应用视觉注意多分辨率分析的图像检索

基于人类视觉感知理论,提出一个改进的Itti视觉注意模型用于图像检索。该改进视觉注意模型是在充分考虑纹理特征与视觉感知关系的基础上,构造一个粗糙度图,用作视觉注意模型的一个初级视觉特征。首先通过该改进视觉注意模型得到50个视觉特征图;然后分别对每个视觉特征图采用局部二值模式傅里叶直方图（LBP-HF）方法抽取其分布信息,从而获得每幅图像的高维特征;最后利用局部保持投影(LPP)方法进行维数约简,以获取具有图像间局部几何和鉴别信息的低维特征用于图像检索。实验结果表明,该算法能获得较好的检索效果。     

一种用于复杂目标感知的视觉注意模型

针对自然场景图像中复杂结构目标的快速定位问题,提出一种新的视觉注意模型。对目标进行学习提取显著性图斑,将图斑的特征信息、异质图斑之间的相对位置关系引入视觉注意过程,采用基于图匹配的图斑搜索策略合并与目标特征相似的异质图斑,从而获得注意焦点。与自底向上的视觉注意模型进行实验对比,结果表明该模型能引入复杂结构目标的特征信息和结构信息,降低无效关注次数,提高视觉注意的效率。     

基于视觉信息的PCNN参数自适应设定及模型改进

脉冲耦合神经网络(PCNN)参数决定该模型在数字图像处理领域的应用.现阶段网络参数自适应设定是依据图像统计信息或网络自身结构.基于此,提出基于生物视觉信息的PCNN参数自适应设置方法及模型改进.该方法通过对生物视觉感知理论与PCNN网络性质的分析,揭示了视觉感知理论与PCNN网络参数M、W和β的同源性,给出依据视觉感知模型自适应设定PCNN网络参数W、M和β的方法,并设计出具有生物视觉特征的PCNN改进模型.实验验证了该模型的几何不变性,在基于内容的图像检索领域取得了良好效果.     

基于协同感知的视觉选择注意计算模型

鉴于在任务相关的视觉注意中,需要建立基于任务的视觉注意显著图来引导视觉注意,为此利用与人认知过程相接近的协同感知理论来研究基于任务的视觉注意计算模型,即首先利用协同识别理论研究二义及多义模式的视觉感知,得到协同视觉感知理论;然后将协同视觉感知中的模式与从视觉注意模型中提取的底层视觉特征相对应,利用偏置矩阵的性质计算底层视觉特征间受任务影响而产生的偏置,再由此偏置和底层视觉特征生成基于任务的视觉注意显著图;最后提出了基于协同感知理论的视觉选择注意计算模型。该算法用于基于任务的视觉搜索的实验结果表明,该算法是有效的,在认知上是合理的。     

基于图像自身复杂视觉信息的特征提取算法与应用

针对现阶段特征提取方法忽视图像自身的视觉信息的问题,提出了基于图像自身复杂视觉信息的特征提取算法与应用。该算法分析了视觉皮层V1区4B层复杂细胞的视觉功能,揭示了复杂视觉细胞提取区域图像非线性、独立和平移不变性特征的能力,建立了复杂视觉细胞的数学模型,并通过该模型提取了区域图像包含的复杂视觉信息。实验证明:所提算法依据图像自身包含的高级视觉信息,自适应提取区域图像的非线性、独立性和几何不变性特征,克服了常见特征提取算法忽视图像自身视觉特征的缺陷;在基于图像内容的图像检索领域,算法取得了良好的检索效果。     

自然场景中的视觉显著对象检测

显著对象检测是视觉注意机制的一个重要应用基础研究,对于图像检索、场景分析、图像标注与对象识别都有着重要的研究意义。基于Tresiman特征整合理论和Koch计算框架,提出一种自然场景中视觉显著对象的检测方法。该方法首先建立适用于彩色自然场景的视觉显著度模型,计算多种不同特征的显著度,然后在融合不同特征的综合显著度图中提取显著对象。实验结果表明,与经典的Itti模型相比,这种方法不仅检测快速而且更准确地将视觉显著对象从背景中分离出来,更符合人眼的真实视觉注意过程。     

虚拟驾驶员视觉注意力模型研究

为提高驾驶员视觉感知行为仿真的逼真性,注意力模型成为驾驶行为研究的重点。介绍了注意力的认知模型,根据注意力的双加工理论,建立了虚拟驾驶员视觉注意力模型,将视觉注意过程分为预注意和集中注意两个阶段,在预注意阶段,基于图像的相位谱信息建立了图像的特征显著图,实现注意的自下而上过程。使用RBF网络实现了预注意阶段的自下而上和自上而下两个过程的结合。在集中注意阶段,实现了注意力的聚焦效应。对视觉注意力模型进行了仿真实验,验证了模型的有效性,为虚拟驾驶员视觉感知行为建模与仿真提供了基础。     

基于视觉显著图的彩色图像检索

为提高图像检索效率,提出一种基于视觉显著图的彩色图像检索方法。利用视觉显著图去除原图中与检索任务无关的背景信息,保留用户感兴趣的图像区域信息,采用小波域的BDIP-BVLC方法提取图像特征,并引入二次查询度量策略进行距离度量。实验结果表明,与基于显著性加权的检索方法相比,该方法的平均查准率较高。     

综合视觉注意模型的显著性局部特征提取算法研究

图像检索过程中往往会提取大量的局部特征,这将加大图像检索的计算量和复杂度,影响其应用。针对这一问题,提出了一种应用综合视觉注意模型的显著性分析提取局部特征的方法:在图像尺度空间中提取关键点,利用模糊增长技术查找原始图像的显著性区域,计算其综合视觉显著性权值并分类,提取SIFT描述因子,保留最突出的局部特征以提高检索性能。相比于传统的局部特征提取算法,本方法在图像检索精度和检索速度方面都具有明显优势。     

基于图像一致性计算的目标识别算法

视觉计算模型集合了人类视觉系统(HVS)的复杂特征,并模拟了视觉输入的分层感知表达。自底向上机制是现代模型中最常见的特征,是指无意识的注意,所提出的一致计算方法模拟自底向上视觉注意,并通过一致区域的计算来达到目标识别的目的。所提模型主要基于对HVS行为的目前的理解,使用对比敏感度函数、感知分解、视觉掩蔽形成一个神经性视觉空间,并在此基础上使用center-surround交互、感知编组和显著图的建立来得到最终的显著图。所提模型的性能通过使用自然图像来进行评估,并将其结果与参照的经典的自底向上模型进行对比,结果表明该模型实效性高。