图像归一化（共7篇）
图像归一化 篇1
摘要：为克服传统颜色直方图无法反映颜色的空间信息这一缺陷,该文提出了一种结合颜色直方图和主颜色NMI不变特征的图像检索方法。求取的主颜色的NMI不变特征即反映了图像的大体轮廓也包含了主颜色的空间信息,实验结果表明,该方法获得了图像的颜色信息和形状信息,弥补了传统颜色直方图的不足,具有良好的检索效果。
关键词：颜色直方图,归一化转动惯量,图像检索
基于内容的图像检索技术是一个非常活跃的领域,基于内容的图像检索技术的核心是表征图像的特征,作为图像的索引,计算查询图像和目标图像的相似距离,按相似度进行检索[1]。图像的特征一般指图像的颜色、形状、纹理等,图像特征的提取是基于内容的图像检索系统的关键。颜色是图像中最直接最简单的特征,基于颜色特征的图像检索技术得到了最早的应用[2]。然而传统的颜色直方图方法丢失了颜色的空间分布信息[3],以至会出现两个颜色直方图相同或相近的图像由于颜色的空间分布差别很大,图像内容差别很大,并且单纯使用颜色、形状和纹理等某一种底层特征进行图像检索,其效果难以达到实际应用的要求[4]。综合多种特征的图像检索已成为基于内容的图像检索的研究热点,尤其颜色信息和空间信息的融合成为众多学者研究的焦点[5,6]。考虑到由于不同颜色的像素点在空间中占据不同的区域才呈现出来不同的图像,一幅图像的描述可通过不同颜色的像素点占据的区域得以实现,为此,笔者提出了基于图像主颜色NMI不变特征的图像检索方法。
1 颜色直方图和图像主颜色的获取
常用的颜色空间有RGB、CMY/CMYK、HIS、Ycb Cr、HSV等。一般认为,RGB颜色空间与人眼的感知差距很大,而HSV颜色空间直接对应人眼色彩视觉特征的三个要素:色调、饱和度和亮度。在这三个分量中,色调尤其影响着人类的视觉判断。由于HSV空间各轴在视觉上彼此无关,空间距离更符合人眼视觉特征,并且从RGB到HSV的转换是一个简单且快速的非线性变换,因此本文使用HSV颜色空间作为彩色图像的色彩模型。
将RGB空间中一点的R,G,B转换到H,S,V空间,得到相应的H,S,V值,即
其中S∈[0,1],V∈[0,1],为使H∈[0,1],将H进行归一化H=H/360°。
对颜色空间进行量化,再计算直方图可以减少计算量,提高检索效率。本文将色调量化为6个级别,将饱和度量化为4个级别,将亮度量化为3个级别,则图像的颜色空间共量化为72个级别。具体方法如下:
按照以上的量化级,把三个颜色分量合成为1个一维特征矢量:G=12H+3S+V,G的取值范围为[0,1,...,71]这样,就把H,S,V这3个分量在一维上分布开来。据此将图像中的每一个像素的颜色值量化到72种颜色当中的一种。
颜色直方图H是表征颜色特征的方法之一,它的横轴表示颜色值p,纵轴表示具有相同颜色值的像素个数在整幅图像中所占的比率,用H(p)表示。本文将颜色空间量化为72个等级,因此p的取值范围为1到72,整幅图像的颜色特征向量为H=(H(1),H(2)…,H(72))。
本文取整幅图像中H(p)的值按降序排列后,前五个值对应的颜色为图像的主颜色。
1 图像主颜色的归一化转动惯量的获取
不同颜色的像素占据不同的区域就形成了不同的形状。本文从物理学的角度,利用图像主颜色的归一化转动惯量即NMI不变特征来表示该图像的形状[7]。
对一幅图像,将某主颜色定位为目标,其它均为背景,图像f(i,j),i=0,1,……,M-1;j=0,1,……,N-1,该主颜色区域的质量记为m(f(i j)),则
该主颜色区域的重心记为CG(i,j),其中:
该主颜色区域围绕其中任一点(i0,j0)的转动惯量记为J(i0,j0),则:
该主颜色区域的归一化转动惯量记为NMI(f(i,j)),则:
为了保持NMI对缩放的不变性,对上式可修改如下:
2 基于主颜色NMI不变特征的图像检索方法的算法实现
1)将彩色图像转换到HSV颜色空间,分别对H,S,V分量进行相应量化,并将目标图像中每个像素的颜色值根据量化结果重新赋值;
2)生成图像的颜色直方图并获取图像的主颜色;
3)计算图像各主颜色的归一化转动惯量;
4)根据公式(5)进行相似度匹配,检索图像;
其中,HP和HQ是图像P和Q的颜色特征向量,NMIP和NMIQ分别是图像P和Q的主颜色的形状特征向量,w1+w2=1。
3 实验结果及评价
检索的目标是发现和提取需要的图像,所以更多情况下要考虑所检索出来的相似图像的数量和排序等级。本文以准确度和有效性这两个检索系统的评价准则来评价基于本文的图像检索方法的优劣[8]。
准确度=有关联的正确检索结果/所有检索到的结果。
具体对实验组中的每幅图象i和每一个查询范例j,确定一个以系统分配的序Pj(i)为中心,宽度为σj(i)的窗。通过比较系统和人分别对第i幅图像相对于查询范例j的排序来推断检索的有效性。一个排序所用的测度可表示为:
这个测度值给出了将图像i排在位置Pj(i)-σj(i)和Pj(i)+σj(i)之间的人数σj(i的和,根据测度值可比较检索效果的优劣。
该图像检索实验使用的图像库共有1000幅图像,包括风景、人物、动物、花卉、建筑等。图像的颜色-转动惯量特征预先计算好并放在数据库中。这里使用左上角的同一幅图像作为样本图像进行检索。传统的颜色直方图方法(见图1),前18幅图像的准确度约为50%;基于本文的检索方法(见图2),前18幅图像的准确度约为78%。在图1中第一行第三、四、五幅图像与样本图像差异很大,但却由于颜色直方图与样本图像的相近而在检索结果中很靠前,这与人类的视觉效果不相符合,显然其检索的有效性较差。这种情况在本文的检索技术中得到改进。基于颜色直方图和主颜色归一化转动惯量的图像检索方法返回了从图像颜色及其形状上看更为相似的图像,比基于颜色直方图的图像检索方法明显的提高了基于内容的图像检索精度。
4 结束语
本文针对颜色直方图无法反映颜色空间分布的信息,从而导致图像检索中难于区分直方图相同或相近而图像差异很大的情况,提出了一种结合颜色直方图和主颜色归一化转动惯量的图像检索方法。实验表明,该方法简单、有效,通过利用图像的颜色信息和形状信息能够更准确地表示图像的内容特征,从而明显的区分了传统颜色直方图无法区分的图像,提高了查询的精度。
参考文献
[1]章毓晋,基于内容的视觉信息检索[M].北京:科学出版社,2003.
