文摘

拥有高处理复杂性,图像恢复只能离线处理,很难应用于实时的生产生活。边缘计算的发展提供了一种新的实时图像恢复的解决方案。它可以上传原始图像边缘节点实时处理,然后立即返回结果给用户。然而,边缘节点的处理能力仍然有限,这就需要一个轻量级的图像恢复算法。一种新型实时图像修复算法在边缘计算。首先,10个经典函数是用来确定的人口规模和最大迭代时间牵引果蝇优化算法(TFOA)。其次,TFOA用于优化最优参数的最小二乘支持向量回归(LSSVR)核函数和误差函数的图像恢复为适应TFOA的函数。第三,LLSVR算法恢复图像。在图像恢复过程中,培训过程建立一个映射关系退化图像和原始图像的相邻像素。建立的关系; the degraded image can be restored by using the mapping relationship. Through the comparison and analysis of experiments, the proposed method can meet the requirements of real-time image restoration, and the proposed algorithm can speed up the image restoration and improve the image quality.

1。介绍

随着科学技术的发展,越来越多的用户使用他们的手机来摄影。数字图像的成像过程中,很容易产生图像模糊由于抖动,光,和许多其他因素1),这种现象称为图像退化。因此,一个有效的参数设置需要进行图像恢复处理,消耗大量的资源。目前的解决方案是使用离线服务器和其他类型的加工设备,无法实时完成。计算边缘的出现使实时处理这样的应用程序成为可能。边缘计算能满足用户的实时计算服务请求和为用户提供低延迟图像处理服务。当地的图像上传到边缘节点进行实时处理。我们可以部署牵引果蝇优化算法(TFOA)和最小二乘支持向量回归(LLSVR)边缘节点。然而,边缘节点的处理能力是有限的,因此有必要提出一种轻量级的图像修复算法。通过这种方式,用手机拍摄的照片可以在实时处理边缘节点。

图像修复是图像退化的逆过程。和它的最终目标是消除模糊和干扰,以便恢复图像尽可能接近原来的(2]。其中最典型的是高斯模糊图像模糊模型。高斯点扩散函数是常见的在许多图像采集,测量和传输系统。所以,许多退化过程可以用高斯模糊近似模型。高斯模糊图像恢复的研究具有重要意义,其他类型的退化图像恢复(3]。大多数传统的修复方法是反褶积过程,如逆滤波、维纳滤波、最小二乘法、和Lucy-Richardson (LR),这是通常被称为nonblind恢复方法(4,5]。这些方法都需要知道成像系统的点扩散函数,这在实际应用是非常困难的。相比之下,盲目恢复方法使用图像本身所携带的信息或退化模型条件下估计点扩散函数是未知的,结合了附加条件解决问题(6]。这种方法目前被广泛使用,但结果是不稳定的,计算大,收敛速度慢。

近年来随着深入学习的兴起,各种机器智能模型、BP神经网络和支持向量机等,已被广泛应用于图像恢复领域。2011年,穆克吉等人一个多层量子反向传播神经网络用于图像恢复(7];Sethy等人提出了一个基于BP神经网络的图像恢复方法,取得了良好的效果,但仍有改进的余地8]。参考文献(9,10)用模糊神经网络模型对图像恢复和图像质量在某种程度上已经有了改进,但是仍有优化的空间。文献[11]提出了基于支持向量回归(SVR)的图像恢复,提高收敛精度,达到更好的修复效果。然而,在支持向量机参数的优化过程,失落使用两个内部参数不优化,只有经验值。基于现有的工作,本文提出了一种基于TFOA-LSSVR图像恢复方法。通过比较和分析的实验中,该方法可以满足实时图像修复的要求。

2。背景材料

2.1。果蝇优化算法(失落)

失落是一种算法基于果蝇寻找食物来源,这是一个全局优化算法(12]。果蝇的嗅觉和视觉器官非常发达。觅食时,它首先收集食物的味道,食物和其他同伴的位置聚集接近食物后还可以直观地检测到位置和飞在这个方向。迭代觅食过程的原理图对果蝇种群如图1。人口的算法结合了全球搜索个人信息交换。在此基础上的全球搜索全局最优的解决方案是通过更新个人信息交换。最后该算法终止条件下,最大迭代次数或收敛精度满足目标。失落的步骤如下。

