摘 要

基于生物视觉感知，实现计算机对图像场景的识别。通过研究人的视觉系统，模拟人的视觉感知能力，解决复杂背景环境下的图像识别和理解时遇到的难题。目标是实现场景分类，对场景特征实现准确有效的提取，把图形场景分到有语义的场景分类中。场景识别技术可以运用于很多领域，例如图像分析、图像检索、生物医学等方面。场景识别具有重要的研究意义，但是在理论和技术方面都存在一些不足，因此一大批卓越的国内外研究者给予了广泛的关注。本文主要介绍了生物视觉系统，图像特征以及集中经典特征提取算法。

本文首先详细介绍了人类视觉的产生以及视觉感知系统，包括注意力选择机制和显著性检测模型的原理。了解了生物视觉系统的结构和功能之后，本文重点介绍了图像的底层特征，通过列举两个预处理步骤，体现了图像预处理的重要性。

然后本文列举了几种图像场景特征提取算法，重点阐述了Itti模型的实现思想，比较了几种算法的效果。最后，提出了一种改进算法，并用Matlab实现了仿真。

关键词：生物视觉感知；注意机制；特征提取；显著性区域

Abstract

Realize the recognition of image scenes by computer based on biological visual perception. By studying the human visual system to simulate human visual perception, to solve problems encountered in image recognition and understanding of complex background environment. The goal is to achieve scene classification, to achieve accurate and effective extraction of scene features, and to divide the graphic scene into semantic scene classification. Scene recognition technology can be used in many fields, such as image analysis, image retrieval, biomedicine, etc. Scene recognition has important research significance, but there are some deficiencies in theory and technology, so a large number of outstanding domestic and foreign researchers have given extensive attention. This article mainly introduces the biological vision system, image features and centralized classical feature extraction algorithms.

This article first introduced in detail the generation of human vision and visual perception systems, including the attention selection mechanism and the principle of saliency detection model. After understanding the structure and function of the bio-vision system, this article focuses on the underlying features of the image. By enumerating two preprocessing steps, the importance of image preprocessing is reflected.

Then this paper enumerates several image scene feature extraction algorithms, focuses on the implementation of Itti model and compares the effects of several algorithms. Finally, an improved algorithm is proposed and simulated using Matlab.

Key Words：Bio-visual perception; Attention mechanism; Feature Extraction; Saliency Area

目 录

第1章 绪论 1

1.1研究的背景及意义 1

1.2国内外研究现状和趋势 1

1.3 研究的内容和方法 2

1.4 论文的结构及章节安排 2

第2章 生物视觉感知系统 4

2.1 生物视觉感知系统 4

2.1.1视觉的产生及人眼的结构 4

2.1.2视觉感受野 6

2.2 生物视觉感知的机制 6

2.3 视觉注意机制模型 7

2.3.1基于空域方法的视觉注意力选择模型 7

2.3.2几种模型的优缺点比较 8

2.4 本章小结 8

第三章 图像特征与图像预处理分析 9

3.1 图像特征 9

3.1.1自然图像的颜色特征 9

3.1.2自然图像的纹理特征 10

3.1.3自然图像的形状特征 10

3.1.4自然图像的空间关系特征 11

3.2 图像预处理 11

3.2.1 图像的滤波处理 11

3.2.2 图像的增强处理 13

3.3 本章小结 14

第4章 图像的场景特征提取 15

4.1 显著图提取算法 15

4.2 Itti算法的流程 16

4.3经典算法的效果分析和比较 18

4.4对Itti算法的改进 19

4.5 本章小结 20

第5章 总结 21

参考文献 22

第1章 绪论

现如今，传感技术和多媒体技术均处于迅猛发展的时期，使得计算机能够代替人眼完成海量图像信息的处理，并广泛应用到人们的生活当中。模拟生物视觉感知系统对场景特征进行提取，可以应用于图像检索、生物医学、人工智能等多个领域。