[2]ANDROUTSOS D,PLATANIOTISS N,Venetsanopoulos A N.Distance Measures for Color Image Retrieval[J].Proceedings of1998International Conference on Image Processing,ICIP'98,1998(2):770.
[3]Rao A,Srihari R K,Zhang Z.Spatial color histograms for content-based image retrieval[C]//in Proceedings of the IEEE International Conference on Tools with Artificial Intelligence,1999:183-186.
[4]李元臣,李志先.基于综合特征的图像信息检索[J].情报杂志,2008,1(5):118-120.
[5]韩轩,陈海山.综合颜色和局部空间特征的彩色图像检索方法[J].计算机技术与应用,2008,18(1):122-124.
[6]黄晶,倪林.基于颜色块的半径和角度直方图的图像检索[J].计算机工程,2008,34(10):202-204.
[7]王振海.基于NMI不变特征的二值商标图像检索方法研究[J].微型电脑应用,2005,22(7):209-210.
[8]MULLER H,MULLER W,SQUIRE D M,et al.Performance evaluation in content-based image retrieval:overview and proposals[J].Pattern Recognition Letters,2001,22(5):593-601.
图像归一化 篇2
图像噪声是图像摄取时或传输时所受到的随机干扰信号,由于噪声的存在可能无法找到特征量间的对应关系,在采用互信息算法中可能造成局部极值、图像的误配等问题。目前,解决噪声的方法可以采用一些抗噪声能力好的算法,如小波变换、多分辨率、多尺度分析[10]等。本文以归一化互信息为相似度对三维图像进行了配准,并采用了蒙特卡罗(MC)的方法研究噪声对三维图像配准的影响,并根据直方图的波谷和折点,提出将直方图区域分割后再配准的方法,用以消除噪声的影响,有效抑制了局部极值现象,完善了三维图像的配准。
1 基于归一化互信息的图像配准
1.1 图像数据
本文原始数据为一临床MR(PD加权和T2加权)和CT图像,具体参数见表1。
注:*实验平台为2.66GHZ CPU,0.99GB内存PC,用MATLAB7.0.4应用软件进行仿真实验
1.2 图像配准方法
互信息是信息统计学中的一个重要概念,用来描述两个系统之间的统计相关性,或一个系统包含另一个系统信息的多少。若有两副图像A、B,用H(A)、H(B)分别表示A、B的熵,H(A,B)表示两图像的联合熵。则A、B图像系统的互信息:
若用PA(a)、Pb(b)表示A、B的概率分布,PAB(a,b)表示A和B的联合概率分布[11],则:
Studholme等[5]通过研究发现,互信息本身的大小与待配准两图像间的重叠度具有一定的关联性。为了消除这种关联关系,他提出了归一化互信息(NMI)作为相似性测度,实验证明,它比标准的互信息方法更具有鲁棒性。其公式为:
根据联合熵和个体熵之间的关系,归一化互信息的取值范围为[1,2],当两幅图完全相关时,归一化互信息为2;当两幅图完全不相关时,归一化互信息为1。
图像配准的一般步骤[12]为:图像信息处理,确定空间变换方法,进行相似度测试和优化运算,最后确定整个变换参数并应用于待配准图像中。本文配准过程中,图像的初始方向与成像时方向一致,只进行平移旋转操作,无缩放变换。
1.3 图像配准结果
配准数据分别为MR(PD加权和T2加权)和CT图像,实验结果见表2。三维PD和T2图像配准见图1。
注:ΔX、ΔY、ΔZ分别代表沿X,Y,Z轴的平移量;φx、φy、φz分别代表绕X,Y,Z轴旋转的角度
由图1可以看到,PD和T2配准后进行叠加,配准结果良好,主要原因可能是二者的成像模式有一定的相似性,距离相近,由表2可以看到归一化互信息值在1.1~1.2之间,而与两幅图完全相关的归一化互信息2相比,数值偏小。可能原因有:(1)PD和T2成像模式不相同,造成图像的差异;(2)噪声对图像的影响。(3)配准算法原理的局限性。
由于已选取了优化算法进行配准,为了解决归一化互信息值偏小的问题,本文对噪声在图像中的影响进行了探讨,主要采用蒙特卡罗(MC)的方法分析图像自身的抗噪声能力。
2. 噪声对图像配准的影响
在图像成像过程中,成像设备本身造成的不可预测的随机信号将一并出现在图像中。由于噪声的存在,使得每一部分的图像灰度值出现涨落,分布范围变宽,图像的联合分布概率就越离散。在以归一化互信息为测度的配准中,容易影响对最大归一化互信息的统计,从而出现局部极值而导致误配。
因此,在图像配准前,先采用MC方法对图像自身的抗噪声强弱进行分析,更好地了解噪声对图像配准影响的程度。
2.1 图像的灰度噪声
将原始图中的灰度值根据灰度直方图的峰值划分为不同的区域,计算每个区域的标准方差,方差表示一系列数据或统计总体的分布特征的值,定义公式为:
其中,S为标准方差,gi表示第i个点的灰度值为平均值,N为像素点数。
如图2所示,将PD的灰度直方图分为4个区域,利用方差公式可计算各个区域的标准方差,如表3所示。
2.2 图像与其本身加噪声图像的配准结果
将原始图的每一个像素点加上符合正态分布的噪声,再与原始图像进行配准。用表示原始图中任一灰度值,则灰度值变换公式如下:
其中,S为图像在相应灰度区域的标准方差,η为标准正态分布N(1,0)。
将MR(PD)与其加入正态分布噪声后图像进行配准,结果表明,图像配准不产生位移或是旋转,而归一化信息值由完全相关时的值2大幅减小到1.49,说明在图像配准中噪声对归一化信息值有重要影响。为了有效抑制噪声,本文提出将图像直方图进行区域分割法后再配准的方法。
3. 直方图区域分割后的图像配准
3.1 灰度区域分割
灰度区域分割法基于对灰度图像中不同的目标或背景的像素在灰度上的差异,不同目标或背景则对应不同的峰,直接反映在直方图上。通过一个或者几个灰度区域,将原图像中的前景和背景或者不同的目标分开。
在灰度直方图中,当波峰波谷较容易区分时,选用波谷为分界点,当波峰与波峰叠加时,选用波峰与波峰的折点为分界点。目前,分界点的选取仍采用手工计算灰度值,在下一步研究中可以考虑采用程序自动化计算分界点的灰度值。对图像的灰度直方图区域分割后使同一种物质具有相同的灰度值,分割后的区域在三维空间上连成一片,只有从整体上进行配准,才不易出现局部极值导致误匹配。
图3为T2和CT灰度区域分割后的直方图。
如图3所示,可将T2和CT的灰度直方图分别分为4个区域和8个区域,为了与原始图像尽量保持一致,设每个区域指定的新灰度值为该区域的均值,再将新图像进行多模态图像配准。
3.2 区域分割后图像配准结果及分析
将PD、T2和CT的原始图像直方图区域分割后进行图像配准,结果见表4。
注:ΔX、ΔY、ΔZ分别代表沿X,Y,Z轴的平移量;φx、φy、φz分别代表绕X,Y,Z轴旋转的角度
将表2和表4对比发现,用了灰度区域分割法配准后,归一化互信息值有了一定的提高。表2和表4中PD与T2配准的相应参数大致相近,但PD和CT的参数在某些方向上差异很大,如Y和Z方向上的旋转量。为了判断两组数据的准确性,采用以下均值滤波法对PD和CT图像作进一步研究。根据图像噪声产生的原理,在如MR和CT分辨率较高的图像中,噪声的影响较大,对图像配准算法的要求更高。为了消除噪声的影响,本文采用均值滤波方法,将原始图像各像素点的灰度值用其周围的25个像素点的灰度值的均值替代,再进行图像配准。同时也将均值后的图像先进行区域分割后再配准。结果见表5。
注:ΔX、ΔY、ΔZ分别代表沿X,Y,Z轴的平移量;φx、φy、φz分别代表绕X,Y,Z轴旋转的角度
将表5与表2、表4对比发现,表5中PD-CT均值滤波后的归一化信息减小,各方向参数接近表4中的数据,其可能原因在于,将原始图像进行均值处理后,较原始图像更模糊,图像灰度值涨落分布更宽,分界更不明显,在互信息的统计上出现误差,但由于均值后,减弱了噪声的影响,使配准得到的参数有了改善。
表5中PD-CT(均值+区域分割)的最大归一化互信息更接近表4中的数据,此外,各方向的参数也与表4中的数据一致,说明均值且灰度区域分割的方法能够改进配准的参数。
PD(均值+区域分割)和CT(均值+区域分割)三维配准见图4。
图4均值+区域分割后PD和CT三维配准实图及原始图像配准结果。A.均值+区域分割后CT图像;B.均值+区域分割后PD图像;C.原始CT和PD配准融合图像;D.均值+区域分割后CT和PD融合图像
从图4中可以看到,图4D的融合图像效果明显优于图4C,且表4、表5中的参数一致,验证了本实验中抑制噪声方法(均值、灰度区域分割)的有效性,同时也减小误匹配,提高了归一化互信息,进一步完善了基于归一化互信息的图像配准。
由于在灰度区域分割的方法中,要根据灰度直方图折点划分区域,故此方法尤其适合不同物质的灰度值或其他特征值相差很大的情况,能更准确地进行图像分割,消除配准中噪声的影响。
4 结语
本文以归一化互信息为相似度对三维图像进行了配准,采用蒙特卡罗(MC)的方法研究噪声在配准中的影响。结果发现,噪声的存在是归一化互信息偏小的原因之一。为了抑制噪声,本文提出了图像直方图灰度区域分割后再配准的方法。实验结果表明,该方法有效地抑制了噪声,减小了误匹配,增大了归一化互信息,从而完善了归一化互信息的图像配准。
参考文献
[1]Tang M.Image registration based on improved mutual information with hybrid optimizer.Chinese Journal of Biomedical Engineering,2008,17(1):18-25.
[2]冯林,管慧娟,滕弘飞.基于互信息的医学图像配准技术研究进展.生物医学工程学杂志,2005,22(5):1078-1081.
[3]Z hang HL,Yang F.Multimodality medical image registration based on mutual information and hybrid optimization algorithm.Natural Sciences,2006,33(1):117-120.
[4]谭光兵,叶汉民,吴松华.改进的二阶互信息医学图像配准算法的研究.软件导刊,2011,10(5):83-86.
[5]陈贵云,张江.基于三维互信息的多模医学图像配准.时珍国医国药,2010,21(12):3321-3323.
[6]Studholme C,Hil DLG,Hawkes DJ.Multiresolution voxel similarity measures for MR-PET registration//Yves B,Christian B,Robert DP,et al.Information processing in medical imaging(IPMI)1995.Netherlands:Kluwer Academic Publishers,1995:287-298.
