文摘
随着互联网技术的使用,图像数据传播在互联网上越来越多。一个社交网络还是一个搜索引擎,生成大量的图像数据。通过研究分布式网络图像处理系统和传输控制算法,提出了一种更精确的梯度计算方法的基础上,筛选算法。结果表明,该算法的性能略优于原算法,系统实现。的基础上减少原始算法的性能,图像特征的维数有效地减少。通过比较图像检索系统的影响在单机环境下的分布式环境中图像特征提取的速度,证明了系统使用五分布式节点构造图像传输系统,实现最好的结果的机器成本和系统性能。随机高斯正交矩阵分析具有良好的稳定性和性能。OMP算法具有良好的收敛性和重建性能。MH-BCS-SPL重建算法效果最好,PSNR下降非常顺利的过程中增加了丢包率从0.1到0.6。实验结果表明,不同的正交基地不同在不同的图像。 Overall, the BCS-SPL series algorithm has greatly improved the reconstruction effect compared with the traditional OMP algorithm.
1。介绍
各种行业的不断发展,尤其是互联网的前所未有的发展应用,如社交媒体和搜索引擎,图像数据的数量和规模迅速扩大,图像传输和图像处理面临巨大的挑战。传统的图像搜索算法首先使用文本识别图像,然后使用文本查询类似的图像检索方法。然而,这种方法需要大量的时间来处理图像的早期识别、图像数量的增加,文本的识别方法不再适用。因此,图像的外观特性基于图像内容的图像检索带来了很大的便利。随着经济的发展和通信技术、通信和人与人之间的沟通越来越方便。然而,通信安全也成为一个日益受到关注的问题。之前的通信设备供应商少考虑信息传输的安全性。随着用户越来越关注安全的信息,它也成为主要的运营商竞争的筹码,和通信安全是放在议事日程。海外运营商通信网络安全具有非常高的要求。如果发现不符合安全要求,设备供应商将遭受巨大的经济损失。 Therefore, communication network security cannot be ignored. If the security is not solved well, it will directly affect social stability and national security.
存储、处理和传输的大规模图像数据已成为国内外许多学者关注的焦点。金(1)实施了4-channel图像处理嵌入式系统,允许用户随时随地查看车的状态。此外,通信功能,可以在嵌入式传送一个4-channel图像板实现。赖特et al。2)设计了一个图像传感器,解决了现实世界的对象识别挑战通过使用子空间方法,使用一个特征空间对象模型创建的多个参考对象的外观。Mataei et al。3)提出了一个创新的设备模拟路面的饱和状态,从路面的排水过程拍照,并应用图像处理方法来生成合适的排水质量评估指标。Barcelo et al。4)提出了一种新的智能自动焊接方法基于图像处理和神经网络检测和分析。开发的系统可以准确地检测焊接缺陷和分类成不同的类别。Borsos et al。5)提出了一个新颖的DNC设置的显微镜图像拍摄和处理实时图像分析,控制变量(相对)粒子数,由温度控制使用反馈控制方法。肖(6]研究使用3 g / 4 g网络和卫星通信总部无人机传输实时视频图像的实时指挥中心,形成了一套实时回程解决方案迅速部署救援的场景。文昌,田7]分析了水下环境等客观因素的影响,可见性实验视频图像质量和初步设计的视频图像数据处理系统在机载视频记录和传输系统。视频图像数据处理的研究奠定了一定的技术基础。计算机图像处理速度快,和数字信号是不容易被扭曲的,所以它有容易的存储的特点,容易传播,和较强的抗干扰能力8]。Zhang et al。