基于神經元顏色拮抗與動態編碼的輪廓檢測方法

胡鈞皓 范影樂 李康群 武 薇

（杭州電子科技大學模式識別與圖像處理實驗室，杭州 310018）

基于神經元顏色拮抗與動態編碼的輪廓檢測方法

胡鈞皓 范影樂?李康群 武 薇

（杭州電子科技大學模式識別與圖像處理實驗室，杭州 310018）

基于神經元的顏色拮抗特性及神經元群體的動態編碼機制，實現對圖像的輪廓檢測。模擬視皮層下神經元的顏色單拮抗特性，引入單拮抗感受野的動態調節機制，以充分響應顏色邊界和亮度邊界；利用單細胞的樹突極性分布，構建初級視皮層的雙拮抗神經元網絡，實現對特定方位的視覺刺激響應，有效提取目標輪廓；在神經元的群體感受野內，考慮神經元的動態突觸連接，融合單細胞的脈沖頻率響應，實現對紋理信息的抑制作用。以BSDS500圖庫的圖像為實驗對象，結果顯示該方法在提取主體輪廓的過程中能有效抑制紋理信息，其對100幅圖像最佳檢測結果的P值指標均值和標準差為0.58±0.04，相對CORF和CO等其他對比方法，可提高輪廓提取的準確率。所提出方法可有效實現圖像的輪廓檢測，為利用顏色信息以及神經元之間的動態編碼、實現更高級皮層的圖像理解或者視覺認知提供新的思路。

輪廓檢測；顏色拮抗；方向選擇；動態編碼

引言

輪廓是視覺目標的關鍵特征信息，對于目標檢測以及圖像理解等后續視覺感知計算具有重要意義［1］。傳統基于數學模型的輪廓檢測算法（如Canny［2］等算子）計算過程簡單快速，但完全弱化了視覺感知過程，并不能有效區分目標輪廓和背景紋理。近年來，人們認識到視覺信息流傳遞和處理機制在輪廓感知中的重要性，例如有研究簡單模擬視皮層的簡單細胞感受野，利用二維Gabor函數來提取邊緣信息［3］；還有研究根據初級視皮層感受野周邊抑制的響應機制［4］，利用方向或尺度特征自適應調整非經典感受野的抑制區和去抑制區，在抑制紋理背景的同時凸顯輪廓［5］。另外有研究利用顏色拮抗特性［6］，來提高對輪廓的感知能力，適用于單一特征圖像的輪廓檢測。需要指出的是，上述方法未能從視覺感知系統層面體現信息流傳遞和處理的協同作用，而且它們大多關注于黑箱意義上的神經元響應統計特性，忽視了動態突觸連接等內在特性。因此本研究提出一種基于視覺信息編碼機制的輪廓檢測新方法，首先給出一種視皮層下的顏色單拮抗感受野動態調節機制，實現顏色和亮度邊界的自適應響應；然后引入單細胞的樹突極性分布，構建一種能夠反映初級視皮層顏色和空間雙拮抗特性的神經元網絡；接著給出了一種突觸連接的動態調整策略，融合單細胞的脈沖頻率響應進行編碼，實現對紋理信息的抑制作用；最后通過非極大值抑制和滯后閾值處理，得到精細的輪廓圖。

1 材料與方法

1.1 材料

以圖像分割數據庫（Berkley Segmentation Data Set，BSDS500）［7］為實驗對象，該數據庫包含了 200幅自然場景的彩色圖像，每一幅圖像對應若干幅標準輪廓圖（若干人工繪制結果）。將本研究算法的輪廓檢測結果同標準輪廓進行比對，取平均準確率作為算法有效性的評價指標。

1.2 基本原理

1.2.1 視皮層下的單拮抗感受野

視網膜是視覺通路的起點，視網膜中有三種不同光譜敏感性的視錐，經不同波長光子刺激，分別對紅綠藍顏色信息進行采樣。之后，信息沿著視覺通路經過神經節細胞和外膝體，完成信息的中繼傳遞。其中，神經節細胞和外膝體的顏色神經元稱為單拮抗（single-opponent，SO）神經元，作為初級視皮層的前級信息處理環節，有相似的感受野結構和顏色拮抗機制［8］，都呈現單拮抗的輸出方式并對顏色和亮度分離起到重要作用，現將其合并為一層（統稱為視皮層下）來對視覺輸入進行處理。

