文摘

本文运用网络直播和点播平台基于B / S体系结构的应用程序,设计了一种视频图像取证系统,能满足多个警察类型和多个应用程序场景。系统使用手机的视频图像采集终端解决问题的快速反应和隐蔽,使用5 g通信技术作为传输介质来解决设备移动和链接维护的问题。多样化的问题多个警察类型的使用和应用模式是解决;视频图像证据在一个集中的存储管理,审计,和导出方法,安全性和真实性的证据是解决。而系统实现一系列功能如收集、传输、存储、和应用视频图像的证据,它还实现了视频图像的应用程序端直播功能根据实际工作的需要,解决了大型指挥和决策问题,一直受到公安机关。为了消除噪音公安法医图像和平滑噪声,同时保留了图像的细节,提出了一种基于双向耦合扩散方程的去噪算法。通过改进的二阶偏微分方程,一个新的扩散函数与扩散效应优于原始模型。我们结合自适应阈值边缘和停止准则建立一种新的去噪算法模型,可以获得更好的去噪效果。噪音水平较低时,PSNR值和SSIM几种去噪方法相对理想的价值,结果在更高的层面,去噪图像的效果更好,而且没有明显的不完整的噪声去除或细节问题。随着噪声的增加,去噪结果将逐渐减少,也将影响不同程度不同。 When the noise intensity increases, visually, it can be clearly seen that the two-way coupled diffusion equation and DnCNN have better denoising effects. When the noise level is high, the two-way coupled diffusion equation network is used to use the clear image and the denoised image for indistinguishable calculation. The method in this paper almost retains all the texture details in the clear image, and there are almost no artifacts and images. On the other hand, the color of the image after denoising by the method in this paper is more vivid, and it is closer to the target picture in terms of picture definition and tone, the denoising effect is ideal, and the generated image has a higher degree of restoration. Compared with the residual GAN, the two-way coupling diffusion equation network converges faster and the network performance is improved.

1。介绍

研究的过程中获得的证据在刑事领域电子数据已成为学术界讨论的热点问题。网络的广域和相互联系的性质使cyberbehaviors行动真实空间数千英里之外。因此,犯罪行为通过互联网进行的跨地区和跨国边界的特点(1]。在互联网时代,刑事证据收集的电子数据已经成为一个链接,调查人员不得不面对在大多数情况下(2]。电子数据和云存储的数据跨区域相关的情况下,证据收集活动需要依靠远程证据收集程序。远程电子数据取证已成为一个必要的电子数据收集在一个开放的网络环境。它有别于传统的调查和证据收集方式的个人经验和直接身体接触在刑事诉讼。电子数据取证带来了对现有刑事调查和收集证据规则(3]。在广域互联的时代,远程取证的电子数据存储,传输和远程计算机上处理和云服务器已经成为不可或缺的调查方法。分布式数据存储的进一步发展,癫痫的原始载体将变得更加复杂和不方便,和远程取证,可以满足跨区域的需求将不可避免地更广泛用于未来(4]。

公安法医图像数据的体积增加,以及如何获得有用的和重要的信息从它变得越来越重要5]。一方面,大量的数据并不都是有用的研究人员,所以当处理大数据预处理等必须进行选择或分类,否则会增加数据处理过程的难度,大大提高存储的数据量。另一方面,过滤后的数据不能直接使用。由于一系列的数据传输等客观原因,曝光,和储存时间,获得的数据会有噪音,色散等因素影响数据的真实性。从实际数据有很大的偏差。为了获得准确的信息从图像数据,去除图像中的噪声是关键(6]。然而,公安法医形象是由三原色(红、绿、蓝),也被称为R, G, B三个渠道。由于公安法医的多通道特征图像,这意味着公安法医图像的去噪比小于的灰度图像(7]。相比于灰度图像去噪算法,如基于向量表示法和去噪方法的去噪方法基于矩阵表示,他们不适合直接应用于公安法医图像去噪(8]。为了解决这个问题从公安法医图像去除噪声,在随后的发展中,研究人员提出了一系列基于张量表示的去噪算法(9]。逐渐增加的去噪算法对于公安法医的图像,另一个问题出现了(10]。当公安法医被噪声污染的图像,该频道包含不同程度的噪声。如今,公安法医图像广泛应用于监测和医学图像等各个领域。公安法医图像去噪算法能够扮演一个关键的角色在图像复原和图像识别。因此,根据目前的问题从公安法医图像去除噪声,它是研究有价值的去噪算法具有重要意义。

