融合矩阵

融合矩阵（精选6篇）

融合矩阵 篇1

行业媒体是指依托某个行业经营发行, 并主要以此行业内容为报道对象的媒体, 传统行业媒体以发行纸质报纸杂志为主。行业报刊有过繁荣的发展时期, 但近年来, 以网络、手机为代表的数字化新媒体迅速崛起, 新媒体在信息来源、传播速度、阅读载体等方面有着纸质媒体无可比拟的优势, 对传统行业媒体形成了全方位的冲击。很多以传统模式经营的行业报刊读者和广告减少, 陷入了发展困境, 迫切需要创新办刊理念和模式, 在数字化新媒体的大潮中寻求新的发展道路。

机遇往往与危机并存, 新媒体的出现也为传统行业媒体的转型发展提供了必要的技术支撑和全新的传播途径。行业媒体在行业信息的获取和发布方面有其独特的优势, 如果能将之与新媒体技术相融合, 打造行业全媒体平台, 将会在新媒体时代竞争中占据有利态势。行业媒体在新媒体时代应立足行业优势, 坚持行业特色, 及时发现和利用不断涌现的新媒体传播模式, 在已有媒体平台的基础上, 扩充和打造全新的信息来源、服务和发布渠道, 打造全媒体的运营与发展空间。很多行业媒体已经开始积极探索与新媒体融合发展的道路, 建立起各种新媒体平台, 其中有成功的经验, 也存在一定的误区。行业媒体在与新媒体融合的进程中, 应立足自身传统优势, 取长补短, 在整体性、实用性、权威性和互动性四个方面下好功夫, 打造行业全媒体矩阵。

一、优化资源配置, 发挥行业全媒体整体效应

当前, 很多行业媒体顺应新媒体发展的趋势, 建立起如网站、微博、微信等新媒体平台。但由于缺乏现代传媒管理理念, 这些媒体平台之间往往分散运作, 缺乏融合, 无法形成整体的传播和经济效益合力。一是简单重复。一些行业媒体创办了自己的网站, 但内容基本是直接复制纸媒, 缺乏针对网络读者的创新, 这样算不上报网融合, 对整体发展的意义不大。二是缺乏联动。不同的媒体平台有各自的传播方式和受众群体, 发布信息需要统筹安排、整体联动才能发挥最大效应。但一些行业媒体建立的媒体平台之间缺乏联动, 在发布信息时, 没有依据其各自特点统筹安排, 往往是各说各话;或者是纸媒定期出版, 而新媒体平台内容长期不更新, 形同虚设。

伊契尔·索勒·普尔 (Ithiel De Sola Pool) 认为:“媒介融合是各种媒介呈现出多功能一体化的趋势, 从本质上讲是不同技术的结合, 是两种和更多种技术融合后形成的某种新传播技术, 由融合产生的新传播技术和新媒体的功能大于原先各部分之和。”[1]行业媒体要想发挥好新旧媒体平台1+1>2的整体效应, 就要实现三个融合。一是媒体平台的融合。应根据各种媒体平台的功能进行全面整合, 形成广覆盖的传播体系, 切忌盲目拼凑。要及时整合获取的行业信息, 根据传播的需要, 分类发布到不同的媒体平台, 实现信息在各种媒体平台的合理共享与分布。另外, 行业纸媒一般具有较长的发展历史和较好的品牌效应, 也形成了相对完备的信息渠道和数据资料, 新媒体在发展中要充分利用这些资源, 少走弯路。二是采编流程的融合。行业纸媒在发展过程中, 形成了比较成熟的采编流程。新媒体的信息采编除了传统方式外, 对信息网络技术的要求更高。对此, 应在发挥传统采编优势的基础上, 积极运用新媒体技术, 创新采编模式, 整合采编流程, 实现各种媒体平台信息的采集——编辑——发布——存储一体化流程。三是采编人员的融合。新媒体时代对行业媒体从业人员提出了更高的要求, 行业媒体记者编辑应主动适应新媒体发展的需要, 学习使用网络信息技术, 成为复合型人才。记者除了采访、写稿以外, 还可以通过博客、微博、微信等发布评论、感悟等, 增加和读者交流的渠道, 拉近和读者的距离。

二、以用户需求为本, 构建实用型行业全媒体

行业媒体与新媒体融合应注重以实用为本。有的行业媒体在开发新媒体平台及发布信息时, 没有考虑自身实力、用户需求和行业宣传特点, 盲目上项目, 以至建立的新媒体平台形同虚设。一是建立的媒体平台不实用。面对新媒体浪潮, 一些行业媒体为在竞争中取得优势, 选择尽可能多地开发各种新媒体平台。但是, 新媒体平台建设是一项复杂的系统工程, 在资金、技术、管理等方面都有很高的要求, 而且运营后能否达到预期的社会和经济效益也是未知数。行业媒体有其特定的读者群体, 适用的媒体平台也不相同, 如面向老年读者群体的行业媒体, 就不宜开发操作程序过于烦琐的手机媒体。如果不经过调查研究, 盲目建立不合适的新媒体平台, 会造成闲置浪费, 得不偿失。二是发布的信息不实用。新媒体之所以受到读者欢迎, 除了其技术上的优势外, 更重要的是发布的信息贴近读者需求, 适合读者兴趣。而传统行业媒体由于受到以往宣传机制的束缚, 内容相对呆板僵化。例如, 过多地报道本行业领导讲话、会议、政策文件等, 如果把这些内容照搬到新媒体平台, 好比是新瓶装旧酒, 很难引起读者阅读的兴趣。这种模式下, 新闻媒体也不足以演变成为真正意义上的大众媒体, 传统媒体与网络媒介之间的文化隔膜依然存在。[2]

要想充分发挥新媒体平台的效用, 实现社会和经济效益的最大化, 就必须坚持实用性。首先, 要研发实用的媒体平台。紧密结合自身经济实力、读者阅读需求和本行业宣传特点, 搞好市场定位, 着力建设成本适度、传播效果好的新媒体平台。针对微信在大学生群体中非常流行的现状, 山东就业媒体依托本行业搭建了大学生就业创业微信平台服务体系, 因其实用性强, 很受大学生欢迎。其次, 要发布实用的行业信息。新媒体阅读具有快餐化的特点, 因此通过新媒体发布的行业信息不能泛泛而谈, 而是应该进行精心选择加工, 以专业视角把行业内最新鲜、最实用的信息快捷、简洁地传递给读者。就业媒体在利用新媒体发布就业信息时, 就不宜空谈就业理论, 而是应该选择读者最关心的招聘职位、薪酬等发布给他们。

三、立足行业优势, 发布权威性行业信息

传统行业媒体的报道风格比较严谨, 但内容形式相对呆板, 宣传功能过多, 时效性差, 很难引起读者的阅读兴趣。而新媒体传播方式灵活, 信息来源广泛, 时效性强, 非常受读者尤其是年轻读者的欢迎。

非行业新媒体也有其短处, 就是其信息来源虽然广泛, 但缺乏权威性, 可信度相对差, 有的为了提高点击率, 甚至转发一些没有经过证实的道听途说, 这样就难以在读者中树立公信力。而行业媒体发布的信息直接来源于权威行业部门, 在读者中具有较高的关注度和可信度。因此, 行业新媒体应扬长避短, 既要发挥新媒体快速灵活的特点, 又要在信息的权威性上下功夫, 倾力打造引领本行业舆论的核心媒体平台。一要着眼于发布权威信息。要充分发挥行业媒体和行业部门联系密切的优势, 积极发掘权威行业信息资源, 尤其是和百姓生活密切相关的行业信息, 进行加工整理后向读者发布。此外, 还可以对信息进行深度加工, 增加新闻价值。《中国劳动》杂志设有“政策解读”栏目, 国家发布重要人社政策后, 会邀请行业内专家对政策进行深入解读, 引导读者正确理解政策、运用政策。二要着眼于引导行业舆论。行业媒体作为行业宣传的主阵地, 担负着引领行业舆论的社会责任。当前, 我国正在全面打击网络谣言, 整肃网络舆论环境, 这也为行业媒体与新媒体融合发展提供了机遇。行业新媒体应自觉担负起净化网络环境、引领社会舆论的责任。应加强本行业新闻的质量和真实度把关, 如果发现与本行业相关的网络谣言, 就要及时进行辟谣。还可以发挥新媒体互动性强的作用, 和读者通过微信、微博等进行互动, 为其解疑释惑, 消除网络传言带来的不良影响。

四、吸引读者参与, 打造行业互动交流社区

有的行业媒体在建立新媒体平台后, 以单向发布信息为主, 缺乏和用户的互动交流, 新媒体的互动功能没有得到充分发挥。在新媒体时代, 读者已不再是被动的信息接受者, 更是主动的参与者, 新媒体平台也不再是单纯的信息发布平台, 而是媒体人和读者虚拟化的交流社区。对于那些工作生活和某行业关系密切的读者而言, 这种要求更加迫切。正如美国知名报纸专栏作家丹·吉摩尔所说“:此前被称为受众的人们现在成为‘参众’, 那是一种不同的关系了, 核心就在‘我’的参与。由‘我’的诉求、进入‘我’的圈子交流、获得‘我’的愉悦性体验, 这是信息社会新老媒体的根本区别。”为了更好地发挥新媒体平台的互动作用, 除了原有的信息发布平台外, 应致力打造三种互动平台。

