圖像編輯范文

導(dǎo)語：如何才能寫好一篇圖像編輯，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

電視作為現(xiàn)代社會中重要的大眾傳播媒介,其異于其它大眾傳媒的地方,在于它的直觀形象性。離開了色彩鮮明、清晰生動的畫面,電視也就失去了它的魅力。因此,圖像編輯必須在正確把握節(jié)目的主題和內(nèi)涵的前提下,準(zhǔn)確選擇富有表現(xiàn)力的畫面,生動直觀地把節(jié)目的主題和內(nèi)涵表達出來。但是在實際操作中,由于現(xiàn)場情況的限制,記者拍攝的往往只是基本的創(chuàng)作素材,數(shù)量多而雜,所以必須經(jīng)剪輯之后才能成為真正有用的材料。比如在2008年的抗冰雪救災(zāi)中,衢州一千多名黨員干部奔赴第一線開展多種形式的救助活動,新聞中心也派出強大的采訪隊伍,深入山區(qū)進行采訪報道,并在《衢州新聞》欄目中推出《冬日里的溫暖》系列報道。在這組報道推出前,我們提前策劃、精心準(zhǔn)備;在拍攝中,大家克服了很多困難;后期制作時我們再把前方記者采制回來大量的新聞素材進行分類組合,以達到最佳的傳播效果。《冬日里的溫暖》這組報道的圖像編輯突出一個“情”字,通過黨員干部為山區(qū)老百姓除冰鏟雪、架設(shè)電網(wǎng)、運輸食品等一系列活動,使溫暖的主題得到深刻表現(xiàn),同時也增強了新聞報道的感染力。

圖像編輯的主觀能動性和創(chuàng)造性主要表現(xiàn)在對稿子和素材正確有效的處理上。文字編輯對圖像處理往往并不十分了解,播音員事先也不知道圖像的實際再現(xiàn)效果,所以這個中間環(huán)節(jié)的制作者只能是圖像編輯。圖像編輯絕不是不動腦子只動手指的機械操作員,恰恰相反,優(yōu)秀的圖像編輯能根據(jù)新聞內(nèi)容,選擇最富有表現(xiàn)力的圖像,取得以一當(dāng)十的藝術(shù)效果。雖然一個畫面在屏幕上停留的時間只有幾秒鐘,但選擇得當(dāng)、處理完美的畫面通過蒙太奇的表現(xiàn)手法,能夠給受眾留下極其深刻的印象。專題片《石三奶的故事》介紹的是一位71歲產(chǎn)黨員石三奶承包荒山搞農(nóng)業(yè)綜合開發(fā)的事跡。為了反映主人翁的精神,筆者在編輯時交替使用了大量的勞動工具和滿山遍野果實累累的豐收鏡頭,并用夕陽空鏡頭作為過渡,使整個畫面沐浴在一片金黃色之中。電視特有的剪輯方式讓這些畫面更集中、更鮮明地表現(xiàn)出人物的個性。它既能起到象征的意義,又能富有美感地烘托出主人公“滿目青山夕陽紅”的情懷,使整個片子取得了較好的藝術(shù)效果。

此外,圖像的剪輯還可以表現(xiàn)強有力的視覺沖擊和節(jié)奏感。例如,表現(xiàn)抒情內(nèi)容或宏大的場面時,可以用較長的鏡頭畫面進行組接;表現(xiàn)強烈動感或歡快、緊張等氣氛時,則可用較短的鏡頭,營造不斷高漲的氣氛。紀(jì)錄片《喜悅的豐收》為了表現(xiàn)農(nóng)民聯(lián)產(chǎn)承包,糧食豐收的喜悅心情,片子開頭就將敲鑼打鼓放鞭炮的特寫畫面與農(nóng)民的笑臉特寫交替剪輯,用不斷變化的組接方式來產(chǎn)生富有節(jié)奏感的熱烈氣氛。而那些奧運集錦的紀(jì)錄片,更是利用內(nèi)容上的對比因素來造成畫面語言的不斷變化,如冷與暖(滑冰與游泳)、剛與柔(滑雪與花樣滑冰)、力量與技術(shù)(舉重與體操)等,通過對比的剪輯手法,給觀眾留下深刻的印象。

