基于生物视觉稀疏编码特性和显著性特征的多尺度几何分析纹理模型研究

There are a few issues in both low precision and worse robustness of the current texture models, and also it is pressing demand for a more efficient method of edge detection and feature extraction in practical applications，therefore in order to solve the problems, this project mainly study contents and targets are described briefly below. (1) Study a new type of circular basis function to implementing the multiscale and directional decomposition through overcome the drawback of rectangular basis function of Contourlet transform；(2) the pulse coupled neural network (PCNN) associate with the visual saliency using region covariances (VCR), thereby study a new model PCNN-VCR with biological vision sparse coding characteristics and multi-scale saliency feature, consequently construct a new multiscale geometric analysis method called Circularlet transform with visual perception; (3) Through a cascade of the Steerable and circular basis function to construct the two kind of dictionary of atoms, according to the PCNN-CVR model to study a new dictionary with two kinds basis functions above called Circularlet redundant dictionary with visual perception, and also study optimization model and solutions of the Circularlet redundant dictionary; (4) study an HMM/PCNN model of texture data, and a multivariate space fusion method based on the multiscale geometric analysis, statistical analysis and artificial neural network (ANN) , finally we present a new texture model of multivariate space fusion using Circularlet redundant dictionary and HMM/PCNN hybrid model that can provide a new theory and method for image analysis and understanding.

针对现有的纹理模型精度低、鲁棒性差，以及边缘检测和特征提取效率低等具体问题和实际应用中的迫切需求，为此，本项目主要：针对轮廓波变换长条形基函数的不足研究新型多尺度方向分解的圆弧形基函数；结合脉冲耦合神经网络PCNN和区域协方差视觉显著性VCR模型，研究生物视觉稀疏编码特性和多尺度方向显著性特征PCNN-VCR模型，构建一种具有视觉感知特性的新型多尺度几何分析方法-Circularlet变换；联合Steerable和圆弧形基函数构造Circularlet原子库，基于PCNN-VCR模型研究一种具有视觉感知特性的新型字典-Circularlet冗余字典及其优化求解方法；研究纹理数据的HMM/PCNN模型，实现纹理的多尺度几何分析、统计分析和人工神经网络的多元空间融合，最终构建一种新型的基于Circularlet冗余字典和HMM/PCNN的多元空间融合纹理模型，为图像分析与理解提供新理论新方法。

纹理是人类识别物体的重要特征，它为图像中目标表达提供丰富的信息。纹理模型是图像处理、计算机视觉和模式识别等领域的重要研究内容和基础性问题，是边缘检测、特征提取和图像检索等研究的重要前提。. 本项目的主要研究内容包括：新型多尺度几何分析理论、人类大脑视皮层的稀疏编码机理和视觉选择性注意机制，最后构建基于生物视觉稀疏编码特性和显著性特征的多尺度几何分析纹理模型。.本项目的重要结果和关键数据如下：.（1）重要发现：多尺度几何分析理论中的Laplacian金字塔变换，在频域多尺度分解时一直保持π/2的整数倍分解，在进行纹理图像表示时存在一定的缺陷。因为纹理图像的高频区域有可能并不在频域π/2的整数倍分解频带上，而是处于频域π/2的整数倍分解频带之间。为此，本课题组利用伪极坐标傅里叶变换提出了一种自适应任意分辨率的Laplacian变换，使得频域多尺度分解与纹理图像空域的高低频分布保持一致，这样构建的新型多尺度几何分析方法，其纹理图像表示模型性能优于近年来最具代表性的NSST算法，PSNR高出0.24-0.95dB，SSIM高出0.0009-0.0427..（2）重要发现：多尺度几何分析理论中的方向滤波组，其基函数为长条形，最终将用一条直线逼近图像边缘，而且不考虑这条直线的宽度。但是，采用直线去逼近图像边缘是存在误差的，因为图像边缘大多数情况下不为直线而是曲线，同时这条曲线也是有宽度的。为此，本课题组提出了一种具有灵活圆弧型基函数的新型多尺度几何分析方法-CFCT（即Circularlet）。在与最近开发的多尺度几何分析方法-RippletI和PDTDFB相比，其去噪性能PSNR高出1.00-3.98dB，SSIM高出0.0151-0.5003。.科学意义：人类大脑视皮层神经系统的信息处理机制的研究，是近年来脑科学、神经科学和信息科学交叉研究的一个热点和难点问题。为此，本课题组基于调和分析的最新研究成果-多尺度几何分析理论，隐马尔可夫模型，脉冲耦合神经网络，以及伪极坐标傅里叶变换，针对人类视觉稀疏编码特性和视觉选择性注意机制，本课题组给出了三种数学模型即CFCT、NSACT和Contourlet-HMM/PCNN模型，并在纹理图像去噪、纹理图像识别和纹理图像压缩仿真实验中显示出良好性能。