王垚 潘盛輝 林川

摘? 要：仿生型輪廓檢測的研究已逐漸成為計算機(jī)視覺的研究熱點(diǎn).生物視覺機(jī)制研究中，空間總和特性將視覺細(xì)胞分為線性的X型細(xì)胞和非線性的Y型細(xì)胞.受該機(jī)制啟發(fā)，提出一種仿生型輪廓檢測模型，該模型通過模擬計算X、Y型細(xì)胞不同的感受野響應(yīng)，并根據(jù)亮度對比度信息有效地融合X、Y通道的輪廓特征.實(shí)驗(yàn)結(jié)果表明：本文的模型能有效地保留弱輪廓并抑制紋理背景，將為基于視覺機(jī)制的圖像分析提供一種新的思路.

關(guān)鍵詞：輪廓檢測;X細(xì)胞;Y細(xì)胞

中圖分類號：TP391.41? ? ? ? ?DOI：10.16375/j.cnki.cn45-1395/t.2021.01.005

0? ? 引言

輪廓檢測是計算機(jī)視覺和圖像分析領(lǐng)域中的基礎(chǔ)工作，準(zhǔn)確檢測自然圖像中目標(biāo)的輪廓信息，對后續(xù)圖像分割[1]等高級視覺任務(wù)有著重大意義.對復(fù)雜的自然圖像而言，目標(biāo)輪廓通常被大量干擾信息所環(huán)繞，因此，準(zhǔn)確區(qū)分目標(biāo)輪廓和背景紋理信息成為提高輪廓檢測效果的關(guān)鍵問題.隨著神經(jīng)科學(xué)的發(fā)展，基于生物視覺信息處理機(jī)制的輪廓檢測模型逐漸受到越來越多研究者的關(guān)注.2003年，Grigorescu等[2]采用具有方向選擇性的Gabor濾波器來模擬初級視皮層（V1區(qū)）神經(jīng)元經(jīng)典感受野（CRF）的興奮作用，并利用高斯差（DOG）模擬非經(jīng)典感受野（NCRF）的抑制作用.基于該模型，學(xué)者們在NCRF抑制計算上做了大量工作.Cao等[3]利用歸一化的DOG和sigmoid函數(shù)提取局部中心環(huán)繞對比度信息來計算抑制項(xiàng)，能夠更快、更準(zhǔn)確地抑制紋理.杜曉鳳等[4]提出一種基于復(fù)合感受野的輪廓檢測仿生模型，通過距離和角度特征來計算易化和抑制的權(quán)重，有效地減少抑制對輪廓的破壞.2014年，Yang等[5]根據(jù)多尺度信息引導(dǎo)策略整合特征信息（包括方向、亮度和亮度對比度）的抑制權(quán)重，再將組合的權(quán)重用于調(diào)節(jié)神經(jīng)元的周邊抑制，使得模型在抑制紋理的同時更好地保留輪廓信息.感受野尺度在圖像局部信息表達(dá)上有著重要作用，因此，部分學(xué)者從感受野尺度信息著手改進(jìn)輪廓檢測模型.潘亦堅等[6]利用改進(jìn)的sigmoid函數(shù)計算局部最優(yōu)尺度，與DOG函數(shù)相結(jié)合獲得動態(tài)的NCRF抑制權(quán)重.Lin等[7]通過模擬神經(jīng)元動態(tài)特性優(yōu)化了經(jīng)典感受野的濾波過程，并利用Log函數(shù)調(diào)制高斯函數(shù)模擬非經(jīng)典感受野的抑制過程.Wei等[8]通過Gabor濾波器預(yù)處理得到多尺度初級輪廓圖，再經(jīng)過不同空間位置上不同尺度的抑制和去抑制得到輪廓響應(yīng)，移除了大量無意義的紋理信息，取得了良好的檢測結(jié)果.Fang等[9]從視覺信息傳遞通路著手，提出一種基于視覺通路的雙側(cè)不對稱感受野機(jī)制的輪廓檢測模型（BAR），引入不對稱感受野結(jié)構(gòu)，增強(qiáng)局部區(qū)域的對比度差異，并提出基于雙側(cè)不對稱感受野多尺度抑制的權(quán)重信息融合策略，更好地檢測顯著輪廓.灰度圖像包含的信息十分有限，Yang等[10]基于顏色拮抗機(jī)制提出雙拮抗模型（CO），檢測亮度邊緣和顏色邊緣，隨后引入紋理稀疏約束（SCO）[11]，提升模型性能.Li等[12]提出了一種受多視覺通道和多層次視覺信息的生物特性啟發(fā)的前饋輪廓檢測模型（MCH），將圖像分為顏色信息和亮度信息，然后模擬視網(wǎng)膜-LGN-視皮層這一視覺通路分別對兩種信息進(jìn)行處理，最后根據(jù)最優(yōu)方向計算顏色和亮度通道響應(yīng)的融合權(quán)重，獲得更好的檢測性能.

