一種模擬視覺機制的圖像分割模型

1、 1期 杜馨瑜， 等： 一種模擬視覺機制的圖像分割模型 37 于原圖像 平 坦 區(qū) 域 的 部 分， 以 及 去 除 孤 立 干 擾 點， 這要求我 們 傾 向 于 保 留 原 圖 像 中 能 量 相 對 集 中 的 低頻和中頻成分進(jìn)行分類， 因此略去高頻 系 數(shù) HH ， 讓水平分量系數(shù)和 垂 直 分 量 系 數(shù) 相 等 （ LH = HL = 1. 0 ） ， 而低頻 系 數(shù) LL 的 大 小 取 決 于 圖 像 整 體 背 景 與分割目 標(biāo) 在 分 割 過 程 中 的 交 互 作 用 對 最 終 分 割 效果的影 響 。 低 頻 系 數(shù) LL 過 小， 使應(yīng)該提取的部 會使目標(biāo) 分目標(biāo)誤

2、分為背景， 若 低 頻 系 數(shù) LL 過 大， 提取過度， 把一部 分 背 景 誤 分 為 目 標(biāo) 。 按 經(jīng) 驗 設(shè) 置 結(jié)果要對應(yīng)于 LL = 0. 5 。 在 圖 像 邊 緣 提 取 實 驗 中， 原圖像 的 邊 緣 區(qū) 域， 理所當(dāng)然在參數(shù)設(shè)置中設(shè)置 LL = 0. 視覺系統(tǒng) 與視覺系統(tǒng)的等 級 層 次 性 相 對 應(yīng) 。 首 先， 是由各層次 的 處 理 單 元 所 組 成， 如 視 網(wǎng) 膜、 初級視 高級視皮層 等 。 并 且 各 層 之 間 都 具 有 自 底 向 皮層 、 上和自頂向下 的 雙 向 連 接 。 體 現(xiàn) 在 所 提 出 的 W3M 模型中， 可以看到模 型 每 一

3、 層 都 由 代 表 層 感 受 野 的 許多節(jié)點所組成， 并且所有的節(jié)點都相互連接。且 每一層節(jié)點 所 影 響 的 范 圍 （ 代 表 該 層 感 受 野 ） 的 大 小隨著金字塔結(jié)構(gòu) 自 底 向 上 逐 層 增 大， 這也與視覺 系統(tǒng)中的感受野層次越高， 影響范圍越大相對應(yīng) 。 視知覺 從 哪 里 來 是 一 個 本 源 性 問 題 。 一 種 解 釋是直接來 源 于 神 經(jīng) 生 理 學(xué) 的 神 經(jīng) 還 原 論29 。 該 理論認(rèn)為 可 以 用 作 為 特 征 檢 測 器 的 濾 波 器 組 模 擬 感受野， 對 輸 入 圖 像 信 息 進(jìn) 行 逐 級 提 取， 并拋棄冗 余信息30 。

4、本模型采用小波作為特征檢測器， 并且 在金字塔模型中 用 參 數(shù) n 自 底 向 上 逐 級 競 爭 提 取 信息的思想與上述理論是相符合的 。 另一 種 解 釋 是 格 式 塔 理 論 的 知 覺 組 織 原 則 。 該理論強 調(diào) 整 體 知 覺 組 織 原 則 在 視 知 覺 中 的 重 要 性 。 MRF 通過勢團(tuán)內(nèi)的局部連接性（ 馬爾柯夫 性） ， 以及實際 計 算 中 采 用 的 等 價 吉 布 斯 隨 機 場 全 局 勢 函數(shù)表現(xiàn)出的圖像 全 局 性， 表現(xiàn)出視覺系統(tǒng)所具有 的格式塔特 性 。 MRF 與 格 式 塔 心 理 學(xué) 之 間 的 關(guān) 系 也已由 Zhu 等 建 立 的

5、相 關(guān) 數(shù) 學(xué) 理 論 所 描 述31 。 本 研究模型在不同的尺度 下 形 成 MRF ， 建立層與層之 間因果關(guān)系， 用參數(shù) n 表示視覺神經(jīng)系統(tǒng)自頂向下 的反饋連接特性， 體現(xiàn)了具有更多全局信息的父節(jié) 點對表現(xiàn)更多局部 特 征 的 子 節(jié) 點 的 控 制， 符合格式 塔學(xué)派強調(diào)整體的觀點 。 另外， 金字塔各 層 之 間 的 側(cè) 向 連 接 性 提 供 了 一 一經(jīng)初始設(shè)定， 種自學(xué)習(xí)機制20 。 正如參數(shù) n ， n ， 在本模型的算法中 自 動 改 變 不 需 人 為 干 預(yù)， 體現(xiàn)了 一種自學(xué)習(xí)特性 。 3 討論 本研究提出一個 新 的 圖 像 處 理 模 型 W3M 以 模 雙

