引入视通路视觉响应与融合模型的轮廓检测

目的 为了提高轮廓检测的综合性能,特别是增强弱轮廓边缘的提取能力,在结合视觉机制的基础上提出了本文方法。方法 模拟视觉信息在视通路中的传递和处理过程,首先根据神经节细胞的中心周边拮抗机制,实现初级轮廓信息的快速提取;接着利用高斯函数与高斯差函数之间的差异性来模拟外膝体非经典感受野的调制作用,实现纹理背景的抑制;然后构建了一种V1区多朝向简单细胞感受野模型,提出了一种基于负值效应的DOG（difference of Gaussians）响应改进评价模式;最后考虑V1区复杂细胞在表征视觉高级特征的能力,给出了一种基于并行处理的视通路视觉响应融合模型,实现目标轮廓的检测与增强。结果 为了验证本文方法对自然场景图像的轮廓检测具备有效性,本文选取RuG轮廓检测数据库中的40幅自然场景图进行轮廓检测实验,并与二维高斯导函数模型（DG）、组合感受野模型（CORF）和空间稀疏约束纹理抑制模型（SSC）等3种典型的自然图像轮廓检测方法进行了分析比较。结果表明,本文方法检测提取到的主体轮廓更加完整,具有较高的图像纯净度,整体上反映了本文所提轮廓检测方法所具备的生物智能性。本文方法的平均P指标为0.45,相较于对比方法具有更好的轮廓检测性能。结论 本文方法具有较好的自然轮廓检测提取能力,尤其对于图像包含部分弱轮廓边缘的检测。本文构建的新模型将有助于对视通路中各层级功能和内在机制的理解,也将为基于视觉机制的图像分析和理解提供一种新的思路。     

空间统一调制模型的轮廓检测

目的 在人类大脑初级视皮层上,神经元不仅受到位于经典感受野中刺激的影响,同样也受到周边环境相应非经典感受野中刺激的影响。这种上下文的调制是通过视皮层的水平连接来实现的。基于初级视皮层的视觉机制,本文提出了一个轮廓提取模型。方法 首先利用局部能量计算初级视皮层上单个神经元的响应;然后通过构建一个新颖的空间统一调制算子获得周边刺激对于中央神经元的增强和抑制影响(上下文调制);最后整合上下文调制影响和中央神经元本身的能量响应,获得完整输出。结果 本文所提模型,无需在非经典感受野中划分增强域和抑制域,同时能够有效抑制背景纹理,突出目标轮廓,保留交点和角点信息。结论 通过对合成图像和自然图像的测试表明了本文算法的准确性和优越性,能够极大地提高复杂背景中轮廓检测的性能。     

基于主视通路结构分级响应模型的轮廓检测方法EI北大核心CSCD

基于视通路结构分级响应与动态传递的方式,本文提出了一种图像轮廓检测的新方法.针对视网膜感光细胞的暗视觉特性,建立亮度自适应的暗视野调节模型,利用多尺度经典感受野的方位选择性,构建高级轮廓与全局轮廓的检测路径;模拟外侧膝状体(Lateral geniculate nucleus,LGN)细胞特性对信息进行纹理稀疏编码,并结合非经典感受野的侧抑制作用抑制背景强纹理;另外在LGN区提出微动整合机制,减少纹理冗余信息,再经适应性突触实现信息关联传递;最后将初级轮廓响应跨视区前馈至V1区并经全局轮廓修正后,与高级轮廓响应实现快速融合.分别以RuG40、BSDS500图像库中的自然图像作为实验数据,检测结果与基准轮廓图的平均最优P指标分别为0.50、0.32,结果表明本方法能更有效地区分轮廓与纹理边缘,凸显主体轮廓.本文利用视神经细胞的内在机制以及神经信息的动态传递过程实现图像轮廓信息的编码与检测,也为研究后续高级视皮层的视觉感知提供了新思路.     

