基于馬爾可夫模型優(yōu)化的非經(jīng)典感受野輪廓檢測(cè)算法

胡玉蘭 劉 陽(yáng)

(沈陽(yáng)理工大學(xué)信息科學(xué)與工程學(xué)院 遼寧 沈陽(yáng) 110159)

基于馬爾可夫模型優(yōu)化的非經(jīng)典感受野輪廓檢測(cè)算法

胡玉蘭 劉 陽(yáng)

(沈陽(yáng)理工大學(xué)信息科學(xué)與工程學(xué)院 遼寧 沈陽(yáng) 110159)

基于非經(jīng)典感受野的同性抑制作用提出一種新的算法。該算法首先將多級(jí)周邊抑制引入到各項(xiàng)同性檢測(cè)模型中；其次根據(jù)集合理論，結(jié)合邊緣生長(zhǎng)過(guò)程控制思想提出一種改進(jìn)的組合方法，解決了抑制參數(shù)取值對(duì)輪廓檢測(cè)的影響；最后根據(jù)馬爾可夫隨機(jī)場(chǎng)理論建立輪廓概率模型，得到最終優(yōu)化后的輸出輪廓。實(shí)驗(yàn)結(jié)果分析表明，新算法精度高，明顯優(yōu)于傳統(tǒng)方法。

輪廓檢測(cè) 非經(jīng)典感受野 馬爾可夫隨機(jī)場(chǎng) 多級(jí)周邊抑制

0 引 言

邊緣檢測(cè)是計(jì)算機(jī)視覺(jué)和模式識(shí)別中的一個(gè)重要研究問(wèn)題，在科學(xué)和工程問(wèn)題中都有著廣泛的應(yīng)用，例如物體識(shí)別、形狀分析[1]等。一些現(xiàn)有方法中有的是根據(jù)差分統(tǒng)計(jì)學(xué)的，還有一些是基于動(dòng)態(tài)輪廓[2]、局部相位分析[3]及模糊推理[4]的。盡管前人已經(jīng)在這方面作了很大的貢獻(xiàn)，但仍有人對(duì)現(xiàn)有方法進(jìn)行改進(jìn)和更新，進(jìn)而提出更有效的輪廓檢測(cè)方法。人類(lèi)視覺(jué)系統(tǒng)擁有從雜亂的場(chǎng)景中迅速有效地提取輪廓特征的能力，這激勵(lì)我們探索更強(qiáng)大的輪廓探測(cè)器。

心理生理學(xué)研究表明，大多數(shù)初級(jí)視皮層神經(jīng)元的感受野外部區(qū)域?qū)Ω惺芤坝兄{(diào)制作用，并且大部分顯示的是周邊抑制作用，即非經(jīng)典感受野。以感受野為基礎(chǔ)的顯著性提取已經(jīng)在輪廓檢測(cè)和紋理抑制方面得以實(shí)現(xiàn)。如果在經(jīng)典感受野的中心部分，以及它的外周同時(shí)出現(xiàn)相同類(lèi)型的刺激時(shí)，周邊抑制區(qū)會(huì)減弱神經(jīng)元對(duì)刺激的響應(yīng)，相反會(huì)得到增強(qiáng)。有許多理論證實(shí)[5-9]，這種視覺(jué)機(jī)制的非經(jīng)典感受野的周邊抑制作用可以使視覺(jué)系統(tǒng)抑制復(fù)雜背景下自然圖像中的紋理性邊界，進(jìn)而可以使目標(biāo)的整體輪廓顯著突出。

