生物的视觉原理在图像处理中地全应用的

《生物的视觉原理在图像处理中地全应用的》由会员分享，可在线阅读，更多相关《生物的视觉原理在图像处理中地全应用的（9页珍藏版）》请在装配图网上搜索。

1、word生物视觉原理在图像处理中的应用1、 生物视觉原理概述生物视觉是个交叉性研究领域，涉与认知心理学、人工智能、计算机图像处理等学科，生物视觉的重要性无庸置疑，因此研究生物视觉系统受到相关科学界的相当关注。与计算机视觉有很大的差异的是，生物视觉系统硬件层次上使用神经网络来实现。但如果两者选用同样的计算理论框架理论层次，那本质上应没有太大区别，仅仅区别在于计算机视觉把该研究作为进一步深入探索和理解人脑视觉技能的手段。计算机视觉研究其主要对象是数据，是一个3D到2D，以与2D到3D的逆问题，而生物视觉的研究能够充分理解人脑视觉认知过程，这也促进了计算机视觉更深入的研究和开展。生物视觉系统是一个串

2、行与并行相结合复杂的高级视觉信息处理过程，当前在更高层次上的机理研究尚未有突破性进展。目前搞清楚的仅仅是其中的极小一局部，两者处于“独立自主，各自为政的阶段，因此必须深层次研究生物视觉系统的各自功能和实现原理，而计算机视觉系统的开展也在视觉领域寻找着新的思路和方法，在未来，依据生物视觉模式识别模型来寻找新的计算机视觉方法，那时计算机视觉系统的研究和生物视觉系统的研究将融合在一起。了解大脑的运作机理如同大海捞针，而随着生理学和解剖学的近两个世纪的开展，生物视觉系统的研究进入神经元细胞的层面，自Hubel和Wiesel于50年代末首次开展对视皮层细胞的研究，为生物视觉系统研究方面做出了开拓性的工作

3、和重大贡献，在这根底上关于视网膜、视神经通道和视皮层的研究不断深入，并取得了大量的重要的研究成果。他们在60-70年代提出了视觉感受野的理论，感受野是支持视觉信息分层串行处理的最重要的生理学根底。之后Kuffler首次通过对猫的神经元细胞的研究，提出感受野在反响上的空间分布呈同心圆颇顽形式，通过这些研究成果，1985年，Daugman等提出使用Gabor函数模拟视皮层中简单细胞的感受野。Riesenhuber和Poggio在1999年第一次建立了完整的视觉处理HMAX模型，这是一个从生物学的角度上模拟的多层次模型，并在进展模式分类与识别研究中取得相当高的正确率，引起了计算机视觉和生物视觉界相当

4、大的关注和更深层次的研究。神经稀疏编码机制是初期视觉感知所采用的根本视觉响应方式，表示了图像中的高阶统计性。稀疏编码即给定输入图像，寻找一组完备基，使得图像在这些基下的表示系数具有“大量系数为零，少量不为零的稀疏特性。近年来，关于稀疏编码的研究使得人们突破了已有的完备基的思想框架，踏入新的领域。而对于超完备基基函数的维数大于输出神经元的个数的研究，最早由Olshausen等人将超完备基引入到稀疏编码模型中。稀疏编码技术开展迅速，但尚处于开展阶段，其在理论和应用方面的研究还有待于进一步深化和完善，是最近的一个研究热点。2、在目标检测中的应用复杂动态背景下的目标检测和提取是图像处理领域中的一项关键

5、技术，在机器人视觉，工业交通监视，视频压缩和遥感影像解译等众多领域具有重要的应用价值。自然界中，生物视觉系统卓越的目标检测和跟踪能力是现有计算机视觉技术无法比拟的。为此，研究生物视觉中的生物学机理，降低计算机视觉在目标检测和跟踪上的虚警概率，获得稳定、鲁棒的目标提取效果成为当前研究的热点。目前，目标检测和提取算法主要分为基于空域特征的目标检测算法、基于时域特征的目标检测算法和时空域特征相结合的目标检测算法三大类。基于空域特征的算法是通过单帧图像局部区域内目标的显著特征进展目标检测和提取。而仅依赖空域特征的目标检测算法通常无法克制复杂背景干扰，对于占地面积较小、空间比照度较低、容易被周围背景物体

