研究和评论:工程和技术雷竞技苹果下载杂志》上
菜单ISSN: 2319 - 9873
ISSN: 2319 - 9873
+ 44 7456 035580年轻的研究人员和精英俱乐部,Mahabad分支,伊斯兰自由大学,Mahabad、伊朗。
收到:10/01/2014;修改后:15/02/2014;接受:25/02/2014
访问更多的相关文章研究和评论:工程和技术雷竞技苹果下载杂志》上
人类视觉系统(HVS)是令人难以置信的变量从一个人到另一个,甚至同一个人在不同条件下。参数化允许这-personalizationa,同时保持了熟悉的属性,如果一个视觉-finea图像添加到另一个视觉-finea形象,结果也应该是——在。一个我们发现独立操作一般工作最好由保险当参数值是相同的视觉上的结果,这应该有助于提高图像增强性能。类似的培训方法,介绍了在过去的和使用的应用程序。进一步,我们发现可以取得良好的效果没有训练系统对个人形象,然而利用训练系统在一个特定的问题可能会有最好的结果。
HVS视觉,图像
图像增强系统依赖于基本算术组件的性能,我们研究这些最基本构建块来提高性能。它可以表明,当使用线性运算时,添加图片总是比原件,这会导致图像太明亮。当使用经典唇算术时,添加图片总是比原件,这会导致图像整体太暗。除了是一种融合,人们很自然地想结合图像更有意义的方式。在理想的情况下,添加的图像将代表原件不自然变得太暗或太亮(1- - - - - -4]。通过优化这些最基本的图像变换,我们将改进提高。因为嘴唇模型已成功用于图像处理应用程序;一个解决方案可能是一个参数化的嘴唇(PLIP)模型。这些参数使模型的微调,让用户更好地控制最终的结果。通过改变参数,一个是能够改变输出图像的整体亮度和对比度。依赖的参数问题,可以修改范围取决于数量的信息融合,从而避免信息丢失的问题同时最小化操作复杂性和允许它与便宜的硬件实现。这个系统的主要训练的结果除了已经出现在[5- - - - - -7]。仅包含参数不能完全解决图像处理算法的局限性,虽然,即信息的损失和更有意义的图像融合的必要性。为了解决这些局限性,我们提出一个额外的约束被添加到PLIP系统。我们建议五分之一要求一个图像处理框架。模型必须不破坏信号。从本质上说,当个“好”的图像添加到另一个视觉上“好”形象,结果也必须是“好”(2]。这是特别重要的,例如,当从两个传感器获得信息必须融合。对于这种情况,由此产生的图像似乎应该由巨石第二道路封锁。这也说明了前面所提到的限制唇算术中一些输出图像可以视觉受损;图像太暗,不显得自然。虽然是一致的,由此产生的图像应该亮当使用线性加法和深使用经典唇时,几乎可以improvedupon这些结果。虽然古典之外往往给结果典型太亮和嘴唇除了给结果典型太暗,这两种情况下导致视觉上赏心悦目,代表图像以适当PLIP参数。
首先,需要一个训练有素的PLIP模型在图像增强。PLIP算术更相关的成像模型——工作Ivakhnenko演示的多项式描述复杂系统的使用,和他提出了方法参数的调优训练系统任意数量的使用通过迭代回归技术基于均方误差(7]。另一个细节工作新方法使用多目标递归神经网络的训练算法和均方误差(4]。然而,这些方法的好处完全训练数据;ie。有明确的输入和正确的答案是已知的先验。增强问题输入设置但没有先验知识的最佳的增强图像。这样的培训问题,可能需要使用专家判断信息在特定阶段(1]。一般来说,最好的参数算法依赖。三种方法的培训,该系统将专注于以确定应用程序的最佳参数。第一种方法是基于均方误差(MSE)测量,这将是重要的,当考虑到不同的系统精度,如16位、32位、64位等。2]。第二个是基于图像增强措施,EMEE的定量评价指标。这可以用作反对人类主观的评估,提供更一致的结果(2- - - - - -3]。第三种方法是基于增强图像的视觉评估,以确定哪些是最人类观察者的视觉上赏心悦目。成像系统将结合许多像素值到达一个输出值,如低通滤波器或边缘检测器,值可以快速去饱和和信息可能会丢失。
在本节中,PLIP系统首先是训练有素的加法、减法和乘法这损失减小到最低限度的信息。为此,最好的γ值(M)、k (M),和λ(M)确定为一般情况下试图最大化的信息操作的结果,从而最大限度地减少信息损失。在这篇文章中,这三个操作,加法,减法,乘法和被认为是单独训练,选择合适的参数的一般使用PLIP模型。然而,这种参数化导致了在约束问题,将解决第五要求。最好的方法来训练参数化也将调查。详细探讨了这两个问题。尽管独立选择这些参数,测量这两张图片的添加,减去,或增加使用PLIP算术。最后,MSE策划反对γ(M)、k (M),或λ(M);小数部分中的信息是重要的PLIP算术,最大化这个信息是很重要的。量化描述的过程在这些最低阶位的能量比较结果使用高精度方法和低精度近似的结果。 By selecting values corresponding to the maximum MSE, it is possible to find the parameter values for which there is the greatest information in the output image. This is most useful when one considers the expanded range of newer imaging systems, for example medical images using 16-bits, where the increased information would be utilized. Also, this MSE test can be useful when downgrading to a lesser system, where one would instead want to minimize the MSE. This study was performed for many different combinations of images using the three PLIP arithmetical operations. The result of this experiment for addition, shown in the graph in figure图1.f,展示了几个山峰,然而到目前为止最大的峰值发生在γ(M) = 1026。虽然MSE值像素强度值相比非常小,我们的目标不是要发现统计输出图像之间的差异和一个近似,但找到一个兴趣点之间可能的参数值。减法和乘法的结果显示相同的大peakat k (M),λ(M) = 1026。这些结果,包括相同的峰值相对大小相似,被发现在所有模拟。在研究使用γ的值的峰值和其他值(M), k (M),和λ(M),这是为你们三个决定,这是最好的价值一般情况下这些参数。另一个有趣的注意的是,所有的局部最小值对应的2 n值,直接与一个大峰。这表明可能更好的函数来减少信息损失的图像运算可以γ(M) = 2 k, k = 1, 2, 3…训练参数γ,k,并与EMEEλ,使用两种方法。不同的原子操作可以单独测试和基于PLIP增强算法可以作为一个整体系统进行测试。这些研究将使用几个不同的值进行PLIP参数,对比产生的图像。首先,提高性能通过改变只有k (M)函数值用于计算灰色基调,g (i, j),为每个图像。 For this example, γ(M) = 512 and k(M) is tested as the max of the two images separately, the max of the two images collectively, k (M) = 255 and k (M) = 300. The major difference is in the background; by using the maximum value of the two images collectively the background in the Truck image is given higher values, and this helps to hide some of the ripples which can be seen in the image.
图1:实际效果提出使用不同参数的同时保持固定增强参数。
这是使用标准执行64位双精度浮点运算和15位浮点近似,所不同的是,测量使用均方误差(MSE)。这个措施中的能量最低阶位,这MSE乘以一个常数模拟左移这些低阶位是用来被高阶。第一个比较的MSE高精度低精度的近似结果来减少损失的信息。第二个使用EMEE分数最大化视觉吸引力和进一步减少信息损失。