本文介绍了总体设计的公共安全视频图像取证系统基于Android手机。的实际需要公安部门的现有证据收集工作为出发点,围绕设计政策的“快速反应,安全可靠,系统的设计目标和总体系统架构。它分为两个部分:法医终端和移动终端的web应用程序。介绍了Android手机视频图像采集、h视频图像编码,RTP / UDP协议封装、应用终端数据接收和视频图像播放服务。分析了基于偏微分方程的图像去噪算法,介绍了PM模型和电视模型,并改善了边缘阈值参数k点模型的一种自适应参数,从而减少工作负载选择边缘阈值参数的双向耦合扩散方程。在这篇文章中,一个双向耦合扩散方程网络用于图像去噪,和不同的去噪方法的结果进行比较和分析。嘈杂的图片在不同噪声强度水平去噪,也没有与他人对抗训练使用。噪音的结果也证明了本文去噪算法的有效性。

2。相关工作

相关学者提出空间尺度的概念,并指出解决热传导方程与原图像作为初始值相当于卷积图像和高斯函数来实现低通滤波(11]。由于高斯滤波器是各向同性的扩散,将平滑去噪,边缘和细节会变得模糊。相关学者提出了双边滤波器,结合灰色水平或颜色根据图像的几何距离和光度相似并添加空间距离权重值和权重值的灰色信息实现双边滤波(12]。双边滤波器可以消除噪声和保护边缘在同一时间,但计算速度慢。相关学者使用高斯卷积内核过滤的图像(13]。过滤器参数取决于信噪比、噪声的均方误差图像,和价值被修复。

稳健的主成分分析,矩阵完成,和其他算法可以有效地去除图像中的噪声,但它的主要应用是重建和恢复数据矩阵(14]。因此,图像去噪的问题已经开始成为一个典型的数字图像处理。研究课题得到了广泛的关注(15,16]。根据实际图像的特点和真正的频谱分布,外国学者首次提出,图像是低等级,导致一系列经典去噪算法,如字典学习和低秩表示(17]。作为一个重要的研究路线,对图像去噪低秩表示有深远的影响。RPCA不同,该方法引入了字典学习的想法和约束低秩矩阵近似低等级通过构造一个字典矩阵。为了使这个方法更健壮的噪声和离群值,观测矩阵通常是选为字典矩阵约束。

公安法医作为一个扩展的灰度图像,图像有多个频道。不能准确地代表矩阵,因为维度高于矩阵,和张量可以解决这个问题。研究人员希望扩展原始矩阵框架公安法医图像去噪和使用它的模型和算法来处理公安法医图像去噪的问题(18]。这是困难的,因为公安法医图像三通道,也就是说,张量。公安法医的一些性质的定义图像去噪仍密切相关矩阵,这进一步表明,依赖于公安法医去噪算法可以扩展到图像。目前,张量,一个主要问题是困扰学者无法准确定义的秩张量,这是一个np难问题(19]。因此,如何去除噪声的同时保持图像的固有信息并保持其结构的稳定性已成为一个重大的挑战。

