文摘

作为一个有效的信息载体,图像是人类获取和交换信息的主要来源。因此,图像处理的应用领域涉及到人类生活和工作的各个方面。图像增强是图像处理的一个重要组成部分,起着重要的作用在整个图像处理过程。本文主要研究了基于偏微分方程的图像增强方法。通过分析偏微分方程理论和增强的结合,针对识别精度低的缺点,错误率高,和长时间消耗在当前城市规划图像特征识别的方法,一个功能增强城市规划和仿真图像提出了基于偏微分方程的方法;城市规划图像的预处理是通过收集实现城市规划的图像。在预处理的基础上城市规划形象,城市规划的图像划分为若干个相等的区域分区;每个分区的像素灰度值的平均值计算节点景观图像的像素分布密度;和像素点是否在城市规划的边缘图像是通过设置综合评判意味着阈值。根据判决结果,城市规划的高区别特征图像智能识别。 Simulation results show that the proposed method can realize efficient and accurate recognition of high difference features in urban planning images.

1。介绍

多媒体数字视频技术的迅速发展,数字图像处理越来越广泛应用于航空航天、国防、监控、国民生活、多媒体技术等领域。它不能只让人们观察和分析图像信息更直接、准确地也使人们更好地利用图像数据的1]。图像增强是一个重要的意思是改善图像的质量和视觉效果,为图像后续处理提供良好条件和视频跟踪。它也可以被视为一种技术改善图像的视觉效果或将图像转换成技术适合人眼观察和机器分析。图像增强主要是增强图像的纹理细节和调整图像的亮度和对比度后观察,分析和进一步的处理(2]。其中,图像纹理细节增强是指提高物体的边缘强度图像,使图像的纹理细节更突出。图像亮度增强指光明黑暗的图像或图像和黑暗的黑暗部分高亮显示的图像的图像或突出显示的部分,使整幅图像的亮度更均匀(3]。图像对比度增强的灰色范围扩大或缩小图像丰富的灰度图像,增强图像中对象之间的对比,改善图像的视觉效果。

作为一种新的图像处理的数学方法识别和研究近年来,基于偏微分方程的方法有不可替代的优势。偏微分方程可以直接处理视觉图像中重要的几何特性,有效地模拟视觉意义的动态过程,获得更好的图像质量,并有一定的稳定性(4]。因此,基于偏微分方程的图像增强方法已成为数字图像处理领域的热点话题。本文主要研究城市规划的功能增强和仿真图像偏微分方程的基础上,改进了现有的方法,并提出自己的观点和转换函数实现图像增强效果好(5]。同时,当解决基于偏微分方程的图像增强方法,本文采用有限差分法,介绍了热方程,计算量大大减少,提高了保证实现实时图像增强处理。

本文的内容安排如下:部分1是引言,主要介绍背景和研究意义。部分2讨论了相关工作。部分3分析了偏微分方程的相关理论。部分4分析了城市规划的应用程序基于偏微分方程的图像特征增强的方法。节5,城市规划的仿真实验分析基于偏微分方程的图像特征增强方法,不同的方法进行了实验仿真,与实验结果进行了比较。部分6总结全文,总结本文所做的工作和下一步的前景。

2。相关工作

虽然基于偏微分方程的图像增强方法是一种相对较新的图像增强方法,它发展迅速出现以来,发挥了重要作用在许多图像增强方法6]。偏微分方程的原则来增强图像增强方法特性根据指定的偏微分方程的变化函数,以便过滤图像中的噪声,和偏微分方程的解决方案(去噪图像7]。基于偏微分方程的图像增强方法有各向异性扩散的特点,所以它可以进行不同程度的扩散在不同地区的形象,以抑制噪声和保护图像的边缘纹理信息。

相关的学者和企业研究图像相似的技术。百度图片搜索引擎可以找到很多相关的语义或类似的图像资源根据输入语义或图片,和检索效率是非常高的8]。许多国内学者在计算机领域也做了大量工作的研究图像相似度算法。广东工业大学应用不同的算法来分析在不同的算法和图像的相似性给什么样的算法应该使用在什么场景;北京邮电大学使用大数据的分布式计算框架MapReduce研究图像的相似性;介绍了最大连接地区由相同的颜色和边缘颜色粗糙度(9]。通过这一改进,可以获得图像颜色的分布,以弥补颜色直方图算法的不足;图像相似度算法的准确性提高了结合图像纹理和颜色的低级特征(10];通过构建他的空间颜色直方图,然后使用累积直方图、图像检索的准确性可以优化(11]。