[7]Maes F,Collignon A,Vandermeulen D,et al.Multimodality image registration by maximizetion of mutual information.IEEE Transactions on Medical Imaging,1997,16(2):187-198.
[8]Wells WM,Viola P,Atsumi H,et al.Mutimodal volume registration by maximization of mutual information.Medical Image Analysis,1996,1(1):35-51.
[9]苏瑜,苏敏,刘丽.基于最大互信息的分层图像配准方法.攀枝花学院学报,2007,24(6):50-54.
[10]肖开明,陈欣卓,郭光亚.快速模拟退火算法用于噪声图像配准.上海大学学报(自然科学版),2003,9(5):389-397.
[11]罗述谦,李响.基于最大互信息的多模医学图像配准.中国图像图形学报,2007,5(7):555.
关于网络数据归一化处理探讨 篇3
数据归一化的方法有很多, 常用的归一化方法包括线性和非线性这两种[1], 其中线性归一化方法主要通过对则均值或者极值的运用在线性运算公式中计算分析原始数据, 将数据转化成[-1, 1] 区间的数值, 而其中常用的算法包括最大值运算法以及最大值最小值运算法;而非线性归一化则利用非线性行数计算分析原始数据, 将数据转化成一定分布范围的数据, 其中常用的算法包括对数函数和反正切函数运算法。数据归一化处理就是数据挖掘中一项比较基础性的工作[2], 评价指标的不同往往会使得量纲及其单位存在一定差异, 这就会影响数据分析结果, 为了将指标见量纲的影响消除掉, 就需要对数据进行归一化处理, 通过这一处理将各指标保持在同一数量级上, 进而实现对数据的综合对比评价。
二、网络数据归一化处理探讨
当前现有实现抓取和分析网络数据包的工具软件也有很多, 这些软件可以在网络接口上实现数据包的实时捕获, 以极其详细的协议方式对数据包进行显示, 与此同时还能进行多种统计数据的建立, 此外还有一些软件工具还能够截获原本秘密信息或者在专用信道内的诸如经济数据、口令、邮件等信息。这些软件还不能够完全、全面的实现对海量网络数据的处理, 因此需要在充分利用这些软件强大的分析功能的基础上进行一种网络数据格式归一化处理程序的利用, 将这些现有网络数据分析软件与原始链路层数据进行很好地对接, 为后续的网络数据处理奠定基础。
本文基于HDLC标准进行网络数据归一化处理流程的分析和探讨, 因为对于软件处理来说, 相比于面型比特型数据报, 面向字符型数据报的处理会更容易。在处理中主要需要进行5 个步骤, 即数据文件预处理、准确定位数据帧、处理数据帧、判读帧协议格式以及组包。首先在预处理数据文件阶段, 就是读取数据长度并分块, 该阶段将分为两种不同的情况, 也就是以目标文件中是否存有积压文件为标准, 当目标文件中含有积压文件, 就需要通过遍历文件夹确定生成最早的文件, 并施以数据长度的读取并分块;当目标文件中不含积压文件, 则等待文件的生成, 并施以数据长度的读取并分块。在定位数据帧的步骤中, 因为在采集数据和存盘的时候, 数据的写入时间是随机的, 所以将其分为九种情况, 当从标识字符开始写, 就可以借助移位来实现对数据帧起始位置的定位;当从数据帧中间写起则将该帧丢弃, 从下一帧开始处理。在处理数据帧的阶段就是取替网卡的“0 比特插入法”硬件实现, 同时实现Win Pcap抓包功能, 这可以说是该归一化处理中最核心的部分, 也是最困难的地方。也就是在一个存储空间充分的缓冲区中完整地存储帧, 然后利用数据去透明处理函数进行整帧数据的“0”删除, 并把即将进入去透明过程的字节每一位调整到最低位, 以便于处理和理解。此时, 还可以将每一位转化为一个字节, 以达到节省资源、降低内存空间的开辟目的。经过对数据帧的处理就在缓冲区内存储好了一个完整的原始数据帧, 接着便是判读数据帧的关键字节, 以确定真协议格式, 其中依次表示为链路层头、IP协议头、TCP协议头、数据和两字节的链路层校验。最后就是组包步骤, 对于每一路数据, 只要将帧协议格式协商好之后, 那么就将固定整个链接过程中帧格式乃至以后通联的帧格式, 而且按照通过判读数据帧确定该数据帧协议格式这一规则, 将文件帧协议格式判读出来, 按照ethereal进行文件格式的输入, 完成文件头的添加, 并为每帧数据增添帧头, 完成写盘, 即可完成对整个文件的处理。而为了让现有的协议仪能够顺利正确的将数据读出, 那么还需要为文件默认添加“.CAP”的特定后缀。
结语
总而言之, 在网络数据归一化处理中, 不论是在协议帧格式的判读, 还是在内存管理方面, 或者在帧处理中都有明显的优势, 而且在经过实践应用以及专门的测试对比, 网络数据归一化处理都显示其较高的数据处理准确率。
摘要：随着社会经济的快速发展, 大幅增加了数据信息的规模, 其中最为凸显的就是网络数据信息, 这些数据信息的处理仅仅依靠现有的数据处理工具是不能完全实现的, 以此本文通过对网络数据归一化处理进行探讨, 以期为这些网络数据的处理提供一些建议。
关键词：网络数据,归一化处理,自动判别
参考文献
[1]滕明鑫.回归神经网络预测模型归一化方法分析[J].电脑知识与技术, 2014, 07:1508-1510.