6、向 連 接 性、 擬人類某些視覺 機 制， 如 等 級 層 次 性、 特征檢測 器 和 學(xué) 習(xí) 機 制 。 把 上 述 機 制 整 合 到 一 個 統(tǒng)一的框架內(nèi)， 所提 出 的 模 型 可 以 通 過 選 擇 不 同 的 參數(shù)來完 成 不 同 的 圖 像 分 割 任 務(wù) 。 將 模 型 與 人 類 并作簡要的討論 。 視覺機制的關(guān)系總結(jié)成表 1 ， 表1 Tab 1 W3M 視覺機制 特征檢測器 等級層次性 雙向連接性 格式塔準(zhǔn)則 自學(xué)習(xí)機制 W3 M 模型 小波變換 金字塔結(jié)構(gòu) n （ 自底向上） ， n （ 自頂向下） MRF 迭代過程 算法流程 2， 3 4， 5 4， 5 4， 5 4

7、， 5， 6 視覺機制與 W3M 模型的關(guān)系 The relationship between visiual mechanism and 如 引 言 中 所 述， 視皮層細(xì)胞感受野具有局部 方 向 性 和 帶 通 濾 波 性， 可以用小波變換來描 性、 述14 。 另外， 視覺系統(tǒng)采用冗余壓縮的方式來記錄 表示外部刺激， 從而 對 感 知 到 的 信 息 提 供 了 一 種 稀 疏的表示26 ， 而小波變換恰恰也是一種信號稀疏表 示的工具27 28 。 本研究中， 小波變換用作特征檢測 器對圖像進(jìn)行稀疏 表 示， 不同的小波系數(shù)組合可以 完成不同的圖像分 割 任 務(wù)， 即 式 （ 6 ） 所

8、 示， 參數(shù) = LL 、 HL 、 LH 、 HH由 不 同 的 任 務(wù) 所 決 定 。 根 據(jù) 小波不同頻段分解 所 代 表 的 意 義， 對于圖像區(qū)域分 割， 一般保留低頻系數(shù) LL 以及中頻系數(shù) HL 和 LH ， 設(shè)置 高 頻 系 數(shù) HH = 0 ； 對 于 邊 緣 檢 測 而 言， 一般設(shè) 置低頻系數(shù) LL = 0 ， 保留其余系數(shù) 。 以金字 塔 結(jié) 構(gòu) 為 基 礎(chǔ) 的 多 尺 度 信 息 處 理 思 想 4 結(jié)論 本研究提出的 W3M 模 型 在 一 定 程 度 上 模 擬 了 視覺機制， 通過不同 的 參 數(shù) 設(shè) 置 完 成 不 同 的 圖 像 分 割任務(wù)， 展示了在生物醫(yī)

9、學(xué)圖像處理中的應(yīng)用潛 將會用本模型對能夠采集到的 力 。 在后續(xù)研究中， 更多類型的真實生 物 醫(yī) 學(xué) 圖 像 進(jìn) 行 測 評； 另 外 將 采 用更為先進(jìn)的技術(shù)手段增加模型的運算速度 。 參考文獻(xiàn) 1 2 徐科 神經(jīng)生物學(xué)綱要 M 北京： 科學(xué)出版社 2005 ： 209 Shapiro LG ，Stoc km an GC 計 算 機 視 覺 M 北 京： 機 械 工 2005 ： 115 業(yè)出版社， 38 3 4 中 國 生 物 醫(yī) 學(xué) 工 程 學(xué) 報 31 卷 邱芳土， 李 朝 義 同 心 圓 感 受 野 去 抑 制 特 性 的 數(shù) 學(xué) 模 擬 J 生物物理學(xué)報，1995 ，11 （ 2

10、 ） ： 214 220 Ghosh K ，Sarkar S ，Bhaumik K Understanding image structure from a new multi-scale representation of higher order derivative 2007 ， 25 （ 8 ） ： 1228 1238 filters J Image Vision Comput ， 18 劉 國英，茅力非，王雷光，等 基于小波域分層 Markov 模型 的紋理分割 J 武 漢 大 學(xué) 學(xué) 報 （ 信 息 科 學(xué) 版 ） ，2009 ，34 （ 5 ） ： 531 534 19 李旭超，

