基于非經(jīng)典感受野動(dòng)態(tài)特性的輪廓檢測模型

潘亦堅(jiān) 林川 郭越 吳艷

摘要：輪廓檢測是計(jì)算機(jī)視覺的重要任務(wù)之一，并廣泛地用于醫(yī)學(xué)，工程，交通等領(lǐng)域.針對這些領(lǐng)域的檢測需求，本文受非經(jīng)典感受野動(dòng)態(tài)特性的啟發(fā)提出一種仿生型輪廓檢測模型：在模擬初級視皮層（V1區(qū)）神經(jīng)元的經(jīng)典感受野響應(yīng)時(shí)，用改進(jìn)的神經(jīng)元激活函數(shù)sigmoid提取局部尺度信息，然后用局部最優(yōu)尺度代替現(xiàn)有模型中的全局感受野尺度，并將提取的局部最優(yōu)尺度信息對非經(jīng)典感受野抑制進(jìn)行調(diào)制.基RUG40和伯克利圖像數(shù)據(jù)庫的實(shí)驗(yàn)結(jié)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(shù)，有效地提高了輪廓檢測的性能。

關(guān)鍵詞：輪廓檢測；非經(jīng)典感受野；動(dòng)態(tài)特性；局部最優(yōu)尺度

0引言

在雜亂的環(huán)境中分離背景紋理與目標(biāo)輪廓一直是計(jì)算機(jī)視覺中一項(xiàng)重要的任務(wù)，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(biāo)輪廓，成為圖像分割、目標(biāo)輪廓提取等問題的重要基礎(chǔ)技術(shù)。

大量視覺生理研究表明，初級視皮層（V1區(qū)）的神經(jīng)元在從視覺場景中提取目標(biāo)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(rèn)為v1區(qū)神經(jīng)元的每個(gè)感受野都有它自己的一個(gè)小的興奮區(qū)域，該區(qū)域被稱作經(jīng)典感受野（Classical Receptive Field，CRF），而周邊廣大區(qū)域則是其相鄰單元所產(chǎn)生的抑制區(qū)，該區(qū)域被稱作非經(jīng)典感受野（non-Classical Receptive Field，nCRF）.其中，神經(jīng)元的活動(dòng)被鄰近單元所施加的抑制所減弱，這種相互影響的側(cè)抑制作用在機(jī)器視覺研究中受到越來越多的關(guān)注.2003年Grigorescu等采用Gabor模型模擬經(jīng)典感受野的輸出，并利用非經(jīng)典感受野的抑制特性，提出圓環(huán)形抑制區(qū)域采用高斯差分（Difference 0fGaussian，DoG）模型來模擬其距離權(quán)值.基于該模型，不少研究者在非經(jīng)典感受野對視覺刺激響應(yīng)的抑制作用方面進(jìn)行了相應(yīng)的改進(jìn).2007年Sang等根據(jù)初級視皮層循環(huán)抑制特性建立了一種基于側(cè)抑制區(qū)的抑制模型，其通過抑制機(jī)制消除了背景中大量繁雜的紋理所產(chǎn)生的局部有向邊緣，但側(cè)抑制機(jī)制的引入導(dǎo)致部分檢測到的輪廓斷裂，在一定程度上降低了邊緣響應(yīng)，2009年杜曉鳳等為了彌補(bǔ)側(cè)抑制機(jī)制對弱輪廓區(qū)域的損壞，引入了去抑制機(jī)制，使得較弱的輪廓區(qū)域得以保存，提取輪廓的整體性得到了進(jìn)一步的加強(qiáng).2011年Zeng等提出了蝶形抑制區(qū)域模型以及一種中心周邊相互作用的自適應(yīng)抑制方法，較好地去除了背景紋理產(chǎn)生的邊緣.Yang等通過上下文調(diào)制結(jié)合視覺系統(tǒng)中的線索來調(diào)制最終的神經(jīng)元周邊抑制，通過結(jié)合不同的視覺特征來加強(qiáng)抑制作用的性能.在之前的研究成果中，課題組模擬V1神經(jīng)元相互抑制機(jī)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(fù)面影響。

