一種基于圖像切線方向感受野的輪廓檢測方法

傅瑞罡，王平，高穎慧

(國防科學技術大學電子科學與工程學院ATR重點實驗室，長沙 410073)

一種基于圖像切線方向感受野的輪廓檢測方法

傅瑞罡，王平，高穎慧

(國防科學技術大學電子科學與工程學院ATR重點實驗室，長沙 410073)

輪廓檢測是實現基于形狀的目標識別任務的關鍵，然而由于圖像背景中存在大量的無關干擾成分，因此要從自然場景中自動地檢測出目標的輪廓是非常困難的。人類可以很容易地從環境中識別物體，這得益于人類的視覺感知機制。根據此機制，建立了基于圖像切線方向感受野的輪廓檢測方法。本方法用Gabor函數模擬感受野中心神經元的響應，非經典感受野的建模充分考慮了鄰域刺激與相對位置、距離、朝向之間的關系。本方法與傳統的基于人類視覺感知機制方法的最大不同在于圖像點的切線方向選擇對應朝向的中心神經元，物理意義明確。實驗結果表明:該方法能更有效地抑制紋理邊緣并減少輪廓自身的破壞，具有更好的檢測準確性和穩定性。

輪廓;人類視覺感知機制;感受野;切線方向

輪廓提取是機器視覺和圖像理解中的基礎問題。由于輪廓通常掩藏在紋理中，因此在復雜背景條件下檢測出目標輪廓是輪廓檢測算法的難點。傳統的邊緣檢測算法對輪廓與紋理不加區分，檢測結果中往往包含大量的偽輪廓信息。

輪廓提取方法受到學術界的廣泛關注［1－11］，基于人類視覺感知機制的輪廓提取算法是其中重要的一股分支。科學家對人類的視覺感知機制研究已有多年，研究結果表明［1］:人類大腦視皮層中，絕大部分的V1區神經元具有方向選擇性，它會對視野中特定區域的刺激產生響應，描述這些神經元響應的區域稱為感受野(也稱經典感受野)。當外界刺激與其感受野朝向重合時，神經元活動最活躍;當外界刺激與感受野朝向正交時，神經元的活動最低迷。同時，感受野的活動還受其外部周邊區域的影響，這片周邊區域被稱為非經典感受野，非經典感受野對感受野既有抑制作用也有增強作用。得益于視覺系統神經元的這種感受野特性，人類能很容易地觀察到物體的輪廓信息而忽略紋理信息。

Grigorescu等［2］利用非經典感受野的抑制特性進行輪廓檢測，雖然減少了環境紋理的影響，但只研究了抑制作用，且只考慮了各向異性抑制和各向同性抑制兩種極端情況。桑農等［11］提出的方法雖然在鄰域神經元的抑制作用上考慮得更加詳盡，但忽略了神經元間存在增強作用。杜曉鳳等［6］綜合上述缺陷并改進了輪廓提取算法。

但是，上述這些方法沒有給出明確的感受野朝向意義，同幅圖像的某一像素對應的感受野朝向會隨著方法任一參數的變化而變化。本文在對比Gabor函數特性和感受野特性后，提出由像素的切線方向選擇對應朝向的中心神經元，并綜合考慮非經典感受野的增強抑制作用，提出一種新的輪廓提取算法。經仿真實驗驗證，該輪廓提取算法能有效、準確地提取圖像中的輪廓。

1 算法原理

1.1 中心神經元響應

二維Gabor函數常用于模擬簡單神經元的響應，因為它能有效地描述哺乳動物的視皮層簡單細胞感受野剖面［11］。本文通過Gabor函數來模擬感受野中心神經元響應。

二維Gabor函數形式為

圖1 奇偶Gabor函數

用奇(φ=π/2)、偶(φ=0)Gabor濾波器分別卷積輸入圖像I，得Godd，Geven:

為了得到具有位移不變性的輪廓，本文將2個相位濾波結果組合構成Gabor能量濾波器［8］來模擬細胞的響應函數，其表達式為

本文實驗中設σ=2.4，σ/λ=0.56，γ=0.5，θ置為輸入圖像切線方向角O(x，y)。

1.2 圖像切線方向場O(x，y)

本文將θ置為圖像的切線方向角，如圖2所示。使用Sobel算子求輸入圖像I(x，y)的水平、豎直方向上的偏導數Δx，Δy，求切線角度O(x，y)= atan(Δy/Δx)。此時O(x，y)的取值范圍為［－π/2，π/2］，執行操作將O(x，y)的取值范圍調整至［0，π)。假設有n種朝向的神經元，于是將［0，π)均等劃分為n個子區間，第i個子區間為［(2i+1)π/2n，(2i+3)π/ 2n)，i=－1，0，…，n－2。若O(x，y)落于區間［(2i+1)π/2n，(2i+3)π/2n)，則置O(x，y)=(i +1)π/n。圖3為圖像神經元響應的流程。