归一化思路看CDMA网优分析 篇4
为了追求更高的频谱利用率和更好的通信质量, 移动通信网络日益向复杂化和弹性化方向发展。与此同时和网络运营质量密切相关的网络优化正面临越来越大的挑战。相对2G来说更复杂的协议, 弹性的网络, 大量的参数使得CDMA网络优化显得复杂和困难。认识CDMA优化的特点, 全面而深刻认识网络优化分析方法对于理清CDMA网络优化脉络, 提高优化效果和效率具有重要意义。
1 CDMA网络优化的特点
1.1 CDMA网络特征决定的CDMA网优特点
网络优化的特点由要优化的网络自身特点决定的。CDMA网络是业务多样的网络, 采用了软切换, 功率控制, 扩频技术, RAKE接收机等先进技术, 使得在CDMA网络中相应的指标和参数的数量也大量增加。需要关注的参数空间的复杂度将大大提高。同时各种参数或紧或松地相关, 使得网优元素间紧密相连, 网优调整往往牵一发而动全身, 形成局部调整和全局变化密切联系的情况。在这样一个参数空间中, 寻找一个最优或次优参数配置的难度也将大大提高。
1.2 相比以前的PHS, GSM等二代网络CDMA网络优化的特点
1.2.1 相同之处
网优体系框架相同, 包括:
(1) 总体网络优化步骤:包括工程优化和维护优化
工程优化:主要是结合工程参数做一些检查和优化, 主要流程是:新站配置检查——新站优化——片区优化——全网优化
维护优化:系统稳定性检查, 初始化邻区列表, 导频扫描, 各种干扰排除, 数据采集, 数据分析, 制定方案, 实施方案, 效果评估等
(2) 网优项目管理:系统优化, 片区优化, 邻区优化, 投诉处理, 日常网优, 专题网优, VIP客户保障等。
(3) 网络优化流程:了解信息 (得到问题) —告警检查——网络运行数据收集——问题定位——制定解决方案——方案实施——效果评估
(4) 网优元素:空口协议, 工程参数, 系统参数, 无线参数, 硬件设备, 网优工具, 相关话统和性能统计数据等
1.2.2 不同之处
(1) 伴随新技术的应用带来一些全新的优化项目。例如功控, 切换优化。功率控制和软切换是CDMA两大关键技术, 功控和接入指标关系密切, 切换和通话质量, 掉话率, 呼叫成功率都密切相关。它们对网络容量和通话质量至关重要。
(2) CDMA是弹性网络。CDMA采用灵活的资源调度办法, 加上各种新技术, 例如语音激活, 语音编码, 快速功控, 软切换等的应用, 使得网络的可调整性空前加强。这种弹性体现在数量庞大的参数上面。所以说CDMA网络优化里面参数优化占据重要的位置。参数优化和传统的空口物理资源优化结合在一起构成了CDMA网络优化的主要内容。
(3) 网优元素空间复杂, 网优元素相关性增强。CDMA参数众多且相关性强, 许多参数为多个指标共用, 有时单个调整涉及到网络的几个方面, 所以CDMA网优是个环环相扣综合考虑的过程。因为参数众多相关性强, 再加上和其他网优元素的关联导致网优参数空间乃至网优元素空间的最优化很难达成。
2 CDMA网络优化的归一化分析
2.1 CDMA常规网优分析
网优分析是网络优化的关键一环, 一般的CDMA网优分析主要从指标和事件 (如掉话等) 入手, 所以常常按照以下几方面划分类型:覆盖质量分析, 呼叫分析, 切换分析, 掉话分析, 容量分析和其他性能统计分析。
(1) 覆盖质量分析
主要是通过DT/CQT分析等手段分析网络的覆盖质量。覆盖的优化目标是确保导频信道、同步信道、寻呼信道、接入信道和业务信道的覆盖达到预定目标, 并消除覆盖盲区, 避免越区覆盖。同时还要确保覆盖参数准确按照工参执行, 避免出现天线接错导致的PN混乱。
(1) 天线下倾角 (2) 天线方位角
(3) 天线高度 (4) 功率控制参数。
(2) 呼叫分析
呼叫分析主要是通过导频污染分析, 接入参数等优化等手段提高系统接入的可靠性和接入速度, 这通常反映在呼收建立成功率和寻呼成功率的提高。呼叫接入涉及到的参数包括:
NOM_PWR, INIT_PWR, PWR_STEP, NUM_STEP, NOM_PWR_EXT, ACC_CHAN,
PREAMBLE_WINDOW_LENGTH (PWL) , MULTIPATH_WINDOW_LENGTH (MWL) :
(3) 掉话分析
即呼叫质量分析。主要是通过DT/CQT, 话统数据分析, 设备性能分析等手段分析掉话原因。并通过调整信道功率参数, 天线等资源以及其他参数来提高通话的质量。它涉及到的参数包括:
SEARCHJIN_A, SEARCHWIN_N, SEARCHWIN_R
天线参数, 即天线下倾角, 水平方位角和天线高度;功率控制参数, 信道功率参数, 定时器, 误帧门限等。
(4) 切换分析
CDMA系统所包含的切换类型包括有空闲切换、硬切换、软切换、更软切换。它的优化目标是控制软切换的比例和质量, 提高软切换和硬切换成功率, 降低掉话率。主要通过调整天线等硬件资源以及相关参数来达到优化切换的目的。所涉及到的参数包括:
T_ADD, T_DROP, T_TDROP, T_COMP, 各导频集搜索窗口, PILOTJNC:导频偏
NEHBR_MAX_AGE, SOFT_SLOPE, ADDINTERCEPT, DROPINTERCEPT
(5) 容量优化
容量优化的目标就是在保证一定通信质量的前提下扩大系统容量 (系统能同时支持的移动台使用数量) , 使每个移动台的信号以最小的功率满足所需的话音质量要求。其优化内容包括切换区域调整、移动台发射功率和整个系统的功率分配调整, 涉及到的参数以功率控制参数为主。
