边缘或轮廓作为图像的关键特征信息,对于分析或理解视野中的目标对象具有重要意义。目前边缘或轮廓检测方法大多依据像素亮度等属性在数学描述上的跳变特性,因此从图像空间上来看,这种跳变通常反映局部区域的像素属性变化趋势。但视觉系统在提取图像边缘或轮廓时,更多的是一种全局或大范围区域整体特征指导下的局部细节精细化,非经典感受野大外周所存在的去抑制区域正是上述视觉机制实现的基础。因此本文围绕着非经典感受野特性和应用展开研究,首先对传统三高斯模型进行改进,利用非经典感受野结构实现对输入的自适应加权响应,从而增强图像中的边缘信息;其次本文改善了传统的同质抑制模型,利用颜色空间信息实现背景异质成分的抑制,获得抗干扰能力更强的边缘细节;最后本文模拟视觉显著性信息提取与反馈,并结合纹理同质抑制模型,凸显主体轮廓。本文主要工作及研究成果如下:(1)建立三种基于非经典感受野机制的视觉处理模型。首先根据非经典感受野的三高斯模型,提出一种自适应加权响应模型,使检测结果具有更完整的边缘特性。其次改善传统的经典感受野同质抑制模型,使用三高斯函数代替DOG函数来模拟非经典感受野,采用Lab颜色空间和片相似性分别描述图像像素点的颜色以及纹理相似性,获得图像背景纹理及异质成分。最后提出显著性信息提取模型,根据经典和非经典感受野存在的去抑制区域的差异性产生突触抑制电流,并通过幂指数归一化的方式进行显著性提取。(2)提出一种基于非经典感受野机制的图像边缘检测新方法。首先通过Log-Gabor滤波器对图像进行方向选择,采用izhikevich神经元网络结合次序编码模拟视觉通道获得初步边缘图像,其次通过自适应加权响应模型对边缘信息进行增强,最后采用颜色同质抑制模型去除图像的异质成分,得到最终的边缘图像。经过ROC和信息熵方法评价,本文方法十一幅图ROC曲线下面积平均值为0.850,平均信息熵为0.395,均优于传统检测方法。(3)提出一种基于视觉显著性信息的图像轮廓检测方法。首先通过高斯导函数获得初级视皮层(V1)的多方向梯度响应,同时基于非经典感受野机制设置Leaky integrate-and-fire神经元网络的突触兴奋和抑制电流,利用神经元脉冲频率信息获得视觉显著性信息,反馈并调控V1的视觉响应,并结合纹理同质抑制模型实现对背景纹理的去除,最终得到图像轮廓。对RuG图像库中的图像进行轮廓检测,本文方法获得的综合评价指标P平均值为0.50,与ISO等方法相比在性能上具有一定的优势。