文摘

在大数据时代,图像和视频是信息传播的主要方式之一。近年来,图像和视频重组问题研究和集成数字图像处理技术已成为一个热点话题。使用计算机进行图像处理,复杂的编程是不可避免的。因此,有必要为图像处理优化的交互式算法。本文的内容筛选和综合图像处理实验,和一个图像处理实验系统建立了基于Matlab的GUI平台对不同层次的图像处理知识模块。为了验证提出的优化算法的有效性和实用性,实验模拟进行复杂的自然图像和复杂的人眼图像。USB相机的速度通常是25帧/秒和15帧/秒之间,在240×320张照片,交互式算法在本文中只需要大约59女士,足以完成自动交互的实时视频,方便后续的图像提取。实验结果表明,复杂的图像处理系统的交互式算法本文优化图像分割的萃取率,提高抗噪声性能和深度萧条地区的分割效果。

1。介绍

大数据是一种技术广泛应用在计算机网络领域。这是一个科技革命后,电脑和互联网,它可以有效地处理大量的数据。大数据主要特点是大量的数据,多样化,传输效率高。使用大数据的技术,可以处理大量的数据,数据处理速度高,可以实现实时数据处理和类型的数据也非常大。它可以处理图片、文本、音频和视频,而且在许多形式。

在二十一世纪,全面普及计算机和连续突破相关的计算机理论的发展,人类已经进入一个快速发展的信息社会的时代。图片和视频作为主要保护形式的视觉信息。计算机视觉和数字图像处理技术得到迅速发展1,2]。视频是由图像序列,这是一个三维图像,更生动形象。视频前景自动提取技术,作为一种重要的视频分析和处理的方法,具有广泛的应用前景和研究意义在许多领域如电影制作、视频会议和虚拟现实(3]。在电影制造业、视频或图像前景提取技术中发挥着重要作用阻碍生产,检测指定的视频或图像前景区域,取代它的背景,保证图像质量的前提下,可以大大减少电影制作成本,提高可视化的电影4]。在一些电影,大量的前景提取技术用于获得supervisual效果和特效,使电影摆脱了时间和空间的限制,获得想象力的影响。在此基础上,本文对图像处理的算法研究具有重要意义。

舍伍德等人认为,数字图像处理系统是复杂的。算法实现不能直接使用其他计算机视觉库开发的结合算法。这是一种有效的处理各种图像处理算法的计算技术。为了促进软件的可重用性和适应性,以适应新类型的分析,建立了可持续性特征。他一直在集成测试和医学成像的应用程序的框架。未来的工作包括引进更好的性能功能连接到另一个处理服务实例(5]。近几十年来,解剖结构的建模在时间和空间上得到了广泛的研究。张等人提出了一个方法使用机器视觉方法,主要使用不同的算法来处理医学心脏图像通过四个阶段。首先,平滑算法,以减少噪音。第二,图像分析滤波算法用于识别目标区域。第三,目标区域的图像特征是进一步提高找到图像的基本轮廓。最后,原来的心脏图像被构造成一个颜色模型使用恢复算法。他的实验结果表明,基于机器视觉的医学图像处理算法可以准确地提取相关数据,实现好的结果与有限的时间复杂度。然后,在二维屏幕上呈现的电脑显示器和用户定义的位置控制的输入硬件将限制模型的可视化功能和抑制功能的控制。因此,我们已经开发出一种液晶显示装置的能力显示计算模型在五行互相正交的景象。 The variability of model positions can be achieved through better ergonomics. Such a device would be used by medical experts who need to evaluate and perceive multiple parts of the anatomy with a medical expert who needs high speed and easier control during surgery. In this study, we outlined the development of an instrument capable of displaying 3D anatomical models that outperform existing methods. He used heart modeling as an example to illustrate how our device works and the important functions related to it [6]。Kagadis等人提出一个基于云的应用程序专用核磁共振脑图像处理,为终端用户提供灵活的权限管理方法:(a)应用程序数据管理器,一个工具,允许用户管理他/她上传图像数据,和(b)与结果数据处理任务,提出实现多个终端用户设备上的测试,实现了管道进行脑部肿瘤检测在随后的扫描。实现后,用户上传的两个扫描病人(治疗前后),扫描,规范化,并计算出不同映射到定量评估肿瘤的增长或萎缩。他的研究是由欧盟和希腊与国家资金通过国家战略参考框架(NSRF)研究经费计划,泰来斯的教育和终身学习商业计划(7]。Kagadis等人主张的近似球面的曲率限制分辨率的图像的傅里叶分量对应于物体的投影。因为球的半径成反比的波长成像电子,样品厚度通常是有限的,所以图像可以被简单地看作是一个特定的决议。在这里,我们提出一个方法来正确使用失焦图像埃瓦尔德球面的曲率。分别用两个不同的复杂转换正确大约每个边带相关弗里德尔对称,位移的傅里叶组件可以有效地搬回自己的位置的结构,和振幅和相位可以确定。这说明到底埃瓦尔德球面曲率的影响带宽定义的散焦成像和粒子的大小。他演示了使用模拟图像处理算法的粒子只有一个高分辨率傅里叶分量的金纳米粒子嵌入在冰和实验图像。算法允许高分辨率成像厚标本的低能量没有退化和模糊由于平软球的假设。这个程序最适合记录图像比平时高集中设置。最后,由于埃瓦尔德球面曲率平行于视线在三维方向,算法自动确定绝对手的形状。 Samples of paired images with known skew differences are not required [8]。

