研究去除浮云Sky-Sea红外图像的基于代理

文摘

根据红外sky-sea浮云地区的特征线图像,我们提出一个新的阴影提取方法通过使用分层的活性代理。分层活性代理包括较低的云搜索代理和更高的管理代理。较低的分布层搜索代理可以感知图像的局部信息,在图像检索本地云区域定位操作点,扩大范围,移动,打标、死亡等等。更高的管理代理可以感知的信息,限制和引导搜索行动降低分布式搜索代理。模拟试验的结果显示了该方法的效率高,而且该方法提取有效并将云在红外sky-sea形象。

1。介绍

sky-sea背景的红外图像,我们可以确保船的态度通过提取sky-sea线。云似乎由红外目标图像时,这将直接影响sky-sea线识别算法的成功率。与此同时,浮云线经常出现在海面上,会被误认为是sky-sea线。因此,研究消除云提取sky-sea行上具有重要意义。为了解决这个问题,一些学者提出了一些解决办法。根据环境条件分类的先验知识(1]。他们获得法律云变化的统计特征,比较真实的形象,这一变化规律,然后建立一个薄云层和浮云删除模型(2]。这种方法需要使用先验知识的云在一段操作,很多图像数据无法操作,因为缺乏足够的先验知识。另一种方法是识别算法的云提取没有先验知识,如直方图峰值的搜索方法(3]。这个方法很简单,所以它不能使用,因为自己的缺点特别是复杂局面。,这种方法只能用于一些特殊的图像,因此,它不适合其他图像。

通过观察足够sky-sea红外图像,我们可以发现亮度之外的天空云显著减少,灰度值在同一个云变化小而noncloud区域,以及云分布在图像之间的灰度值几乎没有变化。

代理是指一个活跃的实体在一些情况和自主行为,与其他代理合作以达到设计的目标。住宅、自主和社会性的基本特征(4]。多重代理系统是由代理配合。因为住宅和自治的代理,它可以有效地适应环境变化,使得系统更灵活。社会性的代理是一个有效的方法来解决问题。因此,马斯是一个支持技术支持复杂的技术和有巨大的潜力5]。这种技术提供了许多工程像高层抽象方法,解决问题,组织层和系统。一些实践显示的优势和潜力MAS在一些复杂的系统开发,如生产过程、智能控制、分布式网络管理、分布式控制系统、远程医疗系统(6]。

代理一直是人工智能研究的焦点和软件科学因为它的特性,如认知(7),解决问题的能力,和合作。人的代理程序可以做随机搜索和灰色测试相似的区域。这个程序是应用于计算机断层摄影,结果很好。根据云及其分布范围,本文揭示了一个基于代理的图像处理方法。该方法克服了上述方法的缺点,能有效地提取和删除云在不同条件下的红外图像。

2。代理模型

2.1。个人代理层

在个人代理层,研究AOP设计抽象和模型是描述软件自主决定行动的代理。代理的内部具有较高的和抽象的概念,其核心是如何描述的决定代理的内部。然后,建立相应的个人代理软件模型。AOP支持的个人代理软件模型有4个类型:知识模式、认知模式、反应模式,混合模式。知识模式需要代理作为一个知识系统(8]。内部结构是由抽象的概念和基于信念,知识,和分布式知识。我们可以用信念修改、知识推理、演算,等等来支持自主决定代理的逻辑工具。AOP语言支持的知识模式包括Golog AGTGolog, Golog监狱。认知模式以代理为认知系统。基于认知科学和民间心理学的目标,欲望,意图,和计划,代理的内部结构可以描述实际推理,BDI、和支持代理的自主决定9]。大多数AOP语言可以集成到一个想法,像Agent-0 3 apl, PLACA,代理说(L), AOPLID,目标,运球,apl, 210]。Agent-0以代理作为一个活跃的实体由信念、能力,承诺,和行动。PLACA扩张目的认知成分支持有目的的行动(11]。代理说(左)和索赔是基于BDI模型。3 apl的代理模型是基于信念,目标,计划。此外,目标ADP的概念可以分为程序性和说明性的。过程目标对应于特定的计划,专注于做(12]。声明性目标关注目标,介绍了目标。运球和2 apl支持这两种类型的目标。被动模式以代理为反应系统(13],它可以感知环境及其变化,可以应对这些变化和处理它们。活性代理模型包含事件和反应性的规则,它可以支持自主决定个人代理人的行动基于事件和事件处理。例如,SLABSp使用操作规则定义代理和描述了行动的行动时,代理需要一些场景可以见面14]。混合模式集成了上述软件类型支持结构和代理的实现,它使用各种抽象和概念来描述每一个元素,可以构造模型。