基于初级视通路视觉感知机制的轮廓检测方法

考虑到初级视通路中视觉信息传递和处理过程中的特点,本文提出了一种基于视觉感知机制的轮廓检测新方法.构建视觉信息局部细节检测与整体轮廓感知的不同路径.利用高斯导函数提取初级轮廓响应;构建神经网络,利用时空编码提高主体轮廓对比度;然后,利用非经典感受野的侧抑制作用抑制纹理背景;另外,针对轮廓信息强化以及检测鲁棒性的要求,在视辐射区提出了一种信息冗余度增强编码机制;最后,将初级轮廓直接前馈至初级视皮层,以达到轮廓响应的快速调节和完整性融合.以RuG40图库为实验对象,经过非极大值抑制和阈值处理,得到的轮廓二值图与基准轮廓图比较,在整个数据集中的最优平均P指标和每张图的最优平均P指标分别为0.48和0.55,并且FPS达到了1/2.结果表明本文方法能有效突出主体轮廓并抑制纹理背景,为后续图像理解和分析提供了一种新的思路.     

一种基于颜色拮抗感受野的轮廓检测模型

轮廓检测在目标识别、图像分割和模式识别等图像分析领域有着非常重要的意义。根据视觉的生物学原理,研究人员已提出了针对灰度图像的轮廓检测方法,并取得了较好的检测结果。但是,颜色信息可以表示出图像的大部分信息,在轮廓检测中发挥的作用不可忽视。杨开富等人提出的CO模型可以较好地提取图像中的目标轮廓,但该模型的计算效率还有待提高。文中提出一种轮廓检测模型CRFM(Color-opponent Receptive Field Model),该模型依据视觉信息处理机制,分别模拟视网膜神经节细胞和外侧膝状体细胞感受野的响应。此外,CRFM采用两个不同尺度的高斯偏导函数之差来模拟初级视皮层细胞的颜色双拮抗感受野响应,拟合视觉特征,且由于模拟双拮抗感受野的滤波器通常产生较小的数值,因此加快了其与图像信息卷积的计算速度,降低了运行开销。利用BSDS300数据库的图像进行实验,结果表明,CRFM模型能够获得较好的轮廓检测效果,且具有较CO模型更高的执行效率,具有较好的实用性。     

多路径卷积神经网络的轮廓感知

目的 引入视觉信息流的整体和局部处理机制,提出了一种多路径卷积神经网络的轮廓感知新方法。方法 利用高斯金字塔尺度分解获得低分辨率子图,用来表征视觉信息中的整体轮廓;通过2维高斯导函数模拟经典感受野的方向选择性,获得描述细节特征的边界响应子图;构建多路径卷积神经网络,利用具有稀疏编码特性的子网络（Sparse-Net）实现对整体轮廓的快速检测;利用具有冗余度增强编码特性的子网络（Redundancy-Net）实现对局部细节特征提取;对上述多路径卷积神经网络响应进行融合编码,以实现轮廓响应的整体感知和局部检测融合,获取轮廓的精细化感知结果。结果 以美国伯克利大学计算机视觉组提供的数据集BSDS500图库为实验对象,在GTX1080Ti环境下本文Sparse-Net对整体轮廓的检测速度达到42幅/s,为HFL方法1.2幅/s的35倍;而Sparse-Net和Redundancy-Net融合后的检测指标数据集尺度上最优（ODS）、图片尺度上最优（OIS）、平均精度（AP）分别为0.806、0.824、0.846,优于HED （holistically-nested edge detection）方法和RCF （richer convolution features for edge detection）方法,结果表明本文方法能有效突出主体轮廓并抑制纹理背景。结论 多路径卷积神经网络的轮廓感知应用,将有助于进一步理解视觉感知机制,并对减弱卷积神经网络的黑盒特性有着重要的意义。     

考虑微动机制与感受野特性的轮廓检测模型

轮廓检测是目标识别中关键的步骤之一。人类视觉系统具有快速和有效地从复杂场景中提取轮廓特征的能力,初级视觉皮层（V1区）的非经典感受野对中心神经元刺激具有抑制特性。传统模型利用该感受野特性,采用圆环形的非经典感受野模板模拟纹理抑制的距离权重,在传统模型的基础上,提出一种引入人眼微动机制的轮廓检测新模型,该模型将圆环形模板按等间隔角度生成八个子模板,由子模板中的相应角度方位区域置换数值模拟眼动机制,通过竞争获得最终抑制权重。实验结果表明,该模型较传统模型具有较高的性能评测指标,在最大程度抑制背景纹理的同时,保留了更多的真实轮廓。     