针对当前的复杂图像处理的缺陷,本文提出了一种改进的交互式算法。首先,均值移位算法预处理图像,将图像划分为均匀的区域,使用均匀区域作为随机漫步的节点。这降低了节点的数量,抑制噪声对分割的影响。第二,利用多项式,Mahalanobis距离是用来定义之间的权重区域,不仅考虑图像的灰度特征和空间特征,还考虑到用户的输入数据,这样相似性区域可以表示;再次,种子点已得到改进,添加了辅助种子点。辅助种子点和user-labeled种子点用于随机漫步合并相似的区域。最后,user-labeled种子点是用于进一步走和修正,以达到图像。最后,本文实验模拟执行对自然图像和人眼图像,结果表明,改进算法具有良好的复杂的图像处理功能。

2。该方法

2.1。大数据

2.1.1。大数据的概念

大数据是一种技术广泛应用在计算机网络领域。这是一个科技革命后,电脑和互联网,它可以有效地处理大量的数据。大数据主要特点是大量数据、多样化、高传动效率(9]。使用大数据的技术,可以处理大量的数据,数据处理速度高,可以实现实时数据处理和类型的数据也非常大。它可以处理图片、文本、音频和视频,而且在许多形式。

2.1.2。大数据在图像处理的应用优势

首先,数据技术可以实现图像的复制,提高图像的清晰度,而不是减少图像的清晰度图像复制和传播。第二,在大数据技术的应用,可以保证图像处理的准确性,可以模拟和图像形式的低廉的数据集(1]。与现代手段,现代扫描技术使图像的像素是保证。第三,图像处理的应用范围宽。大数据技术的支持下,图像有不同的来源,才能真正反映事物的大小。在航空图像处理和电子显微镜图像处理,能反映事物的本质通过数字编码(10,11]。第四,图像处理的灵活性非常高。在大数据技术的应用,可以实现图像处理通过线性操作和非线性处理,和数字图像处理的逻辑关系。第五,图像处理在大数据压缩技术有很大的潜力。在图像处理中,每个像素不是独立的,和像素之间的关系是非常密切的。图像像素的灰度相似性大,促进图像压缩。

2.2。数字图像的小波算法

使用正交的多分辨率分析和规模系数方程和小波方程,可以构造一个递归算法的离散数字信号和数字图像小波变换矩阵的形式,也就是说,一个矩阵金字塔算法或者一个矩阵Mallat算法,为小波变换提供了一种应用程序编程。代数形式结构程序。为简单起见,引入的符号:可以根据构造正交小波的必要和充分条件:

在这些符号,数字图像的塔式分解算法如下:

就下面的矩阵变换形式:

同时,塔的公式形成数字图像的算法

就下面的矩阵变换形式:

