非經(jīng)典感受野的輪廓檢測模型研究

覃溪 李興

摘要：對于計算機視覺來說，輪廓檢測屬于關鍵任務，在交通、工程以及醫(yī)學等行業(yè)具有廣泛應用。對此，本文簡單介紹輪廓檢測特點，基于感受野輪廓檢測模型分析相關實驗結果。結果表明調(diào)制感受野尺度的輪廓檢測模型能夠充分保留完整輪廓，同時對背景紋理進行有效抑制。

關鍵詞：非經(jīng)典感受野;輪廓檢測;模型研究

中圖分類號：TP391.41 ? ? ? ?文獻標識碼：A

基于雜亂環(huán)境實現(xiàn)目標輪廓與背景紋理分離，屬于計算機視覺的主要任務，輪廓檢測應該將背景紋理和噪聲等方面影響初步消除，進而將圖像目標輪廓提取出來，這也是提取目標輪廓與分割圖像等方面的關鍵基礎技術。通過視覺的生理研究結果能夠發(fā)現(xiàn)，V1區(qū)（初級視皮層）神經(jīng)元在視覺場景中的輪廓信息提取具有重要作用，并成為輪廓檢測領域的關鍵研究對象。業(yè)界人士均認為初級視皮層神經(jīng)元各個感受野均存在獨立興奮區(qū)，即nCRF（經(jīng)典感受野）。神經(jīng)元活動在周邊單元施加抑制過程中會逐漸減弱，機器視覺領域開始不斷關注此種側抑制作用。

在以往的輪廓檢測模型中，開展模擬感受野響應計算活動時，設定了定值，所有像素點所對應尺度因子并無明顯差異，致使目標輪廓數(shù)據(jù)的提取缺乏完整性。單一空間頻率尺度經(jīng)典感受野在相應過程中只可以將部分提取細節(jié)表現(xiàn)出來，其尺度模板無法將各個空間頻率圖像細節(jié)表現(xiàn)出來。本文通過總結生理學依據(jù)，構建基于非經(jīng)典感受野輪廓檢測模型，與尺度判斷機制進行融合，借助sigmoid激活函數(shù)判斷像素點感受野的模板尺度，同時獲得所有像素點局部尺度[1]。在經(jīng)典感受的響應計算活動中應用所得尺度數(shù)據(jù)，并通過尺度矩陣調(diào)制周邊矩陣，進而獲得最佳輪廓檢測數(shù)據(jù)。實驗結果顯示，與同類模型相比，本文檢測模型的性能更加突出，可以充分促進輪廓檢測質(zhì)量。

1 輪廓檢測特點

輪廓檢測特點主要體現(xiàn)在以下方面：（1）隱藏性。背景信息以及紋理信息形成的邊緣會將主體輪廓淹沒，所以在大量紋理邊緣進行主體輪廓提取具有較大難度。（2）連續(xù)性。主體邊緣可以將主體形態(tài)反映出來，空間方面邊緣的連續(xù)性較為突出，主要體現(xiàn)為閉合特征。（3）長度。因為主體具有空間面積，邊緣會存在線條，但是雜草以及其他紋理邊緣為短線條。

2 ?基于感受野輪廓檢測模型

2.1 總體模型

3 實驗結果以及討論分析

所用計算機的內(nèi)存是8 GB、主頻是3.4 GHz、中央處理器是Intel（R）core（TM）i3-4130，選擇MATLAB2016a軟件針對本文檢測模型、同性模型以及以Canny等模型展開仿真實驗[4]。另外，選擇標準評價指數(shù)F評測各個模型中的圖像數(shù)據(jù)。

為了對模型實際性能進行測試，從定量與定性兩個角度開展實驗，以充分驗證其有效性。首先，通過RuG40信息庫，找出相似模型比較，對本文中提取輪廓的結果基于抑制紋理獲得有效提高進行論證。其次，通過伯克利信息庫BSDS300，對模型檢測結果和信息庫中真實輪廓進行定量比較，進而對檢測性能進行充分評測。設置參數(shù)見表1。

3.1 以RuG信息庫為基礎的實驗結果以及討論分析

以RuG信息庫為基礎的抑制效果如圖1所示，是各向同性抑制模型（ISO）和本文模型在抑制效果方面的比較。（a）為原始圖像;（b）為通過判斷所獲局部尺度數(shù)據(jù);（c）為調(diào)制局部尺度后所獲CRF響應;（d）為調(diào)制局部尺度后所獲nCRF的抑制項;（e）為（c）將（d）減去之后，通過滯后閾值以及非極大值的處理和抑制后所獲二值圖像;（f）為同ISO中CRF響應;（g）為ISO中nCRF響應;（h）為（f）將（d）減去之后，通過滯后閾值以及非極大值的處理和抑制后所獲二值圖像。借助比較（e）與（h）能夠發(fā)現(xiàn)，本文模型性能與ISO相比更加突出。首先，完成調(diào)制之后，CRF響應保證（e）的輪庫數(shù)據(jù)得到完整保留。其次，完成調(diào)制之后，nCRF充分抑制了圖像紋理，圖像中線以下背景區(qū)域非常清晰。并且（e）圖與（h）圖相比，噪點更小，表明原圖中多余雜草在本文模型檢測之后得到有效消除。

