人類的視覺感知系統(tǒng)可以在極短時間內(nèi)對目標物體進行識別檢測,分析和理解,其高效性和精準性是目前計算機系統(tǒng)難以達到的水平。對視覺感知機制進行深入研究并將其應用到圖像識別和檢測中,對現(xiàn)代社會計算機視覺處理具有重要意義。本文考慮到視覺機制與生物視覺感知高效性之間的密切聯(lián)系,構(gòu)建多層級神經(jīng)信息交互模型并應用于圖像處理。首先引入經(jīng)典感受野方位選擇性、非經(jīng)典感受野大外周抑制以及高級視皮層反饋機制,構(gòu)建了基于視覺精細感知機制的響應模型。然后考慮顏色特征信息融合以豐富圖像信息的提取,利用交叉感受野編碼機制實現(xiàn)神經(jīng)元信息交互,模擬視覺感知的主觀能動性,強化邊緣信息的連續(xù)性,完成圖像邊緣信息的檢測。最后引入初級視皮層視通路并行處理通道,融合局部信息和整體信息,結(jié)合高級視皮層的精細化視覺處理實現(xiàn)邊緣檢測。本文的創(chuàng)新性和研究成果如下:（1）考慮視覺信息傳遞的層級性和前饋性,提出了方位層級細化與紋理動態(tài)抑制相結(jié)合的輪廓檢測方法。首先提出了經(jīng)典感受野的視覺特征精細感知方法,提高了輪廓方位的檢測精度;此外對前級最優(yōu)朝向采取多尺度特征融合策略,實現(xiàn)了朝向響應的多尺度優(yōu)化;之后模擬了非經(jīng)典感受野響應的動態(tài)抑制機制,可以有... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

本章算法的輪廓檢測框架

杭州電子科技大學碩士學位論文15bx,yGx,ywx,y(3.12)傳統(tǒng)紋理抑制方法并不考慮像素間在紋理特性描述上的差異性，通常直接對抑制信息bx,y進行操作，因此很難在主體輪廓漏檢測和背景紋理誤檢測之間達到平衡。針對上述情況，提出動態(tài)抑制強度系數(shù)針對性抑制的方法，實現(xiàn)輪廓和紋理的差異性處理，強化主體輪廓同時剔除背景紋理信息，如圖3.2所示。圖3.2非經(jīng)典感受野響應動態(tài)抑制計算G(x,y)中輪廓響應的梯度，如式(3.13)所示。梯度Gx,y中大于閾值thres的認定為輪廓信息的梯度值，記為()ox,y；小于閾值thres的認定為背景紋理的梯度值，記為()tx,y，如式(3.14)所示。依據(jù)前述閾值選取方法選取閾值thres。1/222(),()(,)x,yxyxyGGGxy(3.13)()(,,),()()(,,,),(),otxyxGifGthresGifGthryxyxyxyeysx(3.14)抑制強度系數(shù)需盡可能保留背景紋理信息，削減主體輪廓信息，所以采用min_max歸一化方法，將輪廓信息的抑制強度系數(shù)歸一化到0~0.5的范圍，背景紋理信息的抑制強度系數(shù)歸一化到0.5~1的范圍，得到動態(tài)抑制強度系數(shù)(x,y)如式(3.15)所示：0.5(-min())/(max()min())0.5(-min())/(max()min())+0.5()oooottttx,y(3.15)將抑制強度系數(shù)(x,y)與抑制項bx,y相乘，得到對紋理進行抑制后的輪廓響應，如式(3.16)所示，其中表示點乘。

杭州電子科技大學碩士學位論文17圖3.3高級視皮層顯著性信息反饋融合依據(jù)前述閾值選取方法，將Zx,y中大于閾值的像素點認定為輪廓點，記作O(x,y)。將輸入激勵I(x,y)中O(x,y)坐標點保留下來，其余像素點選取一個極小值value代表背景紋理信息，削減背景紋理的同時凸顯了顯著性信息，得到激勵響應N(x,y)，如式(3.20)所示：(),()()(),Ix,yifx,yOx,yNx,yvalueelse(3.20)對激勵響應N(x,y)使用前述的式(3.1)~(3.5)，得到顯著性信息提取后的輪廓多層級方位響應Lx,y，將其與高級視皮層的響應V(x,y)進行融合處理得到輪廓響應結(jié)果Rx,y，如式(3.21)所示：R(x,y)L(x,y)V(x,y)(3.21)3.2實驗結(jié)果考慮到自然場景圖像具有目標形態(tài)不規(guī)則、包括目標內(nèi)部細節(jié)在內(nèi)的紋理背景干擾復雜，以及輪廓對比度存在多級性等特性，因此選擇在輪廓檢測性能評估中被廣泛使用的RuG自然場景圖像庫作為實驗對象。RuG圖像庫包括40幅自然場景圖像以及對應的人工繪制基準輪廓圖。為證明本方法的可信度，選取了多種輪廓檢測方法進行定性對比。選擇的對比方法分別為高斯導函數(shù)模型(Gaussianderivative,GD)，非經(jīng)典感受野抑制模型(Isotropicsurroundinhibition,ISO)和多特征周邊抑制模型(Multiple-cueinhibition,MCI)。本方法的實驗參數(shù)設置：1.6,0.5,0.5。ISO和MCI方法的測試參數(shù)選取規(guī)則：外膝體細胞非經(jīng)典感受野的抑制作用采用恒定的抑制系數(shù)，因此選取10個不同的抑制強度系數(shù)參數(shù)[0.1:0.1:1]；滯后閾值參數(shù)p[0.1:0.1:1]，找到一個最佳閾值，在此閾值左右鄰域，以0.01的步長，再次搜索10組尋找最佳閾值。所以對于ISO和MCI方法，每張均會得到200組測試結(jié)果。GD

【參考文獻】：
期刊論文
[1]基于點陣神經(jīng)元響應時空信息的菌落圖像邊緣檢測[J]. 廖進文,范影樂,武薇,高云園,李軼.  航天醫(yī)學與醫(yī)學工程. 2014(02)
[2]基于生物視覺center-surround機制的光團目標檢測與跟蹤[J]. 李由,張恒,雷志輝.  應用光學. 2008(02)
[3]用不穩(wěn)定周期軌道理論研究神經(jīng)信息編碼規(guī)律[J]. 張俊滄,菅忠,龍開平,楊繼慶.  第四軍醫(yī)大學學報. 2001(12)



本文編號：3405861