基于视觉注意机制的计算模型的研究及应用

论文摘要

计算机科学和生物物理学及神经心理学的结合是目前学者们研究的热点,而基于视觉注意机制的计算模型的研究是三者结合的核心问题。视觉注意机制是人类特有的生理特性,它在人类与外界环境的认识上起着重要的沟通桥梁的作用。将视觉注意机制应用到机器视觉处理上来,会给人类的工作和生活带来巨大的好处。视觉注意计算模型的研究,能够帮助人们筛选分析大量的数据信息,提高计算机处理数据信息的能力,在图像分析和图像理解领域、目标检测、机器视觉等方面有重要的应用价值。本文首先介绍了人类的视觉生理基础,并详细阐述了Itti视觉注意计算模型的关键技术和实验,通过对Itti计算模型的研究发现,该模型对图像中的显著性目标具有很强的识别能力,但在图像内容的理解存在着一定偏差,包括部分结果与人类的认知判读不符,存在着伪注意焦点、漏检测和注意焦点转移不合理等问题。针对Itti模型的特点,本文对其进行了改进。首先改进了Itti模型的显著性度量方法,然后采用全局进化思想统计全局的显著度,结合二者的度量结果合并生成图像的显著点,找出图像中的所有感兴趣区域,改进的Itti计算模型,更能有效的保持图像的重要特征信息,提高了对图像整体描述能力。实验表明本文采用的改进方法能准确找出最显著的目标,更加符合人类的认知水平。最后将本文改进的视觉注意计算模型应用到图像压缩上面。通过预先提取图像中的感兴趣区域,然后再用JPEG2000算法对感兴趣区域和背景区域采用不同的压缩比进行压缩,既能缩小图像的占用存储空间,又保证了图像的显示质量,取得很好的压缩效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1-1 课题研究的背景及意义
• §1-2 国内外发展概况
• §1-3 论文的主要内容和组织结构
• 第二章 人类视觉注意机制原理
• §2-1 人类的视觉的生理结构
• §2-2 视觉显著性
• §2-3 显著性度量方法
• 2-3-1 基于空间和特征整合的显著性度量
• 2-3-2 基于物体和整合竞争假设的显著性度量
• 2-3-3 基于几何特征的显著性度量
• 2-3-4 基于局部复杂性的显著性度量
• 2-3-5 基于尺度空间表示和信息论的显著性度量
• 2-3-6 基于稀少性的显著性度量
• 2-3-7 基于图像布局和Bayes学习与推理的思路
• §2-4 小结
• 第三章 基于选择性注意机制的计算模型的研究
• §3-1 经典视觉模型框架
• §3-2 图像描述模型和显著性度量函数
• 3-2-1 图像特征的提取
• 3-2-2 特征显著图的合成
• 3-2-3 总显著图的合成
• §3-3 注意焦点的转移机制
• §3-4 视觉注意模型的不足
• §3-5 小结
• 第四章 基于经典视觉注意计算模型的改进研究
• §4-1 视觉中的尺度问题
• §4-2 特征图的非线性尺度空间表示
• §4-3 显著图合并策略
• §4-4 全局显著性度量
• §4-5 注意焦点的选择
• §4-6 小结
• 第五章 基于视觉注意的感兴趣区域图像压缩
• §5-1 图像压缩
• §5-2 基于视觉选择性注意机制的图像压缩
• §5-3 小结
• 第六章 总结与展望
• §6-1 本文研究的应用价值
• §6-2 下一步的研究方向
• 参考文献
• 致谢