基于視網(wǎng)膜對(duì)視覺(jué)信息的處理方式, 提出一種視網(wǎng)膜功能啟發(fā)的邊緣檢測(cè)層級(jí)模型. 針對(duì)視網(wǎng)膜神經(jīng)元在周期性光刺激下產(chǎn)生適應(yīng)的特性, 構(gòu)建具有自適應(yīng)閾值的Izhikevich神經(jīng)元模型; 模擬光感受器中視錐細(xì)胞、視桿細(xì)胞對(duì)亮度的感知能力, 構(gòu)建亮度感知編碼層; 引入雙極細(xì)胞對(duì)給光?撤光刺激的分離能力, 并結(jié)合神經(jīng)節(jié)細(xì)胞對(duì)運(yùn)動(dòng)方向敏感的特性, 構(gòu)建雙通路邊緣提取層; 另外根據(jù)神經(jīng)節(jié)細(xì)胞神經(jīng)元在多特征調(diào)控下延遲激活的現(xiàn)象, 構(gòu)建具有脈沖延時(shí)特性的紋理抑制層; 最后將雙通路邊緣提取的結(jié)果與延時(shí)抑制量相融合, 得到最終邊緣檢測(cè)結(jié)果. 以150張來(lái)自實(shí)驗(yàn)室采集和AGAR數(shù)據(jù)集中的菌落圖像為實(shí)驗(yàn)對(duì)象對(duì)所提方法進(jìn)行驗(yàn)證, 檢測(cè)結(jié)果的重建圖像相似度、邊緣置信度、邊緣連續(xù)性和綜合指標(biāo)分別達(dá)到0.9629、0.3111、0.9159和0.7870, 表明所提方法能更有效地進(jìn)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(cè)任務(wù), 構(gòu)建了模擬視網(wǎng)膜對(duì)視覺(jué)信息處理方式的邊緣檢測(cè)模型, 也為后續(xù)構(gòu)建由視覺(jué)機(jī)制啟發(fā)的圖像計(jì)算模型提供了新思路.

