文摘

本文研究数字媒体图像使用扩散方程的处理来提高图像的对比拉伸或扩展图像的亮度分布数据来获取清晰的数字媒体信息图像。摘要非线性扩散滤波的图像增强算法用于速度项添加到扩散函数使用一个耦合的去噪模型,这使得原始模型的扩散平滑,干涉图是数值求解的数值模拟来验证模型校正前后去噪处理效果。为了满足实时视频监控领域的应用,本文的优化算法程序,包括软件管道优化,操作单元平衡,单指令多数据优化,算术运算优化和片装存储优化。这些优化使非线性扩散基于过滤器的图像增强算法实现C674xDSP处理效率高,处理速度为每秒25的帖子 视频图像大小。最后,超级像素块的意义意味着价值计算在superpixel单位,和图像划分为对象和背景结合大津阈值分割算法更形象。在这篇文章中,该算法实验的几套侯尔侯尔分辨率遥感图像,分别和马尔可夫随机场模型和完全卷积网络(FCN)算法作为算法进行了比较。通过比较实验结果定性和定量,结果表明,本文算法具有明显的实际效果在数字媒体影像的对比度增强和具有一定的实用性和优越性。

1。介绍

近年来,随着信息科学和技术的发展,图像作为一个关键的意思是获得新闻,表达新闻,和传送新闻在人类的日常生活,并以其不同的形式表达占据了很大一部分的信息表达,图像的重要性逐渐发现并依附于人;因此,研究图像处理也是启动(1]。数字图像是使用电脑处理图像中包含的信息,和处理图像信息可以更好地满足人的主观需求的目标图像信息访问和客观需要。一个是选择性平滑;即图像可以有选择地保护的一些模糊特征区域,消除其他特征区域;第二,很容易产生迭代进化过程的非线性扩散方程。分段常数”的形象:数字图像的本质是数字代码,可以通过计算机显示和输出图像。图像处理一般包括图像转换、增强、复原、分割、编码和形态学处理。图像修复包括图像去噪、恢复和去模糊,本文着重于一个图像恢复的一部分,即。,图像去噪2]。

数字图像噪声通常包含在实际应用程序中,我们称之为噪声图像。源图像的噪声影响的两个主要因素:成像设备本身的缺陷和外部不可控环境图像生成过程中(3]。人们往往被噪声观测图像中提取图像信息,影响人们的正确认识和判断真实的信息。在某些情况下,图像中的信息已经完全被噪声淹没,导致后续相关工作受阻。观察各种指标的数据,可以发现,尽管Perona-Malik模型可以有效地平滑图像噪声和背景时 值很小,它不有效改善图像对比度和平均灰度值。相反,平均灰度值减少。在光线较暗的图像,它没有很好的增强图像。如果你坚持使用嘈杂的图像进行图像处理,如图像识别,你通常不会得到非常满意的结果从这些识别处理。因此,为了确保后续图像处理的信度和效度,以及图像的存储和分析信息,污染图像的去噪是图像处理的重要组成部分。通常,我们使用一些传统的图像去噪方法,如小波去噪、中值去噪,去噪,和维纳去噪4]。

图像增强算法,旨在提高有用的图像信息,减少无效的信息,如毛刺噪声通过对图像进行像素级处理,最终为人类的眼睛提供更有效的图像特征来获取信息或进行后续的计算机处理。图像增强算法,进化的各向异性扩散模型基于偏微分方程的图像增强算法继承和优化本地处理增强算法,在传统的Perona-Malik模型可以提高图像对比度,增加图像的细节,减少噪音结合梯度计算(5]。然而,由于这种方法消除了图像增强过程中的细节部分,导致更多的损失在增强图像的细节信息,有一个需要添加保留细节部分的处理算法。同时,模型有很大局限在单一的处理,和增强效应增强的地区由单一处理的梯度变化不明显;所以在实践中,当使用Perona-Malik模型增强边缘和non-edge地区,大多数情况下都是多次迭代算法来达到理想的效果,提高细节和对比这使得算法更要求满足实时状态。Perona-Malik模型在以下三个方面的改善。首先,边缘信息保留在模型参数的改进。其次,通过导入前算法模型,提高图像对比度和亮度。第三,保证图像质量的前提下,尽量加快迭代计算的处理过程尽可能多。