(一) 新闻线索获取平台

传统行业媒体主要从本行业内部获取信息, 如会议新闻、政策法规、科研论文等, 而较少主动从社会获取新闻线索, 导致内容不接地气, 可读性差。新形势下, 行业媒体要想获得发展, 就必须多关注、获取老百姓喜闻乐见的新闻线索。新媒体的出现为这一转变提供了机遇, 通过微博、微信、论坛等可以更快捷、广泛地获取新闻线索, 能够直接了解读者对本行业哪方面的信息感兴趣。

(二) 行业服务提供平台

行业媒体的自身定位除了作为行业信息的发布者, 还应该是行业服务的辅助提供者。中央电视台发展研究中心产业与新媒体研究部主任黎斌认为, “以信息产品服务为市场定位”是新媒体的五大特征之一。[3]行业媒体应立足于自身行业优势, 发挥新媒体方便快捷的特点, 根据读者的需要, 为读者提供行业资讯、技术资料、办事指南等服务。还可以根据读者的需要, 为他们订制个性化服务, 通过论坛、微博、微信进行互动, 解答读者提出的问题, 为他们办理与本行业相关的事务提供帮助。人力资源社会保障媒体可以和12333社保客服电话联动, 及时为读者提供社会保险办理方面的帮助。

(三) 意见建议反映平台

媒体和读者传统的交流方式是读者来信和读者座谈会等, 在时空上受到诸多限制。新媒体条件下, 可以通过论坛、留言板、微信等方式, 搭建与读者的即时交流互动平台。新媒体时代, 媒体和读者的交流不再是单向的, 而是一种全方位的互动, 让读者也参与到媒体的发展与建设中来, 了解读者需求, 听取读者建议, 从而提高媒体的吸引力和办刊质量。此外, 行业媒体还可以利用和行业部门联系紧密的优势, 充当群众和行业部门的联系人, 通过新媒体及时了解群众对行业部门的意见建议和自身需求, 向行业部门反映群众关注和社会舆情, 为行业部门的决策提供依据。例如, 关于延迟退休政策如何推行的问题, 人力资源社会保障媒体就可以在网上开展问卷调查, 了解群众意见, 向人社部门进行反映。

参考文献

[1]Ithiel De Sola Pool:Technologies of Freedom[M].Cambridge Massachusetts:Harvard University Press, 1983:23.

[2]任立春.传统媒体与网络媒介融合困境的突破[J].编辑之友, 2013 (10) :76-77.

[3]黎斌.从M (Media) 到W (Website) :传统媒体的颠覆性创新[J].声屏世界·广告人, 2014 (8) :40-42.

加权共协矩阵聚类融合研究 篇2

融合方法将不同算法或者同一算法下使用不同参数得到的结果进行合并,从而得到比单一算法更为优越的结果。在分类算法和回归模型中,融合方法的使用已经比较成熟。但在聚类分析领域,聚类融合方法的研究在近几年才开始出现[4]。

当前的聚类融合算法大多不考虑进行融合的成员的质量,当聚类成员存在聚类质量差或者有噪声干扰时,融合结果将受到影响。针对此种情况,本文根据簇内方差对生成的H个聚类成员划分成五类,再根据划分结果确定成员的权重,然后使用基于加权共协矩阵的方法得到更好的融合结果。

1 聚类融合方法概述

聚类融合(Clustering Ensemble/Clustering Combination)的概念是A.Strehl[5]提出:将多个对一组对象进行划分的不同结果进行合并,而不使用对象原有的特征。它的具体表达如下[4]:

假设有n个数据点undefined,对数据集X用H次聚类算法得到H个聚类结果,undefined(以下称之为聚类成员),其中πk(k=1,2,3,…,H)为对第k次算法得到的聚类结果。设计一种共识函数Γ,对这H个聚类成员的聚类结果进行合并,得到一个最终的聚类结果π′,如图1所示

在聚类融合中,先要产生对数据集X的h个聚类成员,然后对这h个聚类成员的聚类结果进行合并。目前研究主要集中在两个方面:

一是如何产生有效的聚类成员;

二是如何设计共识函数对聚类成员进行融合。

2 加权共协矩阵聚类融合算法

2.1 基于共协矩阵的算法

基于共协矩阵(co-association matrix based method)方法的基本思想是把每一次聚类的结果看成是数据重新组织的新模式(pattern),在这个基础之上,数据对象之间的近似度可以由新的特征模式之间的近似度代替。Co-association矩阵用于衡量数据点之间的相似度,其中第i个数据点与第j个数据点之间的相似度为:

undefined

用数学方式表达为:

undefined

其中u、v为任意两个数据点,Ci(u)和Ci(v)表示点u、v在聚类成员Ci中所属的类别。

基于共协矩阵聚类融合算法的空间复杂度为O(n2),时间复杂度为O(kn2),其中n表示数据个数,k表示运行k-means算法的次数。算法的优点是无需对标签向量进行重新标定。缺点是存储空间和计算时间,可以看出算法对于海量数据是不太适合的。

此外,可以看出,基于共协矩阵的融合算法并没有考虑到聚类成员的质量和噪声的影响,因此,本文下面提出了权重的设计,对每个聚类成员赋予权重。

2.2 权重的设计

当前的聚类融合算法大多不考虑聚类成员的质量,而对所有的聚类成员同等看待。本文通过对聚类成员进行简单的有效性评价,进而设计每个成员的权重。

一般来说,评价聚类和选择最优聚类模式的原则有两个:紧密度,即簇中的成员必须尽可能地相互靠近;分离度,簇与簇之间的距离尽可能地远。大多数评价聚类质量的方法都是基于这两个原则。如果处理的数据集结构未知,聚类结果的评价就只能依赖数据集自身的特征和量值。在这种情况下,聚类分析的度量追求两个目标:紧密度和分离度。此外,还要考虑单个簇的大小,以达到均衡较好的解[6]。

本文应用簇内方差对聚类成员进行评价设计权重。

簇内方差即误差平方和最小方差标准,寻求簇内距离最小化。K均值算法的局部最优度量首先基于此概念,定义为[5]:

undefined

C是所有的簇,μk是簇Ck的质心,δ(i,μk)是距离函数,计算数据项i与其对应的簇的中心的距离。簇内方差最小值取决于数据和簇的数目,最优划分得到的簇期望其值尽可能接近零。

按照公式(3)求得各个聚类成员的簇内方差undefined,其中Vi为第i个聚类成员的簇内方差。根据簇内方差的性质,V值越小说明聚类成员的质量越好,因此我们需要对其赋予较高的权重,加大其对融合结果的贡献。具体算法如下:

对得到的簇内方差进行简单聚类成五类,按照值从小到大分别赋予权值w={5,4,3,2,1}。

2.3 算法描述

算法流程如下所示:

第1步 选用某种聚类算法生产H个聚类成员;

第2步 对每个聚类成员ck,k=1,2,…,H,计算它的簇内方差Vk;

第3步 把簇内方差按照某种聚类方法将聚类成员分成五类,按照簇内方差从小到大的顺序分别赋予每类里的聚类成员权值undefined,得到每个聚类成员的权重wk;

第4步 根据计算的权值生成加权共协矩阵;

第5步 使用基于共协矩阵的融合算法得到融合结果。

2.4 与基于共协矩阵的算法的比较

本文提出的算法与现有的基于共协矩阵的聚类融合算法相比,加入了权重的设计,重视到了聚类成员的质量,可以得到更好的融合结果。本文提出的权重的设计方法是根据计算簇内方差对聚类成员进行评价,根据其质量进行划分再赋予相应的权重。

当前的聚类融合算法大多不考虑进行融合的成员的质量,当聚类成员存在聚类质量差或者有噪声干扰时,融合结果将受到影响。权重的设计考虑到了融合成员的质量,可以减少当聚类质量差或者噪声干扰对融合结果的影响。

3 结束语

聚类融合算法对多个聚类结果进行融合,从而得到比单一算法更为优越的聚类结果。然而当存在聚类成员质量和噪声是会产生不良的融合结果。本文对现有的基于共协矩阵的聚类融合算法进行了尝试性的改进,用簇内方差对各个聚类成员进行质量的简单评价,并据此对其赋予权重,生成加权共协矩阵,进而得到融合结果。本文提出的改进算法能较好的处理聚类成员间的质量差异,并能有效的消除噪声对融合的影响,能够得到更好的融合结果。本文主要针对共协矩阵进行了加权设计,此种加权方法能扩展到其他融合算法,但是其最优性有待于进一步研究。

参考文献

[1]PANG-NI NG TAN,MICHAEL STEI NBACH,VIPI N KU-MAR.数据挖掘导论[M].范明,范红建,等,译.北京:人民邮电出版社,2005.

[2]JAI N A K,FLYNN P J.Data Clustering,A Review[J].ACM Computing Surveys,1999,31(3):264-323.

[3]邵良杉,王鹤.蚁群组合算法在证券行业客户细分中的应用[J].计算机系统应用,2008(3):84-86.

[4]阳琳赟,王文渊.聚类融合方法综述[J].计算机应用研究,2005(12):8-14.

[5]STREHL A,GHOSHJ.Cluster ensembles a knowledge reuse frame work for combining multiple partitions[J].Journal of Machine Learning Research,2003,3(3):583-617.

