基于非經典感受野動態特性的輪廓檢測模型

潘亦堅 林川 郭越 吳艷

摘要：輪廓檢測是計算機視覺的重要任務之一，并廣泛地用于醫學，工程，交通等領域.針對這些領域的檢測需求，本文受非經典感受野動態特性的啟發提出一種仿生型輪廓檢測模型：在模擬初級視皮層（V1區）神經元的經典感受野響應時，用改進的神經元激活函數sigmoid提取局部尺度信息，然后用局部最優尺度代替現有模型中的全局感受野尺度，并將提取的局部最優尺度信息對非經典感受野抑制進行調制.基RUG40和伯克利圖像數據庫的實驗結果表明，本文的輪廓檢測模型較同類模型獲得了較高的性能評測指數，有效地提高了輪廓檢測的性能。

關鍵詞：輪廓檢測；非經典感受野；動態特性；局部最優尺度

0引言

在雜亂的環境中分離背景紋理與目標輪廓一直是計算機視覺中一項重要的任務，輪廓檢測需要消除背景紋理及噪聲的影響從而提取圖像中的目標輪廓，成為圖像分割、目標輪廓提取等問題的重要基礎技術。

大量視覺生理研究表明，初級視皮層（V1區）的神經元在從視覺場景中提取目標輪廓信息中扮演著重要的角色，是近年來輪廓檢測的主要研究對象.普遍認為v1區神經元的每個感受野都有它自己的一個小的興奮區域，該區域被稱作經典感受野（Classical Receptive Field，CRF），而周邊廣大區域則是其相鄰單元所產生的抑制區，該區域被稱作非經典感受野（non-Classical Receptive Field，nCRF）.其中，神經元的活動被鄰近單元所施加的抑制所減弱，這種相互影響的側抑制作用在機器視覺研究中受到越來越多的關注.2003年Grigorescu等采用Gabor模型模擬經典感受野的輸出，并利用非經典感受野的抑制特性，提出圓環形抑制區域采用高斯差分（Difference 0fGaussian，DoG）模型來模擬其距離權值.基于該模型，不少研究者在非經典感受野對視覺刺激響應的抑制作用方面進行了相應的改進.2007年Sang等根據初級視皮層循環抑制特性建立了一種基于側抑制區的抑制模型，其通過抑制機制消除了背景中大量繁雜的紋理所產生的局部有向邊緣，但側抑制機制的引入導致部分檢測到的輪廓斷裂，在一定程度上降低了邊緣響應，2009年杜曉鳳等為了彌補側抑制機制對弱輪廓區域的損壞，引入了去抑制機制，使得較弱的輪廓區域得以保存，提取輪廓的整體性得到了進一步的加強.2011年Zeng等提出了蝶形抑制區域模型以及一種中心周邊相互作用的自適應抑制方法，較好地去除了背景紋理產生的邊緣.Yang等通過上下文調制結合視覺系統中的線索來調制最終的神經元周邊抑制，通過結合不同的視覺特征來加強抑制作用的性能.在之前的研究成果中，課題組模擬V1神經元相互抑制機制提出了一種基于空間總和特性的輪廓檢測模型，有效地降低了背景紋理對于輪廓的負面影響。

然而上述輪廓檢測模型在模擬感受野的響應計算中設定了全局尺度（定值），即每個像素點對應的尺度因子均相同，導致目標輪廓的信息不能被完整地提取.2014年Wei等模擬神經節細胞的自適應機制，通過動態的尺度信息來自適應地表達圖像，說明感受野尺度在表達圖像局部信息中起到重要作用.而本文著重關注動態尺度信息對于后續輪廓提取的調制作用.人類的感知機制能夠迅速地提取視野之中的目標物體，是由于各視皮層中多種神經元機制相互作用，只依賴一種類型神經元的響應很難實現提取最優化.根據文獻[12]描述的人類視覺系統中視網膜——外膝體—初級視皮層（V1區）這一視覺通路，視網膜神經節細胞的感受野動態特性會對V1區中經典感受野響應與非經典感受野的抑制效應造成影響，這也是本文實現的理論基礎.單一空間頻率尺度下的經典感受野響應僅僅能表現出一定程度下的目標輪廓提取細節，而單尺度下的感受野尺度模板是不足以完全表現不同空間頻率尺度下圖像的各種細節.本文基于以上生理學依據提出基于非經典感受野動態特性的輪廓檢測模型，引入尺度判斷這一處理機制，通過修正的sigmoid激活函數對像素點對應的感受野模板尺度進行判斷，并得到每個像素點的局部尺度.將判斷后得到的尺度信息用于經典感受野響應的計算，同時用提取的尺度矩陣對周邊抑制進行調制從而得到最優輪廓檢測結果.實驗結果表明，本文的輪廓檢測模型較同類模型，獲得了較高的性能評測指數，有效地提高了輪廓檢測的性能。