圖2 Gabor函數中的朝向參數θ選為圖像的切線方向

圖3 圖像神經元響應流程，n=16

1.3 非經典感受野模擬

非經典感受野描述的是經典感受野的外周區域，對經典感受野具有增強抑制作用。圖4很好地展現了這種現象。

圖4 現象展示

從圖4可以看到:雖然中間的小方形線段與斜線同等粗細，但是小方形線段卻顯得比斜線亮很多。這是因為在斜線背景下，人類視覺神經元的非經典感受野對斜線的成像起了抑制作用，而對于方形線段，這種抑制作用相對小很多。

假定(x'，y')是中心神經元的周邊神經元坐標，中心神經元(x，y)有增強區域P和抑制區域N。定義感受野中心(x，y)的綜合響應強度如下:

其中，a，b為控制常數。

本文采用環狀區L來模擬神經元(x，y)的非經典感受野。抑制區域位于與中心神經元朝向垂直方向的兩側，沿著中心神經元朝向的是增強區域［5］。

圖5 環形感受野L，r=σ，R=2σ，φ=15°

其中:θ是位于坐標(x，y)的神經元的朝向，在θ上下各偏轉φ/2的位置為增強區域P，其余為抑制區域N。考慮到距離的影響，系數應隨與中心距離的增加而變小。在本文中，系數由DoG+(x'，y'，σ)函數生成:

對于增強區域，Δθ越小，增強效果越強，用cos(Δθ)模擬;對于抑制區域，Δθ越小，抑制效果越強，用exp(－8(Δθ/π)1.5)模擬。

綜合上述位置、距離和方向的影響后得到:

1.4 細化

本文采用Canny算法［4］中的非最大值抑制方法對1.3節產生的能量圖結果G'(x，y)進行細化處理，即:只有當該點的強度大于沿該點梯度方向上的2個相鄰像素的強度時才保留該點，否則置為零。本文采用線性插值法計算該點梯度方向上2個相鄰像素的強度。圖6是本文細化方法的簡單示意。

圖6 細化方法示意

如圖6所示，若G'(j，i)＜G'(j－1，i－1)* bleft+G'(j，i－1)*aleft或G'(j，i)＜G'(j+1，i+1) *aright+G'(j，i－1)*bright，那么G'(j，i)置為零。

1.5 二值化

用雙門限分割法做進一步二值化處理。［Tl，Th］為雙門限，Th為大于Gabor能量圖G'(x，y)中(1－p)像素點的能量值，Tl=0.5Th。

2 算法實現流程

1)計算輸入圖像的切線方向場;

2)用奇偶Gabor濾波器對輸入圖像濾波，得到圖像的Gabor能量圖(即神經元的響應);

3)用1.3節介紹的模型計算非經典感受野的抑制區、增強區系數，并通過式(1)求解非經典感受野影響后的能量圖;

4)對得到的能量圖做非最大抑制處理，實現細化;

5)用雙門限分割法進行二值化;

6)性能評估。

算法實現流程見圖7。

3 實驗結果分析

本文在標準的邊緣檢測圖像數據庫(來源于http://www.cs.rug.nl/～imaging)中抽取2幅圖像Hyena，Elephant_2作為輸入圖像，同時選擇經典的Canny算子［4］和Non－CRF的各向同性算法［2］與本文算法進行比較。圖8展示了各輪廓提取算法的定性比對結果。

圖7 算法實現流程

圖8 各算法的定性比對

比較Hyena的各輸出圖像可以看到:本文方法明顯抑制了紋理邊緣;雖然該方法相比各向同性算法對Elephant_2圖像的紋理邊緣抑制得并不明顯，但觀察象鼻的連續性可以發現，本方法有效減少了輪廓破壞，改進了傳統邊緣檢測方法的輪廓提取效率。

為了定量地比較這3種算法的效果，本文采用文獻［10］中的評測方法。假設EDO和BDO分別表示理想輸出圖像DO的邊緣和背景的像素集; ED和BD分別表示各種算法的輸出圖像D的輪廓和背景的像素集。那么，真實的輪廓集合可以表示為E=ED∩EDO，遺漏的輪廓集合可以表示為EFN=BD∩EDO，虛假的輪廓可以表示為EFP=ED∩BDO。

然而，由于細化后實際得到的圖像D的輪廓點坐標幾乎不可能完全與理想輪廓圖DO中的輪廓點坐標吻合，所以本實驗中，凡在理想輸出輪廓點坐標附近4×4鄰域內，D中有點存在，就認為是找到了該理想輪廓點。

其中，card(X)代表求集合X中的元素的個數。

從式(2)可以看出:P是［0，1］范圍的一個數值，如果算法能將理想的輪廓完全提取出來并且沒有將背景錯誤地檢測為輪廓，那么P= 1;一般情況下P小于1，如果錯誤的檢測越多，P就越趨近于0。

