本發(fā)明涉及計算機視覺
技術領域：
，特別涉及一種復雜環(huán)境中目標輪廓提取方法。
背景技術：
：輪廓提取是計算機視覺領域的一個重要內容，對于目標檢測、目標識別等問題的解決有重要意義。復雜環(huán)境中的目標輪廓提取有兩大要求：1)提取有效邊界；2)濾除背景干擾。傳統(tǒng)的輪廓提取方法，如Robert算子、Canny算子等，由于無法區(qū)分真實輪廓與背景干擾，很難實現(xiàn)背景干擾的濾除。而近年來，隨著人體視覺理論的發(fā)展，人們逐漸開始利用生物體的視覺信息處理特性來建立模型，實現(xiàn)復雜環(huán)境中的輪廓提取功能。該領域方法主要有：各向同性外周抑制方法和各向異性外周抑制方法(GrigorescuC,PetkovN,WestenbergMA.Contourdetectionbasedonnonclassicalreceptivefieldinhibition.IEEEtransactionsonimageprocessing.2003；12(7):729-39.)、蝶型外周易化和抑制方法(TangQ,SangN,ZhangT.Extractionofsalientcontoursfromclutteredscenes.PatternRecognition.2007；40(11):3100-9.)、自適應蝶型外周抑制方法(ZengC,LiY,LiC.Center-surroundinteractionwithadaptiveinhibition:acomputationalmodelforcontourdetection.NeuroImage.2011；55(1):49-66.)這些方法都是基于生物視覺體系中的經典感受野和非經典感受野特性建立。前兩種方法都是在經典感受野外周定義環(huán)形區(qū)域來模擬非經典感受野，利用非經典感受野的抑制特性來濾除背景信息。而后兩種方法則進一步地將外周環(huán)形區(qū)域劃分為兩個端區(qū)和兩個側區(qū)，在不同區(qū)域模擬易化或抑制特性。蝶型外周易化和抑制方法是在兩個端區(qū)施加易化特性，在兩個側區(qū)施加抑制特性，實現(xiàn)了復雜環(huán)境中較弱輪廓的增強。自適應蝶型外周抑制方法則仍是在端區(qū)和側區(qū)均施加抑制效應，但通過自適應機制的引入，自適應地調節(jié)端區(qū)抑制的強度，進一步提高了輪廓提取的效果。相對于傳統(tǒng)方法，這些方法在目標輪廓提取方面取得了較好的結果。但同樣存在一定缺點：已有模型在非經典感受野各分區(qū)往往僅考慮易化或抑制效應中的一種，易導致輪廓提取結果出現(xiàn)錯漏，對復雜場景的輪廓提取適應性較差等；已有模型中易化機制建模效果欠佳，對弱輪廓的增強效果不理想。技術實現(xiàn)要素：本發(fā)明的主要目的在于針對現(xiàn)有技術的不足，提供一種復雜環(huán)境中目標輪廓提取方法。為實現(xiàn)上述目的，本發(fā)明采用以下技術方案：一種復雜場景中目標輪廓提取方法，包含以下步驟：S1.對原始圖片進行Gabor濾波；S2.根據(jù)步驟S1濾波結果求取最大Gabor能量圖和最優(yōu)方向圖；S3.根據(jù)步驟S2中最大Gabor能量圖和最優(yōu)方向圖，計算非經典感受野側區(qū)抑制量；S4.根據(jù)步驟S2中最大Gabor能量圖和最優(yōu)方向圖，計算非經典感受野端區(qū)易化量；S5.根據(jù)步驟S2中最大Gabor能量圖和最優(yōu)方向圖，計算非經典感受野端區(qū)抑制量；S6.根據(jù)步驟S2中最大Gabor能量圖、最優(yōu)方向圖和步驟S3中側區(qū)抑制量，計算端區(qū)易化/抑制權重；S7.