可見光圖像視覺顯著物體探測及畸變不變光學(xué)相關(guān)識別.pdf

1、可見光圖像在多媒體、機器視覺以及電視制導(dǎo)等領(lǐng)域有著廣泛的應(yīng)用。對圖像中目標(biāo)進行快速準(zhǔn)確地探測與識別是可見光成像系統(tǒng)應(yīng)用研究中非常重要的組成部分。在實際應(yīng)用中,待探測目標(biāo)通常僅占可見光圖像很小一部分,大量的視覺冗余信息不但對目標(biāo)探測的準(zhǔn)確性和完整性構(gòu)成挑戰(zhàn)還會耗費有限的計算資源;同時探測目標(biāo)的各種畸變形態(tài)也給目標(biāo)的不變性識別帶來困難。為此,本論文對基于可見光圖像的復(fù)雜場景下視覺顯著物體探測及體全息畸變不變光學(xué)相關(guān)識別方法進行以下幾方面的理

2、論和實驗研究:
　　在視覺顯著物體探測研究中,依據(jù)自然圖像具有非隨機且高度結(jié)構(gòu)化的特性,提出一種基于圖像各向異性特性的顯著圖生成及物體探測模型。模型中,圖像各向異性特性由一維加窗離散余弦變換(Discrete cosine transform,DCT)和廣義Rényi熵進行表征,同時給出經(jīng)一維加窗DCT后承載不同方向信息的Rényi熵圖計算方法。對Rényi熵圖功率譜在重對數(shù)尺度上加以分析,發(fā)現(xiàn)Rényi熵圖不但適用于冪次定律(p

3、ower law),而且其功率譜曲線還具有冗余與顯著成分可分離結(jié)構(gòu)。據(jù)此,在對冗余信息與顯著信息進行分離的同時,進一步提出相應(yīng)的顯著圖生成方法。最后利用種子生長算法完成對顯著物體的探測。實驗表明,該模型可在復(fù)雜背景下準(zhǔn)確地探測到圖像中的視覺顯著物體。
　　針對現(xiàn)有顯著物體探測模型生成的顯著圖內(nèi)顯著物體邊界不清晰,復(fù)雜背景得不到有效抑制這一狀況,提出一種基于圖像信息量測量(Information content measuring)

4、的非監(jiān)督式視覺顯著物體探測方法。通過尋找聯(lián)合空間范圍表示的局域密度最大值使得輸入圖像中那些空間距離相近又顏色相似的像素形成同質(zhì)區(qū)域,由此對輸入圖像進行像素聚類。利用設(shè)計出的金字塔級數(shù)確定方法,由聚類后圖像創(chuàng)建二值高斯金字塔。針對金子塔內(nèi)各個尺度子圖像,給出基于偽Wigner-Ville分布(pseudo-Wigner-Ville distribution,PWVD)和Shannon熵的圖像信息量測量方法,并由此獲得多尺度信息量圖(Inf

5、ormation content map)。設(shè)計出一種可以準(zhǔn)確描述顯著物體形態(tài)的顯著圖生成方法。從定性與定量兩個角度與現(xiàn)有方法進行對比測試,該方法都具有較好的探測準(zhǔn)確性與完整性。
　　依據(jù)特征整合理論(Feature integration theory,FIT),提出一種基于圖像視覺特征的顯著物體探測模型。該模型初步模仿人類視覺注意機制,利用強度對比度(intensity contrast)、色彩梯度(color gradien

6、t)和方向性熵(oriented entropy)三個圖像顯著特征分別模仿人類視覺系統(tǒng)的強度、顏色和方向這三種初級視覺特征,并從局域、區(qū)域、總體三個層面對視覺顯著物體加以描述。利用提出的非線性自適應(yīng)特征整合方法對計算得到的三種特征圖進行整合得到最后的顯著圖。該模型生成的顯著圖具有較強的顯著物體與背景對比度。無論是探測結(jié)果的準(zhǔn)確性還是完整性,都要優(yōu)于現(xiàn)有的經(jīng)典模型和前面兩章提出的方法。
　　針對體全息光學(xué)相關(guān)識別系統(tǒng)難以對可見光成像

7、系統(tǒng)探測到的顯著目標(biāo)的各種畸變形態(tài)做出正確判決的現(xiàn)狀,提出一種基于形態(tài)學(xué)和空間域綜合鑒別函數(shù)(Synthetic discriminant function,SDF)的畸變不變識別方法。通過從宏觀和微觀兩個角度對影響系統(tǒng)不變性識別能力的因素加以分析,結(jié)合形態(tài)學(xué)算法特性,提出一種可以較好提取目標(biāo)邊緣信息,抑制模式依賴行為(pattern-dependent behavior)的形態(tài)學(xué)算法。以目標(biāo)的邊緣模式建立畸變圖像庫,結(jié)合現(xiàn)有的SDF方