t h et r a d i t i o n a l e d g ed e t e c t o r s w e r e f i r s t l yd i s c u s s e d ，s o m e r e p r e s e n t a t i v eo n e s t h e o r i e sw e r ei l l u s t r a t e d b a s e do nt h ei l l u s t r a t i o n , t h ed i f f e r e n t b e t w e e ne d g ea n dc o n t o u rw e r ed r a w n t h e nan e wc o n t o u rd e t e c t o ra l g o r i t h mb a s e d o nt h eo r i e n t a t i o ns e l e c t i v ei n h i b i t i o np r o p e r t yo fn o n - c l a s s i c a lr e c e p t i v ef i e l dw a s p r o p o s e db yu s et h em e c h a n i s mo fn o n c l a s s i c a lr e c e p t i v ef i e l do r i e n t a t i o ns e l e c t i v i t y i n h i b i t i o ni nc o n t o u rd e t e c t o r a n o t h e rc o n t o u rd e t e c t o rb a s eo nt h ec l u s t e r i n g m e c h a n i s mo ft h er e c e p t i v ef i e l di np r i m a r yv i s u a lc o r t e xn e u r o n sw a sp r o p o s e db y i m p o r t i n gt h ec l u s t e rm e c h a n i s mo fh o m o g e n e i t y e x p e r i m e n t sw e r ed o n eb ya p p l y i n g b o t hm e t h o d sa n dt h et r a d i t i o n a ld e t e c t o rt os o m en a t u r a li m a g e s t h er e s u l ts h o w s g r e a ti m p r o v ew i t ht h e s et w od e t e c t o r s t of u r t h e rv 嘶母t h ee f f e c t ，aq u a n t i t a t i v e c o m p u t a t i o nw a si n t r o d u c e d a n dt h ed a t ap r o v e dt h ei m p r o v e m e n to ft h ed e t e c t o r k e y w o r d s ：c o n t o u rd e t e c t o r , n o n c l a s s i c a lr e c e p t i v ef i e l d s ，g a b o ro p e r a t o r , i n h i b i t i o n ， c l u s t e r i n g 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 签名：j 左彳z - 一 日期：矽斧莎月年- - e i 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 徘丛呼_ 日期： 7 年歹月严日 第一章绪论 1 1 引言 第一章绪论 边缘检测与轮廓提取一直以来都是图像处理与机器视觉中的一个重要问题， 也是一个难题，原因在于图像信息中含有大量的噪声和复杂背景等干扰信息，主 体的边缘和轮廓往往淹没于这些信息之中。如此一来，要从中提取出有用信息就 显得非常复杂。传统的边缘检测方法不对目标轮廓与纹理边缘这些信息进行区分， 所以很难有效提取物体轮廓。视觉信息处理机制在计算机视觉、图像处理以及模 式识别等领域中得到的广泛的应用。在轮廓检测方法中引入视觉处理机制不但可 以有效的提高轮廓检测效果，而且可以更好的拟合人类的视觉特点。基于视觉机 制的轮廓检测方法在近年来受到了广泛的重视和应用。 