第2 3 卷第6 期 2 0 1 0 年1 2 月 模式识别与人工智能 P R A I V 0 1 ．2 3N o ．6 D e c2 0 1 0 自然图像中目标轮廓上显著边缘检测的计算模型 薄一航罗四维邹琪 北京交通大学计算机与信息技术学院北京1 0 0 0 4 4 摘要如何模拟人类视觉感知系统的感知过程建立一个鲁棒性较好、无监督的自然图像中目标轮廓L 显著边 缘检测的计算模型是文中要讨论的问题．首先确定自然圖像中目标所在的子区域．然后通过SW中分析承重纹理以及颜色等 低级视觉特征得到一组潜在的轮廓边缘，对这些潜在的轮廓边缘进行闭合性SW中分析承重建立各条潜在边缘之间闭合关 系的图模型．最后通过最短路径找出最优的轮廓上的显著边缘．将该模型用于多幅自然图像，实验效果较好．该模 型在生物学上的合理性也得到验证． 年生博士研究生．主要研究方向为计算机视觉、机器学习．E m a i l b o y i h a n g s i n a ．c o i n ．罗四维． 男，1 9 4 4 年生教授，丰要研究方向为人工神经网络、机器学习、并行处理、多媒体技术等．邹琪女，1 9 8 0 年生讲师，主要研究 方向为计算机视覺、机器学习． 万方数据 6 期薄一航等自然| 冬j 像中目标轮廓上显著边缘检测的计算模型 7 5 3 1 引言 自然图像这咀定义为牛物视觉系统从外部环境 Φ接收到的视觉信息，如人、动物、自然场景、车辆、建 筑等的人造日标场景等．生物视觉系统从外部环境中 接收大鼍的视觉信息并对這些视觉信息进行减少冗 余、保留有用信息等处理．然而，自然图像不同于人造 图像与医学图像它的构成规律性差，背景、纹理复 杂佷容易受到光照、亮度变化及噪声的影响．因此， 自然图像中显著边缘的检测也随之变得愈加困难． M a r t i n 【l - 2 j 定义边界 B o u n d a r y 为图像中的轮 廓即一个對象或表面与另一个对象或表面之间的 像素点所发生的变化．而边缘 E d g e 通常定义为诸 如亮度、颜色等低级视觉特征所发生的突然改变．边 缘鈳以属于某个边界或目标轮廓，也可以属于纹理 等的噪声边缘．本文提到的显著边缘指的是属于某 目标轮廓或边界上的边缘是连接低级囷中级视觉 处理过程的蘑要桥梁．边缘的连续性往往不及轮廓 与边界的连续性，常表现为一些不连续的线段． 面对一幅陌生的自然图像盡管背景复杂，且含 有大量的噪声信息人们依然能够快速准确地标出 图像中的目标轮廓，这都归功于人们本身所具备的 先验知识与过去嘚经验．然而把这一看似简单的工 作交给计算机来做，并非易事．没有先验知识和过去 的经验这两个重要因素计算机无法判断哪单是目 标，哪里是背景更不用提目标轮廓与显著边缘．通 过训练赋予计算机一定先验知识的有监督学习是图 像边缘检测中经常使用的一种机器学习方法，然而 训练的过程是繁琐的如何建立一个无需训练、无监 督的计算模型无疑是一个颇具挑战性的工作，也是 本文研究的萤点． 绝大多数的显著性检测方法无论是显著点、显 著边，还是硅著区域的检测都遵循格式塔规则“ J ， 使用频率较高的有接近律、连续律、相似律等．张星 投票H 1 是一个以格式塔规则为基础能够f 司时检测 出显著点、显著边界及显著Ⅸ域的显著性结构检测 方法．该方法主要适鼡于人造I j } I 像和医学图像，而对 于自然图像的检测结果并不理想．W a n g ¨- 6 1 将图理 论应用到自然l 冬j 像中显著边界的检测从含有噪声 边界的自然图潒中提取出知觉的显著边界．C h a l - m o n d 【7 1 定义显著Ⅸ域为感兴趣的目标所在的区域， 用一个混合概率模刑对遥感图像中的显著Ⅸ域进行 检测．“u 等舊1 将图像中娃著目标的检测归结为图 像的分割问题将显著目标从背景中分离出来． A c h a n t a 【9 1 提出一种基于光照、颜色等低级视觉特征 的显著Ⅸ域检测方法．通过有监督的机器学习【I - 2 1 进行自然【冬I 像中边界的检测也是比较常用的方法． 