基于初级视觉系统原理的边缘检测方法

在现今的图像处理与计算机视觉的基本问题之中,边缘检测占据着极大的地位或者可以说起着极其重要的作用,其对数字图像之中亮度变化的标识作用十分的明显。其中对于深度上、表面方向的不连续、物质属性以及场景照明的变化的标识和处理都起着至关重要的基础性作用,其方法也是多种多样的。通常情况下都是基于搜索和零交叉的方式,通过计算阶段导数的计算,以确定所要检测的阈值。近年来随着检测方法的更新与变革,越来越多的处理需要与视觉上的感知、认知相结合来解决多种复杂的、简单的相关问题。检测中对位置、形状、颜色、运动以及亮度等特性基于视觉系统的认知原理也拥有了相对较高的要求。本文通过对初级视觉原理在边缘检测方法相结合以及应用做了简单的阐述,并验证了其可行性。

基于局部特征的非负稀疏编码神经网络模型

在非负稀疏编码(NNSC)的基础上,考虑特征基向量的稀疏度约束和特征基的局部性,提出一种基于局部特征的NNSC神经网络模型。该模型利用梯度和倍增因子相结合的优化算法实现特征系数的学习;利用倍增算法实现特征基的学习。对掌纹图像进行特征提取测试,结果表明,与传统NNSC模型和局部非负矩阵分解(LNMF)方法相比,该模型能有效提取图像的局部特征,收敛速度较快,可模拟初级视觉系统处理自然界信息的稀疏编码策略。