这些符号和无限矩阵的共轭转置矩阵吗和 ,分别。

假定数字图像是一个矩阵 ,,水平和垂直方向都理解为无限延续的一个周期循环的方式一段2 n [12]。前面的马克被修改

通过这种方式,我们可以得到一个非常紧凑的形式的数字图像金字塔算法。分解算法

合成算法

这是数字图像的矩阵算法的小波carboxylization形式。

2.3。图像处理

2.3.1。图像处理的特点

理解图像数据的特点和掌握图像处理图像并行处理系统的设计具有重要意义:这意义在于(1)阐明系统的实时要求,(2)选择并行实现的具体形式,和(3)提高硬件处理能力来适应不同的算法。

2.3.2。图像数据的特点

图像数据的大数据量的特点,规律性强,强烈的相关性和高数据传输速率的视觉脸颊扭转。在处理图像数据时,它不可避免地会遇到一系列的问题,如大的存储容量,大量的计算,很难实现。图像数据的规律性是由图像形成的方式,和视频图像在水平方向上都是连续的。数据流由离散在垂直方向。数据流由它的突出特征数据流方向行(13,14]。图像数据的相关性是反映在帧和数据帧的相关性。性是由图像内容本身和视频图像的扫描方式15]。面对如此独特的图像数据的特点,如何采取相应的图像处理问题,行业形象一直试图探索。例如,在图像处理的初始阶段,要解决的问题是图像的数字化。在早期由于计算机水平的限制,我们使用的图像系统结构的图像帧存储,和计算机总线的发展,图像为计算机内存体系结构已成为新的主流形式的图像系统结构(16,17]。同时,图像压缩技术的发展,出现了一种实时图像传输系统:硬件水平的提高和广泛应用的大规模逻辑阵列设备(DSP),图像处理速度正变得越来越快。图像处理系统的开发无疑向我们展示了速度的重要性(18,19]。

2.3.3。图像处理的特点

图像处理算法是复杂和多样化。图像处理有6个重要特征:

(1)一致性。图像处理的一致性意味着每一个点在图像区域按照相同的规则处理。

(2)分层。图像处理的分层性质意味着,对于很多问题,它通常不是一个算法,可以解决这些问题,但必须使用各种不同的算法在序列。这些算法都是连续的,和上一步的结果真的会影响结果。

(3)领土权。处理的图像数据层,不同的像素区域参与图像处理算法可以分为点处理,域处理,在人体上设置变换处理。域处理是处理一个单一的像素,这需要像素的相邻像素参与操作完成或算法需要一个数据块一起参与操作(20.]。

(4)行顺序。行顺序是由数字化图像的法则。视频数据流行顺序,许多数据格式的图片也行。这条线是管道加工的起点。

(5)并行性。各种图像数据层的高度并行的算法。对于一维数据的并行处理,可以使用不同的并行结构,可以在附近上执行并行处理像素面积较大(或并行处理21]。

(6)。图像中实时问题常说世界。它的一个含义是,一些过程和图像来源是一致的。这张图片来源通常是指视频图像(22]。另一个意思是实时任务。这个任务的实时意义上准确的使命。它可以称为空域实时或实时任务。图像处理的六个重要特征是设计图像处理系统的基本出发点,是对设计并行图像处理系统(尤其重要23,24]。图像数据和图像处理的突出特性不仅增加图像好处理的难度,而且也为并行处理提供了一个广阔的舞台。并行处理可以在图像处理起着重要作用,同时也刺激并行处理技术的发展。

3所示。实验

3.1。数据复杂性原理提取

图像数据具有数据量大的特点,规律性强,强烈的相关性和高传输速率的视频图像数据。在处理图像数据时,它不可避免地会遇到一系列的问题,如大的存储容量,最大计算,很难实现。图像数据的规律性是由图像形成的方式,和视频图像在水平方向上都是连续的。离散在垂直方向,它突出的特点形成的数据流中数据流的行方向;图像数据的相关性是反映在帧与帧之间之间的相关性,这种相关性是由图像内容本身,和视频图像的扫描方法。

