25、生物启发的计算视觉与图像质量评估及目标检测技术

生物启发的计算视觉与图像质量评估及目标检测技术

生物启发计算视觉模型

SC 类神经元输出的表示

基于 SC 类神经元的输出，我们利用这些神经元所代表的线性线段重建了一些图片。对于 SC 类神经元的每个有效输出，我们使用一个拉长的高斯函数来表示一个线性线段，这些高斯函数就像是重建图片的基本构建块。值得注意的是，虽然重建结果看起来像是经过边缘检测滤波器处理的，但实际上它们是由许多线性线段组成的。与像素相比，这些线段在至少两个方面具有更强的可控性：一是线段的数量比普通图片中的像素数量少得多；二是重建的图片可以任意缩放。从结果中可以看出，简化的计算视觉模型基本保留了输入图片的方向信息。

三层计算视觉模型

基于一些生物学事实，我们设计了一个三层计算视觉模型来表示方向信息，并尝试在 SC 类神经元层面重建原始图片。这种表示方法与一些局部描述符（如 SIFT、SURF 或 HoG 等检测梯度方向信息的描述符）有着根本的不同。首先，由于采用了与像素无关的采样策略，它不依赖于输入图片的分辨率；其次，它为进一步的语义处理提供了一个更具可控性的接口。

未来，我们希望进一步优化这个模型，以分析其最佳效率。例如，引入受生物特征启发的空间可变采样，并定量分析其在减少冗余方面的优势。此外，我们还希望与生物结构进行比较，以得出更有价值的结论。在未来的工作中，我们需要考虑更多参数，以找出计算视觉模型的最佳折衷方案，这些参数还涉及并行颜色通道和非线性神经节细胞响应函数等。

基于遗传算法的支持向量机在图像质量评估中的应用

图像质量评估概述

图像质量评估是设计成像系统和评估其性能的重要课题。在过去很长一段