一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法

摘要

本发明公开了一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法。首先提出一种WKPCA算法，对高维特征空间的各特征向量进行特征向量角匹配(FAM)加权，削弱或排除CRF区域内病态或异常的特征数据干扰，更精确的提取CRF主成分；在此基础上，定义一种同质度概念和计算方法，通过nCRF特征向量在中心主成分的投影，计算环境-中心的同质性；最后基于该同质度对nCRF中各抑制量校正，使得同质区域相互抑制量大、异质区域抑制量小或不相互抑制、同时尽可能削弱轮廓元素自抑制作用，从而提高抑制作用的准确率。因此本发明提出的模型能够更全面的检测环境-中心的差异，降低噪声干扰、更精确的抑制纹理细节、提高轮廓响应强度和完整性。

主权项

1.一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法，其特征在于步骤如下：步骤1，输入微光图像；步骤2，设置非经典感受野模型参数：nCRF和CRF区域半径比ρ，高斯标准差σ，核函数尺度σ_k，调制系数a∈[0,1]、b∈[0,1]，根据式1及参数计算CRF和nCRF区域圆形半径r_c和ρr_c；$r_c=\sqrt{2\ln \rho /{\rho }^2-1}·\mathrm{\rho \sigma }---\left(1\right)$步骤3，逐行扫描各个像素点，计算各像素点Gabor方向能量极值E_σ(x,y)；由式2计算nCRF区域内的距离加权函数ω_σ(x,y)，(x,y)为像素在图像中的位置；ω_σ(x,y)=|DOG_σ,ρσ(x,y)|⁺/‖|DOG_σ,ρσ(x,y)|⁺‖₁   (2)${\mathrm{DOG}}_{\sigma ,\mathrm{\rho \sigma }}(x,y)=\frac{1}{\sqrt{2\pi {\left(\mathrm{\rho \sigma }\right)}^2}}\exp (-\frac{x^2+y^2}{2{\left(\mathrm{\rho \sigma }\right)}^2})-\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp (-\frac{x^2+y^2}{2{\sigma }^2})---\left(3\right)$步骤4，计算微光图像各像素点特征向量，构建各像素点CRF区域内多维特征数据集nCRF区域内多维特征数据集CRF区域内特征向量fx_i元素为Gabor方向、空间频率、对比度、灰度共生统计熵和灰度共生统计相关性，fx_i＝[O_c,SF_c,CON_c,cooE_c,cooCOR_c]^T，i＝1,…,N_c，N_c为CRF内像元数目，O_c、SF_c、CON_c、cooE_c和cooCOR_c为CRF区域内归一化的Gabor方向、空间频率、对比度、灰度共生统计熵和灰度共生统计相关性；nCRF区域内特征向量fy_j，j＝1,…,N_nc，fy_j＝[O_nc,SF_nc,CON_nc,cooE_nc,cooCOR_nc]^T，N_nc为nCRF内像元数目，O_nc、SF_nc、CON_nc、cooE_nc和cooCOR_nc为nCRF区域内归一化的Gabor方向、空间频率、对比度、灰度共生统计熵和灰度共生统计相关性；步骤5，采用WKPCA算法，计算图像各像素点的nCRF区域内各像元与CRF中心同质度δ_w(r)；步骤6，结合同质度δ_w(x,y)和距离衰减函数ω_σ(x,y)对nCRF中各像元抑制量校正，由式9和式10计算图像各像素点的环境抑制量T_σ(x,y)及抑制输出R_σ(x,y)；其中δ_w(x,y)即为δ_w(r)；T_σ(x,y)=(δ_w(x,y)×ω_σ(x,y))*E_σ(x,y)     (9)R_σ(x,y)=|aE_σ(x,y)-bT_σ(x,y)|⁺     (10)步骤7，对输出R_σ(x,y)进行非极大值抑制，设置灰度阈值和轮廓长度阈值，对非极大值抑制结果进行二值化，得到最终的轮廓输出。