融合矩阵 篇3

关键词：纹理特征提取,灰度共生矩阵,Haralick特征,方向测度,高斯归一化

纹理是一种反映图像中同质现象的视觉特征, 是图像中普遍存在而又难以描述的特征;其不依赖于图像自身的颜色或亮度。纹理分析在计算机视觉、图像分类和模式识别等领域中起着非常重要的作用。其中, 纹理特征的提取是进行纹理分析的关键步骤。因此, 研究决定所提取的纹理特征质量的纹理特征提取算法具有一定的价值。

Haralick对纹理特征提取方法进行了综述, 并将其分为两类:统计方法和结构方法, 而GLCM (gray level co-occurrence matrix) 是统计方法中性能最优的方法[1]。近几年, GLCM已经得到了不断的发展和演化, 并与其他方法相结合广泛地应用于许多领域[2—5]。文献[6]提出一种融合局部二进制模式和灰度共生矩阵的纹理特征提取方法。其利用旋转不变的LBP算子处理纹理图像, 得到LBP图像及其GLCM, 并采用对比度、相关性、能量和逆差矩描述图像的纹理特征。文献[7]深入研究灰度共生矩阵算法, 说明基于灰度共生矩阵的14个纹理特征具体意义, 并指出纹理特征之间存在冗余性。文献[8]通过计算多分辨率图像的低频和高频部分的灰度共生矩阵, 然后将低频图像GLCM的能量和高频图像GLCM的对比度对应作为低频和高频系数选取的活性度量进行图像融合, 提高了多分辨率图像的的质量。

然而, 在利用GLCM提取纹理图像的纹理特征值时, 为了避免方向对最终特征的影响, 0°、45°、90°、135°等4个方向的特征值以其均值和方差的形式表示, 并将它们作为最终的纹理特征值。但这种方法存在的问题是在处理具有明显方向性的纹理图像时, 直接求取各方向均值而不考虑其图像本身的纹理方向, 在一定程度上减弱了图像本身的纹理特征。为此, 本文提出一种融合方向测度和灰度共生矩阵的特征提取算法。在分析并提取纹理图像本身的方向特征的基础上, 将图像方向特征与GLCM所提取的Haralick特征相结合, 使纹理图像本身的纹理特征在特征向量中所占的比重自适应的改变, 为下一步研究提供更具体, 更准确的特征集。

1 方向测度和灰度共生矩阵

考虑到纹理在宏观上的区域性, 本文采用GLCM的Haralick纹理特征进行统计。为了捕捉纹理方向的细微变化情况, 文中利用方向测度统计像素和临近各个像素之间的变化率来描述纹理的微观方向特征。融合微观上纹理的方向测度和宏观上的GLCM纹理测度作为最终的纹理特征。

1.1 方向测度

方向测度可以统计纹理图像的像素灰度在各个方向上的变化规律, 即可以反映各个像素灰度的方向特征[9]。设 (i, j) 是N×M图像中任意一点, 以其为中心的5×5混合高阶方向测度窗口如图1所示。其中, {d (k) |k=1, 2, …, 8}表示中心点 (i, j) 的8个方向的方向测度。

1.2 灰度共生矩阵

灰度共生矩阵是一种统计图像灰度分布的方法, 它描述的实质是统计一对灰度在某种位置下出现的频率。灰度共生矩阵定义图像I中, 灰度为i和j的一对像素点, 位置方向为θ, 距离为d的同时出现的概率记为p (i, j, d, θ) 。方向θ间隔为45°情况下的概率具体的表达式如式 (1) ~式 (4) 所示[10]。

式中, ‘#’表示在该集合中的元素数目, I (k, l) =i, I (m, n) =j。

2 融合方向测度和灰度共生矩阵的纹理特征提取算法

2.1 n邻域的确定

图像I中的点 (i, j) 所处位置可以分为两类:边缘点和非边缘点。对于非边缘点 (i, j) , 选取其周围的24邻域进行Haralick特征值和方向测度值的计算。对于边缘点 (i, j) , 根据其所处的边缘位置, 分别选择不同的n邻域。其所处位置和邻域关系如图2和表1所示。图2中相同的数字表示当点位于此位置时, 其具有相同的邻域数。

2.2 Haralick特征值的选择

Haralick等人曾提出14种用来分析纹理的特征描述量, 该纹理特征描述量统称为Haralick特征[10]。研究发现:这14个纹理特征中仅有4个特征 (对比度、相关性、能量、逆差矩) 是不相关的, 这4个特征既便于计算又能给出较高的分类精度[11]。因此, 本文选取该4个特征量对纹理图像进行特征提取。其对应的计算公式如式 (5) ~式 (8) 所示:

(1) 对比度 (contract) 。

(2) 相关性 (correlation) 。

(3) 能量 (angular second moment) 。

(4) 逆差矩 (homogeneity) 。

式中, L为纹理图像的灰度级。

2.3 方向测度值的确定

间隔为45°的方向θ有4个取值:0°、45°、90°、135°, 对应的方向测度为d (1) 、d (3) 、d (5) 、d (7) , 其相应的位置如图1所示。从差分的角度出发, 定义其计算公式如式 (9) 所示。

式 (9) 中, f (i, j) 表示图像I第i行, 第j列的灰度值, 即点 (i, j) 的灰度值。若点 (i, j) 处于图2中的除6之外位置时, 则将公式 (9) 中不存在点的灰度值设为0。

2.4 融合特征值的确定

定义:已知纹理图像I中某点 (i, j) , 其各个方向θ的Haralick特征向量为Tθ, 权值因子为ωt, 则其融合后的特征T的计算公式如式 (10) 所示。

式 (10) 中, T= (Con Corr ASM Hom) 。即对于点 (i, j) , 其融合后的特征值通过上述四个Haralick特征表征。

2.5 融合后特征向量T中各分量特征的归一化

由于对比度Con、相关性Corr、能量ASM、逆差矩Hom等四个特征值有不同的物理意义和取值范围, 所以在进行后续实验时, 需要对其进行归一化处理。本文采用高斯归一化化方法, 高斯归一化的公式如式 (11) 所示。

式 (11) 中, Tt为归一化前的特征分量, Tt~为归一化后的特征分量, μt为需归一化的特征分量均值, σt为其标准差 (σt的平方是方差) 。

2.6 融合算法

(1) 对于图像中的某点 (i, j) , 根据图2和表1, 选取对应的邻域大小, 距离d=1, 灰度级L=8, 方向θ=0°、45°、90°、135°。利用公式 (1) ~式 (4) 计算其邻域的共生矩阵, 即可获得4个方向的灰度共生矩阵。

(2) 在点 (i, j) 所在邻域的共生矩阵的基础上, 利用公式 (5) ~式 (8) 计算各个共生矩阵的对比度Conθ、相关性Corrθ、能量ASMθ、逆差矩Homθ。

(3) 利用公式 (9) 计算点 (i, j) 在所在邻域中0°、45°、90°、135°方向的方向测度d (1) 、d (3) 、d (5) 、d (7) 。

(4) 利用公式 (10) , 其中,

计算融合后的特征向量T。

(5) 利用公式 (11) 对融合后的特征向量T中的分量进行高斯归一化处理, 并将其赋给点 (i, j) , 取代其原来的振幅值, 依次类推, 直至遍历整幅纹理图。

本文方法最终用来表征纹理的特征参数为4个, 其结合了图像本身的方向特性, 与直接采用GLCM获取各方向特征值及其方差并作为最终特征参数相比, 提取的特征参数更具体、更准确, 且特征向量维数也从16维降到4维, 降低了后续研究的复杂度。

3 实验结果及分析

实验采用Brodatz标准纹理库中的纹理图。实验平台为操作系统Win7, 测试软件采用matlab R2013a。采用方向测度方法、灰度共生矩阵方法和融合方向测度和灰度共生矩阵的纹理特征提取算法, 分别提取纹理库中图像的纹理特征, 将其分为训练集和测试集, 并采用KNN分类器对训练集进行训练, 对测试集进行分类, 分析其分类结果的正确率。通过上述实验, 验证本文所提出算法的可行性和有效性。

3.1 方向测度与权值因子

方向测度可以统计一幅纹理图像的像素灰度在各个方向上的变化规律, 继而来反映整幅纹理图像的方向特征。当一种纹理的某个方向的方向测度比其他方向值小的多时, 则说明这幅纹理具有明显的方向性, 反之, 则说明纹理分布均匀。从Brodatz纹理库中选取出两种不同的纹理:有明显纹理方向 (D83) 和无明显纹理方向 (D92) , 如图3所示。表2表明两种不同纹理之间方向测度与权值因子的对应关系, 当有明显的纹理方向时, 该纹理的各方向测度值有很大的变化幅度, 测度值越小, 其对应的权值因子越大。反之, 无明显纹理方向的纹理图, 各方向的纹理测度接近于1/4。

从表2中可以看出, D83的纹理方向主要集中在90°方向, 因此在与灰度共生矩阵融合时, 90°方向的特征值在其四个方向所占比重应最大。相比于D83, D92在四个方向上的纹理变化不明显。