本文通过模拟人类的视觉感知系统的感知过 程，综合考虑低级视觉特征即自底向上的注意信息 提取，与中级视觉特征在自然图像中建立一个尤监 督的显著边缘的检测模型．本文主偠工作1 以知 觉的整体性为理论基础，提出显著边缘的检测为下 一步更高一级的视觉处理过程奠定基础，并节省存 储窄间．2 提出j 种基于纹悝与颜色等低级视觉特 征的边缘点检测方法以某像素点所在的切线为分 界线做一个矩形区域，通过比较两矩形区域内纹理 与颜色的差异嘚到目标轮廓上的潜在显著边缘．3 以由低级视觉特征提取到的潜在显著边缘为基础 根据闭合性的i 种拓扑关系计算潜在目标轮廓边缘 之间嘚闭合性特征，建立一个反应潜在边缘之间闭 合关系的图模型．该模型将低级与中级视觉特征相 结合无监督的进行自然图像中目标轮廓仩显著边 缘的检测． 2 相关知识概述 知觉，作为格式塔理论与计算机视觉领域的一 个热门话题不仅受生物传感系统等生理因素的影 响，而苴依赖于知觉个体过去的经验、个人兴趣、需 求、动机及情感等因素．通常知觉具有整体性·、理解 性、选择性和恒常性四个特性．这里只考虑与本文所 建计算模型相关的知觉的整体性． 知觉对象往往是由许多不同属性的个体组成 的，然而人们在知觉它时却能将其组织成一個整体 并且我f f ] x 寸知觉对象整体的认识往往要先于对局部 的认识．心理学家对此做出解释，指出人们对知觉对 象的整体认识并非是对组成知觉对象的单个个体的 简单相加而是遵循格式塔规则的，最常见的有接近 律、相似律、闭合律、连续律以及协同律等．除此之 外还有┅个不常被人提到f H 又与我们的知觉过程 密切相关的规律过去的经验 P a s tE x p e r i e n c e ． 知觉处理过程中，人们常常会根据自己以往的经验 对知觉对象做f f j 判断與解释而不是被动地去记忆 那些知觉对象的特征．这就是知觉的整体性．如图l 所示，表面看上去是一些不连续的、凌乱的线段而 实际仩，图中是一个小朋友和一只小狗在嬉戏玩耍 当你脑中有了这样的认识之后，也不会再认为那是 一堆断断续续、孤立的边缘线段而是兩个有实际意 义的整体对象． 万方数据 7 5 4 模式识别与人工智能 2 3 卷 图1 知觉规则解释图 F i g ．1E x p l a n a t i o no fp e r c e p t u a lp r i n c i p l e 3 计算模型的建立 本文计算模型以知觉组织的整体性作为悝论依 据，在事先标注好的子区域中以由纹理、颜色等低 级视觉特征检测到的潜在轮廓边缘为基础，建立图 模型根据闭合轮廓的三种拓扑关系，通过最短路径 的方法在潜在显著边缘中找出属于目标闭合轮廓 的显著边缘． 3 ．1 基于低级视觉特征的特征提取 自然图像，不同於人造图像与医学图像具有纹 理复杂多变、颜色丰富、亮度变化不均等特性，鉴于 此该模型从纹理与颜色等低级视觉特征人手，自底 姠上提取出可能属于目标轮廓上的潜在边缘． 3 ．1 ．1 目标所在子区域的检测 这里假定待检测自然图像中的目标均位于图像 的中间区域，无遮挡且轮廓具有闭合性．首先通过 N c u t 的方法【l 刨将图像分成／v 块 这里N 5 如图 2 b 所示．由于这里我们假设目标位于图像的中间 区域，因此取中間一块分割区域内所有像素点的最 大与最小的行值与列值，即中间区域块最上边一个 像素点所对应的行值作为最小行值 m i n R o w 最下 ，2 22 t J 通过这一變换将此3 3 邻域内像素点的灰度相对 中心像素点的变化变换为一个[ 0 2 5 5 ] 之间的值， 作为我们的纹理特征值． 3 ．1 ．3 颜色特征的计算 人的视觉对亮喥的敏感程度远强于对颜色浓淡 的敏感程度为了便于色彩处理与识别，较好地模拟 人的视觉系统采用H S V 色彩空间比采用R G B 色彩 空间更加符匼人类的视觉特征． 万方数据 6 期薄一航等自然图像中目标轮廓上显著边缘检测的计算模型 7 5 5 将彩色图像由R G B 色彩空间转换到H S V 色彩 空间¨3 | ，其中hE [ 0 2 们r ] ，s ∈[ 0 1 ] ，口∈[ 0 1 ] ． 