受眾的積極介入是現(xiàn)代電視生命力的源泉,所以,電視節(jié)目的制作必須十分注重受眾的意見和態(tài)度。正因為受眾與電視的交流主要是通過畫面來完成的,所以,圖像編輯尤為重要。圖像編輯不僅要以制作者的身份,而且要以受眾的身份,認真地感受畫面,準(zhǔn)確地選擇畫面,才能取得好的效果。這樣,電視記者、制作者與受眾之間的距離無形之中就縮短了。例如為了配合衢州市創(chuàng)建國家衛(wèi)生城市,營造良好的社會氛圍,從2009年開始,《衢州新聞》推出了記者蹲點實錄系列報道。該節(jié)目以紀(jì)實的手法把那些不文明的行為用電視鏡頭一一紀(jì)錄下來,然后與這些不文明行為所造成臟、亂、差的后果進行對比剪輯,再組接市民現(xiàn)場采訪的內(nèi)容,幾組畫面交疊出現(xiàn),使這一組報道內(nèi)容得到更為充分的體現(xiàn),在市民中形成了強烈的共鳴,取得了很好的宣傳效果。

篇2

關(guān)鍵詞：雙邊濾波 邊緣保持 超分辨率 最速下降法

中圖分類號：TP391 文獻標(biāo)識碼：A 文章編號：1672-3791（2013）06（c）-0004-02

在超分辨率技術(shù)研究初期，所做工作都是針對單幅圖像展開的。最早的方法是在一幀圖像上進行插值，但插值后圖像的高頻細節(jié)被丟失，且無唯一解。1984年Tsay和Huang[1]第一次提出了從互有位移的多幀圖像序列中插值產(chǎn)生一幀高分辨率圖像的概念，才從本質(zhì)上解決了圖像超分辨率無唯一解的問題。Kim將建立在頻域上的算法模型擴展到包含噪聲的情況。研究發(fā)現(xiàn)基于序列和多幅圖像的超分辨率重建效果比單幅的超分辨率重建更好。

超分辨率重建問題是一個病態(tài)求逆過程[2～4]，且圖像在獲取和傳輸過程中不可避免地有噪聲，在重建圖像中首先需要過濾噪聲，但邊緣保持能力往往不強。為此，本文提出基于雙邊濾波算子的多幀超分辨率重建模型，采用基于各向異性擴散的雙邊濾波算子進行保邊去噪處理。

1 退化模型

圖像的超分辨率重建就是在已知退化圖像序列的基礎(chǔ)上重建高分辨率圖像。假設(shè)有N幀觀測到的低分辨率圖像，為理想的高分辨率圖像。觀測模型為：

可簡化為：

2 提出的算法

結(jié)合圖像亮度信息作為濾波權(quán)系數(shù)的雙邊濾波方法使得濾波后的圖像中的信息得到相應(yīng)的加強，同時在對噪聲的去除方面有明顯的改進。在達到對圖像進行平滑去噪的目的同時，還可以很大程度上保持圖像的邊緣信息。

2.1 雙邊濾波算子

雙邊濾波器是圖像空間鄰近度和像素相似度相結(jié)合的一種折中處理。從各向異性擴散的穩(wěn)健性統(tǒng)計出發(fā)，定義了基于雙邊濾波算子的罰函數(shù)：

2.2 最小化問題及迭代求解

為保證方程組求得的解逼近真解，需使圖像數(shù)據(jù)保真度即殘差項最小，建立如下基于數(shù)據(jù)殘差項L1范數(shù)的最小化泛函：

為了在重建圖像過程中能得到收斂的穩(wěn)定解，同時有很好的噪聲抑制效果，則需要對圖像本身做假設(shè)，將圖像的先驗知識用于重建算法中。將基于雙邊濾波算子的罰函數(shù)作為約束條件，通過最小化代價函數(shù)獲得高分辨率圖像：

上式在數(shù)據(jù)保真項和約束項的共同作用下，選擇合適的最優(yōu)化求解算法，得到高分辨率圖像的穩(wěn)定唯一解。對能量泛函計算其梯度，通過采用最速下降法進行迭代求解得到最優(yōu)解：

