首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于非经典感受野的图像表征计算模型及应用研究

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

论文共136页,点击 下载论文
上一篇:离线手写体汉字鉴别及识别算法研究
下一篇:亚当·弗格森伦理思想研究--以苏格兰启蒙中道德情感主义为视角的考察