然而上述輪廓檢測模型在模擬感受野的響應(yīng)計(jì)算中設(shè)定了全局尺度（定值），即每個(gè)像素點(diǎn)對應(yīng)的尺度因子均相同，導(dǎo)致目標(biāo)輪廓的信息不能被完整地提取.2014年Wei等模擬神經(jīng)節(jié)細(xì)胞的自適應(yīng)機(jī)制，通過動(dòng)態(tài)的尺度信息來自適應(yīng)地表達(dá)圖像，說明感受野尺度在表達(dá)圖像局部信息中起到重要作用.而本文著重關(guān)注動(dòng)態(tài)尺度信息對于后續(xù)輪廓提取的調(diào)制作用.人類的感知機(jī)制能夠迅速地提取視野之中的目標(biāo)物體，是由于各視皮層中多種神經(jīng)元機(jī)制相互作用，只依賴一種類型神經(jīng)元的響應(yīng)很難實(shí)現(xiàn)提取最優(yōu)化.根據(jù)文獻(xiàn)[12]描述的人類視覺系統(tǒng)中視網(wǎng)膜——外膝體—初級視皮層（V1區(qū)）這一視覺通路，視網(wǎng)膜神經(jīng)節(jié)細(xì)胞的感受野動(dòng)態(tài)特性會對V1區(qū)中經(jīng)典感受野響應(yīng)與非經(jīng)典感受野的抑制效應(yīng)造成影響，這也是本文實(shí)現(xiàn)的理論基礎(chǔ).單一空間頻率尺度下的經(jīng)典感受野響應(yīng)僅僅能表現(xiàn)出一定程度下的目標(biāo)輪廓提取細(xì)節(jié)，而單尺度下的感受野尺度模板是不足以完全表現(xiàn)不同空間頻率尺度下圖像的各種細(xì)節(jié).本文基于以上生理學(xué)依據(jù)提出基于非經(jīng)典感受野動(dòng)態(tài)特性的輪廓檢測模型，引入尺度判斷這一處理機(jī)制，通過修正的sigmoid激活函數(shù)對像素點(diǎn)對應(yīng)的感受野模板尺度進(jìn)行判斷，并得到每個(gè)像素點(diǎn)的局部尺度.將判斷后得到的尺度信息用于經(jīng)典感受野響應(yīng)的計(jì)算，同時(shí)用提取的尺度矩陣對周邊抑制進(jìn)行調(diào)制從而得到最優(yōu)輪廓檢測結(jié)果.實(shí)驗(yàn)結(jié)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(shù)，有效地提高了輪廓檢測的性能。

1基于感受野動(dòng)態(tài)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(jīng)典感受野動(dòng)態(tài)特性輪廓檢測模型總體框架如圖1所示。

1.2局部尺度計(jì)算方法

每個(gè)尺度對應(yīng)一組神經(jīng)元感受野大小，不同的感受野大小的神經(jīng)節(jié)細(xì)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(jīng)典感受野響應(yīng)，可以發(fā)現(xiàn)大尺度下的響應(yīng)能夠體現(xiàn)輪廓的整體情況，而小尺度下的響應(yīng)則突出了圖像更多的細(xì)節(jié).本文定義一個(gè)高斯差分算子DoG（x，y）來對輸入圖像進(jìn)行卷積計(jì)算作為尺度判斷的輸入。

1.3經(jīng)典感受野響應(yīng)

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

1.4非經(jīng)典感受野響應(yīng)