以中心-外周型顏色單拮抗感受野為建模對象，并利用雙高斯差函數來描述單拮抗響應。構建兩個不同尺度的高斯函數，分別與顏色對立的兩個通道卷積之差作為視皮層下的顏色單拮抗輸出，有

式中：x，y表示二維視覺的空間坐標，m/n分別代表R+ /G-、G+ /R-、B+ /Y-、Y+ /B-等4 種類型的顏色單拮抗；G1（x，y）與G2（x，y）為前述兩個不同尺度的高斯函數，表示視錐細胞的輸入權重，相應尺度σ1與σ2分別代表中心-外周型顏色單拮抗感受野的中心區和外周區尺寸。

考慮到顏色和亮度都是圖像邊界的重要屬性，在光強較低的區域，顏色信息更能體現輪廓與背景紋理的區分性，而在光強較高的區域，亮度信息有助于區分輪廓與背景紋理。因此本研究在視皮層下的顏色單拮抗感受野基礎上，提出了一種基于局部亮度信息的動態調節模型。具體策略為：在圖像局部亮度較低的區域，視錐細胞只響應顏色信息則有相似的輸入權重；在局部亮度較高的區域，視錐細胞響增大對亮度的響應則有不同的輸入權重。由此給出視皮層下神經元單拮抗感受野動態調節的初始定義，具體如下：

式中，k為動態調節因子。

在亮度較低區域k→1，感受野的中心區和外周區重合，單拮抗模型充分發揮顏色對邊界的響應，亮度信息不響應，此時顏色單拮抗感受野變為單中心型；在亮度較高區域k→0，感受野外周區顯著大于中心區尺寸，模型將更多體現亮度對邊界的響應。具體操作時，可先獲取亮度通道L（x，y），然后統計局部亮度平均值，并將其歸一化結果作為自適應調節因子Lavg（x，y），具體表示為

式中，Lavg（x，y）為局部亮度平均值，ws是局部方窗R的窗長，Lmax是亮度通道中局部亮度均值的極大值。考慮到外周區感受野的最大半徑一般約為中心區的2倍［9］，因此將k的最小值修正為0.5。利用一個改進的sigmoid函數對動態調節因子進行約束，具體表示為

1.2.2 初級視皮層的雙拮抗感受野

圖像經視皮層下神經元處理形成4個顏色通道進入初級視皮層V1區，該區的顏色神經元稱為雙拮抗（double-opponent，DO）神經元，具備了顏色空間雙拮抗特性［10］，它能同時接收顏色信息與視覺空間信息，通過感受野內神經元放電頻率的響應來區分興奮與抑制區域，即V1區的感受野呈朝向選擇特性［11］，神經元對顏色信息在特定方位的視覺刺激具有最大響應，以此來捕獲目標的輪廓信息。

對視皮層的研究發現，若干外膝體神經元的感受野按特定方位進行排列，且輸入到同一個視皮層神經元，實現對外膝體感受野排列的方向選擇［12］；而視皮層神經元通過放射狀樹突接收視皮層下外膝體的視覺響應［13］。因此視覺信息在傳遞過程中，視皮層的方向選擇特性與視皮層神經元樹突的分布形式有著密切聯系，分布模型如圖1所示。

圖1 神經元樹突分布模型Fig.1 Distribution model of neuron dendrites

神經元樹突的接收極性具有不同方位的朝向性分布，以此來模擬初級視皮層輸入權重相等的雙拮抗感受野結構。以0°和45°方位為例，在圖2給出感受野的樹突極性分布，其具體計算方法如下：

式中，（x，y）是單細胞感受野RF內的坐標，同理可以得到其他方位的樹突極性分布計算方法。

圖2 樹突極性分布（0°和45°方位），其中 a、b、c 方塊分別表示興奮性樹突、抑制性樹突以及零接收樹突Fig.2 The distribution of dendritic polarity（0 degrees and 45 degrees），in which the red，blue and gray squares are expressed as excitatory dendrites，inhibitory dendrites and zero receiving dendrites

通過上述樹突極性的分布，可以形成0°、45°、90°、135°、180°、225°、270°、315°這 8 個方位的單細胞感受野，同時以敏感方位為界限將感受野分為興奮性樹突接收區域和抑制性樹突區域，并且最優方位上的樹突不接收視覺刺激。

