1、第 36 卷 第 2 期2023 年 2 月传 感 技 术 学 报CHINESE JOUNAL OF SENSOS AND ACTUATOSVol.36No.2Feb 2023项目来源:教育部产学合作协同育人项目(202102019039);浙大城市学院培育基金项目(J202223)收稿日期:20220323修改日期:20220509Edge Extraction Based on Asymmetric STDP of Visual Pathway*FANG Tao1*，FANG Linling2，LIU Xiaolei3，LIU Yan4，PAN Shuwen4(1College of El
2、ectronics and Information，Hangzhou Dianzi University，Hangzhou Zhejiang，310018，China;2Department of ich Communication Suite，esearch and Development Center，China Mobile(Hangzhou)Information Technology Co，Ltd，Hangzhou Zhejiang 311121，China;3School of Electronics and Information Engineering，Harbin Insti
3、tute of Technology，Harbin Heilongjiang 150080，China;4School of Information Electrical Engineering，Zhejiang University City College，Hangzhou Zhejiang 310015，China;)Abstract:The effective detection of image edges plays an extremely important role in image processing，and is of great significance tothe
4、analysis，recognition and understanding of subsequent image content The visual information processing mechanism is simulated，anda new method for image edge detection is proposed based on asymmetrical Spike-Timing-Dependent Plasticity(STDP)according to thephysiological mechanism of vision Firstly，the
5、original image is preprocessed by simulating the visual physiological orientation character-istics through the Gabor filter，and the orientation features are fused to reconstruct the primary edge feature information of the imageSecondly，a neuron network composed of dynamic synapses based on the asymm
6、etric STDP mechanism is constructed to further processthe primary edge feature information to obtain an impulse response image，and the impulse response image is filtered by a Gaussian fil-ter The edge of the filtered image is then refined by using the lateral inhibition between neurons Finally，the r
7、esults are normalized toobtain the final edge of the experimental image to be detected The experimental objects are the colony images collected in the laboratoryand some randomly selected public dataset images The edge detection of colony images is of great significance for the statistics of sub-seq
8、uent information Through the quantitative and qualitative analysis of the experimental results，the AUC value and information entropyof the proposed method are better than the existing traditional methods on different experimental images，which can retain more imageedge details The edge detection meth
