摘要 | 第6-8页 |
Abstract | 第8-9页 |
1 绪论 | 第10-24页 |
1.1 引言 | 第10-13页 |
1.2 生物视觉系统与计算机处理图像场景的比较 | 第13-15页 |
1.3 视网膜神经节细胞应用于图像表征领域的优势 | 第15-19页 |
1.4 基于生物视觉结构的计算模型研究现状 | 第19-20页 |
1.5 论文的研究重点、创新及章节安排 | 第20-24页 |
2 生物视觉系统及其信息处理机制 | 第24-39页 |
2.1 生物视觉系统概述 | 第24-27页 |
2.2 神经节细胞的感受野机制 | 第27-34页 |
2.2.1 经典感受野 | 第27-31页 |
2.2.2 非经典感受野 | 第31-34页 |
2.3 视网膜神经节细胞的功能模型 | 第34-36页 |
2.4 非经典感受野和一些心理学实验现象的关系 | 第36-37页 |
2.5 经典感受野和非经典感受野的动态特征 | 第37-39页 |
3 视网膜神经节细胞的建模 | 第39-60页 |
3.1 神经节细胞非经典感受野作为图像表征的载体 | 第39-41页 |
3.2 神经节细胞感受野的数学模型 | 第41-44页 |
3.3 将RGB颜色值转换为类波长单值 | 第44-47页 |
3.4 神经节细胞计算模型的设计 | 第47-60页 |
4 神经节细胞感受野阵对图像的表征 | 第60-84页 |
4.1 从GC输出图像中进行图像重构 | 第60-63页 |
4.2 感受野与图像统计特征的关联性验证实验 | 第63-73页 |
4.2.1 感受野与图像颜色块的关系 | 第63-66页 |
4.2.2 图像频率和感受野的关系 | 第66-68页 |
4.2.3 图像信息熵与感受野之间的关系 | 第68-70页 |
4.2.4 图像复杂度与感受野的关系 | 第70-73页 |
4.3 感受野与多分辨率分析 | 第73-81页 |
4.3.1 多分辨率分析技术的发展 | 第73-75页 |
4.3.2 利用感受野来实现多分辨率的表征 | 第75-81页 |
4.4 感受野也是一种SuperPixel | 第81-84页 |
5 基于非经典感受野的表征对图像后期加工的促进作用 | 第84-92页 |
5.1 对特征配准(SIFT)的提升作用 | 第84-86页 |
5.2 对图像分割(Normalized-cut、Hierarchical Image Segmentation)的提升作用 | 第86-92页 |
6 利用非经典感受野的表征实现图像多尺度融合轮廓检测 | 第92-115页 |
6.1 前言 | 第92-95页 |
6.2 算法设计 | 第95-97页 |
6.3 利用神经节细胞感受野尺寸变化得到多尺度信息 | 第97-98页 |
6.4 感受野响应值的计算 | 第98-99页 |
6.5 抑制区模型和去抑制区模型的数学模拟 | 第99-101页 |
6.6 实验结果 | 第101-106页 |
6.6.1 神经节细胞非经典感受野对图像的预处理 | 第101-103页 |
6.6.2 抑制作用和去抑制作用的实现 | 第103-104页 |
6.6.3 多尺度融合的实现 | 第104-106页 |
6.7 算法的性能评估 | 第106-115页 |
6.7.1 与文献[46,172]算法的性能比较 | 第106-114页 |
6.7.2 与文献[160]算法的性能比较 | 第114-115页 |
7 总结与展望 | 第115-118页 |
7.1 工作总结 | 第115-117页 |
7.2 未来研究展望 | 第117-118页 |
参考文献 | 第118-133页 |
攻读博士学位期间发表的文章 | 第133-134页 |
致谢 | 第134-136页 |