1.1研究的背景及意义

根据生物视觉感知系统的特征来建立图像识别及场景感知系统，对场景特征实现准确有效的提取。在今天这个数字信息化时代，随着传感技术和多媒体技术的成熟，图像信息在很多领域都有着重要的作用。然而光靠人眼无法处理海量的图像信息，也无法满足图像信息的广泛应用，因此，用机器代替人眼对图像进行感知和判断就显得尤为重要。对于复杂背景环境下图像场景理解及分类，模拟生物视觉感知对图像特征进行提取相对于传统方法具有优越性，即准确度高、运算速度快等，将成为利用图像信息的有力工具。

1.2国内外研究现状和趋势

目前，基于生物视觉的场景特征提取技术还不成熟，在理论和技术方面都存在一定的问题，目前还无法实际应用，机器视觉的感知水平不高，并且还远远落后于人类视觉。国内外研究者致力于提高机器感知的水平，让机器能够更相似于人类视觉，具备高效的目标检测与识别能力。计算机视觉有重要的研究意义，应用前景也十分广阔，很多学者激发了探索人类视觉感知系统和感知机制的兴趣。近年来，有很多图像目标检测与识别算法被提出，取得有一定的成效，计算机视觉感知的水平提高了很多，但是能比得上人类视觉系统的计算机视觉感知系统还没有被设计出来。

基于生物视觉机制的场景特征提取主要从五个方面展开研究，这五个方面分别是视觉显著性检测、图像预处理分析、显著区域监测与分类、局部特征提取及分类算法，国内外研究者在这些方面都有了一定的成果。视觉显著性检测中的的关键是视觉注意力选择机制，机制的第一个模型为1980年Treisman和Gelade提出的特征整合理论（FIT），该理论是用于解释视觉注意的，并且为以后提出的计算模型提供了思路和基础。之后提出的计算机模型大概可以分为两类，第一类是基于特征空间分布的模型，第二类是基于图像频域能量分析方法的模型，这两类模型是以FIT理论为框架，基于刺激信号驱动，是自底向上的机制，该机构的多尺度分析能力较强，能够适应不同的环境和任务。图像预处理中的图像增强技术是基于颜色恒常理论的，颜色恒常理论的发展从1971年EdwinLand提出的视网膜皮层理论开始，之后是在1986年提出的基于中心环绕的Retinex算法，具有计算简单和无需人工干预等优点，2003年Kimmel等人提出了一种优化的变分框架下的Retinex算法，使图像增强的效果有了提升[^[1]][^[2]]。区域分割的关键是能否快速而准确地找到场景中的代表性区域，可以大概分成有监督学习和无监督学习两种类型，无监督学习是以注意力选择机制为基础，有监督的学习更多的应用于室外场景识别和分析，例如显著建筑物检测有利于实现室外场景分类。近几年，场景识别与分类应用一种局部不变量描述符的方法。区域分割和局部不变特征在场景特征提取过程中，有着很大的作用，表现出很好的特征，所以吸引力很多研究者的关注，通过对两者的研究，更好的实现对生物视觉感知系统的模拟，进而有利于场景的分类识别。

1.3 研究的内容和方法

通过研究人的视觉感知系统，包括注意力选择机制和显著性检测模型的原理，模拟人的视觉感知能力，设计一种基于生物视觉感知的图像场景特征提取算法，用于解决复杂背景环境下的图像识别和理解时遇到的难题，目标是实现场景特征提取和分类，把图形场景进行分类，分到有语义的场景中，本次毕业设计通过改进Itti算法，包含多特征融合、单元最小化区域生长和分块矩形直方图组合等步骤，实现了场景特征的提取。采用图像的底层特征中亮度、颜色和方向作为场景特征，并且利用视觉注意模型，融合三个场景特征显著图，得到多特征融合显著图，然后分割显著图产生显著区域，这里采用的是单元最小化区域生长方法，可以极大的节约运算时间，每个显著区域都是矩形，储存的时候为最小矩形外接框的形式，这样方便提取显著区域的特征。

1.4 论文的结构及章节安排

本文研究了一种基于生物视觉的场景提取算法，通过模拟生物视觉感知系统，实现计算机对图像场景的理解和识别，对几种经典的算法进行了分析，通过Matlab实现，并进行了仿真效果的比较。