3.2 Brodatz标准纹理库的分类

Brodatz标准纹理库有111个样本, 在此部分对其进行分类, 其中, 每个样本的尺寸大小为640×640像素。首先, 将每个样本按照64×64像素等分为100个子样本;其次, 按照先行后列编号;最后, 将前60个子样本用于训练, 后40个子样本用于测试。因此, 训练样本为6 660个, 测试样本为4 440个。分类时, 先提取样本的纹理特征, 完后采用基于欧氏距离的1最近邻节点分类器对其进行训练和测试。

由表3可以看出, 仅采用方向测度提取纹理特征, 并进行训练测试分类, 分类正确率达到92.18%;而采用灰度共生矩阵Haralick特征对其分类, 正确率降低为90.56%;当采用本文融合算法, 即融合方向测度与灰度共生矩阵提取纹理特征, 并对其进行分类时, 正确率提高为93.31%;由于灰度共生矩阵的4个Haralick特征具有不同的物理意义和取值范围, 所以当对融合后的特征分类进行归一化后, 分类正确率有了进一步的提高, 为94.37%。

3.3 有无明显纹理方向的纹理图的分类

从Brodatz标准纹理库的111个样本中选取10个样本 (如图4所示) , 其中5个样本具有明显纹理方向, 分别为:D10、D11、D51、D71、D83, 5个样本无明显纹理方向, 分别为:D4、D9、D29、D57、D92。将每一个样本分为100个64×64的子样本, 前60个用于训练, 后40个用于测试, 即训练样本为300个, 测试样本都为200个。采用4.2中的方法分别提取纹理特征, 对其进行训练和测试。方法1:方向测度方法提取;方法2:灰度共生矩阵方法提取纹理特征;方法3:本文融合方法 (方向测度+灰度共生矩阵) ;方法4:本文融合方法 (方向测度+灰度共生矩阵+归一化) ;分类结果如表4所示。

由表4可以看出, 仅采用方向测度提取有明显纹理方向的纹理图的纹理特征, 并对其进行分类, 分类正确率达到93.50%, 而对于无明显纹理方向提取特征后分类正确显然不如前者;而采用灰度共生矩阵提取Haralick特征, 有明显纹理方向的纹理分类正确率降低为90.50%, 而无明显纹理方向的纹理分类正确率反而有所提高, 为90.00%;当采用本文融合算法, 即融合方向测度与灰度共生矩阵对其进行分类时, 有明显纹理方向的纹理正确率提高为95.50%, 无明显纹理方向的纹理分类正确率为90.50%;由于灰度共生矩阵的4个Haralick特征具有不同的物理意义和取值范围, 所以当对融合后的特征分类进行归一化后, 分类正确率有了进一步的提高, 有明显纹理方向的纹理正确率提高为96.50%, 无明显纹理方向的纹理分类正确率为91.50%。

4 结束语

一般的纹理特征提取算法虽然也可以提取图像的纹理特征, 但存在的问题是其在提取最终特征值的过程中, 往往忽略了纹理图像的纹理方向, 本文将纹理的方向特征与纹理特征相结合, 并对其进行归一化。通过实验表明, 该方法所提取的纹理特征对纹理的识别率更高, 更具有代表性, 特别是在分类具有明显纹理方向的纹理图方面, 正确率更高。

参考文献

[1] 刘丽, 匡纲要.图像纹理特征提取方法综述.中国图象图形学报, 2009;14 (4) :622—635Liu Li, Kuang Gangyao.Overview of Image Textural Feature Extraction Methods.Journal of Image and Graphics, 2009;14 (4) :622 —635

[2] 刘健, 程英蕾, 孙纪达.基于GLCM特征的改进FCM的SAR图像分割方法.计算机工程与设计, 2012;33 (9) :3502—3506Liu Jian, Cheng Yinglei, Sun Jida.Modified FCM SAR image segmentation method based on GLCM feature.Computer Engineering and Design, 2012;33 (9) :3502—3506

[3] 田儆, 余雪丽, 钱杰.基于GLCM和CGA的人脸表情识别方法研究.微型机与应用, 2010;29 (18) :32—36Tian Jing, Yu Xue Li, Qian Jie.Study of face expression recognition based on GLCM and CGA.Microcomputer&Its Applications, 2010;29(18) :32—36

[4] 童敏.地震纹理属性提取方法研究及影响因素分析.北京:中国地质大学, 2013Tong Min.The research of seismic texture extraction method and analysis of influencing factors.Beijing:China University of Geoscience, 2013

[5] 雷英成, 曹俊兴.地震图像的振幅共生矩阵分析及其应用.石油天然气学报, 2011;33 (6) :64—68Lei Yingcheng, Cao Junxing.The amplitude co-occurrence matrix analysis of seismic images and its application.Journal of Oil and Gas Technology, 2011;33 (6) :64—68

[6] 王国德, 张培林, 任国全, 等.融合LBP和GLCM的纹理特征提取方法.计算机工程, 2012;38 (11) :199—201Wang Guode, Zhang Peilin, Ren Guoquan, et al.Texture feature extraction method fused with LBP and GLCM.Computer Engineering, 2012;38 (11) :199—201

[7] 陈美龙, 戴声奎.基于GLCM算法的图像纹理特征分析.通信技术, 2012; (2) :108—111Chen Meilong, Dai Shengkui.Analysis on image texture based on gray-level co-occurrence matrix.Communications Technology, 2012; (2) :108—111

[8] 阳魁, 黄新生, 徐婉莹.结合灰度共生矩阵的多分辨率图像融合策略.计算机应用研究, 2012;29 (3) :1181—1185Yang Kui, Huang Xinsheng, Xu Wanying.Fusion strategy of multiresolution image combined with gray level co-occurrence matrix.Application Research of Computers, 2012;29 (3) :1181—1185

[9] 于晓晗, 袁保宗.方向测度及其在纹理识别中的应用.自动化学报, 1990;16 (4) :347—351Yu Xiaohan, Yuan Baozong.Direction measure and its application to texture classification.Acta Automatica Sinica, 1990;16 (4) :347 —351

[10] Haralick R M, Shanmugam K, Dinstein I H.Textural features for image classification.Systems, Man and Cybernetics, IEEE Transactions on, 1973; (6) :610—621

融合矩阵 篇4

1 网络设计与综合布线

1.1 确立方案完善网络拓扑图

医院是技术含金量高、学术研究严谨的特殊机构, 对手术实况、内窥镜、电子显微镜、CT、MRI、病理图像等医学声像信号进行实时双向同步传输示教的要求较高[2]。如何将这些信息信号清晰地传送到示教室、阶梯教室、各科会议室等终端单位, 为大型学术交流、现场教学、示教观摩及全院视频会议提供技术支持, 这是本文研究的主要目的。为此, 我们充分调研了国内较先进的网络示教室组建经验, 制定出具有本院特色的完整组建方案, 见图1。

1.2 前期的综合布线

综合布线要在设备进场前进行, 包含网络线缆、视频VGA线、音箱线缆、双芯屏蔽线 (用于话筒和电脑音频线) 。线路施工前要制作出施工图纸, 施工图纸考虑要缜密, 要充分调研现场环境, 进行动态发展分析。施工中要严格按照图纸要求进行, 以方便后续的维护工作。

主机房的核心交换机和各楼层交换机通过千兆光缆进行连接。示教室外围的综合布线要根据物理位置分配好各个楼层交换机的端口。如果分会场分布在多个楼宇或多个楼层之间, 在线路链接方面, 汇聚与接入的楼层交换机采用多模光纤及六类网络线缆的连接方式, 以达到千兆光纤为主干链路的目的[3]。

在连接方式的选择上, 需要考虑多模光纤和六类线缆的使用特点。多模光纤传输速率高、传输距离远、成本低, 但链路所承载的设备较多 (需将光信号转换为数字信号) , 适合用于远距离传输;六类线缆适用于链路在100~150 m之间, 传输距离优于五类线, 连接方便简易 (不必转换信号, 只需制作水晶头就可以实现两个交换机之间、交换机与电脑之间的信号传输) , 但因受传输距离限制, 所以适用于楼层交换机与示教室之间的传输。

综合布线的过程要结合网络拓扑图, 根据两种材料的特点, 混合使用光纤和六类线缆, 以免造成资源浪费和重复施工。

另外, 依据各个分会场对不同网络的需求, 如互联网、医院医疗网、手术示教网、全院视频会议网等, 可以在分会场的机柜内安装配线架, 使机柜内网络线路较为整洁美观。

2 示教室的设备配置与安装

每个示教室均需要安装投影幕布、投影机、多媒体功放、多媒体音箱、麦克风及电脑。

2.1 投影机选择与安装

通常采用流明和分辨率来区分投影机的档次。在投影机的选购上, 流明度越高, 观看的清晰度也就越容易接受。目前市面上较多采用的投影机流明在2500~3500 Lm之间, 所以, 流明是选购投影机的标准之一。

投影机的物理分辨率越高, 可接收分辨率的范围越大, 投影机的适应范围越广。一般会议室投影机应用最多的分辨率是SVGA (分辨率800×600) 和XGA (1024×768) 。不过, 随着对投影画质需求的提高, 市面上已经有越来越多的能够支持更高分辨率的高清投影机型, 其接口也趋于多样化, 应用较为普遍的是HDMI和DVI接口, 信号源在达到分辨率 (1920×1080) 的情况下, 投影出来的就是高清图像。所以, 在其他性能指标相同的条件下, 优先选择高清分辨率机型, 不但可以适应更多的信号范围, 还可以让观看会议的人员得到更好的图像体验[4]。