(1) 开环功率控制参数
INIT_PER, NOM_PER, NOM_PER_EXT, PWR_STEP:, NUM_STEP
(2) 前向链路功率控制参数
PWR_PREIOD_ENABLE, PWR_THRESH_ENABLE, PWR_REP_FRAME, PWR_REP_HRESH, PWR_REP_OELAY, FER_THRESHOLD, TX_GAIN_ADJUST:
(3) 反向链路功率控制参数
RPC_EBNO, RLGAINJRAFFIC_PILOT, RLGAIN_SCH_PILOT:
(4) 信道功率控制参数
POWER_SSIGNMENT, TRAFFIC_CHANNEL_AIN, PILOT_AIN, PILOT_STRENGTH, SYNC_GAIN, PAGING_AIN, DB_VALUE
(6) 其他优化
指除以上各种之外的优化。例如:RSSI, 驻波比, 干扰处理等。
2.2 归一化分析
图1是CDMA网优的一个图例。也可看做总体上的网优模型图。虚线框中的是静态模型。由移动接入网网元构成。网元之上是网络的通信协议和各种约定的机制。这二者组成了相对稳定的CDMA移动通信网。实线框内的是动态模型。它由静态模型和各种网优分析组成, 这二者构成了动态稳定的CDMA移动通信网络。其中的网优分析就是由上述的分析类别构成。由图中可以看出静态模型决定或者说触发各网优分析和行为。而各种网优分析和行为则围绕静态模型的最优运作而行动, 属于回馈的性质。
又由图中可以看出各类网优分析成为各自独立的网优项目, 依一定的顺序或遍历所有的项目就可以完成网优分析。但是实际的网优中常常遇到这样的问题, 即不能很好地将各种网优问题综合起来分析, 以致网优分析的效率不高, 甚至得出片面, 错误的结论。问题在于没有弄清楚各类网优分析的联系。若能则可以进行综合的分析, 网优效率和效果会大大提升。
表1是各类分析方法的分析
从表1可知, CDMA网络优化的5大内容:呼叫接入, 通话质量 (掉话) , 切换, 容量, 覆盖都直接或间接地指向同一个参数, 即EC/IO。各种网优调整直接或间接地归于EC/IO的调整。可以说, EC/IO是网络优化的核心和本质, 也是网优分析的起点。
在相对简单的网络中例如PHS, GSM, EC/IO (信噪比) 处于比较明显的位置上。但在CDMA网络中, EC/IO延伸到更高更深的层次, 它不仅体现在物理层上, 还更多地体现和隐藏在各种参数和行为协议中。反过来, 以EC/IO为起点并以之为核心发散出去思考和进行网优分析则抓到了CDMA网优的本质, 就可以以此为基础将各种常规网优分析方法融汇在一起, 全面地运用各种参数和资源手段进行网优。这就是CDMA网络优化的归一化思路。
3 归一化思路下的CDMA网络优化
(1) 引入归一化分析方法以后, 有以下一般的网优分析图:
由以上分析图可以看出, 网优分析的实质是在做EC IO分析, 同时EC/IO的调整手段又延伸到各类网优分析中。若是能够以EC/IO分析为核心将各种网优分析和众多的信息量联系起来, CDMA网优将举重若轻。
(2) 实例
接到阳西用户投诉, 反映县城明星花园一带出现掉话。根据“先想好再做好”的原则, 首先明确如下的解决思路:
总体分析掉话原因:只有一个原因, 即EC.IO差导致误码误帧消息丢失等。由简单到复杂的分析顺序是物理EC/IO到逻辑EC/IO。
(1) 物理EC/IO的原因
由简单到复杂主要做:相关硬件告警检查, 覆盖检查, 容量 (拥塞) 检查, RSSI, 驻波比检查, 天馈检查等。
(2) 等效EC/IO的原因
由简单到复杂主要做:邻区漏配, PN冲撞, 越区, 孤岛, 导频污染, 信令分析, T_ADD等切换参数, 干扰检查, 衰落定时器, ERASURE门限, FER, Eb/No门限, 时钟同步, 基站级联传输, 手机软件BUG检查和分析等。
处理过程是:
首先向投诉用户了解掉话情形, 得知掉话与时间点, 手机硬件及手机设置等不相关。
社区经理现场测试信号质量, 收发电平和EC/IO均较好, 但通话过程中有掉话出现。
接着查看相关设备历史告警, 排除故障原因。同时没有拥塞出现。检查RSSI和驻波比正常。
以上关于物理EC/IO的检查正常之后, 就要进行等效EC/IO的原因分析。一般来说等效EC/IO主要和参数等非物理层元素关联。而这些元素必须在事件中才能知道设置的妥当与否。所以有必要进行事件模拟或重现。接着到掉话地点做路测。
分析路测数据发现, 测试线路中有一段EC/IO较差, 在-13 dB以下。而且只在单向出现。掉话正在此段发生。对比处于待机状态的手机测得的EC/IO发现在相同路段一直较好。因此怀疑和切换有关 (相对来说切换分析在等效EC/IO分析里较简单, 实际上也较常见, 所以一般从切换分析开始) 。
结合信令分析得知, 路测中EC/IO差的路段手机一直未能将EC/IO已经明显强于在用小区的小区切进激活集中, 导致出现强干扰, 效果上导致EC/IO变得很差直至掉话。查看邻区列表, 是单向漏配。
将此单向漏配的小区加为邻区后测试正常。
归一化分析方法就是要通过归一化EC/IO, 达到明确网优本质, 明晰网优脉络的目的。同时以离物理EC/IO的远近为根据将网优元素从简单到复杂, 从单一到综合的排序进行也是一种和网优的实际情况相符合的方法。
摘要：分析了CDMA网络优化的特点, 介绍了CDMA网络优化的一般分析方法。对各种网优分析方法做了联系分析, 揭示其本质, 并给出一种归一化的网优分析思路。最后给出运用该思路解决实际问题的例子。