不断深入研究,越来越多的公安法医图像去噪算法逐渐出现(20.]。许多这些算法扩展公安法医图像的原始模型。颜色三维块匹配算法是一种具有代表性的算法。它首先将RGB图像转换为一个低维空间,然后使用一个参考三维块匹配每个通道。算法执行处理,然后聚集到一个图像噪声去除。相关学者提出了“噪声函数”来评估和消除噪声在每个通道21- - - - - -23]。然而,单独处理每个通道比结合颜色通道进行处理,因为这忽略了每个通道的自相似性。因此,相关学者提出的三个信号通道连接R, G, B在一系列对去噪,但这并不考虑每个噪声通道的噪声水平是不同的,导致去噪工件的外观(24,25]。

3所示。方法

3.1。功能需求的视频图像取证系统

3.1.1。手机采集终端

根据工作重点及存在缺点的七个工作场景视频图像取证的公安机关,以及视频图像法医业务的实际需要,主要功能的公共安全视频图像取证系统设计基于android的手机。

为了满足公安机关快速反应的需要,可移植性,灵活性,安全,和隐藏的证据收集、系统的视频图像采集终端开发使用一个基于Android系统的智能手机。同时确保核心需求的视频图像采集终端如抓取的图像清晰,稳定可靠的网络传输,它同时也突显出兼容性、易用性和可靠性的基础上,现有的智能手机硬件设备和移动电话网络。本文提出以下具体功能需求的手机采集终端视频图像取证系统。

法医官打开法医在手机软件,进入收集装置的帐号和密码,并激活手机采集终端。在这个过程中,手机采集终端与应用程序通信终端验证输入帐户密码,同时验证手机的IMEI码是否采集终端设备列表。当验证通过,采集终端是活跃的,和视频图像取证和视频图像直播可以在任何时间进行。同时,该设备及其位置信息将出现在在线应用程序端的设备列表。

系统提供视频图像捕捉设置选项,可以设置分辨率,帧率,比特率等捕获的视频图像。与此同时,它还提供了一个可供选择的场景模式,包括正常模式,跟踪模式,低光模式,视频图像质量优先模式和网络传输优先级模式。

3.1.2。业务应用程序方面

为了满足视频图像取证和公安机关的指挥和决策在重大群体性事件,重大案件,救灾,视频图像的法医的业务应用程序系统是建立在互联网上,可以自动接收来自手机的视频图像采集终端。各种应用程序提供视频图像证据根据公安机关的实际需要。

系统用户使用浏览器连接到业务应用程序并输入帐号密码登录。用户登录系统后,可以进行视频和图片直播、点播广播、排序、出口和其他应用程序。可以使用函数,根据不同部门和角色的帐户。业务应用程序终端自动接收现场视频图像和法医传回的视频图像采集终端手机在线列表。

数据接收模块提交数据转码存储函数,同时接收来自移动电话的数据。首先分析了通信协议和恢复然后reencodes视频图像的数据来生成一个视频图像格式适合网络回放和易于储存。如果图像接收视频直播,直播视频图像的生成和提供直播模块在同一时间。最后,得到完整的视频图像数据命名并存储在指定的位置根据规则。系统自动备份所有证据定期视频图像。

基于GIS平台,主要有两种显示方式。一个是显示在线采集终端的位置。当前在线采集终端设备的位置显示在GIS地图,这是方便指挥官进行现场指挥和任务根据每个调查员的位置问题。第二个是视频图像收集的证据。由于地理位置是收集每次视频图像收集证据,所有系统都可以马克视频图像证据的收集每一块的位置在GIS平台上,方便研究人员的组织和运用证据的视频图像。

3.2。视频图像取证系统的总体框架设计

通过总结系统的设计功能和公共安全视频图像取证的需求在前一节中,本文把视频图像公安部门的法医工作分为两部分:取证和应用。取证是指收集和传输视频图像的证据,而应用程序指的是存储、加工、出口的证据。通过组织和总结每个场景的视频图像取证的关键任务,公共安全视频图像的结构基于安卓手机的法医系统设计,如图1。