6、混淆的目标，单纯依靠空域特征无法获得理想的提取效果。另外生物视觉研究明确，相对于空域特征，生物视觉系统对时域特征光具有更高的敏感性。基于时域特征的目标检测算法是以目标和背景之间的运动差异为依据，通过背景建模、光流场分析以与目标轮廓跟踪等方法实现目标检测与提取。采用背景抑制、运动矢量差异以与目标轮廓提取等方法可以降低复杂背景对于目标检测的干扰，但是对于动态复杂背景，该类算法仍存在一定的局限性。时空域特征相结合的目标检测算法是为克制依靠单一目标特征无法获得稳定检测效果的问题而提出的，该类算法试图通过融合不同类特征在目标检测和提取上的优点，获得理想的提取效果。2005 年Cheng等人将Itti模型

7、提取的空域特征与动态时域特征相结合，较好的改善了由于光照变化和噪声等因素对检测结果的影响。2009年Liu等人以信息论为根底提出了联合时空域特征显著性的目标检测算法( S-T，spatial-temporal)。3、在特征提取中的应用近些年来基于生物视觉的计算模型受到了广泛的重视，很多研究者受此启发提出了基于生物视觉的特征提取，图1为一种基于生物视觉特性的特征提取框架图，基于生物视觉的特征提取目前在很多方面取得了成功的应用。Bileschi等人基于对视皮层区域特征提取机制的研究，构造了适合计算机视觉应用的一系列特征提取算法和学习方式，将标准特征集用于目标检测、纹理识别以与上下文分析，最终构建了

8、一个统一的场景理解系统。图2 基于生物视觉特性的特征提取Hinton在提出深层信念网络模型后，进一步将其应用在视频序列处理等任务中，取得了很好的效果；Boureau等人也提出类似卷积网络的基于非监视学习的层级稀疏特征提取方法，并将其用于目标识别。Serre等人在HMAX前馈模型的根底上，构造模拟各个细胞层的计算单元，并通过从自然图像中学习视觉特征库，实现对目标的不变特征提取，在复杂场景下广义目标识别任务上取得了成功应用。鉴于Serre标准模型在计算机视觉领域的成功应用，很多研究者进一步对其改良，提取生物启发的特征并扩展到其它应用领域，如将模型中的层级单元扩展成了层，并通过将检测运动信息的时空特

9、征检测器进展级联实现人体动作的识识别，基于该模型提取出了一组新的有效特征用于人脸识别，并在多个数据库上证实了此生物启发的特征明显优于一些表现较好的视觉特征如局部二值描述，梯度方向直方图等；Huang基于生物启发提出优选层滤波器的方法和一个非线性操作子，然后用层特征来编码人脸上的年龄细节，成功的应用于年龄估计；Tao等人将C1特征和一些降维等算法相结合，对特征进展优选，在歩态识别和场景分类上取得了不错的效果。除了基于Poggio团队提出的腹部流前馈识别模型产生的诸多特征提取算法和应用外，还有很多研究者基于视皮层中其它的功能特性提出了一些生物启发的特征模型。Saber等人根据生物注意力机制提出了一

10、种生物启发的显著区域检测方法，该方法提取的显著区域分辨率高，且目标的轮廓突出；Mahadevan等人基于中央周边差的显著性机制提出了一个生物启发的判别目标跟踪器，其将目标跟踪问题建模成一系列目标背景分类问题，有效提升了系统的性能。Yang等人基于稀疏编码模型和线性空间金字塔匹配方法来提取保存物体空间结构的鲁棒特征，在图像分类任务中获得了很大的成功；Zhang等人所在的团队深入稀疏编码的研究，分别提出了基于稀疏编码的有效外观模型和在线学习稀疏表达方法，在视觉跟踪应用中效果明显。还有研究者基于视皮层中感知色彩的机制，提出了模拟颜色拮抗细胞的特征提取算法，联合颜色和形状信息的颜色描述子，并扩展了多个

11、流行的视觉系统，实验证明其能更有效的利用颜色信息；Yang等人基于颜色拮抗机制提出了一个模拟从视网膜到初级视皮层颜色信息处理的前馈级联模型，将其用于复杂场景中的边界检测取得了优异的性能。此外，Beghdadi等人对应用在图像增强、分割、编码等方面的基于图像感知的方法进展了综述，详细分析了它们的贡献与缺点；Saleiro等人也对用于主动视觉的多个生物启发的模型进展综合，集中分析它们的系统结构和算法，并最终建立了一个统一的框架系统。综上所述，基于生物视觉的特征提取算法是当前计算机视觉领域的一大热点，其带来了诸多灵感和机遇，在很多方面取得了进展和应用，但仍存在着一些不足，例如对于模拟腹部流前馈级联结

