這是一篇基于視覺顔色機制的邊緣檢測論文，原文分中文和英文版
中文版連結：中文版pdf
英文版連結：英文版pdf
項目首頁：http://www.neuro.uestc.edu.cn/vccl/projcvpr2013.html
整個算法可分為以下幾步：
1、輸入一張彩色圖像
2、 分别提取r-g-b三種顔色資訊，并計算y顔色資訊，進行高斯濾波得到
3、設定連接配接權重ω ，通過式（1）得到r+wg和wr+g兩種連接配接權值的的結果
$$
srg、sgr
（ii層中處理），b-y兩個通道類似，可得到四個中間結果
srg、sgr、sby、syb
4、iii層（cortex layer）對ii層中的結果
進行計算，公式如（6）所示：
其中：
sr-g+=-sr+g-
nr+g-、nr-g+
分别表示v1層神經元r-on/g-off 和 r-off/g-on的rf（由公式（3）（4）（5）得到的rf）。
而
取分母為16，則θi取[0,2π]之間相隔π/8的16個角度，由（6）式會得到16個
結果，對應于16（程式中隻用到了8個角，0到π）個不同朝向θi的濾波器結果，這個d(x,y)是對四個拮抗通道其中之一進行計算的結果，是以，四個通道會得到四組相應的d(x,y)。
四組d(x,y)值，通過（8）式，每組取其中的最大值可得到對應于四個通道的四個d(x,y)，并對其進行線性歸一化，将四個通道的響應歸一化到[0,1]
輸出四個歸一化後的d(x,y)。
5、最終的輪廓響應為r(x,y)，如公式（9）所示，r(x,y)是對步驟4中的d(x,y)取最大值的結果。
流程圖如下所示
主要函數功能為
1、<code>gaus(sgm)sgm為sigma值，傳回一個濾波矩陣</code>
2、<code>singleopponent( map,opponent,sigma,weights )</code>
參數：<code>opponent</code>為rg或by兩個值之一，分别代表兩對拮抗通道
過程：對<code>r、g、b、y</code>四個通道進行濾波，再計算<code>r’+w*g’、w*r’+g’、b’+w*y’、w*b’+y’</code>，分别對應
srg、sgr、sby、syb$$
傳回：
3、<code>divgauss2d( sigma,seta )，seta為不通濾波器的朝向，傳回一個濾波矩陣</code>
4、<code>conbyfft( img,tpl )</code>
參數：<code>img</code>為
四個其中之一， tpl 為 divgauss2d( )傳回的結果進行歸一化
過程：對img進行填充、傅裡葉及其逆變換等處理
傳回：與img相同大小的矩陣，即為
drg(θi)、dgr (θi )、dby (θi)、dyb (θi)
5、<code>orienteddoubleopponent( map,opponent,sigma,angles,weights )</code>
過程：調用<code>singleopponent()、divgauss2d()、conbyfft()</code>
傳回：傳回
drg、dgr、dby、dyb
6、<code>resdo( map,sigma,angles,weights )</code>
過程：
drg、dgr、dby、dyb$$
都是xy8（如果angles設為8）的矩陣，即八組
drg(θi)、dgr(θi)、dby(θi)、dyb(θi)
取八組
drg(θi)
資料中每個 （x , y）點對應的最大值作為新的
cbrg$$
其他三組資料相同，其中
cbrg( : , : )
是
drg$$
中的最大值，而orients(:,:,1)是
中最大值在矩陣中的位置
cbrg、cbgr、cbby、cbyb
分别代表四個通道得到的邊緣矩陣，對每個像素點，取四個通道中的最大邊緣值作為 <code>re ( : , : )</code> ，取該值在原矩陣中對應的<code>angles</code>值為<code>theta( : , : )</code>。
傳回：<code>re ( : , : )</code>和<code>theta( : , : )</code>矩陣，<code>re</code>即為初步的邊緣矩陣。
7、<code>nonmax(im,theta)</code>
參數：<code>im</code>為<code>resdo()</code>的傳回值re進行歸一化，<code>theta</code>為<code>resdo()</code>的傳回值theta進行角度變換
過程：a點在方向1上有最大邊界值a，而在方向1上相鄰的兩個點b,c也有計算得到的邊界值b，但是a小于等于b，這說明a點的邊界比b、c點的邊界強度低，那麼真正的邊界應該是在b或c處取得，是以應該令a點處的邊界值為0，這樣可以保留最合适的邊界點。
傳回：傳回比輸入<code>im</code>小一個像素圈大小的邊緣矩陣<code>im</code>
8、<code>coboundary(map,sigma,angles,weights)</code>
參數：<code>map</code>為處理的圖像，<code>sigma、angles、weights</code>為設定的參數（此算法需要設定的所有參數就是這三個）
過程：調用<code>resdo()、nonmax()，對nonmax()</code>中得到的<code>im</code>進行邊緣填充0，得到最終的邊界矩陣<code>fb</code>
傳回：最終的輪廓矩陣<code>fb</code>