本發(fā)明屬于圖像識(shí)別，具體涉及一種基于仿生視覺(jué)與波動(dòng)增強(qiáng)的圖像識(shí)別方法。

背景技術(shù)：

1、在當(dāng)前的圖像識(shí)別技術(shù)領(lǐng)域，深度學(xué)習(xí)模型尤其是卷積神經(jīng)網(wǎng)絡(luò)（cnn）已成為主流，廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)、醫(yī)療成像、自動(dòng)駕駛等多個(gè)領(lǐng)域。這些模型通過(guò)深度結(jié)構(gòu)有效地提取圖像特征，實(shí)現(xiàn)了在簡(jiǎn)單圖像上的高識(shí)別精度。然而，現(xiàn)有算法在處理具有復(fù)雜紋理和細(xì)節(jié)的圖像時(shí)，識(shí)別精度往往受限，尤其是在光照變化、噪聲干擾和復(fù)雜背景條件下，其性能顯著下降。此外，深度學(xué)習(xí)模型通常需要大量的計(jì)算資源，導(dǎo)致在資源受限的環(huán)境中應(yīng)用受限。

2、現(xiàn)有技術(shù)的主要缺點(diǎn)包括：圖像特征提取不充分，對(duì)高頻信息和精細(xì)結(jié)構(gòu)的捕捉能力不足；算法對(duì)圖像邊緣和局部特征的敏感性不足，導(dǎo)致在復(fù)雜環(huán)境下的識(shí)別準(zhǔn)確率下降；深度網(wǎng)絡(luò)結(jié)構(gòu)的高計(jì)算成本限制了其在資源受限環(huán)境中的應(yīng)用；魯棒性不足，容易受到外界干擾影響，導(dǎo)致識(shí)別錯(cuò)誤。這些問(wèn)題表明，盡管現(xiàn)有技術(shù)在圖像識(shí)別領(lǐng)域取得了顯著進(jìn)展，但仍需進(jìn)一步的創(chuàng)新和改進(jìn)以提高識(shí)別的準(zhǔn)確性和魯棒性。

技術(shù)實(shí)現(xiàn)思路

1、根據(jù)以上現(xiàn)有技術(shù)中的不足，本發(fā)明的目的在于提供一種基于仿生視覺(jué)與波動(dòng)增強(qiáng)的圖像識(shí)別方法，顯著提升了圖像識(shí)別的準(zhǔn)確性、魯棒性以及對(duì)復(fù)雜場(chǎng)景的適應(yīng)性。

2、為達(dá)到以上目的，本發(fā)明提供了一種基于仿生視覺(jué)與波動(dòng)增強(qiáng)的圖像識(shí)別方法，包括以下步驟：

3、s1、基于多尺度gabor濾波器組和基于相似性度量的自適應(yīng)增強(qiáng)機(jī)制，建立仿生視覺(jué)網(wǎng)絡(luò)模型；

4、s2、建立基于自監(jiān)督學(xué)習(xí)的預(yù)訓(xùn)練模塊，對(duì)仿生視覺(jué)網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練；

5、s3、建立視覺(jué)動(dòng)態(tài)注意力模塊，并將其加入仿生視覺(jué)網(wǎng)絡(luò)模型中，對(duì)仿生視覺(jué)網(wǎng)絡(luò)模型的輸出特征分別進(jìn)行波動(dòng)增強(qiáng)和注意力加權(quán)，并將波動(dòng)增強(qiáng)和注意力加權(quán)后的特征表示進(jìn)行融合，其中視覺(jué)動(dòng)態(tài)注意力模塊包含波動(dòng)增強(qiáng)視覺(jué)模塊、動(dòng)態(tài)注意力機(jī)制和注意力特征融合模塊；

6、s4、結(jié)合監(jiān)督對(duì)比損失、平衡對(duì)數(shù)損失和焦點(diǎn)損失，組成綜合損失函數(shù)，基于綜合損失函數(shù)對(duì)仿生視覺(jué)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

7、s5、利用訓(xùn)練好的仿生視覺(jué)網(wǎng)絡(luò)模型，進(jìn)行圖像識(shí)別。

8、作為本發(fā)明的優(yōu)選方案，所述的s1中，多尺度gabor濾波器組表示為：

9、；

10、式中，、為濾波器在x和y方向上的尺度參數(shù)；是濾波器的方向；是濾波器的中心頻率；多尺度gabor濾波器組通過(guò)調(diào)整、、和，生成不同尺度和方向的濾波器，用于捕捉圖像中的多種特征；x、y表示輸入的二維坐標(biāo)；j是復(fù)數(shù)單位；