有文獻(xiàn)表明大部分周邊抑制作用遠(yuǎn)比想象中的復(fù)雜。文獻(xiàn)[5]第一次提出基于周邊抑制作用的計(jì)算模型，用來(lái)檢測(cè)自然圖像中的目標(biāo)輪廓。文獻(xiàn)[6]又將周邊抑制與傳統(tǒng)的Canny邊緣檢測(cè)算子相結(jié)合來(lái)抑制紋理，進(jìn)而提高該算子對(duì)輪廓檢測(cè)的能力。由于該算法存在自抑制現(xiàn)象，有些弱輪廓不能很好地檢測(cè)出來(lái)。為避免上述現(xiàn)象的出現(xiàn)，有學(xué)者不斷地提出改進(jìn)的算法，Sang等[7]把非經(jīng)典感受野分為兩個(gè)側(cè)區(qū)和兩個(gè)端區(qū)，基于此提出一種改進(jìn)的算法，把感受野的周邊抑制區(qū)分為兩個(gè)蝶形抑制區(qū)域，該蝶形區(qū)分別位于初級(jí)視皮層神經(jīng)元最優(yōu)朝向兩側(cè)。該蝶形機(jī)制的引入，減少了由背景紋理產(chǎn)生的邊緣，但同時(shí)也抑制了一部分弱輪廓，使得整體輪廓不完整。文獻(xiàn)[7]研究發(fā)現(xiàn)非經(jīng)典感受野對(duì)中心區(qū)的作用不僅僅有抑制，還有易化。正由于該復(fù)雜神經(jīng)機(jī)制原理使得我們能夠感知到弱輪廓的存在。文獻(xiàn)[8]提出了一方向顯著性為基礎(chǔ)的抑制模型，該模型是一種各向同性和各向異性的抑制機(jī)制相結(jié)合的單一模式，雖然減少了紋理影響，但同時(shí)存在模式單一及相應(yīng)參數(shù)需要人為輸入等缺點(diǎn)。

由于上述算法都是在單一模式下實(shí)現(xiàn)的，其抑制項(xiàng)權(quán)重(抑制水平)需要乘以一個(gè)輸入?yún)?shù)，該參數(shù)必須由用戶指定，其最佳值可能隨圖像的變化而變化，參數(shù)值設(shè)置得過(guò)大或過(guò)小都會(huì)影響輪廓的檢測(cè)。針對(duì)這些缺陷，本文將多級(jí)周邊抑制引入到各向同性模型中，同時(shí)提出改進(jìn)的組合算法，最后根據(jù)馬爾科夫隨機(jī)場(chǎng)理論建立輪廓概率模型，來(lái)去除噪聲產(chǎn)生的邊緣進(jìn)而保護(hù)弱輪廓。

1 非經(jīng)典感受野輪廓檢測(cè)原理

1.1 高斯梯度和周邊抑制

基于高斯梯度邊緣檢測(cè)的傳統(tǒng)方法不能抑制紋理性邊緣，文獻(xiàn)[9]把周邊抑制引入到基于梯度的邊緣檢測(cè)中，達(dá)到了抑制紋理性邊緣而保護(hù)輪廓的目的。為除去把最原始圖像數(shù)字化帶來(lái)的影響，一般情況下使用一種濾波器對(duì)圖像進(jìn)行平滑和噪聲處理。

令I(lǐng)(x,y)為一幅灰度圖像，其高斯梯度表達(dá)式為：

▽?duì)襂(x,y)={I(x,y)*▽gσ(x,y)}

(1)

(2)

式中，gσ(x,y)代表二維高斯函數(shù)，梯度▽gσ(x,y)和灰度圖像I(x,y)進(jìn)行卷積運(yùn)算得到高斯梯度▽?duì)襂(x,y)，也就是先用二維高斯函數(shù)對(duì)灰度圖圖像進(jìn)行平滑去噪處理，再對(duì)處理后的圖像進(jìn)行梯度運(yùn)算。

描述神經(jīng)元周邊抑制作用的距離權(quán)重函數(shù)由下面公式構(gòu)成：

(3)

式中，當(dāng)z<0時(shí)，H(z)=0；反之H(z)=z。

(4)

式中，‖·‖1表示L1范數(shù)，H(z)保證算子作用在抑制區(qū)域內(nèi)，也即非經(jīng)典感受野內(nèi)，DOGσ(x,y)模擬了非經(jīng)典感受野(如圖1)的環(huán)形區(qū)域，并且體現(xiàn)了抑制作用的變化強(qiáng)度，從弱到強(qiáng)再由強(qiáng)到弱。