      邊緣檢測(cè)作為目標(biāo)分析和識(shí)別等高級(jí)視覺(jué)任務(wù)的前級(jí)環(huán)節(jié), 在圖像處理和工程應(yīng)用領(lǐng)域中有重要地位. 以Sobel和Canny為代表的傳統(tǒng)方法大多根據(jù)相鄰像素間的灰度躍變進(jìn)行邊緣定位, 再設(shè)定閾值調(diào)整邊緣強(qiáng)度和冗余細(xì)節(jié)[1]. 雖然易于計(jì)算且快速, 但無(wú)法兼顧弱邊緣感知與紋理抑制之間的有效性, 難以滿足復(fù)雜環(huán)境下的應(yīng)用需要. 隨著對(duì)生物視覺(jué)系統(tǒng)研究的進(jìn)展, 人們對(duì)視覺(jué)認(rèn)知的過(guò)程和視覺(jué)組織的功能有了更深刻的了解. 許多國(guó)內(nèi)外學(xué)者在這些視覺(jué)組織宏觀作用的基礎(chǔ)上, 進(jìn)一步考慮神經(jīng)編碼方式與神經(jīng)元之間的相互作用, 并應(yīng)用于邊緣檢測(cè)中. 這些檢測(cè)方法大多首先會(huì)選擇合適的神經(jīng)元模型模擬視覺(jué)組織細(xì)胞的群體放電特性, 再關(guān)聯(lián)例如視覺(jué)感受野和方向選擇性等視覺(jué)機(jī)制, 以不同的編碼方式將輸入的圖像轉(zhuǎn)化為脈沖信號(hào), 經(jīng)過(guò)多級(jí)功能區(qū)塊處理和傳遞后提取出圖像的邊緣. 其中, 頻率編碼和時(shí)間編碼是視覺(jué)系統(tǒng)編碼光刺激的重要方式, 在一些計(jì)算模型中被廣泛使用. 例如, 文獻(xiàn)[2]以HH (Hodgkin-Huxley)神經(jīng)元模型為基礎(chǔ), 使用多方向Gabor濾波器模擬神經(jīng)元感受野的方向選擇性, 實(shí)現(xiàn)神經(jīng)元間連接強(qiáng)度關(guān)聯(lián)邊緣方向, 將每個(gè)神經(jīng)元的脈沖發(fā)放頻率作為邊緣檢測(cè)的結(jié)果輸出, 實(shí)驗(yàn)結(jié)果表明其比傳統(tǒng)方法更有效; 文獻(xiàn)[3]在LIF (Leaky integrate-and-fire) 神經(jīng)元模型的基礎(chǔ)上進(jìn)行改進(jìn), 引入根據(jù)神經(jīng)元響應(yīng)對(duì)外界輸入進(jìn)行調(diào)整的權(quán)值, 在編碼的過(guò)程中將空間的脈沖發(fā)放轉(zhuǎn)化為時(shí)序上的激勵(lì)強(qiáng)度, 實(shí)現(xiàn)強(qiáng)弱邊緣分類(lèi), 對(duì)梯度變化幅度小的弱邊緣具有良好的檢測(cè)能力. 除此之外, 也有關(guān)注神經(jīng)元突觸間的相互作用, 通過(guò)引入使突觸的連接權(quán)值產(chǎn)生自適應(yīng)調(diào)節(jié)的機(jī)制來(lái)提取邊緣信息的計(jì)算方法. 例如, 文獻(xiàn)[4]構(gòu)建具有STDP (Spike-timing-dependent plasticity) 性質(zhì)的神經(jīng)元模型, 根據(jù)突觸前后神經(jīng)元首次脈沖發(fā)放時(shí)間順序來(lái)增強(qiáng)或減弱突觸連接, 對(duì)真?zhèn)芜吘壘哂休^強(qiáng)的辨別能力; 文獻(xiàn)[5]則在構(gòu)建神經(jīng)元模型時(shí)考慮了具有時(shí)間不對(duì)稱(chēng)性的STDP機(jī)制, 再融合方向特征和側(cè)抑制機(jī)制重建圖像的主要邊緣信息, 其計(jì)算過(guò)程對(duì)神經(jīng)元突觸間的動(dòng)態(tài)特性描述更加準(zhǔn)確. 更進(jìn)一步, 神經(jīng)編碼也被應(yīng)用于實(shí)際的工程需要. 例如, 文獻(xiàn)[6]針對(duì)現(xiàn)有的紅外圖像邊緣檢測(cè)算法中存在的缺陷, 構(gòu)建一種新式的脈沖神經(jīng)網(wǎng)絡(luò), 增強(qiáng)了對(duì)紅外圖像中弱邊緣的感知; 文獻(xiàn)[7]則通過(guò)模擬視皮層的處理機(jī)制, 使用包含左側(cè)、右側(cè)和前向3條并行處理支路的脈沖神經(jīng)網(wǎng)絡(luò)模型提取腦核磁共振圖像的邊緣, 并將提取的結(jié)果用于異常檢測(cè), 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(jué)組織中神經(jīng)元的編碼特性以及視覺(jué)機(jī)制, 與傳統(tǒng)方法相比, 在對(duì)復(fù)雜環(huán)境的適應(yīng)性更強(qiáng)的同時(shí)也有較高的計(jì)算效率. 但這些方法都未能考慮到神經(jīng)元自身也會(huì)隨著外界刺激產(chǎn)生適應(yīng), 從而使活動(dòng)特性發(fā)生改變. 此外, 上述方法大多也只選擇了頻率編碼、時(shí)間編碼等編碼方式中的一種, 并不能完整地體現(xiàn)視覺(jué)組織中多種編碼方式的共同作用. 事實(shí)上, 在對(duì)神經(jīng)生理實(shí)驗(yàn)和理論的持續(xù)探索中發(fā)現(xiàn), 視覺(jué)組織(以視網(wǎng)膜為例)在對(duì)視覺(jué)刺激的加工中就存在著豐富的動(dòng)態(tài)特性和編碼機(jī)制[8-9]. 視網(wǎng)膜作為視覺(jué)系統(tǒng)中的初級(jí)組織結(jié)構(gòu), 由多種不同類(lèi)型的細(xì)胞構(gòu)成, 共同組成一個(gè)縱橫相連、具有層級(jí)結(jié)構(gòu)的復(fù)雜網(wǎng)絡(luò), 能夠針對(duì)不同類(lèi)型的刺激性選擇相應(yīng)的編碼方式進(jìn)行有效處理. 因此, 本文面向圖像的邊緣檢測(cè)任務(wù), 以菌落圖像處理為例, 模擬視網(wǎng)膜中各成分對(duì)視覺(jué)信息的處理方式, 構(gòu)建基于視網(wǎng)膜動(dòng)態(tài)編碼機(jī)制的多層邊緣檢測(cè)模型, 以適應(yīng)具有多種形態(tài)結(jié)構(gòu)差異的菌落圖像邊緣檢測(cè)任務(wù).

1. 材料和方法

1.1 亮度感知編碼層

1.2 基于固視微動(dòng)的多方向雙通路邊緣提取層

1.3 多特征脈沖延時(shí)紋理抑制層

2. 算法流程

3. 結(jié)果

4. 討論

5. 結(jié)論