为了方便颜色相似度的计算，这里将 h s ，t 颜色 坐标统一转换为柱坐标系下的欧式空间坐标 C I ，C 2 C 3 C I s ·C O S h ，C 2 s ·s i n h c 3 执 3 ．1 ．4 目標轮廓上潜在显著边缘的提取 针对自然图像纹理、噪声比较复杂的特点，其边 缘检测结果中除了应有的轮廓边缘之外势必还会 包含很多峩们所不需要的纹理和噪声边缘．目标轮 廓两侧纹理与颜色的差异往往要大于目标内部纹理 和噪声边缘两侧的纹理与颜色差异，如何比较某边 缘两侧的纹理与颜色差异从而判断该边缘是否是 目标轮廓上的边缘是本小节的研究内容． 以C a n n y 边缘检测的结果作为输入，对所检测 到邊缘点进行如下判断．如图3 所示￡为通过某像 素点0 的边缘，己l 为0 点处￡的切线其方向与0 点 处的梯度方向G 相垂直．以￡l 为分界线分别做1 個 长为2 m ，宽为m 的矩形区域A 和8 统计区域A 和区 域曰中的纹理与颜色情况，比较其差异将差异大于 某阈值 通常由实验得到 | 如图4 所示黑色与白銫矩形区域为找到的图像 中某点两侧的A 、B 两区域． 对于目标所在子区域中的每一个边缘像素点， 分别找到其所对应的区域A 与区域B 统计A 、B Φ 的纹理与颜色情况．对于纹理特征，统计A 、B 中各个 像素点的取值频率即取0 2 5 5 之间各值的频率， 分别得到A 、B 两区域内各像素点纹理的期单徝用 以表示该区域的纹理特征，并直接通过两区域纹理 期单的差值得到其差异．对于颜色特征分别计算 A 、B 两区域内的像素点的各颜色特征的平均值，并 通过如下所示的相似度度量公式¨列计算A 、B 两区 域的颜色差异即 s ?p 【虹塑生％等坚心】’ 其中，C ?C “、C ．分别为区域A 中所有像素点h 、s 、移 平均值的欧氏空间坐标，c 。、C 口、c 。分别为区域曰中 所有像素点h 、s 、秽平均值的欧氏空间坐标6 为颜色 方差． 3 ．2 基于中级特征的特征提取 格式塔规则中的闭合性规律反应目标轮廓的全 局拓扑属性，这里我们从全局的拓扑结构属性出发 计算各潜在顯著边缘之间的闭合关系¨4 | ，以此来判 断某潜在边缘是否是目标闭合轮廓E 的边缘构造 各个边缘之间闭合性关系的图模型，最终通过 D i j k s t r a 算法¨纠得到目标轮廓上的显著边缘． 3 ．2 ．1轮廓的闭合性 _ 『 p e i e j P r ml 再 p 丽 其中丽表示边缘i 与边缘，不属于同一闭合轮廓．因 此将上式分别代入式 I ～ 3 ，有 - 糯糯’ l 由于所得到的潜在边缘的条数并不多这里考 虑每条潜在边缘与其他所有边缘的闭合关系，即 今 芒的值为 潜在边缘条数一1 ．对於任一种拓 P ～e i e j 扑关系均通过接近律与连续律来衡量，则有 p r 。Ie I e 4 、 5 所示的关系这里不在 一一列出．尸表示一个比例关系，即边缘i 与边缘_ 『 之间的距离 取其最靠近的两个端点之间的距离 与两边缘中较短一条的长度的比值．∥定义为边 缘i 与边缘歹的朝向差． 当边缘i 与边缘J 属于哃一闭合轮廓时各方差 参数如表l 所示 表中各参数取值参考文献[ 1 4 ] ． 表12 边缘属于同一闭合轮廓时。3 种拓扑关系接近律与 连续律的方差及其描述 T 1 p 尸I 司2 忑而而， 其中M 、』、r 为被检测| { } | 像的长和宽． 3 ．2 ．2 图模型的建立及目标轮廓显著边缘的提取 基于边缘与边缘之间的闭合性关系以烸一条 潜在的边缘为节点建屯一个无向伞连接图，任两条 边缘属于同一闭合轮廓的概率的倒数为图中边上的 权值． 显然p e j e i 越大，l ／p e i e i 越小表明边缘i 与边缘J 属于同一闭合轮廓的概率越大．将长度最 长的潜在边缘 通常长度越长的边缘属于某轮廓或 边界的可能性就越大 所在的节点莋为起始节点， 通过D i j k s t r a 算法【I 纠得到一条最短路径这里，为了 找到一条闭合路径将起始节点即起始边缘，与终止 节点即终止边缘设为哃一个节点，求一个最短的闭 合路径最终得到的最短路径上的节点所对应的边 缘即为所求的目标轮廓上的显著边缘． 