覃溪 李興

摘要：對(duì)于計(jì)算機(jī)視覺(jué)來(lái)說(shuō)，輪廓檢測(cè)屬于關(guān)鍵任務(wù)，在交通、工程以及醫(yī)學(xué)等行業(yè)具有廣泛應(yīng)用。對(duì)此，本文簡(jiǎn)單介紹輪廓檢測(cè)特點(diǎn)，基于感受野輪廓檢測(cè)模型分析相關(guān)實(shí)驗(yàn)結(jié)果。結(jié)果表明調(diào)制感受野尺度的輪廓檢測(cè)模型能夠充分保留完整輪廓，同時(shí)對(duì)背景紋理進(jìn)行有效抑制。

關(guān)鍵詞：非經(jīng)典感受野;輪廓檢測(cè);模型研究

中圖分類(lèi)號(hào)：TP391.41 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

基于雜亂環(huán)境實(shí)現(xiàn)目標(biāo)輪廓與背景紋理分離，屬于計(jì)算機(jī)視覺(jué)的主要任務(wù)，輪廓檢測(cè)應(yīng)該將背景紋理和噪聲等方面影響初步消除，進(jìn)而將圖像目標(biāo)輪廓提取出來(lái)，這也是提取目標(biāo)輪廓與分割圖像等方面的關(guān)鍵基礎(chǔ)技術(shù)。通過(guò)視覺(jué)的生理研究結(jié)果能夠發(fā)現(xiàn)，V1區(qū)（初級(jí)視皮層）神經(jīng)元在視覺(jué)場(chǎng)景中的輪廓信息提取具有重要作用，并成為輪廓檢測(cè)領(lǐng)域的關(guān)鍵研究對(duì)象。業(yè)界人士均認(rèn)為初級(jí)視皮層神經(jīng)元各個(gè)感受野均存在獨(dú)立興奮區(qū)，即nCRF（經(jīng)典感受野）。神經(jīng)元活動(dòng)在周邊單元施加抑制過(guò)程中會(huì)逐漸減弱，機(jī)器視覺(jué)領(lǐng)域開(kāi)始不斷關(guān)注此種側(cè)抑制作用。

在以往的輪廓檢測(cè)模型中，開(kāi)展模擬感受野響應(yīng)計(jì)算活動(dòng)時(shí)，設(shè)定了定值，所有像素點(diǎn)所對(duì)應(yīng)尺度因子并無(wú)明顯差異，致使目標(biāo)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(yīng)過(guò)程中只可以將部分提取細(xì)節(jié)表現(xiàn)出來(lái)，其尺度模板無(wú)法將各個(gè)空間頻率圖像細(xì)節(jié)表現(xiàn)出來(lái)。本文通過(guò)總結(jié)生理學(xué)依據(jù)，構(gòu)建基于非經(jīng)典感受野輪廓檢測(cè)模型，與尺度判斷機(jī)制進(jìn)行融合，借助sigmoid激活函數(shù)判斷像素點(diǎn)感受野的模板尺度，同時(shí)獲得所有像素點(diǎn)局部尺度[1]。在經(jīng)典感受的響應(yīng)計(jì)算活動(dòng)中應(yīng)用所得尺度數(shù)據(jù)，并通過(guò)尺度矩陣調(diào)制周邊矩陣，進(jìn)而獲得最佳輪廓檢測(cè)數(shù)據(jù)。實(shí)驗(yàn)結(jié)果顯示，與同類(lèi)模型相比，本文檢測(cè)模型的性能更加突出，可以充分促進(jìn)輪廓檢測(cè)質(zhì)量。

1 輪廓檢測(cè)特點(diǎn)

輪廓檢測(cè)特點(diǎn)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(huì)將主體輪廓淹沒(méi)，所以在大量紋理邊緣進(jìn)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(lái)，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(zhǎng)度。因?yàn)橹黧w具有空間面積，邊緣會(huì)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(cè)模型

2.1 總體模型

3 實(shí)驗(yàn)結(jié)果以及討論分析

所用計(jì)算機(jī)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(duì)本文檢測(cè)模型、同性模型以及以Canny等模型展開(kāi)仿真實(shí)驗(yàn)[4]。另外，選擇標(biāo)準(zhǔn)評(píng)價(jià)指數(shù)F評(píng)測(cè)各個(gè)模型中的圖像數(shù)據(jù)。

為了對(duì)模型實(shí)際性能進(jìn)行測(cè)試，從定量與定性兩個(gè)角度開(kāi)展實(shí)驗(yàn)，以充分驗(yàn)證其有效性。首先，通過(guò)RuG40信息庫(kù)，找出相似模型比較，對(duì)本文中提取輪廓的結(jié)果基于抑制紋理獲得有效提高進(jìn)行論證。其次，通過(guò)伯克利信息庫(kù)BSDS300，對(duì)模型檢測(cè)結(jié)果和信息庫(kù)中真實(shí)輪廓進(jìn)行定量比較，進(jìn)而對(duì)檢測(cè)性能進(jìn)行充分評(píng)測(cè)。設(shè)置參數(shù)見(jiàn)表1。