1 2 国内外研究现状 1 2 1 视觉神经元感受野研究现状 视觉信息是人类和高级动物获取外界信息的主要渠道。视觉系统能对外界的 亮度、形状、颜色、运动以及立体视觉等信息进行加工和利用。感受野是视觉神 经生理学中的一个基础概念，它贯穿于各级视觉神经元，并在这个信息加工过程 中起着重要的作用。近前来，随着研究手段的不断进步，视觉系统感受野的研究 也不断的深入发展，视觉信息加工的脑机制也不断的被更薪。从对视觉系统神经 元感受野区域与作用来分类，感受野可以分为两部分：经典感受野与非经典感受 野，它们之间起到相互调制的作用。 1 2 1 1 经典感受野的研究 最初的视觉系统神经元的感受野可以定义为能够影响该神经元放电的视网膜 区域【1 1 。而后，进一步的研究表明视觉系统神经元的感受野都普遍表现出一定的 特异性，这种特异性可以从感受野形态和对刺激的响应得以说明【2 一玎。目前人们广 l 电子科技大学硕士学位论文 泛认为视网膜神经节细胞和外膝体中继细胞的经典感受野是同心圆结构【3 j j ，j 由相 互拮抗的经典中心区和经典周边区构成【6 7 】，而皮层细胞的感受野具有很强的特异 性，且高度依赖于所采用的视觉刺激图形的特性【8 。1 引。 视网膜会对视觉信息进行初级的处理和加工，因此又被称为“外周脑。其经 典感受野由中心区和外周区组成【1 4 】。在空间分布上中心区与外周区呈同心圆拮抗 结构，即中心区与外周区在刺激的响应方式正好相反。如图1 1 所示，根据中心 区的对刺激的相应方式可以分为给光型感受野即o n 中心型感受野和撒光型感受 o f f 中心感 o n 中心感 图1 - 1 视网膜神经节细胞感受野示意图 野即o f f 中心型感受野。o n 中心型细胞的感受野由作用相反的中心兴奋区与外 周抑制区组成。当刺激光点的在中心兴奋区域内不断变大时，细胞响应响应也逐 渐增强；但当光点范围超过中心区时，细胞响应会由于外周拮抗区的作用而逐渐 减小。o f f 中心型细胞的响应与o n 型细胞刚好相反。 外膝体细胞的经典感受野与视网膜感受野细胞结构基本相似，也可以用同心 圆拮抗结构进行描述【引。 视皮层神经元细胞的感受野会由于视觉信息处理的层次不同而呈现出不同强 度的特征特异性，对外表现为特征的选择性，即只对具有某一种或几种特征的刺 激响应8 , 9 , 1 3 , 1 5 , 1 6 。如在第1 7 区的视觉神经元中，大量来自侧膝体视觉信息输入到 少量的神经元细胞中，这些细胞的感受野特性与侧膝体细胞的相似，为同心圆结 构。但是在范围上要大许多，而且大多数初级视皮层细胞对光点刺激不起反应而 只对具有特定特征的刺激产生响应。简单细胞会对具有特定朝向和宽度的条形刺 激产生响应，且当朝向信息或宽度信息发生变化时，细胞的反应相应的急剧降低： 相对于简单细胞，复杂细胞表现出更高级的特征选择性，它能对朝向进行选择而 对于刺激的位置和光棒的宽度表现出一定的鲁棒性。更高级的视觉中枢神经元的 2 第一章绪论 感受野对特征的选择性会更为高级如有的细胞会对特定的形状刺激起反应。 总的来说，各级神经元的经典感受野都呈现拮抗结构，这种结构可以有效的 检测出刺激的差异。如速度、颜色、方向、朝向等差异可以很容易的通过感受野 作用得到。对于经典感受野的研究经过几十年的探索，已经比较透彻。科学家们 如今把更多的激情投入于意义更大的非经典感受野及其与经典感受野相互作用的 机理的研究中。 1 2 1 2 非经典感受野的研究 非经典感受野是位于经典感受野外的一个区域，这个区域也叫感受野外区、 调制区、整合野或大周边等。此区域对于视觉刺激不产生反应，但它会对经典感 受野的响应起调制作用【1 7 1 ，这种调制作用可能是抑制、易化或者去抑制【1 1 , 1 8 】。非 经典感受野存在于各个级别的视觉信息处理节点中，如视网膜神经元【1 9 1 、侧膝体 神经元【6 】、初级视皮层神经元等等。 李朝义等发现在视网膜中，神经元的非经典感受野的主要作用表现为去抑制 作用，且这个去抑制区域可到1 0 1 5 度，是经典感受野的3 - 6 倍【2 0 】。对于视网膜 细胞非经典感受野的作用，他们认为非经典感受野可以在不削弱经典感受野的边 缘效应同时，在一定程度上补偿低空间频率信息的损失，对于传递大面积亮度和 灰度梯度起着重要的作用【2 。寿天德等研究了中心区和非经典感受野的空间频率 反应和中心区与非经典感受野的方位选择性【7 】，他们发现当用低空间频率的运动 光栅刺激大外周时，能够诱发明显反应；而且细胞感受野的方位先择性不但可以 由中心决定，也可能由大周边区决定，它们之间存在复杂的相互作用【翻。非经 典感受野的调制作用可能会因为具体的实验方法不一样而得到不同的结果，但是 各种实验得到的结果都表明各级神经元接受信息输入的有效空间范围远远大于以 前的认识，这就为理解视觉系统在自然环境下检测大范围的复杂图形提供了生理 实验基础。 