目前，大多數(shù)仿生輪廓檢測研究都是基于X細(xì)胞感受野的生理特性來進(jìn)行的.而生理機(jī)制表明[13]：根據(jù)空間總和特性的不同，初級視皮層神經(jīng)元分為X型細(xì)胞（X細(xì)胞）和Y型細(xì)胞（Y細(xì)胞）.X細(xì)胞感受野空間總和性質(zhì)是線性的，其感受野的興奮作用和抑制作用可以線性疊加，并且對光柵的反應(yīng)存在零位置[14]，可以由Rodieck模型表達(dá)，如圖1（a）所示.而Y細(xì)胞感受野的空間總和性質(zhì)是非線性的，由于對光柵的出現(xiàn)和消失有著強(qiáng)烈的短暫反應(yīng)而不存在零位置[15]，其感受野除了存在中心-周邊拮抗式的Rodieck模型，還存在許多非線性亞單位，如圖1（b）所示.其中，非線性亞單位被用于解釋Y細(xì)胞空間頻率上的二次諧頻成分.在感受野上每個亞單位僅覆蓋很小的一片區(qū)域，但其在空間上的分布從中心的經(jīng)典感受野區(qū)域一直蔓延至周邊區(qū)，或者更大一些[15].造成X細(xì)胞和Y細(xì)胞感受野空間總和特性不同的主要原因在于：除了經(jīng)典同心圓結(jié)構(gòu)的中心興奮區(qū)和外周抑制區(qū)外，Y細(xì)胞感受野還存在分布范圍大于周邊區(qū)的非線性亞單位.

綜上所述，本文提出一種基于X、Y細(xì)胞感受野視覺神經(jīng)機(jī)制的輪廓檢測模型，以期進(jìn)一步解決輪廓信息與背景信息的區(qū)分問題.其中，本文提出模型的處理過程分為模擬線性X細(xì)胞特性的X通道響應(yīng)以及模擬非線性Y細(xì)胞特性的Y通道響應(yīng).X通道先計算CRF響應(yīng)，然后利用NCRF響應(yīng)進(jìn)行抑制得到X通道響應(yīng);Y通道則是在經(jīng)典感受野響應(yīng)經(jīng)過亞單位調(diào)制后，再進(jìn)行非經(jīng)典感受野抑制，得到Y(jié)通道響應(yīng).最后，本文結(jié)合對比度增益機(jī)制，提出一種通道信息融合策略，模擬視野內(nèi)圖像對比度對X、Y細(xì)胞輸出的調(diào)控，在保護(hù)輪廓的同時抑制紋理.

1? ? 檢測模型

本文提出的輪廓檢測模型如圖2所示，輸入圖像分別經(jīng)過X通道和Y通道的響應(yīng)處理，最后模擬視野內(nèi)圖像對比度對X、Y細(xì)胞輸出的調(diào)控，融合X、Y通道響應(yīng).其中，X、Y通道均為先模擬視皮層V1區(qū)神經(jīng)元CRF提取圖像的局部邊緣響應(yīng)（CRF響應(yīng)），再利用DOG函數(shù)模擬NCRF計算圖像局部區(qū)域的紋理抑制強(qiáng)度.不同之處在于，Y通道CRF響應(yīng)經(jīng)過亞單位抑制去除細(xì)小繁多的紋理信息后，再經(jīng)過NCRF的局部區(qū)域環(huán)形抑制去除目標(biāo)物體上多余的邊緣信息.