經(jīng)典感受野響應(yīng)在孤立的邊緣和紋理上的響應(yīng)都很強(qiáng)烈，不足以區(qū)分這兩種模式.相比之下抑制項(xiàng)對背景紋理的響應(yīng)要高于獨(dú)立的邊緣，所以當(dāng)經(jīng)典感受野響應(yīng)減去非經(jīng)典感受野抑制的時(shí)候，最終響應(yīng)就只會在獨(dú)立的邊緣上響應(yīng)強(qiáng)烈.對于輸入圖像中的某個(gè)像素點(diǎn)來說，抑制項(xiàng)通過經(jīng)典感受野周邊的圓環(huán)形區(qū)域計(jì)算得到.用標(biāo)準(zhǔn)化權(quán)重函數(shù)w（x，y）描述非經(jīng)典感受野：

2實(shí)驗(yàn)結(jié)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(nèi)存為8 GB的計(jì)算機(jī)上，使用MATLAB 2016a仿真軟件對各項(xiàng)同性模型、蝶形抑制模型、自適應(yīng)抑制模型、多線索抑制調(diào)制模型、文獻(xiàn)[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(jìn)行仿真實(shí)驗(yàn)，同時(shí)使用標(biāo)準(zhǔn)評價(jià)指數(shù)F對所有模型得到的圖像數(shù)據(jù)結(jié)果進(jìn)行評測。

為測試本文檢測模型性能，分別從定性和定量兩個(gè)方面進(jìn)行實(shí)驗(yàn)來論證本文模型的有效性：1）基于RUG40數(shù)據(jù)庫，給出一個(gè)與同類模型的比較來說明本文的輪廓提取結(jié)果在抑制背景紋理方面得到了提高；2）基于伯克利數(shù)據(jù)庫BSDS300，將本文模型得出的輪廓檢測結(jié)果與數(shù)據(jù)庫中給出的真實(shí)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(shù)設(shè)置情況。

2.1基于RuG數(shù)據(jù)庫的實(shí)驗(yàn)結(jié)果及分析

圖3顯示的是基于RUG40數(shù)據(jù)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(jīng)過1.2小節(jié)判斷之后得到的局部尺度信息，圖3（c）是經(jīng)局部尺度調(diào)制后得到的CRF響應(yīng)，圖3（d）是經(jīng)局部尺度調(diào)制后得到的nCRF抑制項(xiàng)，圖3（e）是圖3（c）減去圖3（d）后再經(jīng)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(xiàng)同性模型中提出的CRF響應(yīng)，圖3（g）是ISO中提出的nCRF響應(yīng)，圖3（h）是圖3（f）減去圖3（d）后再經(jīng)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(yōu)勢之處：1）調(diào)制后的CRF的響應(yīng)使得圖3（e）保留了更完整的輪廓信息；2）調(diào)制后的nCRF響應(yīng)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(qū)域來說圖3（e）中的噪點(diǎn)要遠(yuǎn)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(shù)據(jù)庫的實(shí)驗(yàn)結(jié)果及分析

基于表1中的參數(shù)設(shè)置，在伯克利圖像數(shù)據(jù)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(jīng)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(shù)據(jù)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(shí)驗(yàn)結(jié)果，第四列是自適應(yīng)抑制模型的實(shí)驗(yàn)結(jié)果，最后一列是本文模型的實(shí)驗(yàn)結(jié)果，通過橫向比較可以發(fā)現(xiàn)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(yōu)于其他兩種模型。

本文也通過該數(shù)據(jù)庫下的100幅圖像對提出的模型進(jìn)行定量評測，該數(shù)據(jù)庫包括200張訓(xùn)練圖像和100張測試圖像.每一個(gè)圖像都對應(yīng)有5-10幅由不同人員繪制的真實(shí)輪廓圖.文獻(xiàn)[18]中用精確度一回歸度（覆蓋率）框架（precision-recall framework）來評價(jià)輪廓檢測性能的高低.當(dāng)對輪廓檢測模型進(jìn)行評價(jià)時(shí)，有幾個(gè)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(shù)；2）False Positives-FP：錯(cuò)誤檢測出的輪廓的樣本數(shù)，比如將背景誤檢測為輪廓輸出；3）False Negatives-FN：漏檢樣本，即實(shí)際上是輪廓的區(qū)域被檢測成背景區(qū)域的樣本.于是評價(jià)方式為：精確度一回歸度（覆蓋率）曲線，這是一個(gè)包含閾值參數(shù)的曲線并且權(quán)衡了精確性和噪聲，在這條曲線中F值最大的點(diǎn)即為該算法的最優(yōu)性能指數(shù).精確度（P）是P=TP/（TP+FP）；回歸度是R=TP/（TP+FN），即真實(shí)輪廓中輪廓的覆蓋率（R）評價(jià)標(biāo)準(zhǔn)為F指數(shù)，其定義如下：

