一种基于亮度特征和轮廓完整性的轮廓提取方法
【专利摘要】本发明公开了一种基于亮度特征和轮廓完整性的轮廓提取方法，属于计算机视觉和模式识别的交叉邻域，意在从复杂的环境背景中将物体的轮廓完整的提取出来。本发明包括最大能量响应图的求取步骤、亮度特征调制的非经典感受野抑制步骤、物体轮廓的提取和基于概率模型的高低自适应阈值等后处理步骤、基于轮廓完整性的最近邻朝向一致性连接断裂轮廓的处理步骤。本发明利用Gabor滤波器模拟人类简单细胞经典感受野的响应，得到最大的Gabor能量响应图；利用图像的亮度特征抑制最大Gabor能量响应图，剔除纹理等非目标轮廓；对得到的目标轮廓进行基于概率模型的高低自适应阈值等后处理步骤；基于轮廓完整性的最近邻朝向一致性连接轮廓的断裂点；可以很好的提取目标物的轮廓，处理后得到完整性连接的轮廓图。
【专利说明】一种基于亮度特征和轮廓完整性的轮廓提取方法
【技术领域】
[0001] 本发明属于图像处理、计算机视觉技术和模式识别的交叉领域，具体涉及到了一 种基于亮度特征和轮廓完整性的轮廓提取方法。
【背景技术】
[0002] 轮廓检测在计算机视觉中起到很重要的作用，然而自然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，故主体的轮廓 提取很复杂。传统的边缘检测方法无法对目标轮廓与纹理边缘信息进行区分，所以很难有 效检测出物体的轮廓。人类视觉系统能够很轻松地从自然图像中检测出目标物体的轮廓， 因此需要模拟人类视觉系统，建立类似人类视觉系统的计算机视觉系统，为研宄计算机视 觉技术提供了一种新思路。在轮廓检测中引入视觉处理机制不仅可以有效的提高轮廓检测 的效果，同时更符合人类视觉效果。
[0003] 国内外很早就发现了感受野对刺激的位置和朝向信息敏感，同时发现了非经典感 受野对经典感受野的外周围区域有复杂的调制作用。现有的轮廓检测算法大多数都是基于 这种调制作用检测的，但是检测出的轮廓仍然存在许多短的轮廓，同时提取出来的轮廓不 够连续，存在许多的断裂，导致轮廓的完整性遭到破坏，同时还需要设置许多的参数，运行 速度较慢。
【发明内容】
[0004] 本发明要解决的问题是克服现有的非经典感受野抑制轮廓检测方法的缺陷。目前 已有的方法由于仅考虑到局部特征，没有考虑轮廓的闭合效应，导致提取出来的轮廓不够 连续，存在许多的断点。因此，本发明结合非经典感受野抑制特性提出了一种基于亮度特征 和轮廓完整性的轮廓提取方法，可以有效的减少和消除纹理等轮廓，同时利用轮廓的完整 性等知识对轮廓的断点进行连接，保证了轮廓的完整性。
[0005] 本发明提供了一种基于亮度特征和轮廓完整性的轮廓提取方法，可以有效的提取 出物体目标的轮廓，该方法包括如下步骤：
[0006] (1)利用Gabor滤波器对图像进行滤波来模拟简单细胞的响应，结合9> = 〇和 0 = 两种相位下的简单细胞响应构成复杂细胞响应，计算不同尺度、不同朝向下的最大 的Gabor能量响应图，同时计算得到最大Gabor能量响应图所对应的朝向0。具体求取过程 包括如下子步骤：
[0007] (I.DGabor能量算子可以很好的模拟复杂细胞经典感受野的响应，因此本发明采 用Gabor能量算子实现经典感受野的响应。主要包括以下子步骤：
[0008] (1. 1. 1)为了提取输入图像中各个朝向的轮廓信息，我们需要一组不同朝向的 Gabor能量算子，即一组具有不同朝向选择性的复杂细胞对图像的响应，其中朝向选择的公 式如下：
[0009]
【权利要求】
1. 一种基于亮度特征和轮廓完整性的轮廓提取方法，其特征在于，所述方法包括如下 步骤： (1) 利用Gabor滤波器对图像进行滤波来模拟简单细胞的响应，结合
两种相位下的简单细胞响应构成复杂细胞响应，计算不同尺度、不同朝向下的最大的Gabor能量响应图，同时计算得到最大Gabor能量响应图所对应的朝向0 ; (2) 计算得到输入图像的亮度特征，用DOG函数确定非经典感受野的区域，同时将DOG 函数作为距离权重系数，利用经典感受野与非经典感受野的亮度特征差异和距离权重系数 的卷积结果点乘最大能量响应图和距离权重系数的卷积结果，最后得到对最大能量响应图 的抑制值； (3) 利用经典感受野与非经典感受野的亮度特征差异调制下的抑制值抑制最大能量响 应图，得到物体的初步轮廓图，结合相对抑制值，采用基于概率模型的自适应高低阈值，对 轮廓图进行细化处理和剔除非轮廓点处理，得到物体的基本轮廓图； (4) 将轮廓点聚集成轮廓链，分析轮廓链的特点，采用基于最近邻朝向一致性的方法， 将轮廓链的断点连接起来，从而保证轮廓的完整性。
2. 如权利要求1所述的方法，其特征在于，所述步骤（1)中的Gabor滤波器具体为： 二维Gabor的函数表达式如下：