人满意,其方法也可以扩展到颜色域,它提供了一个非常重要的基础和参考图像增强的理论发展(6]。灰度变换增强是一个相对简单的方法,改变图像的像素值逐点按照一定的目标条件后一定像素灰度值变换函数,该方法实现简单,速度快的特点,缺点是由于相同的全局函数用于每个像素值,因此图像的局部细节增强是不够的。在实践中,使用最广泛的一类图像增强方法,直方图enhancement-based算法(7]。直方图增强、直方图均衡化,图像的直方图分布改变的过程中通过一些操作,这样图像像素灰度值分布在整个灰度,从而获得增强图像对比度和信息。直方图增强的方法实现简单的特点,很容易产生更好的结果,但是它的缺点是它不选择性地增强图像数据,这可能总是放大图像的噪声;另一方面,因为在实践中只能近似图像直方图均匀性,它不能实现均衡图像的像素在整个范围的灰色的水平,这使得图像的信息在一定程度上削弱了。

学者做了大量研究单一形象同质化。水下视觉图像的亮度不均匀现象引起的点光源照射有效地纠正了灰度拉伸元素的元素(8]。传统的Perona-Malik模型结合梯度计算来提高图像对比度,增加图像细节和减少噪音。然而,由于这种方法平滑图像增强过程中的细节,导致更多的损失的细节图像增强过程中,有必要增加保留的细节的处理算法。光场的建设提出了校正滤波器基于高斯差分滤波器,滤波器参数优化,具有良好的处理效果和速度的照明不均匀现象;自适应亮度均衡方法提出了文本图像的亮度不均匀现象,达到有效的处理效果;自适应分割和调整图像的处理利用均值和方差达到良好的实验效果。基于正常的颜色调平方法拦截线性拉伸高斯bandstop过滤了,这可以更好地消除表面皱纹,增强亮度,而且影响扫描的颜色平整处理历史地形图。提出了一种补偿方法来消除不均匀照明(9]。提出了一种基于小波变换用于均质化的过程,并取得了更好的效果。处理算法可以分为两类根据采用不同的模型:一个是加性模型,另一个是一个乘法模型。相加模型对要处理的图像,如果是通过添加brightness-balanced获得目标图像和嘈杂的图像(背景图像)和消除了噪声图像中减去计算消除光照不均匀的图像处理。这类算法主要关注的问题确定噪声图像灰度不均匀的遥感图像和噪声图像很大程度上决定了好与坏的结果统一光处理。

2017年,大规模现场可编程门阵列(FPGA)架构基于双边滤波去模糊单一图像的实时计算加速度设计,能够处理 实时视频。同年,一个快速中值滤波算法的FPGA实现基于排序的设计,大大利用FPGA的并行操作原则。在过去的两年里,算法的FPGA的应用程序的数量增加,并基于之前的研究,增强算法提出了基于统计和对数图像处理(10]。该方法使用多个计算亮度通道的融合与彩色图像的统计信息渠道获得输入的彩色图像进行自适应颜色增强。为了解决这一问题的过度占用的资源过滤模块,一个最大的硬件结构 模板提出了基于树结构,大大解决了过多资源占领的问题。光环减少过滤器的色调映射算法在FPGA上实现,和功能,如自适应参数估计和Gaussian-based光环减少过滤器完成(11]。的红外图像增强算法的FPGA实现双边滤波和直方图均衡化的结合提出了红外图像。使用图像分割处理方法,重复处理的自适应直方图均衡化算法能够避免一个图像,以及FPGA图像处理的流水线操作和并行性是充分的利用。许多算法加速应用程序中,FPGA的高速实现图像增强算法的各向同性扩散模型是可用的;所以,在这一领域的研究也是有价值的。今天,世界上主要的公司已经推出了许多基于基于硬件实现的定制解决方案,开发人员可以直接选择的操作,比如常用的对比度调整以及边缘检测,一方面。另一方面,有一个走向高级设计,可以看到HLS异构的开发设计和MATLAB异构设计近年来(12]。