1.1? ? X通道響應(yīng)

1.1.1? ?經(jīng)典感受野響應(yīng)

感受野對不同朝向和位置的刺激都十分敏感[2]，對于特定的條形刺激，初級視皮層的單個神經(jīng)元的響應(yīng)會隨著刺激朝向的變化而產(chǎn)生變化，當(dāng)刺激的朝向和感受野的最優(yōu)朝向一致時，響應(yīng)最大.因此，本文采用有方向選擇性的二維Gabor濾波器來模擬X細(xì)胞的CRF：

1.1.2? ?非經(jīng)典感受野響應(yīng)

神經(jīng)生理學(xué)研究表明[14]，在經(jīng)典感受野的外周存在對其有抑制作用的區(qū)域稱為非經(jīng)典感受野，同時刺激CRF區(qū)域和NCRF區(qū)域，NCRF會對CRF的響應(yīng)進(jìn)行抑制.本文利用DOG函數(shù)來計算NCRF的抑制權(quán)重[wXx， y;σX]：

1.2? ? Y通道響應(yīng)

1.2.1? ?經(jīng)典感受野響應(yīng)

造成X細(xì)胞和Y細(xì)胞感受野空間總和特性不同的主要原因在于：除了經(jīng)典同心圓結(jié)構(gòu)的中心區(qū)和外周抑制區(qū)外，Y細(xì)胞感受野還存在具有整流特性的非線性亞單位.在電生理實(shí)驗(yàn)中，Y細(xì)胞反應(yīng)的二次諧頻成分就是非線性亞單位的貢獻(xiàn)，基頻反應(yīng)則與Y細(xì)胞感受野的中心-周邊機(jī)制有關(guān)[15].綜上，非線性亞單位的貢獻(xiàn)可從Y細(xì)胞反應(yīng)中分離出來，即非線性亞單位的存在不影響感受野中心-周邊機(jī)制的模擬方式.Gaudian等[17]提出造成X、Y細(xì)胞特性差異的主要因素是感受野大小的不同.用[σY]替換式（1）—式（5）中的[σX]得到Y(jié)細(xì)胞經(jīng)典感受野響應(yīng)[EYx， y;σY]，再將[EYx， y;σY]代入式（7）—式（8）得到Y(jié)細(xì)胞的最優(yōu)方向角[θYx， y].

1.2.2? ?非線性亞單位響應(yīng)

為了符合Y細(xì)胞的響應(yīng)特性（如圖1（b）所示），在擬合X細(xì)胞中心-周邊機(jī)制的高斯差感受野模型上加入了非線性亞單位，每一個亞單位的直徑與感受野相比都十分微小，其中亞單位的響應(yīng)強(qiáng)度呈現(xiàn)一種中間朝周邊遞減的趨勢.受此啟發(fā)，本文采用高斯函數(shù)來模擬亞單位生理特性，考慮單個亞單位的響應(yīng)大小與其到中心點(diǎn)距離的關(guān)系，結(jié)合圖像局部特征信息，計算獲得Y細(xì)胞亞單位響應(yīng).

首先，根據(jù)亞單位模板（大小為[m×n]）上的高斯函數(shù)的大小與其到中心點(diǎn)距離的關(guān)系，建立一個大小為[m×n]的模板[Lsx， y]來計算模板上每一個高斯函數(shù)的標(biāo)準(zhǔn)差[σs]：

其中：[（x0， y0）]表示模板的中心點(diǎn).[Lsx， y]上的值即表示為在[Subunit1（x， y;σs）]模板上以對應(yīng)點(diǎn)為中心的高斯函數(shù)的標(biāo)準(zhǔn)差[σs].

在亞單位模板[Subunit1（x， y;σs）] 上一個高斯函數(shù)表示一個亞單位，以模板（大小為[m×n]）上的每一個像素點(diǎn)為中心創(chuàng)建[m×n]個高斯函數(shù)，來模擬整個亞單位模型.

其中：[Dxy]表示感受野上亞單位的分布范圍;[（xj， yj）]表示分布范圍[Dxy]中的第j個元素;[σs]表示每一點(diǎn)所對應(yīng)的高斯函數(shù)的標(biāo)準(zhǔn)差.

