全局显著信息指导下的轮廓编组计算模型研究

摘要

知觉组织作为人类视觉感知系统的重要组成部分，近年来受到从事神经科学、认知心理学和计算机科学等多领域研究人员的高度关注。知觉组织的过程为自然界中的光信号和感知目标之间架起一道桥梁，是人类进行图像识别、注意分配以及记忆存储等高级加工过程的基础。轮廓编组作为以图像边缘为编组对象的一种知觉组织，是知觉组织研究中不可或缺的一部分。轮廓编组模型能够发现图像中的显著结构，是定义和获取感知目标的重要工具，为实现基于目标的注意模型、目标检测和目标识别等模型提供保障。因此研究知觉组织的认知和神经机制，建立符合人类感知特性的高效的轮廓编组模型，是当前视觉感知系统信息处理理论研究中一个非常重要的问题。
　　 将认知心理学和神经科学中有关知觉组织的研究成果应用到计算模型中，是建立符合人类感知特性的轮廓编组模型的关键。本文以心理学中格式塔的知觉组织规则为依据，将心理学和神经科学中的研究成果作为理论基础，从统计学的角度出发，强调注意对知觉组织过程的影响作用，提出了符合自然图像统计特性的格式塔编组线索量化模型，并构建了全局显著信息指导下的轮廓编组模型。
　　 本文的研究内容依据建立轮廓编组模型的三个步骤可分为三大部分。第一部分从优化轮廓编组输入的角度出发，设计实现了适合于轮廓编组的自然图像中的边缘检测算法。第二部分通过分析人类所接受的外部信息的统计特性，建立了边缘间格式塔编组线索的量化模型。第三部分确定轮廓编组算法的优化目标和优化过程，从中体现出注意对知觉组织的作用，实现对自然图像的轮廓编组。本文的主要创新点有：
　　 第一，提出了一种基于全局显著信息的多尺度边缘检测算法。与其它边缘检测算法相比，该算法能够获得较好的边缘检测结果，更符合轮廓编组的输入要求。算法采用非线性的方法将多种特征下的边缘检测结果进行融合，保证边缘的准确和完整；以图像中显著区域的边界位置作为边缘检测的空间先验知识，有效去除噪声和细节边缘；将空间位置相邻的边缘点连接成具有一定长度的边，确保检测结果的稳定性和对轮廓编组算法的适用性；最后在多尺度的变化中不断更新空间先验知识和追踪每条边缘的演化过程，用每条边从出现到消亡过程中的能量总和来度量其显著性。
　　 第二，提出了轮廓编组中新的边缘相似性度量方法-有向边区域度量。利用自行开发的交互式的图形化标注工具，人工标注得到了规范且准确的有向边缘数据集，并在此数据集上，以正则化方差准则为依据，具体讨论了影响有向边相似性度量的几个关键因素，明确给出了有向边区域度量的最佳参数。有向边区域度量的边缘相似性度量方法克服了边缘连接方式的不确定性，能够有效提高相似性线索在轮廓编组中的重要性。在有向边缘数据集上的统计信息显示，有向边区域度量明显优于已有的其它边缘相似性度量方法。
　　 第三，建立了轮廓编组中生成式的编组线索合并模型。结合认知心理学中有关格式塔规则的研究，将邻近性作为轮廓编组中的主导线索，讨论了在不同的邻近性条件下连续性和相似性线索的联合分布情况。用生成式的编组线索合并模型，拟合了连续性和相似性线索在人工标注数据集上具有特殊形式的联合分布，准确地描述了编组线索之间的相关性。此模型摒除了以往判别式模型中对于线索不相关的假设，更准确的拟合了由自然图像统计得到的格式塔编组线索的统计特性，是更为精确的格式塔线索合并模型。
　　 第四，提出了全局显著信息指导下的轮廓编组算法，并通过对轮廓编组算法的层次化实现了基于目标的注意。该轮廓编组算法以心理学中有关注意对知觉组织作用的研究成果为依据，用全局显著信息来指导轮廓编组的过程，实现对自然图像中显著感知目标的轮廓编组。模拟注意中的同物效果和禁止返回机制，将轮廓编组算法层次化，实现了注意在感知目标中的层次化转移。在自然图像上的实验结果表明，该轮廓编组算法能够编组得到图像中的显著感知目标，在绝大多数情况下获得了比其它算法更好的编组结果。在此基础上实现的基于目标的注意，其注意焦点转移路径更加规整，也更加符合人类的视觉感知。