本研究選取基于漏積分放電（leaky integrateand-fire，LIF）模型來構建點陣神經元網絡，結合神經元的放射狀樹突結構與感受野特性，將單細胞感受野內所有樹突接收的外界激勵綜合作為模型輸入，同時以包含輪廓強度信息的脈沖發放頻率對外界視覺激勵進行編碼。具體模型如下：

式中：v是神經元膜電壓，cm是膜電容，gl是漏電導；Ixy是與圖像坐標（x，y）對應的神經元激勵電流，將視皮層下顏色單拮抗感受野的動態響應結果進行歸一化，作為初級視皮層神經元的視覺刺激；SRF表示初級視皮層的單細胞感受野，δxy是感受野范圍內的神經元樹突接收極性，取值為1、-1、0，分別表示興奮性樹突、抑制性樹突以及零接收樹突；vth為脈沖發放閾值，vreset為靜態電勢，ref為絕對不應期，vG為脈沖發放峰值。

當v大于vth時，神經元脈沖發放達到vG，同時v又被瞬間重置為vreset，開始進入絕對不應期。視覺信息經點陣神經元網絡的放電編碼后，將帶有朝向和空間的信息傳遞給更高級的視皮層。

1.2.3 視皮層神經元群突觸連接的動態編碼

點陣神經元網絡有效捕捉了視覺刺激中的顏色對比信息和方位信息，然后高級視皮層通過融合不同優勢朝向的信息來捕獲輪廓。但視覺信息中各個局部區域以單個神經元的方式獨立編碼，而沒有考慮神經元間的相互連接作用，導致處理后的輪廓呈現斷裂，甚至部分輪廓的丟失，如圖3所示。

圖3 單細胞脈沖頻率編碼結果，在圖像左邊出現了輪廓斷裂，圖像中部有部分輪廓的丟失Fig.3 The results show that the single cell pulse frequency coding results in a contour break on the outline and a missing on the left side of the image

研究發現，視皮層的V4區能夠對輪廓片段產生反應，通過對輸入信息的整合，形成協調的認知輪廓。于是本研究在視皮層神經元的群體感受野范圍內對單細胞的脈沖頻率信息進行同步整合，神經元間經動態的突觸連接形成互連網絡［14］，通過同步放電顯著增加視覺信息的編碼量［15-16］，實現對輪廓信息的編碼。

首先，本研究設定神經元群體感受野的半徑為單細胞感受野的 4/5［17］；其次，每個細胞之間的相互作用依賴于神經突觸的動態連接［18］，從而提高對視覺信息的同步整合能力。本研究在群體感受野范圍內，從各細胞間的空間距離和脈沖頻率輸出的差異性兩個方面實現對動態突觸的定義：突觸連接作用隨單細胞之間距離的增大以及脈沖輸出差異性的增大而減小，具體如下：

式中，synapse（x，y）是動態突觸權值，sconst是突觸調節常數，表示群體感受野中周邊神經元與中心神經元的距離，表示群體感受野周邊神經元與中心神經元的脈沖頻率差異，GRFr是群體感受野的半徑，ΔF是群體感受野內最大脈沖頻率輸出和最小脈沖頻率輸出的差值。

突觸的作用方式為，動態突觸權值在群體感受野范圍內與單細胞脈沖頻率輸出進行卷積運算，有

式中，GroFirech，dir（x，y）是特定顏色拮抗通道在特定敏感方位的神經元群動態編碼結果，sinFirech，dir（x，y）是特定顏色拮抗通道在特定敏感方位的單細胞脈沖頻率編碼輸出，dir＝1，2，…，8是敏感方位的索引，ch∈ ｛RG，GR，BY，YB｝ 是顏色拮抗通道。

神經元間信息的傳遞被認為是輪廓提取的基礎，通過動態突觸的連接作用改變信息處理的能力，即在圖像的輪廓區域，使神經元進入興奮狀態，增強神經元間的突觸連接，對整個區域回路輸出興奮性神經沖動；相反，在圖像的背景紋理區域，對整個區域回路輸出抑制性性神經沖動。最后，實現了神經元群體對圖像信息的同步整合，在保留主體輪廓信息的同時，彌補了單細胞點陣神經元網絡編碼結果中的輪廓斷裂和丟失。