式中，I(X，y)为输入图像，g(x, y ;9，〇 )为模拟简单细胞的感受野，e(x, y ;9，〇 )表 示具有最优朝向为0的简单细胞经典感受野在位置点（x，y)处的响应，*表示卷积操作； 利用两种具有典型相位选择性的简单细胞感受野的响应构成复杂细胞经典感受野的 响应，复杂细胞的经典感受野对于图像的刺激响应表述为：
4. 如权利要求3所述的方法，其特征在于，所述步骤（1)中计算不同尺度、不同朝向下 的最大的Gabor能量响应图，同时计算得到最大Gabor能量响应图所对应的朝向0,具体包 括： 计算不同尺度、不同朝向下的最大的Gabor能量响应图，同时计算得到最大Gabor能量 响应图所对应的朝向0,计算公式如下：
上式中，五为各个尺度、各个朝向下的最大能量响应图，〇为最大能量响应图对应 的朝向。
5. 如权利要求1至4任一项所述的方法，其特征在于，所述步骤（2)中计算得到输入图 像的亮度特征，具体包括： 计算输入图像的局部均值作为图像的局部亮度特征，即对于每一像素点，计算其邻域 范围内像素点的均值作为该点的亮度特征，获得亮度特征图像，计算公式如下：
式中L(x，y)为（X，y)处的平均亮度特征，M为矩形领域S中的像素数量，S为（X，y)点 附近的邻近点。
6. 如权利要求1至4任一项所述的方法，其特征在于，所述步骤⑵中D0G函数，具体 为： D0G函数的表达形式如下：
式中，（^和〇 2为两个高斯函数的标准差，〇 1反应经典感受野的大小，〇 2反应非经 典感受野的大小，J
7. 如权利要求6所述的方法，其特征在于，所述步骤（2)中利用经典感受野与非经典感 受野的亮度特征差异和距离权重系数的卷积结果点乘最大能量响应图和距离权重系数的 卷积结果，最后得到基于亮度特征调制下的最大能量响应图的抑制值，具体包括： 根据无任何特征调制下的最大能量响应图的抑制值和经典感受野与非经典感受野的 亮度特征差异调制下的抑制权重，得到基于亮度特征调制下的最大能量响应图的抑制值， 其计算公式如下：
其中经典感受野与非经典感受野的亮度特征差异调制下的抑制权重的计算公式如 下：
其中：
内像素点的亮度特征，F= |a-0 |表示中心像素点与非经典感受野内像素点的特征差异， 〇表示为经典感受野中心像素点和非经典感受野内像素点的亮度特征差异选取的标准差 参数；
8. 如权利要求1-7任一项所述的方法，其特征在于，所述步骤（3)中利用经典感受野中 心像素点和非经典感受野内像素点的亮度特征差异调制下的抑制值抑制最大能量响应图， 得到物体的初步轮廓图，具体包括： 物体的初步轮廓图根据最大Gabor能量响应图和抑制值求出，具体的公式如下：
式中，k代表全局抑制的强度系数。
9. 如权利要求8所述的方法，其特征在于，所述步骤（3)中结合相对抑制值，采用基于 概率模型的自适应高低阈值，对轮廓图进行细化处理和剔除非轮廓点处理，得到物体的基 本轮廓图，具体包括： (3. 2. 1)采用非极大值抑制细化轮廓，只保留局部灰度变化极大的点，具体过程如下： 对con(x，y)中所有像素，考虑m*m大小窗口，沿着该点的最优朝向方向0(x，y)的垂直 方向进行8邻域范围内的双线性插值，得到两点（1'，7'），（？， 7")，如果（1，7)处的响 应同时大于（x'，y'），（x"，y")处的响应，则保留该点，否则置为〇; (3. 2. 2)对（3. 2. 1)得到的轮廓图结果进行双阈值处理，即选取一个高阈值ch和一个 低阈值q，具体的处理方法如下：
(3. 2. 3)利用相对抑制值剔除一些非轮廓点，采用基于概率模型的自适应高低阈值进 行判断，判断方法为：
(3. 2. 4)上述得到的coni(X，y)保留了最大能量图抑制后轮廓图，con2(x,y)为经相对 抑制值处理后轮廓图，最后利用下式得到物体基本轮廓，其计算公式如下：
式中，运算符.*代表点乘运算。
10.如权利要求1至9任一项所述的方法，其特征在于，所述步骤（4)中基于最近邻一 致性连接断裂轮廓，具体包括： (4. 1)对于最终轮廓con'（x，y)的轮廓像素点，找出像素为非0的点，记录下轮廓像素 点的位置和该点的像素值，在轮廓像素点的m*m邻域内搜索，看能否找到其他轮廓像素点， 如果存在轮廓点，将找到的轮廓像素点聚集成链； (4. 2)找到轮廓的断裂点位置，即聚集成链后的轮廓图中每条链的端点，找出距离每 个断裂点最近的断裂点，若距离小于预设距离d，再判断这两点的最优朝向，若最优朝向的 差异小于预设差异△，则将这两个断裂点连接，依次遍历所有点，最后完成了全部的轮廓提 取。
【文档编号】G06T7/00GK104484667SQ201410851659
【公开日】2015年4月1日 申请日期:2014年12月30日 优先权日:2014年12月30日
【发明者】邹腊梅, 万敏, 杨卫东, 金留嘉, 高亚红, 钟鸣, 曹治国 申请人:华中科技大学