基于知識和模型的計算機(jī)視覺若干關(guān)鍵問題研究.pdf

1、本文選擇計算機(jī)視覺研究中目前尚未圓滿解決的幾個關(guān)鍵問題，即圖像增強(qiáng)、圖像分割與特征提取、深度估計，展開研究。研究工作主要是針對Marr視覺理論的不足，在算法設(shè)計中注重了知識的表達(dá)、高層信息的反饋以及模型的運(yùn)用。本論文的研究工作為進(jìn)一步完善Marr視覺理論做了有益地探索，部分研究成果具有很強(qiáng)的潛在應(yīng)用價值。本文主要的創(chuàng)新性工作如下： 第一，提出了兩種基于新型直方圖構(gòu)造同時結(jié)合人眼視覺特性的圖像增強(qiáng)方法。另外，還設(shè)計了一種簡單、實用

2、的圖像增強(qiáng)評估算法。 本文首先分析了傳統(tǒng)直方圖數(shù)據(jù)描述形式的局限性，針對其不足，提出了兩種新型直方圖構(gòu)造方法，即基于局部復(fù)雜度加權(quán)處理的直方圖構(gòu)造方法和邊緣直方圖構(gòu)造方法。然后，為了優(yōu)化配置灰度級的動態(tài)空間，提出了依據(jù)視覺感知特性參數(shù)——最佳分辯偏差OND(OptimumNoticeableDifference)——約束主導(dǎo)灰度級動態(tài)范圍的方法。最后，在兩種新構(gòu)建的直方圖基礎(chǔ)上，結(jié)合視覺特性約束，提出了兩種圖像增強(qiáng)算法。對比測試

3、結(jié)果表明，本文提出的這兩種增強(qiáng)算法具有魯棒性強(qiáng)，且對平滑區(qū)噪聲抑制明顯等優(yōu)點(diǎn)，其性能優(yōu)于現(xiàn)有的兩種經(jīng)典算法(GlobalHistogramEqualization，GHE算法和AdaptiveHistogramEqualization，AHE算法)。此外，為了對算法的增強(qiáng)效果進(jìn)行量化評估，設(shè)計了一種簡單、實用的基于視覺感知特性的圖像增強(qiáng)評估算法。實驗結(jié)果表明，該算法的評測結(jié)果與視覺評測結(jié)果吻合。 第二，研究了成像區(qū)域小且受場景因

4、素影響較大的物體分割問題，并提出了一種新的形態(tài)學(xué)特征描述算子，從而建立了一套基于支持向量機(jī)(SupportVectorMachines，SVM)和形態(tài)特征的血細(xì)胞核自動分析系統(tǒng)。 對血液細(xì)胞核進(jìn)行精確的分割是自動分析與識別的關(guān)鍵環(huán)節(jié)。但由于細(xì)胞核形態(tài)差異較大、成像區(qū)域小且受光照和染色條件影響較大等特點(diǎn)，使得現(xiàn)有經(jīng)典分割算法很難獲得滿意的效果。由于學(xué)習(xí)算法便于引入與問題相關(guān)的先驗知識，使得算法的性能顯著提高。為此，本文將SVM這種

5、性能優(yōu)良的學(xué)習(xí)算法引入到圖像分割中，提出了采用SVM的血液細(xì)胞核彩色圖像分割方法。為了獲得更好的分割效果，對采用不同色彩空間、核函數(shù)及樣本數(shù)量的分割結(jié)果進(jìn)行了詳細(xì)地比較和分析。在特征提取前，為了確保核區(qū)的完整性，對分割后分離的子瓣采用帶約束的子瓣膨脹搜索方法歸并。在特征提取環(huán)節(jié)中，利用不同種類細(xì)胞經(jīng)形態(tài)學(xué)腐蝕后的差異，提出了能有效反映核分葉數(shù)多少的特征——腐蝕退化因子。該因子可作為一種通用的形態(tài)學(xué)描述算子，用于提取無規(guī)則形態(tài)物體的形態(tài)特

6、征。最后，系統(tǒng)采用RBF核函數(shù)形式的“one-against-one”SVM多分類方法，實現(xiàn)了血細(xì)胞最優(yōu)分類。實驗測試表明，本系統(tǒng)能快速、準(zhǔn)確地自動完成血細(xì)胞核識別。 第三，研究了基于高頻能量參數(shù)的微操作深度估計問題。 在散焦光學(xué)系統(tǒng)模型的基礎(chǔ)上，利用散焦光學(xué)傳遞函數(shù)(OpticalTransformFunction,OTF)在不同光程差條件下的頻率響應(yīng)特點(diǎn)，提出了利用散焦圖像的高頻能量參數(shù)獲取深度信息的新方法。算法實現(xiàn)

7、分為兩步：首先通過標(biāo)定實驗，從一組以2μm間隔深度下采集的微針序列模糊圖像中導(dǎo)出深度計算方程；然后在實際深度估計中，測得深度對應(yīng)的能量參數(shù)，代入深度方程，求解出深度值。在測試實驗中，討論并解決了微針形狀不均對標(biāo)定實驗的影響。 第四，提出了一種基于規(guī)范化譜主成分分析的深度信息提取方法。 充分利用微操作工具(微針)結(jié)構(gòu)簡單，其模糊深度圖像數(shù)據(jù)量大、相關(guān)性強(qiáng)等特點(diǎn)，提出了基于主成分分析(PrincipalComponentAn

8、alysis，PCA)的深度信息提取方法。算法實現(xiàn)過程如下：獲得一組標(biāo)定好的深度圖像，構(gòu)成訓(xùn)練樣本集，求取樣本集協(xié)方差矩陣的特征向量組(或本征矢量集)，并由此確定特征子空間；將待測深度圖像向M個本征矢量方向投影(M為訓(xùn)練樣本集個數(shù))，得到一個M維的變量統(tǒng)計不相關(guān)的特征向量；采用K-近鄰方法確定該特征向量與標(biāo)定位置的微針圖像特征向量的關(guān)系；依據(jù)K-近鄰分析結(jié)果求取微針深度。為了保證微操作工具在測試窗口內(nèi)大范圍移動時，依然能準(zhǔn)確、快速地提取