由于不同皮层区处理的信息不同，在视皮层神经元会根据不同的皮层区域而 表现出不同的特性。如v 1 、v 2 和i t 区的神经元细胞对图形和形状会有选择性， 而v 4 可能会对色彩更敏感性，另外一些区域的神经元可能对运动会产生特定的 响应。非经典感受野在这些信息的加工中起着重要的作用。k n i e r i m 2 3 】通过小光条 实验发现猴的v 1 细胞在当背景光条的方位与中心刺激光条的方位相同时，背景 对细胞的抑制较强；当背景光条与中心光条垂直时，抑制较弱。该实验表明：v 1 区细胞可以检测感受野内外图形方位的差异。李朝义，李武【l s 】此后通过实验发现 3 电子科技大学硕士学位论文 非经典感受野作用的强度决定于外周刺激光栅的方位、移动方向、空间频率和移 动速度等因素。且非经典感受野对这些特征的响应与经典感受野相似，都有相同 最佳的运动速度、方向和空间频率。当非经典感受野内的刺激与经典感受野内的 刺激相似时，非经典感受野对经典感受野的调制作用达到最大。由此可见非经典 感受野与经典感受野的相互作用是图形背景分离的基础，这也是本文在轮廓检测 中引入非经典感受野特性的一个重要原因。 除此之外，非经典感受野与感受野之间的作用也是动态变化的，宋雪梅发现 在不同对比度的刺激条件下，非经典感受野的调制特性可能会因为对比度下降而 从抑制性反转为易化性【2 4 】；非经典感受野跟经典感受野之间的作用还随着时间的 变化而呈现出一定的时空特性【1 4 】；非经典感受野与经典感受野的面积也会因为刺 激条件的变化和时间的变化而发生变化【2 5 , 2 6 】；非经典感受野的形态也呈现出不同 特性，有学者指出非经典感受野是一个整的区域，而另一些研究却表明非经典感 受野可以继续划分为不同的亚区【2 7 1 ，而且各个亚区都可以有不同的调制模式。在 对经典感受野的作用中，非经典感受野的亚区也分别表现出不同的调制特性。非 经典感受野的性质和原理至今都还没有一个彻底的结果，这也给数学建模提供了 更大的灵活度和想象空间。 1 2 2 视觉神经元感受野模型研究现状 为了进一步研究视觉系统感受野的特性以及其在视觉信息处理过程中所发挥 的作用，人们从数学建模方面对神经元进行模拟研究。同时，感受野特性在很多 工程应用中也得了广泛的关注。 1 2 2 1 感受野数学模型研究 r o d i e c k 在同心圆结构感受野的基础上，采用一个数学模型来描述视网膜神 经元经典感受野的结构【2 8 】。该模型用两个高斯函数分别对中心区和外周区进行模 拟，细胞的输出被定义为两个高斯模型的差，因此这个模型被称为双高斯差模型 ( d o g ) 。李朝义与邱芳土【2 1 2 9 1 通过对视网膜神经节细胞空间传输特性的数学模拟 证实：通过中心区与外周区之间的相互抑制实现了图像边缘的增强，而通过外周 亚区间的相互抑制实现了增强图像低空间频率成份的作用。 汪云九等人从7 0 年代开始对视网膜神经地感受野的特性从模型方面进行了 大量的研究3 0 删，包括对视网膜方向选择性的建模研究3 6 , 3 q ，对神经编码的研究 4 第一章绪论 【3 5 ，3 叼并提出了广义g a b o r 函数来对感受野特性进行模拟 3 2 - 3 4 】。顾凡及，寿天德【4 1 4 3 】 等人对视网模感受野的方向选择性进行了建模研究，探寻了早期视觉朝向选择性 的原理。 1 2 2 2 数学应用模型研究 对感受野特性的模拟可以解决多种问题。徐宗本等人把感受野特性应用到数 学上的模式分类中，有效的解决了复杂的分类问题【删，得到了以往算法都很难 达到的效果。他用高斯模型模拟人类视觉系统处理分类问题时的处理方法，把复 杂的模式分类问题转化为图像处理过程。通过对待分类点赋值，然后用高斯函数 不断地平滑，使得属于同一类的元素不断的汇聚，最后使得所有元素都被归类。 这是一个迭代的过程，这个过程与视觉信息处理中神经元的汇聚有相同的作用， 是视觉信息整合机制的数学应用。 此外，经典感受特性被广泛应用在图像处理中，最普遍的应用为对d o g 模型 的改进和应用，如图像平滑与增强【4 5 】，角点的检n t 4 6 1 ，边缘检n t 4 7 1 ，运动检测， 图像匹配【4 8 1 ，图像识另1 j 1 4 9 , 5 0 等等，另外用g a b o r 模型进行图像的分析和压缩【5 l 】 也是对经典感受野模型的应用。 g r i g o r e s e u 和p e t k o v 等人在图像的轮廓检测中应用非经典感受野与经典感 受野的相互抑制关系做了一系列的研列5 2 弼】。得到了传统边缘检测算子无法达到 的效果。