11、對(duì)于輸入的圖像，應(yīng)用多尺度gabor濾波器組進(jìn)行特征提取，得到一組多尺度、多方向的特征圖，表示為：

12、；

13、式中，表示gabor濾波器函數(shù)，是用于尺度m和方向n下的濾波器。

14、作為本發(fā)明的優(yōu)選方案，所述的s1中，基于相似性度量的自適應(yīng)增強(qiáng)機(jī)制采用結(jié)構(gòu)相似性指數(shù)ssim，表示為：

15、；

16、式中，p、q表示對(duì)比相似性的兩個(gè)圖像塊；、分別為圖像塊p、q的灰度均值；是圖像塊p、q的協(xié)方差，表示灰度的聯(lián)合分布；c1和c2是用于穩(wěn)定計(jì)算的常數(shù)；

17、通過(guò)以下步驟實(shí)現(xiàn)基于相似性度量的自適應(yīng)增強(qiáng)：

18、對(duì)于，首先在的局部區(qū)域計(jì)算其與的結(jié)構(gòu)相似性指數(shù)ssim，表示為：

19、；

20、式中，是局部區(qū)域的權(quán)重，反映了與對(duì)應(yīng)區(qū)域之間的相似性；

21、在得到多尺度、多方向的特征圖中每個(gè)特征圖的局部權(quán)重后，對(duì)不同尺度和方向的特征圖進(jìn)行加權(quán)融合，以生成自適應(yīng)增強(qiáng)后的特征表示：

22、。

23、作為本發(fā)明的優(yōu)選方案，所述的s2中，建立基于自監(jiān)督學(xué)習(xí)的預(yù)訓(xùn)練模塊包括三個(gè)步驟，分別為定義增強(qiáng)策略、編碼和投影和計(jì)算損失和反向傳播，具體為：

24、s11、定義增強(qiáng)策略，包括空間變換策略和時(shí)間變換策略，空間變換策略包括隨機(jī)裁剪、調(diào)整大小、翻轉(zhuǎn)和旋轉(zhuǎn)，時(shí)間變換策略為模擬圖像隨時(shí)間變化發(fā)生的退化效果，包括顏色失真、高斯模糊和隨機(jī)噪聲；對(duì)于獲取的無(wú)標(biāo)簽圖像數(shù)據(jù)集，對(duì)數(shù)據(jù)集中的每個(gè)圖像分別執(zhí)行空間變換策略和時(shí)間變換策略，分別得到增強(qiáng)圖像和；

25、s12、編碼和投影，使用仿生視覺(jué)網(wǎng)絡(luò)模型作為編碼器，對(duì)和進(jìn)行特征提取，得到的特征分別表示為和，并使用多層感知機(jī)mlp進(jìn)行特征變換和投影：

26、；

27、；

28、式中，表示mlp變換，、表示變換后的特征；

29、通過(guò)投影頭對(duì)變換后的特征進(jìn)行進(jìn)一步處理，得到投影后的特征和：

30、；

31、；

32、s13、計(jì)算損失和反向傳播，使用對(duì)比學(xué)習(xí)損失函數(shù)lc計(jì)算損失，并通過(guò)反向傳播優(yōu)化仿生視覺(jué)網(wǎng)絡(luò)模型的參數(shù)，lc表示為：

33、；

34、式中，nd是用于計(jì)算損失的樣本對(duì)的數(shù)量，k=1，2，……，nd；、表示對(duì)比損失，定義為：

35、；

36、；

37、式中，表示特征之間的相似度；是溫度參數(shù)；a表示所有的負(fù)樣本集合。

38、作為本發(fā)明的優(yōu)選方案，所述的s3中，波動(dòng)增強(qiáng)視覺(jué)模塊為：

39、將輸入的圖像通過(guò)仿生視覺(jué)網(wǎng)絡(luò)模型提取初步特征：

40、；

41、式中，表示仿生視覺(jué)網(wǎng)絡(luò)模型；

42、對(duì)于，應(yīng)用波動(dòng)理論對(duì)圖像的特征進(jìn)行增強(qiáng)，具體為采用二維helmholtz方程對(duì)圖像中的高頻特征進(jìn)行模擬，使圖像的邊緣和紋理信息得到強(qiáng)化，表示為：