步骤1。人口规模是表达的和表达的最大迭代数 。果蝇表达的随机初始位置 。

步骤2。给果蝇个人使用一个随机的方向和距离他们的嗅觉寻找食物;是搜索距离,即迭代步值;也就是说,

步骤3。因为食物的初始位置是未知的,我们第一次估计的距离之间的个人和原点,然后设置气味浓度个人,我们在这里定义为距离的倒数。

步骤4。气味浓度的值带进气味浓度测定函数来计算气味的浓度 ;

第5步。找到个人最好的气味浓度人口;

步骤6。最优气味浓度的价值和协调 , 记录和保留;这一次,果蝇人口使用视觉飞到那个位置;

步骤7。输入迭代优化,反复执行步骤2到5,和判断最优味道浓度比上一次迭代的最优气味浓度和当前迭代数小于最大迭代数 ;如果是,则执行步骤6。

介绍了一种新的,失落TFOA [13]。优化算法没有变化的两个主要参数。相反,迭代优化战略的方向,它解决的问题解决过程中陷入局部最优解。每次迭代的结果记录下来。当算法的局部最优,是最好的个人(13,14),而代表个人在每个迭代中最严重的。果蝇种群的大小是由 。最后的迭代方向是由以下公式:

所示的新个体生成方法是(11)。

在(12),整个向量是1。

TFOA[的主要步骤13)如下。

步骤1。果蝇人口生产根据(11),适应性的果蝇个人计算,最糟糕的个人记录。

步骤2。最优的气味浓度和初始位置的人口被改变了。在这个过程中,如果气味的浓度一致,迭代是继续和计数增加。

步骤3。在迭代期间,如果算法过早结束,(11)执行跳出局部优化。当发现一个更好的果蝇,人口的位置更新的搜索仍在继续。如果结束得太快,扩大搜索半径,继续迭代优化。当牵引操作完成时,最坏的人是灌制在每次迭代过程中。

步骤4。重复执行步骤1 - 3,是否最优味道浓度比上一次迭代的最优味道浓度是判断,直到满足要求的算法。

2.2。支持向量机(SVM)

支持向量机是由统计理论15]。LSSVR是由支持向量机通过特殊待遇11];LSSVR适用于静态非线性函数估计的回归模型。支持向量机算法应用于分类问题提出以来;现在分类方向非常成熟,分类方法是有效地扩展,和当前的扩展也非常有效地拟合曲线和非线性回归估计。

训练有素的数组 ,的值在这个数组的组合,代表 众所周知,有向量 的维度的同时,将输出结果 。失踪的参数是

当损失参数是0,假设之间的差异的估计价值和实际价值通过培训获得的最终结果到支持向量机比失去的小参数,找到一个合适的核函数 和映射内核函数 为回归线性高维空间预测,假设这个函数

在公式(14), 表示为向量的权重值, 代表数据的阈值计算,表达的内积操作数据。的价值和终于获得。误差函数的前提下满足 最小化 , 被添加到优化计算,最后一个表达式是吗

这里假设是,惩罚参数是一个正常的号码。以最优的方式解决上述问题的支持向量 , 然后,有

麻木的标准支持向量(22)是 ;获得一个阈值和回归函数:

有三种通常用于支持向量机的核函数:

第一:核函数多项式

多项式的系数(24)是 ,价值是由应用程序本身,根据实际情况调整参数。

第二,径向基函数(RBF核函数)

核心参数(25)是 ;它使用高斯核函数的均方误差;更大的价值 ,更广泛的高斯函数的宽度。

第三,乙状结肠核函数如下: LSSVR代表如下:

我们需要优化参数的选择和在进行样本训练。

3所示。提出的方法

3.1。图像恢复处理的过程

假设原始图像 ,退化图像可以表示为

在(29日),代表一个退化图像 表示加性噪声。

如果是一个线性空间不变的过程,退化的图像可以表示在空间频率域

在(30.),是一个卷积操作, , , 原始图像,图像退化,加性噪声。图像恢复是一个参数估计的过程。高斯模糊核函数时,退化过程称为高斯模糊。这种类型的模糊图像可以看作是卷积运算的结果之间的高斯分布的卷积核,清晰的图像。即图像的某一点的像素值和周围的像素值的加权平均根据高斯分布的重量来获取位置是退化后的像素值。

