计算机视觉的基础理论为视觉技术取得今天的成就做出了非凡的贡献,但是面对急剧增长的需求,显得越来越力不从心。无论是Marr的视觉计算理论还是后来主动视觉理论,在分割问题上都是不适定的,其分割的假模型都是粗糙的、不恰当的,计算机视觉的基础理论制约了它自身的发展。本文正是为计算机视觉的发展寻求新的理论思想进行了一些尝试,考察了它的来自于人工智能方面几乎全部的思想基础,指出了人工智能所面临的范式局限:传统AI常识的形式化和计算机视觉中图形-背景的分离是同一类问题,其共同本质在于局部辨别与整体认识问题,传统的形式化方法无法将整体形式化。分割/形式化是仅根据局部信息构造整体的过程,是一种知觉的还原论方法。 我们认为生物视觉对计算机视觉的研究具有理论意义和现实意义。分别从生物视觉和计算机视觉的两个角度广泛、深入地探讨分割和表现为分割的问题,提出了两个不同层次的模型:生物视觉系统的整体论模型(Holistic Model,简称HM模型)和知觉的整体到局部的反馈模型(GLFM模型)。 HM模型表明,生物视觉有以下四个特点:1)以生存竞争为目的,与环境相互作用而协调发展;2)它是一个动态的学习过程,如视觉的隐性学习机制;3)知觉形成是整体到局部多次反馈的结果;4)注意与视觉空间搜索,图形-背景分离,高层知识反馈,视觉意识的形成密切相关。其视觉信息处理与计算机完全不同,前者采用范例的方式学习环境知识,而不是形式化逻辑推理的方式,采用整体到局部的反馈机制处理视觉信息等。相反,这却是传统AI和计算机视觉的问题所在。 随后,我们从显式的角度研究了计算机视觉中的分割和分割假设问题。认为分割的各种算法都是基于分割的某些假设,如相似性,相邻性等。分割假设模型是关于物体一般性质的局部描述。计算机视觉就是按照物体一般性质的局部描述重建特定物体的整体描述的。Hubel和Wiesel建立的感受野等级结构理论是分割假设的理论前提,它解决了知觉神经机制上的存在性、可构造性问题,其构造性是识别意义上的一种逆