3.2 以BSDS300信息庫為基礎的實驗結果

以表1闡述為基礎，通過BSDS信息庫對模型性能進行測試，見圖2。

其中，（a）為輸入圖像;（b）為真實輪廓;（c）為ISO;（d）為自適應抑制;（e）為本文模型。

通過圖2能夠發(fā)現(xiàn)，本文模型在輪廓邊緣圓度方面的性能較為突出，而在紋理抑制方面的優(yōu)勢也較為明顯。借助BSDS信息庫中100幅圖像定量評測提出的模型，信息庫中訓練圖像為200張，測試圖像為100張，通過不同人員對各個圖像真實輪廓進行繪制[5]。可以通過precision-recall framework對輪廓模型性能進行評價，評價過程需要注意幾個檢測量。首先，True Positives（TP）。對輪廓樣本數(shù)量進行正確檢測。其次，F(xiàn)alse Positives（FP）。輪廓樣本數(shù)錯誤檢測，例如把背景檢測成輪廓輸出。最后，F(xiàn)alse Negatives（FN）。樣本漏檢，就是把輪廓區(qū)域檢測為背景區(qū)域。評價方式就是精確度/覆蓋率曲線，其中涵蓋閾值參數(shù)，同時對噪聲以及精確性進行充分權衡，曲線中，F(xiàn)最大值點位就是此算法最佳性能指數(shù)。覆蓋率R=TP/（FN+TP），精確度P=TP/（FP+TP）。對于評價標準，選擇F指數(shù)，F(xiàn)=2PR/（R+P）。

F指數(shù)是R與P的調(diào)和均值，其能夠反映人類觀察情況與檢測結果的相似程度。本文模型F值高達0.63，遠遠高出ISO以及自適應抑制等模型性能，見表2。

3.3 調(diào)制nCRF抑制的試驗結果

為了將各個尺度局部圖像數(shù)據(jù)充分表現(xiàn)出來，通過所提取尺度數(shù)據(jù)計算CRF響應。為了保證nCRF抑制項實際效果，通過局部尺度調(diào)制nCRF的抑制項，主要是將背景響應充分體現(xiàn)出來，降低邊緣響應，在CRF將調(diào)制抑制項減去之后，可以充分提高背景噪點抑制數(shù)量，將輪廓信息充分體現(xiàn)出來。為了對該步驟展開有效驗證，以BSDS信息庫為基礎展開進一步實驗，基于無抑制調(diào)制條件，響應結果見圖3。

本文檢測算法基于無抑制調(diào)制條件，F(xiàn)值為0.60，然而基于抑制調(diào)制條件下，F(xiàn)值為0.63，表明本文調(diào)制方法可以有效提高模型檢測性能。

4 結語

一些神經(jīng)物理學與生理學研究者對神經(jīng)視皮層附近抑制問題較為關注，并提出了一些目標輪廓提取計算模型，但是在圖像尺調(diào)制nCRF抑制以及CRF響應方面研究較少。對此，本文提出以調(diào)制感受野尺度的輪廓為檢測模型，該模型能夠充分保留完整輪廓，同時對背景紋理進行有效抑制。

（責任編輯：陳之曦）

參考文獻：

[1]潘亦堅，林川，郭越，等.基于非經(jīng)典感受野動態(tài)特性的輪廓檢測模型[J]. 廣西科技大學學報， 2018， 29（2）：77-83.

[2]馬鵬，王小鵬，張永芳，等.基于多尺度自適應均衡的遙感圖像邊緣檢測方法[J].傳感器與微系統(tǒng)， 2018， 37（10）：147-149.

[3]蔣涯，武薇，范影樂.結合對比度適應與側抑制信息關聯(lián)的輪廓檢測方法[J]. 航天醫(yī)學與醫(yī)學工程， 2018， 31（5）：67-74.

[4]孫濤，楊渝南，高素芳，等.基于橫觀各向同性模型的片巖隧洞穩(wěn)定性研究[J].水資源與水工程學報，2019，30（5）：221-229.

[5]辜衛(wèi)東，李兵.基于隨機區(qū)域合并的自動彩色圖像分割算法[J].計算機科學， 2018，45（9）：286-289，300.