[发明专利]一种仿视觉感光层功能的图像多强度边缘检测方法

摘要

本发明涉及一种仿视觉感光层功能的图像多强度边缘检测方法。在图像预处理阶段，为避免视觉系统的适应性，对图像采取了多方向多尺度下的移动操作；构建感光层神经元网络模型，根据时间窗口内的神经元动作电位发放特性，判别并实现神经元之间的抑制性或增强性突触连接；以移动图像输入前后的感光层神经元网络响应模式差异，获取图像多强度边缘的检测结果。本发明考虑神经元突触连接特性以及神经元动作电位发放机制，模拟了视觉感光层的一些重要特性，能够有效实现图像多强度边缘的检测。

主权项

一种仿视觉感光层功能的图像多强度边缘检测方法，其特征在于该方法包括如下步骤：步骤(1)对原始图像I₀(i,j)进行某一距离尺度的移动，具体是：设在图像水平和竖直方向的移动距离分别为xmove和ymove，对原始图像I₀(i,j)从12点方向开始顺时针进行移动操作，依次获得8幅移动图像I₁～I₈，其中：I₁(i,j)＝I₀(i,j‑ymove)，I₂(i,j)＝I₀(i+xmove,j‑ymove)，I₃(i,j)＝I₀(i+xmove,j)，I₄(i,j)＝I₀(i+xmove,j+ymove)，I₅(i,j)＝I₀(i,j+ymove)，I₆(i,j)＝I₀(i‑xmove,j+ymove)，I₇(i,j)＝I₀(i‑xmove,j)，I₈(i,j)＝I₀(i‑xmove,j‑ymove)，其中i＝1,2…M；j＝1,2…N；步骤(2)构建感光层神经元网络Neuron(i,j)，感光层神经元网络中的单个神经元采用LIF模型，如式(1)所示；图像中每个像素点输入到对应的神经元；$\left\{\begin{array}{c}C\frac{{\mathrm{dV}}_{(i,j)}\left(t\right)}{dt}=-\frac{V_{(i,j)}\left(t\right)}{R}+{\mathrm{weight}}_{(i,j)}\×f_{(i,j)}\\ f_{(i,j)}=I(i,j)\×1\left(t\right)\\ V_{(i,j)}\left(t\right)=0,if{V}_{(i,j)}\left(t\right)\>V_{thresh}\end{array}\right.---\left(1\right)$其中C，R分别表示模拟电路的电容和电阻，V_(i,j)(t)表示细胞膜电位；weight_(i,j)×f_(i,j)表示神经元接受的刺激电流，由f_(i,j)和(weight_(i,j)‑1)×f_(i,j)两部分组成：f_(i,j)表示激励电流，(weight_(i,j)‑1)×f_(i,j)表示反馈电流，weight_(i,j)为反馈系数，是神经元网络中第i行第j列神经元的反馈强度大小，并对神经元网络中第i行第j列的神经元的反馈电流产生影响，因此weight_(i,j)初值设为1；I(i,j)表示输入图像像素点的灰度值，分别对应步骤(1)中的原图及移动后图像；1(t)为单位阶跃信号；V_thresh为兴奋阈值；设置C＝0.5，R＝20，V_thresh＝16，设观察的时间长度为T_max，T_max＝100秒；将观察时间总长度T_max，划分为40个时间长度为Δt₁的滑动时间窗，Δt₁＝2.5秒；设置滑动时间窗的初始序号k＝0，并将此滑动时间窗口设置为当前的分析时间窗口；步骤(3)将归一化后的各幅图像分别独立输入到感光层神经元网络中，当V_(i,j)(t)大于兴奋阈值时，此时神经元发放脉冲，然后把V_(i,j)(t)重置为0继续代入式(1)；记录神经元网络中各个神经元在当前分析时间窗口的脉冲发放次数，即第k个滑动时间窗的脉冲发放次数，得到此时间窗内整个神经元网络的脉冲平均发放次数，对各个神经元的类型进行判断；具体判决规则如式(2)和(3)所示；${\mathrm{aver}}_S=\frac{\underset{i=1,j=1}{\overset{i=M,j=N}{\Σ}}{S}_{(i,j)}(t-{\mathrm{\Δt}}_1,t)}{M\×N}---\left(2\right)$${\mathrm{check}}_{(i,j)}=\left\{\begin{array}{cc}ON& S_{(i,j)}(t-{\mathrm{\Δt}}_1,t)\>{\mathrm{aver}}_S\\ OFF& S_{(i,j)}(t-{\mathrm{\Δt}}_1,t)\≤{\mathrm{aver}}_S\end{array}\right.---\left(3\right)$其中S_(i,j)(t‑Δt₁,t)表示神经元网络中第i行第j列的神经元在当前分析时间窗中的脉冲发放次数，aver_S表示整个神经元网络在当前分析时间窗中的脉冲平均发放次数；check_(i,j)表示神经元网络中第i行第j列神经元的类型判决结果，当某一神经元的发放次数小于等于平均发放次数，则判定为OFF；当某一神经元的发放次数大于平均发放次数，则判定为ON；步骤(4)在神经元网络Neuron(i,j)中，取3×3模板大小的神经元子网络，根据所获得的9个神经元类型判决信息，对子网络中心点神经元的反馈系数weight_(i,j)进行即时调整，如式(4)所示；该反馈系数的变化将在下一个分析时间窗口内对中心点神经元产生反馈激励；将模板逐渐平移，从而处理整个神经元网络；$\left\{\begin{array}{c}{\mathrm{weight}}_{\left(i,j\right)}={\mathrm{weight}}_{\left(i,j\right)}\×\left(1+k_c\×{\left(\frac{\underset{OFF}{\mathrm{\Σ}}{\mathrm{check}}_{\left(m,n\right)}}{\underset{ALL}{\mathrm{\Σ}}{\mathrm{check}}_{\left(m,n\right)}}\right)}^2\right),if{\mathrm{check}}_{\left(i,j\right)}=ON\\ {\mathrm{weight}}_{\left(i,j\right)}={\mathrm{weight}}_{\left(i,j\right)}\×\left(1-k_c\×{\left(\frac{\underset{ON}{\mathrm{\Σ}}{\mathrm{check}}_{\left(m,n\right)}}{\underset{ALL}{\mathrm{\Σ}}{\mathrm{check}}_{\left(m,n\right)}}\right)}^2\right),if{\mathrm{check}}_{\left(i,j\right)}=OFF\end{array}\right.