一種WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法
【專利摘要】本發(fā)明公開(kāi)了一種WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法。首先提出一種WKPCA算法，對(duì)高維特征空間的各特征向量進(jìn)行特征向量角匹配(FAM)加權(quán)，削弱或排除CRF區(qū)域內(nèi)病態(tài)或異常的特征數(shù)據(jù)干擾，更精確的提取CRF主成分；在此基礎(chǔ)上，定義一種同質(zhì)度概念和計(jì)算方法，通過(guò)nCRF特征向量在中心主成分的投影，計(jì)算環(huán)境-中心的同質(zhì)性；最后基于該同質(zhì)度對(duì)nCRF中各抑制量校正，使得同質(zhì)區(qū)域相互抑制量大、異質(zhì)區(qū)域抑制量小或不相互抑制、同時(shí)盡可能削弱輪廓元素自抑制作用，從而提高抑制作用的準(zhǔn)確率。因此本發(fā)明提出的模型能夠更全面的檢測(cè)環(huán)境-中心的差異，降低噪聲干擾、更精確的抑制紋理細(xì)節(jié)、提高輪廓響應(yīng)強(qiáng)度和完整性。
【專利說(shuō)明】—種WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于一種基于視覺(jué)建模的復(fù)雜場(chǎng)景下微光圖像顯著輪廓提取方法，特別是一種WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法。
【背景技術(shù)】
[0002]輪廓提取在夜視圖像理解分析方面發(fā)揮著重要作用。目前夜視目標(biāo)探測(cè)識(shí)別方面的應(yīng)用大部分是針對(duì)自然場(chǎng)景的，因此微光圖像中包含了大量的自然紋理(例如樹(shù)和草)，傳統(tǒng)的邊緣檢測(cè)算子的作用結(jié)果保留大量非輪廓的邊緣成分(canny算子)。而且微光圖像本身噪聲干擾強(qiáng)，如何針對(duì)微光圖像特征，去除這些由紋理和噪聲所產(chǎn)生的局部非興趣邊緣，并且保持輪廓的完整性是夜視圖像輪廓檢測(cè)主要面臨的問(wèn)題。
[0003]針對(duì)復(fù)雜場(chǎng)景的輪廓提取問(wèn)題提出了諸多解決方法，其中基于生物視覺(jué)機(jī)理的非經(jīng)典感受野模型的輪廓提取在高質(zhì)量可見(jiàn)光圖像中獲得了顯著效果。視皮層(Vl)神經(jīng)元感受野(CRF)的大外周(非經(jīng)典感受野nCRF)對(duì)CRF起調(diào)制作用，這種調(diào)制主要是抑制性的，能夠?qū)崿F(xiàn)同質(zhì)區(qū)域相互抑制，而使得孤立的邊緣要比群體邊緣更為顯著。基于側(cè)抑制區(qū)的仿生模型，較好地去除了背景紋理產(chǎn)生的邊緣。Grigorescu等人(Contour detectionbased on Nonclassical Receptive Field inhibition;Improved Contour Detectionby Non-classical Receptive Field Inhibition;Contour and boundary detectionimproved by surround suppression of texture edges)利用 nCRF 的抑制特性進(jìn)行輪廓檢測(cè)，利用環(huán)境對(duì)中心的方向抑制，減少了環(huán)境紋理的影響，并提出各向異性抑制和各向同性抑制模型。Giuseppe 等人(A Biologically Motivated Multiresolution Approachto Contour Detection)基于貝葉斯降噪和環(huán)境抑制技術(shù)提出一種生物啟發(fā)的多分辨率輪廓檢狽Ij技術(shù)。Ursino 等人(A model of contour extraction including multiplescales, flexible inhibition and attention)引入層級(jí)注意機(jī)制，考慮不同尺度下背景抑制的輪廓提取。這些抑制模型能夠一定程度的抑制背景紋理，提取出顯著輪廓；但沒(méi)有對(duì)中心環(huán)境進(jìn)行特征差異分析，不能很好的解決異質(zhì)成份互抑制和輪廓元素自抑制問(wèn)題，可能導(dǎo)致輪廓響應(yīng)微弱和輪廓間斷。