9、od proposed avoids the black box simulation according to the visual mechanism，and provides anew idea for low-level image feature processingKey words:edge extraction;asymmetric STDP;impulse response;dynamic synapse;lateral inhibitionEEACC:6135doi:103969/jissn10041699202302016基于视通路非对称 STDP 机制的边缘提取*房涛1
10、*，方琳灵2，刘晓磊3，刘艳4，潘树文4(1杭州电子科技大学电子信息学院，浙江 杭州 310018;2中国移动杭州研发中心融合通信系统部，浙江 杭州 311121;3哈尔滨工业大学电子与信息工程学院，黑龙江 哈尔滨 150080;4浙大城市学院信息与电气工程学院，浙江 杭州 310015)摘要:图像边缘的有效检测在图象处理中具有极其重要的作用，对后续图像内容的分析、识别和理解具有至关重要的意义。本文模拟视觉信息处理机制，提出了一种基于视觉生理机制的非对称脉冲时间依赖可塑性(Spike-Timing-Dependent Plasticity，STDP)图像边缘检测的新方法。首先，通过 Gabor
11、 滤波器模拟视觉生理朝向特性对原始图像预处理，并将朝向特征融合重构出图像的初级边缘特征信息;其次，构建基于非对称 STDP 机制的由动态突触组成的神经元网络对初级边缘特征信息进行进一步加工，获得脉冲响应图像，并通过高斯滤波器对脉冲响应图像进行滤波;然后利用神经元之间的侧向抑制作用，对滤波后的图像边缘进行精细化处理;最后对结果进行归一化处理，得到待检测实验图像的最终边缘。实验对象为实验室采集的菌落图像和部分随机挑选的公共数据集图像，菌落图像的边缘检测对于后续信息的统计具有重要意义，通过实验结果的定量与定性分析，所提出的方法在不同实验图像上的 AUC 值和信息熵优于已有的传统方法，并保留更多的图像
12、边缘细节信息。所提出的边缘检测方法，根据视觉机制避免了黑箱模拟，为低级图像特征处理提供了新的思路。关键词:边缘提取;非对称 STDP;脉冲响应;动态突触;侧向抑制中图分类号:TN91173;TP183文献标识码:A文章编号:10041699(2023)02028007第 2 期房涛，方琳灵等:基于视通路非对称 STDP 机制的边缘提取目前基于仿生视觉的图像低级视觉特征处理，相关专家学者从不同研究方向已经提出了许多相关理论，并取得了非常好的结果13。由于图像的边缘和轮廓是图像最基本也是最重要的特征，对边缘和轮廓进行有效的检测一直也都是图像处理领域的重要研究课题45。如何有效、准确地检测出图像边缘
13、和轮廓，对后续图像的分析、识别和理解具有重要的意义67。针对图像边缘检测也发展出了各种各样的方法，主要包括:基于空域的方法，比如 oberts 算子8 边缘定位精度高，检测的边缘比较细腻，但它对噪声敏感，鲁棒性差，易造成局部边缘丢失现象，导致被检测物体的边缘轮廓不连续;Sobel 算子9 和 Prewitt 算子10 虽然能够抑制噪声，但检测的边界线较宽;与上述的方法相比 Canny 算子11 对噪声相对不敏感，但易受梯度幅值和双阈值的影响，易检测出伪边缘和造成边缘间断;Laplace 算子12 具有各向同性、线性和位移不变性，但在求取边缘时需要进行二级差分处理，对噪声有双倍加强的作用，会影响
14、检测精度;LoG算子13 是在 Laplace 算子的基础上实现的，首先使用高斯函数低通滤波原始图像中存在的噪声，再使用Laplace 算子进行边缘检测，这相对于 Laplace 算子虽然抑制了图像中的噪声，但同时也损坏了部分低强度的边缘，造成边缘检测的不连续。基于变换域的方法，比如小波变换14 利用变换后的高频分量对图像中的突变信息和噪声去噪，可以得到图像的边缘;数学形态学15 则是一种使用非线性滤波的方法，通过描述图像的基本特征、结构，解决了噪声抑制、特征提取和边缘检测等图像处理问题。这些传统的方法都存在着噪声难以克服的问题，而图像的复杂性和多样性则需要更为有效的边缘检测方法。近些年随着视
15、觉机制生理实验越来越深入，对生物视觉系统的研究取得了大量的成果，这使得人们对视觉的认知过程有了一定的了解。所以目前针对人类视觉系统有效建模为图像处理提供了启发和指导1617。例如基于 PCNN 的图像边缘检测，模拟神经元脉冲信息流的发放和传递，在边缘检测中充分发挥了神经元网络的非线性建模能力18;以及利用视觉神经系统方向选择性的 Gabor 滤波器，在边缘检测中也得到了较好的应用19。本文则主要研究了生物视觉视通路的基本信息处理特性，同时结合课题组在细菌图像信息统计过程中遇到的问题，通过确定菌落边缘，快速统计菌落信息，同时扩展算法，应用到公共数据集，为基础图像特征信息提取，提供一种无监督解决方
16、案。因此，提出了基于视觉视通路的非对称 STDP 机制的图像边缘检测算法。首先，考虑到兴奋性突触和抑制性突触的在网络系统中的作用机制，以及网络系统局部区域中神经元之间的侧向抑制作用。然后，对神经元脉冲信息流采用时间编码，构建以动态突触为核心的脉冲神经元网络，有效地模拟了视觉神经元的内在工作机制。1基本原理本文通过模拟视觉处理机制，构建了基于非对称STDP 机制的动态突触神经元网络，以实现对图像边缘的有效检测。首先通过使用 Gabor 滤波器模拟人类视觉机制，对原始图像进行预处理，获得不同方向的图像特征，进行特征融合将并其传递到基于非对称STDP 机制的由动态突触组成的神经元网络。通过记录神经元的首次脉冲发放时间，给出基于时序编码的信息流处理方案。并对基于时序编码的脉冲信息流进行高斯滤波。另外，本文模拟侧向抑制机理，对经过高斯滤波之后的图像进行了进一步处理，得到神经元侧向抑制后的图像。最后进行归一化处理，得到图像的最终边缘，具体流程如图 1 所示。11脉冲神经元网络根据相关神经生理机理研究，本文构建了以Izhikevich 神经元为基本单元的动态突触网络。各神经元基本单元之间通过兴奋性突