他们使用g a b o r 能量算子模拟经典感受野的输出，然后加入一个圆形的 非经典感受野抑制区，对经典感受野的输出进行抑制性调制，并把新的模型与传 统的边缘检测算子在一组带有参考输出的自然图像中进行验证，得到了非常好的 效果。除此之外，他们还引出一个量化的评价标准来判定轮廓检测的效果。在之 后的工作中，他们对非经典感受野的模型又进行了改进，发展出了双扇区形的非 经典感受野模型，来减小主体轮廓的共线抑制。贝叶斯去噪也被用来增加算法对 噪声的鲁棒性。另外，他们还把多尺度特性应用到轮廓检测中，根据大尺度下轮 廓连续性好但定位差，小尺度定位好但连续性差的特点，通过多尺度下对二值图 像的后期处理实现了即保证定位准确性又保证轮廓连续性的轮廓检测算子。 桑农等人在g r i g o r e s e u 工作的基础上，对非经典感受野的形状和调制模式做 了改进，分别开发出碟形抑制区和带易化区域的非经典感受野1 5 6 , 5 7 】。碟形区域的 非经典感受野抑制区可以减小共线抑制的作用，而带易化端区的非经典感受野除 了可以去除共线抑n 多 i - 还可以加入共线易化特性，采用曲率判别标准来确定易化 作用的大小。使得感受野模型在轮廓点上的输出更大，从而更有效的检测出目标 5 电子科技大学硕士学位论文 轮廓。另外，他们还把视觉更新机制用在轮廓检测中，通过迭代计算来逐步实现 目标轮廓的检测。 1 。3 本文选题和研究内容 边缘和轮廓中包含了图像中大量的信息，而主体轮廓又包含了图像中主体的 主要信息。轮廓检测是图像处理和视觉信息处理中的一个重要环节，检测结果的 好坏将直接影响到高层的图像理解和模式识别的结果。因此对轮廓检测的研究是 一个重要的课题。长期以来，轮廓检测的方法研究也受到广泛的关注。 本文通过引入视觉信息处理机制中感受野的特性到实际的轮廓检测方法中， 实现对轮廓检测算法的改进。文中共提出两种轮廓检测方法，分别是基于非经典 感受野朝向选择性抑制的轮廓检测方法和基于视觉皮层神经元集簇效应的轮廓检 测方法。实现结果表现这两种方法都能有效检测自然图像中的主体轮廓并抑制纹 理和背景噪声。 本文首先对视觉感受野的生理和模型研究做了总结，然后从概念、意义和检 测方法上对边缘和轮廓进行了区别，并提出了基于非经典感受野朝向选择性抑制 和基于视皮层神经元集簇效应的轮廓检测方法，分别对这两种方法的原理和实现 步骤以及实验结果做了介绍和分析。最后对基于视觉感受野轮廓检测的进一步研 究进行了展望。本文在结构上安排如下： 第一章给出了感受野，经典感受野和非经典感受野的概念及他们的特性。重 点说明了非经典感受野与经典感受野之间的作用和原理。并总结了对其生理和模 型及应用研究的现状。 第二章介绍了什么是边缘检测、边缘检测的常用方法。什么是轮廓检测以及 轮廓检测的方法、轮廓检测的特点和难度。并从这两个方面对边缘检测和轮廓检 测加以区分。 第三章介绍了本文提出的方法，基于非经典感受野朝向选择性抑制的轮廓检 测方法。分别从生理学基础、经典感受野及非经典感受野建模、模型模拟效果和 实际检测结果方面进行了描述。另外还介绍了一种轮廓检测效果的量化评价标准。 第四章对另一种新方法：基于视觉皮层细胞集簇效应的轮廓检测方法进行了 介绍。同样从生理原理和模型构建以及检测效果方面进行了描述。 第五章是对本文的一个总结和对迸一步研究的展望。 6 第二章边缘检测与轮廓提取 2 1 边缘检测 第二章边缘检测与轮廓提取 图像的边缘检测是初级视觉处理中的一个重要过程，缘检测方法的研究有着 很长的历史，也受到了广泛的关注。同时发展出了不少的新理论和新方法。其原 因一方面是由于课题本身的重要性，另一方面也反映了这个课题的深度和难度。 虽然至今已经有很多方法和新理论，但都是各有各的优缺点，还有待于进一步的 改进和发展。 从二十世纪六十年代对边缘检测的方法研究就已经开始。r o b e r t s 在1 9 6 5 年 提出的基于梯度的边缘检测算法是迄今仍然适用的一种有效的算法【5 8 1 。七十年 代的p r e w i t t t 5 9 】算子，k i r s e h 算子，r o b i n s o n 算子等，这些传统的边缘检测算子 大部分为局域窗口梯度算子，对噪声都很敏感，因此对实际图像的处理效果并不 尽如人意。近十几年来很多学者采用不同的方法研究如何提取受到噪声影响图像 的边缘，如基于二阶导数的零交叉点定位边缘，利用梯度及局部极大值的边缘检 测算法，基于小波的边缘检测算法，基于神经网络及数学形态学的边缘检测算法， 基于仿射变换和特征空间的边缘检测，彩色图像，三维图像边缘的检测研究，基 于视觉感受野特性的边缘检测研究等。其中1 9 8 6 年c a i u l ，删提出的最佳边缘检 测算子，以其在处理受高斯白噪声污染的图像方面的良好效果而成为其它边缘检 测算子性能评价的标准。由于图像的多样性和复杂性，人们仍在不断的探索其它 更有效的边缘检测算子。 