结合稀疏编码的图像生物视觉特征提取研究

论文摘要

图像特征提取是图像分类中的关键步骤,如何提取更好的图像特征一直是研究的热点和重点。人类视觉系统高度发达,可以轻易地进行图像分类的任务,优越于当前所有计算机视觉的图像分类能力。随着神经科学的不断发展,人类对自身的视觉感知系统理解不断加深。借鉴神经科学的研究成果,模拟人类视觉系统的信息处理过程建立图像生物视觉特征的提取模型,是一个极具挑战性和吸引力的研究方向。受生物视觉启发,近年来Serre和Poggio等人提出了一种基于视觉皮层腹侧通路前馈过程理论的目标识别量化层次模型,称作视皮层标准模型（Standard Model of Visual Cortex,ST Model）,也称作HMAX模型,主要由S1、C1、S2、C2四层构成。利用ST模型提取的特征（Standard Model Feature,SMF）具有尺度和位置不变性,且旋转不变性可以通过引进不同旋转角度的训练样本来获得。ST模型通过对C1层随机取块从简单特征中获得过完备复杂特征集,即中间层的特征字典。但这种随机提取特征字典的方法具有随意性,且缺乏生物学依据,需要研究更符合生物学意义的特征字典构建方法。神经科学研究成果表明,稀疏编码是视觉系统中图像表示的主要方式,V1区中神经元对视觉信息的反应具有稀疏性,V4区的神经元通过稀疏编码的方式实现视觉信息的表示。这些发现为在ST模型中引入稀疏编码提供了生物学依据。本文在ST模型中引入稀疏编码,提出了一种结合稀疏编码的图像生物视觉特征提取方法——稀疏编码标准模型（Sparse Coding ST Model,SCST Model）。这种方法利用K-SVD算法求取中间层字典,对C1层的输出进行稀疏编码得到S2层特征,并在此基础上获得C2层特征——稀疏编码标准模型特征（Sparse Coding SMF,SCSMF）。将SMF和SCSMF应用于图像分类实验进行对比,实验结果表明,本文提出的方法比原始的标准模型可以更有效地提取图像生物视觉特征。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 本文研究内容与组织结构
• 第二章 生物视觉机理及稀疏编码理论
• 2.1 概述
• 2.2 生物视觉机理
• 2.2.1 视觉通路
• 2.2.2 神经元感受野
• 2.3 稀疏编码理论
• 2.3.1 生物视觉中稀疏编码机制的发现
• 2.3.2 稀疏编码的数学模型
• 2.4 本章小结
• 第三章 结合稀疏编码的生物视觉特征提取方法
• 3.1 概述
• 3.2 视皮层标准模型
• 3.2.1 两个基本操作
• 3.2.2 SMF 的提取
• 3.2.3 SMF 提取平台的应用
• 3.3 稀疏编码标准模型
• 3.3.1 K-SVD 算法用于学习中间层字典
• 3.3.2 SCSMF 的提取
• 3.3.3 S2 层稀疏性分析
• 3.4 本章小结
• 第四章 基于生物视觉特征的图像分类实验及分析
• 4.1 概述
• 4.2 图像数据库和分类器
• 4.3 SMF 和SCSMF 的对比实验结果及分析
• 4.3.1 不同特征维数下的性能比较
• 4.3.2 不同正类训练样本数下的性能比较
• 4.3.3 多类分类下的性能比较
• 4.4 本章小结
• 第五章 全文总结
• 5.1 工作总结
• 5.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文