9)设计一个在线绝缘子图像采集和实时处理系统和集成在线绝缘子为硬件实现图像处理算法,大大减少了传输的数据量,同时避免人工参与。Zhang et al。10)设计了一个水稻颗粒计数和测量系统基于图像处理和蓝牙传输技术实现水稻种子数的提取。二维代码技术用于识别水稻种子样品,每个样品的信息统计和实现。丛et al。11)设计了一种基于DSP6455红外,使用千兆以太网和RapidIO硬件接口,针对复杂系统的实际红外图像处理系统和算法调试期。他认为处理性能和系统的实时性能,建立了一个图像处理仿真平台。李等人。12)设计了一个高速串行RapidIO总线的图像处理系统,这是通过RapidIO总线传输到DSP的内存进行复杂算法处理。的基础上的智能跟踪和obstacle-proof消防智能车,Zhang et al。13)加入了图像处理功能,使汽车能够独立发现和识别火焰并实现自动灭火功能。同时,图像被相机通过无线传输模块实现远程监控汽车的功能。
图像处理系统的主要技术是使用图像作为输入源,然后检索相似的照片在互联网上,并输出结果,呈现给用户。许多搜索引擎公司现在研究图像传输功能,但他们仍然没有取得令人满意的结果。找到一种高效、高精度图像传输方法对图像处理技术的发展至关重要。分布式网络,因其处理速度快、精度高、操作方便、广泛研究了许多研究团队。
许多研究团队已经抓住了这个机会进行全面、深入的研究和分析分布式网络。Benchimol et al。14]分布式网络应用在医学上,基于人群健康管理数据,以确定在加拿大IBD的发病率,患病率,儿童IBD的趋势。Rupprecht et al。15)一个分布式网络应用于网络处理和描述了一种分布式连接处理技术,使用延迟分区,以适应集群中的瞬态网络倾斜。Awad et al。16)提出了一个能量cost-distortion解决方案,集成了无线网络组件和应用程序层特性提供可持续的移动医疗系统节能和高质量的服务。周和梁(17)利用合同区块链信用增强系统和智能技术对调整数据结构的分布式分类内容分发应用程序的实际需要。李(18)设计一个新的HAIPS主动入侵预防模型基于分布式自动化网络,完善校车的基本控制流,实现分布式自动化网络建设的操作环境。局域网et al。19)提出了一个分布式负载均衡网关的数据中心网络架构。基于该体系结构,整体设计的智能网关实现了现场可编程门阵列(FPGA)。江和杨20.)提出了一种有限状态智能监测方法,基于数据融合的分布式网络异常攻击。实验结果表明,该方法可以准确地确定异常攻击状态,减少假阳性率和丢包率。吴,气21)提出了一个假数据识别方法基于分布式空间状态模型结合扩展卡尔曼滤波和证明提出的新方法具有较好的检测率和误警率的错误和无效数据的分布式网络用户识别。朱(22)提出了一个分布式数据实时加密方法为多层不同网络基于椭圆曲线加密算法。分布式数据传输是稳定的基于椭圆曲线加密方法,以及分布式数据的加密需要很短的时间内。包(23)提出了一种快速获取资源的方法基于BP神经网络的用户信息,补充缺失的规模的原始信号的数据结构。他和潘(24)提出了一个分布式定位算法基于二阶锥规划。实验数据表明,该算法减少了均方根误差,提高了定位精度。基于分布式多目标定位系统的光学波分复用网络中,朱et al。25)实现两个目标的二维定位最大误差为7.09 cm和验证系统的重构性架构。
为了解决的问题不方便操作和低精度的图像处理和传输系统,提出了一种更精确的梯度计算方法的基础上,筛选算法通过研究分布式网络图像处理系统和传输控制算法,在不损失图像特征信息。量的基础上,原来的算法和改进算法的性能不同的尺寸,不同的角度,和不同尺度的比较;分布式存储和处理图像的匹配方法是意识到,和图像检索系统在单一环境和分布式环境中进行比较。介绍了图像特征提取速率的影响。详细介绍了分布式压缩感知技术,并通过实验来比较各种测量矩阵重建算法的性能。与更好的性能在分布式压缩感知算法BCS-SPL介绍。因此,它可以发现不同的正交基地不同在不同的图像。
