视觉信息时空编码

经典感受野有固定的最优朝向,当图像局部边缘朝向与感野朝向相同时,经典感受野的响应最大。在实际中,图像轮廓和纹理在不同尺度上具有不一致性。生物实验表明,视觉机制并非建立在单一的感受野尺度上,感受野的适应性与多尺度特征融合有着明确的关系。所以本节使用多尺度多方向的简单细胞感受野函数来对图像进行卷积计算,并计算复杂细胞感受野响应,然后进行非经典感受野各向异性抑制,得到不同尺度感受野的提取结果。生物研究表明,感受野的尺度越大,得到的纹理信息越少;相反,感受野尺度越小,得到的纹理信息越多[29]。基于这个特点,本节以大尺度感受野得到的纹理信息为主体,以小尺度感受野得到的纹理信息为补充进行融合,减少漏检的像素点。本节根据各感受野尺度的不同,利用高斯函数求得不同尺度的权重,并与各尺度图像相乘,计算公式如下:式中:k为不同尺度感受野的个数,1为尺度最大的感受野,n为最小尺度的感受野,μ为高斯函数的中心轴,r为高斯函数的标准差。此处取μ=0.9,r=1。

将各尺度相同位置像素点编码为时间脉冲序列,如图3-8所示。

图3-8　脉冲时序编码与神经元漏电流整合放电(LIF)神经网络