基于知識和模型的計算機視覺若干關鍵問題研究.pdf

1、本文選擇計算機視覺研究中目前尚未圓滿解決的幾個關鍵問題，即圖像增強、圖像分割與特征提取、深度估計，展開研究。研究工作主要是針對Marr視覺理論的不足，在算法設計中注重了知識的表達、高層信息的反饋以及模型的運用。本論文的研究工作為進一步完善Marr視覺理論做了有益地探索，部分研究成果具有很強的潛在應用價值。本文主要的創(chuàng)新性工作如下： 第一，提出了兩種基于新型直方圖構造同時結合人眼視覺特性的圖像增強方法。另外，還設計了一種簡單、實用

2、的圖像增強評估算法。 本文首先分析了傳統(tǒng)直方圖數據描述形式的局限性，針對其不足，提出了兩種新型直方圖構造方法，即基于局部復雜度加權處理的直方圖構造方法和邊緣直方圖構造方法。然后，為了優(yōu)化配置灰度級的動態(tài)空間，提出了依據視覺感知特性參數——最佳分辯偏差OND(OptimumNoticeableDifference)——約束主導灰度級動態(tài)范圍的方法。最后，在兩種新構建的直方圖基礎上，結合視覺特性約束，提出了兩種圖像增強算法。對比測試

3、結果表明，本文提出的這兩種增強算法具有魯棒性強，且對平滑區(qū)噪聲抑制明顯等優(yōu)點，其性能優(yōu)于現有的兩種經典算法(GlobalHistogramEqualization，GHE算法和AdaptiveHistogramEqualization，AHE算法)。此外，為了對算法的增強效果進行量化評估，設計了一種簡單、實用的基于視覺感知特性的圖像增強評估算法。實驗結果表明，該算法的評測結果與視覺評測結果吻合。 第二，研究了成像區(qū)域小且受場景因

4、素影響較大的物體分割問題，并提出了一種新的形態(tài)學特征描述算子，從而建立了一套基于支持向量機(SupportVectorMachines，SVM)和形態(tài)特征的血細胞核自動分析系統(tǒng)。 對血液細胞核進行精確的分割是自動分析與識別的關鍵環(huán)節(jié)。但由于細胞核形態(tài)差異較大、成像區(qū)域小且受光照和染色條件影響較大等特點，使得現有經典分割算法很難獲得滿意的效果。由于學習算法便于引入與問題相關的先驗知識，使得算法的性能顯著提高。為此，本文將SVM這種

5、性能優(yōu)良的學習算法引入到圖像分割中，提出了采用SVM的血液細胞核彩色圖像分割方法。為了獲得更好的分割效果，對采用不同色彩空間、核函數及樣本數量的分割結果進行了詳細地比較和分析。在特征提取前，為了確保核區(qū)的完整性，對分割后分離的子瓣采用帶約束的子瓣膨脹搜索方法歸并。在特征提取環(huán)節(jié)中，利用不同種類細胞經形態(tài)學腐蝕后的差異，提出了能有效反映核分葉數多少的特征——腐蝕退化因子。該因子可作為一種通用的形態(tài)學描述算子，用于提取無規(guī)則形態(tài)物體的形態(tài)特

6、征。最后，系統(tǒng)采用RBF核函數形式的“one-against-one”SVM多分類方法，實現了血細胞最優(yōu)分類。實驗測試表明，本系統(tǒng)能快速、準確地自動完成血細胞核識別。 第三，研究了基于高頻能量參數的微操作深度估計問題。 在散焦光學系統(tǒng)模型的基礎上，利用散焦光學傳遞函數(OpticalTransformFunction,OTF)在不同光程差條件下的頻率響應特點，提出了利用散焦圖像的高頻能量參數獲取深度信息的新方法。算法實現

7、分為兩步：首先通過標定實驗，從一組以2μm間隔深度下采集的微針序列模糊圖像中導出深度計算方程；然后在實際深度估計中，測得深度對應的能量參數，代入深度方程，求解出深度值。在測試實驗中，討論并解決了微針形狀不均對標定實驗的影響。 第四，提出了一種基于規(guī)范化譜主成分分析的深度信息提取方法。 充分利用微操作工具(微針)結構簡單，其模糊深度圖像數據量大、相關性強等特點，提出了基于主成分分析(PrincipalComponentAn

8、alysis，PCA)的深度信息提取方法。算法實現過程如下：獲得一組標定好的深度圖像，構成訓練樣本集，求取樣本集協(xié)方差矩陣的特征向量組(或本征矢量集)，并由此確定特征子空間；將待測深度圖像向M個本征矢量方向投影(M為訓練樣本集個數)，得到一個M維的變量統(tǒng)計不相關的特征向量；采用K-近鄰方法確定該特征向量與標定位置的微針圖像特征向量的關系；依據K-近鄰分析結果求取微針深度。為了保證微操作工具在測試窗口內大范圍移動時，依然能準確、快速地提取