基于視網膜對視覺信息的處理方式, 提出一種視網膜功能啟發的邊緣檢測層級模型. 針對視網膜神經元在周期性光刺激下產生適應的特性, 構建具有自適應閾值的Izhikevich神經元模型; 模擬光感受器中視錐細胞、視桿細胞對亮度的感知能力, 構建亮度感知編碼層; 引入雙極細胞對給光?撤光刺激的分離能力, 并結合神經節細胞對運動方向敏感的特性, 構建雙通路邊緣提取層; 另外根據神經節細胞神經元在多特征調控下延遲激活的現象, 構建具有脈沖延時特性的紋理抑制層; 最后將雙通路邊緣提取的結果與延時抑制量相融合, 得到最終邊緣檢測結果. 以150張來自實驗室采集和AGAR數據集中的菌落圖像為實驗對象對所提方法進行驗證, 檢測結果的重建圖像相似度、邊緣置信度、邊緣連續性和綜合指標分別達到0.9629、0.3111、0.9159和0.7870, 表明所提方法能更有效地進行邊緣定位、抑制冗余紋理、保持主體邊緣完整性. 本文面向邊緣檢測任務, 構建了模擬視網膜對視覺信息處理方式的邊緣檢測模型, 也為后續構建由視覺機制啟發的圖像計算模型提供了新思路.

      邊緣檢測作為目標分析和識別等高級視覺任務的前級環節, 在圖像處理和工程應用領域中有重要地位. 以Sobel和Canny為代表的傳統方法大多根據相鄰像素間的灰度躍變進行邊緣定位, 再設定閾值調整邊緣強度和冗余細節[1]. 雖然易于計算且快速, 但無法兼顧弱邊緣感知與紋理抑制之間的有效性, 難以滿足復雜環境下的應用需要. 隨著對生物視覺系統研究的進展, 人們對視覺認知的過程和視覺組織的功能有了更深刻的了解. 許多國內外學者在這些視覺組織宏觀作用的基礎上, 進一步考慮神經編碼方式與神經元之間的相互作用, 并應用于邊緣檢測中. 這些檢測方法大多首先會選擇合適的神經元模型模擬視覺組織細胞的群體放電特性, 再關聯例如視覺感受野和方向選擇性等視覺機制, 以不同的編碼方式將輸入的圖像轉化為脈沖信號, 經過多級功能區塊處理和傳遞后提取出圖像的邊緣. 其中, 頻率編碼和時間編碼是視覺系統編碼光刺激的重要方式, 在一些計算模型中被廣泛使用. 例如, 文獻[2]以HH (Hodgkin-Huxley)神經元模型為基礎, 使用多方向Gabor濾波器模擬神經元感受野的方向選擇性, 實現神經元間連接強度關聯邊緣方向, 將每個神經元的脈沖發放頻率作為邊緣檢測的結果輸出, 實驗結果表明其比傳統方法更有效; 文獻[3]在LIF (Leaky integrate-and-fire) 神經元模型的基礎上進行改進, 引入根據神經元響應對外界輸入進行調整的權值, 在編碼的過程中將空間的脈沖發放轉化為時序上的激勵強度, 實現強弱邊緣分類, 對梯度變化幅度小的弱邊緣具有良好的檢測能力. 除此之外, 也有關注神經元突觸間的相互作用, 通過引入使突觸的連接權值產生自適應調節的機制來提取邊緣信息的計算方法. 例如, 文獻[4]構建具有STDP (Spike-timing-dependent plasticity) 性質的神經元模型, 根據突觸前后神經元首次脈沖發放時間順序來增強或減弱突觸連接, 對真偽邊緣具有較強的辨別能力; 文獻[5]則在構建神經元模型時考慮了具有時間不對稱性的STDP機制, 再融合方向特征和側抑制機制重建圖像的主要邊緣信息, 其計算過程對神經元突觸間的動態特性描述更加準確. 更進一步, 神經編碼也被應用于實際的工程需要. 例如, 文獻[6]針對現有的紅外圖像邊緣檢測算法中存在的缺陷, 構建一種新式的脈沖神經網絡, 增強了對紅外圖像中弱邊緣的感知; 文獻[7]則通過模擬視皮層的處理機制, 使用包含左側、右側和前向3條并行處理支路的脈沖神經網絡模型提取腦核磁共振圖像的邊緣, 并將提取的結果用于異常檢測, 同樣具有較好的效果. 上述方法都在一定程度上考慮了視覺組織中神經元的編碼特性以及視覺機制, 與傳統方法相比, 在對復雜環境的適應性更強的同時也有較高的計算效率. 但這些方法都未能考慮到神經元自身也會隨著外界刺激產生適應, 從而使活動特性發生改變. 此外, 上述方法大多也只選擇了頻率編碼、時間編碼等編碼方式中的一種, 并不能完整地體現視覺組織中多種編碼方式的共同作用. 事實上, 在對神經生理實驗和理論的持續探索中發現, 視覺組織(以視網膜為例)在對視覺刺激的加工中就存在著豐富的動態特性和編碼機制[8-9]. 視網膜作為視覺系統中的初級組織結構, 由多種不同類型的細胞構成, 共同組成一個縱橫相連、具有層級結構的復雜網絡, 能夠針對不同類型的刺激性選擇相應的編碼方式進行有效處理. 因此, 本文面向圖像的邊緣檢測任務, 以菌落圖像處理為例, 模擬視網膜中各成分對視覺信息的處理方式, 構建基于視網膜動態編碼機制的多層邊緣檢測模型, 以適應具有多種形態結構差異的菌落圖像邊緣檢測任務.

1. 材料和方法

1.1 亮度感知編碼層

1.2 基于固視微動的多方向雙通路邊緣提取層

1.3 多特征脈沖延時紋理抑制層

2. 算法流程

3. 結果

4. 討論

5. 結論