2。方法
2.1。图像特征提取
2.1.1。筛选算法
筛选(尺度不变特征变换)是一种图像功能,满足尺度不变的性质。筛选算法具有良好的稳定规模变换,旋转变换、缩放变换的图像,和筛选功能有更好的独特性。它有很强的辨别能力;冲浪算法健壮的特性(加速度)使用积分图加快筛选算法。冲浪的时间算法大约三分之一的筛选算法。提取特征向量的维数是一维的特征向量维数提取筛选算法;PCA-SEFT算法改进基于尺度不变特征变换算法。引入主成分分析方法提取主要信息在原始特征向量,提取和特征向量实现筛选特征向量的维数降低,减少了冗余的特征向量。表1是一个比较表的三个图像特征提取算法。
从表的比较可以看出1的三个算法筛选、PCA-SIFT和冲浪有自己的特色优势。算法的性能,PCA-SIFT相对温和,总是在筛选和冲浪。筛选算法的鲁棒性最好在尺度变换和旋转变换。冲浪算法用于照明。变化和算法是最耗时的。在图像检索系统,防垢变换,旋转变换、仿射变换的图像相对较高,所以筛选算法非常适合作为图像特征的图像检索系统。
2.1.2。DCT算法
让序列 由一维矩阵N,在那里N序列的元素的个数,然后DCT的f(我)转换成F(u),F(u)满足以下公式: 在哪里c(u)是其相应的余弦系数和满足以下公式:
让二维离散序列形成的二维矩阵 ,在哪里N的长度是二维矩阵,然后DCT的f(我,j)转换成f(u, ),满足以下公式:
改变根据DCT变换DFT变换,两者都属于变换压缩方法,可以重新分配图像的信息。DCT变换可以使图像信息主要分布在左上角的二维矩阵,从而促进图像的过滤。与此同时,二维矩阵可以被拦截而不会丢失原始信息。
2.2。图像特征匹配
2.2.1。尺度空间生成的狗
本系列是规模空间的形象 的原始图像,通过变尺度高斯函数的卷积 和图像 ,也就是说, ∗表明,高斯函数在哪里G在执行一个卷积操作x和y方向,而高斯函数 是
获得图像的高斯金字塔后,高斯差分图像的狗(高斯函数的区别)可以获得通过高斯图像相邻尺度不同。记录的响应图像高斯差分图像 :k是相邻的多个图像的尺度空间。
2.2.2。梯度计算的关键
首先,使用一个,B,C,D解决像素点的梯度O。 记录像素点的梯度O解决了通过使用一个,b,c和d,在这 记录如下: 在哪里我1像素函数用于解决吗我2是像素函数用于解决翻转。
像素的梯度O是 。
像素的振幅O是 。
像素的角度O是 。
2.3。图像传输技术
2.3.1。块压缩传感
一个图像分成小块B×B,然后使用相同的测量线性测量矩阵φ为每一个小块。让xj是jth图像子块,及其对应的测量值yj可以表示为 在哪里φB是一个矩阵米B×B2尺寸和xj是一个矢量图像块,其采样率可以表示为R年代=米B/B2。如果使用基本矩阵是一个二维DCT矩阵,然后阈值函数如下: 在哪里 ,λ是一个固定的参数,K是变换系数的数量。 。
DWT,这种转换需要比较稀疏的亲子转换可以使用: 在哪里ξ是变换系数,ξp是它的父变换系数,λ是常数,σ上面是一样的,然后呢σξ是边缘测试在3×3的块大小。
2.3.2。Intraprediction
让原始信号x和预测的信号 ,然后剩余可以表示为
为了使残余更稀疏,也就是说,更接近x,它可以被描述为以下形式: 在哪里P(xref)代表一组所有预测信号,可以得到xref参考信号。由于原始信号x是未知的,其他算法,如BCS-SPL算法,可以用来代替计算重构信号:
算法首先使用计算重构信号BCS-SPL作为初始化信号,然后预测原始信号测量值的基础上,然后将剩余信号添加到重构信号。再次执行上面的预测和重建通过比较有关SSM值和残差调整参数。通过反复迭代,最终重建效果得到改善。目前,基础矩阵如DFT、DCT, DWT, DDWT (dual-tree DWT)和contourlet变换可以使用CT (contourlet变换)。有些人提出了MS-BCS-SPL(多尺度BCS-SPL)算法,利用小波变换的分层特征系数为不同层次使用不同的采样率。