目录

文摘

英文文摘

致谢

1 引言

1.1 问题描述

1.2 研究意义

1.3 国内外研究现状

1.3.1 知觉组织的发展及研究现状

1.3.2 注意理论的发展及研究现状

1.3.3 轮廓编组的发展及研究现状

1.4 本文的研究内容

1.5 本文的组织结构

1.6 小结

2 知觉组织相关理论研究综述

2.1 知觉组织的认知机制

2.1.1 格式塔知觉组织规则

2.1.2 格式塔知觉组织规则间的关系

2.2 知觉组织的神经机制

2.2.1 人类视觉感知系统概述

2.2.2 知觉组织在人类视觉皮层的神经机制

2.3 知觉组织与注意的关系

2.4 知觉组织与自然图像统计特性的关系

2.5 小结

3 基于全局显著信息的多尺度边缘检测算法

3.1 引言

3.2 相关工作

3.2.1 单特征单尺度的边缘检测算法

3.2.2 多特征多尺度的边缘检测算法

3.2.3 结合中、高级信息的边缘检测算法

3.3 全局显著信息

3.3.1 显著性计算

3.3.2 显著区域及全局显著信息

3.4 多尺度的显著边缘检测

3.4.1 基于全局显著信息的空间先验

3.4.2 单尺度的边缘检测

3.4.3 多特征检测结果的组合

3.4.4 多尺度的显著边缘检测

3.5 与相关工作的比较

3.5.1 评价标准

3.5.2 实验结果及分析

3.6 小结

4 轮廓编组中格式塔线索的度量与评价

4.1 引言

4.2 相关工作

4.2.1 反映局部性质的编组线索的度量

4.2.2 反映整体性质的编组线索的度量

4.2.3 其他的相似性度量方法

4.3 人工标注的有向边缘数据集

4.3.1 边缘的表示

4.3.2 交互式的边缘对标注

4.4 格式塔线索的度量与评价

4.4.1 格式塔线索的度量

4.4.2 相似性度量中的参数选择

4.4.3 与其他度量方法的比较

4.5 小结

5 生成式的格式塔线索合并模型

5.1 引言

5.2 相关工作

5.2.1 线性的线索合并模型

5.2.2 生成式模型与判别式模型的区别

5.3 邻近性为主导的编组概率计算

5.4 自然图像中格式塔线索的统计信息

5.4.1 邻近性的统计信息

5.4.2 连续性与相似性的统计信息

5.5 生成式的线索合并模型

5.5.1 线性合并规则的适用范围

5.5.2 模型描述

5.5.3 参数估计

5.5.4 与其他模型结果的比较

5.6 小结

6 全局显著信息指导下的轮廓编组算法

6.1 引言

6.2 相关工作

6.2.1 优化目标的定义

6.2.2 优化目标的求解

6.3 全局显著信息指导下的轮廓编组算法

6.3.1 显著目标的轮廓编组

6.3.2 显著图的构建

6.3.3 代价函数最小值的求解

6.4 轮廓编组算法的层次化--基于目标的注意模型

6.4.1 基于目标的注意理论及模型简介

6.4.2 基于目标的注意模型的实现

6.5 实验结果及分析

6.5.1 轮廓编组的实验

6.5.2 基于目标的层次化注意模型实验

6.6 小结

7 总结与展望

7.1 全文工作总结

7.2 进一步研究设想

参考文献

作者简历

学位论文数据集