[0004]為減小共線輪廓抑制的作用，桑農(nóng)等人(Contour detection based oninhibition of primary visual cortex)根據(jù)nCRF剌激方位與CRF剌激方位差異，對(duì)抑制作用加權(quán)，建立了基于側(cè)抑制區(qū)的蝶形模型。Zeng等人(Center-surround interactionwith adaptive inhibition:A computational model for contour detection;Contourdetection based on a non-classical receptive field model with butterfly-shapedinhibition subregions)提出一種雙尺度輪廓提取方法以及一種改進(jìn)的方向選擇抑制模型，該模型釆用蝶形區(qū)域計(jì)算環(huán)境抑制。Giuseppe等人(An improved model for surroundsuppression by steerable filters and multilevel inhibition with application tocontour detection)利用可變?yōu)V波器和多層級(jí)抑制提出一種環(huán)境抑制模型。方向差異加權(quán)的抑制模型一定程度上減少了輪廓自抑制作用，但存在異向異質(zhì)區(qū)域相互抑制的情況。而且相對(duì)于高質(zhì)量的可見(jiàn)光圖像，微光圖像噪聲干擾嚴(yán)重，輪廓局部方向特征不突出，環(huán)境抑制不準(zhǔn)確。一方面高噪聲、低對(duì)比度導(dǎo)致微光圖像背景紋理無(wú)法完全抑制；另一方面抑制作用削弱輪廓強(qiáng)度，輪廓受到周邊紋理的抑制，容易出現(xiàn)斷裂，影響后續(xù)目標(biāo)識(shí)別。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于提供WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法，該方法能夠解決單一方位差加權(quán)抑制的不足，結(jié)合生物視覺(jué)機(jī)理，針對(duì)微光圖像多維特征差異，從復(fù)雜場(chǎng)景下微光圖像中有效抑制噪聲和紋理，提取顯著輪廓。
[0006]實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為:首先在高維特征空間研究一種特征向量角匹配(FAM Feature vector Angle Matching)力口權(quán) KPCA (WKPCA Weighting KPCA)方法計(jì)算環(huán)境-中心同質(zhì)度(HD Homogeneity Degree):該方法抑制了 CRF像元中的病態(tài)或異常數(shù)據(jù)，再對(duì)其進(jìn)行主成分分析，提高主成分準(zhǔn)確率；將nCRF各像元在中心主成分投影計(jì)算其與CRF中心同質(zhì)度。其次基于該環(huán)境-中心多特征差異對(duì)nCRF抑制校正，構(gòu)建一種同質(zhì)度校正抑制模型:該模型在同質(zhì)元素互抑制的同時(shí)，避免異質(zhì)像元間相互作用及輪廓成份自抑制，實(shí)現(xiàn)微光圖像中的噪聲、紋理抑制，以及復(fù)雜自然場(chǎng)景下夜視圖像的顯著輪廓背景分離。
[0007]本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn):
[0008](I)本發(fā)明針對(duì)微光圖像多維特征分析，首次提出一種WKPCA算法，在高維特征空間基于特征向量角匹配準(zhǔn)則對(duì)CRF協(xié)方差矩陣加權(quán)，有效削弱異常特征數(shù)據(jù)和噪聲干擾，提高CRF主成分分析的準(zhǔn)確性。
[0009](2)本發(fā)明創(chuàng)新性的定義一種同質(zhì)度概念及其計(jì)算方法，采用WKPCA算法進(jìn)行CRF與nCRF區(qū)域同質(zhì)性分析,在高維特征空間nCRF各像元特征向量投影到CRF中心主成分,計(jì)算兩者同質(zhì)度。該方法能夠更全面準(zhǔn)確的表針環(huán)境-中心的差異。