相关学者开发了图像搜索引擎。根据用户上传的图片,许多图像资源相关的图像可以快速检索。一些外国学者也用奇异值分解理论来解决图像相似度算法(12),由于图像数据的特殊性和人民图像相似性的不同理解。因此,有一些不足在研究图像相似度从不同的方向;各种因素没有形成一个标准来研究图像相似度(13]。例如,在图像的颜色特征方面,图像中颜色的数量是用于计算图像相似度。这项研究没有考虑每种颜色的具体分布在整个图像,计算图像相似度在某些特殊场景是不符合实际情况14]。研究图像相似的空间地方特色形象,筛选算法或其他特征点匹配算法可以用来研究图像相似度;虽然这些算法精度高,计算过于复杂。

3所示。偏微分方程的理论

偏微分方程的理论有两个特点。第一个是理论和应用之间的直接关系和物理问题。此外,偏微分方程的理论来自于具体物理问题研究的一个偏微分方程,因此它也被称为数学物理方程。第二点是偏微分方程的理论数学的其他分支的密切相关,如功能分析、代数、和复杂的分析。偏微分方程理论是一个基本的概念,基本原理,基本方法广泛应用于数学和相关领域。同时,它扮演着一个重要的角色在数学和物理研究的相关问题。

未知函数的偏微分方程 如下: 在哪里 ,和已知函数自变量呢和有限数量的未知函数的偏导数 。 可能不直接包含自变量和未知函数 ,但必须包含的偏导数 。

订单 最高的导数叫做偏微分方程的顺序。如果一个函数满足连续方程在一定变化范围的独立变量和所有 - - - - - -阶连续偏导数的方程,函数被称为古典解的方程。在实际应用中,偏微分方程通常是需要满足一定的条件。偏微分方程的条件必须满足通常称为定解条件。表达式的偏微分方程和定解条件构成定解问题(15]。常见的定解条件包括初始条件和边界条件。相应的定解问题,称为初始值问题和边值问题。当偏微分方程的定解条件稍有变化,相应的明确解决方案的解决方案的偏差问题也非常小,那么解偏微分方程的定解问题被认为是稳定的。

为了进一步了解偏微分方程,提出了傅里叶热传导问题。让对象是点 ,在时间和温度是由函数 。假设函数 是在 。为了获得方程描述热传播过程,应用牛顿定律。让是一个表面光滑位于对象和的单位法向量 。根据牛顿定律,在时间间隔来 ,热通过表面在正常的方向是: 在哪里 代表函数的导数 沿着方向和功能被称为物体的导热系数点吗 。由于对象是各向同性的热传导,不仅代表了表面的法线方向的函数点 , 。热可以生成或消耗在对象。释放的热量点表达的是热源密度 。的时间内热源的时间 ,所释放的热量的内部区域的对象是:

假设 ,为了推导出热传导方程在对象内部,根据牛顿定律,热量通过表面时间间隔的时间来是: 在哪里 外法向导数吗 。此外,热转换的区域从时间来可以由温度转换。这个热的方法是: 在哪里物体的密度和吗是物体的比热容点吗 。相应的热量平衡方程是:

根据高斯Ostrogratsky公式:

因此,方程可以写成:

自是任何区 ,的时间间隔 也是任何时期,是一个连续函数的积分,推导出的方程,下列方程适用于任何时候 在任何时候 :

在这个方程中,当是一个常数,它被称为热传导方程。 ,和代表方法基于偏微分方程的图像增强技术的直方图均衡化基于偏微分方程的图像对比度增强,良好的增强效果。变换是图像细节信息,亮度,和对比信息梯度值进行处理,从而实现图像增强的目的。然而,根据不同的情况下,该方法仍有很大的局限性。本文改进了基于图像增强的想法基于偏微分方程,进一步优化图像的亮度和对比度。

偏微分方程的直方图均衡化方法表达输出形象 ,及其演化方程是:

的公式, 表示为输入图像,是图像的面积定义领域;它可以证明了方程是梯度下降流的功能和独特的稳态解。

采用直方图均衡化的偏微分方程方法,及其价值满足方程:

让和代表原始图像的灰度值和增强图像,分别和相应的灰色概率密度函数和 ,分别。一般来说,灰色的和图像的归一化。找到一个灰色变换函数;转换后的灰度值和转换函数必须满足下列条件16]。

用边界条件,可以得到:

直方图均衡化的本质是扩大更多的图像中像素的灰度和减少低像素的灰度,以便调整图像的亮度和对比度。输出图像的累积概率密度函数等于输入图像的累积概率密度函数,并输出图像的概率密度函数是均匀分布。直方图均衡化算法的步骤如下:(1)计算像素的数量 ,每一个原始图像的灰度(2)计算原始图像的直方图,即每个灰度的概率密度(3)计算累积分布函数(4)计算输出灰度(5)使用映射关系,原始图像的灰度调整获得增强的图像,使图像直方图近似均匀分布