43、；

44、式中，表示波動(dòng)增強(qiáng)后的特征圖；是拉普拉斯算子；t為波數(shù)；

45、在波動(dòng)增強(qiáng)之后，通過(guò)周邊視覺(jué)子模塊對(duì)進(jìn)行處理，周邊視覺(jué)子模塊通過(guò)對(duì)周邊區(qū)域進(jìn)行動(dòng)態(tài)調(diào)整，提取與全局特征相關(guān)的局部信息；選擇將查詢(xún)的位置，即局部區(qū)域的中心像素點(diǎn)作為視覺(jué)中心，中心區(qū)域的外圍局部空間被規(guī)劃為中心、準(zhǔn)中心、中外圍、遠(yuǎn)外圍共四個(gè)子區(qū)域，位于中心區(qū)域的查詢(xún)與四個(gè)子區(qū)域的鍵進(jìn)行交互，交互強(qiáng)度根據(jù)距離的變化逐漸降低；在交互過(guò)程中，采用波動(dòng)增強(qiáng)距離匹配交互強(qiáng)度，波動(dòng)增強(qiáng)距離采用波動(dòng)方程來(lái)模擬特征之間的相互影響，表示為：

46、；

47、式中，n為特征點(diǎn)的數(shù)量，e=1，2，……，n；是特征qe的波動(dòng)解；

48、基于波動(dòng)增強(qiáng)距離的注意力機(jī)制的特征輸出表示為：

49、；

50、式中，和為可學(xué)習(xí)的權(quán)重矩陣；為激活函數(shù)；為非線性激活函數(shù)；表示線性激活操作。

51、作為本發(fā)明的優(yōu)選方案，所述的s3中，動(dòng)態(tài)注意力機(jī)制為：

52、對(duì)于，通過(guò)線性變換將映射到查詢(xún)向量q、鍵向量k和值向量v：

53、；

54、；

55、；

56、式中，wq、wk和wv是可學(xué)習(xí)的權(quán)重矩陣；計(jì)算q和k之間的相似度，并通過(guò)softmax函數(shù)進(jìn)行歸一化，得到注意力權(quán)重；

57、；

58、其中是位置i和j之間的注意力權(quán)重；是鍵向量的維度的平方根；qi是位置i是查詢(xún)向量；kj是位置j的鍵向量；t表示轉(zhuǎn)置；

59、根據(jù)計(jì)算出的，對(duì)v進(jìn)行加權(quán)求和，生成增強(qiáng)后的特征表示：

60、；

61、式中，oi是位置i增強(qiáng)后的輸出特征表示；vj是位置j的值向量；

62、將所有位置i的增強(qiáng)后的輸出特征表示進(jìn)行匯總，獲得注意力加權(quán)后的特征表示o，即為o={o1，o2，……，oi}。

63、作為本發(fā)明的優(yōu)選方案，所述的s3中，注意力特征融合模塊為：

64、將波動(dòng)增強(qiáng)視覺(jué)模塊輸出的和動(dòng)態(tài)注意力機(jī)制增強(qiáng)后的輸出特征表示進(jìn)行融合，以進(jìn)一步優(yōu)化特征表示，融合后的特征表示為：

65、；

66、式中，α和β是可學(xué)習(xí)的權(quán)重參數(shù)，用于平衡波動(dòng)增強(qiáng)距離和注意力機(jī)制輸出在最終融合特征中的貢獻(xiàn)；o是通過(guò)動(dòng)態(tài)注意力機(jī)制計(jì)算得到的注意力加權(quán)后的特征表示。

67、作為本發(fā)明的優(yōu)選方案，所述的s4中，建立綜合損失函數(shù)的過(guò)程為：

68、監(jiān)督對(duì)比損失表示為：

69、；

70、式中，nd是用于計(jì)算損失的樣本對(duì)的數(shù)量，a=1，2，……，nd；ua、ub、uc分別代表第a個(gè)、第b個(gè)、第c個(gè)樣本經(jīng)過(guò)仿生視覺(jué)網(wǎng)絡(luò)模型提取到的特征；代表第a個(gè)樣本所屬的正樣本集合；代表數(shù)據(jù)集中第a個(gè)正樣本的數(shù)量；是溫度參數(shù)；t表示轉(zhuǎn)置；