1基于感受野動態特性的輪廓檢測模型

1.1輪廓檢測總體模型

本文提出的基于非經典感受野動態特性輪廓檢測模型總體框架如圖1所示。

1.2局部尺度計算方法

每個尺度對應一組神經元感受野大小，不同的感受野大小的神經節細胞存在不同尺度下的特性.如圖2所示展示了不同尺度下的gabor能量表示經典感受野響應，可以發現大尺度下的響應能夠體現輪廓的整體情況，而小尺度下的響應則突出了圖像更多的細節.本文定義一個高斯差分算子DoG（x，y）來對輸入圖像進行卷積計算作為尺度判斷的輸入。

1.3經典感受野響應

文中對于方向選擇性的V1神經元模型，使用二維Gabor函數描述它們對cRF中刺激響應的特性，其描述如下：

1.4非經典感受野響應

經典感受野響應在孤立的邊緣和紋理上的響應都很強烈，不足以區分這兩種模式.相比之下抑制項對背景紋理的響應要高于獨立的邊緣，所以當經典感受野響應減去非經典感受野抑制的時候，最終響應就只會在獨立的邊緣上響應強烈.對于輸入圖像中的某個像素點來說，抑制項通過經典感受野周邊的圓環形區域計算得到.用標準化權重函數w（x，y）描述非經典感受野：

2實驗結果與討論分析

在硬件平臺CPU為Intel（R）core（TM）i3-4130，主頻為3.4GHz，內存為8 GB的計算機上，使用MATLAB 2016a仿真軟件對各項同性模型、蝶形抑制模型、自適應抑制模型、多線索抑制調制模型、文獻[10]中的輪廓檢測模型、Canny輪廓檢測模型以及本文提出的檢測模型進行仿真實驗，同時使用標準評價指數F對所有模型得到的圖像數據結果進行評測。

為測試本文檢測模型性能，分別從定性和定量兩個方面進行實驗來論證本文模型的有效性：1）基于RUG40數據庫，給出一個與同類模型的比較來說明本文的輪廓提取結果在抑制背景紋理方面得到了提高；2）基于伯克利數據庫BSDS300，將本文模型得出的輪廓檢測結果與數據庫中給出的真實輪廓做定量比較來全面評測本文輪廓檢測的性能，表1給出了主要參數設置情況。

2.1基于RuG數據庫的實驗結果及分析

圖3顯示的是基于RUG40數據庫的兩種模型的抑制效果比較，分別是本文模型與各向同性抑制模型（Isotropic Inhibition，ISO），其中圖3（a）是原始輸入圖像，圖3（b）為經過1.2小節判斷之后得到的局部尺度信息，圖3（c）是經局部尺度調制后得到的CRF響應，圖3（d）是經局部尺度調制后得到的nCRF抑制項，圖3（e）是圖3（c）減去圖3（d）后再經過非極大值抑制和滯后閾值處理后得到的二值輪廓圖像，圖3（f）是ISO各項同性模型中提出的CRF響應，圖3（g）是ISO中提出的nCRF響應，圖3（h）是圖3（f）減去圖3（d）后再經過非極大值抑制和滯后閾值處理后得到的二值輪廓圖像.通過圖3（e）和圖3（h）的對比可以看出本文檢測模型的優勢之處：1）調制后的CRF的響應使得圖3（e）保留了更完整的輪廓信息；2）調制后的nCRF響應使得圖像的背景紋理得到了有效的抑制，可以清楚的看到就圖像下半部分的背景區域來說圖3（e）中的噪點要遠少于圖3（h），這說明輸入圖像中多余的背景雜草部分通過本文方法檢測后大部分都得以消除。