3.2。基于LSSVR TFOA的优化算法

摘要TFOA-LSSVR引入图像之间的映射关系模型。在图像恢复过程中,原始图像的选择标准和模糊图像是一致的。假设图像的大小 ,一个 窗口的原始图像对应于相应的中心像素的过程中构造一个训练样本。如果附近有一个完全退化图像记录的窗口,我们可以得到 支持向量在退化的过程中,向量维度 。我们代表这个向量和像素与 ,然后图像恢复步骤如下(12]。

步骤1。我们初始化TFOA。

步骤2。我们建立了一个二维空间。根据节2.1,我们有以下公式:

步骤3。均方误差(MSE)函数用作气味浓度的函数TFOA当原始图像之间的映射关系建立和退化图像。 在(33),表示原始图像,代表一个恢复图像,图像的大小 ,参数 最小二乘支持向量机的参数所代表的 。

步骤4。气味浓度计算值进行比较计算最低的气味浓度和引入这个值LSSVR模型,在保持最优位置。

第5步。进行迭代优化,重复步骤2 - 4,和停止迭代优化迭代次数达到最大时,参数 了,然后呢 得到了。
训练样本完成后,相应的图片属性是由新退化图像时使用相同的图片大小需要恢复。通过LSSVR模型,图像的像素值预测,最后所显示的图像像素的像素值。

4所示。实验和应用程序

4.1。TFOA的参数优化分析

服务器在Windows 7操作系统模拟(i5 - 3210 m, 2.5 GHz CPU、8.00 GB),并使用Matlab2014a TFOA算法实现。进行仿真实验通过10基准函数的最小值(14,16作为一个例子。的影响参数对算法的收敛精度和速度进行了分析和比较。最后,适当的和测定。名称、功能形式的搜索区间,函数最优值10基准函数表1。本文中使用的图片材料来自[17]。

以下4.4.1。人口规模对算法性能的影响

在实验中,我们使用进步的人口规模的方法 。最后的实验结果进行了分析,找出人口规模之间的关系,收敛精度,算法的时间复杂度。参数设置如下:人口规模独立的值(5、10、15、20);150倍;价值TFOA算法优化迭代步骤。搜索区间如表所示1。最优值、平均运行时间和收敛精度的相对变化率TFOA全局优化函数作为评价指标。连续50后10测试函数的实验结果如表所示2。

在表2算术平均,优化意味着代表全局优化函数的最小值;它反映了算法的收敛精度:值越小,算法的收敛精度就越高。平均手术时间的算术平均算法的运行时间,这是算法运行所需的平均时间。收敛条件指的是最优的意思是对应于低人口size-optimal意味着相应的高人口规模/最佳意味着对应较低的人口规模。结果表明,算法的收敛精度随人口规模的增加,价值越大,提高算法的收敛精度。同时,从表中我们可以看出2的增加 ,提高算法的收敛精度,平均运行时间增加成正比;然而,随着人口数量的增加,收敛精度的相对变化率显示一个下降的趋势。趋势线10个测试函数的优化意味着增加人口规模如图2。图,纵坐标表示通过优化意味着,横坐标是人口规模。

从图我们可以看出2人口规模增加的初始阶段,优化意味着减少单调与人口规模的增加,和相对变化率是最大的;也就是说,算法的收敛精度是最大的。在中间阶段的人口规模增加,优化意味着继续与人口规模的不断扩大,减少单调但相对变化率减小;在人口增长的后期,函数F4, F5, F8,优化意味着继续减少和人口规模的不断扩大,但相对变化率也小。因此,综合上述分析可以得出以下两个结论:第一,随着人口数量的增加,算法的时间成本也增加了。其次,随着人口数量的增加,提高了算法的收敛精度;然而,随着人口数量的增加,算法的收敛精度不能明显改善,因为它很容易落入局部最优算法迭代的后期。因此,适当的人口规模可以之间找到最佳平衡算法性能和运行时间。本文选择15 TFOA的人口规模。

