2017年第7期文章编号：1〇〇9 -2552 (2017) 07 -0005 -04DOI ：10. 13274/j . cnki . hdzj . 2017. 07. 002基于非经典感受野多尺度机制的图像分析方法摘要：神经生理学研究表明，生物视觉系统比机器视觉系统在视觉信息上更加高效，这种信 息处理的高效性归功于人类视觉神经中存在的多层神经网络Q 作为人类视觉系统的初级处理阶 段，神经节细胞非经典感受野的尺寸大小可以根据外界刺激的性质进行自动调节，这种机制利 用在图像处理技术上能够达到多尺度图像分析的目的。
文中提出一个基于非经典感受野的多尺 度图像分析方法，通过非经典感受野的自动调整机制，保留了图像的关键信息，减少了视觉系 统进一步阶段的冗余信息。
并通过与N -cu t 算法的对比和轮廓检测的实验表明这种多尺度规模图 像分析模型能够给后期的图像处理任务带来一定程度的提升。
关键词：多尺度；图像分析；轮廓检测；非经典感受野 中图分类号：TP 391.41 文献标识码：AMulti-scale image analysis based on Non-Classicalreceptive field mechanismXU Yue -ying , LANG Bo , HUANG Jing(School of Information Technology , Beijing Normal University , Zhuhai 519087,Guangdong Province , China )Abstract ： In the real world , the biological visual system is more efficient than the machine visual systemin analyzing visual information . Physiology theory shows that this efficiency owes to the multi-layer neural network in human visual system , in which every layer accomplishes different tasks and is related with other layers . The low-level stages of the human visual system , especially the retina , can provide certain scale information for the high-level stages of visual system through using the non-classical receptive field(nCRF ) mechanism . This mechanism that the nCRF size can be adjusted automatically by ganglion cell (GC ) can achieve a multi-scale image analysis . The results , reflecting the distribution of the imageinformation , can be shared by several algorithms or processes solving different visual tasks , such as contour detection and image segmentation . A model of multi-scale image analysis based on GC was proposed in this paper , which retains the key information and reduces the redundancy information for the further stages of the visual system . The experimental results on N-cut algorithm and contour detection show that this multi-scale image analysis model provides distinctive improvement for these image processing tasks .Key words ： multi -scale ; image analysis ； contour detection ； nCRF mechanism许跃颖，郎波，黄静(北京师范大学珠海分校信息技术学院，广东珠海519087)引言度、本地性、方向性、各向异性和临界采样等五个属利用图像的多尺度信息对图像进行处理是提取 有效信息的有效方法之一，它被广泛应用于图像降 噪、轮廓检测、图像分割、物体识别和许多其他的任 务[1-2]。
一种优秀的图像分析方法应该具备多尺收稿日期：2016 -06 -15基金项目：国家自然科学基金(61272364)作者简介：许跃颖（1984 -),男，助教，硕士，研究方向为数字图像处理。
