[发明专利]基于非经典感受野复合调制的夜视图像显著轮廓提取方法

说明书

技术领域

本发明属于夜视图像理解领域，特别是一种基于视觉建模的复杂场景下夜视图像显著轮廓提取方法。

背景技术

轮廓提取在夜视图像(微光、红外图像)理解分析方面发挥着重要作用。目前夜视目标探测识别方面的应用大部分是针对户外场景的，因此夜视图像中包含了大量的自然纹理（例如树和草）。传统的边缘检测算子的作用结果保留大量非轮廓的边缘成分（canny算子），如何针对微光和红外图像特征，去除这些由纹理场所产生的局部非兴趣边缘，并且保持轮廓的完整性是夜视图像轮廓检测主要面临的问题。

针对复杂场景的轮廓提取问题提出了诸多解决方法，其中基于生物视觉机理的非经典感受野模型的轮廓提取在高质量可见光图像中获得了显著效果。视皮层(V1)神经元感受野(CRF)的大外周(非经典感受野nCRF)对CRF起调制作用，这种调制主要是抑制性的，能够使得孤立的边缘要比群体边缘更为显著。基于侧抑制区的仿生模型，较好地去除了背景纹理产生的边缘，如图1所示。在环境抑制方面Grigorescu等人(Contour detection based on Nonclassical Receptive Field inhibition)利用非经典感受野的抑制特性进行轮廓检测，利用环境对中心的方向抑制，减少了环境纹理的影响，并提出各向异性抑制和各向同性抑制模型；桑农等人(基于初级视皮层抑制的轮廓检测方法)根据非经典感受野刺激方位与感受野刺激方位差异，对抑制作用加权，建立了基于侧抑制区的蝶形模型，减小共线抑制的作用。一些生理学实验发现，V1区神经元不但受到非经典感受野的抑制，同时也受到非经典感受野的易化作用。Tang等人(Extraction of salient contours from cluttered scenes)在非经典感受野抑制模型中，加入共线易化特性，采用曲率判别标准来确定易化作用的大小，使得轮廓点上的输出更大。

但是上述非经典感受野模型对夜视图像的轮廓检测效果不佳，如图2所示。相对于高质量的可见光图像，微光图像噪声干扰严重，轮廓局部空间频率不突出；红外图像轮廓模糊，局部对比度不显著。一方面高噪声、低对比度导致夜视图像轮廓提取不准确、背景纹理无法抑制。另一方面抑制作用削弱轮廓强度，轮廓受到周边背景纹理的抑制，容易出现断裂，影响后续的目标识别。

发明内容

为解决夜视图像环境抑制不准确的问题，本发明在nCRF抑制模型基础上，引入多特征分析，针对夜视图像多维特征差异对比度对抑制作用加权，以提高环境抑制的准确率，实现更彻底的背景纹理、噪声抑制；为解决轮廓断裂的问题，本发明在nCRF抑制模型基础上，引入具有轮廓编组功能的易化机制，使弱轮廓得以增强、间裂轮廓得以连接，从而可以保持夜视图像轮廓的完整性，以提高目标检测的性能。

实现本发明目的的技术解决方案为：一种基于非经典感受野复合调制的夜视图像显著轮廓提取方法，根据一种非经典感受野复合调制模型构建多尺度迭代注意方法，在迭代过程中动态变化非经典感受野复合调制的尺度因子，计算出输入的夜视图像的复合调制结果；在每步迭代过程中，针对输入图像中各像素点，首先采用多维特征对比度MFC加权抑制模型计算各像素点的抑制结果，然后基于编组兴奋投票GEV易化模型计算各像素点的易化结果，最终获得非经典感受野复合调制输出。

具体实现步骤如下：

步骤1，输入夜视图像，夜视图像为微光图像或红外图像；

步骤2，设置迭代过程的非经典感受野复合调制模型参数：响应方位数                                               ，长宽比，空间频率带宽，非经典感受野nCRF和经典感受野CRF区域半径比，特征空间欧式距离权重，MFC权值随多特征对比度的衰减度，像素点偏好方位误差，曲率和弧长调节系数，复合调制系数，，，迭代次数上限，高斯标准差迭代初值，高斯标准差的迭代步长；根据【1】及上述参数计算CRF和nCRF区域圆形半径和；

                                                             【1】

步骤3，逐行扫描各个像素点，计算各像素点的个方向上的Gabor能量，；由【2】计算nCRF区域内的距离加权函数；

                       【2】

步骤4，针对微光图像高噪声、红外图像模糊的特点，结合空间频率、对比度、同质共生特性和相关共生特性构建特征向量：