感受野周邊抑制區(qū)存在軸向不對稱，中心區(qū)一側(cè)的感受野抑制區(qū)大于另一側(cè)，即感受野一側(cè)區(qū)域的抑制作用大于另一側(cè).本文利用sigmoid函數(shù)控制權(quán)重來模擬這一現(xiàn)象.由于感受野上的兩側(cè)無法確定具體的方位，本文構(gòu)建旋轉(zhuǎn)的二維sigmoid函數(shù)對其進(jìn)行模擬.

其中：[x=xcosθ+ysinθ，? y=-xsinθ+ycosθ]， 旋轉(zhuǎn)角度[θ]的計算同式（3）.亞單位模板[Subunit1x， y;σs]點(diǎn)乘不同旋轉(zhuǎn)角度的二維sigmoid函數(shù)，得到多方位的亞單位模板.

由于高斯函數(shù)經(jīng)過了歸一化（式（19））過程，隨著標(biāo)準(zhǔn)差的增大，分布范圍增加，峰值減小，造成亞單位模板的整體結(jié)構(gòu)不符合中間高周邊低的結(jié)構(gòu).因此，本文建立一個和亞單位模板一樣大[（m×n）]的高斯函數(shù)來對亞單位模板進(jìn)行調(diào)制：

亞單位模板構(gòu)建完成后進(jìn)行亞單位響應(yīng)的計算，計算過程如圖3所示：首先，利用灰度圖像調(diào)制CRF響應(yīng)，弱化輪廓、增強(qiáng)紋理;其次，利用調(diào)制后的圖像與亞單位模板卷積得到多個方位的亞單位響應(yīng);然后，對每個像素進(jìn)行max運(yùn)算得到[ressmax（x， y）]，進(jìn)行min運(yùn)算得到[ressmin（x， y）];最后，用兩個尺度的CRF響應(yīng)對最大、最小響應(yīng)進(jìn)行信息處理，得到紋理信息顯著的亞單位響應(yīng).

本文充分考慮Y細(xì)胞亞單位的生理特征以及生理特性，得到多方位的Y細(xì)胞非線性亞單位響應(yīng)[ress（x， y）]：

通常，在大尺度下的經(jīng)典感受野包括顯著輪廓，但遺漏了詳細(xì)的邊緣;小尺度下的經(jīng)典感受野響應(yīng)則能夠更好地提取輪廓細(xì)節(jié)，同時也涵蓋許多紋理邊緣信息，造成提取的紋理過多.因此，為了取得更好的紋理抑制效果，本文依據(jù)? ? ? ? ? ? 式（1）—式（5）計算了兩個尺度的經(jīng)典感受野? ? ? ? ? ? 響應(yīng)[E（x， y;σlar）]和[E（x， y;σsma）]來對最小響應(yīng)? ? ? ? [ressmin] [（x， y）]和最大響應(yīng)[ressmax（x， y）]進(jìn)行信息處理，得到Y(jié)細(xì)胞非線性亞單位的響應(yīng)，其中[σlar=2σsma].

其中：[Ex， y;σlar-Ex， y;σsma≥0]的部分大概率是雜亂的紋理信息，而[E（x， y;][σlar）-E（x， y;σsma）<0]的部分則更有可能是需要的目標(biāo)輪廓.本文采取這樣的策略，在后續(xù)的抑制中能夠加大對無意義邊緣的抑制，減少對目標(biāo)輪廓的影響.

Y細(xì)胞非經(jīng)典感受野的計算以經(jīng)典感受野和亞單位響應(yīng)的差作為輸入，再根據(jù)式（10）—式（12）得到Y(jié)細(xì)胞輪廓響應(yīng)[rYx， y;σY].

1.3? ?信息融合

研究表明[18]，視覺細(xì)胞在低空間頻率時存在對比增益機(jī)制（contrast gain control），且圖像對比度更易影響Y細(xì)胞的反應(yīng).受此啟發(fā)，本文考慮對比度增益機(jī)制，提出一種通道信息融合策略，模擬視野內(nèi)圖像對比度對X、Y細(xì)胞輸出的調(diào)控.其中，對比度增益由圖像的局部亮度對比度（luminance contrast）決定.圖像局部亮度對比度[Cx， y]計算方式如下：

