[0004] 本发明为解决上述存在的问题，提出一种基于分频视觉机制的轮廓特征提取方法。该方法通过模拟LGN感受野的频域响应特性和V1区的分频视觉信息流融合机制来实现轮廓特征提取。首先模拟LGN经典感受野对视觉信息流的分频特性，引入视觉信息中若干个独立的空间频域调谐作用；然后利用LGN细胞的朝向与低对比度特征的选择性抑制机制，实现非经典感受野的全局调节特性；最后提出分频视觉信息流的融合模型，用于表征初级视皮层中的上下文整合机制，实现视觉信息流的并行处理以及关联性传递，最终达到快速响应和完整性融合的轮廓特征提取。本发明提出一种基于分频视觉机制的轮廓特征提取方法，包括如下步骤：
[0005] 步骤1：针对输入图像I(x,y)，引入如式(1)所示的高斯函数 模拟LGN经典感受野所具有的频域响应特性。
[0006]
[0007] 其中
[0008]
[0009] 利用高斯函数 的尺度参数σj作为LGN经典感受野对视觉信息流的分频特性参数，从而获得f个空间频率调谐通道，默认f＝3，σ1＝1，σ2＝2，σ3＝4，下同。 表示朝向角，上标j表示空间频率调谐通道的序号，j＝1,2,…,f，下同；下标i表示朝向角的序号，i＝1,2,…,Nθ，下同，Nθ默认设置为8；空间大小比率γ决定了LGN经典感受野的椭圆率；
[0010] 针对某个尺度参数σj，计算第i个朝向角 的LGN经典感受野分频激励响应如式(3)所示。
[0011]
[0012] 式(3)中默认γ＝0.5，*表示卷积运算。
[0013] 步骤2：在步骤1所获得的 基础上，提取f个空间频率调谐通道的初级轮廓响应E(x,y,σj)；具体实现过程如下：
[0014] 针对步骤1所获得的激励响应 在固定某个尺度参数σj情况下，使遍历Nθ个不同朝向角，采用最大值策略，选取 的最大值，从而获得初级轮
廓响应E(x,y,σj)，如式(4)所示。同时记录各尺度参数σj情况下 最大值所对应的朝向角，记为θCRF(j)。
[0015]
[0016] 其中max表示取最大值函数，下同。
[0017] 步骤3：采用如式(5)和(6)所示的双高斯差函数模拟LGN非经典感受野响应特性同时记录各尺度参数σj情况下 最大值所对应的朝向角为θNCRF(j)。定义第j条空间频率调谐通道上LGN非经典感受野中心‑外周的抑制强度如式(7)所示。
[0018]
[0019]
[0020]
[0021] 式(6)中默认γ＝1；ρ表示LGN非经典感受野外周与中心的半径比值，根据电生理实验发现非经典感受野的直径一般为经典感受野的2～5倍，默认ρ＝4；式(7)中|| ||表示范数运算。
[0022] 步骤4：针对步骤2和步骤3分别获取的θCRF(j)和θNCRF(j)，计算两者的朝向差异特性，得到侧抑制强度
[0023] 首先分别计算朝向差异△θCRF‑NCRF(j)，如式(8)所示。
[0024]
[0025] 再经幂指数归一化，得到朝向调制权重W1(j)，如式(9)所示。
[0026]
[0027] 其中，δ表示抑制强度随视觉特征差异增大而衰减的调节参数，默认δ＝0.2，下同。
[0028] 计算得到反映朝向差异特性的侧抑制强度 如式(10)所示；
[0029]
[0030] 步骤5：对LGN非经典感受野局部窗口内的输入图像对比度进行修正，得到低对比度加强后的Cc(x,y)。
[0031] 首先定义窗长为υ的LGN非经典感受野局部窗口Wxy，下标xy表示窗口的中心坐标为(x,y)，υ通常设定为3～11之间的奇数；w(xi,yi)表示Wxy的空间权重函数，如式(11)所示。
[0032]
[0033] 然后对输入图像I(x,y)进行空间权重函数w(xi,yi)的加权计算，得到亮度L(x,y)，如式(12)所示。
[0034]
[0035] 接着计算局部窗口Wxy内的输入图像对比度C(x,y)，如式(13)所示。
[0036]
[0037] 其中，Lmax、Lmin分别表示局部窗口Wxy内，亮度L(x,y)的最大值和最小值；
[0038] 最后采取阈值修正法，计算低对比度加强后的Cc(x,y)，如式(14)所示。
[0039]
[0040] 其中Cc表示修正阈值，
[0041] 步骤6：基于步骤2获得的初级轮廓响应E(x,y,σj)，以及步骤3获得的LGN非经典感受野响应特性 ，将两者融合后，按步骤5所获得的Cc(x,y)进行加权处理，得到低对比度差异指标△C(x,y,j)，如式(15)所示。
[0042]
[0043] 再经幂指数归一化，得到低对比度调制权重W2(x,y,j)，如式(16)所示。
[0044]
[0045] 计算得到反映低对比度差异特性的侧抑制强度 如式(17)所示，其中上标j的含义同前。
[0046]
[0047] 步骤7：针对步骤4和步骤6分别得到的 和 调制空间频率调谐j j
通道上的特征抑制强度E_Inh (x,y)，最终得到图像纹理抑制后的轮廓信息r (x,y)，如式(18)～(20)所示。
[0048] rj(x,y)＝max(E(x,y；σj)‑α·E_Inhj(x,y)，0) (18)
[0049]
[0050]
[0051] 式中，α表示经典感受野与非经典感受野的神经元间连接强度，默认α＝3。
[0052] 步骤8：实现初级视皮层分频视觉信息流的快速融合编码，将步骤7获得的rj(x,y)，并行传递至初级视皮层区进行权重融合加工处理，最终得到轮廓响应Total_r(x,y)，如式(21)所示。
[0053]
[0054] 其中，βj为第f条空间频率调谐通道上轮廓响应的频段融合权重，取值范围为[0,1]，通常可按式(22)进行设置。
[0055]
[0056] 本发明具有的有益效果为：
[0057] ①、提出了一种基于LGN经典感受野分频视觉机制的轮廓特征提取新方法。通过对视网膜和LGN细胞的频率响应特性建模，引入高斯函数模拟LGN经典感受野所具有的频域响应特性，实现初级主体轮廓的提取。
[0058] ②、提出了一种基于LGN非经典感受野响应的侧抑制机制。针对空间频率、朝向调谐以及对比度对LGN经典感受野存在全局性抑制作用，构建多特征信息引导的外周抑制方法，实现背景信息的选择性抑制。
[0059] ③、提出了一种V1区分频多通道视觉信息流的融合模型。改变了传统方法仅考虑串行的电生理特性，在初级视皮层内针对多个特定LGN细胞的输入信息，进行分频多通道并行处理以及关联性传递，可以有效的保留轮廓信息，得到最终轮廓响应。