在图1,整个公共安全视频图像取证系统大致可以分为左、右部分。左边是基于无线通信链路的Android手机采集终端和手机的5 g网络,主要完成的功能取证并返回。手机应用程序编码和压缩收集到的原始视频图像数据使用h标准然后封装了编码视频图像帧使用RTP / UDP协议。封装数据通过基站和进入互联网运营商网关通过手机网络建造的移动通信运营商。在本部分中,移动电话网络构建和维护的操作符,和视频图像的法医系统只需要完成视频图像采集终端的设计和实现。正确的图的一部分1是应用系统的一部分,它是建立在互联网。服务器接收到的视频图像数据从手机发送采集终端,然后执行协议分析和视频图像转换。最后生成直播而获得的数据传输视频图像数据到服务器。用户终端使用浏览器登录到应用终端,可以观看直播或点播服务器历史视频图像。这部分是基于B / S架构,基于浏览器和客户端实现,和不需要发展。有必要建立一个服务器基于视频图像信号,解码和播放。

可以看出从系统结构图,视频图像取证的典型工作流程是收集视频图像采集终端登录验证后,然后进行视频图像编码压缩和协议封装,同时收集。然后,视频图像数据传输到应用终端通过传输环节,应用终端接收到它后,它是恢复和编码协议,视频图像存储在文件服务器上。视频图像分析和调查登录到应用程序端系统播放和视频图像的查看证据。在这个典型的工作场景中,采集终端之间的工作时序图,应用终端,用户如图2。

3.3。手机采集终端解决方案

获取视频图像数据通过Android系统可以通过使用Android SDK提供的API接口。在Android 2.0和后续的版本中,相机类和MediaRecorder类提供的系统可以用来捕捉视频图像数据从相机。其中,MediaRecorder类主要实现音频的播放,视频图像,和其他媒体。使用它来捕获摄像头数据,您需要保存本地捕获的视频图像数据,然后处理它。有两个问题这一过程。一是保密会穷,,另一个是过程非常繁琐和复杂,可怜的实时数据。相机类主要实现访问手机摄像头和捕获的视频图像数据预览帧在预览视频图像。比较这两种方法,本文使用相机类实现捕获的原始视频图像数据。

手机视频图像的采集终端法医系统研究了不是为一个单一类型的手机硬件开发。相反,根据实际使用要求,比如快速反应和隐藏,系统鼓励硬件手机采集终端的多样性。在这种情况下,开发硬件编码的工作量和难度不同品牌和型号的手机硬件是巨大的和困难的。本文采用移植开源方案h .编码器为软编码Android系统。

如果IP包的大小小于当前网络MTU的IP包可以直接链接上传播。如果IP包的MTU值大于当前网络,IP数据包将被分为多个IP数据包在传输过程中,和每个数据包将小于MTU价值。因此,越近的IP数据包大小是当前网络MTU价值,网络传输效率越高。IP数据包较小MTU价值,更多的IP数据包需要被发送到发送相同的数据。相反,不仅每个IP数据包发送时被分割,进行实际的发送的数据包数量更多,和包丢失将不可避免地发生在实际的传播。假设数据包大于MTU值分为多个小的IP数据包,其中之一就是在传输过程中丢失,它不能被组合成原来的大型IP数据包的接收端,这将导致整个大型IP包被重新传输。因此,在网络传输中,当前的网络MTU值应该澄清,和实际IP数据包大小应该尽可能MTU价值提高网络传输效率。

本文认为,RTP协议封装的关键是编码发送数据帧的大小应适当,它不能大于当前的网络MTU值- 3头的大小(即。40个字节)。

3.4。应用程序端解决方案

应用终端的主要功能的公共安全视频图像取证系统接收返回的手机视频图像证据采集终端和恢复通信协议和h编码。同时提供视频图像直播,它节省了视频图像数据,并提供随需应变的服务并提供管理功能和导出功能对证据视频图像根据公安工作的实际需要。

