文摘
为了拍好照片,摄影构图比例的方法提出了基于数字信息技术。从捕获的图片,进行特征提取和模块化的数字信息技术采用定制设计。两个领域的研究进行了图像模糊和近似重复图像冗余。一种改进的图像模糊算法基于包的单词(袋)提出了核函数。实验结果表明,粗匹配时间所花费的时间在匹配查询图像与数据库中成千上万的图像,和优良的匹配时间是在图像匹配查询的时间有八个候选图像orb。总查询时间是0.7秒,大约需要500秒只有orb成千上万的图像匹配算法。一般来说,我们把粗匹配和精匹配,平衡精度和速度。证明本文提出的数字信息技术有很好的效果的计算和功能成分比例在摄影。
1。介绍
目前,模块化定制设计的研究和实践使用数字信息技术仍然处于发展阶段。在研究阶段,模块化定制设计适用于数字信息技术的设计方法,但模块的概念是不完整;模块化定制设计实用阶段还有形式多样性的发展潜力和空间的质量。近年来,随着信息技术和互联网应用的蓬勃发展,多媒体大量数据正以难以想象的速度发展。作为一个共同的信息载体,数字图像已经不可或缺的位置(1]。随着微博等社交软件的普及和微信智能相机的普及,每个人都可以很容易的捕捉,过程,和传播图像,图像数据在互联网上以不可预知的方式增加。虽然数字图像技术丰富了我们的生活,一些问题越来越突出。拍摄角度是指摄像机之间的相对位置所呈现的角度和主题。在生活中,人们与他们的眼睛观察事物在一定的角度。这个角的选择通常代表了某种行为习惯和心理特征的人。因此,拍摄角度的选择和改变人们的生活和习惯。角的选择意味着看待事物的出发点。角的选择能体现摄影师的心理学和代表了摄影师的立场(2]。角有主观性和独特的个性。它可以加强和突出一些事情也削弱和稀释性能的一些东西。选择不同的角度有不同的重点和表现力。在摄影艺术方面,表达的主题是不同的,和角度的选择是不同的。成分有不同的想法和不同的角度。角的变化是复杂多变的。拍摄的主题有无数射击点选择在三维空间中。学生需要学习,思考,和掌握如何合理利用这些定期拍摄点,有条不紊,找出最佳的拍摄角度。复杂变化的拍摄角度可以分为三个类别:射击的变化方向,拍摄高度的变化,以及射击距离的变化。 The angles in the shooting direction can be summarized as front, side, oblique side, and back. The angle of shooting height is flat shot, overhead shot, and overhead shot. The change of shooting distance is the change caused by changing the focal length of the lens or the object distance between the shooting point and the subject, that is, the five categories of long-range, panoramic, medium range, close-up, and close-up. These angles and scenes can be used singly, and there are also repeated and overlapping collocations, which reflect a strong complementary relationship [3]。通过合理的选择和应用,这些变化,我们可以更好地表达主题,更巧妙地呈现各种人之间的关系,人物,和环境,更好地帮助读者理解的目的。角的选择应该新颖独特。在逻辑的基础上,我们应该打破传统的观看模式,找到另一种方式。发现不寻常的射击角度从常见的场景。拍摄角度新颖,表达的内容和形式是独一无二的。只有用这种方法我们才能是非常规的,让这张照片非常规和刷新查看器。
2。文献综述
JM戴维森提出两个噪声敏感度评估方法称为不同的聚焦评价函数在随后的自动聚焦方法的研究[4]。当然,这两种方法需要计算所有聚焦方法的过程中选择最佳的聚焦方法。对于一些实时要求高的场合,该选择方法的应用是有限的。尽管有一定的局限性,本文也让许多新尝试定量评估自动对焦功能。在研究Clero et al .,根据基本成像系统的成像原理、散焦模糊评估方法提出了基于点扩散函数的点扩散函数的基础上,和图像恢复过滤技术也应用于自动聚焦系统,和获得更好的效果5]。Reichardt等人使用光学自准直仪方法开发的自动聚焦系统集成电路光刻技术(6]。米尔济亚耶夫等人采用模拟电路来检测电路信号的高频成分,并将其运用到自动聚焦相机(7]。在研究香港et al .,教学和研究办公室的光学仪器开发了卫星摄影设备的自动聚焦系统利用自准直仪法(8]。