3所示。基于扩散方程的图像对比度增强算法

3.1。图像增强算法

非线性扩散是一种非线性滤波方法,这些偏微分方程模拟杂质粒子运动的物理过程。基于非线性扩散方程的过滤方法有两个优点,一个是选择性平滑,即。,它可以选择性保护的一些模糊的图像特征区域和消除;另一种是,在迭代演化的非线性扩散方程,很容易产生“分段常数”类型的形象。因此,非线性扩散滤波可用于本文的图像对比度增强算法。本文客观分析方法用于图像结果(13]。基于贝叶斯统计模型框架使用最大后验准则估计原始图像的概率。这个模型是基于一个特定的概率分布模型,但这将很难画一个先验概率模型的图像。因为结果是主观评价主要是通过观察图像的细节信息和图像质量,和标准是受观察者的状态,他们不习惯。有关图像对比,比较客观的标准图像标准差和图像平均梯度,i5处理器的处理时间的主要添加2.6 GHz的频率作为参考,这参考时间还包括阅读图像缓存的时间在项目的开始计划。图像对比计算如下所示。

观察索引数据,可以发现,尽管Perona-Malik模型可以有效地平滑图像噪声和背景时 值很小,它不有效改善图像的对比度和灰色的意思,但灰色意味着减少,不利于较暗的图像增强的图像。防止造成的细节模糊迭代次数的增加,该算法只能保留原图像的细节信息利用不操作;因此,它可以被称为一个平滑函数基于扩散函数的功能在传统Perona-Malik模型平滑操作。如果该值的 增加,图像更容易顺利扩散,因此需要更多的迭代保留边缘信息,但这导致图像质量下降,虽然它提高了对比,它还继续在迭代模糊图像细节虽然图像纹理增加平均梯度如图所示,图像的整体质量下降相比,基于标准差的原始图像和图像细节信息的程度的表示14]。此外,根据表中处理时间,5迭代的处理时间为一个单一的形象 尺寸已经被证明很难满足实时要求使用软件算法的实现,和这些现象大大限制了应用Perona-Malik模型在图像增强领域。我们使用变量、动态参数和运动变量的模拟多孔介质流连续函数的时间和确定空间位置的坐标。完成这个操作,我们需要假设一种媒介,建立渗流模拟基于这一背景,例如,图像灰度的插值函数。模型的一种有效的分析后,Perona-Malik模型改进为以下三个方面。首先,保留边缘信息提高了模型参数。第二,提高图像对比度和亮度通过引入前的算法模型。第三,加速迭代计算中处理尽可能在保证图像质量的同时,如图1。


图1
情节Perona-Malik扩散函数的模型。

偏微分方程(PDE)的开发方法在图像处理的方向已经非常可观的在过去的三十年里,数字图像处理,这是学术界的宠儿,是学习和研究的学科领域,如物理、化学、计算机科学和信息工程。偏微分方程(PDE)已经被广泛的应用不仅在数学,还在其他几个分支,如热透镜效应的研究方向的光学、PDE-based图像处理方法在哪里吸引学者以他们独特的属性,和PDE方法在图像处理中的应用还包括几乎整个领域的图像处理,包括图像分割、去噪,识别,特征提取,等等。本章主要介绍了变分方法的图像处理的基本概念,变分原理,并详细欧拉方程,介绍和研究图像变分方法的原则通过图像恢复中的变分问题;也就是说,问题转化为广义函数极值问题找到问题的最小值。接下来,PDE图像处理模型研究,专注于电视全变分模型、线性模型中,大学出版社模型和干涉图的数值解。最后,陈的耦合PDE模型研究和数值求解模型,免费的前置过滤正规化出版社模型。

同时,许多专家和学者们研究了变分方法的图像处理更大的深度,和许多新的和更好的模型,提出了变分图像处理在此基础上,基于贝叶斯框架其中统计模型和变分模型基于PDE的两个主要模型目前在图像恢复领域的使用。当扩散系数是正的,也就是说,在平原地区低梯度值,这个区域的噪声平滑方法的扩散,扩散系数是负的,这是一个反向扩散通过逆向扩散的过程。方程增强图像的边缘细节和其他信息。基于贝叶斯框架的统计模型利用最大后验估计原始图像的概率准则,遵循一定的概率分布模型,但这很难得到先验概率模型的图像。基于该模型的框架下,吉布斯随机场图像恢复模型和马尔可夫随机场。多年来,研究热点逐渐转向变分模型;虽然在中国的当前状态相关的研究仍缺乏。变分图像恢复模型的确定性方法是一个类一般函数的极值问题可以从图像恢复问题的转换通过引入能量函数,也称为变分问题。