11、朱善安，朱 勝 利 基 于 小 波 域 層 次 Markov 模 型 的 圖像分割 J 中 國 圖 象 圖 形 學(xué) 報，2007 ，12 （ 2 ） ： 308 314 5 Kayser C ， Einhauser W ， Kongig P Processing of complex stimuli and nature scenes in the visual cortex J Current Opinion in Neurobiol ，2004 ，14 （ 4 ） ： 468 473 20 George D ， Hawkins J A hierarchical Bayesian model

12、 of invariant pattern recognition in the visual cortex C / / Prokhorov DV ，eds 2005 IEEE International Joint Conference on Neural Networks （ IJCNN 05 ） Piscataway ： IEEE Press ， 2005 ： 1812 1817 21 22 Lee TS ， Mumford D Hierarchical bayesian inference in the visual cortex J J Opt Soc Am ，2003 ，20 （

13、7 ） ： 1434 1448 Serre T ， Wolf L Robust object recognition with cortex-like mechanisms J IEEE Trans Pattern Anal Mach Intell ，2007 ， 29 （ 3 ） ： 411 426 23 Dean T A computational model of the cerebral cortex C / / Veloso M ， Kambhampati S ， eds Proceedings of Twentieth National Conference on Artifici

14、al Intelligence （ AAAI 05 ） Menlo Park ： AAAI Press ，2005 ： 938 943 24 Bouman C ，Shapiro M A Multiscale Random Field Model for Bayesian Image Segmentation J IEEE Trans Image Process ， 1994 ，3 （ 2 ） ： 162 177 25 26 27 尼克爾斯 等著， 楊雄里，等譯 神經(jīng)生物學(xué) 從神經(jīng)元 到 腦（ 第 4 版） M 北京： 科學(xué)出版社，2009 ： 499 519 Attneave F Some i

15、nformational aspects of visual perception J Psychol Revnt ，1954 ，61 ： 183 ! 193 Bronstein A ，Bronstein M Sparse ICA for blind separation of transmitted and reflected images J Int J Imag Syst Tech ， 2005 ，15 （ 1 ） ： 84 ! 91 28 29 Olshausen B ，F(xiàn)ield D Sparse coding of sensory input J Curr Opin Neurobi

16、ol ，2004 ，14 （ 4 ） ： 481 ! 487 Barlow HB Single units and sensation ： a neuron doctrine for perceptual psychology？ J Perception ，1972 ，1 （ 4 ） ： 371 394 30 Daugman J Complete discrete 2 -D Gabor transform by neural networks for image analysis and compression J IEEE Trans Acoust ，Speech ，Signal Proce

17、ss ，1988 ， 36 （ 7 ） ： 1169 1179 31 Zhu SC ，Wu YN From local features to global perception A perspective of Gestalt psychology from Markov random field theory J Neurocomputing ，1999 ，26 27 （ 6 ） ： 939 945. 6 Kayser C ， Einhauser W ， Kongig P Responses to Natural Secenes in Cat V1 J J Neurophysiol ， 2

18、003 ， 90 （ 3 ） ： 1910 1920 7 Munder S ， Gavrila DM An experimental study on pedestrian classification J IEEE Trans Pattern Anal Mach Intell ， 2006 ， 28 （ 11 ） ： 1863 1868 8 Wohler C ， Anlauf JK An adaptable time-delay eural-network algorithm for image sequence analysis J IEEE Trans Neural Networ ，19

19、99 ，10 （ 6 ） ： 1531 1536 9 Perez CA ， Salinas CA ， etc Genetic design of biologically inspired receptive fields for neural pattern recognition J IEEE Trans Syst Man Cy B ，2003 ，33 （ 2 ） ： 258 270 10 Bell AJ ， Sejnowski TJ The “ independent components ” of natural scenes are edge filters J Vision Res ， 1997 ， 37 （ 23 ） ： 3327 3338 11 Olshausen BA ，F(xiàn)ield DJ Sparse coding with an overcomplete basis set ： A strategy employed by V1？ J Vision Res ，1997 ， 37 （ 23 ） ： 3311 3325 12 13 朱舜山，齊翔 林，汪 云 九 基 于 視 覺 編 碼 的 圖 像 處 理 研 究 J 生物物理學(xué)報，1996 ，12 （ 2 ） ： 297 309 Grigorescu C ， Petk