直方图均衡化的图像的灰度值均匀分布在整个256年的灰色的水平(17]。它可以加强与集中的低对比度图像灰色的水平,并调整图像的亮度在同一时间。直方图均衡化增强效果如图1(一)和1 (b)和相应的图像的直方图统计数据所示数据1 (c)和1 (d)。灰度分布均匀,增强效果好。然而,直方图均衡化仍有一些局限性。对于不同的图像,饱和度和增强经常发生,和图像的边缘结构不能磨,所以该算法并不普遍。

4所示。偏微分方程方法在城市规划中的应用图像增强功能

这一章是一个图像相似度算法在现实生活中的应用。以城市风光为背景,本章给出了城市现场监测系统的核心设计有效地监控城市风光。最后,结果将反馈给城市管理者,因此,城市管理者可以做出合理的决定,使我们的城市越来越干净和有序。

4.1。城市规划形象研究的概述

在城市场景,有许多地方需要使用图像相似性的判断。如何解决这个问题和计算机视觉的知识是本章的重点18]。查找是显示的主要概念和拍摄位置,希望在这个领域被监视,然后通常船舶监控视频数据到遗产机适用的处理,并最终做出相应的选择根据处理效果(19]。图像相似度算法的应用在城市场景大致可以分为以下重要的步骤。

以下4.4.1。城市场景监控设计

城市场景的监控设计主要使用监测设备的摄像头实时监控城市风光,积极监控视频图像的城市场景,然后把收集到的关键数据传送给服务器处理系统分析视频图像内容和提取关键信息。

4.1.2。获取关键帧

获取关键帧图像相似度计算的重要步骤之一。由于各种因素的影响,没有统一标准的视频关键帧提取方法。它只能选择适当的关键帧提取算法根据特定的场景。

4.1.3。图像预处理设计

图像预处理设计本文主要指的是图像去噪,因为视频图像输入后台系统采集环境的影响,比如摄像头的原因和实际场景因素(20.]。接收到的照片经常有许多缺点,比如巨大的噪音和不足的区别。为了解决上述问题,买了视频图像预处理。

4.1.4。图像相似性的系统设计

图像相似性的系统设计是给一般的城市场景监控系统的系统设计和详细描述系统中的每个重要环节通过调查城市风光的特点和一些成熟的深入研究和分析图像相似系统。

4.2。图像相似系统的设计

城市场景监控系统主要有四个功能组件:图像处理组件,预警组件,视频图像的存储组件,和视频监控组件。这些功能组件一起工作来准确地监控市区。城市图像监控系统的组成如图2。(1)监控模块:监测模块主要是用于监控需要监视的城市地区。网络摄像机可以用于监控,监控视频数据需要传输到视频图像存储模块及时在指定的时间内要调用其他模块(2)视频图像处理模块:视频图像处理组件是一个城市现场监测系统的重要组成部分。它的功能是分析的视频存储组件,获得关键的城市场景所需的图像监控系统,然后,计算图像相似度后的一系列操作,如去噪(3)视频图像存储模块:视频图像存储模块主要存储视频或图像数据通过监控组件。在特定的系统设计、视频图像的特点,应充分考虑,以确保有足够的存储空间来存储视频图像数据。因为视频和图像属于多媒体资源,大量多媒体资源的特点,复杂的资源,和复杂的输入和输出的数据资源。因此,在设计过程中,我们应该考虑视频数据和图像数据的存储周期,定期删除数据(4)预警模块:图像处理后的图像处理模块,根据最终的相似度计算结果合理的阈值,如果最终计算结果不小于相应的阈值,系统需要做一些提示预警信息。处理的结果反馈到实时城市管理者,这样他们就可以根据最终结果做出相应的决策。系统的整体架构如图3

5。实验结果分析

为了验证城市规划的可靠性基于偏微分方程的图像特征增强方法,仿真实验使用OpenCV图书馆在英特尔酷睿i7处理器,2.26 GHz, 4 G RAM的环境。几组不同的实验后,城市规划的可靠性和有效性基于偏微分方程的图像特征增强方法进行了验证,分别。

5.1。耗费时间的模拟提取图像奇异值

分别选择五个具有不同大小的图像。在这五个图像进行奇异值分解提取奇异值。

根据实验结果图4,第一个图像( )和提取第二个图像( )需要时间,时差的5.7倍。但是,当图像尺寸( ),的时差提取第一图像的奇异值和奇异值的提取五张图片是963.45倍。这个差距是非常大的;根据理论知识,增加图像的矩阵奇异值分解的时间复杂度是O (³)。观察图在图4,图的形状确实类似描述的功能 。实验表明,与图像尺度的增加,提取图像奇异值所需的时间越来越多,时间复杂度是O (³)。

5.2。模拟计算图像相似度

被选为实验群不同的图像进行多次检测,和基于奇异值分解的图像相似度算法和基于块奇异值分解的图像相似度算法进行比较,分别。实验使用巴比特距离测量向量的相似度,提取每个子图象的前30奇异值。