圖1 非經(jīng)典感受野

1.2 各向同性抑制模型

一些研究表明[10]，在初級(jí)視皮層細(xì)胞中具有各向同性抑制作用的比具有各項(xiàng)異性抑制作用的比例大，并且各向同性抑制作用模型的模擬更容易、方便實(shí)現(xiàn)，計(jì)算簡(jiǎn)單，抑制效果好，因此本文的非經(jīng)典感受野的基礎(chǔ)模型選擇了各向同性抑制。在各向同性的情況下，周邊刺激與中心刺激的朝向的改變所帶來(lái)的抑制程度并沒(méi)有明顯的變化，這一現(xiàn)象可用Gabor能量集合來(lái)模擬，該集合是由一些Gabor能量函數(shù)的最大值組成，表達(dá)式如下：

(5)

(6)

式中，Eλ,σ,θ(x,y;θ)為Gabor能量函數(shù)。Eλ,σ,θi(x,y)為N個(gè)不同朝向θi的Gabor能量濾波函數(shù)，其中：

(7)

eσ,λ,φ(x,y;θ)=I(x,y)*

(8)

同時(shí)獲得方向集合θj，即梯度方向?yàn)椋?/p>

j=argmax{Eλ,σ,θi(x,y)|i=1,…,N}

(9)

(10)

則圖像梯度幅值▽?duì)襂(x,y)經(jīng)過(guò)抑制后的響應(yīng)為：

(11)

2 新的輪廓檢測(cè)算法

由于上面提到的檢測(cè)算法都是單一模式下的，由式(11)可知，單水平抑制時(shí)，當(dāng)α取值較小時(shí)，雖然能夠較好地保護(hù)目標(biāo)輪廓，但是紋理性邊緣不能得到充分的抑制；反之，當(dāng)α取值較大時(shí)，雖然可以充分地抑制紋理性邊緣但目標(biāo)輪廓會(huì)部分丟失。為克服上述缺陷，將文獻(xiàn)[13]中的多級(jí)抑制思想引入到改進(jìn)的各向同性周邊抑制模型中，同時(shí)進(jìn)一步提高輪廓的檢測(cè)性能，提出一種新的輪廓檢測(cè)算法。

2.1 基于多級(jí)抑制的各向同性周邊抑制的改進(jìn)

2.1.1 各向同性周邊抑制參量的改進(jìn)

由于上述輸出的響應(yīng)仍存在自抑制現(xiàn)象，因此我們需要對(duì)各向同性周邊抑制參量進(jìn)行改進(jìn)，將文獻(xiàn)[14]中改進(jìn)的蝶形抑制模型理論應(yīng)用到該算法中，改進(jìn)的蝶形抑制模型是將非經(jīng)典感受野分為四個(gè)區(qū)，即兩個(gè)抑制側(cè)區(qū)和兩個(gè)易化端區(qū)。易化區(qū)位于沿最優(yōu)朝向軸的兩側(cè)，且其上的刺激對(duì)神經(jīng)元響應(yīng)產(chǎn)生增強(qiáng)作用，抑制側(cè)區(qū)位于軸向垂直方向的兩側(cè)，該區(qū)上的刺激對(duì)神經(jīng)元響應(yīng)產(chǎn)生抑制作用。易化量過(guò)大會(huì)使更多的紋理輸出，若過(guò)小，弱輪廓得不到增強(qiáng)，產(chǎn)生自抑制現(xiàn)象，所以應(yīng)該選擇合適的抑制參量。根據(jù)式(10)外區(qū)抑制量和易化量分別定義為：

(12)

(13)

令易化因子與抑制因子的值1[14]，得到本文需要的改進(jìn)的各向同性周邊抑制參量為：

(14)

則梯度幅值經(jīng)過(guò)改進(jìn)的周邊抑制作用后的響應(yīng)為：

(15)

(16)

式中，T為像素的最大值，這樣保證所取得像素點(diǎn)在最大像素點(diǎn)之內(nèi)。

2.1.2 圖像的后處理

對(duì)上述改進(jìn)的各向同性周邊抑制輸出后的響應(yīng)C(x,y)進(jìn)行圖像的后續(xù)處理操作，此過(guò)程包括非極大值抑制和遲滯抑制。通過(guò)非極大值抑制能夠?qū)⒁种戚敵龊蟮捻憫?yīng)邊緣細(xì)化為相應(yīng)的候選輪廓。接著使用遲滯抑制對(duì)得到的輪廓進(jìn)行二值化處理，在遲滯閾值的過(guò)程中需要設(shè)置兩個(gè)閾值th和tl。th的設(shè)定與分位數(shù)p滿足以下關(guān)系：