根據(jù)步驟S2～S6所得結果，計算施加側區(qū)抑制、端區(qū)易化、端區(qū)抑制三者之后的輪廓圖像；S8.對步驟S7中所得圖像進行二值化處理，得到最終輪廓提取結果。進一步地：步驟S1中，構造一組不同方向的Gabor濾波器，并用該組濾波器處理原始圖像，處理方式為濾波器與原始圖像的卷積，由此得到一組不同方向的檢測結果。步驟S2中，選取各個位置像素點在不同方向上的檢測最大值，各位置最大值對應的方向為最優(yōu)方向，由此得到最大Gabor能量圖和最優(yōu)方向圖。步驟S3中，來自兩個側區(qū)的總抑制量為兩側區(qū)抑制量之和減去二者之差的絕對值。步驟S3中，用二維非負高斯差函數(shù)定義非經典感受野環(huán)形區(qū)域，兩側區(qū)位于中心經典感受野方向的垂線上，兩側區(qū)抑制量為側區(qū)濾波核與最大Gabor能量圖的卷積，其中側區(qū)濾波核為定義在該區(qū)域中的非負高斯差函數(shù)。步驟S4中，總的端區(qū)易化量為兩端區(qū)易化量之積的開方。步驟S4中，每個端區(qū)中某一位置的易化量為該位置濾波核易化強度向量與圖像對應位置灰度值向量的點積，每個端區(qū)的易化量為該端區(qū)內所有位置易化量之和。步驟S5中，總的端區(qū)抑制量為兩端區(qū)抑制量之和。步驟S6中，綜合考慮大尺度Gabor最大能量圖和小尺度側區(qū)抑制量來自適應調節(jié)端區(qū)易化或抑制效應的強度，確定計算端區(qū)易化/抑制權重，其中大尺度定義為小尺度的預定倍數(shù)。步驟S8中，所述二值化處理包括非極大抑制和滯后閾值法兩個處理步驟。本發(fā)明的有益效果：本發(fā)明針對現(xiàn)有技術不足，提出了一種基于視覺系統(tǒng)特性的輪廓提取方法，實現(xiàn)在復雜場景中目標輪廓的提取，對復雜場景適應性強。其顯著優(yōu)點體現(xiàn)在：1)提供了一套更有效的易化模型，并將其施加于非經典感受野端區(qū)；2)在非經典感受野端區(qū)同時考慮易化和抑制效應，實現(xiàn)了濾除背景干擾的同時，增強較弱輪廓，從而檢測出更多有效邊界。本發(fā)明能夠更好地滿足復雜場景輪廓提取的兩個要求，即盡可能多的保留有效輪廓并濾除背景干擾。附圖說明圖1為本發(fā)明實施例的方法流程圖；圖2為本發(fā)明實施例中的感受野區(qū)域示意圖，其中1為中心經典感受野區(qū)域，2為外周環(huán)形非經典感受野區(qū)域，3和6分別為非經典感受野側區(qū)R和L，5和7分別為非經典感受野端區(qū)B和T，4為中心經典感受野最優(yōu)方向；圖3為本發(fā)明實施例中的原始圖像(a)、輪廓真值圖(b)、各向同性外周抑制方法結果(c)、各向異性外周抑制方法結果(d)、自適應外周抑制方法結果(e)、本實施方法結果(f)。具體實施方式以下對本發(fā)明的實施方式作詳細說明。應該強調的是，下述說明僅僅是示例性的，而不是為了限制本發(fā)明的范圍及其應用。參閱圖1，在一種實施例中，一種復雜場景中目標輪廓提取方法，包含以下步驟：S1.對原始圖片進行Gabor濾波；S2.根據(jù)步驟S1濾波結果求取最大Gabor能量圖和最優(yōu)方向圖；S3.根據(jù)步驟S2中最大Gabor能量圖和最優(yōu)方向圖，計算非經典感受野側區(qū)抑制量；S4.根據(jù)步驟S2中最大Gabor能量圖和最優(yōu)方向圖，計算非經典感受野端區(qū)易化量；S5.根據(jù)步驟S2中最大Gabor能量圖和最優(yōu)方向圖，計算非經典感受野端區(qū)抑制量；S6.根據(jù)步驟S2中最大Gabor能量圖、最優(yōu)方向圖和步驟S3中側區(qū)抑制量，計算端區(qū)易化/抑制權重；S7.