1.3 算法檢測流程

根據視覺通路上不同的組織結構對視覺信息不同的處理與分析能力，對輪廓檢測系統做如下描述：

1）根據視皮層下神經元的顏色單拮抗特性，引入單拮抗感受野的動態調節機制，以充分響應顏色邊界和亮度邊界，實現輪廓信息的中繼傳遞；

2）基于初級視皮層神經元顏色空間雙拮抗特性，根據神經元樹突朝向性分布的特點，模擬雙拮抗感受野的結構，實現對特定方向的輪廓檢測；

3）根據高級視皮層融合不同優勢朝向信息來捕獲輪廓的特性，神經元間經動態的突觸連接形成互連網絡，從而實現對輪廓的融合編碼；

4）將最終的輪廓響應經非極大值抑制和閾值處理，得到輪廓二值圖。

以R+/G-顏色拮抗通道為例，算法執行流程如圖4所示。

具體檢測流程如下所述：

步驟1：根據視網膜錐細胞對顏色的光譜敏感性，將輸入的彩色圖像Ic（x，y）（x＝1，2，…，m；y＝1，2，…，n）分離為R（x，y）、G（x，y）、B（x，y）、Y（x，y）4 個顏色分量，其中Y（x，y）＝（R（x，y）+G（x，y））/2，并獲取亮度通道L（x，y），然后統計局部亮度平均值。

步驟2：根據式（1）計算顏色單拮抗感受野的響應值，并且按照式（3）、（4）描述單拮抗感受野動態調節方法，對式（2）所示的高斯權值進行局部修正，實時作用于式（1）的計算過程，最終得到視皮層下顏色單拮抗感受野的動態響應結果 SORG（x，y）、SOGR（x，y）、SOBY（x，y）、SOYB（x，y）。

圖4 輪廓檢測方法流程Fig.4 Flow chart of contour detection method

步驟3：基于視皮層單細胞感受野的方向選擇特性，按照式（5）、（6）以及樹突極性分布模型，形成8個不同敏感方位單細胞感受野的樹突接收權值，并以樹突極性標記為δxy，θ，θ＝0°，45°，90°，135°，180°，225°，270°，315°。

步驟4：根據原始圖像Ic（x，y）的大小構建相同尺寸的點陣神經元網絡SN（x，y），且每個神經元在其單細胞感受野SRF（11×11）內通過放射狀樹突接收上一級神經元的視覺激勵。其中，每個神經元單細胞采用式（7）所示的LIF神經元模型，分別將步驟3得到的8個單細胞感受野的樹突接收權值代入模型，并將步驟2中4個顏色單拮抗感受野的動態響應結果進行歸一化，分別以激勵電流的形式輸入到點陣神經元網絡。

步驟5：在一個響應周期內，計算SN（x，y）每個神經元的脈沖發放頻率，得到4個拮抗通道在8個敏感方位上的單細胞脈沖頻率輸出 sinFirech，dir（x，y），方位索引 dir＝1，2，．．．，8 與前文θ＝0°，45°，90°，135°，180°，225°，270°，315°相對應；ch ∈｛RG，GR，BY，YB｝。

步驟6：構造神經元的群體感受野GRF（9×9），并在群體感受野范圍內通過式（8）所描述的動態突觸作用，使得點陣神經元中的單細胞互連形成神經元群體。然后按照式（9）將點陣神經元單細胞的脈沖頻率輸出 sinFirech，dir（x，y）融合為互連神經元網絡的編碼結果 groFirech，dir（x，y）。

步驟7：利用式（10）選取各個方位下編碼結果的最大值作為該通道下的最終輪廓響應COGFch（x，y），同樣利用式（11）選取各個顏色拮抗通道的最大值作為最終輪廓響應 COGF（x，y），有

