这是一篇基于视觉颜色机制的边缘检测论文，原文分中文和英文版
中文版链接：中文版pdf
英文版链接：英文版pdf
项目主页：http://www.neuro.uestc.edu.cn/vccl/projcvpr2013.html
整个算法可分为以下几步：
1、输入一张彩色图像
2、 分别提取r-g-b三种颜色信息，并计算y颜色信息，进行高斯滤波得到
3、设置连接权重ω ，通过式（1）得到r+wg和wr+g两种连接权值的的结果
$$
srg、sgr
（ii层中处理），b-y两个通道类似，可得到四个中间结果
srg、sgr、sby、syb
4、iii层（cortex layer）对ii层中的结果
进行计算，公式如（6）所示：
其中：
sr-g+=-sr+g-
nr+g-、nr-g+
分别表示v1层神经元r-on/g-off 和 r-off/g-on的rf（由公式（3）（4）（5）得到的rf）。
而
取分母为16，则θi取[0,2π]之间相隔π/8的16个角度，由（6）式会得到16个
结果，对应于16（程序中只用到了8个角，0到π）个不同朝向θi的滤波器结果，这个d(x,y)是对四个拮抗通道其中之一进行计算的结果，所以，四个通道会得到四组相应的d(x,y)。
四组d(x,y)值，通过（8）式，每组取其中的最大值可得到对应于四个通道的四个d(x,y)，并对其进行线性归一化，将四个通道的响应归一化到[0,1]
输出四个归一化后的d(x,y)。
5、最终的轮廓响应为r(x,y)，如公式（9）所示，r(x,y)是对步骤4中的d(x,y)取最大值的结果。
流程图如下所示
主要函数功能为
1、<code>gaus(sgm)sgm为sigma值，返回一个滤波矩阵</code>
2、<code>singleopponent( map,opponent,sigma,weights )</code>
参数：<code>opponent</code>为rg或by两个值之一，分别代表两对拮抗通道
过程：对<code>r、g、b、y</code>四个通道进行滤波，再计算<code>r’+w*g’、w*r’+g’、b’+w*y’、w*b’+y’</code>，分别对应
srg、sgr、sby、syb$$
返回：
3、<code>divgauss2d( sigma,seta )，seta为不通滤波器的朝向，返回一个滤波矩阵</code>
4、<code>conbyfft( img,tpl )</code>
参数：<code>img</code>为
四个其中之一， tpl 为 divgauss2d( )返回的结果进行归一化
过程：对img进行填充、傅里叶及其逆变换等处理
返回：与img相同大小的矩阵，即为
drg(θi)、dgr (θi )、dby (θi)、dyb (θi)
5、<code>orienteddoubleopponent( map,opponent,sigma,angles,weights )</code>
过程：调用<code>singleopponent()、divgauss2d()、conbyfft()</code>
返回：返回
drg、dgr、dby、dyb
6、<code>resdo( map,sigma,angles,weights )</code>
过程：
drg、dgr、dby、dyb$$
都是xy8（如果angles设为8）的矩阵，即八组
drg(θi)、dgr(θi)、dby(θi)、dyb(θi)
取八组
drg(θi)
数据中每个 （x , y）点对应的最大值作为新的
cbrg$$
其他三组数据相同，其中
cbrg( : , : )
是
drg$$
中的最大值，而orients(:,:,1)是
中最大值在矩阵中的位置
cbrg、cbgr、cbby、cbyb
分别代表四个通道得到的边缘矩阵，对每个像素点，取四个通道中的最大边缘值作为 <code>re ( : , : )</code> ，取该值在原矩阵中对应的<code>angles</code>值为<code>theta( : , : )</code>。
返回：<code>re ( : , : )</code>和<code>theta( : , : )</code>矩阵，<code>re</code>即为初步的边缘矩阵。
7、<code>nonmax(im,theta)</code>
参数：<code>im</code>为<code>resdo()</code>的返回值re进行归一化，<code>theta</code>为<code>resdo()</code>的返回值theta进行角度变换
过程：a点在方向1上有最大边界值a，而在方向1上相邻的两个点b,c也有计算得到的边界值b，但是a小于等于b，这说明a点的边界比b、c点的边界强度低，那么真正的边界应该是在b或c处取得，所以应该令a点处的边界值为0，这样可以保留最合适的边界点。
返回：返回比输入<code>im</code>小一个像素圈大小的边缘矩阵<code>im</code>
8、<code>coboundary(map,sigma,angles,weights)</code>
参数：<code>map</code>为处理的图像，<code>sigma、angles、weights</code>为设置的参数（此算法需要设置的所有参数就是这三个）
过程：调用<code>resdo()、nonmax()，对nonmax()</code>中得到的<code>im</code>进行边缘填充0，得到最终的边界矩阵<code>fb</code>
返回：最终的轮廓矩阵<code>fb</code>