12、构的特征提取模型模型、模型等，其存在模型复杂计算量大等问题；对于基于从自然图像中统计学习而得的线性基函数来提取局部不变特征的模型，其存在训练迭代复杂或超完备基信息冗余等问题；而对于人类颜色感知机制的研究，目前还比拟少，已有模型存在模拟不够深入等问题；此外，对于视皮层内响应合并机制的研究，基于生物视觉的局部特征描述等，目前也研究比拟少，而这些生物特性或机制在计算机视觉中具有重要的作用，有很大的研究价值；同时，很多已有特征模型在性能上、鲁棒性上和速度上也存在很大的挑战。总之，目前研究基于生物视觉的特征提取算法或模型仍存在着很大的空间，具有广阔的前景和应用价值。4、在目标识别中的应用预处理这几乎是所

13、有计算机视觉算法的第一步，预处理是在不改变图像携带的重要本质信息的前提下，处理的目的是为方便之后的处理过程，使得每X图像如颜色分布、尺寸大小、整体明暗等特性尽可能表观一致。预处理涉与的主要包括图像像素值的变换、几何变换、局部预处理、归一化、平滑和图像复原等方法。在预处理中引入先验信息，可以对图像粗处理减小数据量得到目标，然后在更高分辨率图像上检测该假设，反复迭代直至出现的知识被证实或被拒绝，但反响就可能超出预处理，图像分割把图像中感兴趣的物体分割出来，可以将反响信息放在分割之后。特征抽取和选择。特征抽取负责从图像中得到重要的信息，忽略不太重要的信息，交给下一层使用，这一步影响着识别效果还有效率

14、，是目标识别中的关键问题。图像的特征提取方法可以这样分为三种，根本的特征提取方法、基于选择注意机制的特征提取方法以与基于生物视觉特性的标准模型特征集合提取方法。根本的特征提取方法是指根本的颜色、灰度、形状、纹理等根本特征，通过对特征的统计分析得到相关的提取特征，一般的方法包括直方图均衡化，纹理分析的方法较常用的是共生矩阵法和随机场模型，基于选择注意机制的特征是指具有视觉特征的，比如角点、边缘、显著点等，通过建立视觉模型来表现视觉的选择性和主动性等特点，典型的方法比如和显著点、多尺度翻角点、描述等方法而关于生物视觉特性的标准模型的特征抽取，因为是比拟新的研究比拟少，有许多值得探讨和研究的问题，这

15、在后面生物视觉中会着重介绍。另外，基于空间关系特征的子空间方法也是特征抽取的有效的方法，主要包括主成分分析、独立分量分析、区分成分分析等，因具有很好的整体性，在特征抽取的研究中成为研究热点。建模和分类。在计算机视觉领域，常用的分类器有以下三种神经网络、支持向量机和分类。建立在结构风险最小化原如此和计算学习理论根底上，通过约束经验风险和置信区域来满足分类要求神经网络属于人工智能的连接主义，已有很多众所皆知的成熟方法。方法是一种集成机器学习方法，一开始通过初级预测出一个粗糙的、不太正确的方法，按照一定的规如此调整权重，不断自组织学习最终得出一个复杂的、准确的分类器方法。目前，研究将它们结合起来达到

16、更好的效果也是一个热点。利用提取的图像特征集训练我们选择的模型，建模是物体识别系统中最重要的问题，建模的目的是建立特征与特征之间的空间结构关系，以此我们已经建立了许多不少目标识别的模型。生成模型方法是偏数学的模型，包括隐马尔可夫链和条件随机场。视觉系统中将选择有用信息，拒绝无用的信息的这个行为叫做视觉注意机制。生物视觉的注意机制提高了效率，完成极为复杂的信息处理任务，由于视觉注意机制能够快速准确的选择感兴趣区域，高效地完成视觉搜索任务，通过计算机来模拟视觉注意机制一直是研究中的重点。可以将注意划分为两种类型，分为自下而上的数据驱动，从这方面着重视觉注意显著图的建立也可以是自上而下的任务驱动，从

17、高层的知识表达来确定视觉的显著性上升。在自下而上的数据驱动的研究方面，主要基于和提出的特征整合理论，这是目前视觉注意理论中最具影响力的。而和基于空间观点，以特征整合理论为根底提出的视觉注意的第一个计算模型，虽是理论上的，只对简单的人工图像进展仿真。和提出的适用于自然图像的，最具代表性的高斯金字塔模型。而自上而下的任务驱动模型的研究成功就较少，提出了一个用于隐式视觉注意的神经网络模型，该模型依靠任务、学习将注意集中于重要的特征，除此之外，较有代表性的模型包括统计贝叶斯模型和马尔科夫模型。这方面的研究以调节心理闭值函数的形式来控制视觉感知，在此根底上，构建了一类列表示执行自顶向下的控制的模型，这些