步驟8：通過非極大值抑制和滯后閾值處理得到二值化的單像素輪廓結果。

1.4 算法驗證

為了定量評估本研究方法的性能，利用Grigorescu等提出的輪廓評價指標［19］來進行評估。由于檢測到的輪廓像素點并不完全與標準輪廓圖的像素點重合，因此只要檢測得到輪廓像素點出現在標準輪廓像素5×5領域內，就認為該輪廓點檢測正確。定義ED和EGT分別為算法檢測到的輪廓像素集和基準輪廓像素集，則算法正確檢測到的像素集為E＝ED∩（EGT8T）（8為膨脹操作，T為5×5的結構單元）；錯誤檢測到的像素集為EFP＝EDE；漏檢的像素集為EFN＝EGT-（EGT∩（ED8T）。算法性能評價指標誤檢率eFP、漏檢率eFN和整體性能指標P可通過式（12）～（14）計算得到。

為了證明本研究算法的優越性，選取經典的邊緣檢測算法和主流的幾種基于視覺機制的輪廓檢測方法與本研究算法進行比對分析。首先，選取經典的Canny算法來作為對比方法，證明本研究方法的有效性；其次，選取文獻［20］提出的模擬初級視皮層方向選擇特性的二維高斯導函數模型（DG）作為對比方法，體現本研究方法中神經元網絡具備的電生理學優勢；再選取文獻［21］提出的基于外膝體感受野排列組合的輪廓檢測模型（CORF），證明本研究方法中視皮層下顏色動態拮抗特性對輪廓提取的有用性；最后為了體現本研究方法中神經元網絡的編碼效應，選取文獻［6］提出的僅考慮顏色拮抗的輪廓檢測模型（CO）進行對比。實驗中對不同的模型選取不同的參數組合，依據各個模型的特點，Canny算法沒有σ參數，對DG和CORF方法選定σ＝［3.0∶0.5∶5.0］共5組參數，對CO和本研究方法選定σ＝［1.0∶0.5∶3.0］共5組參數。為了與二值化的標準輪廓圖比較，對本方法和對比方法得出輪廓灰度圖進行標準非極大值抑制提取單像素輪廓，然后用滯后門限法進行二值化處理［19］，得到最終輪廓。在滯后閾值處理中，取上限閾值t＝［0.1∶0.1∶1.0］共10組參數，并且設定下限閾值為0.5t。因此Canny算法可得到10組測試參數，其余方法可得到50組測試參數，并對最優檢測結果進行對比分析。

2 結果

圖5給出部分圖像測試后的結果。Canny檢測算法基于梯度法來進行邊緣檢測，無法抑制圖像中的簡單背景與紋理，并在輪廓細節區域存在過檢測且不利于圖像的觀察，如圖（a）和（b）等，但該方法的優點是邊緣定位準確，從而漏檢像素點最少，如圖（c）；DG方法直接利用高斯導函數和閾值處理進行輪廓檢測，無法有效抑制背景對輪廓的影響，導致在輪廓周圍形成大量毛刺，并且對輪廓的檢測存在很多的漏檢，如圖（b），另外在存在陰影遮擋和細節的區域，檢測效果也很不理想，如圖（d），但該方法的優點是具有較快的檢測效率；CORF方法考慮方向選擇特性的組合形成機制，所以對輪廓較為單一、顏色區分較大以及細節的處理上具有不錯的效果，如圖（a）和（c），但是對于顏色區分不大或者顏色繁多的圖像時，對輪廓的區分能力明顯下降，如圖（d）和（e），導致輪廓的丟失與誤檢；CO方法相比與另外兩種方法輪廓檢測的效果要好得多，該方法考慮了顏色信息對彩色圖像輪廓提取的關鍵作用，所以通過圖（d）和（e）來和CORF方法進行比較，具有不錯的檢測效果，但是該方法沒有考慮到神經元群動態編碼對輪廓信息的電生理學基礎作用，導致過分關注主體輪廓的完整性而忽視了細節的凸顯和對紋理方面的抑制，如圖（c）和（e），存在過多漏檢和誤檢；綜合來看，本研究方法不僅考慮了顏色拮抗特性，而且考慮了方向選擇特性的組合響應機制以及神經元群體編碼效應，使得在處理顏色豐富和陰影區域時能準確凸顯出輪廓，如圖（d）和（e），在背景復雜、紋理和細節交織的區域，同樣也能較好地提取輪廓，但是該方法的缺點是在凸顯細節的過程中，對紋理邊緣的抑制作用不夠，導致圖像無法保持較高的純凈度，如圖（c）和（d）。將5種方法進行對比，本研究方法的檢測效果最優。