3 仿真實驗結(jié)果及分析

為驗證算法的有效性，對合成的圖像序列進行超分辨率重建實驗。采用雙線性插值法、POCS算法和本文算法從重建的視覺效果方面進行對比分析。

先后對理想HR圖像添加高斯噪聲、亞像素平移、因子為2的降采樣，產(chǎn)生10幅LR模擬圖像。圖1（a）為256×256的理想HR圖像，圖1（b）是其中4幅128×128的LR圖像。

從視覺角度上看本文算法效果最好，圖2（c）只是對一幀低分辨率圖像進行了雙線性插值，不能利用多幀之間的互補信息，細節(jié)較為模糊，圖像質(zhì)量并沒有任何的改善；利用POCS方法重建的，效果不理想，圖像中存在著大量的模糊。同時考慮了空間距離因素和像素灰度值因素的本文算法重建的圖像，質(zhì)量和清晰度得到明顯的提高，具有很強的去噪能力。

4 結(jié)語

本文提出了利用多個低分辨率圖像序列的互補信息獲取更高分辨率圖像的方法。結(jié)合圖像灰度信息作為濾波權(quán)系數(shù)的雙邊濾波去噪方法，構(gòu)造了代價函數(shù)。實驗結(jié)果表明本文算法與其他算法相比能夠在濾除噪聲平滑圖像的同時較好地保存超分辨重建圖像的邊緣信息。

參考文獻

[1] R Y Tsai， T S Huang. Multi frame image restoration and registration[C]. Advances in Computer Vis-ion and Image Processing. Greenwich CT： JAI Pre-ss，1984：317-339.

[2] S Farsiu， M Robinson， M Elad， et al. Fast and Robust Multiframe Super Resolution[J].IEEE Trans. on Image Processing，2004，13（10）：1327-1344.

篇3

[關(guān)鍵詞] 邊坡 變形 穩(wěn)定性 動水壓力

1 引言

隨著我國基礎(chǔ)設(shè)施建設(shè)的蓬勃發(fā)展,在建筑、交通、水利、礦山等部門都涉及到大量的邊坡問題。邊坡在演變過程中將發(fā)生不同形式和規(guī)模的變形與破壞,如滑坡和崩塌等。邊坡在形成過程中,其內(nèi)部原有的應(yīng)力狀態(tài)發(fā)生變化,引起應(yīng)力重分布和應(yīng)力集中等效應(yīng)。為適應(yīng)這種應(yīng)力狀態(tài)的變化,邊坡將發(fā)生不同形式和不同規(guī)模的變形與破壞,這是推動邊坡演變的內(nèi)在原因。各種自然營力和人類工程活動也可造成邊坡外形、內(nèi)部結(jié)構(gòu)及應(yīng)力狀態(tài)的變化,這些營力則是推動邊坡演變的外部因素。

2 邊坡變形破壞的發(fā)育過程

邊坡在發(fā)生滑動之前通常是穩(wěn)定的。由于各種因素影響,邊坡土體強度逐漸降低,或邊坡內(nèi)部剪切力不斷增加,使邊坡的穩(wěn)定狀況受到破壞。在邊坡內(nèi)某一部分因抗剪強度小于剪切力而首先變形,產(chǎn)生微小的滑動,以后變形逐漸發(fā)展,直至坡面出現(xiàn)斷續(xù)的拉張裂縫。隨著裂縫的出現(xiàn),滲水作用加強,變形進一步發(fā)展。后緣拉張裂縫加寬,開始出現(xiàn)不大的錯距,兩側(cè)剪切裂縫也相繼出現(xiàn)。坡腳附近的土石被擠壓,滑坡出口附近潮濕滲水,此時滑動面已大部分形成,但尚未全部貫通。隨著邊坡變形的繼續(xù)發(fā)展,后緣拉張裂縫進一步加寬,錯距不斷增大,兩側(cè)剪切裂縫貫通并撕開。邊坡前緣的土石擠緊并鼓出,出現(xiàn)大量的鼓張裂縫,滑坡出口附近滲水混濁,這時滑動面已全部形成,接著便開始整體地向下滑動了。邊坡變形破壞的發(fā)生是一個長期的變化過程,通常可將邊坡變形破壞的發(fā)育過程分為三個階段:蠕動變形階段、滑動破壞階段和漸趨穩(wěn)定階段。

