生物启发式图像分类算法研究

发布时间：2017-08-12 09:27

  本文关键词：生物启发式图像分类算法研究

  更多相关文章： 目标识别 图像分类 生物启发 HMAX模型 极限学习机

【摘要】：在视觉研究领域,目标识别是一个很热门的研究课题,同时也是很有挑战的任务。然而人类大脑视觉皮层的独特信息处理机制,使其具备快速准确高效的目标识别能力。在过去的数十年中,很多视觉算法的提出,改善了目标识别的性能,但是现在的任何一种算法都未能超越人类大脑。因此,构建能够模拟人类大脑视觉皮层的目标识别机制,或者尽可能与人类视觉相匹敌的人工系统,一直都是具有吸引力但也很困难的目标。设计与构建鲁棒的目标识别算法,将会有益于诸多领域与应用,比如安全监控,机器人导航,医学图像理解等。本文主要围绕目标识别与图像分类算法展开研究。本文既借鉴神经生物学与认知生理学目前的研究成果,又考虑人类大脑的生物学习机制,结合HMAX (Hierarchical Model and X)模型与极限学习机,设计与构建新颖的生物记发式图像分类算法网络。本文的主要研究内容包括：第一,传统视觉与生物视觉中的目标识别问题的研究,以及目标识别与图像分类问题的数学描述与解决方案。目标识别分为两种情况,鉴别与分类。从生理学和计算方面同时考虑目标识别问题的解决方案与策略,并且指出解决目标识别问题的两个重要阶段：构造包含足够多的有效信息的目标图像特征,与选择恰当的分类器对目标图像特征进行分类。这为目标识别与图像分类算法的设计提供总体理论支撑。第二,生物启发式图像分类算法网络的设计与实现。本文设计的生物启发式图像分类算法网络包括五个层级,分别是S1层、C1层、S2层、C2层与H层,即S1-C1-S2-C2-H。其前四个层级主要注重设计与构建特征结构描述,基于灵长类动物的视觉皮层生理学数据构造图像特征数据向量。网络的H层主要关注人类大脑的生物学习机制,通过极限学习机分类器来实现,对图像特征数据向量进行分类。同时,本文尝试将生物启发式特征构建机制与学习机制融合来构建新算法,为深入研究目标识别引入新思路与新视角。第三,生物启发式图像分类算法网络的实验结果与分析。本文选取三个图像数据集,设计了四个组别的图像分类实验,分别是识别准确率验证,参数敏感性分析,混淆矩阵计算,以及隐藏结点比较。通过实验验证与分析,本文提出的图像分类算法网络,具有较好的识别准确率性能以及快速的学习速度,同时也具有潜在的工程应用前景。总而言之,本文提出的生物启发式图像分类算法网络,在模仿人类大脑的识别与学习能力的算法研究上向前迈进了一小步。本文的研究工作在尝试搭建计算机视觉与神经科学之间沟通的桥梁。
【关键词】：目标识别 图像分类 生物启发 HMAX模型 极限学习机
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 致谢5-7
• 摘要7-9
• ABSTRACT9-13
• 第一章 绪论13-23
• 1.1 研究背景与选题意义13-14
• 1.2 相关研究现状与进展14-18
• 1.2.1 传统视觉中的目标识别15-17
• 1.2.2 生物视觉中的目标识别17-18
• 1.3 目标识别与图像分类的难点18-19
• 1.4 本文研究内容与创新点19-21
• 1.4.1 主要研究内容20
• 1.4.2 创新点与贡献20-21
• 1.5 本文章节安排21-23
• 第二章 目标识别与图像分类问题23-35
• 2.1 目标识别的定义23-24
• 2.1.1 认知生理学定义23-24
• 2.1.2 计算机科学定义24
• 2.2 目标识别的生理学基础24-29
• 2.2.1 视觉传导神经通路24-26
• 2.2.2 视觉皮层层次通路26-28
• 2.2.3 目标识别相关的腹侧通路28-29
• 2.3 目标识别问题的数学描述29-32
• 2.4 目标识别问题的解决方案32-34
• 2.5 本章小结34-35
• 第三章 极限学习机及其应用35-51
• 3.1 单隐层前馈神经网络35-40
• 3.1.1 机器学习简介35
• 3.1.2 人工神经网络35-37
• 3.1.3 单隐层前馈神经网络模型37-40
• 3.2 极限学习机算法40-45
• 3.2.1 极限学习机算法原理40-42
• 3.2.2 算法步骤与算法特点42-43
• 3.2.3 极限学习机的特征映射43-45
• 3.3 极限学习机与支持向量机对比45-48
• 3.4 基于极限学习机的分类问题48-50
• 3.4.1 训练样本数量较小的情况48-49
• 3.4.2 训练样本数量较大的情况49-50
• 3.5 本章小结50-51
• 第四章 生物启发式图像分类算法设计51-63
• 4.1 生物启发式图像分类算法设计思想51-53
• 4.2 生物启发式图像分类算法网络计算实现53-59
• 4.3 生物启发式图像分类算法网络流程步骤59-60
• 4.4 生物启发式图像分类算法网络特点分析60-62
• 4.5 本章小结62-63
• 第五章 生物启发式图像分类算法实验与分析63-81
• 5.1 实验数据库与实验环境63-65
• 5.1.1 图像数据集63-64
• 5.1.2 实验仿真环境64-65
• 5.2 实验设置与评价指标65-67
• 5.2.1 模型参数设置65
• 5.2.2 实验参数设置65-66
• 5.2.3 实验测试指标66-67
• 5.3 实验设计与结果67-78
• 5.3.1 识别准确率验证68-70
• 5.3.2 参数敏感性分析70-72
• 5.3.3 混淆矩阵计算72-75
• 5.3.4 隐藏结点比较75-78
• 5.4 实验总结与分析78-79
• 5.5 本章小结79-81
• 第六章 总结与展望81-85
• 6.1 论文总结81-83
• 6.2 研究展望83-85
• 参考文献85-91
• 附录A91-95
• A.1 HMAX模型概述91-92
• A.2 HMAX计算模型92-95
• 作者简介95
• 作者攻读硕士期间完成的科研成果95

