生物視覺啟發(fā)下的邊緣檢測方法及其應用研究.pdf

1、邊緣檢測是圖像處理中的基礎問題，也是經典的技術難題之一，其結果對于特征提取和描述、目標檢測和識別、圖像理解等后續(xù)處理和應用有非常重要的影響，因此開展相關問題的研究不論在理論方法上、還是在應用層面都有重要的意義。由于成像條件的多樣性以及視覺場景的復雜性，比如噪聲、畸變帶來的圖像模糊以及復雜背景對目標的邊緣的干擾，雖然已經提出了大量的邊緣檢測算法，但無論是邊緣檢測的效果，還是基于邊緣的目標識別等應用，現(xiàn)在的機器視覺系統(tǒng)的性能和適應性上仍然與

2、人類視覺系統(tǒng)存在很大的差距。另一方面，近年來對生物視覺的研究取得了很大的進展，研究者通過神經生理學和心理學方面的大量研究，對視皮層的結構功能、視覺信息的處理通路和視覺認知的規(guī)律等方面取得很多研究成果，這些成果為邊緣檢測算法的設計提供了新的理論指導。
　　本研究主要內容包括：⑴針對傳統(tǒng)邊緣檢測算法中模板形狀和大小難以確定的問題，在不同神經元細胞感受野特性的啟發(fā)下，提出了一種基于感受野特性的邊緣檢測算法。該算法通過模擬側膝體、結合非經

3、典感受野特性的簡單細胞以及復雜細胞的響應特性，實現(xiàn)邊緣檢測。其中，針對噪聲對邊緣檢測結果的影響，通過對簡單細胞感受野形成機制的研究，結合非經典感受野特性對感受野合并模型進行改進來模擬簡單細胞感受野響應，相比于傳統(tǒng)的簡單細胞響應模型，該模型不僅可以更好地模擬簡單細胞的生理結構，而且綜合考慮了非經典感受野的易化和抑制作用，從而可以更好地增強邊緣抑制噪聲。經過實驗驗證，該算法對于噪聲和背景干擾有很好的魯棒性。⑵針對輪廓檢測算法中重復計算和結構

4、信息利用不足的問題，提出了一種基于多層視覺線索的輪廓檢測算法。不同于在像素級進行檢測的傳統(tǒng)方法，該方法首先基于超像素的方法生成候選輪廓集，結合生物視覺層級處理流程和相關理論，通過提取多層視覺線索評價候選輪廓集來實現(xiàn)輪廓檢測。實驗結果表明，該算法可以有效地檢測圖像中目標的顯著輪廓。⑶針對傳統(tǒng)輪廓檢測算法無法區(qū)分多目標圖像中不同目標輪廓的問題，在格式塔認知規(guī)則的指導下，以輪廓檢測為基礎，對多目標輪廓編組問題進行了進一步的研究，以輪廓檢測的結

5、果為編組基元，提出了一種基于格式塔編組約束和譜聚類的多目標輪廓編組方法，利用編組約束構造的親和矩陣自動估計圖像中目標的數(shù)目，引入譜聚類的方法實現(xiàn)對不同目標輪廓的編組，將屬于不同目標的輪廓分別標記出來。通過實驗驗證，該方法可以有效的估計目標數(shù)目，并實現(xiàn)對圖像中多個目標輪廓的編組。⑷針對傳統(tǒng)顯著性目標區(qū)選擇方法對目標邊緣和輪廓信息利用不足的問題，提出了一種基于邊緣分布顯著圖的候選目標區(qū)選取方法。在利用自動目標識別技術進行導航制導的應用中，為