3 土質(zhì)邊坡變形及穩(wěn)定性的主要影響因素

3.1 內(nèi)部因素

3.1.1邊坡巖土體類型和性質(zhì)

地層土體類型及其性質(zhì)的差異是影響土質(zhì)邊坡穩(wěn)定的主要因素。不同土層組成的邊坡有其不同的內(nèi)力作用機制,也有其不同的變形破壞形式[1]。

① 粘性土邊坡。根據(jù)粘土成分的不同,分為一般粘土邊坡、紅土邊坡、裂隙性硬粘土邊坡等。粘土顆粒細密,但由于生成環(huán)境的不同,各類粘土的組織結(jié)構(gòu)、物理力學(xué)特性等差別較大,對邊坡穩(wěn)定性的影響也不一樣。但一般都具有干時堅硬開裂,遇水后膨脹分解呈塑狀的特點,對邊坡穩(wěn)定極為不利。若土體內(nèi)存在軟弱結(jié)構(gòu)面,則破壞了邊坡土體的整體性,而且還降低了土體的抗剪強度,邊坡常沿這些軟弱結(jié)構(gòu)面發(fā)生滑動變形破壞。

② 軟土邊坡。軟土因其抗剪強度極低,流變性能顯著,對于邊坡穩(wěn)定極為不利。由于軟土的塑流變形,邊坡隨挖隨塌,難以成形,這對于工程邊坡的影響更為嚴(yán)重。

③ 砂性土邊坡。由于砂性土結(jié)構(gòu)較疏松、粘聚力低,邊坡坡度一般較緩;由于砂性土一般透水性較大,所以,飽和含水的均質(zhì)砂土邊坡,在振動力作用下,易于發(fā)生液化破壞,對邊坡的穩(wěn)定不利。

④ 黃土邊坡。黃土在我國華北、西北地區(qū)大面積分布,黃土具有多孔性,孔隙比一般為40%～50%,成分以粉粒為主,天然狀態(tài)下含水量甚少,干燥時甚堅固,可形成直立邊坡,但遇水后土體強度大為降低,容易剝落或遭受侵蝕,黃土邊坡的變形以崩塌和滑動為主。

3.1.2地質(zhì)構(gòu)造

地質(zhì)構(gòu)造對邊坡穩(wěn)定的影響表現(xiàn)為結(jié)構(gòu)面的產(chǎn)狀、發(fā)育程度、規(guī)模、連通性及充填物成分、充填程度對邊坡穩(wěn)定性的影響。一般情況下,同向傾斜邊坡比反向傾斜邊坡穩(wěn)定性差,同向緩傾邊坡中,結(jié)構(gòu)面傾角越陡,穩(wěn)定性越差。結(jié)構(gòu)面走向和邊坡坡面走向之間的關(guān)系,決定了可能失穩(wěn)邊坡運動的自由程度,當(dāng)傾向不利的結(jié)構(gòu)面走向與坡面平行時,整個坡面都具有臨空自由滑動的條件,因此對邊坡的穩(wěn)定最為不利;結(jié)構(gòu)面走向與坡面走向夾角愈大,對邊坡的穩(wěn)定愈有利。而結(jié)構(gòu)面充填的軟弱物質(zhì)會降低邊坡抗剪強度,不利于邊坡穩(wěn)定。

3.1.3邊坡形態(tài)

邊坡形態(tài)對邊坡的穩(wěn)定性有直接影響。不利形態(tài)的邊坡往往在坡頂產(chǎn)生張應(yīng)力,并引起坡頂出現(xiàn)張裂縫;在坡腳產(chǎn)生強烈的剪應(yīng)力,出現(xiàn)剪切破壞帶,這些作用極大地降低邊坡的穩(wěn)定性。一般來說,坡度越陡,邊坡越容易失穩(wěn),坡度越緩,邊坡越穩(wěn)定;而坡高越大,對邊坡穩(wěn)定越加不利。平面上呈凹形的邊坡較呈凸形的邊坡穩(wěn)定;同是凹形邊坡,邊坡等高線曲率半徑越小,越有利于邊坡穩(wěn)定。