根据实验数据图的分析5,基于奇异值分解的图像获得的相似度和基于块奇异值分解的图像相似度获得不一致,区别是相对较大。观察第一组实验中,两幅图像之间的相似性差异为4.53%,和块基于奇异值分解算法的结果是小的。图像相似度计算的其他两组块基于奇异值分解的算法也小,但它是接近图像奇异值分解得到的相似性。这种现象主要是由于图像的分割,然后提取图像的奇异值,相当于提取图像的地方特色。每个子图象可以被视为一个整体形象的一部分。图像块的数量越多,算法的精度就越高;观察这些团体的时间复杂度的实验中,很明显,这种耗时的算法基于块算法耗时比之前的算法。然而,随着块的数量的增加,需要更多的时间,因为它还需要一些时间来块图像,这将影响算法的耗时。在实际的应用场景,结合算法的精度和耗时,几组实验可以获得一个最优的封锁计划,然后,计算图像的相似性。

5.3。不同算法的性能比较实验

被选为实验群不同的图像进行多次检测,和基于奇异值分解的图像相似度算法,基于块奇异值分解的图像相似度算法,分别和颜色直方图算法进行比较。实验使用巴比特距离测量向量的相似度,提取每个子图象的前30奇异值。

通过分析实验数据图6需要很短的时间内,传统的颜色直方图算法计算图像相似,但奇异值分解需要很长时间来计算图像相似度。块奇异值分解算法提高了奇异值分解的性能在一定程度上,但性能需要进一步优化与颜色直方图算法。这个问题将在作者未来的进一步研究工作。

5.4。验证和比较不同方法之间的相似度

在这个实验中,两个的照片 选择对许多实验,改进后的算法与直方图算法和灰度同现矩阵算法。实验源图像如图7。实验参数设置颜色直方图采用256种颜色的灰度图像。灰度的价值是: ,32、64、128。距离的值1、3、5和7。运动角度 。改进算法的重量 ,和 。

根据图中的数据7,不难发现不同灰色的水平和距离会使图像相似度计算结果不一致。通过分析实验数据图7,我们可以得出以下结论:当图像灰度是32和64年,当距离是3,5,7,折线的变化范围非常小,逐渐趋于稳定。此时,计算图像相似度是非常稳定的。在计算图像相似度的具体场景,可以使用这个方法的多个实验获得相对稳定的图像相似性。然而,图像灰度值将直接影响建筑的规模矩阵。灰度值越大 ,时间越长耗时的构造矩阵和整个算法的执行时间越长。考虑到算法的整体运行效率,它通常是必要的适当的值根据自己的场景。通过分析和比较几组实验中,作者得出以下结论:一般来说,当灰度32和距离 ,可以获得相对稳定的图像相似性。现场实验精度要求较高,可以提高灰度,和现场要求算法时间复杂度高,灰色的水平可以减少。比较改进后的算法和灰度同现矩阵算法,可以看出这两个算法对图像相似性很大的影响和不同的灰度值的像素距离。这一现象的原因是,提取图像纹理特征与不同的灰色的水平和距离值是不同的,所以计算图像相似度是完全不同的。接下来,根据不同的距离公式,改进的相似性算法用于测量数据的相似性7(c)和7(d)。实验参数设置:灰度参数是32,距离参数是5。实验结果如图所示8。

不同距离公式是用来测量一组图像的实验。发现实验结果计算了这些距离公式是不一致的。巴比特直方图相交法和距离的计算结果最接近,而欧氏距离的计算结果和余弦距离相对较近。这表明不同距离公式的使用有影响的计算图像相似度。令人满意的距离测量公式应该接近人眼的视觉特性。在特定的应用程序,几组实验可以进行选择的距离测量公式最符合现场。

6。结论

提出了一种新的解决问题的办法,商品价格的认可,也就是说,高维数据的非线性降维方法引入图像识别。可以找到高维数据集的特征结构的非线性降维得到单个图像的特征表达载体,以将高维识别问题转换为相对低维特征表达载体的识别问题。与频繁的方法相比,这种考虑有以下特点:方便和快速计算和存储容量小。它完全可以我照片的固有数据统计和遗漏一个巨大数量的冗余信息。每张图片都可以单独处理;它可以极大地提高公共方法的识别效果。因此,这个表达式的图像数据可以广泛用于识别、搜索和其他方面。这种方法可以降低计算的复杂性,提高识别的准确性,便于进一步处理,如图像识别和搜索。解决了传统算法的缺陷,大宗商品价格进行识别和仿真实验,验证了可行性,基于非线性降维方法的图像识别技术在商品价格的认可。

数据可用性

所有的数据、模型和代码生成或使用在研究出现在提交论文。

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

刘沛沛是一个博士生的协助。这篇论文是博士论文的一部分研究。