71、平衡對(duì)數(shù)損失表示為：

72、；

73、式中，ya是第a個(gè)樣本的真實(shí)標(biāo)簽，為0或1；pa是模型預(yù)測(cè)第a個(gè)樣本屬于類(lèi)別1的概率；wa是第a個(gè)樣本的樣本權(quán)重；

74、焦點(diǎn)損失表示為：

75、；

76、式中，表示難度權(quán)重；是聚焦參數(shù)；

77、結(jié)合平衡對(duì)數(shù)損失、焦點(diǎn)損失和監(jiān)督對(duì)比損失，組成綜合損失函數(shù)，表示為：

78、；

79、式中，表示ua與ub之間的相似度度量。

80、作為本發(fā)明的優(yōu)選方案，所述的s5中，圖像識(shí)別的具體過(guò)程為，輸入的圖像經(jīng)過(guò)多尺度gabor濾波器組和自適應(yīng)增強(qiáng)機(jī)制處理后，獲得自適應(yīng)增強(qiáng)后的特征表示，隨后經(jīng)過(guò)波動(dòng)增強(qiáng)視覺(jué)模塊，獲得特征輸出表示，同時(shí)，通過(guò)動(dòng)態(tài)注意力機(jī)制對(duì)計(jì)算得到注意力加權(quán)后的特征表示o，最后經(jīng)注意力特征融合模塊，得到融合后的特征表示，即為最終的優(yōu)化的特征表示，完成對(duì)圖像的識(shí)別。

81、本發(fā)明涉及的模型和算法可以通過(guò)電子設(shè)備執(zhí)行，電子設(shè)備包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，通過(guò)處理器執(zhí)行軟件實(shí)現(xiàn)上述的模型和算法計(jì)算。

82、本發(fā)明所具有的有益效果是：

83、本發(fā)明通過(guò)融合仿生視覺(jué)處理和波動(dòng)理論的圖像識(shí)別算法，具有多項(xiàng)顯著優(yōu)點(diǎn)。首先，通過(guò)模擬人類(lèi)視網(wǎng)膜的初級(jí)視覺(jué)處理，利用gabor濾波器組進(jìn)行多尺度、多方向的濾波操作，有效提取圖像的邊緣和紋理信息；這種仿生視覺(jué)預(yù)處理網(wǎng)絡(luò)結(jié)合自監(jiān)督學(xué)習(xí)進(jìn)行預(yù)訓(xùn)練，增強(qiáng)了模型對(duì)無(wú)標(biāo)簽數(shù)據(jù)的泛化能力，提高了對(duì)復(fù)雜圖像場(chǎng)景中細(xì)節(jié)和紋理信息的敏感性。其次，引入的物理波動(dòng)理論，通過(guò)二維helmholtz方程對(duì)圖像特征進(jìn)行增強(qiáng)，捕捉到更為復(fù)雜的邊緣和紋理特征，顯著提升了圖像識(shí)別的精度。

84、本發(fā)明通過(guò)動(dòng)態(tài)視覺(jué)注意力模塊，結(jié)合波動(dòng)增強(qiáng)和注意力機(jī)制，自適應(yīng)地調(diào)整注意力權(quán)重，使得模型能夠更準(zhǔn)確地聚焦于圖像中的關(guān)鍵區(qū)域。這一機(jī)制不僅提高了特征提取的效果，還增強(qiáng)了模型對(duì)復(fù)雜圖像場(chǎng)景的適應(yīng)性和魯棒性。

85、本發(fā)明通過(guò)在設(shè)計(jì)綜合損失函數(shù)時(shí)，通過(guò)平衡對(duì)數(shù)損失、焦點(diǎn)損失和監(jiān)督對(duì)比損失的結(jié)合，進(jìn)一步優(yōu)化了模型的訓(xùn)練過(guò)程，特別是在處理不平衡數(shù)據(jù)集和難分類(lèi)樣本時(shí)，提升了分類(lèi)的準(zhǔn)確性和模型的魯棒性，在自動(dòng)駕駛、醫(yī)學(xué)圖像分析、遙感圖像處理等高要求應(yīng)用場(chǎng)景中具有廣泛的應(yīng)用潛力。