表1 各算法的評測值P比對

表1列出了各種算法效果較好時的測評值P，其中canny的參數設為p=0.1，σ=2.4(Hyena); p=0.1，σ=2.4(Elephant_2)。Isotropic方法的參數σ=2.0，p=0.1，α=1.0(Hyena);σ=2.0，p= 0.1，α=1.0(Elephant_2)。本文方法的參數σ= 2.4，a=1.2，b=2.7，p=0.04(Hyena);σ=2.4，a=1.4，b=2.8，p=0.03(Elephant_2)。

可以明顯看到:本文提出的方法評測值大于其他方法的評測值，即本文方法極大地提高了輪廓檢測性能。

4 結束語

輪廓檢測是實現基于形狀的目標識別任務的關鍵。只有盡可能地提取完整的目標輪廓，才能使目標識別更加準確。本文提出的輪廓檢測方法基于人類視覺感知機制，由圖像點的切線方向選擇對應的神經元，然后在充分考慮非經典感受野的各種特性后，建立了新的非經典感受野模型。

最后的實驗結果表明:在復雜背景情況下的目標輪廓檢測中，本文方法比傳統方法表現出了更好的性能，輪廓更加清晰，且更易抑制背景中的紋理。但是由于Sobel算子容易受到圖像噪聲的影響，因此如何提升算法的抗噪能力是后續的主要工作。

［1］Dragoi V，Sur M.Dynamic properties of recurrent inhibition in primary visual cortex:contrast and orientation dependence of contextual effects［J］.J Neurophysiol，2000，83(2):1019－1030.

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

［3］Li Dongyang，Wang Ping，Gao Yinghui，et al.Contour extraction improved by gradient saliency detection［C］//5th International Congress on Image and Signal Processing.Chengdu:［s.n.］，2012:1009－1012.

［4］Canny J.A computatational approach to edge detection［J］.IEEE Trans.PAMI，1986，8(6):679－698.

［5］Kapadia M K，Westheimer G，Gilbert C D.Spatial distribution of contextual interactions in primary visual cortex and in visual perception［J］.Neurophysiol，2000，84(4): 2048－2062.

［6］Du Xiao－feng，Li Cui－hu，Li Jing.Contour detection based on compound receptive field［J］.Journal of Electrics and Information Technology，2009，31(7):1630－1634.

［7］Shou Tian－de，Zhou Yi－feng.Orientation and direction sensitivity of cells in subcortical structures of the visual system［J］.Acta Physiologica Sinica，1996，48(2):105－112.

［8］Tan T N.Texture edge detection by modeling visual cortical channels［J］.Pattern Recognition，1995，28(9):1283－129.

［9］蔡超，王夢.基于視覺感知機制的輪廓檢測方法［J］.華中科技大學學報:自然科學版，2011，39(7):22－25.

［10］Grisgorescu C，Petkov N，Westenberg M A.Contour and boundary detection improved by surround suppression of texture edges［J］.Image and Vision Computing，2004，22 (8):609－622.

［11］Sang Nong，Tang Qi－ling，Zhang Tian－xu.Contour detection based on inhibition of primary visual cortex［J］.Journal of Infrared and Millimeter Waves，2007，26(1): 47－51.

(責任編輯 楊黎麗)

Contour Detection Method Based on Receptive Field towards the Tangential Direction

FU Rui－gang，WANG Ping，GAO Ying－hui
(School of Electronic Science and Engineering，ATR Key Laboratory，National University of Defense Technology，Changsha 410073，China)

Contour detection plays an important role in shape－based object recognition tasks.It is an intractable problem of how to detect the contour of object from natural scenes automatically.Thanks to the human visual perception system，human can identify objects easily.According to this system，this paper presents a contour detection method based on receptive field towards the tangential direction.This method simulated the response function of single visual cell by Gabor function.A new non－classical receptive field model was constructed by fully considering the difference in distance，position and direction between neighboring stimuli and the central neuron.The salient difference between this method and those traditional methods based on human visual perception system is that the preferred orientation is selected by the direction of tangent and this gives“the preferred orientation”a physical meaning.The experimental results show that our model has a better detection accuracy and stability.Key words:contour;human visual perception system;receptive field;the tangential direction

TP301

A

1674－8425(2014)04－0083－06

10.3969/j.issn.1674－8425(z).2014.04.018

2014－01－15

傅瑞罡(1992—)，男，浙江浦江人，碩士研究生，主要從事圖像處理研究。

傅瑞罡，王平，高穎慧.一種基于圖像切線方向感受野的輪廓檢測方法［J］.重慶理工大學學報:自然科學版，2014(4):83－88.

format:FU Rui－gang，WANG Ping，GAO Ying－hui.Contour Detection Method Based on Receptive Field towards the Tangential Direction［J］.Journal of Chongqing University of Technology:Natural Science，2014(4):83－88.