在安装投影机之前先确认并放置好投影幕布, 保证投影扩满全屏;在垂直于天花板的位置寻找好定点, 固定好投影机支架。根据投影图像, 调节投影机使之不倾斜、不摇晃。控制开关一般应放置于讲台上, 以方便授课者操作[5]。

2.2 功放音响安装

功放装置一般体积较大, 也较为沉重, 应安装在示教室机柜内。如果选择的功放装置较小, 建议采用机架式功放, 不仅方便固定, 而且整洁美观。另外, 需要注意的是的悬挂音箱不可与麦克风相对, 这样容易造成回音、啸叫, 影响示教室的教学效果。

2.3 主会场音频处理

在主会场中, 会有多个功能区域, 它与视频一样, 也会有多路音频信号源, 但会场又必须要求将多路音频进行整合扩音。一般大型会场, 采用的设备是调音台, 由调音台对多路音频信号进行优化处理。音台最好选用12路以上的专业调音台, 其体积适中, 又有一定的可扩展性, 可以方便地镶嵌在操作台面上[6]。以“YAMAHA166CX”调音台为例, 它将几路信号接入调音台, 通过推子以及低音、中音、高音等各个模块, 进行多路音频处理, 汇总输出至功放, 然后进行扩音 (一般主会场的功放为高功率, 可以推动多个音响设备) 。需要注意的是, 大型会场需要进行专业的设计及现场测试, 在适合的位置放置音箱, 以便在扩音后会场声音可以保持均衡, 不会产生重叠音、回声等噪音。

3 视频矩阵与融合控制器组建主会场

主会场是医院的会议中心, 要根据医院辖区布局情况确定。主会场负责多个分会场的会议转播, 其设计与现场实施要更为专业。在组建一个多功能、多路输入、多路输出的主会场时, 设计者应当优先考虑投影显示系统和多路视频处理的要求。普通的投影机模式已无法满足高清晰、高分辨率的需求。大屏幕投影显示系统应具有稳定性、多样化、高清晰度的功能。多路视频处理可以采用VGA矩阵模式[7], 将多路视频信号源通过矩阵服务器汇总集合, 稳定输出至融合控制器, 实现多画面拼接处理和融合生成。

3.1 视频矩阵与融合控制器组建方式

为了保证提供给各个示教室的现场画面的清晰性, 主会场图像输出的清晰度要保证。除了要求网络要有足够的、稳定的带宽, 还要求视频会议软件要稳定, 要有内置高清软件的模块, 这样主会场摄像头采集的高清720P或1080 P的图像, 才能通过网络平台, 传输到各个示教室。视频矩阵的选用很重要, 除具备稳定实现多路信号输入、输出和切换的功能, 还要具有抗干扰、抗冲击的能力, 使传输距离更远、更稳定、更清晰可靠。本文视频矩阵与融合控制器组建方式, 见图2。

由图2可以看出, PC-1至PC-15都需要有投影信号源。根据矩阵的输出端口, 可以同时输出几路信号源至融合控制器, 再由融合控制器进行优化处理、融合生成高清信号, 无缝投影至大屏幕。

另外, 分会场示教室的显示系统要真实展示高清图像, 需要考虑两个因素:一是示教室电脑的显卡需要支持高清输出;二是分会场示教室的投影机也要能支持高清分辨率。

3.2 融合控制器的优势

我院采用Brillview (BR-vp6000) 融合控制器, 它可对本地投影显示图像实现优化处理。其优势: (1) 消除了光学缝隙, 与同类产品相比, 它在技术层面和显示效果上有了很大的提高; (2) 图像的融合生成, 所有的图像都经过融合处理器的校正和统一, 在大屏的显示和切换时, 无论什么格式的图像, 都能使屏幕亮度、色彩、均匀度保持统一, 显示质量不会发生变化。

另外, 需要注意的是, 投影出来的窗口数量, 是由矩阵输出至融合控制器的信号决定的。所以, 主会场在功能上就可以实现多路输入及输出。

4 结束语

我院采用视频矩阵与融合控制器为主构架, 组建了医院网络示教平台, 较好地满足了多功能、多路输入、多路输出的要求, 是目前较为理想的选择。既解决了各个科室独立教学的需求, 又给全院视频会议提供了平台, 还可以实现科室之间点对点或是一点对多点的联合教学方式。

随着信息化时代的发展, 网络示教室功能会更加完善并趋向多样性[8,9], 网络示教室的建设, 其目的已经不再是进行单纯的课堂教学, 它不仅是医院信息化建设程度的体现, 也是医院等级的彰显。

参考文献

[1]王国宏, 郑富强, 孙文泽, 等.数字化手术室手术示教系统的设计与应用[J].医疗卫生装备, 2010, 31 (10) :84-86.

[2]种银保, 吴志坚.医学声像示教实时双向同步传输系统的研制[J].医疗卫生装备, 2006, 27 (9) :38-39.

[3]刘浩明.医院信息化工程基础硬件平台建设解决方案[J].广东科技, 2011, (8) :28-29.

[4]钟艳花.现代投影机技术发展探讨[J].电脑知识与技术, 2010, 6 (21) :6049-6050.

[5]丁浩敏.社区护理教学多媒体技术应用的探讨[J].科技信息, 2011, (15) :435-461.

[6]张宝林.多功能多媒体综合系统的研究与实践[J].商丘师范学院学报, 2004, 20 (5) :156-157.

[7]罗蓬.多画面处理器的设计与实现[J].计算机工程, 2009, 35 (14) :197-199.

[8]陈杰, 潘建, 韦楚楚.互动电子白板系统的设计与实现[J].中国医疗设备, 2012, 27 (4) :21-23.

融合矩阵 篇5

图像去噪是图像处理中一个重要的环节,传统的图像去噪方法分为空域去噪[1]和频域去噪[2]。在目前大部分的研究中无论是空域去噪还是频域去噪采用的方法都比较单一。

相对于传统的去噪方法,小波去噪[3,4,5]具有多分率的特点。目前大部分的研究基于小波阈值去噪的改进主要集中在去噪阈值的选取上面。文献[4]选用了一种新的平滑的阈值函数代替传统阈值函数。文献[5]在多个不同尺度上选用不同阈值函数去噪。但是这种基于阈值改进的去噪算法在进行小波系数量化时不可避免地会引入量化噪声,并且阈值选取不当,去噪效果不太理想,还可能损害图像本身的有效数据信息,而且也没有去除低频部分噪声。

为了解决小波基于阈值的方法会引入量化噪声和去噪过程未考虑低频噪声,阈值选取不当会损害图像有用信息的这两个问题,本文在小波去噪的基础上,结合低秩矩阵的最小核范数约束来解决这两个问题。低秩矩阵最小核范数约束进行图像去噪时,直接将整个图像矩阵作为整体处理,可以消除小波阈值去噪过程引入的量化的噪声和小波阈值去噪未考虑的低频部分噪声,同时还能修复在小波去噪过程中受损的矩阵信息。将低秩矩阵最小核范数约束和小波变换结合能够使算法能适应不同的噪声环境,增强了算法的鲁棒性,扩充了算法的适用范围。

2 传统的小波阈值去噪简介

小波去噪根据所给出的阈值重构小波系数矩阵,小波去噪中常用的阈值为

式中: δ 为噪声方差; N为信号长度。

对小波高频系数w( i,j) 重构的硬阈值方法为

软阈值方法为

文献[4]改进阈值算法为

图像矩阵经过小波变换后,得到小波系数矩阵,然后根据式( 2) 、( 3) 、( 4) 重构小波系数矩阵,最后通过小波逆变换得到去噪后的图像矩阵。传统的基于小波阈值的去噪算法只是简单地将一些高频高频系数置0,没考虑低频噪声部分,并且根据单一阈值直接置0 系数可能会损坏图像本身有用信息,因此本文在单一阈值基础上引入低秩矩阵最小核范数优化来解决这些问题。

3 融合小波变换与低秩矩阵恢复的图像去噪算法

3. 1 算法思想

传统小波阈值算法和文献[4]改进算法中,直接将小于阈值的高频部分小波系数量化为0,这会引入量化噪声。小波高频系数不仅有噪声系数还包含了图像的边缘信息。根据式( 1) ,如果噪声较大,在数据长度不变的情况下,噪声方差 δ 大,阈值 λ 较大,根据式( 2) 、( 3) 、( 4) 将较多的高频系数置0,因而会错误地将图像的边缘的小波系数置0,破坏了图像本身的有用信息。并且,基于阈值的算法仅考虑了高频系数的噪声,实际大多数噪声在低频系数部分也有分布。由于小波低频系数包含了较多的图像细节信息,直接用阈值法处理低频部分的小波系数将会损害图像本身的细节信息,不仅达不到去噪目的反而会使得图像质量更差。低秩矩阵恢复算法对噪声的去除是直接在原始图像上进行,因而能克服小波对于频域去噪的不足。并且,由于低秩矩阵恢复算法还有修复数据的能力,能够修复被噪声污染的数据,使得最后结果更加鲁棒。