運用式（12）～（14）對圖5中檢測圖像的結果進行定量計算，取各個方法的最優參數設置，計算結果如表1所示。其中誤檢率漏檢eFP越小，表明檢測結果具有更少的背景紋理；漏檢率漏檢eFN越小，說明檢測結果保留了更多的主體輪廓，因此當誤檢率和漏檢率趨向于0，整體性能P趨向1，表明該算法檢測效果更優，檢測輪廓圖更接近于標準輪廓圖。

圖5 部分圖像測試結果（第1行為原始圖像；第2行為標準輪廓圖像；第3行為Canny算子的處理結果；第4行為DG模型的處理結果；第5行為CORF模型的處理結果；第6行為CO模型處理結果；第7行為本方法處理結果）。（a）鵝；（b）飛機；（c）房屋；（d）金字塔；（e）船Fig.5 Image test results（The first row is the original image；the second row is the ground truth；the third row is result of Canny；the fourth row is result of DG；the fifth row is result of CORF；the sixth row is result of CO；the seventh row is result of proposed method）.（a）Goose；（b）Plane；（c）House；（d）Pyramid；（e）Boat

從表1中可知，表中的定量計算結果與前述對圖5的定性描述所吻合。Canny方法的漏檢率最小、誤檢率極大，對稍有紋理或細節區域就存在過檢測現象導致檢測效果差，但是對于圖像表面光滑、紋理稀少的區域能夠精確定位邊緣，如圖（c），整體性能P是最優的；DG方法的誤檢率和漏檢率相對都較大，可見對輪廓的提取效果不理想，只有對較為簡單的圖像才有效果，如圖（b）；CORF方法相對DG方法在神經元的方向選擇特性上進行了提升，所以檢測效果將優于DG方法，但是當面對顏色豐富、存在陰影和色偏的圖像時，它的誤檢率就大幅提升，如圖（c）和（d），導致P值不理想；CO方法的檢測效果要優于前兩種方法，可能是因為它考慮了顏色的拮抗特性，而它的不足在于算法性能的不穩定性，雖然有很低的漏檢率，但是誤檢率過高影響了整體性能；本研究方法的漏檢率和誤檢率相對平衡，從而對輪廓的凸顯能力最優。另外，本研究從BSDS500圖庫中選擇了100幅測試圖像進行實驗，其最佳檢測結果的P值指標均值和標準差為0.58±0.04，可見本研究方法對多幅圖像都具有較好的檢測結果，且結果較穩定。

3 討論

從以上實驗結果看出，不管從主觀還是客觀方面分析，本研究算法對輪廓檢測的能力都較優，特別是當面對顏色豐富、存在陰影和色偏的圖像，以及在背景復雜、紋理和細節交織的區域，都能較好地提取輪廓。

表1 圖5所示圖像對應的參數設置及性能指標Tab.1 Parameter set and performance index of detect results in Fig.5

本研究在模擬視皮層下神經元單拮抗感受野特性時，考慮了顏色和亮度在區分輪廓時的關系，提出了一種基于局部亮度信息的動態調節模型，從而更大程度上獲取真正的圖像輪廓；另外，考慮到視皮層方向選擇特性與視皮層神經元樹突分布形式間的密切聯系，提出了神經元樹突極性的分布模板，從而保護真實輪廓不受破壞，進而能夠準確定位；最后，考慮到高級視皮層通過融合不同優勢朝向的信息來捕獲輪廓，提出了動態突觸連接的神經元網絡模型，進而彌補斷裂輪廓，凸顯輪廓細節。

相比于其他方法，Canny方法沒有利用生物視覺進行輪廓檢測，所獲得的目標輪廓普遍存在著過檢測現象，對紋理背景的抑制極差，缺乏穩定性；DG方法只考慮了方向敏感特性，在凸顯整體輪廓的過程中忽視了對輪廓細節的考慮，使得誤檢率小但漏檢率過大；CORF方法在方向選擇上相對DG方法進行了提高，但是沒有考慮視通路前后環節之間的相互作用，以及對顏色這一信息的利用，使得誤檢率和漏檢率都不理想；CO算法只考慮了神經元的顏色拮抗特性，忽視了神經元網絡及其群體編碼效應，使得在輪廓細節的表現上較差；本研究方法所獲得的目標輪廓更加完整，輪廓線更加平滑與連續，整幅圖像更加純凈，表明本研究方法能有效區分主體輪廓與背景紋理，提高輪廓檢測的準確率。