HSV颜色空间是一类基于人眼感知颜色空间,分为色相( 组件),饱和度( 组件),和亮度( 组件)。因为颜色和亮度HSW色彩空间组件是鲁莽的,原始图像的颜色信息可以保存在处理亮度。由于非线性扩散基于HSV域的图像增强算法只关注提高对比度图像的亮度分量,从RGB颜色空间转换到HSV颜色空间进行处理流程的开始,只有图像亮度分量 增强流的处理内核桶,而色度分量 保留在饱和组件 ,最后,HSV颜色组件 在HSV颜色空间进行RGB颜色空间转换执行相应的算法流程。HSV的处理流程域的非线性扩散图像增强算法如图2。


图2
HSV域的处理流程处理图。

模拟多孔介质渗流的连续的想法通常被认为是与流体连续性。然而在实践中,液体的密度占据的空间只能表示为一些连续的函数。来分析和解释了多孔介质中流体渗流使用PDE在数学的方法,我们把变量,动态参数,在仿真和运动变量在多孔介质流的连续函数的时间和确定空间位置的坐标,并完成该操作,需要假设一种媒介,建立渗流模拟在这种背景下,如插值函数图像的灰度级(15]。不同的单相牛顿流体,很明显从研究多孔介质中流动 在达西定律之上独立于单相牛顿流体的性质,只有相关的结构多孔介质本身的属性。换句话说,如果相同的多孔介质流不同的单相牛顿流体,的价值 在达西定律代表了渗透率,不改变其大小。所以,达西定律的比例因子是等效渗透率,比例因子通常是一个常数用于反映多孔介质的结构属性。

3.2。扩散方程模型建设增强算法

基于偏微分方程的图像处理已逐渐成为数字图像处理领域的一个重要分支,由于其强大的物理和数学基础理论的支持。最简单和最好的研究偏微分方程图像平滑方法是应用于扩散过程。扩散是一个物理过程,它是指平衡浓度差异没有创建或销毁质量,更为经典的热扩散方程,奠定了偏微分方程在图像处理的理论基础。它可以用数学表达

从物质守恒定律的推导过程,众所周知,运动的一般规律的物质从高浓度流向低浓度,流量与物质的浓度成正比,和这个物理过程可以称为菲克定律。因此,本文算法和马尔可夫随机域算法有一定程度的错过了检测时检测这部分的建筑,建筑的检测部分并不完整,建筑检测到目标的一半,一半被标记。归类为背景:数学模型构建的基于偏微分方程的图像处理方法,通常改善基于情商的偏微分方程。4),通常可以分为线性扩散和非线性扩散方法,这主要是由扩散系数(16]。当扩散系数是一个标量常数,情商。4)是一个线性各向同性扩散方程;当扩散系数是一个标量变量,它是一个非线性各向同性扩散方程,当选择扩散张量的函数估计当地的形象结构,这种扩散过程会导致非线性各向异性扩散滤波。

一个非线性扩散模型是一个偏微分方程组成的扩散函数,它描述了一个图像的微分结构。其中,基于非线性扩散偏微分方程首次提出通过Perona一起和马利克,也称为点模型,构建扩散项和扩散的方向偏微分方程基于输入图像的梯度,与最初的意图解决的问题所造成的模糊图像边缘传统线性扩散方程。解决偏微分方程对噪声的敏感性,Perona-Malik模型被提出改进正规化Catte基利波山模式,et al。另一方面,本地Perona-Malik模型的扩散系数调整根据图像特征(如边缘和纹理),和向前和向后扩散算法的自适应图像增强和去噪基利波山提出et al。之后,基于这些方法,标量取而代之的是扩散张量的扩散系数构造根据图像的纹理特征,如边缘增强模型和Weickert提出的相干增强扩散模型。

从情商。5),它可以注意到等式的右边第一项就像Perona-Malik模型中的扩散函数,即:转发扩散,而第二项代表反向扩散方程。当扩散系数是正的,即,the noise in a flat region with low gradient values is smoothed by forwarding diffusion in that region, while when the diffusion coefficient is negative, it is a backward diffusion process that enhances information such as edge details of the image by the equation of backward diffusion. The stability of the algorithm can be achieved since most pixels in natural images have low gradient features and singular edges lead to the inversion of the sign of the diffusion coefficient. However, the FABD model is not very practical when it encounters highly textured or very noisy images, as shown in Figure3。