---\left(4\right)$是指以神经元网络中第i行第j列的神经元为中心点，其周围判决结果为OFF类型的神经元个数；是指神经元网络中第i行第j列的神经元为中心点，其周围判决结果为ON类型神经元个数；是指模板内除去中心神经元后的神经元个数，对于3×3模板，式(4)中的m＝i‑1,i,i+1，n＝j‑1,j,j+1，且m＝i和n＝j不同时成立；设置k_c＝0.5；步骤(5)另k自加1，当k小于40时，将第k个滑动时间窗口设为当前分析时间窗口并重复步骤(3)和步骤(4)，最终获得观察时间内的神经元网络各个神经元的脉冲发放信息；当k＝40时，进入步骤(6)；步骤(6)将移动图像和原始图像作为输入的神经元脉冲发放进行比较，得到图像移动对感光层神经元的影响系数，比较方法如式(5)和(6)所示；${\mathrm{firerate}}_{(i,j)}(t,{\mathrm{\Δt}}_2)=\frac{S_{(i,j)}(t-{\mathrm{\Δt}}_2,t)}{{\mathrm{\Δt}}_2}---\left(5\right)$其中S_(i,j)(t‑Δt₂,t)表示在时长为Δt₂的时间窗口中，神经元网络中第i行第j列神经元的脉冲发放次数，firerate_(i,j)(t,Δt₂)则表示对应的脉冲发放频率；$r_{(i,j)}=\frac{\underset{k=1}{\overset{k=(T_{max}-{\mathrm{\Δt}}_2)/sp}{\Σ}}{\left({\mathrm{firerate}}_{(i,j)}\right(sp\×k,{\mathrm{\Δt}}_2)-{\mathrm{firerate}}_{\left(i,j\right)}^{\′}(sp\×k,{\mathrm{\Δt}}_2\left)\right)}^2}{T_{max}}---\left(6\right)$式(6)中，firerate_(i,j)(sp×k,Δt₂)和firerate′_(i,j)(sp×k,Δt₂)分别表示在时长为Δt₂的时间窗口中，以移动图像或原始图像作为输入时，神经元网络中第i行第j列神经元的脉冲发放频率；sp表示计算脉冲发放频率时窗口移动速度；T_max对应于步骤(2)中的观察时间；r_(i,j)称为影响因子，表示在原始图像移动前后，神经元网络中第i行第j列神经元的脉冲发放变动情况，r_(i,j)越大则表示图像移动操作对该神经元的影响越大，越小则表示图像移动操作对该神经元的影响越小；将获得的影响因子r_(i,j)送到判决器中，判断出边缘信息；判决器策略如式(7)和(8)所示；$fire\_{\mathrm{aver}}_r=\frac{\underset{i=1,j=1}{\overset{i=M,j=N}{\Σ}}{r}_{(i,j)}}{M\×N}---\left(7\right)$$po\mathrm{int}\_result(i,j)=\left\{\begin{array}{cc}1& r_{(i,j)}\>k_r\×fire\_{\mathrm{aver}}_r\\ 0& r_{(i,j)}\≤k_r\×fire\_{\mathrm{aver}}_r\end{array}\right.---\left(8\right)$其中，fire_aver_r表示影响因子的均值，当图像移动操作对某神经元的影响系数r_(i,j)大于k_r×fire_aver_r，则认为该神经元所对应的图像点(point_result(i,j))为边缘点，标记值为1；当移动操作对某神经元的影响系数r_(i,j)小于k_r×fire_aver_r，则认为该神经元所对应的图像上的点(point_result(i,j))不是边缘点，标记值为0；步骤(7)步骤(1)获得了某一距离尺度下8个方向的移动图像，因此最终将获得8组边缘点矩阵，融合此8组边缘点矩阵，获得在某一移动距离单元尺度下的边缘信息，综合的决策如式(9)；result_{(xmove,ymove)}(i,j)＝point_result₁(i,j)|point_result₂(i,j)|…|point_result₈(i,j)   (9)其中，|表示或操作，result_{(xmove,ymove)}(i,j)表示沿x轴和y轴移动距离单位尺度分别为xmove和ymove的边缘点检测结果；等式右侧的下标与步骤(1)中的移动图像相对应，即point_result₁(i,j)表示移动图像I₁(i,j)的边缘点检测结果，point_result₂(i,j)表示移动图像I₂(i,j)的边缘点检测结果，以此类推；步骤(8)取不同的移动距离单元尺度进行步骤(1)到步骤(7)的操作，获得不同移动距离单元尺度下的边缘信息并进行融合以实现去噪功能，最终得到边缘信息矩阵，综合的决策如式(10)所示；将边缘信息矩阵中值为1的点映射为像素值255，值为0的点映射为像素值0，输出映射后的像素二值矩阵，即为边缘检测的结果；last_result(i,j)＝result_(1,1)(i,j)&result_(2,2)(i,j)&…&result_{(xmove,ymove)}(i,j)  (10)其中，&表示与操作，下标表示移动距离尺度。