关键词：CDMA网络优化,CDMA网优分析,归一化
参考文献
[1]啜钢, 高伟东, 彭涛.CDMA20001X无线网络规划优化及无线资源管理.人民邮电出版社, 2007, 6
[2]李怡滨, 万晓榆, 管文明, 金勇, 樊自甫.CDMA20001X网络规划与优化/现代移动通信技术丛书.人民邮电出版社, 2006, 3
纤维风积沙土归一化特性分析 篇5
关键词：纤维风积沙土,三轴试验,应力—应变关系,归一化
0 引言
风积沙土沙漠地区最丰富、最廉价的筑路材料。
风积沙颗粒间无粘聚力,颗粒级配均匀、粒径大都小于0.50mm。风积沙作为一种覆盖面积极广,沉积层厚极大的地面覆盖物,满足工程实际要求,在干旱少雨,缺乏常规工程材料的沙漠地区具有特别重要的意义,而且经济效益十分显著,因而风积砂土的改良工作就成为沙漠地区建设的关键所在[1]。基于此提出了纤维加筋风积沙土的改良方法。
应力-应变关系的归一化,是指土在不同应力条件、不同试验方法和不同固结压力下的应力—应变关系,可用某一个归一化应力归一在一条线上,亦即将应力—应变曲线的纵坐标除以归一化应力,横坐标保持不变,而得出经过变换的曲线—归一化曲线[2]。土的变形和强度特性可以通过三轴试验的应力—应变关系来表示,为使纤维风积沙土的应力—应变关系能够用一个统一的公式表达,实现纤维风积沙土应力—应变关系的归一化,本文对此进行了研究。研究表明,纤维风积沙土应力—应变关系的归一化特性是存在的。同时,按围压为归一化因子应用于纤维风积沙土的不固结不排水三轴试验,对试验结果进行分析,提出纤维风积沙土应力—应变关系统一的公式表达形式。
1 三轴试验
试验样品取自内蒙古风积沙土,其物理力学指标见表1。取纤维规格为9mm,纤维掺量为2‰,含水量为10%的配比配置纤维风积沙复合土体。在实验室内,取直径φ=39.1mm,高度h=80.0mm的实心圆柱状土样,进行三轴试验。
试样在不同的恒定围压下,然后维持围压不变,进行不固结不排水试验(UU剪切试验)。剪切速率为0.828mm/min,以轴向应变达到15%为终止加荷的标准。
2 试验结果
在不同恒定围压下,由试样的应力—应变关系曲线可知,土体基本表现为应变硬化型,主应力差随着应变的增加而增长。这些现象主要是由于纤维的加固作用比较大。围压引起了压缩,土体微观结构发生改变,土颗粒的排列更加紧凑和密实,纤维包裹嵌固更加稳定,纤维风积沙土骨架变得坚硬,使得土体抵抗外部变形的能力大大提高,抗剪强度也随之增强。当轴向作用力达到其最大承载力时,土体的微观结构发生破坏和变形,骨架发生损伤,宏观表现出应变硬化特性。
3 应力—应变特性归一化分析
对纤维风积沙土不固结不排水应力—应变特性进行归一化分析。以固结围压σ3为归一化因子,对不同围压下的关系进行归一化分析,则得出归一化结,所得归一化方程为:
用式(1)对试样的应力—应变关系曲线进行拟合,得出参数a和b。
把式(1)变为:
式(2)就是基于以围压σ3为归一化因子而建立的纤维风积沙土应力—应变关系的归一化方程。用围压σ3作为归一化因子,对纤维风积沙土的应力—应变特性进行归一化分析,可以看出有很好的线性关系,其归一化程度较好。建立的纤维风积沙土的应力—应变关系方程形式具有较好的一致性。
4 结论
4.1 本实验配比纤维风积沙土在不固结不排水条件下,应力—应变关系呈现典型的双曲线关系,表现为应变硬化型。
4.2 纤维风积沙土有很好的归一化性状,以围压作为归一化因子,对纤维风积沙土应力—应变特性进行归一化分析,在同一围压下可以归一成一直线,并提出了统一的归一化形式。
参考文献
[1]杨志清,薛明,郭忠印.风积沙的击实特性研究[J].华东公路,2003(4):67-69.
邯郸粉质黏土归一化性状分析 篇6
1 邯郸粉质黏土的三轴试验
图1表示邯郸粉质黏土应力—应变关系曲线(σ1-σ3)—ε1变换为直线ε1/(σ1-σ3)—ε1,不同的围压σ3对应着不同的直线。其直线方程表示为:
其中,a,b值可以直接从图中量得。
从图1可以看出,邯郸粉质黏土的各向等压固结三轴试验应力—应变关系曲线具有归一化性状,但还存在一定的离散性,特别是当围压或变形越大时,离散性越大,归一化性状也越差。
2 邯郸粉质黏土归一化分析
采用围压(σ3)n归一化时,将用归一化的应力—应变关系曲线绘制在以ε1(σ3)n/(σ1-σ3)为纵坐标,以轴向应变ε1为横坐标的ε1(σ3)n/(σ1-σ3)—ε1坐标系中,如图2所示。从图中可以看出,ε1(σ3)n/(σ1-σ3)与轴向应变ε1基本上为直线关系。这种直线关系表示为:
其中,σ1-σ3为主应力差,也称广义剪应力(八面体剪应力);ε1为轴向应变的特征值;a1,b1为三轴试验归一化应力—应变关系曲线的参数,分别反映土体在相应条件下的变形特征和强度。
同理可得,采用平均固结压力(σm)n归一化时,将曲线绘制在以ε1(σm)n/(σ1-σ3)为纵坐标,以轴向应变ε1为横坐标的ε1(σm)n/(σ1-σ3)—ε1坐标系中,如图3所示。
其直线关系为:
式(2)和式(3)反映了邯郸粉质黏土三轴试验的应力—应变关系曲线具有双曲线形状。参数a1,b1,a2和b2值见表1。
3 结语
分析土存在归一化性状的条件,用来描述变形特性的模量必须与归一化因子成正比。当用围压σc归一化时,必须有c=0,φ为常数;当用平均固结压力σm归一化时,必须有内聚力
参考文献
[1]李作勤.黏土归一化性状的分析[J].岩土工程学报,1987,9(5):67-75.