图3
流程图过滤器扩散的图像信息分区方案。

在系统中,图像的显示需要缓存数据,本文使用three-frame缓存模式显示,这是比双座缓存乒乓操作更可靠。与此同时,图像数据传输模块不能接口直接与米格IP核心;所以,司机控制模块需要实现上述功能;DDR3驱动控制模块是数据存储模块的设计的重点。有两种方法可以实现行缓存,一个是使用移位寄存器来保存数据到寄存器,这个方法很容易设计,但有一个限制寄存器的数量,就可以形成1080注册,而移位寄存器的使用将导致大量的寄存器资源本文中使用的图像格式 ,一行的像素数据超过了最大数量的移位寄存器,这使得它需要多个移位寄存器来实现这一目标,这也使得这个实现方法更低效,以及设计的状态图如图4。


图4
增强的算法模型的结构设计图表。

随着科学技术的发展和学科领域的扩张,许多物理问题需要解决已经逐渐显示,相同的理论解决问题变得越来越完整。PDE方法在图像处理领域已得到改进的数学理论变得更加完整,和PDE方法在图像处理领域得到了国内外很多学者的关注,并被广泛研究的优势比其他传统的去噪方法。实现良好的去噪效果,因此建立了相应的非线性扩散模型,希望能保持图像的细节纹理信息,同时去噪。然而,通常情况下,这些模型是病态的。纠正这些问题,很多学者进行了深入的研究正则化的非线性扩散模型,和两个经典正则化模型提出了解决健康问题,即零域正则化模型和时域正则化模型(17]。当人们观察图像,提取图像信息时,他们常常被噪音,影响人们的正确认识和判断真实的信息。更重要的是,图像中的信息已经完全被噪音,这阻碍了后续相关工作。这两个模型将病态非线性模型转换为良性,但正则化模型通常需要原始图像预处理,和高斯预处理参数的选择是由大量的噪声在图像处理中,由于要处理的图像中噪声水平是未知的,预处理的大小尺度参数的设置是有限的。这个高斯前置过滤方面很难满足需求在SAS系统实时处理。因此,multiphysic领域图像处理方法的研究显示它的重要性在图像的实时去噪处理。

4所示。分析的结果

4.1。增强算法的结果

从实验结果中,我们可以看到左上角的独立和普通建筑S1实验图像的一部分,本文算法和马尔可夫随机域算法可以实现好的结果;而对于长strip-shaped建筑下部的形象,因为他们更类似于背景的颜色和亮度,建筑物的边缘不规则锯齿状;因此,本文中的算法和马尔可夫随机域算法可以检测建筑物的建筑在这部分都有一些漏,检测到的部分建筑不够完整,一些建筑目标检测部分,一半,一半是归类为背景。最大的区别这两种方法的实验结果是位于图像的右上角一半,那里有几个连续的建筑与不规则形状。本文算法提取不规则建筑右边因为它考虑各种特性如亮度、颜色、边缘,结构对称,和结构完整性,而马尔可夫随机场模型在这一点上表现很差,导致错过了检测。从实验结果可以看出,单一建筑物的检测,本文算法和马尔可夫随机场模型达到令人满意的结果;然而,一些灰色的房子中间的图像没有检测到马尔可夫随机场模型由于小对比灰度和背景。几个灰色建筑上端的形象,与背景区分开来,分为superpixel整个街区的分割,因此在本文的算法提取,而马尔可夫随机场模型直接省略了建筑物,如表所示1。

表1
统计数据的两种算法提取结果。

通过添加编译优化编译器优化自动完成选项或通过添加优化信息的代码。优化的目标是实现软件流水线平衡分配运算单元 ,单指令多数据(SIMD)对循环体代码优化的影响。(1)软件流水线。软件流水线技术可以 用于编排指令在一个循环体,这样多个迭代层并行执行的指示相应的迭代层。限制了软件的优化管道的一个因素是相邻的迭代层之间的依赖关系,即。,后面的迭代的执行取决于上一次迭代产生的结果(2)平衡分配运算单元。在一些循环的身体,在一个迭代层,说明不平衡CPU分配给两个计算单元,导致两个算术单元消耗不同数量的时钟周期。解决办法是扩大循环体,重新分配算术单元通过把多个迭代层作为一个迭代层

