運動目標(biāo)邊沿提取的視網(wǎng)膜神經(jīng)計算機制及網(wǎng)絡(luò)模型研究.pdf

1、視網(wǎng)膜生理功能及視覺機制研究是生物神經(jīng)學(xué)和信號處理領(lǐng)域的一個研究熱點，其目的是通過揭示和分析視網(wǎng)膜生理功能的神經(jīng)計算機理以構(gòu)建面向?qū)嵺`應(yīng)用的視覺神經(jīng)網(wǎng)絡(luò)模型。近年來，隨著計算技術(shù)的高速發(fā)展和神經(jīng)生理學(xué)新成果的不斷涌現(xiàn)，基于視網(wǎng)膜計算機理的神經(jīng)網(wǎng)絡(luò)模型在機器視覺的應(yīng)用中被越來越多的研究者所關(guān)注。
　　邊沿是圖像中灰度不連續(xù)或發(fā)生急劇變化的區(qū)域之間的邊界，是圖像的一個重要特征。有效克服邊沿檢測中噪聲消除和邊沿定位之間的“兩難”問題，增

2、強并提取圖像的邊沿，在圖像分割和識別等較高層次特征的描述中具有重要意義。本文立足于視覺信息處理是亮度、顏色和運動等多通道并行、相互交叉這一基本機制，并結(jié)合對視網(wǎng)膜邊沿檢測和運動檢測功能及機制的梳理，構(gòu)建了基于視網(wǎng)膜神經(jīng)計算機制的亮度通道邊沿檢測模型、運動通道目標(biāo)運動檢測模型，雙通道并行交叉的邊沿增強提取模型。本文所做工作如下：
　?。?）系統(tǒng)梳理了視網(wǎng)膜邊沿檢測的生理機制，構(gòu)建基于視網(wǎng)膜神經(jīng)計算機制的邊沿檢測模型(retinaNe

3、t-Edge)，重點研究了網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、各類神經(jīng)元的輸入輸出關(guān)系及感受野特性等；（2）系統(tǒng)梳理了視網(wǎng)膜運動檢測的生理機制，構(gòu)建基于視網(wǎng)膜神經(jīng)計算機制的目標(biāo)運動檢測模型(retinaNet-Motion)，重點研究了網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、方向選擇性電路、各層神經(jīng)元的感受野特性及輸入輸出關(guān)系等；（3）結(jié)合亮度通道和運動通道的特點，建立綜合的基于視網(wǎng)膜綜合計算機理的運動目標(biāo)邊沿提取模型(retinaNet-EdgeEnh)，利用運動信息提升邊沿檢

4、測的效果，著重分析了運動信息的反饋機制；（4）從算法的復(fù)雜度及方法的適用性等方面重點分析了幾種常用的邊沿檢測性能評估方法，以針對性地對后續(xù)實驗結(jié)果進行合理且精確的評估，提升邊沿質(zhì)量的評估的可信度；（5）仿真結(jié)果表明：retinaNet-Edge模型既精準(zhǔn)高效地提取圖像邊沿，又注重非線性地保留圖像中的重要細(xì)節(jié)如紋理等，邊沿定位精度更高，錯檢、漏檢幾率更小，整體效果優(yōu)于經(jīng)典的Canny算子及新近提出的基于震顫的神經(jīng)網(wǎng)絡(luò)模型[35]；reti

5、naNet-Motion模型能較好地檢測目標(biāo)運動的“敏感點”及方向；retinaNet-EdgeEnh模型進一步改善了retinaNet-Edge模型的邊沿檢測性能，在保持邊沿像素精度的同時在一定程度上銳化邊沿，能有效弱化或去除拐角處的虛假邊沿。
　　本文關(guān)于目標(biāo)邊沿增強和提取的神經(jīng)計算方法的研究，工程上實現(xiàn)了以新的途徑增強圖像邊沿的清晰度，降低噪聲，使其更好地應(yīng)用于目標(biāo)追蹤、目標(biāo)識別、圖像匹配或醫(yī)學(xué)觀測等各個領(lǐng)域，以達到實時處理