应用低秩矩阵恢复算法时,要求数据矩阵具有低秩特性和误差矩阵的稀疏特性。直接在原始图像矩阵处理时,由于实际噪声分布可能不满足稀疏特性造成低秩矩阵恢复算法性能的下降。经过小波去噪处理后,大部分噪声去除,噪声分布更能满足噪声误差矩阵的稀疏性要求,使得本文算法更加鲁棒。

3. 2 低秩矩阵恢复算法

根据数学理论,矩阵D是由低秩矩阵A受到噪声E的破坏形成的,并且E是一个稀疏矩阵[6],即E中只有少量的非零元素。因此可以用LRMR来进行问题求解,LRMR可用式( 5) 优化问题来表示

式( 5) 理论可行,实际上是一个NP问题。根据现有理论,矩阵0 范数可用矩阵1 范数近似替代。矩阵rank函数,可用矩阵核范数近似替代。因而,式( 5 ) 优化问题就可用式( 6) 优化问题近似代替

求解式( 6) 的优化问题有多种优化算法,常用的算法有迭代阈值法[7]、加速近端梯度法[8]、对偶法[9]与增广拉格朗日算法[11]( Augmented Lagrangemultipliers,ALM) 。

本文算法涉及的几个概念解释如下:

定义1,矩阵的范数。矩阵A = ( aij) ∈Rm × n的Frobenius范数为

式中:A的0范数为矩阵A中非零元素个数。无穷范数范数表示为范数可以表示为。

定义2,矩阵内积。同型矩阵A,B的内积为

矩阵X的奇异值分解为

式中: U∈Rm × m和V∈Rn × n均为正交矩阵。对角矩阵Σr= diag ( δ1,δ2,…,δr) ∈Rr × r,且对角元素满足 δ1≥δ2≥…≥δr。奇异值阈值算子为

式中:Στ=diag(max(δi-τ,0)),矩阵X的的核范数为。

低秩矩阵恢复问题实际是矩阵的核范数最小化的优化问题,矩阵最小核范数优化的ALM算法描述如下。

构造增广拉格朗日函数为式( 11)

当Y = Yk,u = uk时使用交替法求解。用精确拉格朗日乘子法( Exact ALM,EALM)交替迭代A和E,直到满足终止条件。

若E=Ejk+1,则更新Aj+1k+1(矩阵A第j+1个矩阵块的第k+1次更新)的公式为

式中:D1/uk(X)为奇异值阈值算子。再根据得到的Aj+1k+1,更新Ej+1k+1

记Aj+1k+1,Ej+1k+1分别收敛于A*k+1,E*k+1。则矩阵Y的更新公式为

uk的更新公式为

式中: ρ > 1,为常数; ε > 0 为较小的正数。

不精确拉格朗日乘子法( Inextract ALM IEALM) 不需要计算的精确解,即矩阵A和E的更新公式为

EALM与IELAM区别在于EALM收敛于Qlinearly最优解决方案,每次迭代只计算矩阵中部分块的SVD。IELAM针对整个矩阵进行计算SVD,可能收敛于次优解。

ALM算法可以概括为:

输入参数λ,u0>0,ρ>1,k=0。

重复。

6) 按式( 15) 更新uk,直到收敛。

7) 输出低秩矩阵A和稀疏误差矩阵E。

通过分析求解低秩矩阵最小核范数优化问题的过程,可以得出如下结论:

在低秩矩阵核范数矩阵优化问题中,当核范数收敛时,此时矩阵奇异值很小,使恢复出的低秩矩阵最大程度地保留了原始矩阵信息,因而可以达到修复矩阵受损数据的目的。同时,用误差矩阵1 范数最优解代替0 范数最优解,使得当低秩矩阵优化问题收敛时,误差矩阵尽可能地稀疏,误差矩阵越稀疏低秩矩阵恢复的效果越好。

在运用矩阵低秩矩恢复算法阵去除噪声和恢复数据时,根据矩阵有用信息的低秩特性和误差的稀疏特性,并不要求噪声源要满足某一特定的噪声分布,因而在各种噪声下,用低秩矩阵恢复算法能达到去噪和数据恢复的双重作用。

为了更好地比较EALM算法和IEALM算法的性能,对一图片增加噪声密度为0. 2 的椒盐噪声进行对比实验。两种算法的运行结果如图1 所示,图1 中所示图片实际大小为( 350,490) 。EALM恢复图像的PSNR为24. 22 d B,运行时间为232. 94 s。IEALM恢复图像的PSNR值为24. 21 d B,运行时间为6. 26 s。由此可见,EALM算法运行时间较IEALM算法增加较大,而PSNR值增加较小。在本文中选取IEALM算法进行图像核矩阵优化问题的求解。

本文算法流程如下:

1) 图像矩阵进行小波分解,高频系数用阈值法重构。

2) 用重构的小波系数矩阵进行图像重构,完成小波阈值去噪处理。

3) 对处理后的图像矩阵用IELAM算法进行核范数优化,将其分解为低秩矩阵和误差矩阵。

4) 输出恢复出的低秩矩阵和稀疏误差矩阵。

4 仿真结果及分析

本文算法所使用图片如图2 所示。

对上述图2a增加噪声密度density = 0. 1 的椒盐噪声后,用本文算法去噪后的图片如图3 所示。

图像矩阵I增加乘性噪声公式如下

对图2d增加系数v = 0. 1 的乘性噪声时,本文算法去噪效果如图4 所示。

对Lena图增加u = 0,σ = 0. 1 的Gaussian噪声后,本文算法去噪效果如图5 所示。

从图3 ~ 5 可以看出本文算法比传统单一小波阈值算法去噪获得了更好的视觉特性和更大信噪比。小波阈值去噪虽然能够去除图像的噪声,但是在重构小波系数的时候,引入了量化噪声。小波阈值选取不当还可能破坏图像本身有用的信息,大噪声环境下,要尽可能多地去除噪声,就要选择大的阈值才能达到较好的去噪效果。选取阈值过大将会去除图像本身有用的信息,造成图像信息缺失和信噪比下降。在小波去噪引入量化噪声和去噪过程中损害了原始数据时,利用低秩矩阵恢复算法来恢复受损的图像本身的有用信息,同时又进一步去除低频部分噪声和量化噪声,从而达到比单一小波阈值去噪更好的去噪效果。

在PSNR对比上,本文进行的的对比实验结果如图6 ~ 8 所示。

进一步分析去噪结果比较图和PSNR对比结果。从图3 可以看出,在椒盐噪声环境下,本文算法去噪的视觉特性要明显优于单一的小波阈值算法,图7 的实验结果也验证了这个结论。从图4、图5 和PSNR对比结果可以看出,在乘性噪声和高斯噪声环境下,本文算法本文算法都不但有最好的视觉特性而且还有最高PSNR。可以看出,在种多噪声环境下本文算法都达到了预期去噪和修复受损数据的目的,算法性能都好于单一的小波阈值去噪。

5 结束语

本文提出了一种融合小波变换与低秩矩阵恢复的图像去噪算法,针对小波阈值算法会引入量化噪声和去噪过程未考虑低频噪声,阈值选取不当会损害图像有用信息的这两个问题,在小波去噪的基础上,结合低秩矩阵的最小核范数约束的方法基本解决了上述两个问题,并且实验结果已经验证了本文所提出算法的有效性和可行性。但是在实验中发现,在高斯噪声环境下本文算法PSNR提高并不大,如何提高在高斯噪声条件下本文算法的性能是将来所要进一步研究的问题。同时,本文低秩矩阵恢复算法基于奇异值分解,算法求解效率不是最优,如何提高本文算法的运行效率也将是下一步研究的重点。

摘要：针对小波阈值图像去噪会引入量化噪声和阈值选取不当会损失图像本身有用信息的问题,提出一种新的融合小波变换与低秩矩阵恢复(Low Rank Matrtix Recovery,LRMR)的图像去噪算法。不同于传统的单一阈值的去噪算法,所提出的算法在单一阈值上结合了低秩矩阵恢复算法,这样不仅能进一步消除噪声,同时还能修复被噪声损坏的数据,而且更能适应各种不同的噪声环境。首先,选取固定阈值对图像矩阵进行小波去噪处理。其次,采用增广拉格朗日乘子算法最小化矩阵核范数。最后,将矩阵分解为低秩逼近矩阵和稀疏误差矩阵。实验结果表明,算法获得了较高的峰值信噪比,在不同噪声环境下有较高的鲁棒性。

关键词：小波变换,图像去噪,增广拉格朗日乘子,低秩矩阵恢复,最小核范数

参考文献

[1]翟东海,鱼江,段维夏,等.米字型各向异性扩散模型的图像去噪算法[J].计算机应用,2014,34(5):1494-1498.

[2]朱华生,邓承志.自适应Shearle域约束的全变差图像去噪[J].计算机工程,2013,39(1):221-224.

[3]刘平.基于小波变换的边缘保留图像去噪改进算法[J].电视技术,2014,38(5):13-15.

[4]金显华,赵元庆.改进的阈值图像去噪算法仿真研究[J].计算机仿真,2012(1):191-194.

[5]刘毅文,李玲玲,李翠华,等.基于小波多阈值和子带增强的图像去噪[J].厦门大学学报(自然科学版),2012,51(3):342-347.

[6]刘冶,朱蔚恒,潘炎,等.基于低秩和稀疏矩阵分解的多源融合链接预测算法[J].计算机研究与发展,2015,52(2):423-436.