指纹图像增强的一个重要组成部分是指纹识别的预处理步骤过程,旨在修复退化的指纹图像,连接断了线,提高指纹图像的对比度。在仔细研究了各向异性扩散算法,一个两级指纹图像增强算法提出了基于各向异性扩散和影响过滤结合影响滤波算法(18]。以确保后续图像处理以及图像信息存储和分析的可靠性和有效性,污染图像的去噪是图像处理的重要组成部分。通常,我们使用一些传统的图像去噪方法,如小波去噪、中值去噪,去噪,和维纳去噪。这种方法使用的第一阶段,即方法提高退化的指纹图像,然后,提高滤波的图像边缘的影响。退化的指纹图像处理用这种方法保持相干增强扩散的积极成果修复中断的指纹图像,同时增强指纹图像的边缘和对比。不连续影响滤波器的基本原理提出了1975年来确定图像的一个像素点在一个点属于最大或最小影响地区通过拉普拉斯算子的值,如果拉普拉斯算子的值是负的,像素点属于地区的最大影响,和扩张操作用于像素点在这个地区,如果拉普拉斯算子的值是负的,像素点的最小影响地区和侵蚀的过程就是像素上执行。上述过程是迭代的需求,直到振荡生成这两个影响区域的边界锐化增强的边缘,使图像边缘锋利的,如图5。


图5
平均值的比较。

在本节中,我们使用两种数值方法来实现我们的模型。模型的数值格式设计,利用现有的有限差分方法和先进的方法。数值离散化而言,我们首先指的是基本的离散化方法,但有限差分数值离散化方法是费时;我们需要考虑一个快速算法,使用先进的算法来提高算法的效率,先进的算法是稳定的稳定,以满足所需的精度实验,通过调整时间步可以获得更高的实验效率。根据数值格式编程实现,观察实验效果,更深入地分析模型根据实验结果,发现不足,并及时改正,这样的模型可以得到改善。有限差分法可以直接用于扩散方程的数值离散化,但一个三流的步骤需要选择确保计算的稳定性;因此,至少需要数百个迭代达到稳定状态;因此,它是有意义的,需要找到一个有效的数值方法。如果在上面的离散化格式, 层的数据用于系数数据和图像数据,这就构成了一个显式数值方案张量扩散。如果 层数据用于模型数据的一部分,和 层数据用于其他部分semi-implicit数值方案可以构造,在这种情况下,先进的算法也可以用于数值计算。

本节将使用两种方法同时加快光估计本文改进算法的步骤;更高效的先进算法用于扩散方程的迭代更新增加迭代的更新速度;整个法律生成过程使用一个多分辨率金字塔结构多次downsample图像并产生低分辨率图像在不同尺度上迭代,设置更多的迭代的低分辨率的图像(19]。自《超能数值方案在第二章讨论,本节只描述了多分辨率加速方案。多分辨率图像处理是一种有效的方法来提高处理速度,运送,因为低分辨率图像包含更少的数据,同时保持结构不变,降低算法的计算量。在这篇文章中,我们简单地downsample原始图像倍W2生成多分辨率金字塔层次结构,然后迭代估计最低的照明从顶层开始决议,完成后和迭代执行2倍插值扩展并使用它作为下一次迭代的初始图像层。将采样的数量不应太多,和低分辨率图像的大小金字塔的顶端应该允许不少于200, 防止损失的图像边界 胃休息。由于优越的选择性过滤性能的非线性扩散滤波、对比度增强效果的增强本文算法优于 以前类似的算法。

4.2。图像Multifeature对比处理结果

传统伽柏滤波增强算法易受背景的影响区域处理指纹图像的边缘时,不能准确地找出块频率,导致边缘部分不能被有效地增强。设计提取器提取指纹的伤疤占用更多的内存空间和计算时间更长。本文在研究各向异性扩散算法的增强指纹图像,结果表明,该方法可以避免一些传统算法的缺点,如果结构张量作为工具来指导的发展规模和空间测量一个更可靠的当地的取向增强的图像流式结构(20.]。算法的扩散行为主要是在最高的方向一致性和变得更强,随着相干性的增加。因此,在实际的使用过程中,当使用Perona-Malik模型增强边缘和nonedge地区,在大多数情况下,必须处理多个迭代算法,以达到期望的效果改善的细节和对比。这使得必要的算法。会议实时性能的条件更加严格。和它的缺点是,它会导致一些指纹图像的现象减少了对比相干结构和背景由于过度平滑,它有缺点,估计扩散方向不准确计算结构张量低质量指纹时(例如,指纹的脊粘附现象由于环境、压力,和其他条件)。指纹图像增强的一个重要组成部分是指纹识别的预处理步骤过程,旨在修复退化的指纹图像,连接断了线,提高指纹图像的对比度。在仔细研究了各向异性扩散算法,一个两级指纹图像增强算法提出了基于各向异性扩散和影响过滤结合滤波算法的影响。这种方法使用的第一阶段,即方法增强指纹图像然后锐化图像边缘退化的影响过滤。退化的指纹图像处理用这种方法保持相干增强扩散的积极成果修复间歇性的指纹图像,而且还要增强指纹图像的边缘和对比,如图6。