摘要发达啤酒产品的微机检测系统使用作为东道主,和芯片TMS320C32作为奴隶共同开发。检测过程分段检测。数字信号发送到DSP芯片通过图像采集卡和D / A设备来完成图像处理,小波边缘检测,和其他算法处理,然后将处理结果发送到微机系统识别、控制和消除不合格啤酒原料。为了提高处理速度,我们使用大量的并行硬件和软件技术来提高系统的实时性能。最终检测速度可以达到120帧/分钟。

如图1,当溶液混合渣经过检测通道,我们可以获得图像的啤酒溶液混合,通过图像选择渣滓,醉在哪里我们想要的对象检测和删除。图像预处理模块后,工业环境噪声消除,检测对象和背景分离:然后,边缘检测模块用于binarize边缘的检测对象。被测物体的表面积计算根据识别算法。当物体的表面积大于这个阈值,我们将它定义为渣湾,这个解决方案的一部分是一个不合格的产品。它被拒绝(分流的)的控制系统。为了提高精度,减少人为造成的错误10光电传感器测量已经在中国使用。原则是安装红外发射装置和接收装置两侧的管,这样当纯啤酒是液体,可以接收红外线接收装置。渣滓通过规模的时候,因为渣滓的光学性质不同于啤酒、红外线偏转,因此红外接收设备不能接收红外线,和它的输出水平将会改变。因为电子设备用于计时、啤酒纯度的计算也可以自动完成电子设备实现自动测量。虽然在技术和红外方法简单准确的测量结果,由于红外设备时必须非常准确的设备组装、电子设备容易损坏严重的干扰和腐蚀条件下,老化。 The device needs to be connected with electronic wires. There are many cattle, and if electric sparks appear in the mountains, it will also cause accidents. Using image recognition to measure can eliminate similar problems.

4所示。讨论

4.1。图像训练处理

如表所示1和图2,1000年在实验中积极的样本训练,最后探测器通过嵌套结构级联34层的分类器,包含3599的特性。实验使用级联分类器由混合EOH特性和哈雾功能。奇数层分类器由哈雾特性。偶数层对应的分类器由EOH特性。第一层有4个哈雾功能。第二层有四个EOH特性,第三和第四层有8哈雾特性和8 EOH特性,和第五,七,九,十一,十三层各有20哈雾功能。第六、八、十、十二、十四层15 EOH特性,除了最后四层。所有剩下的哈雾功能层有100个哈雾功能,和EOH功能层对应80 EOH特征。倒数第二层和第四层分类器是由500年哈雾特性,而倒数第二层,第三层是由400年EOH特性。

4.2。图像分析

4.2.1。准备测试图像提取

上面的一般过程,计算后的每一帧的处理速度可以达到255 ms。与程序的进一步优化,如将采样图像的使用,还有很多改进的空间。如图3,视频分割的结果(一)视频前景提取的结果在一个简单的背景和(b)是相对静态的视频分割结果在自然背景。可以看出,本文提出的算法不仅可以自动。视频前景提取的功能是完成,适用于视频与不变或变化的背景。它具有良好的适应性,该算法可以获得更好的前景提取的结果,并将有广泛的应用前景和空间。

我们主要讨论视频前景提取和分离技术和使用地图的积分在KDE概率密度的计算,简化了程序的复杂性和加速程序运行速度。持续一致性的原则是结合测地距离得到当前帧的前景提取结果的视频。该方法可以自动提取前景,简单而有效。它跑得快,实验结果是好的。

ZNCC方法的重建效果中使用这种方法比SAB方法,和重建误差低于5% SAB方法。具体来说,SAB方法使用一个逻辑相关的散斑图像,重建方法,倾向于不完整的重建或场景细节无法重建,散斑亮度的对比并不是明显的黑色物体,由于吸收和重建二值化后执行。特别坏的影响。ZNCC相关操作符用于本文消除了散斑图像亮度不均的影响通过删除在每个窗口像素的平均值,另一方面,可以保留完整和有效信息的散斑图像,所以它是高度自适应照明变化和更健壮的深度恢复的结果。

4.2.2。图像处理的算法

如图4从图可以看出,灰度直方图的分布在右边比左边的更均匀,这也表明,正确的图像的对比图4高于左侧,更容易观察。上图摄相机的外部触发模式。在这种模式下,相机触发与30 Hz外部触发信号。接收到触发信号后,摄像机输出的图像的帧速率30 Hz。为VGA输出,输出图像的帧率60赫兹。通过这种方式,执行图像处理和显示,图像时收集,满足系统的实时性要求。

