轮廓检测作为图像分割、模式识别等任务的基础,是机器视觉的重要研究领域。与传统的边缘检测不同,轮廓检测可以区分检测出的边缘属于背景纹理还是轮廓,在不破坏轮廓的前提下还原完整轮廓,比边缘检测更加复杂。人类视觉系统可以快速获取自然场景中的目标轮廓,这启发我们可以通过模仿人的视觉系统进行轮廓检测。生理学研究发现,初级视皮层(V1区)中神经元对外界刺激的响应是经典感受野(Classical Receptive Field,简称CRF)和非经典感受野(non-Classical Receptive Field,简称n CRF)共同作用的结果,该机制可有效用于消除背景纹理。本文针对传统轮廓检测模型在单一尺度下得出结果,没有考虑多尺度信息的情况,对传统轮廓检测模型进行改进。本文首先提出基于视差的多尺度信息轮廓检测模型:针对图像中每个像素点,在使用函数滤波时感受野参数按照视差特性采用sigmoid函数进行设置,将传统模型下每个像素点在同一尺度下滤波改为多尺度滤波。采用NYUD-V2景深图像数据库的实验结果表明,多尺度下的轮廓检测结果明显提升了传统模型的效果,具有更高的性能指标。针对多尺度分析方法下不同尺度下结果难以整合的问题,提出一种多尺度信息的融合方法:首先通过仿非经典感受野的周边抑制特性,获得不同尺度下的多幅轮廓信息二值图;接着以最小尺度轮廓信息二值图为基准,判断各像素最优方向两侧相应范围内是否存在其他尺度的下的轮廓信息,同时利用高斯函数对相关信息进行加权融合,获得图像的权重图;最后对权重图进行非极大值抑制和二值化,得到最终轮廓检测融合结果。基于Ru G40数据库和伯克利图像数据库的实验结果表明,多尺度融合下的最终检测图像与原始方法相比,不仅保留了小尺度下的目标轮廓细节,也利用大尺度轮廓图有效抑制背景纹理。提升了原始轮廓检测方法的检测效果,改进了原始方法,增强了鲁棒性。