【相似文献】

中国期刊全文数据库 前10条

1 奚惠宁;任蕊;;判断有关医学图像专利申请是否为非授权客体[J];电视技术;2013年S2期

2 韩双旺;崔兆顺;李德录;李芙蓉;;基于阈值的彩色目标图像的提取与测量[J];自动化与仪器仪表;2010年03期

3 林静;王薇婕;关丹丹;景军锋;;基于浮雕图像的3D浮雕效果实现[J];微型机与应用;2012年11期

4 李敏洁;魏仲慧;何昕;;基于FPGA的多功能图像目标发生器的设计与实现[J];微计算机信息;2005年25期

5 韩双旺;崔兆顺;鲍丽红;李德录;;基于目标图像的提取与测量[J];上海工程技术大学学报;2007年04期

6 刘进;孙婧;徐正全;顾鑫;;基于目标的图像轻量级加密[J];华中科技大学学报(自然科学版);2011年06期

7 于明;王倩;郭迎春;;一种图像的显著区域提取方法[J];光电工程;2012年08期

8 郭旭平,李在铭;图像目标的可视识别与智能跟踪[J];系统工程与电子技术;1998年08期

9 王成;张剑戈;江旭峰;章鲁;;基于知识的三维核医学图像左心室心肌区的提取[J];中国生物医学工程学报;2007年01期

10 卫颖奇;彭进业;张汉宁;;个性化图像推荐及可视化研究[J];计算机工程;2011年02期

中国重要会议论文全文数据库 前5条

1 张林怡;王运锋;王建国;;分维数在SAR图像海岸线检测中的应用研究[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

2 李吉成;鲁新平;杨卫平;张志龙;高颖慧;沈振康;;图像目标的自动识别和快速筛选技术[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

3 佘二永;;SAR图像目标解译技术分析[A];第九届全国信息获取与处理学术会议论文集Ⅰ[C];2011年

4 赵朝杰;朱虹;黎璐;董敏;袁承兴;;基于内容感知的图像非等比例缩放[A];第十四届全国图象图形学学术会议论文集[C];2008年

5 奚惠宁;;浅谈有关医学图像的专利申请如何判断是否是非授权客体[A];2013年中华全国专利代理人协会年会暨第四届知识产权论坛论文汇编第二部分[C];2013年

中国博士学位论文全文数据库 前10条

1 邓剑勋;多示例图像检索算法研究及在人脸识别中的应用[D];重庆大学;2012年

2 王亮申;图像特征提取及基于内容图像数据库检索理论和方法研究[D];大连理工大学;2002年

3 魏波;点时空约束图像目标跟踪理论与实时实现技术研究[D];电子科技大学;2000年

4 刘俊;基于钼靶图像的计算机辅助乳腺癌检测系统中关键技术研究[D];武汉科技大学;2012年

5 付华柱;图像协同关联性约束的研究与应用[D];天津大学;2013年

6 廖宜涛;基于图像与光谱信息的猪肉品质在线无损检测研究[D];浙江大学;2011年

7 陈海林;基于判别学习的图像目标分类研究[D];中国科学技术大学;2009年

8 王洪元;图像动态分析中的若干智能化方法研究[D];南京理工大学;2004年

9 徐丽;面向图像标记的条件随机场模型研究[D];长安大学;2013年

10 江志伟;基于内容的WEB图像过滤技术研究[D];浙江大学;2007年

中国硕士学位论文全文数据库 前10条

1 徐衍鲁;基于改进的K-means和层次聚类方法的词袋模型研究[D];上海师范大学;2015年

2 甘洪涌;SAR图像自动目标识别算法研究[D];哈尔滨理工大学;2014年

3 张玉营;基于认知理论的高分辨率PolSAR图像目标解译算法研究[D];哈尔滨工业大学;2015年

4 王帅;视频中扇贝图像的检测与定位研究[D];大连海洋大学;2015年

5 李伟;改进的主颜色提取方法及自适应权重图像检索算法研究[D];华中师范大学;2015年

6 李星云;码垛机器人视觉控制关键技术的研究[D];西南科技大学;2015年

7 梁，

本文编号：660896