2.4。传输通道
2.4.1。Softcast
为了去除图像的冗余,Softcast MPEG-like图像进行DCT变换,然后将DCT变换系数划分为小块,和丢弃块系数0。压缩是通过传输唯一的非零系数块及其位置。在有限的带宽,如果一个非零系数块需要被丢弃,低能量的系数块是优先丢弃,因为这些系数贡献少在重建重建。为了减少在传输过程中噪声的影响,传动功率的传输结束可以增加条件下,噪声功率是恒定的。然而,在传输结束的情况下,总功率是恒定的,为了最小化重建误差,每一块可以重新分配的权力,和权力分配如下: 在哪里 是能量权重因子,P代表的总能量,λ我代表的DCT系数的方差我块。
2.4.2。基于块的图像传输框架压缩传感
本文只加性高斯白噪声(AWGN)被认为是,及其噪声能量E0;信道信噪比(CSNR)可以由以下公式表示:
为了方便后续的实验比较,编码系统,首先分为图像块,然后,测量矩阵 用于测量,即采样率是1。由此产生的测量是交叉的,因为整个块的测量时不会丢失数据包丢失。丢包的影响并不是集中在一个特定的区域,但分布在整个图像。避免块状非理性的区域的情况下,会抛出一个数据包导致整个图像的可见性。
3所示。实验
3.1。实验平台
这个系统需要5机节点,但计算机资源是有限的。这个系统只使用2台电脑。这两个电脑上安装VMware工作站软件建立5个虚拟机。每个虚拟机与CentOS6.5安装。操作系统和五个虚拟机连接到同一个路由器,这样在同一个局域网,这样他们可以访问对方。每个虚拟机的软件和硬件如以下表格所示2和3。
3.2。测试数据集
该系统中使用的数据集是由大规模图像数据从法国研究小组。团队收集了大量的自2003年以来在各个场景拍摄的图像。该系统中使用的数据集包含了数百种不同的类型。类别共有3401的形象图片和大小为1.02 GB。这些图像在各种格式和满足要求的图像应用场景图片搜索系统。
该系统使用这些图像数据的图像库图像检索系统。为方便管理,系统存储图像数据中使用12种不同的文件夹,和图像的大小和图片的数量在每个文件夹并不相似,和每个文件夹的文件夹图片的大小和数量如表所示4。
后获得的图像数据集,这些数据集是只有存储在磁盘上的一台计算机的本地文件系统。分发图像数据、图像数据集需要被转移到HDFS。本节的主要目的是生成图像的hib和dat文件集,并将它们存储在HDFS。之前,您需要下载并安装HIPI工具生成hib和其他文件。的分布式使用HIPI需要使用Gradle自动构建系统,用于管理HIPI的编译和安装包。获得最新版本的HBPI最好的办法是通过克隆官方GitHub库和构建它的所有工具和示例程序。
4所示。结果
4.1。图像特征提取分析
原始图像的特征点提取图所示1。图包含特征点在不同尺度的信息,而这些特征点在原始图像标记。图中的每个关键由一个圆和一个线段。圆圈代表不同的尺度。圆越大,规模越大代表的圆。圆上的线段所示方向代表了特征点的方向。从图可以看出,像素值的图像特征点总是出现跳,局部区域的像素越多跳,该地区的特征点。
上面的仿真过程证明,本文提出的图像特征提取算法是可行的。与运行特征提取算法的时间在本地提取图像特征和时间分布在集群中,影响图像特征提取算法的性能在不同集群中节点的数目也进行了研究。表5显示了运行时间在不同条件下的图像特征提取算法。
图2显示所花费的时间在本地运行图像特征提取和集群环境中的时间节点数量的增加。
从图可以看出,当集群中的节点的数量较大,同一组的图像特征提取的图像花费更少的时间,往往是平的。事实上,当地的运行特征提取算法和节点只有一个分布式操作,都只有一个节点上运行,但一个节点的分布式提取需要时间略高于当地的一个,因为使用分布式操作不仅进行特征提取的任务还执行其他程序。当节点数的增加,它会比当地的运行效率,而且可以大大提高性能。