(17)

式中，Card為求取非零集合中元素的個(gè)數(shù)；m表示候選像素的點(diǎn)數(shù)。一般取tl=0.5th，響應(yīng)中大于等于th點(diǎn)的候選輪廓像素，可以直接認(rèn)為是輪廓點(diǎn)輸出到二值圖b(p,α)中，而位于兩閾值之間的像素點(diǎn)，若能通過(guò)一些方法與某一輪廓像素鏈接上，則保留下來(lái)將其加入到b(p,α)，剩下的像素點(diǎn)被認(rèn)為是噪聲點(diǎn)將被丟棄。

2.1.3 基于多級(jí)抑制的組合方法的改進(jìn)

圖2顯示了通過(guò)不同抑制參數(shù)處理后的二值圖像b(p,αk)，從圖像中可以發(fā)現(xiàn)，隨著αk的取值不同，圖像輪廓也跟著變化。有些檢測(cè)到輪廓的同時(shí)也保留了噪聲點(diǎn)，還有一些抑制噪聲點(diǎn)和紋理性邊緣的同時(shí)也抑制了需要檢測(cè)的輪廓。為了能夠很好地解決這一問(wèn)題，本文定義了集合運(yùn)算，即交集和并集，公式如下：

(18)

(19)

圖2 不同抑制參數(shù)處理后的二值圖像,p=0.2

集合運(yùn)算的結(jié)果在圖2中顯示，交集中去掉了很多紋理性邊緣和噪聲點(diǎn)但同時(shí)也去掉了一部分的輪廓點(diǎn)，所以交集中含有很多不連續(xù)的輪廓片段，并集中包含了所有的像素點(diǎn)，既有整體的輪廓又包含了所有的噪聲邊緣。為了選出完整輪廓同時(shí)抑制紋理性邊緣排除噪聲，本文根據(jù)交集和并集理論，結(jié)合邊緣生長(zhǎng)過(guò)程控制思想，提出了一種改進(jìn)的組合方法。即首先循環(huán)遍歷并集Bp,u中的所有像素點(diǎn)，之后將得到的弱輪廓像素點(diǎn)與Bp,i做并集運(yùn)算。具體步驟：

(20)

Step2建立長(zhǎng)度可變的堆棧。從集合Bp,u中任一點(diǎn)作為起始點(diǎn)進(jìn)行像素掃描，如果發(fā)現(xiàn)卷積比TS大，但該點(diǎn)還沒(méi)有標(biāo)記為輪廓像素就將該點(diǎn)放入棧中，之后將后一個(gè)像素的位置進(jìn)行保存并轉(zhuǎn)到Step3。

Step3判斷堆棧是否為空，如果不為空，則轉(zhuǎn)到Step4，否則返回到Step2，從所保存得位置開(kāi)始繼續(xù)進(jìn)行像素掃描。

Step4將棧頂?shù)南袼豎出棧并標(biāo)記為輪廓點(diǎn)。在Q的8鄰域中查找卷積大于零，Q鄰域極大且標(biāo)記為輪廓像素，如果找到就將該點(diǎn)放入棧中。當(dāng)Q的鄰接像素均被訪問(wèn)后轉(zhuǎn)到Step3。

Step5最后輸出所有輪廓點(diǎn)為Bp,a。

組合后的結(jié)果公式為：Bp,c=Bp,i∪Bp,a-Bp,i。組合后的結(jié)果Bp,c去除了大部分的噪聲和紋理邊緣，同時(shí)保留了較為連續(xù)完整的輪廓，如圖2所示。由于最后的結(jié)果中還包含一些噪聲片段，需要進(jìn)一步處理，下面提出了根據(jù)馬爾可夫隨機(jī)場(chǎng)理論建立了一種模型來(lái)排除噪聲片段而保留輪廓片段。