所做的研究與創新如下：

1）提出了一種基于神經元顏色拮抗與動態編碼的輪廓檢測新方法。研究了視網膜視錐細胞、神經節細胞和外膝體對顏色單拮抗感受野的動態調節機制，初級視皮層的方位及空間選擇特性，及視皮層神經元群突觸連接的信息編碼等重要視覺機制對于視覺輪廓信息處理能力的作用，突出了生物視覺系統信息處理能力的應用研究。

2）實現了一種模擬視覺信息處理機制的圖像輪廓檢測具體應用。結合視皮層下細胞對顏色單拮抗感受野的動態調節機制，構建特定朝向敏感的神經元網絡；對網絡脈沖輸出序列進行首次放電時間編碼，形成具有朝向信息的敏感圖像；再將敏感圖像通過動態突觸連接的神經元網絡，彌補斷裂輪廓，凸顯輪廓細節，通過融合不同方向響應，生成最優朝向的響應圖像；最后進行閾值處理，得到最終輪廓圖像。

3）為如何利用視皮層下和視皮層顏色拮抗特性及動態突觸編碼進行圖像處理，或者是后續的圖像分析和理解提供了新思路。以BSDS500圖像分割數據庫為例，強調視皮層下顏色單拮抗感受野的動態調節機制對視覺信息的預處理，利用神經元樹突在方向性感受野形成中的重要作用，構建具有特定方向敏感的神經元網絡，再將視皮層對方向信息的融合、神經元突觸間的動態連接等重要特性考慮進來，構建視皮層功能層，不僅能夠有效凸顯圖像輪廓信息，還能盡可能抑制背景紋理信息。

4 結論

本研究探討視覺通路上的組織結構對視覺信息不同的處理與分析能力，引入了視皮層下神經元的顏色拮抗特性、基于樹突極性分布的方向選擇響應機制以及初級視皮層雙拮抗神經元網絡的動態編碼機制，摒棄了黑箱意義上的神經元響應統計特性，從視覺感知系統層面出發，體現信息流傳遞和處理的協同作用的能力，提出了一種基于神經元顏色拮抗和動態編碼的輪廓檢測新方法。針對BSDS圖像庫中的圖像，與Canny、DG、CORF以及CO方法進行定性與定量比較，表明所提出的方法在圖像輪廓檢測上具有更佳的性能，檢測結果具有更加完整連續的目標輪廓，能有效剔除了背景紋理邊緣的干擾。這種基于神經元顏色拮抗與動態編碼的輪廓檢測新方法，為圖像輪廓檢測技術提供了新的方法，為后續的圖像分析和理解提供了新思路，對探討高級視皮層的視覺感知計算具有重要意義。

［1］ Papari G，Petkov N.Edge and line oriented contour detection：State of the art［J］.Image ＆ Vision Computing，2011，29（2）：79-103.

［2］ McIlhagga W. The Canny edge detectorrevisited ［J］.International Journal of Computer Vision，2011，91（3）：251-261.

［3］ Kamarainen J.Gabor features in image analysis［C］ //IEEE 2012 3rdInternational Conference on Image Processing Theory，Tools and Applications.Istanbul：IEEE，2012：13-14.

［4］ Ichida JM，Schwabe L，Bressloff PC，et al.Response facilitation from the“suppressive” receptive field surround of macaque V1 neurons［J］.Journal of Neurophysiology，2007，98（4）：2168-2181.

［5］ Zeng Chi，Li Yongjie，Yang Kaifu，et al.Contour detection based on a non-classical receptive field model with butterflyshaped inhibition subregions［J］.Neurocomputing，2011，74（10）：1527-1534.

［6］ Yang Kaifu，GaoShaobing，Li Chaoyi，et al.Efficient color boundary detection with color-opponent mechanisms［C］ //IEEE 2013 26th Conference on ComputerVision and Pattern Recognition.Portland：IEEE，2013：2810-2817.

［7］ Martin D，Fowlkes C，Tal D，et al.A database of human segmented natural images and its application to evaluating segmentation algorithms and measuringecological statistics［C］//IEEE 2001 8th International Conference on Computer Visual.Vancouver：IEEE，2001，416-423.