数据接收和存储模块是一个关键的应用程序的一部分的视频图像取证系统。它作为一座桥连接移动电话系统中收集和应用程序一起,负责与集合通信方面,视频图像数据接收,恢复通信协议和视频图像解码。等一系列功能直播视频图像的生成和数据存储的基础是各种视频图像取证和决策命令函数在应用方面。

出口的证据的功能需要用户调查和案件处理和用户之间的合作的法律监督。调查和处理用户负责的前半部分的过程。从公安业务的角度来看,视频图像采集终端返回的数据筛选,和可以使用的视频图像作为提交的证据被发现。MD5代码选择的视频图像之前,必须验证图或视频图像拦截,确保视频图像数据是真实可靠的。提交成功后,下半年的过程需要完成执法监督的用户。执法监督用户评论导出和提交的证据并执行出口后它是正确的。最后,视频图像证据和证据由系统生成的列表交给侦探提交出口。

3.5。双向耦合扩散方程

高斯滤波是一个线性平滑滤波器,这是一种广泛使用的图像去噪算法。高斯滤波器的原理是图像与高斯卷积核和过滤:

卷积核是

是高斯函数的方差。方差是不同的,卷积核的大小是不同的,和图像的平滑度也不同。

解决热传导方程与原图像( )作为初始值相当于与高斯函数卷积图像。热传导方程可以表示为

其中,热导率是一个常数,和参数的高斯滤波器参数的时间成正比方程的解。

自扩散系数热传导方程的常数,扩散函数具有相同的扩散速度的方向360°在过滤过程中,因此它是一个各向同性扩散的方法。图像中许多重要的几何特征,如边缘和纹理细节,变得相对平滑的过程中各向同性扩散(即。去噪)。

基于PDE的二阶非线性扩散方程是一种各向异性扩散方程:

给出了两个典型的传播功能使用柯西定律和高斯定律:

的公式,是边缘阈值参数,它是一个常数被人类控制的扩散程度。

的参数确定生成图像的平滑度。时的值太小,图像中的噪声仍然存在。相反,当值设置为一个较大的值,图像将过度平滑,边缘和细节信息都将丢失。适当的值选择通常是基于经验和实验,这需要经验丰富的测试人员或需要大量的实验来确定的价值 ,增加很多工作。因此,有必要提出一种自适应选择策略的扩散系数。

在迭代过程中,计算的价值是补充道。去噪图像的像素值变化时的迭代次数,边缘阈值参数也相应的变化,如以下公式所示:

全变差模型如下:

其中,第一项是一个普通术语,它的功能是找到最优解的图像的全变差 地区。第二项是数据保真项,可以平滑区域修理。是参考图片,是图像被修复,正则化参数,用于平衡的重量正则项和数据项。

梯度下降法方程的能量函数

在这篇文章中,

全变差模型的离散化

最后一个表达式是

3.6。图像质量评价方法

均方误差(MSE)和峰值信噪比(PSNR)是两个最基本和最常用的全部参考图像质量评价方法。该方法相对简单,计算相对比较容易。均方误差的定义方法来计算像素的平方和的平均值的区别原始图像和失真图像,即误差平方和的平均值,以此作为一个标准来判断图像的失真度。

其中,和图片的长度和宽度,代表原始图像的像素值,代表扭曲图像的像素值。

使用的比率计算峰值信噪比最大信号噪声强度。由于数字图像由像素点,用离散的数字形式,表示图像的最大像素值是用来替换的峰值信号:

其中,的最大灰度值图像,灰度值的范围通常从0到255,所以呢通常需要255。PSNR值的单位是dB。一般来说,值越大,图像质量越高,失真越小。

一个可测量的偏差可以观察到从自然图像之间的统计规律。这个方法只使用这种偏差和不需要使用人工退化图像进行训练。因此,它不需要原始的未经碰撞的形象,可以评估图像质量没有理解预期的变形或判断人眼的形象。首先,该方法构造一组“质量意识”特性,适合多元高斯(MVG)模型。质量感知功能是源于一个简单但非常常规的自然场景统计(NSS)模型。然后,给定的测试图像的质量表示为多元高斯(MVG)之间的距离拟合NSS特性提取的测试图像和MVG模型质量感知特性从自然中提取图像语料库,如以下公式所示:

其中,和是自然MVG的平均向量模型和MVG模型扭曲的图像,分别。

4所示。结果与讨论

4.1。网络训练实验

在这个实验中,本文使用pretraining RMSprop优化器和集的hyperparameter优化器 。同时,使用相同的网络学习速率的pretraining过程,并将批量大小设置为10。TensorFlow 10 - 64位使用Windows操作系统是用于构建网络在Python 3.5环境中。在本文中提出的模型训练和测试在一个国际米兰(R) (TM)核心i7 - 6700 k的CPU 16 G的内存总量。

根据实验结果,双向耦合扩散方程网络表现出优良的去噪效果。一方面,改进网络结构使得图像纹理细节和色彩更加突出。另一方面,增加VGG知觉损失可以更好地指导网络培训。我们比较图像的实验结果在培训过程中生成的。图3显示了原始网络模型的训练时间300年时代。

4.2。对比实验的PSNR值和SSIM值

本文使用一个数据集的3000图像用不同的声音训练。考虑三种噪音水平,即,15日,25日,50,本文的WGAN训练和优化通过消除噪声图像的高斯噪声与已知的噪声水平。摘要训练数据集裁剪每隔10,和颜色块大小设置为作物模型训练的补丁。测试的图片,两个不同的测试数据集用于综合评价。一个测试数据集是BSD68数据集,和其他包含8高斯图像被广泛用于评价去噪方法。通过数据扩张,与此同时,本文的实验数据就足以获得一个强大的降噪效果。

为降噪效果,比较四种方法,包括两个非局部优化方法(CBM3D和EPLL)和两个深度学习方法(TNRD和DnCNN)。它是用来定量评价去噪效果,全面评价去噪效果结合主观视觉感知。图像去噪的结果如图4和5。图4显示了峰值信噪比(PSNR)的方法,和图5显示了每个方法的结构相似度(SSIM)在不同噪声强度。可以看出的PSNR值和SSIM价值方法本文是高于其他两种算法。摘要双向耦合扩散方程网络结合多尺度特征提取和深跳残余网络多层特征提取和图像去噪效果获得比预期的结果。

从图可以看出5不同去噪方法在每个图像的去噪结果的差异。DnCNN往往产生平滑纹理细节,这对图像边缘处理的不是很好。TNRD可以恢复更好的纹理细节和边缘特征,但图像去噪平滑度差、效果不是很满意。本文方法优越在纹理细节和平滑度,和视觉效果更好。

双向耦合扩散方程优于其他去噪方法在大多数去噪结果。与重复的结构,因为在图像处理结果之前基于自相似性比歧视学习。如果图像有更少的非局部自相似块,这种方法更好的性能。因此,双向耦合扩散方程可以获得更好的去噪效果通过使用更好的网络结构和损失函数。结果表明,双向耦合扩散方程具有更好的图像去噪的性能在高噪声水平。

方法本文通过深卷积充分利用多尺度的特性,避免模糊特性,减少了损失有用的特性,使用跳噪声特性和提取噪声生成之间的联系去噪特性,并使用块跳混合高级和低级特征之间的联系。与其他方法相比,本文方法实现精确的去噪的效果。结合去噪的结果,可以看出,噪音水平直接关系到去噪的效果。当方法降噪低噪声图像,去噪结果处理的双向耦合扩散方程可以更好地保留图像的纹理细节,表明网络的低强度噪声和高强度噪声干扰。既可以学习图像的详细特性更好,保留在去噪图像的颜色和对比度特性重建。