2 1 1 边缘点的定义 边缘检测是图像分割的一个分支，是图像最基本的特征。所谓边缘是指图像 周围像素灰度有阶跃变化或屋顶状变化的像素的集合，它存在于目标与背景、目标 与目标、区域与区域，基元与基元之间。边缘是具有幅值和方向的矢量，在图像中 表现为灰度的突变。边缘可以分为阶跃型、屋脊型和线条型【6 i j 。 7 电子科技大学硕士学位论文 2 1 2 边缘检测方法 2 1 2 1r o b e r t s 算子 r o b o t s 算子利用局部差分算子寻找边缘，由图像灰度的梯度向量来决定边缘 的锐利程度嗍。通过夥求出灰度变化最快的方向和数量。 夥= ( 篆，务 ( 2 _ ) 肌【，y 梯度的大小和方向分别为： 0 耵0 = ( 2 - 2 ) 阳a n 1 ( 纂) 3 ， 通过图像垂直和水平差分可以逼近梯度算子，这也是最简单的边缘检测算子 v f = ( 厂( 工，y ) 一f ( x 一1 ，y ) ，f ( x ，y ) 一f ( x ，y 1 ) ) ( 2 4 ) r o b e r t s 算子的思想就是通过对每一个像素计算以上式子的向量，并求出它的 幅度值再与阈值进行比较，即： g ( i ，j ) = ( 厂o ，) 一f ( i + 1 ，+ 1 ) ) 2 + ( 厂( f ，j + 1 ) 一f ( i + 1 ) ，_ ，) ) 2 ( 2 5 ) 其中，g ( i ，) 又称为r o b o t s 的交叉算子。在实际应用中为了简化计算，r o b o t s 绝对值被用来近似： g ( i ，) = l f ( ，) 一厂o + 1 ，歹+ 1 ) i + i 厂a ，j + d f ( i + 1 ，) 1 ( 2 6 ) 实际应用中，r o b e r t s 算子为一个2 x 2 的计算模板，通过与图像像素进行卷 积来得到各点的0 和g ( x ，y ) 。其模板表示如下： 匕叭 7 ， 从模板可以看出，r o b e r t s 算子的实际梯度幅度值为+ 4 5 。两个方向的微分和。 使用该算子得到的边缘相邻的边缘点组成线。使用r o b e r t s 算子检测出来的边缘 第二章边缘检测与轮廓提取 对细小的边缘容易丢失，对长线段能有较好的保持，由于模板小，对边缘的定位 有较高的准确性。 2 1 2 2p r e w i t t 算子 p r e w i t t 算子使用两个有向算子，即水平模板和垂直模板。每一个模板逼近一 个领导数陋9 1 。两个方向的近似检测算子为： 只= 厂( x ，+ 1 ，y 1 ) + 厂( 石+ 1 ，y ) + 厂( 工+ 1 ，y + 1 ) ) ( 2 - 8 ) 一 厂( x l ，y 一1 ) + f ( x 一1 ，y ) + f ( x 一1 ，y + 1 ) ) 02 f ( x - 1 , y + 1 ) + 似，y + 1 ) + 似+ 1 ，y + 1 ) ) ( 2 9 ) 一矿( 工一l ，y 一1 ) + f ( x ，y 1 ) + f ( x + 1 ，y 一1 ) ) 由公式( 2 8 ) 和( 2 9 ) 可以得到算子的卷积模板分别为： x 方向： 三i 三i y 方向； 1 ) ll f ； c 2 一，。， 具体描述为：对于输入图像i ( x ，少) 分别计算用水平只和垂直尸，两个算子对图像进 行卷积，这样可以得到两个矩阵m 工，m ，对这两个矩阵对应位置的两个数求平方 e d g e = ( ( ，宰只) 2 + ( ，木只) 2 ) t 2 ( 2 - 1 1 ) s o b e l 6 2 】算子把差为运算与局部平均相结合，在厂( 五y ) 处x ，y 方向上的偏导 s 工= 厂( x + 1 ，y 一1 ) + 2 f ( x + 1 , y ) + 厂( x + 1 ，y + 1 ) ) ( 2 - 1 2 ) s y = f ( x - 1 , y + 1 ) + 2 厂( x ，y + 1 ) + 厂( x + 1 ，y + 1 ) ( 2 一1 3 ) 一扩o 一1 ，y 一1 ) + 2 f ( 工，y 一1 ) + f ( 工+ 1 ，y 一1 ) ) 9 电子科技大学硕士学位论文 其梯度幅值大小为： g ( z ，y ) = 孵 ( 2 - 1 4 ) 由公式( 2 1 2 ) f f l l ( 2 1 3 ) 可以得到s o b e l 算子的卷积模板： 叫圳啪：旺刁 s o b e l 算子容易在空间上实现，能得到较好的边缘检测效果，同时，由于引 入了局部平均，其受噪声影响也比较小。当对精度要求不是很高时，是一种较为 l a p l a c e 算子是一个二阶微分算子【6 l 】。