基于仿生視覺(jué)的圖像處理方法及應(yīng)用

第1章  緒論 1
1．1  圖像視覺(jué)屬性濾波方法的研究現(xiàn)狀 2
1．1．1  基礎(chǔ)形態(tài)學(xué)濾波器 2
1．1．2  廣義形態(tài)學(xué)濾波器 3
1．1．3  Max-tree視覺(jué)屬性濾波器 4
1．1．4  連通濾波方法的研究現(xiàn)狀 5
1．2  車(chē)道線(xiàn)與車(chē)輛檢測(cè)方法的研究現(xiàn)狀 6
1．2．1  車(chē)道線(xiàn)檢測(cè)方法的研究現(xiàn)狀 6
1．2．2  車(chē)輛檢測(cè)方法的研究現(xiàn)狀 6
1．3  掌紋圖像識(shí)別方法的研究現(xiàn)狀 8
1．4  仿生視覺(jué)算法的研究現(xiàn)狀 9
1．5  本書(shū)章節(jié)安排 11
第2章  基于Max-tree的圖像視覺(jué)屬性濾波方法 13
2．1  Max-tree的濾波規(guī)則 13
2．1．1  最小規(guī)則 14
2．1．2  直接規(guī)則 16
2．1．3  最大規(guī)則 17
2．1．4  減法規(guī)則 19
2．2  圖像復(fù)原 20
2．2．1  最小規(guī)則復(fù)原 20
2．2．2  直接規(guī)則復(fù)原 22
2．2．3  最大規(guī)則復(fù)原 23
2．2．4  減法規(guī)則復(fù)原 23
2．3  二值圖像面積屬性濾波 23
2．4  灰度圖像屬性濾波 27
2．4．1  面積濾波 29
2．4．2  灰度值濾波 33
2．4．3  最小包圍矩形濾波 37
2．5  濾波器性能比較 40
2．6  本章小結(jié) 41
第3章  基于多變量視覺(jué)屬性分類(lèi)的圖像濾波方法 43
3．1  Max-tree構(gòu)造與濾波規(guī)則 43
3．2  基于多變量屬性分類(lèi)規(guī)則的連通濾波算法 44
3．2．1  基于多變量屬性的Max-tree構(gòu)造 44
3．2．2  基于SVM的Max-tree節(jié)點(diǎn)屬性分類(lèi)算法 46
3．3  實(shí)驗(yàn)與分析 47
3．3．1  Max-tree的不同枝剪規(guī)則的性能比較 47
3．3．2  不同濾波方法的性能比較 49
3．3．3  多變量屬性分類(lèi)規(guī)則在掌紋與掌脈圖像分割中的應(yīng)用 51
3．4  本章小結(jié) 54
第4章  基于邊緣與線(xiàn)條視覺(jué)信息的車(chē)道線(xiàn)檢測(cè)方法 55
4．1  圖像預(yù)處理 55
4．1．1  攝像頭相關(guān)參數(shù) 55
4．1．2  系統(tǒng)參數(shù)設(shè)置 56
4．2  邊緣提取與直線(xiàn)檢測(cè) 59
4．2．1  邊緣提取設(shè)計(jì) 59
4．2．2  直線(xiàn)檢測(cè)設(shè)計(jì) 61
4．3  車(chē)道線(xiàn)檢測(cè)方案設(shè)計(jì) 61
4．3．1  車(chē)道線(xiàn)模型設(shè)計(jì) 62
4．3．2  車(chē)道線(xiàn)候選對(duì)象的篩選 62
4．3．3  樣條曲線(xiàn)擬合 63
4．3．4  重建車(chē)道區(qū)域 64
4．3．5  更新區(qū)域 65
4．4  系統(tǒng)總體設(shè)計(jì) 66
4．4．1  OpenCV簡(jiǎn)介 66
4．4．2  系統(tǒng)的流程設(shè)計(jì) 67
4．5  實(shí)驗(yàn)結(jié)果與分析 67
4．5．1  分步結(jié)果分析 68
4．5．2  結(jié)果分析 69
4．6  本章小結(jié) 72
第5章  基于HMAX仿生視覺(jué)模型的車(chē)輛檢測(cè)方法 73
5．1  標(biāo)準(zhǔn)模型和HMAX模型 73