根據(jù)步驟S2～S6所得結果，計算施加側區(qū)抑制、端區(qū)易化、端區(qū)抑制三者之后的輪廓圖像；S8.對步驟S7中所得圖像進行二值化處理，得到最終輪廓提取結果。在優(yōu)選的實施例中，步驟S1中，構造一組不同方向的Gabor濾波器，并用該組濾波器處理原始圖像，處理方式為濾波器與原始圖像的卷積，由此得到一組不同方向的檢測結果。在進一步的實施例中，步驟S2中，選取各個位置像素點在不同方向上的檢測最大值，各位置最大值對應的方向為最優(yōu)方向，由此得到最大Gabor能量圖和最優(yōu)方向圖。在優(yōu)選的實施例中，步驟S3中，來自兩個側區(qū)的總抑制量為兩側區(qū)抑制量之和減去二者之差的絕對值。在進一步的實施例中，步驟S3中，用二維非負高斯差函數(shù)定義非經典感受野環(huán)形區(qū)域，兩側區(qū)位于中心經典感受野方向的垂線上，兩側區(qū)抑制量為側區(qū)濾波核與最大Gabor能量圖的卷積，其中側區(qū)濾波核為定義在該區(qū)域中的非負高斯差函數(shù)。在優(yōu)選的實施例中，步驟S4中，總的端區(qū)易化量為兩端區(qū)易化量之積的開方。在優(yōu)選的實施例中，步驟S4中，每個端區(qū)中某一位置的易化量為該位置濾波核易化強度向量與圖像對應位置灰度值向量的點積，每個端區(qū)的易化量為該端區(qū)內所有位置易化量之和。在優(yōu)選的實施例中，步驟S5中，總的端區(qū)抑制量為兩端區(qū)抑制量之和。在優(yōu)選的實施例中，步驟S6中，綜合考慮大尺度Gabor最大能量圖和小尺度側區(qū)抑制量來自適應調節(jié)端區(qū)易化或抑制效應的強度，確定計算端區(qū)易化/抑制權重，其中大尺度定義為小尺度的預定倍數(shù)。在優(yōu)選的實施例中，步驟S8中，所述二值化處理包括非極大抑制和滯后閾值法兩個處理步驟。以下通過更具體的實施例進一步描述本發(fā)明的方法。在一些具體實施例中，該復雜場景中目標輪廓提取方法可以包括以下步驟：S1.Gabor濾波：利用Gabor濾波器模擬圓形經典感受野特性。構造一組Nθ個不同方向的Gabor濾波器，并用該組濾波器處理原始圖像，得到一組不同方向的檢測結果。濾波器尺度(大小)由參數(shù)高斯標準差σ控制，濾波器方向為θ，(x,y)表示濾波器和圖像中一點的二維坐標。處理方式為濾波器Gσ(x,y,θ)與原始圖像I(x,y)的卷積：Eσ(x,y,θ)＝I(x,y)*Gσ(x,y,θ)S2.計算Gabor最大能量圖和最優(yōu)方向圖：在S1中得到的Nθ個不同方向檢測結果中，選取各個位置(像素點)在不同方向上的檢測最大值作為最終的檢測結果，各位置最大值對應的方向為最優(yōu)方向，由此得到Gabor最大能量圖和最優(yōu)方向圖E~σ(x,y)=max{Eσ(x,y,θi)|i=1,2,···,Nθ}]]>θ~σ(x,y)=argmax{Eσ(x,y,θi)|i=1,2,···,Nθ}]]>S3.計算側區(qū)抑制量：用二維非負高斯差函數(shù)Wσ(x,y)定義非經典感受野環(huán)形區(qū)域，兩側區(qū)L(x,y,θ)和R(x,y,θ)位于中心經典感受野(Gabor濾波器)方向的垂線上。兩側區(qū)抑制強度IL和IR為側區(qū)濾波核與最大Gabor能量圖的卷積：IL(x,y,θ)=(L(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>IR(x,y,θ)=(R(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>其中側區(qū)濾波核為定義在該區(qū)域中的二維非負高斯差函數(shù)，以側區(qū)L為例，濾波核表示為L(x,y,θ)·Wσ(x,y)?？