2.2? ?提出模型的性能分析

為了驗(yàn)證本文提出的Y細(xì)胞響應(yīng)計算模型的有效性，從BSDS數(shù)據(jù)集取出5幅圖像對單獨(dú)的X通道響應(yīng)、Y通道響應(yīng)和本文模型進(jìn)行定性地對比，其中X通道響應(yīng)為式（13）的輸出響應(yīng)進(jìn)行非極大值抑制處理后的結(jié)果.為了簡便起見，本文模型表示為YS;其中，X通道響應(yīng)表示為X-Response;Y通道響應(yīng)表示為Y-Response.圖4展示了X-Response、Y-Response和YS 3種模型部分測試圖像的結(jié)果對比.如圖4所示，X-Response的測試圖像上紋理邊緣很少，有較好的紋理抑制效果，但不能很好地區(qū)分紋理和弱輪廓，使得弱輪廓無法被提取出來.Y-Response的測試圖像上輪廓比X-Response更為完整，但在保留輪廓信息的同時也減弱了對紋理的抑制.與X-Response和Y-Response相比，YS模型結(jié)合了X、Y兩通道的優(yōu)點(diǎn)，在紋理抑制的同時更好地保留了弱輪廓信息，增加主體輪廓完整性，取得更好的檢測性能.由于構(gòu)成數(shù)據(jù)集的圖片十分復(fù)雜，提升算法的性能是一項(xiàng)極其困難的任務(wù)，而本文模型的ODS指標(biāo)比X通道響應(yīng)提高4%，比Y通道響應(yīng)提高8%，如圖5所示.

2.3? ?模型對比分析

為了評價本文模型的檢測性能，選擇了3個經(jīng)典的仿生型輪廓檢測模型在RUG40數(shù)據(jù)集進(jìn)行結(jié)果對比：ISO模型[2]、BF模型[22]和MCI模型[5].部分實(shí)驗(yàn)結(jié)果如圖6所示.

從圖6可以看出，ISO模型雖然考慮了NCRF對CRF的調(diào)制作用，但檢測結(jié)果還存在嚴(yán)重的紋理干擾.BF模型對NCRF進(jìn)行了分區(qū)，在一定程度上解決了對輪廓的抑制問題，但紋理對目標(biāo)輪廓的干擾仍然嚴(yán)重.MCI模型結(jié)合了朝向、亮度、亮度對比度3種特征，對紋理信息有著很好的抑制效果，但對目標(biāo)輪廓的檢測仍存在不足.本文模型盡可能地保證目標(biāo)輪廓的檢測結(jié)果與人工檢測結(jié)果相同，增強(qiáng)對紋理信息的抑制，以取得更好的檢測性能.為了保證對比公平性，對比模型均采用最優(yōu)參數(shù)下的實(shí)驗(yàn)結(jié)果，定量分析結(jié)果如表2所示.

實(shí)驗(yàn)結(jié)果表明，本文模型能夠在復(fù)雜的自然圖像中有效區(qū)分輪廓和紋理邊緣，減弱紋理信息對輪廓判定的干擾，保護(hù)弱輪廓信息，保證主體輪廓的完整性，以取得更優(yōu)的輪廓檢測性能.

3? ? 結(jié)論與討論

近年來，許多學(xué)者都重點(diǎn)關(guān)注視皮層V1區(qū)在視覺系統(tǒng)中的作用，并根據(jù)其思路建立輪廓提取的模型，取得了不菲的成績.但其大多是在符合中心-周邊線性機(jī)制的前提下進(jìn)行的，沒有考慮到由于空間總和特性的不同，還存在非線性的Y型細(xì)胞.針對這一現(xiàn)象，提出基于X、Y細(xì)胞感受野視覺神經(jīng)機(jī)制的輪廓檢測模型.該模型首先通過提取非線性亞單位響應(yīng)對多余紋理進(jìn)行抑制，然后通過X、Y細(xì)胞的輪廓信息融合，使得提取到的輪廓線條更為清晰，同時紋理信息的殘留更少，有效地提升了檢測模型的精確度，取得了較好的輪廓檢測效果.

本文所提出的模型只模擬了視皮層V1區(qū)X、Y細(xì)胞感受野的生理特性，僅僅對V1區(qū)神經(jīng)元在輪廓檢測中的應(yīng)用進(jìn)行研究，并沒有考慮到更高層（視皮層V2區(qū)等更高級的區(qū)域）的信息處理機(jī)制在輪廓檢測中的作用.實(shí)際上，次級視皮層（V2區(qū)）也是生物視覺系統(tǒng)獲取輪廓的重要步驟，V1和V2區(qū)一旦受到損傷會影響大腦對物體的識別能力.因此，如何整合從視網(wǎng)膜到更高級別皮質(zhì)中的視覺信息仍有待進(jìn)一步的研究.