5．1．1  標(biāo)準(zhǔn)模型 73
5．1．2  HMAX模型 75
5．2  HMAX模型的層次結(jié)構(gòu) 75
5．2．1  HMAX模型概述 75
5．2．2  HMAX模型的結(jié)構(gòu) 76
5．2．3  HMAX模型的特點(diǎn) 77
5．2．4  HMAX模型存在的問(wèn)題 77
5．2．5  HMAX模型分析 78
5．3  實(shí)驗(yàn)過(guò)程 79
5．3．1  實(shí)驗(yàn)環(huán)境構(gòu)建 79
5．3．2  對(duì)自然場(chǎng)景下的圖像進(jìn)行特征提取 81
5．3．3  對(duì)簡(jiǎn)單場(chǎng)景下的車(chē)輛進(jìn)行特征提取 82
5．4  實(shí)驗(yàn)結(jié)果與分析 83
5．5  本章小結(jié) 85
第6章  基于仿生視覺(jué)感知的交通標(biāo)志牌檢測(cè)方法 86
6．1  生物啟發(fā)變換的RST不變屬性特征提取框架 86
6．2  基于filter-filter結(jié)構(gòu)的方向邊緣檢測(cè)方法 87
6．2．1  Gabor函數(shù)的圖像濾波 88
6．2．2  融合雙極濾波器與Gabor濾波器的方向邊緣檢測(cè)方法 88
6．3  空間的間距檢測(cè) 90
6．4  仿真實(shí)驗(yàn)與分析 92
6．4．1  RST不變屬性特征提取的有效性分析 93
6．4．2  RST不變屬性特征提取方法的性能比較分析 95
6．4．3  過(guò)程參數(shù)的選取分析 100
6．5  提出的方法在交通標(biāo)志牌識(shí)別中的應(yīng)用 102
6．6  本章小結(jié) 105
第7章  基于生物啟發(fā)變換的掌紋識(shí)別 106
7．1  BIT特征提取框架 106
7．2  相關(guān)的基礎(chǔ)理論 107
7．2．1  Gabor濾波器池 107
7．2．2  基于相位一致性的方向邊緣檢測(cè) 108
7．3  提出的方法 109
7．3．1  方向邊緣檢測(cè) 109
7．3．2  局部空間頻率檢測(cè) 111
7．4  掌紋匹配方法 113
7．5  實(shí)驗(yàn)結(jié)果與分析 113
7．5．1  掌紋數(shù)據(jù)庫(kù)和實(shí)驗(yàn)環(huán)境 113
7．5．2  有效性分析 115
7．5．3  掌紋驗(yàn)證 118
7．5．4  掌紋識(shí)別 122
7．6  本章小結(jié) 124
第8章  基于雙生物啟發(fā)變換網(wǎng)絡(luò)的魯棒掌紋圖像識(shí)別 125
8．1  雙生物啟發(fā)變換網(wǎng)絡(luò)框架 125
8．2  提出的方法 127
8．2．1  視覺(jué)信息處理機(jī)制 127
8．2．2  Gabor濾波器組 129
8．2．3  基于相位一致性的邊緣檢測(cè)算法 129
8．2．4  用于方向邊緣檢測(cè)的雙極濾波器 129
8．2．5  局部空間頻率雙檢測(cè)算子 131
8．3  掌紋匹配算法 136
8．4  實(shí)驗(yàn)結(jié)果與分析 137
8．4．1  掌紋數(shù)據(jù)庫(kù)和實(shí)驗(yàn)環(huán)境 137
8．4．2  特征不變性和選擇性分析 139
8．4．3  掌紋驗(yàn)證 141
8．4．4  掌紋辨識(shí) 144
8．5  本章小結(jié) 145
第9章  總結(jié)與展望 146
9．1  多視覺(jué)屬性的圖像形態(tài)濾波方法總結(jié)與展望 146
9．2  車(chē)道線(xiàn)與車(chē)輛檢測(cè)方法總結(jié)與展望 147
9．3  車(chē)輛與車(chē)道線(xiàn)的仿生檢測(cè)方法總結(jié)與展望 148
參考文獻(xiàn) 149