偟囊种茝姸菼S為兩側區(qū)抑制強度的整合：IS(x,y,θ)＝IL(x,y,θ)+IR(x,y,θ)-|IL(x,y,θ)-IR(x,y,θ)|S4.計算端區(qū)易化量：兩端區(qū)T(x,y,θ)和B(x,y,θ)位于中心經典感受野(Gabor濾波器)方向延長線上。中心位于點z(x,y)的非經典感受野端區(qū)濾波核K(x,y,θ)為：K(x,y,θ)=Wσ(x,y)·exp(-α′22σθ2)]]>其中，σθ為常數(shù)，用于控制端區(qū)易化濾波核中各點的易化強度，m和n為端區(qū)中一點z’相對于中心z的偏移坐標，即z’坐標為(x+m,y+n)，該點對應圖像灰度值檢測最優(yōu)方向為β。端區(qū)易化量FT(x,y,θ)和FB(x,y,θ)為每個端區(qū)點對中心易化效應之和，其中濾波核易化強度向量：圖像灰度值向量：FT(x,y,θ)=Σz,∈TK→(x+m,y+n)·E→σ(x+m,y+n)]]>FB(x,y,θ)=Σz,∈BK→(x+m,y+n)·E→σ(x+m,y+n)]]>兩端區(qū)總易化量為二者的整合：FE(x,y,θ)=FT(x,y,θ)·FB(x,y,θ)]]>S5.計算端區(qū)抑制量：與側區(qū)抑制類似，端區(qū)抑制IT和IB定義為濾波核與最大Gabor能量圖的卷積：II(x,y,θ)=(T(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>IB(x,y,θ)=(R(x,y,θ)·Wσ(x,y))*E~σ(x,y)]]>兩端區(qū)總抑制量為：IE(x,y,θ)＝IT(x,y,θ)+IB(x,y,θ)S6.計算端區(qū)易化/抑制權重：綜合考慮更大尺度σc下的Gabor最大能量圖和小尺度σ下的側區(qū)抑制量來自適應調節(jié)端區(qū)易化或抑制效應的強度。對于圖像中一點，Gabor能量強度越大，側區(qū)抑制量越小，則端區(qū)易化效應越強，抑制效應越弱；反之，Gabor能量強度越小，側區(qū)抑制量越大，則端區(qū)易化效應越弱，抑制效應越強。端區(qū)易化WF和抑制權重WI計算如下：WF(x,y)＝1+Wc(x,y,σc)-Wf(x,y,σ),WI(x,y)＝2-WF(x,y)Wc(x,y,σc)=f(E~σc(x,y)||E~σc(x,y)||1)]]>Wf(x,y,σ)=f(IS(x,y,σ)||IS(x,y,σ)||1)]]>f(t)＝1/(1+exp(-a(t-τ)))其中，||·||1表示L1范數(shù)，a和τ為常數(shù)。該部分為本領域現(xiàn)有技術，具體參見文獻：ZengC,LiY,LiC.Center-surroundinteractionwithadaptiveinhibition:acomputationalmodelforcontourdetection.NeuroImage.2011；55(1):49-66，在此不做詳細描述。S7.計算施加易化及抑制效應后的輪廓圖像：綜合側區(qū)抑制效應和端區(qū)易化及抑制效應，施加兩種非經典感受野特性后的輪廓圖像為：M(x,y)=[E~σ(x,y)-α1IS(x,y)+α2(WF(x,y)·FE(x,y))-α3(W1(x,y)·IE(x,y))]+]]>其中，[·]+表示半波整流算子。α1，α2和α3為常數(shù)，控制端區(qū)和側區(qū)對中心的影響強度。二值化處理：首先對S7中輪廓圖像進行歸一化，而后進行標準二值化處理，包括非極大抑制和滯后閾值法兩個基本步驟。實例：以實際自然圖像為原始圖像，原始圖像及輪廓真值圖來源于RuG數(shù)據(jù)庫，圖像大小為512*512像素。