［8］ Solomon SG，Lennie P.The machinery of color vision［J］.Nature Reviews Neuroscience，2007，8（4）：276-286.

［9］ Xu Xiangmin，Bonds AB，Casagrande VA.Modeling receptivefield structure of koniocellular，magnocellular，and parvocellular LGN cells in the owl monkey（Aotustrivigatus）［J］.Visual Neuroscience，2002，19（6）：703-711.

［10］ Wang Qi，Spratling MW.Contour detection in color images using a neurophysiologically inspired model ［J］. Cognitive Computation，2016，8（6）：1027-1035.

［11］ Jin Jianzhong，Wang Yushi，Swadlow HA，et al.Population receptive fields of ON and OFF thalamic inputs to an orientation column in visual cortex［J］.Nature Neuroscience，2011，14（2）：232-238.

［12］ Wei Hui，Ren Yuan.An orientation detection model based on fitting from multiple localhypotheses ［C］ //International Conference on Neural Information Processing.Berlin：Springer，2012：383-391.

［13］ Purushothaman G，Marion R，Li K，et al.Gating and control of primary visual cortex by pulvinar［J］.Nature Neuroscience，2012，15（6）：905-912.

［14］ 廖進文，范影樂，武薇，等.基于抑制性突觸多層神經元群放電編碼的圖像邊緣檢測［J］.中國生物醫學工程學報，2014，33（5）：513-524.

［15］ Nirenberg S，Latham PE.Decoding neuronal spike trains：how important are correlations？ ［J］.Proceedings of the National Academy of Sciences，2003，100（12）：7348-7353.

［16］ Lin Longnian，Osan R，Shoham S，et al.Identification of network-level coding units for real-time representation of episodic experiences in the hippocampus［J］.Proceedings of the National Academy of Sciences，2005，102（17）：6125-6130.

［17］ 李瑤，李浩，龔海慶，等.神經節細胞群體同步放電模式編碼的感受野特性［J］.生物物理學報，2011，27（3）：211-221.

［18］ Venkataramani S，Taylor WR.Orientation selectivity in rabbit retinal ganglion cells is mediated by presynaptic inhibition［J］.Journal of Neuroscience，2010，30（46）：15664-15676.

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

［20］ Young R，Lesperance R.The Gaussian derivativemodel for spatial-temporal vision：II.Cortical data［J］.Spatial Vision，2001，14（3）：321-389.

［21］ Azzopardi G，Petkov N.A CORF computational model of a simple cell that relies on LGN input outperforms the Gabor function model［J］.Biological Cybernetics，2012，106（3）：177-189.

A Contour Detection Method Based on Color Opponent and Dynamic Coding of Neurons

Hu Junhao Fan Yingle?Li Kangqun Wu Wei
（Laboratory of Pattern Recognition and Image Processing，Hangzhou DianZi University，Hangzhou310018，China）

Based on characteristics of color opponent and dynamic coding mechanism of neuron population，to realize the contour detection of images.Modeling the single color opponent characteristics of neurons on subcortex，a kind of dynamic adjustment mechanism about receptive field with single color opponent was constructed，in order to respond sufficiently on both color and lightness boundaries.Using the dendrite polar distribution of single cells，a neuron network with double color opponent on primary cortex was built to detect visual stimulus of specific orientation，in order to effectively extract the contour.Finally，taking the dynamic synaptic link into consideration，spike frequency response of single cells was synchronized in receptive field of neuron population，in purpose of realizing the inhibition of texture information.BSDS500 database was used in the experiments，the result indicates that the proposed method can effectively inhibit the texture information in the process of extracting the contour，the mean value and standard deviation of measure P for 100 images was 0.58±0.04，relative to other contrast method，improves the accuracy of contour extraction.Our method is effective for image contour detection，and provides a new idea for the image coding or visual cognition of the higher cortex by using the color information and the dynamic coding between the neurons.

contour detection；color opponent；orientation selective；dynamic coding

R318 文獻標志碼：A 文章編號：0258-8021（2017）05-0520-09

10.3969 /j.issn.0258-8021.2017.05.002

2017-03-02，錄用日期：2017-05-12

國家自然科學基金（61501154）

?通信作者（Corresponding author），E-mail：fan@hdu.edu.cn