18、模型都是基于自底向上线索的注意显著性，通过自顶向下注意的感知模型中的“高层信息引导注意显著，这些高层信息包括模板、根据目的或需求设置的权重或偏置等等，但这种模型谁执导谁，高层信息还是对于初级视觉之间谁优先等等关系，导致自顶向下的和自底向上的注意之间的关系也不清楚。5、在图像质量评价中的应用在当今数字化信息时代，随着传感器技术和网络多媒体技术的迅猛开展，图像信息的应用越来越广泛。面对浩如烟海的图像信息，人眼已很难满足实际的应用需求。根据人眼视觉系统的特性建立图像质量的自动评价模型，然后让机器代替人来监控图像信息，将是一项非常有意义的工作。在图像质量评价方法中，人眼视觉系统的生理学和心理学的研究是

19、至关重要的。如果人类视觉系统中所有相关局部都能被准确地模拟，那么就很有可能会实现图像质量的准确预测。但是，由于人类视觉系统非常复杂，目前存在的视觉模型仅仅对人类视觉进展了简单的模拟，因此存在一定的局限性。另外，质量评价系统的建模和参数确实定是一个抽象的过程，很难与实际的视觉系统的认知过程相对应。因此，从仿生学的角度出发，运用人类视觉感知特性的最新研究成果，设计更有效的图像质量评价方法是一个重要的研究方向，也是解决图像质量评价难题的根本思路。现有的通用无参考型图像质量评价IQA方法大多是对人类额定的失真类型的图像和相应的主观质量评分进展学习以预测图像质量。此类算法的一般步骤为：首先利用某种算法或

20、模型提取失真图像的特征，然后利用某种回归算法对特征和相应的主观质量评分进展训练和学习得到质量评价的回归器，最后利用训练的回归器对图像质量进展评价。寻求一种能够很好地表征图像质量的特征是此类算法成败的关键。T.Poggio等人经过多年努力构建了基于生物视皮层感受野认知的标准模型模型以生物神经学原理为根底，模拟了灵长类动物视皮层感受野的认知过程，所得特征具有很强的表征能力，在目标分类、检测和识别中有很广泛的应用。Hubel等人在灵长类动物视皮层17区第4层上发现了对特殊朝向的条形光刺激有强烈反响的包括简单细胞和复杂细胞的感受野构型，并提出了通过聚集操作来完成从简单细胞到复杂细胞的传递过程。神经学研

21、究明确简单细胞的根本功能是对空间频率和朝向的选择性，具有初步的特征检测的功能，利用多通道Gabor滤波进展特征提取能够模拟简单细胞的这一功能；复杂细胞拥有更大的感受野，通过聚集操作来完成对简单细胞的响应。在根本的视皮层理论中，简单单元通过寻找感受野中的首选刺激来计算特征，复杂单元通过聚集局部简单单元来构建视觉通道。在计算机的实现中，整个认知过程可以看作是一个有监视的学习算法。Poggio等人构建的基于生物视皮层感受野认知的ST模型主要由4层计算单元组成，其中S单元代表简单细胞，利用Gabor滤波计算一些高维的特征；C单元代表复杂细胞，主要通过聚集操作来获取单元的极值，所得特征具有位置和尺度不变

22、性。ST模型的层次结构如图2所示。图2 ST模型的层次结构参考文献1师黎,李寅兵. 基于生物视觉机理的数字文献图像去噪J. 计算机工程,2012,01:201-203.2李敏,X新南,X学武,X卓,宋凤琴. 基于视觉认知机理的复杂动态背景下目标提取J. 光电子.激光,2012,02:366-373.3X云. 基于生物视觉认知机理的特征提取与其应用研究D.华中科技大学,2014.4李伟. 基于视觉皮层感知模型的目标识别方法研究D.某某工业大学,2012.5李柯蒙,邵枫,姜求平,蒋刚毅,郁梅. 基于双目特征联合的无参考立体图像质量评价J. 光电子激光,2015,11:2224-2230.6Christoph Zetzsche,Gerhard Krieger. Nonlinear mechanisms and higher-order statistics in biological vision and electronic image processing: review and perspectives.J. J. Electronic Imaging,2007,10:.8 / 9