2.2 基于馬爾可夫隨機(jī)場(chǎng)理論的輪廓概率圖模型

近年來(lái)，基于馬爾可夫隨機(jī)場(chǎng)理論的視覺(jué)信息處理得到了各界廣泛關(guān)注，由于人類(lèi)視覺(jué)感知過(guò)程存在很多不確定性，而馬爾可夫隨機(jī)場(chǎng)理論正是通過(guò)概率論的方法能夠很好地解決上述存在的問(wèn)題。所以，本文根據(jù)馬爾可夫隨機(jī)場(chǎng)理論提出了一種判斷方法來(lái)區(qū)分噪聲片段和輪廓片段這種視覺(jué)上的不確定性。如圖3所示，f1是輪廓片段，f2是噪聲片段，由于它們的長(zhǎng)度相差很小，但位置不同。如果直接除去較短的邊緣片段，那么想要保留的弱輪廓片段f1也被排除了，從而造成結(jié)果圖的不連續(xù)。馬爾可夫隨機(jī)場(chǎng)是由隨機(jī)變量構(gòu)成的無(wú)向圖，描述了像素點(diǎn)之間的空間相關(guān)性，馬爾可夫隨機(jī)場(chǎng)定義如下：首先給定無(wú)向量圖G(V,E),指明變量間的連接關(guān)系。再設(shè)隨機(jī)變量集合X={Xv,v∈V},狀態(tài)空間∧={1,2,…,L},Xv∈∧，狀態(tài)解空間：

Ω={ω=(Xv1,Xv2,…,Xvn):Xvi∈∧,1≤i≤n，則稱(chēng)X是一個(gè)馬爾可夫隨機(jī)場(chǎng)，只有[16]:

(1)P(X=ω)>0時(shí)，對(duì)所有ω∈Ω；

(2)P(XiXj,j≠i)=P(XiXj,j∈N(Xi))。

式中，N(Xi)代表點(diǎn)i的鄰域點(diǎn)的集合。變量Xi,j的概率分布獨(dú)立于其他點(diǎn)只取決于它相鄰點(diǎn)。在這里我們把圖像看作馬爾可夫隨機(jī)場(chǎng)，建立圖像概率模型，則圖像中任何一點(diǎn)的像素都可以通過(guò)該點(diǎn)的鄰域來(lái)進(jìn)行計(jì)算。具體地，對(duì)于Bp,c中的每一條輪廓f,其輪廓概率定義為：

(21)

式中，length(·)代表求取輪廓長(zhǎng)度，fmax表示Bp,c中的最長(zhǎng)輪廓。之后定義輪廓點(diǎn)概率，表示為：

(22)

(23)

式中，U(x,y,q)代表輪廓點(diǎn)(x,y)的q鄰域。由此可知該點(diǎn)周?chē)休喞怕实募訖?quán)平均為該點(diǎn)的輪廓概率。圖3中的邊緣f2的附近周?chē)鷽](méi)有其他輪廓存在，因此f2上的輪廓點(diǎn)的概率值比較低。相反f1周?chē)嬖谥L(zhǎng)輪廓，因此點(diǎn)的概率高。f1和f2的長(zhǎng)度雖然幾乎相同但是它們點(diǎn)的概率值完全不同，所以可以去除f2，進(jìn)而保留f1。

通過(guò)式(22)得到p(x,y,q)后，根據(jù)實(shí)際情況設(shè)定閾值Tp來(lái)對(duì)p(x,y,q)進(jìn)行最后的處理，最終輪廓輸出為：

Bp,c=p(x,y,q)>Tp

(24)

圖3 輪廓和噪聲片段的比較

2.3 算法流程

輪廓檢測(cè)算法流程如圖4所示。首先利用式(1)計(jì)算灰度圖像的高斯梯度，得到梯度幅值，再根據(jù)式(10)得到各向同性周邊抑制參量，并通過(guò)不同的抑制參數(shù)作用各向同性周邊抑制參量上，根據(jù)式(15)得到輸出響應(yīng)，接著對(duì)輸出的各級(jí)響應(yīng)進(jìn)行后處理，得到邊緣響應(yīng)集合；之后計(jì)算所有邊緣響應(yīng)的交集和并集，根據(jù)交集和并集理論，結(jié)合邊緣生長(zhǎng)過(guò)程控制思想，提出了一種改進(jìn)的組合方法；最后根據(jù)馬爾可夫隨機(jī)場(chǎng)理論建立輪廓概率模型，對(duì)輸出的圖像進(jìn)行最后的優(yōu)化處理。

