算法设计及仿真测试
算法设计(图3-10)如下:
图3-10 算法流程图
步骤1:使用4个尺度12个方向的二维Gabor函数模拟简单细胞感受野,提取出轮廓结果。
步骤2:使用4个尺度12个方向的奇偶二维Gabor函数模拟复杂细胞感受野,提取结果。
步骤3:利用非经典感受野各向异性抑制对提取出的结果做纹理抑制。
步骤4:利用本章提到的算法对四个尺度的结果做权值处理,处理完成后编码成时间序列。
步骤5:利用LIF神经元组成脉冲神经网络,将上述的脉冲编码输入网络,最后利用脉冲发放频率作为最终的结果。
仿真实验。本节使用RUG40图像库的40幅像素为512×512的典型自然场景图像组合形成实验测试样本集[30]。每幅测试图像都有一张人工绘制的基准轮廓图,将这些图像设定为标准的检测结果。EGT为标准的参考轮廓图,是综合多次人工勾画的轮廓而获得的与原始图像具有最多认同度的轮廓;BGT为参考图像的非轮廓区;ED表示算法模型检测出来的轮廓图;BD表示算法模型检测出来的非轮廓区;E为算法模型检测结果,为ED和EGT的重叠部分,即E=ED∩EGT;EFN表示漏检的轮廓像素点集合,也就是应该是轮廓却未被检测出来,即EFN=EGT∩BD;EFP表示错检的轮廓像素点集合,也就是不是标准轮廓的像素点被当作轮廓检测出来,即EFP=ED∩BGT。
定义准确率P为算法模型检测出来的正确轮廓E与检测出来所有的像素之比。所有的像素点包括检测出来的正确轮廓E的像素点、错检的轮廓EFP的像素点和漏检的轮廓EFN的像素点。准确率计算见式(3-22):
式中:card(E)表示一幅图像的所有像素集合E的元素个数;P值可以定量评价检测算法的有效性,P值越高,表明模型轮廓检测效果越好,反之则越差。同时像素的错检率与漏检率也可以体现算法的效果,见式(3-23)和式(3-24):
主观测试结果如图3-11所示,测试数据来源于TUG40图像库中的测试图像,A,B,C,D和E分别是名称为goat_3、hyena、elephant_2、golfcart和buffalo,大小为512*512的测试图像。为了测试本节所述方法的有效性,采用现有的经典轮廓提取方法[30],如Gabor、Anisotropic和Isotropic做轮廓提取性能对比。从图3-11可以看出,相对于其他方法,本节所述的方法可以有效抑制背景纹理,能较好地突出主体轮廓,客观测试结果见表3-2。要节所述方法对比其他主流方法,可以较好地降低漏检率和错检率。
图3-11 主观测试结果
第一行A～E为原始图像,第二行A1～E1为RUG40数据集附带的多人描绘的标准轮廓图,第三行A2～E2为Gabor能量方法在20组参数中得到的最优结果,第四行A3～E3为Anisotropic方法在40组参数中得到的最优结果,第五行A4～E4为Isotropic方法在40组参数中得到的最优结果,第六行A5～E5为本算法在5组参数中得到的最优结果
表3-2 客观评价结果
注 eFN为漏检率,eFP为错检率,P为准确率。