[0010](3)本發(fā)明提出一種WKPCA同質(zhì)度校正nCRF抑制模型，根據(jù)nCRF各像元與CRF中心同質(zhì)度對(duì)其抑制量校正。該模型更有效排除噪聲干擾、削弱背景細(xì)節(jié)的同時(shí)，更精確的提高同質(zhì)成份的抑制程度，降低異質(zhì)像元、輪廓元素間的相互抑制，提高輪廓整體響應(yīng)及減少輪廓間斷的可能性。
【專利附圖】

【附圖說(shuō)明】
[0011]圖1是nCRF距離衰減函數(shù)。
[0012]圖2是WKPCA同質(zhì)度校正nCRF抑制微光圖像顯著輪廓提取方法流程圖。
[0013]圖3是多維特征空間非經(jīng)典感受野結(jié)構(gòu)。
[0014]圖4是以真實(shí)目標(biāo)輪廓像元為中心的nCRF結(jié)構(gòu)放大圖，及nCRF中各像元特征向量與CRF中心均值向量FAM權(quán)值三維圖。
[0015]圖5是PCA、KPCA, WKPCA算法對(duì)高斯數(shù)據(jù)的分類效果比較。
[0016]圖6是PCA、KPCA、WKPCA算法同質(zhì)性分析結(jié)果比較。
[0017]圖7是背景、目標(biāo)、輪廓中心的WKPCA同質(zhì)度校正抑制分析。行向從上到下分別是原圖、WKPCA同質(zhì)度值輸出、Gabor能量極值輸出以及有效抑制輸出(同質(zhì)度值與Gabor能量極值乘積)。
[0018]圖8是各模型對(duì)復(fù)雜自然場(chǎng)景下微光圖像輪廓提取效果比較。
【具體實(shí)施方式】
[0019]下面結(jié)合附圖對(duì)本申請(qǐng)做進(jìn)一步說(shuō)明。
[0020]UnCRF環(huán)境抑制:
[0021]二維Gabor函數(shù)能有效地描述視皮層簡(jiǎn)單細(xì)胞的感受野剖面，通過(guò)奇偶對(duì)簡(jiǎn)單感受野濾波器的反應(yīng)模(Gabor能量)，能很好地模擬典型復(fù)雜細(xì)胞的基本特性。這些復(fù)雜細(xì)胞可以看成局部方位能量算子，用復(fù)雜細(xì)胞活動(dòng)的最大值可以對(duì)圖形邊與線進(jìn)行準(zhǔn)確定位，因此本發(fā)明通過(guò)Gabor能量來(lái)模擬復(fù)雜細(xì)胞的響應(yīng)。二維Gabor濾波器表示如下。
[0022]
【權(quán)利要求】
1.一種WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法，其特征在于步驟如下: 步驟I，輸入微光圖像； 步驟2，設(shè)置非經(jīng)典感受野模型參數(shù):nCRF和CRF區(qū)域半徑比P，高斯標(biāo)準(zhǔn)差σ，核函數(shù)尺度σ k，調(diào)制系數(shù)a e [O, I]、b e [O, I]，根據(jù)式I及參數(shù)計(jì)算CRF和nCRF區(qū)域圓形半徑r。和Pr。；
2.根據(jù)權(quán)利要求1所述的WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法，其特征在于:所述步驟5中的WKPCA算法基于KPCA算法，在高維特征空間CRF協(xié)方差矩陣中引入特征向量角匹配FAM值對(duì)CRF各像元特征向量加權(quán)，F(xiàn)AM值為高維特征空間中CRF各像元特征向量與CRF特征數(shù)據(jù)集向量均值的向量夾角。
3.根據(jù)權(quán)利要求1或2所述的WKPCA同質(zhì)度校正nCRF抑制的微光圖像顯著輪廓提取方法，其特征在于:所述步驟5中的WKPCA算法計(jì)算CRF特征數(shù)據(jù)集主成分的步驟如下: 首先由式4計(jì)算CRF各像元的特征向量角匹配FAM值乂，i = H，并根據(jù)FAM值對(duì)高維特征空間CRF各像元特征向量加權(quán)；再計(jì)算加權(quán)后CRF多維特征數(shù)據(jù)集主成分，以及nCRF中各像元特征向量在CRF主成分上的投影即δ w(r)，式6中r e FY，DW為核矩陣Kw的特征向量，k(.)為徑向基核函數(shù)；
【文檔編號(hào)】G06T5/00GK103473759SQ201310253229
【公開(kāi)日】2013年12月25日 申請(qǐng)日期:2013年6月24日 優(yōu)先權(quán)日:2013年6月24日
【發(fā)明者】柏連發(fā), 張毅, 陳錢, 顧國(guó)華, 韓靜, 岳江, 祁偉, 金左輪 申請(qǐng)人:南京理工大學(xué)