图6
crossvalidation实验的结果。

在本文中,我们使用MATLAB仿真来增强指纹图像,采用相干增强扩散算法滤波算法的影响,CED-SF算法本文设计并比较三种方法在指纹增强的性能根据实验结果。增强指纹图像模拟的指纹识别,指纹图像与模板相同的ID选择指纹,增强指纹与指纹模板进行比较,和相应的匹配分数计算。实验证明本文算法的增强指纹比其他两种方法的提高,和本文算法能增强指纹的详细特性,提高指纹匹配程度的退化(21]。最后,这三种方法是在艺术上创建在其他流动纹理图像,及其特性表现在艺术创作和其他方面进行了分析。指纹增强主要提高了纹理的特征信息,这样基本特征点指纹图像可以精确地获得后续的提取工艺。指纹识别过程中特征点的提取,通常的办法是直接在灰度指纹图像或关键指纹图像,直接从纹理中提取细节点线结构的指纹,但用这种方法提取的特征信息并不总是可靠的。使用最广泛的和可靠的方法是首先细化指纹图像,然后从精制山脊,获取特征点计算更简单和更准确。本文中使用的方法是基于提取精制指纹图像的模拟指纹识别实验。该算法由四个步骤组成:二值化,细化,提取详细的特征点,和匹配,如图7。


图7
肉眼区分灰度的能力。

从生物学的角度,研究分析了亮度,颜色,图像的频率影响人眼对比敏感度。针对空间频率的研究表明人类的眼睛具有带通系统的特点与区别的能力有限。发现对比敏感度函数(CSF)是用来表示人眼的灵敏度和频率之间的关系在不同空间频率。CSF是一个带通函数与空间频率的自变量和因变量的视觉敏感度。CSF函数的响应曲线,从图可以看出,是视觉的相对大小,给出带通特性。对比的敏感性最高的区间[0.03,0.25]。更深入研究视觉生理学设置许多带通滤波器在视网膜的存在,图像分解成不同的频带,每个乐队都有一个狭窄的带宽,和它的宽度会增加多种的,比如。,其带宽相等时,分析了对数的视角。外部图像信息可以根据不同的频带划分和处理,处理和图像信息在每个频带分别通过相应的渠道。因此,由人眼视觉处理信息的过程是一个多通道系统,根据图像特征处理。

5。结论

模型提出了能有效保护边缘提取非局部结构信息,同时避免等问题导致图像失真。增强图像流的相干结构,两种不同的扩散方案,适应扩散方案和过滤扩散方案,旨在指导模型的扩散过程根据图像的特征结构适应图像本身的扩散过程。过滤后的扩散方案有较低的计算复杂度,更全面的考虑图像信息相比,自适应传播方案,并细化分区可以更好地指导扩散图像信息特征。本文提出的模型可以实现改善的效果类似的质量结构不破坏原始图像的一些细节。模型提高效应而平滑的平滑区域,和各向异性扩散使恢复的几何特征地图保持不变;因此,它在实际应用是有价值的。使用multiphysic场耦合理论模型建模,干涉图去噪,并确定该模型具有较好的去噪和边缘保持能力。修改multiphysic场耦合模型,提出了干涉图去噪使用模型和加工干涉图评估使用等效视数和边缘保留系数。结果表明,修改后的模型能有效地消除干扰干涉图和更好地保留边缘信息。

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

这项工作得到了国家自然科学基金的研究基金在格兰特:研究理论和方法上的可逆数据隐藏的大容量图像(62162006);中青年教师能力改进项目广西:研究可逆和可分离的数据隐藏算法在加密图像(2020 ky16021)和遥感研究场景基于特征分类的混合编码(2021 ky0650);研究多源信息挖掘与广西重点实验室基金安全:研究可逆和可分离的数据隐藏算法在加密图像(MIMS18-05),中国东盟学院的统计数据。