F指數(shù)為P和R的調(diào)和平均，其代表著模型的檢測結(jié)果與人類觀察輪廓的相似度。

表2中列出了一些優(yōu)秀檢測模型的F值結(jié)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(dá)到了0.63，高于蝶形方法、多線索抑制調(diào)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(zhǔn)度一回歸度走勢.由于F值表示精準(zhǔn)度和回歸度的調(diào)和平均，可以看到隨著精準(zhǔn)度降低，回歸度升高，最終本文的F指數(shù)都高于其他方法。

2.3對nCRF抑制調(diào)制的實(shí)驗(yàn)結(jié)果

為了表現(xiàn)不同尺度下的局部圖像信息，用提取的尺度信息對經(jīng)典感受野響應(yīng)進(jìn)行計(jì)算；為了增強(qiáng)nCRF抑制項(xiàng)的抑制效果，又用局部尺度對nCRF抑制項(xiàng)進(jìn)行調(diào)制，目的是為了突出背景響應(yīng)，減弱邊緣響應(yīng)，這樣經(jīng)典感受野響應(yīng)減去該調(diào)制的抑制項(xiàng)后就能抑制掉更多的背景噪點(diǎn)，從而突出輪廓信息.

為了驗(yàn)證這一步驟，本文基于BSDS300數(shù)據(jù)庫進(jìn)一步實(shí)驗(yàn)在無抑制調(diào)制的情況下，輪廓響應(yīng)的結(jié)果.PR曲線結(jié)果如圖6所示，本文的輪廓檢測算法在無抑制調(diào)制的情況下評價(jià)指數(shù)F值只能達(dá)到0.60，但是在進(jìn)行抑制調(diào)制過后評價(jià)指數(shù)F值達(dá)到了0.63，這充分說明了本文的抑制調(diào)制方法使得模型整體的輪廓檢測性能得到了提高。

同時(shí)本文選取了5幅實(shí)驗(yàn)結(jié)果圖像用于對比有抑制調(diào)制和無抑制調(diào)制下的輪廓檢測結(jié)果，如圖7所示，可以看出抑制調(diào)制能夠有效地抑制圖像背景中多余的噪點(diǎn)使提取的輪廓更加完整。

3結(jié)論

近年來，有許多生理學(xué)和神經(jīng)物理學(xué)方面的研究都主要關(guān)注于神經(jīng)視皮層V1區(qū)的周邊抑制現(xiàn)象，受到這些研究的啟發(fā)，不少提取目標(biāo)輪廓的計(jì)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(jìn)步，然而很少有利用圖像的尺度信息對CRF響應(yīng)和nCRF抑制進(jìn)行調(diào)制.針對該問題，提出了一種基于感受野尺度調(diào)制的輪廓檢測模型：將尺度信息融入到傳統(tǒng)的基于V1區(qū)神經(jīng)元感受野特性的輪廓檢測中.后續(xù)對于實(shí)驗(yàn)結(jié)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(chǔ)上最大限度地抑制背景紋理，今后工作的重點(diǎn)是進(jìn)一步研究尺度線索能否與其他線索相結(jié)合對基于非經(jīng)典感受野的檢測模型進(jìn)行改進(jìn)，如何更有效地利用局部最優(yōu)尺度也將會成為輪廓提取的重點(diǎn)。