2.2。可替换主体层

的层,AOP设计抽象和模型侧重于研究如何提供有效的概念和模型支持在MAS和组织行动的代理和适应,从而确保其操作MAS的合作和收购MAS的整个行动。在软件开发方面,组织想法为MAS的设计提供了一个可行的分解(15]。,组织结构的多样性提供了可行的MAS结构,包括层组织,整体组织,联盟团队,收集、社会联盟,市场,和矩阵组织。现在,AOP支持的组织结构包括团队、监管组织,结构化的组织和混合组织。团队需要许多代理商,完成一个复杂任务的合作,作为一个团队。这个模型通常使用传统的BDI模型代理扩大联合意图和团队计划建立和描述团队、指导或控制代理的决策来实现可替换主体的合作。例如,简单的团队描述了可替换主体团队通过描述一些概念,比如增加角色杰克,团队能力,团队计划,等等。代理可以通过管理团队实现合作。EAMCORE可以根据团队履行代理之间的协调规划和组织的信念。BDI个人代理扩展的结构内容和上下文来描述组概念(16]。监管机构需要组织作为一个整体的代理和一个规则集,可以定义组织的控制和限制代理人的行动和互动基于法律社会学。根据不同的性质,法律义务,包括许可和禁止。根据不同内容的限制,可以将法律行动法律和法律地位。根据不同的执法机制,法律可以分为严格控制法律和法律制裁。现在,典型的AOP语言支持监管组织岛民,NOPL, AOP。岛民定义基于行动,法律可以禁止或禁止代理执行的行动。岛民的所有规则不能遵守。NOPL是一种程序设计语言来组织管理基础设施,而不是语言的程序员。因为专业的尾身茂(违反法律将给平台带来致命的错误),NOPL法律是一个简单的程序设计语言,它只支持强制义务。 That is, the law of NOPL only describes the action which the Agent executes and all the rules cannot be obeyed. Laws defined by status support three kinds of rules based on obligation, permission, and prohibition and provide punishment mechanisms to the Agent violating rules.

2.3。活性代理模型

活性代理可以通过符号显示,可以应对外部环境的变化。被动结构是由假设代理的相应动作。其并发症的行动反映了实际环境的代理之一。反应剂的结构如图1。

定义的环境是有限集的离散和瞬时状态:

代理有一个行动组,可以完成。这些行动可以改变环境的状态。有限集可以显示如下:

R这是一个行动在一些环境环境状态和行动之间的代理是一个序列交替更换:

反应剂的作用可以如下所示:

在方程(4),计划,行动代表环境感知器,限制条件,分别和相应的动作序列。之前的传感范围和预期集,分别。

3所示。动作设计活性代理在云测试

3.1。层活性代理的一般框架结构

层代理具有较高管理代理的结构和较低的云搜索代理。这两个代理适合活性代理模型,如图2。

搜索代理的功能是感知形象环境的一部分,然后回复的内容意义。搜索代理可以通过自己的智能搜索和马克云范围的行动。然而,这个代理无法把握整个过程和信息。管理代理可以弥补劣势的搜索代理,可以获得图像的整体信息和指导和控制搜索代理。

3.2。数据定义和设计的搜索代理

为了确保搜索代理的工作条件,我们应该显示三个测量当地的云代理的相似性。他们的影响力等于E方程(1)。其定义可以显示为(i)。(我)当地的灰色相似性的数量 然后, (2)期望当地的面积:

在方程(8), 灰色的价值吗 。在方程(6),经验参数和吗 在图3半径是行动。

分布式搜索代理直接作用于当地的一些像素图像并执行当地云计算的周边环境相似。云线范围可以通过定位工作网站,搜索范围扩大,移动,标记和灭绝。这些操作可以在一些条件,旨在引发的条件设计操作搜索代理。确定工作地点:代理可以感知和获取周边信息,判断这个环境适应检索工作。环境适合检索时,代理网站定位工作。定位工作网站的规则(我) 给定图像的特征吗(2) 特征的图像类似于云行吗

规则(我)使用先验知识(如灰度值的范围和纹理属性)在环境中为了保证代理的实际图像定位的工作网站本地图片,可以减少重复计算。本文不需要规则(我)在模拟测试算法。

规则(2)可以定位工作网站当代理云特征的像素。限制条件下,该算法如下:

扩大范围:搜索代理可以扩大搜索空间。在该算法中,扩大搜索空间是繁殖的方法。从云计算的特点,在一些搜索代理定位工作网站,我们考虑周边像素是浊点。的步骤搜索代理范围扩大繁殖如下。首先,我们假设的形象一个有一些代理。一个后将有4个孩子吗一个定位工作网站。这四个子女的位置之前是四个相邻点的代理:

在这个方程, 是一代和工作站点的经纪人 。

移动:搜索代理,不能成功找到工作的网站,需要移动检索图像获得合适的工作情况下为了扩大范围检索工作的机会。这就是所谓的移动。在移动的过程中,他们的年龄逐渐增加。这个代理的搜索行动可以驱动搜索代理找到检索工作的新环境。

在搜索代理的具体过程如下。的代理不能定位网站,可以被定义为工作 代 ,我们需要搜索它的父 。如果父母不存在,这表明代理是第一代。然后,我们可以选择一个方向移动e和移动的距离r随机。如果它的父母存在,我们可以找到 的一代通过 。我们积累这些点定位移动方向的代理位于工作网站成功和计数方向的直方图。最后,每一个移动的方向和价值之间的比例和概率。有一个移动的方向e这是随机和 移动的方向r分布在 。R是最大的移动距离,一个新职位的 在 出现了。这种移动机制可以使用家庭转移工作经验定位网站的搜索网站方面的可能性。

标记:在一些搜索代理定位工作一个像素的成功或失败,这个代理记录其结果图像的信息。如果这个环境适应的检索工作,那么 或 。 和给定的参数,标记的图像。

消亡:搜索代理将消失在经历扩大范围,超过最大的移动。消亡的状态有两种情况:(我)经过一些成功代理标志和品种,它可以完成算法和进入死亡状态,也就是说,灭绝的状态。(2)当一些代理仍然不能找到工作的会议条件后移动次,代理的时代 。如果大于系统设置的最高年龄,然后立即消亡状态出现。灭绝机制可以消除代理能力较弱和推动人口寻找新的环境适合做检索工作,在本地部分避免了最优解。

3.3。管理代理设计

管理代理的主要任务是判断搜索代理的搜索行动是否能满足要求。本文将整个搜索的最佳衡量标准定义为方程(11根据云计算的特点:

然后,

这幅图像的灰度值 。 标记图像的灰度值在吗 。 搜索代理时标记的值满足条件的工作网站。是最好的衡量搜索代理的一代 。

管理代理在每次迭代过程中根据最好的措施。如果 ,这意味着当前工作条件不能满足最好的条件和工作条件需要调整。

公式定位工作地点包括公式(5)- (7),有三个参数 。在这里, 通常不同sky-sea不变的图像。相关场景的亮度和成像条件。这个算法是适应 ,和调整的过程可以显示为方程(13)。

是图像分割的阈值,当我们集群两种灰色图像 。

管理代理的存在可以声称的宽容下层云测试代理可以调整本身对环境,使算法适合在一些场景图像。

4所示。实现算法

4.1。获取的信息的管理代理

可替换主体处理类似事件时,之前经常执行当我们发现自我 最后的任务(我们称之为自我诊断)。然而,结果我们在本文中描述的识别决策过程是瞬时的结果。如果自我测试可以做一个任务时间结束后,我们得到的结果,在这个过程中不再存在。为了了解事件发生在任务期间,我们提出一个方法。相应的检测代码可以分散插入原始任务代码,并用和环境信息可以提取任务操作流程。如果原始任务代码序列 和检测代码序列 ,我们得到了 当 插入 分布式。如果插入的方法是不同的,序列是不同的。检测代码序列 设计合理的关键投票算法。我们设计一个检测序列和原理验证。这个检测序列主要是作为一个代理中间结果输出。检测序列的算法1。

如果每个代理操作过程的识别结果是错误的(0),检测结果应该是假的。如果一些代理可以识别正确的结果在某些任务问,我们应该判断结果的可能性,根据多数投票原则。

中间结果的函数时代理大于一个常见的代理和结果被认为是真实的,那么结果是真实的。这个投票结果可以输出特定的值函数。如果三个代理考虑真正的结果,输出投票结果是3。下面的处理可以根据这个结果提供进一步的结论。系统中的身份识别的可靠性要求严格,阈值可以得到改善。相反,系统的可靠性要求并不严格,这个阈值可以适当减少。

4.2。图像分割

在图像分割的方法基于代理,代理点判断它满足一致性条件,通过传感像素附近。代理点执行其后续行为通过周边地区的反馈信息;它可能繁殖后代和移动到相邻的像素或图像消失。

通常,我们使用以下三个数学标准测量一致性区域是否满意:相对之下,地区平均水平,区域灰色标准方差。代理人的行为将基于上述三个标准来决定是否触发当地刺激;更详细的一致性标准定义如下:

对比公式的定义: 在那里, 是一个预先定义的常数; 是像素的邻域半径 剂; 像素的灰度是吗 ; 是预定义的阈值。

意思是标准的地区:

标准的地区差异: 在哪里 ,而而言是常数; , 而言是常数;区域像素的数量吗 。

4.3。复制和扩散

代理可以采用两种不同的行为模式,复制和扩散,对应于不同的当地环境,成为代理的适应性。扩散是将当前像素点其他的。具体的过程如下:(1)当一个代理搜索一个像素满足以上三个标准的一致性,它将复制适当的后代代理在附近某一特定方向上。复制行为使新生成的后代找到附近的像素可以满足一致性条件,为后续进一步检测区域一致性: 在哪里和是和后代的代理, 是代理的当前位置,与活动状态是一个代理,是后代的代理,后代代理的总量,复制方向后代的代理,复制的方向是一系列的可能性,代表复制后代代理的距离,是复制的半径。(2)当一个代理发现自己是在一个非均匀区域,它将选择扩散模式,沿着某一方向到特定的位置。扩散行为也扮演着重要的角色在发现过程的一致性,因为扩散方向是由父母之间的代理成功发现一致性区域代理和代理代表兄弟。新的扩散剂仍在附近;其扩散不是寻找平衡,而是应被视为寻找一个新的偏见一致性像素搜索: 在哪里和代表的代理,是传播方向,是一系列的传播方向的可能性,代表了传播距离,表示扩散半径。(3)当代理发现一致性区域,这本身是处于抑制状态。

与此同时,为了防止代理的无限制的搜索,其规定可以是一个“生命周期”,生命周期和self-suppression。

4.4。算法的步骤

第一步:建立一个代理 ,给出的参数,显示了数量的代理。我们以年龄为1,把它的活动队列代理。第二步:每个活动队列的代理,我们可以确保代理能否找到工作网站根据工作状态。如果网站可以找到工作,所有对应像素点的代理可以设置 ,然后是后代传播和添加到代理的活动队列。与此同时,它本身将从活动队列中删除代理。如果网站无法找到工作,可以设置对应像素点的代理首先我们应该判断它的年龄大于给定的最高年龄。如果它是更大的,它将被删除从活动队列代理或移动。可以建立新的坐标点,其时代将被添加到1。第三步:通过方程(11),我们可以得到最好的衡量当前的标志形象。如果测量大于预先安装参数,我们可以正确的工作条件的方程(15),回到第一步。如果小于预装参数测量,我们将第四步开始。第四步:判断活动队列的代理是空的或所有的图片都做上标记。如果是,我们就可以开始第五步或返回到第二步。第五步:做后续处理的图像处理,可以使灰度值的原始图像1,其他灰色值不等于是由o。通过这种方式,我们可以得到两个值的图像。然后,我们执行扩张这个形象和执行干燥操作,我们可以得到目标图像。

5。实验和结果分析

为了检验该方法的正确性,我们选择一组典型sky-sea图片作为模拟测试图像,包括四种类型的目标。图4只显示了一个常见的云映像包括海洋和天空。图4也揭示了一个循序渐进的过程,通过该算法消除云。操作的过程需要5.22秒。

这张照片所使用的参数如下:最初的代理的数量是500,存在的最大年龄是5,邻近搜索直径是4,和类似的最小值点当地的灰色是3。当地最大的初始值是灰色的输入图像的期望价值,和当地标准偏差的最大值是9。

仿真平台:2010仿真软件Matlab, CPU频率域是3.2克,记忆是DDR2GB。数据5和6是典型的sky-sea形象和相应的云测试结果。图5是相机的图像倾斜角度和云通过该方法测试的结果。图6是闭塞的sky-sea图像像树和云通过这种方法测试的结果。此外,我们选择了另一个9图片测试模拟各种类型的目标。在仿真试验结果的表,我们比较云测试结果通过与云测试这种方法通过人工视觉和我们执行统计数据比检测和错过了测试范围占整个云范围,如表1。

通过观察仿真结果,我们发现这种方法可以搜索和删除云不同sky-sea图像和不能在搜索限制大小和形状的云。图像的测试结果与倾角和图像遮挡的影响表明,该方法可以克服云识别复杂的场景。电脑的总操作时间是如此之少,这意味着时间共谋这个算法很低。一个红外图像的操作时间(256×256像素)可以控制在1和3秒之间。因此,这种方法可以广泛使用。