基于信息流多级结构响应的轮廓检测模型

考虑到视觉信息流在视通路多级结构中的处理方式,提出一种图像轮廓检测的新模型。首先,根据初级视皮层(V1区)4B层的简单细胞具有三重感受野结构并对朝向敏感的特性,感知图像方位信息,并经复杂细胞提取获得边缘轮廓响应;其次,根据V1区2/3层细胞的抑制特性,引入稀疏性度量指标和神经元突触动态编码机制对边缘轮廓响应进行抑制,得到纹理抑制响应;最后,利用高级视皮层的融合修正机制,对边缘轮廓响应和纹理抑制响应进行优势互补,得到最终的轮廓检测结果。在RuG40和BSDS500图像数据集上进行实验,结果表明所提算法能够有效地区分图像的轮廓与纹理信息,凸显主体轮廓。所构建的基于信息流多级结构响应的轮廓检测模型对后续基于生物视觉机制的图像分析具有一定的参考价值。     

基于时空脉冲编码的图像主体轮廓提取方法

图像主体轮廓包含图像非常重要的信息, 精准有效地提取图像主体轮廓不仅能减少信息冗余, 而且能降低后续图像分析和处理的时间复杂度. 本文基于视觉神经元信息处理机理, 提出了一种基于时空脉冲编码的图像主体轮廓提取方法. 首先, 利用Gabor函数模拟神经节细胞感受野对图像进行多尺度多方向的信息提取; 其次, 模拟视网膜非经...     

基于视觉感知机制的织物疵点轮廓检测

针对传统人工织物疵点检测存在的误检及低效等问题,提出了一种基于视觉感知机制的自适应织物疵点轮廓检测方法.首先,模拟视觉系统中视网膜感受野对视觉信息的处理机制对织物疵点图像进行滤波及疵点增强;其次,依据初级视皮层(V1)区对视觉信息响应的方向选择性机制构建织物疵点图像边缘检测模型,实现对织物疵点图像的边缘检测.最后,采用自适应阈值选择的方法对检测到的边缘进行二次处理,获得织物图像疵点的轮廓.为验证本文方法的有效性和准确性,对4类织物疵点图像进行测试,并定性和定量两方面进行比较分析,结果表明文中提出的方法能够较好地检测出织物疵点轮廓信息,不仅可以得到质量较高的织物疵点轮廓图像,而且在整个检测过程中能够自适应的选择参数,避免受人的主观因素影响,具有实际的应用价值.     

融合视觉感知特性的场景分类算法

目的 目前对于场景分类问题,由于其内部结构的多样性和复杂性,以及光照和拍摄角度的影响,现有算法大多通过单纯提取特征进行建模,并没有考虑场景图像中事物之间的相互关联,因此,仍然不能达到一个理想的分类效果。本文针对场景分类中存在的重点和难点问题,充分考虑人眼的视觉感知特性,利用显著性检测,并结合传统的视觉词袋模型,提出了一种融合视觉感知特性的场景分类算法。方法 首先,对图像进行多尺度分解,并提取各尺度下的图像特征,接着,检测各尺度下图像的视觉显著区域,最后,将显著区域信息与多尺度特征进行有机融合,构成多尺度融合窗选加权SIFT特征（WSSIFT）,对场景进行分类。结果 为了验证本文算法的有效性,该算法在3个标准数据集SE、LS以及IS上进行测试,并与不同方法进行比较,分类准确率提高了约3%~17%。结论 本文提出的融合视觉感知特性的场景分类算法,有效地改善了单纯特征描述的局限性,并提高了图像的整体表达。实验结果表明,该算法对于多个数据集都具有较好的分类效果,适用于场景分析、理解、分类等机器视觉领域。     