上述实验结果表明,本文算法也可以恢复图像细节的高强度噪声。当网络执行不同的特征提取,由于高强度噪声的干扰,提取的噪音是完全不同于实际的一个,但是在损失函数的修正,是更好的去噪图像的视觉效果。

的变化如图去噪图像的PSNR值6。从图可以看出,鉴别器训练过程双向耦合扩散方程的去噪方法是稳定的,和网络训练效率显著提高,坏样本的概率大大降低,有效去噪网络的性能改善。

实验选择多个测试图像与标准图像库和估计的平均运行时间基于上述算法实验平台。结果如图所示7。因为耗时的传统特征提取操作,模型效率很低,这三个算法的运行时间是接近。然而,双向耦合扩散方程网络需要更短的时间比其他算法。

4.3。为公安法医测试复杂的背景图像

我们创建一个数据集1000年公安法医复杂背景图像训练网络和一套测试10图像。在处理一般自然图像时,微小的细节有什么影响随后的去噪图像的研究和应用。在公安刑侦图像处理,小图像信息的影响是不容忽视的。在高精度的诊断中,任何小错误将导致不可挽回的后果。这时,图像去噪的要求非常苛刻,需要完成去噪的任务,同时保持尽可能小的信息。

在图像数据集输入到网络去噪,以减少网络的训练时间,裁剪图像大小 。在测试图像,图像大小设置 。与此同时,公安取证的复杂背景图像处理。获得的过程也是通过添加噪音。公共安全取证的复杂背景图像处理复杂,和数据集是有限的。我们展示的一个例子的复杂背景图像的去噪结果公安取证,如图8。可以看出,双向耦合扩散方程有最好的去噪效果。

5。结论

系统使用手机的视频图像采集终端解决问题的快速反应和隐蔽,使用移动电话通信网络作为传输介质来解决设备移动和链接维护的问题。多样化的问题多个警察类型的使用和应用模式是解决;获得的证据是由集中存储和管理审计和出口;传统的安全性和真实性的证据收集方法解决。的前提下实现一系列功能的收集、传输、存储、和应用视频图像证据,该系统实现了视频图像的应用程序端直播功能根据公安工作的实际需求,解决了大规模案件(事件),已经被公安机关困扰。为了验证图像去噪方法的影响本文PSNR和SSIM作为图像质量评价指标。后比较方法和几个传统的图像去噪方法,在这篇文章中我们可以看到,在这篇文章中提出的方法改善了PSNR值和SSIM价值,尤其是结果使用双向耦合扩散方程的图像去噪方法。从以上的观点来看,图像去噪效果通过本文提出的方法比DCGAN相结合的结果。从主观的角度设想,恢复图像具有更好的清晰性和真实性。因此,本文提出的方法具有良好的实用性在实现图像去噪的研究。 Due to the time and the lack of computer hardware conditions, the method proposed in this paper takes a long time to train the network and is insufficient for the training of the network, which leaves a lot of room for improvement in the denoising results. When the hardware meets the standard, the two-way coupling diffusion equation network proposed in this paper can obtain a more adequate training effect. Since it is time-consuming to generate a denoising network, this paper cannot achieve the optimal value of the parameters through precise adjustment of the parameters in a limited time. Therefore, this paper is based on the proposed improved network to obtain the best denoising result at this time. At the same time, the ideal number of iterations can be sought to achieve the optimal solution, thereby improving the efficiency of network training, which can become a follow-up research direction.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项工作是创新能力支持的改进项目在甘肃省高校(2020号b - 164),甘肃省自然科学基金(20 jr10ra335),科研项目甘肃政法大学(2017号xqnlw04,没有。GZFXQNLW003),创新和创业项目甘肃省2021年,甘肃政法大学司法鉴定中心研究基金会(没有。jdzxyb2018-09),创新和创业培训项目的甘肃政法大学(没有。X202011406011)。