3.1.4地下水

地下水對邊坡穩(wěn)定性的影響不僅是多方面的,而且是非常活躍的,包括地下水的埋藏條件、流量、滲流條件及其動態(tài)變化等。大多數(shù)邊坡的破壞和滑動都與地下水的活動有關(guān)。地下水對邊坡穩(wěn)定性的影響可反映在以下幾個方面:

3.1.4.1 靜水壓力

處于地下水位以下的透水邊坡將承受水的浮托力的作用,使坡體的有效重量減輕;而不透水的邊坡,坡面將承受靜水壓力,充水的張開裂隙也將承受裂隙靜水壓力的作用,這些都對邊坡的穩(wěn)定不利。地下水的存在使邊坡土體的含水量增大,土體容重也隨之增加,而且孔隙水壓力也隨之增大,從而引起剪應(yīng)力增大和土體抗剪能力下降,使邊坡穩(wěn)定受到影響。

3.1.4.2 動水壓力

地下水的滲透流動,將對坡體產(chǎn)生動水壓力,在動水壓力作用下,水流將帶走邊坡斷層破碎帶或其它軟弱結(jié)構(gòu)面中的細小顆粒。經(jīng)過長期的滲流作用,土質(zhì)邊坡內(nèi)部可能形成較為連貫的滲流通道,隨著通道的不斷擴大,坡體不斷被淘空,最終將導(dǎo)致邊坡失穩(wěn)。

3.1.4.3 水的軟化作用

水的軟化作用指由于水的浸泡使邊坡土體強度降低的作用。地下水的溶蝕和潛蝕也直接對邊坡產(chǎn)生破壞作用。出露的地下水可能沖刷邊坡坡腳,并不斷侵蝕掏空,使邊坡不斷崩垮,引起坡體整體失穩(wěn)。

3.2 外部因素

3.2.1振動作用

地震對邊坡穩(wěn)定性的影響較大,地震作用導(dǎo)致邊坡穩(wěn)定性降低主要是由于地震作用產(chǎn)生水平地震附加力,使邊坡下滑力增大;而且,在地震力的作用下,邊坡巖土體的結(jié)構(gòu)發(fā)生變化甚至破壞,出現(xiàn)新的結(jié)構(gòu)面或使原有結(jié)構(gòu)面張裂、松弛,地下水狀態(tài)也有較大變化,孔隙水壓力增大,邊坡巖土體強度降低,隨著地震力的反復(fù)作用,邊坡發(fā)生位移變形,最終導(dǎo)致破壞。因此,在地震時經(jīng)常發(fā)生邊坡失穩(wěn)。

邊坡施工或露天礦開挖中經(jīng)常采用的爆破施工振動也是影響邊坡穩(wěn)定性的動力因素。因為爆破振動產(chǎn)生的慣性力增加了邊坡巖土體的下滑力,而且由于頻繁的振動影響造成巖土體中原有裂隙的松動、錯動與擴展,降低了結(jié)構(gòu)面的力學(xué)強度,加速了滑體的蠕變過程,導(dǎo)致結(jié)構(gòu)體沿優(yōu)勢產(chǎn)狀失穩(wěn)滑出或剪出,或誘發(fā)較大滑坡。

公路、鐵路邊坡由于車輛的長期反復(fù)荷載而導(dǎo)致強度疲勞、邊坡破壞。對于受雙荷載的土質(zhì)邊坡(如坡頂受公路荷載,坡底受鐵路荷載),作用于坡體頂部的公路載荷對坡體的破壞程度幾乎貫穿于整個邊坡,其破壞遠遠大于作用于坡底的鐵路載荷,作用于坡體底部的鐵路載荷,其對坡體的影響范圍基本保持在動載源周圍2m以內(nèi);由于長期作用下可能引起坡體下部的局部液化,從而加快了坡體的失穩(wěn)。

3.2.2氣候條件

氣候條件對邊坡穩(wěn)定性的影響有多種作用方式,如降雨、氣溫變化等,其中以降雨的作用最為突出[2]。在降雨過程中,由于雨水的作用,將導(dǎo)致某些巖土體產(chǎn)生膨脹及物理力學(xué)性質(zhì)的變化;降雨也使地下水位提高,增加靜水壓力造成地下滲流場的變化,產(chǎn)生動水壓力;降雨使土體飽和而使其容重增加,引起土體內(nèi)部剪應(yīng)力的增大。