其数学表达式为： v 2 他y ) = 挈+ 粤o y 学 ( 2 - 1 6 ) d x 一 一 如公式所述，l a p l a c e 算子为二阶导数的和，它各向同性，v 2 厂( x ，y ) 是一个 标量，对方向不敏感，对灰度突变敏感。在实际图像处理过程中，用差分近似得 = ( 厂( x + 1 ，j ，) 一f ( x ，y ) ) 一( 厂( 石，少) 一f ( x - 1 , y ) ) ) ( z - 1 7 ) 由公式( 2 17 ) 得到的l a p l a c e 算子估算模板： 81 c a n n y 算子是由c a n n y 1 9 8 6 年提出的基于最优化算法的边比检测算子6 0 1 ， 1 0 第二章边缘检测与轮廓提取 它具有很好的信噪比和检测精度，是近年来数字图像处理中广泛应用的边缘检测 算子。 以下三个特性是c a n n y 认为一个优良的边缘检测算子应该具备的： ( 1 ) 检测性能。不漏检真实边缘，也不错检虚假边缘，信噪比最大。 ( 2 ) 定位性能。检测出的边缘要与实际边缘点位置最近。 ( 3 ) 唯一性。对于单个边缘点只有一个响应。 为实现这三个标准。c a n n y 算子采用了入下步骤和过程： ( 1 ) 高斯滤波器平滑图像： c a n n y 算子采用二维高斯函数的一阶导数对图像进行平滑，其二维高斯 函数为： 1一三丝 g ( 五力。寿e2 a02(2-19) 其梯度向量为： 粥= - 驯a g 纠8 x 2 。， 其中，仃为高斯滤波器的分布参数，它决定高斯滤波器的宽度，继而控 制平滑程度。盯小对应定位精度高，信噪比低；相反仃大对应定位精度低， 但信噪比高。 ( 2 ) 计算梯度幅度值和方向 2 x 2 领域一阶偏导的有限差分被用来计算平滑后的数据数组f ( x ，y ) 的梯度 幅值和梯度方向。其中只( 工，y ) 和只( x ，y ) 分别x 和y 方向偏导数的两个数组。 只( w ) ：丝丛业丝业笔型盟堡趔； + 弘川：塑型盟业鎏坐趔 q 屯d 像素的梯度幅值和梯度方向用直角坐标到极坐标的转化公式计算得到： m ( 训) = 厄丙矿丽( 2 - 2 2 ) 臼( 训) ：删a n 盘娑) ( 2 - 2 3 ) 电子科技大学硕士学位论文 其中，m ( x ，少) 为梯度幅值，o ( x , y ) 为梯度方向。 ( 3 ) 非极大值抑制 非极大值抑制的作用主要是细化梯度幅值图像中的屋脊带，只保留局部变化 最大的点。在具体实现过程中，算法使用3 x 3 大小，8 方向的领域模板对梯度幅 值数组m o ，力中的所有像素沿梯度方向进行插值。在每一个点上，邻域的中心像 素m ( x ，y ) 与沿梯度方向的两个梯度幅值的插值结果进行比较，善( 石，y ) 是像素邻 域中心处沿着梯度方向的扇形区域，非极大值抑制在此区域进行。如果邻域中心 点的幅值m ( x ，y ) 不比梯度方向上的两个插值结果大，将此m ( x ，y ) 对应的边缘标 志位赋值为0 ，认为其不是边缘；否则认为m ，y ) 是边缘。这一过程把m ( x ，y ) 中 宽屋脊带细化为一个像素宽，并且保留了屋脊的梯度幅值。 ( 4 ) 滞后门限处理 c a n n y 算子用双阂值方法对经过非极大值抑制的图像进行二值化处理，得到 两个边缘图像瓦( 工，y ) 和乃( x ，y ) ，由于图像瓦( x ，y ) 是由高阂值得到的，因此默认 他不含有虚假边缘，但乃( 石，y ) 由于阈值取得较大，可能会使部分真实边缘被漏检， 从而表现为边缘的断裂和不连续。此时，需要把边缘连成轮廓。所以，现假定 乃( 工，y ) 中含有所有的边缘信息，不存在漏检情况，而实际边缘中漏检测的部分也 可以从乃( z ，y ) 中找到。并且乃( x ，y ) 与瓦( x ，y ) 存在交集。因此，当毛( 工，y ) 中边缘 达到端点时，该算法就在正( x ，y ) 的8 邻域位置寻找可以连接到轮廓上的边缘，如 此，利用递归跟踪算法就可以将乃( 石，y ) 中所有的间隙都连接起来。 2 2 轮廓提取 轮廓与边缘既有相同点又有不同的地方，本小节从轮廓的定义、特点以及检 测方法方面对轮廓检测进行介绍，并与传统的边缘检测加以区分。 1 2 第二章边缘检测与轮廓提取 2 21 轮廓的定义 轮廓是指能够勾勒出主体目标的边缘的集合，是特定的边缘【州。轮廓与边 缘的主要区别在于纹理、背景等信息也会产生边缘但这些信息所产生的边缘不是 轮廓，只有反应主体形态、形状且具有一定连续性的边缘才被定义为轮廓。下图 说明了轮廓与边缘的区别，图2 1 中的第一幅图为一头犀牛的照片，第二幅为 c a n n y 算子检测出的图像的边缘。可以看到，边缘图像中除了犀牛的主体边缘外， 还有很多草、蓝天、等信息产生的边缘信息，这些信息不反映图像中主体的信息， 即对勾勒和感知主体犀牛没有贡献。