4.2。图像特征匹配分析
不同大小的图像会影响图像的匹配效果。图3显示了扩张和转换后的图像之间的匹配结果,原始图像是翻了一倍。特征提取算法提取的特征提取算法。然后,与原始图像匹配,图中每一个线段的两个端点表示两幅图像的匹配点。从图可以看出,图像缩放,图像特征提取的系统没有改变太多;两张图片之间的影像匹配点基本上是正确的。
图3显示的情况下,膨胀系数是2。然而,随着图像膨胀系数的变化,图像的匹配效应的变化。不同的特征描述符有不同的匹配对图像的影响。图4显示了原始图像进行不同的扩展。图像的性能比较图转换后的图像和原始图像之间的匹配操作如图4。改进的筛选算法是一种改进的算法基于提出的筛选系统。可以看出,改进的筛选算法比原算法有更多的匹配点;当图像的膨胀系数接近1,图像的匹配点越多,越小数量的匹配点图像的拉伸系数是远离1,但仍有许多匹配点缩放后图像和原始图像之间,因此减少了匹配点不会影响两个图像之间的匹配结果。
尺度转换也是一个重要因素影响影像匹配的效果。图5显示匹配结果的尺度变换后的图像和原始图像。图像右侧的图像是原始图像后的图像高斯模糊,这不同于原始图像。规模,可以看出规模变换不改变原始图像的图像特征太多了。大部分的匹配对成功匹配,和一个小数量的不匹配点出现,但它也在可接受的范围之内的。图6显示影像匹配操作的结果后原始图像和原始图像之间不同的高斯函数模糊。
改进的筛选算法在数字系统的改进的筛选算法。从图可以看出,改进算法的匹配点的系统略高于原算法。这里使用的高斯窗口是一个5×5矩阵,横坐标代表高斯分布的方差矩阵,和纵坐标代表的数量匹配点的两个图像在不同尺度。从图可以看出,两幅图像之间的图像规模变大,匹配点的数量逐渐减少,也可以表明,图像特征提取的系统仍然可以找到对应的匹配点在不同尺度的图像。
4.3。图像传输路径分析
图7比较了不同正交基下BCS-SPL算法的重建性能。为了比较实验结果,实验使用原始OMP算法进行比较。OMP算法流程原始信号的稀疏表示,获得较好的重建效果。实验图像是一个512×512莉娜图像块大小为32,DWT使用9-7DWT算法;BCS-SPL-DFT有λ值为0.35;的λ值BCS-SPL-DCT 6日BCS-SPL-CT和BCS SPL-DDWT BCS-SPL-DWT 10、25和25个,分别为20。从图可以看出7BCS-SPL的重建算法有很好的效果,而且还可以实现重建PSNR 28 dB的采样率为0.1。比较BCS-SPL算法使用不同的正交基,可以看出BCS-SPL-DDWT效果最好,其次是BCS-SPL-CT BCS-SPL-DWT。这种情况的原因是,图像的正交基更稀疏;越小K值,足够的迭代后的最终重建效果越好。因此,为了获得较好的重建效果,正交基或字典,使得图像可以使用更稀疏。
表6显示了时间的各种算法来重建原始图像在不同的采样率实验过程中在图7。从表中可以看出,BCS-SPL算法是一个非常快的算法。它比OMP算法快10倍采样率为0.5,基本上是持平在低采样率。此外,它可以从比较的算法时间消耗BCS-SPL随采样率的增加,和OMP算法正好相反。这是因为BCS-SPL首先计算一个粗略的结果,然后一步一步迭代使结果更好,所以在更多信息的情况下,它从一开始就能得到好的结果。通常没有必要完成整个迭代过程达到反弹条件,可有效节省计算时间。OMP算法的采样率越高,越最佳电流信号需要被选中,所以时间消耗增加随着采样率的增加。
4.4。图像传输控制分析