[7]BECK A,TEBOULLE M.A fast iterative shrin-kage thresholding algorithm for linear inverse problems[J].SIAM journal on imaging sciences,2009,2(1):183-202.

[8]LIN Z C,GANESH A,WRIGHT J,et al.Fast convex optimization algorithms for exact recovery of a corrupted lowrank m-atrix[EB/OL].[2015-07-12].http://perception.csl.illinois.edu/matrix-rank/Files/rpca_algorithms.pdf.

[9]LIANG X,REN X,ZHANG Z D,et al.European conference on computer vision(ECCV)[EB/OL].[2015-07-12].http://eccv2012.unifi.it/.

融合矩阵 篇6

关键词：图像融合,小波-Contourlet变换,归一化相关矩阵,结构相似度

0引言

图像融合是指将两个或两个以上的传感器在同一时间或不同时间获取的关于某个具体场景的图像或图像序列信息加以综合,以生成新的有关此场景解释的信息处理过程。由前视红外传感器获取的红外图像很好地表达了场景的目标信息,而可见光图像则描述了场景的表面环境信息。把同一场景的红外图像和可见光图像融合,即可以得到一个场景的空间立体描述。因此,将两者互相取长补短,将大大改善图像的整体性能。目前常用于图像融合的技术有:加权平均法、多分辨率塔式分解法、小波变换法、曲波变换和Contourlet变换[1,2,3,4,5]等。

Contourlet变换是一种有效的图像稀疏表示方法,解决了小波变换不能有效表示二维或更高维奇异性的缺点,能有效地捕捉图像边缘信息,但Contourlet变换的第一级多尺度分解是用拉普拉斯(LP)变换实现的,由于LP分解中不同分辨率的细节信息彼此相关,致使Contourlet变换存在4/3的冗余度[6,7],因此并不是一种理想的图像稀疏表示方法。文献[6,7]中提出了一种新的无冗余的图像稀疏表示方法 WBCT。WBCT作为一种非冗余多尺度几何分析工具,比小波变换和Contourlet变换具有更强的方向性和对图像的稀疏表达,能够更有效地捕获图像的结构特征和边缘信息。

由于图像的能量反映了图像包含信息的多少,对红外与可见光图像而言其大部分能量集中在低频部分,而其余少部分能量集中在高频部分,单纯采用基于窗口能量的融合算法,没有考虑局部窗口内每个像素所包含的独立信息,因此本文使用归一化相关矩阵来计算窗口内各像素对窗口能量的贡献率并结合WBCT变换提出了一种图像融合算法。实验结果表明,本文算法很好地融合了源图像的信息,融合效果优于小波变换以及Contourlet变换方法。

1WBCT变换理论[6,7]

WBCT由两级滤波器组成,它首先由小波代替Contourlet变换中的LP变换实现对图像的多尺度分解,然后应用方向滤波器组(DFB)对每一层小波分解获得的三个高频子带进行2n个的方向分解(如图1所示),将分布在同方向上的奇异点合成为一个系数。

对于M×N的源图像f(x,y),通过LP分解,可以将图像分解为一系列不同分辨率的空间,如式(1)所示:

$L{}^2(R{}^2)=V{}_{j{}_0}\oplus (\underset{j=j{}_0}{\overset{-\infty }{{\displaystyle \oplus }}}W{}_{j,i})i={\rm H}L,L{\rm H},{\rm H}{\rm H}$ (1)

式中,L2(R2)表示由f(x,y)扩展成的平方可积空间,Vj0表示尺度为2j0的低频子空间;Wj,i表示小波分解后的子空间,分别代表图像的水平、垂直和对角方向的细节分量,⊕表示空间直和,下标j为方向尺度,它们的基函数分别为μj,HL(n)、μj,LH(n)、μj,HH(n)。当对三个小波空间进行lj级的方向滤波时,得到的第k个方向子带空间分别记为W${}_{j,{\rm H}L,k}^{(l{}_j)}$、W${}_{j,L{\rm H},k}^{(l{}_j)}$和W${}_{j,{\rm H}{\rm H},k}^{(l{}_j)}$(0≤k<2(lj)),它们与小波空间的关系为:

$W{}_{j,i}=\underset{k=0}{\overset{2{}^{l{}_j-1}}{{\displaystyle \oplus }}}W{}_{j,i,k}^{(l{}_j)}i={\rm H}L,L{\rm H},{\rm H}{\rm H}$ (2)

每个方向子带W${}_{j,i,k}^{(l{}_j)}$可有方向子带空间基函数{ρ${}_{j,i,k}^{(l{}_j)}$(n)}生成,其具体形式如式下:

$\rho {}_{j,i,k}^{(l{}_j)}(n)={\displaystyle \sum _{m\in {\rm Z}{}^2}d}{}_k^{(l{}_j)}[n-s{}_k^{(l{}_j)}m]\mu {}_{j,i}(m)$ (3)

其中,d${}_k^{(l{}_j)}$为方向合成滤波器,s${}_k^{(l{}_j)}$为下采样矩阵,如式(4)所示:

$s{}_k^{(l{}_j)}=\{\begin{array}{cc}diag(2{}^{l{}_j-1},2)& \text{f}\text{o}\text{r}0\le k<2{}^{l{}_j-1}\\ diag(2,2{}^{l{}_j-1})& \text{f}\text{o}\text{r}2{}^{l{}_j-1}\le k<2{}^{l{}_j}\end{array}$

(4)

则经过lj级的方向滤波后,得到的子带为:

c${}_{j,k}^{(l{}_j)}$[n]={f,ρ${}_{j,i,k}^{(l{}_j)}$(n)} (5)

图2为WBCT变换示例图,图2中采用3级小波分解,对第一级小波变换的LH、HL和HH三个高频分量进行8级DFB分解,而对第二、三级小波变换高频分量分别进行4级、2级DFB分解。由于小波变换和方向滤波器组都是非冗余完全重构的变换,WBCT也是一种非冗余完全重构的变换。

2基于归一化相关矩阵和WBCT变换的图像融合算法

图像的融合算法即融合规则的选取,是图像融合过程中的重要部分,它直接关系着融合质量的好坏。目前基于区域的融合规则在多分辨率图像融合中得到越来越多的应用,本文针对当前区域融合规则中,没有考虑局部窗口内每个像素所包含的独立信息与整个区域窗口的关系,使用归一化相关矩[8]来计算窗口内各像素所包含的信息对窗口的贡献率。由于图像的能量反映了图像包含信息的多少,因此提出了一种基于归一化相关距和区域能量的融合规则。归一化相关矩阵定义为:

$F{}^X(x,y)=\left|\frac{a(x,y)-\mu {}_{xy}}{\sigma {}_{xy}}\right|X=A,B$ (6)

其中A和B表示红外与可见光源图像,a(x,y)表示区域窗口中的各点像素值,μxy表示区域窗口所有像素的均值,σxy表示窗口内所有像素对应的标准差。

对红外与可见光图像分别进行小波-Contourlet变换,得低频子带系数CX(x,y)和高频子带系数d${}_X^{j,i,k}$(x,y),其中X=A,B;j表示分解尺度,i=HL、LH、HH表示小波分解的水平、垂直和对角方向,k表示将小波分解的三个方向进行方向滤波的方向数。

2.1低频系数融合规则

从能量角度来看,能量大小反映了图像包含信息的多少,低频部分占用了图像的大部分能量,计算低频窗口内各像素对窗口能量的贡献率为:

$F{}^X(x,y)=\{\begin{array}{l}\left|\frac{C{}_X(x,y)-\mu (x,y)}{\sigma {}_{xy}}\right|\sigma {}_{xy}\ne 0\\ \frac{1}{{\rm M}\times {\rm N}}\sigma {}_{xy}=0\end{array}(7)$

其中M×N表示区域窗口的大小。

计算低频部分以(x,y)为中心的窗口的区域能量为:

$E{}_{LX}(x,y)={\displaystyle \sum _{(x,y)\in \omega }F}{}^X(x,y)\cdot |C{}_X(x,y)|{}^2$ (8)

其中ω为区域窗口,则可得A和B图像的低频区域能量为ELA(x,y)、ELB(x,y),定义归一化区域能量差异因子为:

Δ=|EA(x,y)-EB(x,y)| (9)

其中

$E{}_A(x,y)=\frac{E{}_{LA}(x,y)}{E{}_{LA}(x,y)+E{}_{LB}(x,y)}$ (10)

$E{}_B(x,y)=\frac{E{}_{LB}(x,y)}{E{}_{LA}(x,y)+E{}_{LB}(x,y)}$ (11)

定义一阈值T1∈(0.04,0.1)则低频融合规则为:

$\{\begin{array}{l}D{}_{FL}(x,y)=C{}_A(x,y)\Delta \ge {\rm T}{}_1\&E{}_A(x,y)\ge E{}_B(x,y)\\ D{}_{FL}(x,y)=C{}_B(x,y)\Delta \ge {\rm T}{}_1\&E{}_A(x,y)<E{}_B(x,y)\\ D{}_{FL}(x,y)=E{}_A(x,y)C{}_A(x,y)+E{}_B(x,y)C{}_B(x,y)\Delta <{\rm T}{}_1\end{array}(12)$