通讯作者:郎波。
一5—性，但是目前流行的多尺度算法诸如余弦和小波变 换等很难符合这方面的特点。
而人类视觉系统却能 很好的满足这个需求，这使得我们设计一个基于生 物视觉机制的图像多尺度分析算法成为可能。
在人类视觉系统中存在一个类似于金字塔的一 个分层结构，眼睛获取信息的处理过程是从视网膜 开始。
然后通过外膝体传递视皮层进行处理。
作为 信息感知和处理的第一阶段，视网膜主要获得图像 的光照、颜色和空间信息，然后将其进行进一步传 递。
神经节细胞是视网膜信息处理后最后输出的神 经元。
从上世纪60年代起，有研究发现[3]，在神经 节细胞除了中央区的经典感受野部分外，还存在一 片较大区域，这片区域被称为非经典感受野，它能够 对经典感受野里的刺激反应进行一定的调节作用。
作用在非经典感受野上的外部刺激并不能直接导致 细胞进行反应，但能具有易化、抑制或去抑制作用。
非经典感受野的去抑制作用不仅能增强边界对比 度，还能弥补因中心一外周措抗机制引起的低频成 分的损失。
由此发现，非经典感受野在图像局部区 域内的对比度和亮度梯度变化的传递扮演着重要的 角色。
目前已经有一些利用非经典感受野的多尺度分 析和抑制机制的特点来进行图像处理的模型[4—7]。
虽然这些模型在某些方面相对于传统的图像处理方 法有较好的表现，但是仍然存在缺点。
例如，这些模 型只涉及V I区中的皮层细胞的非经典感受野机 制，忽略了作为图像处理初级阶段视网膜的功能。
Grigoresu等人提出了一个基于感受野特征的轮廓检 测模型[4]，在实际运行中参数必须通过实验提前设 置。
在这个模型中，仅仅一个参数，例如高斯因子的 标准偏差，就与每一个测试的图像密切相关，并且很 难预设，必须要通过大量的实验才能做到最为接近，这种情况制约了模型在实际场合大规模的应用。
另外在文献[8 -10]中提出的一些多尺度分析模型也 能在某些方面带来一定程度的提高，但是对于尺度 的预估计需要大量关于图像的先验知识，这在实际 操作中是比较困难的。
为了克服参数选择的困难，本文提出了一个基 于皮层细胞和视网膜细胞的非经典感受野多尺度分 析模型，它能够将尺度信息传递给高层视觉系统。
这个模型能够解决以上涉及到的问题。
为了测试模 型的稳定性，本文设计了两个实验:①用本文的模型 得到的图像和原始图像进行N-cu t进行比较[11]，结 果表明该模型可以使得N-c u t的图像分割稳定性和 准确性得要一定程度的提升。
②利用本模型和文献[4]里提到的轮廓检测模型进行对比。
1算法设计图1描述了视网膜神经节细胞感受野（包括非 经典感受野）的结构，包含了中心区、外周区和大外 周区，其中大外周区（非经典感受野）的区域比经典 感受野的半径要大很多。
感受野包含了两个部分一一经典感受野(中心区和外周区）、非经典感受野（大外周区)图1神经节细胞的感受野的结构1.1神经节细胞的响应根据神经生物学的研究成果，神经节细胞对落在 感受野范围内的刺激响应可以通过一个三高斯函数 来很好地描述。
计算的计算表达式如式(1)所示：GC(x，y)= (/(x，y) * WC R F)(x，y)+ log2(1 +，“，y)(1)其中，GC(^，y)代表神经节细胞；/(%，y)表示外界 图像刺激；W c r f和W…CRF分别经典感受野和非经典 感受野的是加权函数，具体定义如式(2)所示：W CR(x-x〇)2+(y-y〇)2(x-x〇)2+(y-y〇)2 V2n^1^2n a2W.(x-x〇)2+(y-y〇)2(2)(3)^2n a3其中，^，4,4分别是经典感受野中心区，外周区 和非经典感受野大外周区的响应强度。
^，2，。
分 别是经典感受野中心区、外周区和非经典感受野的 半径。
它们可以根据刺激的性质自动的进行调整；%和y〇是感受野的中心坐标。
在实际的计算中，根 据文献[12]，各个参数的设置如下：^3 =4a2，^2 =5^1，^41 = 1，A2 =0. 18，A3 =0.05具体计算方法如下:当落在感受野中的刺激是均 匀的，感受野的尺寸会不断扩大;反之，感受野尺寸会 剧烈缩小。
由于非经典感受野是由很多亚区组成，每 个亚区都属于一个感应刺激的单元。
每个亚区感应 的刺激都被计算在内。
通过计算来判断感应到的刺 激的性质，从而决定感受野尺寸的扩大或者缩小。
1.2利用感受野多尺度特性对轮廓检测算法的提升在计算机视觉和图像处理中，边缘和轮廓的检测在物体识别和其他应用中都是非常重要的。
本文 利用非经典感受野的多尺度机制，提出了一个基于 视网膜神经节细胞，视皮层简单细胞和复杂细胞的 模型。
这个模型利用感受野的多尺度机制达到轮廓 检测的目的。
最重要的是，模型解决了选择尺度参 数较为困难的问题。
图2阐述了模型进行轮廓检测 的大致流程。
与以往一些基于非经典感受野的方法 相比，该模型不需要强制指定尺度参数^的值和学 习相关先验知识。
图2基于非经典感受野的多尺度边缘检测模型图2(a)表示原始图像；图2(b)表示通过感受 野分布情况得到的图像，较暗的像素表现了更精细 的尺度，而越明亮的部分表示的是较为粗糙的尺度; 图2(c)表示使用文献[4]提供精细尺度下计算的 轮廓图，相当于最小尺寸的感受野。
图2(d)表示在 中等尺度值下得到的轮廓图。