图8比较了上述几种算法的重建图像Ycbcr组件组件采样率为0.2和0.05。从图可以看出,一些算法的效果不错。BCS-SPL-DDWT有点模糊的形象,MH + BCS-SPL BCS-SPL-DDWT四角有一些色差。MH-BCS-SPL算法性能最好。为了直观地比较两个传输帧的实际影响,实验使用了莉娜形象传播的形象。相比无噪声和CSNR 20 db通道和0.1 - -0.6的丢包率,图像重建效果的传播框架和Softcast框架基于块压缩感知比较。为了消除正交基矩阵的影响,图像的重建算法框架基于块压缩传感使用BCS-SPL-DCT MH-BCS-SPL,和初始预测MH-BCS-SPL和BCS-SPL-DCT生成的形象。实验的块大小是32×32。实验结果如图所示9。
从图可以看出,图像传输框架基于分布式网络的显著提高而Softcast没有噪音,但包丢失。MH-BCS-SPL重建算法效果最好,PSNR下降非常顺利的过程中增加了丢包率从0.1到0.6。BCS-SPL-DCT算法行之有效,重建时间非常低,但波动略大;Softcast的重构效果显然不如上面的算法,和下行趋势甚至更大。
5。讨论
仿真在不同条件下实现图像的匹配,分析不同尺度的图像匹配的匹配能力,不同的角度,不同的大小。数据1和2强烈证明图像特征和相应的提取系统。图像特征匹配方法的有效性也与图像特征提取算法和图像特征提取的筛选算法。图像特征提取算法和相应的图像。
的基础上保证筛选的好地方特色,提高筛选结合局部图像的空间关系特征和DCT变换,以便更准确地描述图像特征,和最终的尺寸描述符是65维度。最后,图像特征提取是模拟和分析。的可行性,本文提出的特征提取算法和分布式特征提取算法的效率从数据证明3- - - - - -6。
MH-BCS-SPL BCS-SPL算法的改进的算法比较图7。静态图像而言,算法的重建性能进一步改善通过增加预测。实验证明了图像传输框架基于分布式网络有很好的重建效果,而且还具有良好的性能高丢包率的情况下。然而,由于有限的噪声免疫重建算法本身,它通常是在低信噪比的情况下执行。
从数据可以看出8和9MH-BCS-SPL算法的性能是最好的,和这些算法可以达到良好的结果。上面的实验证明,对彩色图像来说,这是非常有效的使用降低色度分量的采样率。除了上述算法,还有其他使用压缩感知算法处理彩色图像,但是这些算法没有明显的影响,计算复杂度不减少。
6。结论
通过研究分布式网络图像处理系统和传输控制算法,本文得出了以下结论:(1)本文提出一种更准确的梯度计算方法的基础上,筛选算法。基于图像特征信息的损失,原始算法和改进算法的性能不同的大小、角度和尺度进行了比较。该算法的性能略优于原算法。因此,该系统可以有效地降低图像特征的维数,而不降低原算法的性能。(2)本文实现了一个分布式存储和处理图像的匹配方法。通过比较图像检索系统的影响在单机环境和分布式环境中图像特征提取的速度,这是证明分布式环境中的图像特征提取的速度是5 - 8倍,在独立的环境。当机器节点数量的增加,分布特征提取的效率会越来越高,但最终,它将是平的。图像检索系统建造的系统与5分布式节点达到最佳效果的机器成本和系统性能。(3)详细介绍了分布式压缩感知技术,并通过实验来比较各种测量矩阵重建算法的性能。随机高斯正交矩阵分析具有良好的稳定性和性能。OMP算法具有良好的收敛性和重建性能。(4)介绍了BCS-SPL算法有更好的性能在分布式压缩感知。实验结果表明,不同的正交基地不同在不同的图像。总的来说,BCS-SPL系列算法大大提高了重建效果与传统OMP算法相比。此外,不同的算法比较实验的时间消耗。与OMP算法不同,BCS-SPL算法需要更多的时间在低采样率的情况下。这些算法是用来分析图像传输框架基于分布式压缩感知,这是应用于无线多用户传输环境,相比之下,Softcast通过实验。
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
这项工作是支持中国西部师范大学优秀人才的基础(yc497 17号和17 yc498)。