2.2高频图像融合规则

由于图像某领域的均值可以描述为WBCT系数领域值的平均水平;领域方差可描述为WBCT系数的变化程度和分散程度,两幅图像对应区域的协方差描述了两者间的差异。在此分析基础上,引入结构相似度[9]来表征两幅图像间的相关性。计算高频部分以点(x,y)为中心的区域结构相似度如式(13)所示:

$\begin{array}{l}quySS{\rm I}{\rm M}{}_{AB}^{j,i,k}(\Omega {}_{xy},\Psi {}_{xy})=l(\Omega {}_{xy},\Psi {}_{xy})\cdot c(\Omega {}_{xy},\Psi {}_{xy})\cdot s(\Omega {}_{xy},\Psi {}_{xy})\\ =\frac{(2\mu {}_{\Omega {}_{xy}}\mu {}_{\Psi {}_{xy}}+C{}_1)(2\delta {}_{\Omega {}_{xy}\Psi {}_{xy}}+C{}_2)}{(\mu {}_{\Omega {}_{xy}}^2+\mu {}_{\Psi {}_{xy}}^2+C{}_1)(\delta {}_{\Omega {}_{xy}}^2+\delta {}_{\Psi {}_{xy}}^2+C{}_2)}(13)\end{array}$

其中μΩxy、μΨxy、δ${}_{\Omega {}_{xy}}^2$、δ${}_{\Psi {}_{xy}}^2$、δΩxyΨxy分别表示两幅图像高频系数以点(x,y)的像素所在区域Ωxy,Ψxy的均值、方差和协方差。l(Ωxy,Ψxy),c(Ωxy,Ψxy),s(Ωxy,Ψxy)分别是亮度比较、对比度比较、结构比较。C1和C2为小的常量,以避免式中分母为零而出现的不稳定。

由于图像中的边缘和纹理等细节产生的大部分能量在高频部分,可将区域能量应用于高频融合准则中,同式(7)能量贡献率算法,令高频窗口内各像素对窗口能量的贡献率为F${}_X^{j,i,k}$(x,y),可得高频部分以(x,y)为中心的区域能量为E${}_X^{j,i,k}$(x,y):

$E{}_X^{j,i,k}(x,y)={\displaystyle \sum _{(x,y)\in \omega }F}{}_X^{j,i,k}(x,y)\cdot |C{}_X(x,y)|{}^2$ (14)

结合quySSIMAB(Ωxy,Ψxy)和E${}_X^{j,i,k}$(x,y)可得如式(15)所示的高频加权融合规则:

d${}_F^{j,i,k}$(x,y)=α(x,y)·d${}_A^{j,i,k}$(x,y)+(1-α(x,y))·d${}_B^{j,i,k}$(x,y) (15)

式中,α(x,y)为加权系数,公式如下:

$\alpha (x,y)=\{\begin{array}{l}\frac{1}{2}-\frac{1}{2}\left[\frac{1-quySS{\rm I}{\rm M}{}_{AB}^{j,i,k}(x,y)}{1-{\rm T}}\right]quySS{\rm I}{\rm M}{}_{AB}^{j,i,k}(x,y)\ge {\rm T}{}_2\&E{}_A^{j,i,k}(x,y)<E{}_B^{j,i,k}(x,y)\\ \frac{1}{2}+\frac{1}{2}\left[\frac{1-quySS{\rm I}{\rm M}{}_{AB}^{j,i,k}(x,y)}{1-{\rm T}}\right]quySS{\rm I}{\rm M}{}_{AB}^{j,i,k}(x,y)\ge {\rm T}{}_2\&E{}_A^{j,i,k}(x,y)\ge E{}_B^{j,i,k}(x,y)\\ 0quySS{\rm I}{\rm M}{}_{AB}^{j,i,k}(x,y)<{\rm T}{}_2\&E{}_A^{j,i,k}(x,y)<E{}_B^{j,i,k}(x,y)\\ 1quySS{\rm I}{\rm M}{}_{AB}(x,y)<{\rm T}{}_2\&E{}_A^{j,i,k}(x,y)\ge E{}_B^{j,i,k}(x,y)\end{array}(16)$

其中d${}_F^{j,i,k}$(x,y)、d${}_A^{j,i,k}$(x,y)和d${}_B^{j,i,k}$(x,y)分别为融合图像F和原始图像A、B的第j尺度第k个方向子带,i=HL,LH,HH;T2为与quySSIM${}_{AB}^{j,i,k}$(Ωxy,Ψxy)有关的阈值,一般取值为0.5～1.0。

3融合实验及其分析

本文仿真实验使用MATLAB7.0仿真实现,融合流程图如图3所示。本实验采用严格配准的红外与可见光图像进行融合仿真,图像大小为256×256,如图4(a)和图4(b)所示。同时采用了下述几种融合规则进行比较:融合规则(1):基于小波变换和本文融合规则结合的方法;融合规则(2):基于Contourlet变换和本文融合规则结合的方法;融合规则(3):基于小波-Contourlet变换,低频取简单加权平均,高频取系数绝对值取大;融合规则(4):基于小波-Contourlet变换,融合规则低频采用区域能量加权平均,高频采用区域能量取大的方法;融合规则(5):基于小波-Contourlet变换,低频采用基于本文低频融合规则,高频采用区域能量匹配度算法;融合规则(6):本文算法。其中小波变换采用‘sym4’小波,所有变换分解层数均为四层,方向分解数均为nlevels=[0, 2, 3, 4],多次实验发现当阈值T1取0.05,T2取0.95时实验效果较好,实验中取3×3的区域窗口,图4(c)-图4(h)为融合图像。本文对融合结果进行评价时,采用均值、标准差、熵、总体交叉熵[10]和平均互信息[11]来进行客观评价。均值为像素的灰度平均值,对人眼反映为平均亮度;标准差越大,则图像灰度级分布分散,即灰度分布更广,更趋于合理化,图像的反差更大,可以看出更多的信息;熵越大说明图像所包含的细节信息越多,空间分辨率越高;总体交叉熵和平均互信息反映了融合图像从原始图像中提取的信息量,总体交叉熵越小,平均互信息值越大,说明融合图像从源图像中提取的信息越丰富,融合效果越好。图4从主观上可以看出,融合规则(1)取得了较好的目标场景,但目标周围信息较模糊。融合规则(4)、(5)、(6)均不同程度的综合了红外图像与可见光图像的特性,但总体上本文方法所得到的融合图像信息更为丰富,细节更为清晰,同时提高了融合图像中目标的空间分辨率。从表1中也可以看出本文方法得到的融合图像总体交叉熵达到最小,平均互信息相对最大,同时融合熵值、均值与标准差较高,这表明本文方法具有较好的目标指示特性和较高的空间分辨率。

4结语

本文在小波-Contourlet变换的基础上,提出了一种低频采用基于归一化相关距和区域能量相结合的算法,高频采用改进的基于区域结构相似度和区域能量的融合方法,对红外与可见光图像进行了实验。结果表明:本文提出的融合方法较好的将待融合两图像各自具有的特征融入到融合图像中,能够互补源图像中的各种细节信息,从而使融合后的图像具有更多的信息和更好的可理解性,目标的清晰度较好。试验结果证明了本文方法的可行性和有效性。当融合实验中图像分辨率高时,同样可证明本文提出的融合方法得到的融合图像具有较好的目标指示特性。

参考文献

[1]Bruno Alfano,Mario Ciampi,Giuseppe De Pietro.A Wavelet-Based Al-gorithm for Multimodal Medical Image Fusion[M].Springer-VerlagBerlin Heidelberg,2007:117-120.

[2]Yaohong Tsai,Yenhan Lee.Wavelet-based Image Fusion by AdaptiveDecomposition[C]//IEEE Eighth International Conference on Intelli-gent Systems Design and Applications.2008:283-287.

[3]Arash Golibagh Mahyari,Mehran Yazdi.A Novel Image Fusion MethodUsing Curvelet Transform Based on Linear Dependency Test[C]//IEEE International Conference on Digital Image Processing.Shiraz,I-ran,2009:351-354.

[4]Miao Q G,Wang B S.Novel image fusion method using contourlet transform[J].IEEE Transact ions on Image Processing,2006,6:548-552.

[5]宋亚军,倪国强,高昆.基于小波-Contourlet变换的区域能量加权图像融合算法[J].北京理工大学学报:自然科学中文版,2008,28(2):168-172.

[6]Eslami R,Radha H.Wavelet-based Contourlet Coding Using an SPIHT-like Algorith[C]//Proc.IEEE Internationl Conference on Image Pro-cessing.Piscateway,USA,2004:784-788.

[7]Eslami R,Radha H.Wavelet-based Contourlet transform and its appli-cation to image coding[C]//Proc.IEEE Internationl Conference onImage Processing.Piscateway,USA,2004:3189-3192.

[8]谷延峰,张晔,张钧萍.基于归一化相关矩的多分辨率遥感图像融合[J].中国图象图形学报,2002,7(11):1220-1224.

[9]Zheng Youzhi,Qin Zheng.Objective Image Fusion Quality EvaluationUsing Structural Similarity[J].ISSN,Tsinghhua Science and Technolo-gy.China,2009,14(6):703-709.

[10]崔岩梅,倪国强,钟堰利,等.利用统计特性进行图像融合效果分析级评价[J].北京理工大学学报,2000,20(1):102-106.