金等人研究了图像检测的自动聚焦系统带切割微分比较CCD。上海激光技术研究所研究的微观系统的自动聚焦技术光盘录像机和球员用散光的方法(9]。梁等人研究了自动聚焦显微系统的线宽测量仪利用偏心梁法和达到国际先进水平10]。歌等人使用CCD相机技术和图像处理方法来自动屏幕生物图片(11]。马克等人以及其他人的研究主要集中在图像灰度梯度,提出图像灰度梯度向量模平方的总和,罗伯茨梯度,拉普拉斯算子,以及数字图像处理的自动对焦评价函数。使用上述三种聚焦评价函数的数学模型,实验结果的散焦模糊和运动模糊,比较,分析。得到以下结论:这些聚焦评价函数的特点好公正,单峰,灵敏度高,可以应用于评价散焦模糊、运动模糊和灰色梯度向量的模量和最理想的聚焦评价函数(12]。戴等人等梯度函数的应用分析,频谱函数和熵函数的自动对焦技术,分别研究和分析性能的自动对焦评价函数的在一起。在实验中,进行大量的比较能量梯度函数和谱函数,并得出频谱函数比能量梯度函数灵敏度。然而,处理时间,处理时间短的比能量梯度函数的谱函数,所以能量梯度函数的实时性能优于频谱函数(13]。
基于当前的研究,提出了一种基于数字信息成分比例的摄影方法技术。从捕获的图片,进行特征提取和模块化的数字信息技术采用定制设计。两个领域的研究进行了图像模糊和近似重复图像冗余,和一种改进的图像模糊算法提出了基于包的单词。
3所示。基于词袋模型的图像模糊算法
然后,我们使用一个新的特征点检测算法基于同心圆获取特征点。接下来,我们使用改进的伽柏基于过滤器特性描述算法来描述每个功能点。特征提取后的图像在图像数据库中,所有特征点描述符的所有图片都聚集成一个“视觉词典”K则算法。最后,这个“视觉词典”用于获得最后的“视觉签名”每个图像并将其保存为以后匹配(图1)。
拍摄图像的模糊阶段:如图2获得一个图像查询时,我们首先提取特征点,获得每个特征点描述符使用相同的方法中提到的数据库建设阶段。然后,用“视觉词典”保存在数据库建设阶段生成的“视觉签名”这个数字。然后,“视觉签名”将大致相符的“视觉签名”所有图片保存在数据库中获取一组候选人类似的图像(14]。
3.1。基于同心环的特征点检测方法
从表中的数据1可以看出,尽管检测特征点的数量发生了变化,这种转变是小整幅图像的特征点的数量,可以不予考虑。因此,基于同心圆的特征点提取算法可以抵抗图像选择、转换和噪音,和规模具有较强的鲁棒性。
3.2。基于伽柏滤波器的特征点描述方法
在计算机视觉方面,伽柏特性非常适合处理相机图像,具有以下优点:(1)因为伽柏内核函数过滤器过滤后的直流分量图像,它可以抵制转换引起的局部照明,非常适合处理相机图像。(2)伽柏过滤结果可以描述图像的灰度分布信息在不同尺度和方向。因此,它不仅可以描述信息在全球大规模减少噪声的影响,但也在小范围描述当地的细节。首先,伽柏过滤的对象是等高线图,所以只有过滤器的线条轮廓,和当地行包含有用的信息。其次,伽柏过滤器的图像,然后提取当地的小块,这是非常耗时;最后,伽柏不抵抗旋转变换。针对以上缺点,本文改进了伽柏和改进的伽柏适用于图像的模糊的相机。改进后的具体的提取过程如下:(1)为每一个特征点提取的特征点提取算法基于同心圆,计算它的局部坐标系,以中心点之间的连接方向o的矩形框和作为纵坐标,直线穿过和垂直于横坐标纵坐标 。如图3,每个特征点都有自己的局部坐标系。(2)画一个小块Nπ在灰度图像对应特征点P之前的地方不是直线,如图3(15]。(3)因为该地区可能包含多个像素,我们计算出的平均值滤波结果的区域在方向是 。过滤结果的平均值的四个地区8个方向一起构成特征向量F,如图4。
改进的伽柏改变过滤对象从原来的地方行相应的灰度图像,充分利用图像的更多信息。由于使用当地坐标系统,改进伽柏能抵抗旋转变换。同时,整个图像过滤面积不过滤但只有特征点周围的小块,所以过滤时间都得到很大的提高。表2显示了过滤效率的改变从整个图像区域特征点周围的小补丁,D上述改进的参数,参数t实际的过滤面积的比例是当地的补丁在过滤功能,整个图像的过滤面积;从表可以看出2当特征点的数量在100年至1000年之间,的价值T在1%和3%之间;也就是说,实际的过滤面积只占1%到3%的整体形象。
图5是一组图像从原始图像到不同角度旋转。我们使用图片来测试我们的算法的抗扭性能。我们用改进的基于词袋模型的特征提取(包括改进伽柏算法)从图像中提取最后一个描述符,然后使用内核回归非均匀插值算法的结构张量来计算他们的模糊性。表列出了他们之间的分歧3。根据表中的数据,我们的算法可以抵抗旋转。
3.3。内核回归基于结构张量的非均匀插值算法
基于统计的内核回归是一种非参数回归。考虑到随机变量X,y,假设 在哪里
,当1≠j, ,和是不相关的,联合分布是什么f(x,y),的边缘分布X是f(x)。一般来说,米(x)可以被视为条件期望的Y当X=x,也就是说,
使用以下公式来估算米(x):