6。结论

我们可以测试和删除云sky-sea图像,可以提高识别效率sky-sea线和获得运营商的倾角。提出一个更好的算法检测和去除的方法云的基于云的红外图像特征分析红外sky-sea图像。通过灰度值特征的云,我们可以找到并使用活性代理层结构,许多代理商用于本地图像云搜索,分类和管理代理商用于协调许多云搜索代理。我们可以提取和删除云红外sky-sea图像的智能算法和两个代理合作。仿真显示该方法具有良好的操作影响到各种拍摄情况。时间共谋这个算法很低,和云测试和删除任务红外sky-sea图像可以快速、高效地完成。

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

作者宣称没有利益冲突。

确认

本研究工作得到了国家自然科学基金(51476049)和哈尔滨商业大学青年创新人才支持项目(2016 qn050和17 xn005)。

引用

1. j。j Yoon、c·科赫和t·j·埃利斯”ShadowFlash:阴影去除的方法在一个活跃的照明环境,”《英国13日机器视觉会议收集,页636 - 645年,卡迪夫,英国,2002。视图:谷歌学术搜索
2. l .燕和p .锣”,云测试图像基于DSM云仿真和射线跟踪高地区,”《遥感,9卷,不。4、357 - 362年,2005页。视图:谷歌学术搜索
3. p·吉尔,“遥感和阴影inmountainous地形,”摄影测量Engineeringand遥感,卷67,不。7,833 - 839年,2001页。视图:谷歌学术搜索
4. h .郭、问:徐和张,“构建云提取多种约束,”武汉大学期刊,30卷,不。12日,第1062 - 1059页,2005年。视图:谷歌学术搜索
5. y杨、r .赵和w·王”在空气中测试云区域形象,”信号处理,18卷,不。3、228 - 232年,2002页。视图:谷歌学术搜索
6. j . Liu和y y唐”,自适应图像分割与分布式基于行为的代理人,”IEEE模式分析和MachineIntelligence,21卷,不。6,544 - 551年,1999页。视图:出版商的网站|谷歌学术搜索
7. h .他和y .问:陈,“人工图像分割的生活。”模式识别与人工智能》国际期刊上,15卷,不。6,989 - 1003年,2001页。视图:出版商的网站|谷歌学术搜索
8. c·佩雷拉,d . Veiga j . Mahdjoub et al .,“使用多代理系统微动脉瘤的方法检测眼底图像,”人工智能在医学上,60卷,不。3、179 - 188年,2014页。视图:出版商的网站|谷歌学术搜索
9. g . y粉丝,l . Liu冯,y . Wang”是一种自发性的共识与zeno-free触发器、多代理系统”IEEE自动控制,60卷,不。10日,2779 - 2784年,2015页。视图:出版商的网站|谷歌学术搜索
10. r·h·巴克斯特:m·罗伯逊和d . m . Lane,“人类行为识别数据变得稀缺领域,”模式识别,48卷,不。8,2377 - 2393年,2015页。视图:出版商的网站|谷歌学术搜索
11. n c a d . Freitas p p . r .球场,c·d·g·d·莫拉·m·p·d·s·席尔瓦,“卫星图像挖掘AgentGeo:多代理系统”,IEEE拉丁美洲事务,14卷,不。3、1343 - 1351年,2016页。视图:出版商的网站|谷歌学术搜索
12. J.-R。Ruiz-Sarmiento、c . Galindo和j . Gonzalez-Jimenez”场景对象识别的移动机器人通过语义知识和概率图形模型,”专家系统与应用程序,42卷,不。22日,第8816 - 8805页,2015年。视图:出版商的网站|谷歌学术搜索
13. n . Shiroma r . Miyauchi a . Nagafusa y混合,和f . Matsuno,“基于视线方向的车辆的操控方法全向图像稳定和身体旋转自动控制,”先进的机器人卷,29号3、149 - 163年,2015页。视图:出版商的网站|谷歌学术搜索
14. 王d, l·刘,x, y,“小说活动识别特征提取方法,使用智能手机,”网络时代信息管理卷,351年,第76 - 67页,2016年。视图:出版商的网站|谷歌学术搜索
15. l .卓耿z, j·张,x g·李,“基于ORB功能网络色情图像识别,”Neurocomputing卷,173年,第517 - 511页,2015年。视图:出版商的网站|谷歌学术搜索
16. j . m .啤酒,C.-A。Smarr、a d . Fisk和w·a·罗杰斯“年轻和老用户׳识别虚拟代理面部表情,“国际人机研究杂志》上卷,75年,页1 - 2015。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Jianming太阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。