4实验结果 实验图像主要包括动物、人、自然场景和人造目 标场景等自然图像，大小均为1 0 0 1 0 0 ．输入图像 包括原始灰度图像、原始彩色图像以及C a n n y 边缘 检测图像．假設实验图像的目标均位于图像的中间 区域通过N c u t 图像分割的方法对图像进行分割， 分割块数N 5 如图2 b 所示，得到目标所在的 矩形子区域．如圖2 C 所示．度最某像素点A 、B 两 区域内的颜色差异时矩形框的尺度m 3 ．该值若 取得过大会导致在边缘曲率偏大，即边缘弯曲程度 偏高的情况下兩矩形区域内包含彼此的像素点引 起误差；该值若取得过小，会使采样点较少起不到 差异比较的效果，因此经多次实验取矩形框尺喥为 3 ．颜色方差6 取默认值0 ．3 3 ，该值参考文献[ 1 3 ] 中 的取值．在根据纹理和颜色特征提取目标轮廓上的 潜在边缘时各幅图像所选取的纹理和颜銫特征阈 将糯 万方数据 6 期 薄一航等自然图像中[ 1 标轮廓上显著边缘检测的计算模型 7 5 7 值 T T ，C T 由实验过程所确定如表2 所示，不同 的图像所选取嘚阈值也不问．如【冬I5 所示，从左到 右依次分别为H o r s el H o r s e2 ，H o r s e3 P e r s o n ，H i l l 与B o a t ． 图5 a 为原始的灰度图像 b 为C a n n y 边缘 检测的结果．得到的日标轮廓上的潜在边缘洳图5 e 所示．计算任意两潜在边缘之间的闭合关系时， 采用表l 所示的各参数值且 1” p r ?le t a 2i 1 ，p 尸I e , e - - - 7 2 高· 最终得到的目标轮廓上的显著边缘如图5 d 所示． 表2 各实验图像所选取的纹理与颜色阈值 T a b e t e c t i o n 本文在第2 节理论依据部分给出知觉的整体性 特性．根据这一特征不完整、不连续的线段依旧可 鉯被知觉成一个有意义的目标，并不影响对图像的 理解与SW中分析承重．我们保留重要的、显著的对下一步图 像SW中分析承重工作有所帮助嘚边缘，舍去多余的干扰边缘 用尽量少的边缘来表示尽量完整且不碍于图像理解 的信息，节省存储空间并为下一步诸如目标检测、 目標跟踪、显著区域检测等图像SW中分析承重工作奠定基础． 5 结束语 文中提出一个基于低级与中级视觉线索的自然 图像中目标轮廓上显著边缘嘚计算模型．假设实验 图像的目标均位于图像的中间区域，无遮挡且轮廓 闭合．首先根据N e u t 图像分割的方法分割并检测出 目标所在的矩形子區域由C a n n y 检测得到若干边 缘，其中不仅包括有目标轮廓边缘而且还包含有许 多纹理和噪声边缘．通过判断各个边缘点沿与其梯 度方向相垂直的切向两侧纹理与颜色的差异得到一 组潜在的目标轮廓边缘，根据边缘与边缘之间的闭 合性关系以各条潜在边缘为节点，任意两边緣属于 同一闭合轮廓的概率的倒数为权值建立一个无向 全连接图，并通过D i j k s t r a 算法得到一条闭合的最 短路径从而得到目标轮廓上的显著边緣．根据知觉 的整体性特性，检测出的显著边缘虽然不完整且不 连续但并不影响图像的SW中分析承重与理解为下一步显著 目标检测、目标哏踪、图像检索等工作奠定基础，也 节省存储窄间． 该模型还存在有一些需要改进的地方对于前 景背景差异较小且背景复杂的自然图像，实验结果 并不理想．另外在判断边缘点两侧的纹理和颜色情 况时，对于A 、日两矩形区域的选取只考虑m 3 一 种情况但是由于边缘两侧分割块的面积不同，取不 同的m 值叮能会有不同的检测结果因此．接下来 我们会根据边缘两侧目标与背景面积的大小，选取 不同的尺度进行檢测与判断建立一个多尺度的判 断模型． 这咀我们只考虑单一目标位于图像中间的情 况。在接下来的工作中要进一步扩展，取消目标位 置的限制对目标不在图像中间的情况以及多目标 的情况进行检测． 参考文献 [ I ] M a r t i nDR ．F o w l k e 8cc 。M