采用以下處理步驟：S1.Gabor濾波：構造一組共12個不同方向的Gabor濾波器，該組濾波器標準差σ＝2.4，濾波器共12個方向，在180°范圍內均勻分布，即為0,1/12π,1/6π,……,11/12π，其中豎直方向為0°方向。該組濾波器直徑為25像素。分別用這12個濾波器處理原始圖像，得到12個方向下的處理結果。在12個方向的檢測結果中，坐標為(200,140)對應位置(原點位于圖片左上角)的灰度值依次為：0.0028、0.0043、0.0036、0.0047、0.0031、0.0026、0.0007、0.0027、0.0091、0.0155、0.0074、0.0018。S2.計算Gabor最大能量圖和最優(yōu)方向圖：選取圖中每個位置(像素點)12個方向處理結果的最大值作為該位置的處理結果，并選擇該最大值對應的方向為最優(yōu)方向。則對于坐標為(200,140)的位置，最大灰度值為0.0155，最優(yōu)方向為3π/4。對于圖中每個位置進行該操作，則得到Gabor最大能量圖和最優(yōu)方向圖。S3.計算側區(qū)抑制量：對于圖中某一位置，定義圓環(huán)形非經典感受野區(qū)域。該區(qū)域內徑與Gabor濾波器相同，外徑是其的4倍。根據(jù)其最優(yōu)方向確定環(huán)形區(qū)域中側區(qū)位置，側區(qū)位于該最優(yōu)方向的垂線上，側區(qū)張角為2π/3。對于坐標為(200,140)的位置，兩側區(qū)連線方向為π/4。該位置側區(qū)抑制量為0.0037。S4.計算端區(qū)易化量：同樣根據(jù)某一位置最優(yōu)方向確定環(huán)形區(qū)域中端區(qū)位置，端區(qū)位于最優(yōu)方向延長線上，端區(qū)張角為π/3。對于坐標為(200,140)的位置，兩側區(qū)連線方向為3π/4。設定σθ＝π/6，則該位置端區(qū)易化量計算結果為0.0079。S5.計算端區(qū)抑制量：與側區(qū)抑制量計算類似，坐標為(200,140)位置端區(qū)抑制量計算結果為0.0033。S6.計算端區(qū)易化/抑制權重：綜合考慮大尺度Gabor最大能量圖和小尺度側區(qū)抑制量來自適應調節(jié)端區(qū)易化或抑制效應的強度。其中大尺度σc定義為小尺度σ的5倍。參數(shù)α＝40,τ＝0.25。坐標為(200,140)位置的端區(qū)易化和抑制權重計算結果分別為：0.9994和1.0006。S7.計算施加易化及抑制效應后的輪廓圖像：參數(shù)定義為：α1＝2；α2＝α3＝1，則(200,140)位置的輪廓計算結果為0.0127。S8.二值化處理：歸一化后(200,140)位置的灰度值為0.0489。之后利用非極大抑制和滯后閾值法對S7結果進行二值化處理。從圖3中的處理結果可以看出，本發(fā)明能夠更好地滿足復雜場景輪廓提取的兩個要求，即盡可能多的保留有效輪廓并濾除背景干擾。對現(xiàn)有三種實施方法和本發(fā)明的方法進行定量評價，本領域現(xiàn)有三種方法最終結果評價指標P(參數(shù)越接近于1，則表明效果越好)分別為：0.53(圖3中的結果c)、0.40(圖3中的結果d)、0.55(圖3中的結果e)，本實施方法最終結果(圖3中的結果f)評價指標P為0.62，相對于三種已有方法，分別提高了17％，55％，13％。以上內容是結合具體/優(yōu)選的實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬
技術領域：
的普通技術人員來說，在不脫離本發(fā)明構思的前提下，其還可以對這些已描述的實施方式做出若干替代或變型，而這些替代或變型方式都應當視為屬于本發(fā)明的保護范圍。當前第1頁1 2 3