4.3。自动交互分析

传统的交互是手动交互,这是手动确定前景和背景。自动交互是基于人眼的位置,然后使用一些先验知识的正面形象相关的人体自动获得前景和背景并完成自动交互过程,这样的前景提取过程中的第一个图像视频转换基于交互式图像抠图过程线。自动交互的过程是首先通过人眼检测的过程,目标的行两只眼睛向下垂直行得到的人体的下肢,以便确定单个图像的前景区域,并在此基础上,确定行背景区域扩张前景提取问题转化为一个自然图像前景提取过程。如图5人眼检测的结果,两个人眼目标连接内的目标,它的长度d计算其相应的midvertical线条画,只有长度d高于人眼线超过了低端。距离是2倍时,人眼水平向下转变线长度1.2×d,3倍长度,水平下降的转变与人类的眼睛长度的两倍线获得获得最终的前台交互,如图5 (c);它是由蓝线表示。互动的背景图5 (c)由绿线表示,这是两个水平翻译的中垂线线连接人类的眼睛。中垂线线之间的距离是3 xd。

通过结合EOH特性和哈雾特性,并应用改进的真实学习演算法来检测人类的眼睛里,学习演算法是一种快速检测方法。USB相机的速度通常是15帧每秒25帧/秒,240×320张照片,该方法在本文中只需要大约59女士,这是足以完成自动实时互动的视频,以方便后续图像前景提取。

5。结论

图像分割是计算机视觉和图像处理的困难。传统的自动分割很难段感兴趣的目标从复杂的背景,所以用户添加交互式图像分割的指导信息已成为当前研究的一个热点。充分理解的基础上的交互式图像分割算法,分析现有的随机游走模型的基本原则和解决方案。基于区域生长和MeanShiR理论,新方法提出了基于MeanShift和随机漫步名叫交互式图像分割算法。本文的主要工作总结如下:

(1)传统的随机漫步算法的分割原理,介绍了图像分割问题转化为一个狄利克雷边界条件的问题,和解决方案过程狄利克雷问题的简要介绍,然后指出的问题,传统的随机漫步算法:计算时间问题,噪声干扰问题,交互操作问题,深凹的问题。(2)MeanShift用于presegment,图像分割是分成一些均匀区域,均匀区域作为节点,然后执行随机游走分割。随机漫步的计算是降低,改善算法的抗噪声性能。(3)改进的种子点。辅助确定种子点基于小面积的大小由MeanShift presegmented。辅助种子点和初始种子点用于随机行走,从而简化了用户的交互操作。与此同时,随机游走算法的分割精度提高。(4)分割结果的校正环节增加了。如果分割结果并不理想,用户可以增加非理想的种子点区域resegment,这提高了用户信息的利用率。(5)为了验证改进算法的有效性和实用性,改进后的算法应用于自然图像和医学图像的分割。 Experimental results show that the improved algorithm can accurately segment the target with less guidance information. At the same time, the paper also analyzes the antinoise performance of the improved algorithm. Experimental results show that the improved algorithm can effectively suppress the impact of noise. Finally, this paper uses four commonly used performance evaluation indicators: MAD, HD, AOM, and ME to prove from the data that the proposed algorithm is superior to the other two algorithms.

基于本文的研究,将进一步研究以下几个方面:(1)交互模式的选择。摘要交互模式选择是标记目标和背景种子点的图像分割。当图像分割是更复杂,需要大量的种子点,从而增加用户的操作困难。因此,需要研究新的交互方法进一步简化用户操作。(2)利用边缘信息。随机漫步算法本文提出方法,这使得更少的利用图像的边缘信息,所以狭窄和长区域的分割效果不理想。因此,我们在未来可以考虑结合区域和边缘。(3)最重要的特征的用户界面开发的交互式图像分割算法是人机交互。通过开发用户界面,用户的操作更简单,算法的应用范围增加。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(没有。41872252),基础研究基金为中央大学、中国地质大学(武汉)(没有。CUGQY1911)和计算机学科团队建设项目,黄冈师范大学。