4.1.2。最大迭代次数对算法性能的影响

在实验中,我们使用进步的人口规模的方法 ;参数设置如下:单独的值是10、50、150、500和1000年,是15,搜索区间表所示1。最小值的最优值获得全局优化函数和算法的运行时间作为评价指标。连续50后10测试函数的实验结果如表所示3,更大的 ,优化的准确性越高意味着越高的平均运行时间。优化的趋势线10测试函数的平均值增加如图3由优化意味着,纵坐标表示,横坐标是最大迭代数。

在图3,我们可以得出以下两个结论:第一,增加了将不可避免地增加了计算时间消耗的算法。其次,可以提高算法的收敛精度增加 ,但不断增加的最大迭代麻木不会导致连续和明显的改善算法的收敛精度;这是因为它很容易落入局部最优算法迭代的后期。因此,适当的最大数量的迭代可以之间找到最佳平衡算法和运行时性能。的本文中使用的是500。

4.2。图像恢复LSSVM——TFOA分析

在边缘服务器模拟计算。为了使算法有说服力,我们添加不同类型的模糊和噪声标准图像进行测试。在实验中,我们使用的大小 训练图像和测试图像通过归一化处理。在前一节中使用的优化结果是15,是500。果蝇的初始位置是随机的。为了定量评价图像恢复效果,峰值信噪比(PSNR)和归一化均方误差(NMSE)是用来评估图像恢复性能。

实验1(建立映射关系的图像修复)。为了建立原始图像和模糊图像之间的映射关系,我们添加高斯模糊( , )和高斯随机噪声(方差= 0.01),芭芭拉的形象。模糊图像是由原始图像的卷积和高斯滤波器。芭芭拉的图像恢复模型是由退化和原始芭芭拉图像。经过500次迭代训练,参数的优化结果和是5.2和0.6231。为了验证本文算法的图像恢复效果,支持向量回归(15)和BP神经网络算法(10选择比较,最终的图像修复效果如图4和表4。
从最后的训练结果,我们可以知道映射方法可以提高模糊图像的图像质量。BP神经网络算法的PSNR值很低,而NMSE更高,因为其需要选择初始参数和修正。SVR方法优于BP神经网络在图像恢复,但这需要更多的时间在交叉验证的参数。然而,这种方法花费更少的时间和更高的PSNR值和降低NMSE,这显示了更好的图像恢复性能。

实验2(比较退化图像恢复使用训练有素的映射)。TFOA-LSSVR映射模型提出了应用于不同的模糊图像。为了使算法有说服力,有三个模糊的方法,即动态模糊( )、磁盘模糊( )和钝化模糊。它们分别用于三个原始标准模拟图像进行模糊处理,并添加高斯噪声和磁盘模糊图像运动模糊图像。为了进一步解释图像恢复效果,Lucy-Richardson (LR)算法(18)是用于恢复不同退化图像。具体结果见图5和表5。
在这个实验中,TFOA-LSSVR可以在PSNR和NMSE改善图像质量。但复苏LR算法的结果不是很令人满意。对于运动模糊图像添加高斯噪声和磁盘模糊图像添加高斯噪声,最终的图像清晰的LR算法不是改善,和大量的斑点出现。对钝化模糊图像,LR结果显示一些模糊和大量的斑点。所有TFOA-LSSVR算法恢复图像比模糊图像清晰,和大部分的噪声会降低。因此,本文TFOA-LSSVR模型具有更好的图像恢复的应用效果。

5。结论

本文提出了边缘的图像恢复方法计算环境达到良好形象实时恢复的结果。摘要TFOA和LSSVR建立图像恢复的非线性映射模型。首先,人口规模和最大迭代数TFOA决心通过使用10个测试函数。然后,LSSVR误差函数作为TFOA的自适应函数进行了优化。优化参数的LSSVR是用于建立退化原始图像和模糊图像之间的关系。最后,验证了图像恢复的效果。为了验证映射方法的有效性,BP网络和SVR算法进行比较,并结合的可行性TFOA LSSVR验证。同时,非线性映射模型由该算法可以用来恢复退化图像训练集和比LR算法有更好的图像恢复。的实验结果表明,该组合TFOA和LSSVR可以达到满意的康复效果。这个方法在其他领域的竞争优势,尤其是CPU时间成本。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

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重点研发项目(2017 yfc0820700);科学和技术的基础信息(不保证实验室。kj - 17 - 101);中国和美国国家科学基金会项目(没有。61701188)。