可見(jiàn)光圖像視覺(jué)顯著物體探測(cè)及畸變不變光學(xué)相關(guān)識(shí)別.pdf

1、可見(jiàn)光圖像在多媒體、機(jī)器視覺(jué)以及電視制導(dǎo)等領(lǐng)域有著廣泛的應(yīng)用。對(duì)圖像中目標(biāo)進(jìn)行快速準(zhǔn)確地探測(cè)與識(shí)別是可見(jiàn)光成像系統(tǒng)應(yīng)用研究中非常重要的組成部分。在實(shí)際應(yīng)用中,待探測(cè)目標(biāo)通常僅占可見(jiàn)光圖像很小一部分,大量的視覺(jué)冗余信息不但對(duì)目標(biāo)探測(cè)的準(zhǔn)確性和完整性構(gòu)成挑戰(zhàn)還會(huì)耗費(fèi)有限的計(jì)算資源;同時(shí)探測(cè)目標(biāo)的各種畸變形態(tài)也給目標(biāo)的不變性識(shí)別帶來(lái)困難。為此,本論文對(duì)基于可見(jiàn)光圖像的復(fù)雜場(chǎng)景下視覺(jué)顯著物體探測(cè)及體全息畸變不變光學(xué)相關(guān)識(shí)別方法進(jìn)行以下幾方面的理

2、論和實(shí)驗(yàn)研究:
　　在視覺(jué)顯著物體探測(cè)研究中,依據(jù)自然圖像具有非隨機(jī)且高度結(jié)構(gòu)化的特性,提出一種基于圖像各向異性特性的顯著圖生成及物體探測(cè)模型。模型中,圖像各向異性特性由一維加窗離散余弦變換(Discrete cosine transform,DCT)和廣義Rényi熵進(jìn)行表征,同時(shí)給出經(jīng)一維加窗DCT后承載不同方向信息的Rényi熵圖計(jì)算方法。對(duì)Rényi熵圖功率譜在重對(duì)數(shù)尺度上加以分析,發(fā)現(xiàn)Rényi熵圖不但適用于冪次定律(p

3、ower law),而且其功率譜曲線還具有冗余與顯著成分可分離結(jié)構(gòu)。據(jù)此,在對(duì)冗余信息與顯著信息進(jìn)行分離的同時(shí),進(jìn)一步提出相應(yīng)的顯著圖生成方法。最后利用種子生長(zhǎng)算法完成對(duì)顯著物體的探測(cè)。實(shí)驗(yàn)表明,該模型可在復(fù)雜背景下準(zhǔn)確地探測(cè)到圖像中的視覺(jué)顯著物體。
　　針對(duì)現(xiàn)有顯著物體探測(cè)模型生成的顯著圖內(nèi)顯著物體邊界不清晰,復(fù)雜背景得不到有效抑制這一狀況,提出一種基于圖像信息量測(cè)量(Information content measuring)

4、的非監(jiān)督式視覺(jué)顯著物體探測(cè)方法。通過(guò)尋找聯(lián)合空間范圍表示的局域密度最大值使得輸入圖像中那些空間距離相近又顏色相似的像素形成同質(zhì)區(qū)域,由此對(duì)輸入圖像進(jìn)行像素聚類。利用設(shè)計(jì)出的金字塔級(jí)數(shù)確定方法,由聚類后圖像創(chuàng)建二值高斯金字塔。針對(duì)金子塔內(nèi)各個(gè)尺度子圖像,給出基于偽Wigner-Ville分布(pseudo-Wigner-Ville distribution,PWVD)和Shannon熵的圖像信息量測(cè)量方法,并由此獲得多尺度信息量圖(Inf

5、ormation content map)。設(shè)計(jì)出一種可以準(zhǔn)確描述顯著物體形態(tài)的顯著圖生成方法。從定性與定量?jī)蓚€(gè)角度與現(xiàn)有方法進(jìn)行對(duì)比測(cè)試,該方法都具有較好的探測(cè)準(zhǔn)確性與完整性。
　　依據(jù)特征整合理論(Feature integration theory,FIT),提出一種基于圖像視覺(jué)特征的顯著物體探測(cè)模型。該模型初步模仿人類視覺(jué)注意機(jī)制,利用強(qiáng)度對(duì)比度(intensity contrast)、色彩梯度(color gradien

6、t)和方向性熵(oriented entropy)三個(gè)圖像顯著特征分別模仿人類視覺(jué)系統(tǒng)的強(qiáng)度、顏色和方向這三種初級(jí)視覺(jué)特征,并從局域、區(qū)域、總體三個(gè)層面對(duì)視覺(jué)顯著物體加以描述。利用提出的非線性自適應(yīng)特征整合方法對(duì)計(jì)算得到的三種特征圖進(jìn)行整合得到最后的顯著圖。該模型生成的顯著圖具有較強(qiáng)的顯著物體與背景對(duì)比度。無(wú)論是探測(cè)結(jié)果的準(zhǔn)確性還是完整性,都要優(yōu)于現(xiàn)有的經(jīng)典模型和前面兩章提出的方法。
　　針對(duì)體全息光學(xué)相關(guān)識(shí)別系統(tǒng)難以對(duì)可見(jiàn)光成像

7、系統(tǒng)探測(cè)到的顯著目標(biāo)的各種畸變形態(tài)做出正確判決的現(xiàn)狀,提出一種基于形態(tài)學(xué)和空間域綜合鑒別函數(shù)(Synthetic discriminant function,SDF)的畸變不變識(shí)別方法。通過(guò)從宏觀和微觀兩個(gè)角度對(duì)影響系統(tǒng)不變性識(shí)別能力的因素加以分析,結(jié)合形態(tài)學(xué)算法特性,提出一種可以較好提取目標(biāo)邊緣信息,抑制模式依賴行為(pattern-dependent behavior)的形態(tài)學(xué)算法。以目標(biāo)的邊緣模式建立畸變圖像庫(kù),結(jié)合現(xiàn)有的SDF方