參考文獻(xiàn)

[1]? ? ?閆夏，譚光興，林川.基于免疫聚類算法的MRI膝關(guān)節(jié)圖像分割[J].廣西科技大學(xué)學(xué)報，2015，26（1）：70-74.

[2]? ? ?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.

[3]? ? ?CAO Y J，LIN C，PAN Y J，et al. Application of the center-surround mechanism to contour detection[J]. Multimedia Tools and Applications，2019，78（17）：25121-25141.

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

[5]? ? ?YANG K F，LI C Y，LI Y J. Multifeature-based surround inhibition improves contour detection in natural images[J].IEEE Transactions on Image Processing，2014，23（12）：5020-5032.

[6]? ? ?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(xué)學(xué)報，2018，29（2）：77-83.

[7]? ? ?LIN C，LI F Z，CAO Y J，et al. Bio-inspired contour detection model based on multi-bandwidth fusion and logarithmic texture inhibition[J]. IET Image Processing，2019，13（12）：2304-2313.

[8]? ? ?WEI H，LANG B，ZUO Q S. Contour detection model with multi-scale integration based on non-classical receptive field[J]. Neurocomputing，2013，103：247-262.

[9]? ? ?FANG T，F(xiàn)AN Y L，WU W. Salient contour detection on the basis of the mechanism of bilateral asymmetric receptive fields[J]. Signal，Image and Video Processing，2020，14：1461-1469.

[10]? ?YANG K F，GAO S B，LI C Y，et al. Efficient color boundary detection with color-opponent mechanisms[C]//IEEE Computer Society Conference on Computer Vision & Pattern Recognition（CVPR），IEEE，2013.

[11]? ?YANG K F，GAO S B，GUO C F，et al. Boundary detection using double-opponency and spatial sparseness constraint[J]. IEEE Transactions on Image Processing，2015，24（8）：2565-2578.

[12]? ?LI F Z，LIN C，ZHANG Q，et al. A biologically inspired contour detection model based on multiple visual channels and multi-hierarchical visual information[J]. IEEE Access，2020，8：15410-15422.

[13]? ?孫超. 貓外膝體神經(jīng)元非經(jīng)典感受野與經(jīng)典感受野各亞區(qū)的空間反應(yīng)特性及其相互作用[D].上海：復(fù)旦大學(xué)，2004.

[14]? ?MAYFORTH G R. An introduction to neural information processing[J]. Computing Reviews，2016，57（8）： 481-482.

[15]? ?壽天德. 視覺信息處理的腦機(jī)制[M]. 合肥：中國科學(xué)技術(shù)大學(xué)出版社，2010.

[16]? ?YANG Y，TONG S，HUANG S Y，et al. Log-gabor energy based multimodal medical image fusion in NSCT domain[J]. Computational and Mathematical Methods in Medicine，2014，2014：1-12.

[17]? ?GAUDIANO P. Simulations of X and Y retinal ganglion cell behavior with a nonlinear push-pull model of spatiotemporal retinal processing[J]. Vision Research，1994，34（13）：1767-1784.

[18]? ?李國榮.貓外膝體的對比度適應(yīng)及皮層反饋對其的影響[D].合肥：中國科學(xué)技術(shù)大學(xué)，2010.

[19]? ?ALPERT S，GALUN M，BRANDT A，et al. Image segmentation by probabilistic bottom-up aggregation and cue integration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（2）：315–326.

[20]? ?MARTIN D，F(xiàn)OWLKES C，TAL D，et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[C]//Proceedings of 8th IEEE International Conference on Computer Vision，2001.

[21]? ?MARTIN D R，F(xiàn)OWLKES C C，MALIK J. Learning to detect natural image boundaries using local brightness，color，and texture cues[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（5）：530-549.

[22]? ?ZENG C，LI Y J，YANG K F，et al. Contour detection based on a non-classical receptive field model with butterfly-shaped inhibition subregions[J]. Neurocomputing，2011，74（10）：1527-1534.