圖4 輪廓檢測(cè)方法

3 實(shí)驗(yàn)分析與性能評(píng)估

3.1 輪廓檢測(cè)圖的比較

從圖5中看出，新算法檢測(cè)的輪廓最好，含有的背景冗余信息最少，而傳統(tǒng)的輪廓檢測(cè)算法，例如Canny算法檢測(cè)的是圖像中幾乎所有的邊緣，因?yàn)槠洳](méi)有考慮空間上點(diǎn)與點(diǎn)之間的相互作用，因此不能區(qū)分出紋理性邊緣和目標(biāo)輪廓。DOG算法使用的濾波器的結(jié)構(gòu)是圓環(huán)型的，會(huì)造成本身的自抑制現(xiàn)象，雖然去除了部分的背景紋理，但是由于自抑制現(xiàn)象使其目標(biāo)輪廓不連續(xù)。改進(jìn)的各向同性算法一定程度上避免了自抑制現(xiàn)象，在抑制紋理性邊緣和保護(hù)若輪廓方面的性能有了很大提高，但是該算法的組合方法任然存在改進(jìn)的地方，且對(duì)噪聲邊緣沒(méi)作進(jìn)一步的處理。新算法的輪廓檢測(cè)圖中，在抑制紋理、保護(hù)弱輪廓和去除噪聲等方面的效果明顯優(yōu)于其他算法，輪廓邊界更清晰，檢測(cè)效果最好。

圖5 四種算法的輪廓檢測(cè)比較圖

3.2 輪廓檢測(cè)性能的評(píng)估

為客觀地評(píng)價(jià)本文算法與其他三種算法的優(yōu)越性，便于定量分析，定義了輪廓檢測(cè)性能[14]，公式如下：

(25)

M=max(card{DC},card{GT})

(26)

式中，DC表示檢測(cè)到的輪廓像素集合，GT為真實(shí)輪廓像素集合，card{*}用來(lái)計(jì)算*中集合的點(diǎn)數(shù)，dGT為GT的距離變換，d0是一個(gè)尺度參數(shù)，由于人類(lèi)可以繪制輪廓的位置精度為2個(gè)像素，所以本文設(shè)置d0=2。該算法的檢測(cè)性能是采用Grigorescu圖像庫(kù)[11]中的50幅圖像來(lái)衡量的，檢測(cè)性能F限定在0到1之間，F(xiàn)的值越大檢測(cè)性能越好，所檢測(cè)出的輪廓越接近真實(shí)輪廓。本算法中主要涉及到抑制水平α和分位數(shù)p兩個(gè)參數(shù)，下面繪制α-F和p-F曲線來(lái)觀察本算法和其他算法[5,7,9,13]的檢測(cè)性能，見(jiàn)圖6、圖7。

圖6 抑制參數(shù)對(duì)檢測(cè)性能的影響

圖7 分位數(shù)p對(duì)檢測(cè)性能的影響

從圖6可以看出，本文算法的檢測(cè)性能明顯優(yōu)于各向同性算法，同時(shí)可以觀察到對(duì)于各向同性算法當(dāng)α>2.5時(shí)自抑制明顯，而對(duì)于本文算法α>3時(shí)，自抑制作用才明顯。圖7是在σ不變的條件下繪制的F隨p

的變化。圖像中的邊緣點(diǎn)的個(gè)數(shù)由p決定，p越大輪廓點(diǎn)數(shù)也越大。從圖7觀察到，大多數(shù)情況下本文的算法明顯比其他3種算法的檢測(cè)性能好。由于p接近零時(shí)，大部分弱輪廓被舍棄，而強(qiáng)輪廓被保留，所以本文算法的輪廓檢測(cè)性能略有下降。但在實(shí)際應(yīng)用中，p的這種極端取值情況一般不予考慮。

4 結(jié) 語(yǔ)