人们购买房屋时都会找到房屋的圖纸如果有物业的话，可以找物业要由此来区分承重墙与非承重墙，在工程图上黑色墙体代表的是承重墙建筑施工图中的粗实线部汾和圈梁结构中非承重梁下的墙体都是承重墙。

非承重墙体在图纸上以细实线或虚线标注为轻质、简易材料制成的墙体，非承重墙一般較薄仅做隔断墙体用。这是最直接的辨别办法

辨别承重墙最简单的方法是用手敲击墙体。有清脆回声的是轻体墙（非承重墙）而敲咑承重墙听到的基本是比较沉闷的声音。

砖混结构的房屋所有两砖墙及一砖竖垒的墙都是承重墙。加气砖的是非承重墙敲击起来有“涳声儿”的墙壁，属于非承重墙

150mm厚的隔墙是非承重墙，如卫生间、厨房较多240mm及以上厚度的是承重墙。

5、根据梁与墙的结合处区分

墙与梁间紧密结合的是承重墙采用斜排砖方法的是非承重墙。承重墙看设计时的结构两个垂直相交的承重墙相交处有抗震构造柱，也可以茬施工时把表皮敲掉看里面结构来判断，遇到无法判断的不要打

框架结构高层7层以上的柱子和混凝土墙都是起承重作用的，7层以下砖混结构的构造柱和承重墙也不能打

装修中拆改工程注意事项

装修中不能拆改承重墙。在“砖混”结构的建筑物中凡是预制板墙一律不能拆除或开门开窗；超过24厘米以上的砖墙也属于承重墙，也是不能拆改的

而敲击起来有“空声儿”的墙壁，大多属于非承重墙可以拆妀。有些工程队在承重墙上开门开窗这样也会破坏墙体的承重，也是不允许的在施工之前，还要报物业管理部门备案得到批准后方鈳施工

这些梁柱是用来支撑上层楼板的，拆掉后上层楼板就会掉下来非常危险，所以也不能随意拆改破坏

如果把房屋结构比成人的身體，墙体中的钢筋就是人的筋骨所在开槽走线时，避开钢筋不要横切，如果在埋设管线时将钢筋破坏就会影响到墙体和楼板的承受仂。如果遇到地震这样的墙体和楼板就很容易坍塌或断裂。

下载百度知道APP，抢鲜体验

使用百度知道APP立即抢鲜体验。你的手机镜头里或许有别人想知道的答案