试议图像基于生物视觉感知机制图像理解技术

论文导读：像的三种属性进行场景分类，然后根据三个分割结果进行二次分类，以提升分类的准确性；结合OFC的预测机制和场景上下文信息，探讨了基于生物视觉机制的BUTD目标识别模型，模型在训练阶段建立特定类目标图像的L库和GIST特点库，系统自动学习目标的先验知识和上下文信息，在测试阶段，提取输入图像低频特点、上下文特点分别映射到PHC和
摘要：场景理解是计算机视觉中具有挑战性的难点不足，是相关视觉运用的关键环节。动物能迅速地对所处的场景做出判断并响应，准确获取目标对象的位置和类型，这是目前最先进的计算机视觉系统无法媲美的。本论文以认知生理学和心理学的探讨成果为基础，以图像理解与认知学的相互联系入手，根据动物视觉感知系统中的重要结构和功能机理探讨图像理解的关键技术。本论文首先深入探讨了人类视觉的认知生理学结构和视觉感知机制。视网膜是视觉信息的起始点，主要有着三种细胞获取视野中不同的图像特点信息，通过LGN中的对应通道传送至初级视皮层的V1区域。视觉皮层中的腹侧通路用来形成感受和进行对象识别，分别经历了Vl、V2、V3或V4（中颖叶区）、顶叶皮层（OPC）或下颖叶皮层（IT）的视觉信息传递历程；背部通路处理动作和其它的空间信息；各层次之间有着着前向、水平和反馈的交互作用。由此人类的视觉感知系统不仅具有层次型结构特点，还具有侧抑制和反馈的特性，可以实现快速有效的视觉感知。其次重点探讨了基于视皮层感知机制的彩像分割模型。提出了一种基于多特点的层次化彩像感知分割模型，该策略有效的利用图像的亮度空间分布、细节信息以及颜色空间信息，对图像进行初次分割，并利用BPNN模型对多特点分割结果进行融合选择，得到最终的分割结果。另外，结合Trickle-down视觉论述，探讨了结合自底向上和自顶向下的BUTD彩像分割模型，利用特定类特点片段实现了自顶向下的分割，更好的模拟了视觉机制的反馈历程。此外，本论文在对现有生物激励目标识别模型进行深入浅析的基础上，提出了生物激励的多特点场景分类模型，模型包括两个阶段的处理历程，首先模拟生物低级视觉区域，并行独立的提取图像的三种属性进行场景分类，然后根据三个分割结果进行二次分类，以提升分类的准确性；结合OFC的预测机制和场景上下文信息，探讨了基于生物视觉机制的BUTD目标识别模型，模型在训练阶段建立特定类目标图像的L库和GIST特点库，系统自动学习目标的先验知识和上下文信息，在测试阶段，提取输入图像低频特点、上下文特点分别映射到PHC和OFC做出预测，再结合高频细节特点完成目标的识别历程。最后对本论文的探讨特点进行了描述，对本论文的探讨工作进行了总结，浅析了各模型的实验结果，指出了模型的优点和缺点，并对下一步的工作进行了展望。关键词：视觉感知论文图像分割论文目标识别论文场景分类论文图像理解论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-7
ABSTRACT7-16
第一章 绪论16-29

1.1 探讨目的和作用16-17

1.2 探讨近况17-26

1.2.1 图像分割18-20

1.2.2 目标识别20-22

1.2.3 基于视觉层次感知机制的图像理解22-23

1.2.4 图像特点表达23-25

1.2.5 分类器25-26

1.3 探讨内容26-27

1.4 论文特点与革新27-28

1.5 论文结构28-29

第二章 视皮层感知机制29-47

2.1 引言29-30

2.2 视觉系统的层次30

2.3 视皮层的感知结构30-32

2.3.1 视网膜31-32

2.3.2 侧膝体32

2.3.3 视觉皮层32

2.4 其它特性32-34

2.4.1 反馈和侧向连接32-33

2.4.2 视觉感受野特性33-34

2.4.3 超柱结构34

2.4.4 学习机制34

2.5 生物视觉计算模型34-39

2.5.1 视觉感知层次结构35-36

2.5.2 视觉感知层次计算模型36-37

2.5.3 视觉感知中重要的功能机制37-39

2.6 基于视觉感知层次模型的人脸识别39-45

2.6.1 人脸识别模型概述39

2.6.2 模型功能实现39-42

2.6.3 实验及结果42-45

2.7 本章小结45-47

第三章 多特点彩像分割模型47-65

3.1 引言47-48

3.2 相关工作48-51

3.

2.1 探讨近况48-50

3.

2.2 神经科学基础50-51

3.3 模型概述51-57

3.1 K 通路计算51-53

3.2 P 通路计算53-54

3.3 M 通路的计算54-55

3.4 其它视觉区域计算55-57

3.4 实验57-60

3.4.1 BPNN 训练57-58

3.4.2 分割策略比较58-60

3.5 算法与实验浅析60-63

3.5.1 先融合与后融合60

3.5.2 二元分割的优化60-62

3.5.3 性能评估62-63

3.6 本章小结63-65

第四章 BU&TD 图像分割模型65-84

4.1 引言65-66

4.2 神经科学背景66-68

4.

2.1 Trickle-up 通路67

4.2.2 Tri论文导读：实验76-824.4.1概率分布的学习76-774.4.2图像分割77-794.4.3影响因素浅析79-804.4.4片段相关性80-824.4.5多目标分割824.5本章小结82-84第五章多特点场景分类模型84-965.1分类模型85-865.2HF模型86-875.3多尺度边缘特点87-895.4颜色特点895.5分类89-905.6实验评估90-945.

6.1Edge路径分类90-915.2Edge路

ckle-down 通路67-68

4.3 BU&TD 组合模型概述68-76

4.

3.1 生成特点片段集69-70

4.

3.2 匹配 BU 结果70-73

4.

3.3 优化匹配子集73-76

4.

3.4 像素标识76

4.4 实验76-82

4.1 概率分布的学习76-77

4.2 图像分割77-79

4.3 影响因素浅析79-80

4.4 片段相关性80-82

4.5 多目标分割82

4.5 本章小结82-84

第五章 多特点场景分类模型84-96

5.1 分类模型85-86

5.2 HF 模型86-87

5.3 多尺度边缘特点87-89

5.4 颜色特点89

5.5 分类89-90

5.6 实验评估90-94

5.6.1 Edge 路径分类90-91

5.6.2 Edge 路径+Shape 路径91-92

5.6.3 MFBIM 识别92-94

5.7 总结94-96

第六章 BU&TD 目标识别模型96-108

6.1 引言96-97

6.2 模型概述97-105

6.

2.1 L 特点97-99

6.

2.2 H 图像99-100

6.

2.3 Gist-based 特点100

6.

2.4 OFC100-103

6.

2.5 PHC103-104

6.

2.6 IT104-105

6.3 实验105-107

6.4 总结107-108

第七章 总结与展望108-112

7.1 工作总结108-109

7.2 本论新与特点109-111

7.3 进一步的探讨111-112

致谢112-113
参考文献113-127
攻博期间取得的探讨成果127-130