函数K(●)被称为内核,它实际上是一个加权平均函数本质上。的密度函数f(x)估计如下:
其中,h被称为带宽,大小取决于数据。我们称之为估计的方法(x内核评估)。回归模型被称为内核回归。
当应用到图像插值,可以视为采样点的灰度值,采样点,米(x)是图像灰度值函数来获得,所表达的Z(x),是错误,N是样本的数量。在这个时候,可以编写内核回归模型如下:
从(7),可以看出,核函数加权平均实际上扮演了一个角色。在图像插值、插值方法的核心思想是如何选择内核。许多插值方法可以被看作是内核回归模型。内核函数的插值方法。
最近的插值核函数如下:
双线性插值核函数的方法如下:
立方卷积插值核函数的如下:
的内核函数B样条插值如下:
它可以看到从(11),内核函数实际上是重量,所以内核函数必须满足一定的条件下(16]。一般来说,内核函数应满足以下:(1)K(x是负的(2)K(x)是对称的(3)K(x)是单峰,达到最大的为零,即 C是一个常数。
有很多种内核函数满足上面的条件;目前,最常用的四种核函数。(1)线性核函数: (2)多项式核函数: (3)高斯核函数: (4)乙状结肠核函数:
高斯核函数被广泛使用,因为它可分性和局部性。本文使用的核函数是高斯核函数。
3.4。基于高斯核函数粗糙特征匹配
尺度变换不变量,提出了纠正错误的匹配问题引起的欧氏距离,这个方法是用来制造一个粗略的匹配图像之间的匹配和图像数据库中,叫做粗匹配,获得一组候选图像。具体方法如下所示。
假设图像中提取的图像特征的词袋模型 ,我们假设图像签名后拍照 ;之间的相对关系前后图像签名拍照是不变的;时,在拍照前一个特征的数量超过另一个功能,拍照后它仍然是相同的。如数据所示6和7之间存在线性关系,签名之前和之后拍摄的图片,和这种关系是由规模转变。
我们定义图像签名之前和之后拍摄的线性关系 ,其中一个是系数代表之间的线性关系和x。我们定义一个不变系数F,如以下公式所示:
让图像的不变系数后拍摄 ,和公式(18)证明了不变系数是固定的前后拍摄。 证明有一个不变的图像之间的前后拍照。我们使用这个不变量来纠正这个错误造成的欧几里得距离匹配。当图像匹配与数据库中的图像欧氏距离,将生成一组相似的候选图像,包括正确的和错误的结果17]。
4所示。实验结果和分析
为了测试算法的有效性在本章中,我们收集了成千上万的图片作为我们的测试数据库。然后,处理数据库,提取视觉词典,计算每个图像的视觉特征,并将其保存使用。我们使用视觉词典的大小是180维度,所以每个视觉签名保存在数据库是一个180 -维直方图。
为了评估算法的有效性,我们使用短名称的意思是倒数排名(MRR)评估高斯核函数的算法;作为一种机制来评估模糊算法的优点和缺点,MRR世界上具有一定的普遍性。主要措施是否相对应的原始图像数据库中的图像匹配是模糊和安排在前面18]。为一组问平均排序的查询,互惠的公式如下:
下面的例子说明了MRR。假设我们有一个模糊算法,已被用于三个查询来获取相应的颜色的家具。对于每个查询,三个家具作为结果返回,第一个是最好的匹配结果考虑的算法。通过这三个查询,我们可以计算这个算法的MRR值:(1/3 + 1/2 + 1)/ 3 = 11/18,也就是0.61。
为了验证算法的有效性,我们进行了模拟实验与计算机2.8 ghz CPU和4 g内存,我们做了15组试验,每一个包含100个查询图像。每组实验中,我们计算了MRR值。图8显示了我们的算法的比较结果的算法有,贺拉斯,范和李范。从图可以看出,我们的算法结合粗匹配和精匹配的准确性(最好19- - - - - -21]。
所消耗的时间我们的算法包括两个部分:粗略的匹配时间(RMT)和细匹配(FMT)。如图9,粗匹配时间所花费的时间匹配查询图像与数据库中成千上万的图像,和优良的匹配时间所花费的时间匹配查询图像与八个候选图像orb。总查询时间是0.7秒,大约需要500秒只有orb成千上万的图像匹配算法。一般来说,我们把粗匹配和精匹配,平衡精度和速度。图10比较的结果表明我们的算法与其他算法的时间性能。从表中,我们可以看到,我们的算法的时间性能最好22- - - - - -24]。
5。结论
本文改进了伽柏的属性。有三个主要的改进。首先,整个图像滤波器只修改过滤特征点当地的小块,有效地降低了过滤面积,提高了过滤速度。第二,过滤器对象从原始内在线改为灰色特征级映射浓缩过滤信息,和第三个当地坐标系统介绍了改善nonreverse伽柏的旋转特征。尺度不变性,提出了更新适当的结构张量的结果回归核心非均匀插值算法,有效地提高了匹配的精度。实验表明,我们的算法可以准确、快速捕捉相机图像模糊图像,提取图像特征的理想项目。
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的任何金融机构关于报告的材料在这个手稿。