但是在第三幅图中的边缘信息则不包含图像 中的纹理、背景等无用信息，只有主体犀牛的轮廓被线条描画了出来。 一 ，一 ! 二三= ：= = = = 7 t ：， 皇垂三乏至二三蔓 圈2 一l 图像边缘与轮廓之间的异同，图像的边缘只检测出图像中像素灰度不连续的点，不 区分产生边缘的主体是目标物体还是纹理：轮廓则只包含是主体的边缘信息纹理等信息产 生的边缘不是构成主体轮廓的有效部分。 电子科技大学硕士学位论文 从这个例子可以看出，对轮廓的检测难度要大于边缘检测的难度。而在检测 中要如何才能去除纹理噪声并保留主体边缘就成了轮廓检测成功的关键。传统的 边缘检测方法很难实现这个过程，原因在于传统的边缘检测算子不能区分哪些边 缘是由主体产生的，哪些边缘是由纹理信息产生的。人类视觉信息处理系统确可 以很容易的解决这个问题，我们只要一看图片就可以得到犀牛的轮廓图，而其它 纹理信息则被自动滤去。所以如果能把视觉信息处理中对物体轮廓提取的机制运 用到数字图像处理当中，轮廓检测的效果也可以有所提高。 2 2 2 轮廓检测特点 由上一小节的讨论可知对轮廓检测的难度要大于对边缘检测的难度，而最主 要的难题就是如何区分图像中哪些是目标主体的边缘，哪些是纹理产生的边缘。 对于自然图像而言，如图2 1 所示，图像中的犀牛为主体，犀牛旁边的草为纹理。 通过观察可以发现，主体的边缘，即轮廓具有如下特点： ( 1 ) 连续性，主体的边缘能反应主体的形态，其边缘在空间上具有一定的连 续性，常常表现为闭合特性。而纹理产生的边缘，如杂草的边缘都是不连续的， 间断的。 ( 2 ) 长度，由于主体都表现为具有一定空间面积的物体，其边缘必定是具有 一定长度的线条，而杂草等纹理的边缘却是短的线条片段。 ( 3 ) 朝向异性，由于主体的闭合性，使得主体轮廓的朝向上不是单一的，而 是随着轮廓走向不断变化的。而纹理边缘的朝向往往具有统一性，即大多纹理会 有相同或相似的朝向。 ( 4 ) 隐藏性，主体轮廓往往被纹理或背景信息产生的边缘所淹没。因此要从 大量的纹理边缘中提取出主体轮廓具有很大的难度。 2 。2 3 轮廓检测方法 结合轮廓的定义与特性可以发现，纹理信息抑制是轮廓检测方法与边缘检测 方法的最大区别。要做到这点，从纹理信息的特点可以发现： ( 1 ) 纹理信息具有朝向直性。 ( 2 ) 纹理信息都以区域形式存在，即图像中会有一片具有相同或相似朝向的 纹理信息。 1 4 第二章边绦检测与轮廓提取 基于这些特点。可以发现，利用视觉信息处理机制中的非经典感受野的抑制 特性可以有效的去除纹理信息对主体轮廓检测的影响。 b 图22 非经典感受野抑制特性原理示意圈 图2 2 说明了计算机和视觉感受野是如何处理边缘信息的。图a 为输入出图 像，当人眼和计算机在接收到输出相同的输入时，进行的是不同的处理。计算机 会根据图像中像素点的梯度变化情况判断哪些是边缘，图c 为计算机边缘检测的 输出结果，可以看到，计算机把所有的线条产生的边缘都检测出来。而实际上很 大一部分边缘信息都是我们不需要的，如图a 中大量的6 0 度角线条产生的边缘会 自动被理解成纹理，所以我们实际看到的结果会是图b 的输出。视觉系统的轮廓 检测发初级视觉处理就已经完成，即在初级视皮层及以下就可以实现。我们的初 级视皮层细胞的朝向选择性抑制可以根据非经典感受野内的朝向与经典感受野内 的朝向差异不同而产生不同的抑制效果，圈d 说明了感受野是如何实现抑制过程 的。当细胞感受野落在纹理区时( 左上) ，由于所有线条朝向都一直这个时候细 电子科技大学硕士学位论文 胞的经典感受野会受到非经典感受野的最大抑制。当经典感受野落在主体轮廓且 非经典感受野在纹理区时( 右上，下) ，由于经典感受野与非经典感受野内的朝向 差异较大，抑制作用会较弱，从而使得细胞感受野在主体轮廓处的输出会比其他 地方大，从而去除掉无用的纹理信息。 最有代表性的使用非经典感受野抑制特性轮廓检测方法由g r i g o r e s c u 和 p e t k o v l 5 2 , 5 4 等人提出。其主要思想是： ( 1 ) 通过模拟神经元细胞的经典感受野来检测图像中的朝向信息。 ( 2 ) 通过非经典感受野的抑制作用来减少纹理区域的输出，从而达到抑制纹 理保留主体轮廓的目的。 ( 3 ) 使用非极大值抑制与滞后门限处理来得到轮廓检测的二值图像。 该方法有效的提高了轮廓检测的效果，纹理得到抑制，轮廓被保留。在与传 统的边缘检测方法比较中，该方法表现出出色的检测效果。但是，该方法没有对 感受野的朝向选择性加以考虑，使用实际检测效果有所欠缺。本文章中所提出的 基于非经典感受野朝向选择性抑制特性的轮廓检测算法正是基于g r i g o r e s c u 的工 作引入感受野的朝向选择性和非经典感受野的朝向选择性抑制而改进的。 