雙高斯差模型的低層次視覺(jué)尺度要素檢測(cè)研究.pdf

1、計(jì)算機(jī)視覺(jué)是一門(mén)新興的學(xué)科，計(jì)算機(jī)視覺(jué)技術(shù)正廣泛地應(yīng)用于各個(gè)方面。根據(jù)著名的Marr的視覺(jué)計(jì)算理論，計(jì)算機(jī)視覺(jué)的研究?jī)?nèi)容分為三個(gè)層次。其中視覺(jué)低層次要素的提取和檢測(cè)對(duì)計(jì)算機(jī)視覺(jué)理論體系有重要的意義，而且低層次視覺(jué)中每一種特征要素的提取和檢測(cè)都具有很廣泛的實(shí)際應(yīng)用價(jià)值。 經(jīng)視覺(jué)生理學(xué)上的研究，視網(wǎng)膜神經(jīng)節(jié)細(xì)胞(gauglioncell)感受野(receptivefield)在邊緣、線(xiàn)條、線(xiàn)條端點(diǎn)、角點(diǎn)和角度等圖像的低層次要素的檢測(cè)

2、方面有較突出的功能。鑒于目前對(duì)視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野在對(duì)如線(xiàn)條、角點(diǎn)、線(xiàn)條端點(diǎn)等圖像低層次尺度要素的檢測(cè)方面的功能缺乏研究，尤其缺乏在尺度空間的精確定量的分析研究，本文對(duì)視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野的數(shù)學(xué)模型——雙高斯差(differenceofGaussian，DOG)模型在圖像低層次尺度要素的檢測(cè)方面的功能進(jìn)行了深入的探索。 文中首先從計(jì)算機(jī)視覺(jué)的理論體系和實(shí)際應(yīng)用價(jià)值的角度上分析了對(duì)圖像低層次要素的提取和檢測(cè)的理論和實(shí)際意義；分

3、析了對(duì)DOG模型的國(guó)內(nèi)外研究現(xiàn)狀，明確了進(jìn)行本課題的必要性；提出了本課題的主要研究目標(biāo)，確定了所需完成的研究任務(wù)。 在對(duì)DOG函數(shù)的基本函數(shù)特性分析中，對(duì)構(gòu)成DOG函數(shù)的高斯函數(shù)的基本函數(shù)特性進(jìn)行了分析；對(duì)DOG函數(shù)的時(shí)頻域基本函數(shù)特性進(jìn)行了分析，分析的結(jié)果表明DOG函數(shù)在時(shí)頻域皆具有很好的局域性，這一點(diǎn)符合小波變換信號(hào)分析方法的時(shí)頻域局部化分析的特性；對(duì)小波變換的基本原理進(jìn)行了介紹；根據(jù)小波變換的基本原理分析了DOG函數(shù)在理論

4、上可構(gòu)成連續(xù)小波變換的小波基，進(jìn)而研究了在實(shí)際應(yīng)用中基于DOG函數(shù)的離散小波變換的具體實(shí)現(xiàn)，明確了基于DOG函數(shù)的小波變換具有多尺度分析功能。 在對(duì)DOG函數(shù)的結(jié)構(gòu)特性及一維尺度檢測(cè)研究中，本文推導(dǎo)出了DOG函數(shù)在其兩個(gè)尺度參數(shù)任意變化的兩個(gè)極端情況下將分別逼近高斯函數(shù)和高斯-拉普拉斯二階微分函數(shù)，這就為定性分析DOG函數(shù)在尺度空間的函數(shù)特性打下了基礎(chǔ)；定量分析了高斯函數(shù)、高斯-拉普拉斯二階微分函數(shù)和DOG函數(shù)對(duì)標(biāo)準(zhǔn)尺度信號(hào)的檢

5、測(cè)功能并作了比較，比較結(jié)果表明DOG函數(shù)有更好的尺度檢測(cè)功能；分析了過(guò)尺度邊緣效應(yīng)及其消除辦法，還討論了標(biāo)準(zhǔn)尺度函數(shù)的模型建立問(wèn)題。 在DOG函數(shù)視覺(jué)低層次尺度要素檢測(cè)的實(shí)際應(yīng)用中，本文將DOG函數(shù)的一維尺度檢測(cè)擴(kuò)展到二維空間，推導(dǎo)出DOG函數(shù)的二維尺度檢測(cè)機(jī)理；在實(shí)際應(yīng)用中研究了在二維空間中基于高斯函數(shù)、高斯-拉普拉斯二階微分函數(shù)和DOG函數(shù)的線(xiàn)條檢測(cè)原理，并通過(guò)線(xiàn)條檢測(cè)實(shí)例比較了三者線(xiàn)條檢測(cè)的功能；在此基礎(chǔ)之上提出了一種實(shí)用

6、的線(xiàn)條檢測(cè)算法并給出相應(yīng)實(shí)驗(yàn)結(jié)果；提出了一種通過(guò)檢測(cè)大小兩個(gè)尺度的局部極值來(lái)模擬角點(diǎn)的位置、方向和形狀的角點(diǎn)檢測(cè)和模擬方法，并對(duì)于信號(hào)具有較強(qiáng)噪聲的情況給出了實(shí)用角點(diǎn)檢測(cè)方法，同時(shí)給出相應(yīng)實(shí)驗(yàn)結(jié)果；在DOG函數(shù)的線(xiàn)條和角點(diǎn)檢測(cè)原理基礎(chǔ)上，提出了基于特征尺度和DOG函數(shù)多尺度分解的紋理分割算法并給出相應(yīng)實(shí)驗(yàn)結(jié)果。 在對(duì)DOG函數(shù)的圖像分析功能及其相關(guān)視覺(jué)現(xiàn)象的研究中，本文提出了針對(duì)二維復(fù)雜形狀尺度信號(hào)的“點(diǎn)模式”分析法并應(yīng)用該方法

7、對(duì)形狀更為復(fù)雜的線(xiàn)條端點(diǎn)和尺度點(diǎn)的檢測(cè)原理進(jìn)行了分析；對(duì)DOG函數(shù)在二維空間中對(duì)所有類(lèi)型的尺度信號(hào)的響應(yīng)進(jìn)行了總結(jié)和比較；提出了以DOG函數(shù)為數(shù)學(xué)模型的視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野在視覺(jué)系統(tǒng)中應(yīng)具有“注意”功能；基于提出的視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野的“注意”功能，結(jié)合DOG函數(shù)的實(shí)際圖像處理，對(duì)感嘆號(hào)視覺(jué)現(xiàn)象、紋理在視覺(jué)信息處理中的作用、Hermann格子視覺(jué)現(xiàn)象和Muller-Lyer等錯(cuò)覺(jué)現(xiàn)象進(jìn)行了分析和解釋。 總結(jié)本文的工作，文中通