多先验特征与综合对比度的图像显著性检测

目的 图像的显著性检测在计算机视觉中应用非常广泛,现有的方法通常在复杂背景区域下表现不佳,由于显著性检测的低层特征并不可靠,同时单一的特征也很难得到高质量的显著图。提出了一种通过增加特征的多样性来实现显著性检测的方法。方法 在高层先验知识的基础上,对背景先验特征和中心先验特征重新进行了定义,并考虑人眼视觉一般会对暖色调更为关注,从而加入颜色先验。另外在图像低层特征上使用目前较为流行的全局对比度和局部对比度特征,在特征融合时针对不同情况分别采取线性和非线性的一种新的融合策略,得到高质量的显著图。结果 在MSRA-1000和DUT-OMRON两个公开数据库进行对比验证,实验结果表明,基于多先验特征与综合对比度的图像显著性检测算法具有较高的查准率、召回率和F-measure值,相较于RBD算法均提高了1.5%以上,综合性能均优于目前的10种主流算法。结论 相较于基于低层特征和单一先验特征的算法,本文算法充分利用了图像信息,能在突出全局对比度的同时也保留较多的局部信息,达到均匀突出显著性区域的效果,有效地抑制复杂的背景区域,得到更加符合视觉感知的显著图。     

融合目标增强与稀疏重构的显著性检测

目的 为了解决图像显著性检测中存在的边界模糊,检测准确度不够的问题,提出一种基于目标增强引导和稀疏重构的显著检测算法（OESR）。方法 基于超像素,首先从前景角度计算超像素的中心加权颜色空间分布图,作为前景显著图;由图像边界的超像素构建背景模板并对模板进行预处理,以优化后的背景模板作为稀疏表示的字典,计算稀疏重构误差,并利用误差传播方式进行重构误差的校正,得到背景差异图;最后,利用快速目标检测方法获取一定数量的建议窗口,由窗口的对象性得分计算目标增强系数,以此来引导两种显著图的融合,得到最终显著检测结果。结果 实验在公开数据集上与其他12种流行算法进行比较,所提算法对具有不同背景复杂度的图像能够较准确的检测出显著区域,对显著对象的提取也较为完整,并且在评价指标检测上与其他算法相比,在MSRA10k数据集上平均召回率提高4.1%,在VOC2007数据集上,平均召回率和F检验分别提高18.5%和3.1%。结论 本文提出一种新的显著检测方法,分别利用颜色分布与对比度方法构建显著图,并且在显著图融合时采用一种目标增强系数,提高了显著图的准确性。实验结果表明,本文算法能够检测出更符合视觉特性的显著区域,显著区域更加准确,适用于自然图像的显著性目标检测、目标分割或基于显著性分析的图像标注。     

自适应混合高斯建模的高效运动目标检测

目的 如何使快速性与完整性达到平衡是运动目标检测的关键问题。现有的满足快速性的算法容易受到光照的影响，对动态环境的适应能力较弱，获取的目标信息不完整，导致空洞问题的产生。而具有较高完整性的算法复杂度高，运算速度慢，实时性差。为此，本文提出基于自适应混合高斯建模的3帧差分算法。方法 利用3帧差分运算简单、可扩展性强、抗干扰能力好的特性，对视频图像进行目标轮廓的提取。针对3帧差分运算导致目标内部信息提取不完整的问题，采用学习率自适应调整的混合高斯背景差分，在模型创建之初，通过较快的模型更新速率，增加背景模型的迭代次数，消除物体运动造成的"鬼影"。在背景模型中的干扰信息消除之后，以目标像素及相邻8像素在当前帧与背景模型中的差异度为依据调整学习率，实现背景模型的自适应修正，增加目标图像的完整性；同时，通过删除冗余的高斯分布，降低算法复杂度。为进一步确保目标边缘的完整及连续，采用边缘对比差分算法，使参与运算的帧数依据目标的运动速度自适应选取，以降低背景点的误判率，使边缘信息尽可能地连续、完整。结果 本文算法获取的目标信息完整，且边缘平滑。在提升检测率的同时保证较高的准确率，达到了95.23%，所获目标的完整度提高了28.95%；与传统混合高斯算法相比，时间消耗降低了29.18%，基本达到实时性要求。与基于混合高斯建模的背景差分法（BD-GMM）和基于边缘对比的3帧差分法（TFD-EC）相比，本文算法明显占优。结论 实验结果表明，本文算法可以有效抑制动态环境的干扰，降低算法复杂度，既保证实时性，又具有较好的完整性，可广泛应用于智能视频监控、军事应用、工业检测、航空航天等领域。