图像归一化 篇7
植被, 包括森林、灌丛、草地和农作物, 既是生态系统的主要组成部分, 也是生态系统存在的基础, 具有截流降雨、减缓径流、防沙治沙、保持水土等功能, 联结着土壤、大气和水分等自然过程, 在陆地表面的能量交换、生物地球化学循环和水文循环等过程中扮演着重要角色, 是全球变化研究中的“指示器”。
在遥感应用领域, 植被指数是一种反映地表植被信息的重要信息源之一, 已广泛用于定性和定量评价植被覆盖及其生长状况。目前, 预测植被情况的指数有很多种, 如, 比值植被指数 (RVI) 、差值植被指数 (NVI) 、土壤调节植被指数 (SAVI) 、修正突然植被指数 (MSAVI) 和归一化植被指数 (NDVI) 。研究表明归一化植被指数NDVI对植被的生长势和生长量非常敏感, 可以很好地反映地表植被的繁茂程度, 是指示植被活动和植被生产力的良好指标, 广泛应用于植被生长状况描述、土地覆盖类型分类、植被生产力估测、旱情监测分析、城市土地分等定级、荒漠化监测和城市生态环境质量评估等研究中。
2 材料与方法
2.1 数据来源与预处理
本数据由国家遥感测绘局提供, 因此数据的准确性不用怀疑, 该数据与其他NDVI数据相比, 其误差小, 精度高, 且已广泛应用于全球及区域大尺度植被变化的研究中。
2.2 遥感解译与配准
遥感解译是不同结构、构造、成分的地物对光线的吸收、反射不同, 可得到不同的波谱信息, 在遥感图像上反映出不同的灰度值。遥感解译就是在遥感图像上观察分析点、线、面等影纹信息来判断地物类型。
本次的归一化植被指数计算和地图配准主要是在ERDAS IMA-GIN 9.2中完成, 遥感解译和植被数据的提取则在ARCGIS 10.0中完成。
2.3 归一化植被指数法
归一化植被指数 (NDVI) 作为植物光合作用和同化作用的效率的代表, 在植被预测方面有着重要的作用。在遥感影像中, 近红外波段的反射值与红光波段的反射值之差与两者之和的比值定义为归一化植被指数, 其公式如下所示:
式中:NDVI为归一化植被指数, 取值范围-1到1, 其中负值表示地面覆盖为云、水、雪等, 对可见光高反射, 0值或接近0的值表示没有植被覆盖, 通常为岩石或裸土;正值, 表示有植被覆盖, 且随覆盖度增大而增大, 计算结果在IMG影像图中以白色和黑色的阈值表示;NIR为近红外波段 (0.76~0.90um) 反射值的波段4;RED为红光波段 (0.63~0.69um) 反射值的波段3。
3 结果与分析
3.1 NDVI值的计算
用ERDAS进行归一化计算后得到的, 其中植被情况通过灰度来表示, 特别白的地方, 表示高反光, 可能是裸岩、雪和云之类, 剩下的就是植被情况了, 除中间的近乎黑色的那一块是水域外, 其余的就按灰度的深浅来判断, 灰度值越大, 表示其植被情况越好, 反之则越差。通过这景归一化植被计算图我们可以很直观清晰地看到这个区域的植被情况, 不仅可以看到哪些是水体, 哪些是裸岩等非植被区域, 还可以知道哪些地方是被植被所覆盖的, 以及进一步我们还能看出植被的覆盖程度, 甚至我们还能隐约看到图中的河流的位置和走向。得出, 其绿化程度在50%以上。
3.2 解译
图1是在ARCGIS中解译完成后的图, 其中图例如右所示。在这一景中, 我们就可以更清楚地看到本区域的植被覆盖情况, 其中, 除了大部分的绿地外, 我们还能看到占有一定面积比例的沼泽地, 这些多出现在河流断流的地方以及接近水域的地方, 这也说明在本次解译的地方水源是比较充裕的, 因此决定植被生长的因素并不是水的问题, 相反还会因为大量的水体从而形成沼泽地。另外, 从图中, 我们也能看到存在一个很大的湖泊和几个小的湖泊, 这也表明了这里的水是充分的。
3.3 植被面积提取
表1是用ARCGIS在解译完成后的图中通过属性提取到的各植被类型的面积。其中高覆盖草地的面积为3034.32公顷, 占到整个区域的13.53%;沼泽地的面积达到了2674.50公顷, 占到了本区域总面积的11.93%, 这一结果也和前面图得到的是一致的;此外我们再看看湖的面积, 它拥有3446.03公顷的面积, 占到了15.37%, 这我们可以很直观地从图1看到;另外一个不可忽略的是盐碱地, 以933.18公顷的面积占到了该区域4.16%的值, 也是一个不可小觑的数目。总体上来说, 该区域有植被覆盖 (包括高覆盖草地、中覆盖草地、低覆盖草地、灌木丛、有林地以及其他林地) 的面积为9568.50公顷, 拥有42.68个百分点;而非植被覆盖区域 (除了湖泊、云以及雪地) 的面积是3793.55公顷, 是总面积的16.92%。
4 结束语
可见, 使用遥感解译的方法分析得到的结果和实地是相当吻合的, 目前, 基于遥感解译的归一化植被指数的算法分析某地区植被覆盖情况应用广泛, 对于科研人员和方案制定者来说是一个不错的理想选择。同时随着当前遥感技术的不断发展以及卫星航片图精度的不断提高, 使用这一方法对某一特定面积的植被覆盖分析更加有实际意义。
但是, 除了在归一化植被指数的算法是通过机器完成的, 而在解译的过程中是通过目视完成的, 因此在所难免的存在一定误差, 与此同时, 这一方法对于大面积的分析也存在局限。所以此方法也还需要进一步完善。
参考文献
[1]赵英时.遥感应用分析原理与方法[M].北京:科学出版社, 2003.
[2]张玉梅.基于遥感分析的城市土地定级技术研究--以武汉市为例[J].国土资源遥感, 2009 (4) :82-85.
[3]刘艳, 李杨, 张璞, 等.多源NDVI在玛纳斯河流域荒漠化监测中的应用[J].干旱地区农业研究, 2010 (3) :207-213.