1 6 第三章感受野朝向选择性在轮廓检测中的应用研究 第三章感受野朝向选择性在轮廓检测中的应用研究 大部分初级视皮层神经元的经典感受野和非经典感受野都具有方向选择性 5 , 6 3 】，非经典感受野在方向选择性上可能会表现出不同的特性，并根据刺激的不 同对经典感受野会有不同的调制。对单一神经元来说，细胞的输出取决于非经典 感受野与经典感受野之间的相互作用结果。大部分的调制作用都表现为抑制，且 在抑制性调制的形成中，神经元之间的水平连接起了重要的作用m 】。 本章就根据初级视皮层神经元非经典感受野和经典感受野都具有朝向选择 性，且非经典感受野根据刺激的朝向特征不同对经典感受野的调制模式也随之不 同的特性构造了一个基于非经典感受野朝向选择性抑制的轮廓检测算子。在这个 算子中，g a b o r 能量算子被用来模拟复杂细胞经典感受野的响应。一个改进的抑 制性非经典感受野模型被用来模拟非经典感受野的朝向选择性抑制，根据非经典 感受野内刺激的朝向显著性特点来确定非经典感受野对经典感受野的抑制类型和 强度。 实验表明该算子可以很好的模拟初级视皮层细胞的响应，并且在实际的图像 检测中比传统的边缘检测算予有更好的表现，在主体轮廓信息得到保持的前提下 可以很好的抑制纹理特征。 3 1 生理依据 如前所述，视觉系统神经元感受野由经典感受野和非经典感受野组成。非经 典感受野不对单独落在其中的刺激起响应，但是会对经典感受野起到调制作用， 尽管这种调制作用可以表现为抑制、易化和去抑制等多种形式，但是在初级视皮 层的神经元中，抑制作用为主要表现形式。李朝义的工作表明【l 纠，非经典感受 野的大小一般为经典感受野大小的2 5 倍。非经典感受野与经典感受野对有相似 的特征选择性，如朝向特征、速度、方位、颜色等【1 7 】。对于抑制性调制的非经 典感受野来说，当落在其中的刺激特征与经典感受野中的刺激特征相同时，抑制 作用达到最大：当特征相反时，抑制作用达到最小。对于朝向特征来说，当经典 感受野中的刺激图形朝向与经典感受野中朝向相同时，抑制作用最大；当朝向相 1 7 电子科技大学硕士学位论文 差9 0 度时，抑制作用最小。这表明，非经典感受野不仅仅是经典感受野的一个范 围上的扩大，而是与经典感受野一起构成一个特征检测器。具有朝向选择性的神 经元在经典感受野与非经典感受野的互相作用下可以方便的检测出视觉信息中物 体的轮廓信息。 一些关于特征检测器的例子如图3 1 所示：图a 中的两条竖直线条与水平 的线条在朝向特征上有明显的差异，这使得我们的视觉系统可以很容易的把这两 条线从水平的线条背景中识别出来，这个过程可以在视觉信息处理的初级阶段实 现，图b 中的两条竖线为视觉感知的结果；图c 中的三角开和棱形与周围的小正 文形在形状上明显的区别，这也使得这两个图形可以很容易的被识别出来。 c 图3 一l 视觉感知中的特征差异检测示意图。a ，c 为显现视觉信息处理的输入，b ，d 为视 觉信息处理的结果。 3 2 感受野朝向选择性的数学模拟 对感受野的模拟分为两个部分，分别是经典感受野和非经典感受野，本章对 1 8 一一一一一 一 第三章感受野朝向选择性在轮廓检测中的应用研究 初级视皮层复杂细胞进行模拟，而复杂细胞的感受野又由简单细胞的感受野叠加 而成，所以复杂经典感受野的模型分两步实现。由于非经典感受野的形成与同层 神经元的水平连接有直接关系，可以认为是同层细胞的神经元经典感受野的输出 构成了非经典感受野的输入。因此对非经典感受野的模型可以在经典感受野的基 础上进行。对于经典感受野与非经典感受野的模拟分别详细阐述如下。 3 2 1 经典感受野的数学模拟 在以往的工作中，g a b o r 能量算子被广泛应用来模拟v 1 区神经元的经典感受 野【3 2 - 3 4 , 6 5 - 6 7 】，实验结果也表明，g a b o r 能量算子的响应可以很好的模拟复杂细胞 的基本响应，由其表现在朝向特征提取中。因此在本文中，g a b o r 能量算子也被 用来实现经典感受野的响应。 简单细胞的经典感受野响应可以由一个二维g a b o r 函数来表述。 一业? g ( x ，y ；口) = e 2 盯2 c o s ( 2 万+ 妒) ( 3 1 ) 其中z = x e o s o + y s i n o ，夕= 一x s i n 0 + y c o s 0 y 决定简单细胞经典感受野的椭 圆率。仃是高斯标准均方差，决定经典感受野的空间作用范围。参数兄是波长参 数，仃允反应经典感受野的空间频率带宽。p 表示朝向角度，每个简单细胞的经 典感受野都有一个最优朝向，输入信息具备这个朝向特征时，经典感受野的响应 达到最大。此处的秒取值范围为0 i o ，万) 。伊是相位偏移量，它反应简单细胞经 典感受野对刺激图像的相位选择性，如同对朝向选择性一样，每个简单细胞都有