多層級神經(jīng)信息交互模型及應(yīng)用研究
發(fā)布時(shí)間:2021-09-23 14:19
人類的視覺感知系統(tǒng)可以在極短時(shí)間內(nèi)對目標(biāo)物體進(jìn)行識別檢測,分析和理解,其高效性和精準(zhǔn)性是目前計(jì)算機(jī)系統(tǒng)難以達(dá)到的水平。對視覺感知機(jī)制進(jìn)行深入研究并將其應(yīng)用到圖像識別和檢測中,對現(xiàn)代社會計(jì)算機(jī)視覺處理具有重要意義。本文考慮到視覺機(jī)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(yīng)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(jī)制,構(gòu)建了基于視覺精細(xì)感知機(jī)制的響應(yīng)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(jī)制實(shí)現(xiàn)神經(jīng)元信息交互,模擬視覺感知的主觀能動性,強(qiáng)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(xì)化視覺處理實(shí)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(xì)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(xì)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(shí)現(xiàn)了朝向響應(yīng)的多尺度優(yōu)化;之后模擬了非經(jīng)典感受野響應(yīng)的動態(tài)抑制機(jī)制,可以有...
【文章來源】:杭州電子科技大學(xué)浙江省
【文章頁數(shù)】:56 頁
【學(xué)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(xué)碩士學(xué)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(jìn)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(dá)到平衡。針對上述情況,提出動態(tài)抑制強(qiáng)度系數(shù)針對性抑制的方法,實(shí)現(xiàn)輪廓和紋理的差異性處理,強(qiáng)化主體輪廓同時(shí)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(yīng)動態(tài)抑制計(jì)算G(x,y)中輪廓響應(yīng)的梯度,如式(3.13)所示。梯度Gx,y中大于閾值thres的認(rèn)定為輪廓信息的梯度值,記為()ox,y;小于閾值thres的認(rèn)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(qiáng)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(qiáng)度系數(shù)歸一化到0~0.5的范圍,背景紋理信息的抑制強(qiáng)度系數(shù)歸一化到0.5~1的范圍,得到動態(tài)抑制強(qiáng)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(qiáng)度系數(shù)(x,y)與抑制項(xiàng)bx,y相乘,得到對紋理進(jìn)行抑制后的輪廓響應(yīng),如式(3.16)所示,其中表示點(diǎn)乘。
杭州電子科技大學(xué)碩士學(xué)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(diǎn)認(rèn)定為輪廓點(diǎn),記作O(x,y)。將輸入激勵(lì)I(lǐng)(x,y)中O(x,y)坐標(biāo)點(diǎn)保留下來,其余像素點(diǎn)選取一個(gè)極小值value代表背景紋理信息,削減背景紋理的同時(shí)凸顯了顯著性信息,得到激勵(lì)響應(yīng)N(x,y),如式(3.20)所示:(),()()(),Ix,yifx,yOx,yNx,yvalueelse(3.20)對激勵(lì)響應(yīng)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(yīng)Lx,y,將其與高級視皮層的響應(yīng)V(x,y)進(jìn)行融合處理得到輪廓響應(yīng)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(shí)驗(yàn)結(jié)果考慮到自然場景圖像具有目標(biāo)形態(tài)不規(guī)則、包括目標(biāo)內(nèi)部細(xì)節(jié)在內(nèi)的紋理背景干擾復(fù)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(shí)驗(yàn)對象。RuG圖像庫包括40幅自然場景圖像以及對應(yīng)的人工繪制基準(zhǔn)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(jìn)行定性對比。選擇的對比方法分別為高斯導(dǎo)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(shí)驗(yàn)參數(shù)設(shè)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(xì)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(gè)不同的抑制強(qiáng)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(gè)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(xiàn)】:
期刊論文
[1]基于點(diǎn)陣神經(jīng)元響應(yīng)時(shí)空信息的菌落圖像邊緣檢測[J]. 廖進(jìn)文,范影樂,武薇,高云園,李軼. 航天醫(yī)學(xué)與醫(yī)學(xué)工程. 2014(02)
[2]基于生物視覺center-surround機(jī)制的光團(tuán)目標(biāo)檢測與跟蹤[J]. 李由,張恒,雷志輝. 應(yīng)用光學(xué). 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(xué)學(xué)報(bào). 2001(12)
本文編號:3405861
【文章來源】:杭州電子科技大學(xué)浙江省
【文章頁數(shù)】:56 頁
【學(xué)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(xué)碩士學(xué)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(jìn)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(dá)到平衡。針對上述情況,提出動態(tài)抑制強(qiáng)度系數(shù)針對性抑制的方法,實(shí)現(xiàn)輪廓和紋理的差異性處理,強(qiáng)化主體輪廓同時(shí)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(yīng)動態(tài)抑制計(jì)算G(x,y)中輪廓響應(yīng)的梯度,如式(3.13)所示。梯度Gx,y中大于閾值thres的認(rèn)定為輪廓信息的梯度值,記為()ox,y;小于閾值thres的認(rèn)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(qiáng)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(qiáng)度系數(shù)歸一化到0~0.5的范圍,背景紋理信息的抑制強(qiáng)度系數(shù)歸一化到0.5~1的范圍,得到動態(tài)抑制強(qiáng)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(qiáng)度系數(shù)(x,y)與抑制項(xiàng)bx,y相乘,得到對紋理進(jìn)行抑制后的輪廓響應(yīng),如式(3.16)所示,其中表示點(diǎn)乘。
杭州電子科技大學(xué)碩士學(xué)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(diǎn)認(rèn)定為輪廓點(diǎn),記作O(x,y)。將輸入激勵(lì)I(lǐng)(x,y)中O(x,y)坐標(biāo)點(diǎn)保留下來,其余像素點(diǎn)選取一個(gè)極小值value代表背景紋理信息,削減背景紋理的同時(shí)凸顯了顯著性信息,得到激勵(lì)響應(yīng)N(x,y),如式(3.20)所示:(),()()(),Ix,yifx,yOx,yNx,yvalueelse(3.20)對激勵(lì)響應(yīng)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(yīng)Lx,y,將其與高級視皮層的響應(yīng)V(x,y)進(jìn)行融合處理得到輪廓響應(yīng)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(shí)驗(yàn)結(jié)果考慮到自然場景圖像具有目標(biāo)形態(tài)不規(guī)則、包括目標(biāo)內(nèi)部細(xì)節(jié)在內(nèi)的紋理背景干擾復(fù)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(shí)驗(yàn)對象。RuG圖像庫包括40幅自然場景圖像以及對應(yīng)的人工繪制基準(zhǔn)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(jìn)行定性對比。選擇的對比方法分別為高斯導(dǎo)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(shí)驗(yàn)參數(shù)設(shè)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(xì)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(gè)不同的抑制強(qiáng)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(gè)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(xiàn)】:
期刊論文
[1]基于點(diǎn)陣神經(jīng)元響應(yīng)時(shí)空信息的菌落圖像邊緣檢測[J]. 廖進(jìn)文,范影樂,武薇,高云園,李軼. 航天醫(yī)學(xué)與醫(yī)學(xué)工程. 2014(02)
[2]基于生物視覺center-surround機(jī)制的光團(tuán)目標(biāo)檢測與跟蹤[J]. 李由,張恒,雷志輝. 應(yīng)用光學(xué). 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(xué)學(xué)報(bào). 2001(12)
本文編號:3405861
本文鏈接:http://www.sikaile.net/kejilunwen/shengwushengchang/3405861.html
最近更新
教材專著