2.2基BSDS300數據庫的實驗結果及分析

基于表1中的參數設置，在伯克利圖像數據庫BSDS300中測試輪廓提取模型的性能，圖4給出了幾種輪廓檢測模型經過非極大值抑制后的輪廓比較.其中第一列和第二列分別是數據庫給出的自然圖像以及人工繪制的邊界圖像，第三列是各向同性抑制模型ISO的實驗結果，第四列是自適應抑制模型的實驗結果，最后一列是本文模型的實驗結果，通過橫向比較可以發現我們的檢測模型對輪廓邊緣的還原度最高，并且在抑制背景紋理方面優于其他兩種模型。

本文也通過該數據庫下的100幅圖像對提出的模型進行定量評測，該數據庫包括200張訓練圖像和100張測試圖像.每一個圖像都對應有5-10幅由不同人員繪制的真實輪廓圖.文獻[18]中用精確度一回歸度（覆蓋率）框架（precision-recall framework）來評價輪廓檢測性能的高低.當對輪廓檢測模型進行評價時，有幾個重要的檢測量需要注意：1）True Positives-TP：正確檢測出輪廓的樣本數；2）False Positives-FP：錯誤檢測出的輪廓的樣本數，比如將背景誤檢測為輪廓輸出；3）False Negatives-FN：漏檢樣本，即實際上是輪廓的區域被檢測成背景區域的樣本.于是評價方式為：精確度一回歸度（覆蓋率）曲線，這是一個包含閾值參數的曲線并且權衡了精確性和噪聲，在這條曲線中F值最大的點即為該算法的最優性能指數.精確度（P）是P=TP/（TP+FP）；回歸度是R=TP/（TP+FN），即真實輪廓中輪廓的覆蓋率（R）評價標準為F指數，其定義如下：

F指數為P和R的調和平均，其代表著模型的檢測結果與人類觀察輪廓的相似度。

表2中列出了一些優秀檢測模型的F值結果，可以看到在最近幾年的仿生類輪廓檢測模型中，本文的方法達到了0.63，高于蝶形方法、多線索抑制調制模型（Multi-ple-Cue Inhibition，MCI）等，為了更加直觀地比較本方法與其他同類檢測方法的性能，用圖5中的PR曲線圖展示本文檢測模型同其他檢測模型的精準度一回歸度走勢.由于F值表示精準度和回歸度的調和平均，可以看到隨著精準度降低，回歸度升高，最終本文的F指數都高于其他方法。

2.3對nCRF抑制調制的實驗結果

為了表現不同尺度下的局部圖像信息，用提取的尺度信息對經典感受野響應進行計算；為了增強nCRF抑制項的抑制效果，又用局部尺度對nCRF抑制項進行調制，目的是為了突出背景響應，減弱邊緣響應，這樣經典感受野響應減去該調制的抑制項后就能抑制掉更多的背景噪點，從而突出輪廓信息.

為了驗證這一步驟，本文基于BSDS300數據庫進一步實驗在無抑制調制的情況下，輪廓響應的結果.PR曲線結果如圖6所示，本文的輪廓檢測算法在無抑制調制的情況下評價指數F值只能達到0.60，但是在進行抑制調制過后評價指數F值達到了0.63，這充分說明了本文的抑制調制方法使得模型整體的輪廓檢測性能得到了提高。

同時本文選取了5幅實驗結果圖像用于對比有抑制調制和無抑制調制下的輪廓檢測結果，如圖7所示，可以看出抑制調制能夠有效地抑制圖像背景中多余的噪點使提取的輪廓更加完整。

3結論

近年來，有許多生理學和神經物理學方面的研究都主要關注于神經視皮層V1區的周邊抑制現象，受到這些研究的啟發，不少提取目標輪廓的計算模型相繼被提出，盡管這些方法中的一部分在提高檢測輪廓成功率方面取得了不小進步，然而很少有利用圖像的尺度信息對CRF響應和nCRF抑制進行調制.針對該問題，提出了一種基于感受野尺度調制的輪廓檢測模型：將尺度信息融入到傳統的基于V1區神經元感受野特性的輪廓檢測中.后續對于實驗結果的分析也說明本文的模型能夠在保留輪廓完整性的基礎上最大限度地抑制背景紋理，今后工作的重點是進一步研究尺度線索能否與其他線索相結合對基于非經典感受野的檢測模型進行改進，如何更有效地利用局部最優尺度也將會成為輪廓提取的重點。