首页 > 文献资料
-
基于视通路多感受野朝向性关联的轮廓检测方法
基于视通路中各层次的感受野特性以及层次间感受野的关联特性,提出一种图像轮廓检测新方法.根据神经元的放射状树突接收特性,构建检测空间差异性信息的视网膜神经元网络,对轮廓信息进行前级编码;建立LGN细胞的非经典感受野调节机制,结合感受野的层次变换特性,对前级编码结果进行全局调节;提出简单细胞的多感受野朝向性关联模型,模拟初级视皮层简单细胞的方向选择特性;融合多个方向上的轮廓响应,经过非极大值抑制和阈值处理,得到轮廓检测结果.以RuG图库40幅图片为实验对象,检测结果与基准轮廓图的平均P指标为0.43,结果显示该方法能够有效凸显主体轮廓,强化轮廓与纹理边缘的区分度.利用多感受野的层次关联特性,实现图像轮廓信息的编码与检测应用,为研究高级视皮层的图像理解和视觉认知提供新的思路.
-
基于主视通路层级响应模型的轮廓检测方法
目的 提出一种主视通路信息流层级传递和响应的新模型用于检测图像轮廓的新方法.方法 以RuG图库40幅图片为实验对象,利用非下采样轮廓波变换模拟外侧膝状体(lateral geniculate nucleu,LGN)对视觉信息的频域分离作用;构建LIF神经元网络模型来表达视觉神经系统中的电生理活动,通过CRF机制整合空间信息;同时,利用局部半波整流的高斯差函数来模拟nCRF的全局调节机制.有朝向性地将多个LGN细胞感受野进行关联.同时构建皮层下视通路来模拟它对于主视通路进行视觉信息处理的协同作用.然后,经过非极大值抑制和阈值处理,得到本文轮廓检测结果.后将本文检测结果与3种经典方法(Noninh,SSC,ISO)的检测结果进行对比.结果 本方法的检测结果与基准轮廓图的平均P指标为0.46,大于经典的3种检测方法(P指标分别为0.36、0.40、0.42).结论 本文算法不仅对纹理和背景具有抑制的作用,而且能有效区分纹理强边缘和主体轮廓,获得较佳的效果.