新的輪廓檢測(cè)算法，將多級(jí)抑制引入到改進(jìn)的各向同性抑制模型中，同時(shí)利用改進(jìn)的組合方法對(duì)單級(jí)抑制水平進(jìn)行整合，去除了大量的強(qiáng)紋理，克服了人為輸入抑制參數(shù)和自抑制的問(wèn)題。之后根據(jù)馬爾可夫隨機(jī)場(chǎng)理論建立輪廓概率模型，很好地保護(hù)了弱輪廓。這樣有效地去除了強(qiáng)紋理同時(shí)保護(hù)了弱輪廓，使得自然圖像輪廓更加清晰連續(xù)，輪廓檢測(cè)性能得到了優(yōu)化。新算法簡(jiǎn)單、高效，通過(guò)定量和定性實(shí)驗(yàn)分析，該算法是可行的，并且優(yōu)于其他3種輪廓檢測(cè)算法。

[1] Lui L M,Zeng W,Yau S T,et al.Shape Analysis of Planar Multiply-connected Objects using Conformal Welding[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2014,36(7):1384-1401.

[2] Li H,Yezzi A.Local or global minima:flexible dual-front active contours[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2007,29(1):1-14.

[3] Kovesi P.Image features from phase congruency[J].Journal of Computer Vision Research,1999,1(3):1-26.

[4] 沈志熙,代東林,趙凱.基于多特征分步模糊推理的邊緣檢測(cè)算法[J].電子科技大學(xué)學(xué)報(bào),2014,43(3):381-387.

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

[6] Ursino M,La Cara G E.A model of contextual interactions and contour detection in primary visual cortex[J].Neural Networks Archive,2004,17(5-6):719-735.

[7] Sang N,Tang Q L,Zhang T X.Contour detection based on inhibition of primary visual cortex[J].Journal of Infrared and Millimeter Waves,2007,26(1): 47-51.

[8] Long L,Li Y.Contour detection based on the property of orientation selective inhibition of non-classical receptive field[C]//IEEE Conference on Cybernetics and Intelligent Systems.IEEE,2008:1002-1006.

[9] Grigorescu 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.

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

[11] Daugman J G.Uncertainty relation for resolution in space,spatial frequency,and orientation optimized by two-dimensional visual cortical filters[J].Journal of the Optical Society of America A Optics & Image Science,1985,2(7):1160-1169.

[12] Kruizinga P,Petkov N.Nonlinear operator for oriented texture[J].Image Processing IEEE Transactions on,1999,8(10):1395-1407.

[13] Papari G,Petkov N.An improved model for surround suppression by steerable filters and multilevel inhibition with application to contour detection[J].Pattern Recognition,2011,44(9):1999-2007.

[14] 杜曉鳳,李翠華,李晶.基于復(fù)合感受野的輪廓檢測(cè)算法[J].電子與信息學(xué)報(bào),2009,31(7):1630-1634.

[15] 王捷,莫燦林,曹?chē)?guó)惠.一種基于種子生長(zhǎng)的可控邊緣檢測(cè)法及評(píng)價(jià)方案測(cè)法及評(píng)價(jià)方案[J].浙江理工大學(xué)學(xué)報(bào),2010,27(5):738-744.

[16] Xu X M,Qiao Y L.Dynamic Textures Segmentation Based on Markov Random Field[C]//Second International Conference on Instrumentation,Measurement,Computer,Communication and Control.IEEE Computer Society,2012:940-943.

CONTOURDETECTIONALGORITHMBASEDONMARKOVMODELOPTIMIZEDNON-CLASSICALRECEPTIVEFIELD

Hu Yulan Liu Yang

(SchoolofInformationScienceandEngineering,ShenyangLigongUniversity,Shenyang110159,Liaoning,China)

We present a new algorithm based on isotropic inhibition effect of non-classical receptive field. First, the proposed algorithm introduced multilevel surround suppression into isotropic detection method. Secondly, an improved combination method based on set theory and the idea of edge growth control was proposed, which had solved the influence of the suppression parameter on contour detection. Finally, according to the theory of Markov random field, we established contour probability model, and got the output contour. The experimental results show that the new algorithm has high precision and is superior to the traditional method.

Contour detection Non-classical receptive field Markov random field theory Multilevel surround inhibition

TP391

A

10.3969/j.issn.1000-386x.2017.09.057

2016-07-08。國(guó)家自然科學(xué)基金項(xiàng)目(61373089)。胡玉蘭，教授，主研領(lǐng)域：圖像信息處理，模式識(shí)別，人工智能。劉陽(yáng)，碩士生。