3.1 以RuG信息庫(kù)為基礎(chǔ)的實(shí)驗(yàn)結(jié)果以及討論分析

以RuG信息庫(kù)為基礎(chǔ)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(guò)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(yīng);（d）為調(diào)制局部尺度后所獲nCRF的抑制項(xiàng);（e）為（c）將（d）減去之后，通過(guò)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(yīng);（g）為ISO中nCRF響應(yīng);（h）為（f）將（d）減去之后，通過(guò)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(yīng)保證（e）的輪庫(kù)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(diǎn)更小，表明原圖中多余雜草在本文模型檢測(cè)之后得到有效消除。

3.2 以BSDS300信息庫(kù)為基礎(chǔ)的實(shí)驗(yàn)結(jié)果

以表1闡述為基礎(chǔ)，通過(guò)BSDS信息庫(kù)對(duì)模型性能進(jìn)行測(cè)試，見(jiàn)圖2。

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

通過(guò)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(shì)也較為明顯。借助BSDS信息庫(kù)中100幅圖像定量評(píng)測(cè)提出的模型，信息庫(kù)中訓(xùn)練圖像為200張，測(cè)試圖像為100張，通過(guò)不同人員對(duì)各個(gè)圖像真實(shí)輪廓進(jìn)行繪制[5]?？梢酝ㄟ^(guò)precision-recall framework對(duì)輪廓模型性能進(jìn)行評(píng)價(jià)，評(píng)價(jià)過(guò)程需要注意幾個(gè)檢測(cè)量。首先，True Positives（TP）。對(duì)輪廓樣本數(shù)量進(jìn)行正確檢測(cè)。其次，F(xiàn)alse Positives（FP）。輪廓樣本數(shù)錯(cuò)誤檢測(cè)，例如把背景檢測(cè)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(cè)為背景區(qū)域。評(píng)價(jià)方式就是精確度/覆蓋率曲線，其中涵蓋閾值參數(shù)，同時(shí)對(duì)噪聲以及精確性進(jìn)行充分權(quán)衡，曲線中，F(xiàn)最大值點(diǎn)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(duì)于評(píng)價(jià)標(biāo)準(zhǔn)，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(lèi)觀察情況與檢測(cè)結(jié)果的相似程度。本文模型F值高達(dá)0.63，遠(yuǎn)遠(yuǎn)高出ISO以及自適應(yīng)抑制等模型性能，見(jiàn)表2。

3.3 調(diào)制nCRF抑制的試驗(yàn)結(jié)果

為了將各個(gè)尺度局部圖像數(shù)據(jù)充分表現(xiàn)出來(lái)，通過(guò)所提取尺度數(shù)據(jù)計(jì)算CRF響應(yīng)。為了保證nCRF抑制項(xiàng)實(shí)際效果，通過(guò)局部尺度調(diào)制nCRF的抑制項(xiàng)，主要是將背景響應(yīng)充分體現(xiàn)出來(lái)，降低邊緣響應(yīng)，在CRF將調(diào)制抑制項(xiàng)減去之后，可以充分提高背景噪點(diǎn)抑制數(shù)量，將輪廓信息充分體現(xiàn)出來(lái)。為了對(duì)該步驟展開(kāi)有效驗(yàn)證，以BSDS信息庫(kù)為基礎(chǔ)展開(kāi)進(jìn)一步實(shí)驗(yàn)，基于無(wú)抑制調(diào)制條件，響應(yīng)結(jié)果見(jiàn)圖3。

本文檢測(cè)算法基于無(wú)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(cè)性能。

4 結(jié)語(yǔ)

一些神經(jīng)物理學(xué)與生理學(xué)研究者對(duì)神經(jīng)視皮層附近抑制問(wèn)題較為關(guān)注，并提出了一些目標(biāo)輪廓提取計(jì)算模型，但是在圖像尺調(diào)制nCRF抑制以及CRF響應(yīng)方面研究較少。對(duì)此，本文提出以調(diào)制感受野尺度的輪廓為檢測(cè)模型，該模型能夠充分保留完整輪廓，同時(shí)對(duì)背景紋理進(jìn)行有效抑制。

（責(zé)任編輯：陳之曦）

參考文獻(xiàn)：

[1]潘亦堅(jiān)，林川，郭越，等.基于非經(jīng)典感受野動(dòng)態(tài)特性的輪廓檢測(cè)模型[J]. 廣西科技大學(xué)學(xué)報(bào)， 2018， 29（2）：77-83.

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

[3]蔣涯，武薇，范影樂(lè).結(jié)合對(duì)比度適應(yīng)與側(cè)抑制信息關(guān)聯(lián)的輪廓檢測(cè)方法[J]. 航天醫(yī)學(xué)與醫(yī)學(xué)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(xué)報(bào)，2019，30（5）：221-229.

[5]辜衛(wèi)東，李兵.基于隨機(jī)區(qū)域合并的自動(dòng)彩色圖像分割算法[J].計(jì)算機(jī)科學(xué)， 2018，45（9）：286-289，300.