3.2.3風(fēng)化作用

風(fēng)化作用能造成巖土體結(jié)構(gòu)面的規(guī)模增大,條件惡化,并可產(chǎn)生風(fēng)化裂隙等次生結(jié)構(gòu)面及次生粘土礦物,使地表水易于入滲,改變地下水的動態(tài)等。長期的風(fēng)化作用可使巖土體的抗剪強度減弱,影響邊坡的形狀和坡度,還可使邊坡巖土體脫落或崩塌。

3.2.4人類工程活動

隨著公路、鐵路及城市建設(shè)向著山區(qū)的不斷延伸和發(fā)展,人類工程活動對于邊坡的影響越發(fā)凸顯出來。人類工程活動對于邊坡的影響存在著兩面性,它既是一種改造,也是一種破壞。適當(dāng)?shù)娜祟惢顒幽茉鰪娺吰碌姆€(wěn)定性,而不適宜的活動則會對其產(chǎn)生不利的影響[3]。對邊坡穩(wěn)定性產(chǎn)生顯著影響的人類工程活動主要有:

3.2.4.1 開挖削坡

工程實際中不合理的開挖邊坡如開挖坡腳,會造成邊坡臨空面過大,坡腳壓重不夠,降低了邊坡滑動面的抗滑力,造成邊坡失穩(wěn)。開挖對變形的影響,不僅是由于應(yīng)力變化產(chǎn)生瞬時變形,還有由此產(chǎn)生的蠕變,而且由于開挖并非瞬時結(jié)束,又會對后期蠕變產(chǎn)生影響。

3.2.4.2 坡頂加載

坡頂加載一方面增加了坡體的下滑力,另一方面加大坡頂張應(yīng)力和坡腳剪應(yīng)力的集中程度,使邊坡巖土體破壞,降低強度,因而引起邊坡穩(wěn)定性降低。

3.2.4.3 不適當(dāng)?shù)拈_挖放炮

開挖放炮產(chǎn)生爆破動荷載,其振動作用產(chǎn)生的地震慣性力對邊坡穩(wěn)定也產(chǎn)生不利影響。由于爆破振動的頻繁作用使邊坡巖土體原有裂隙、層理產(chǎn)生擴張或錯動,降低了巖土體結(jié)構(gòu)面的抗剪性能,減小摩擦阻力,降低了邊坡穩(wěn)定性。

4 結(jié)語

邊坡的穩(wěn)定性受內(nèi)部和外部因素制約,當(dāng)超過土體平衡條件時,邊坡便會發(fā)生失穩(wěn)現(xiàn)象。包括邊坡巖土體類型及性質(zhì)、邊坡地質(zhì)構(gòu)造、邊坡形態(tài)、地下水、振動作用、氣候條件、風(fēng)化作用及人類工程活動等,特別是人類工程活動及地下水對邊坡穩(wěn)定影響較大。

參考文獻:

[1] 常士驃.工程地質(zhì)手冊[M].北京:中國建筑工業(yè)出版社,1992.

篇4

針對傳統(tǒng)基于稀疏字典對的超分辨率（SR）算法訓(xùn)練速度慢、字典質(zhì)量差、特征匹配準(zhǔn)確性低的缺點，提出一種基于改進稀疏編碼的圖像超分辨率算法。該算法使用自適應(yīng)閾值的形態(tài)組成分析（MCA）方法提取圖像特征，并采用主成分分析算法對訓(xùn)練集進行降維，提高特征提取的有效性，縮短字典訓(xùn)練時間，減少過擬合現(xiàn)象。在字典訓(xùn)練階段，使用改進的稀疏K-奇異值分解（K-SVD）算法訓(xùn)練低分辨率字典，結(jié)合圖像塊的重疊關(guān)系求解高分辨率字典，增強字典的有效性和自適應(yīng)能力，同時極大地提高了字典的訓(xùn)練速度。在Lab顏色空間對彩色圖像進行重建，避免由于顏色通道相關(guān)性造成的重建圖像質(zhì)量下降。與傳統(tǒng)方法相比，該算法重建圖像質(zhì)量和計算效率更優(yōu)。

關(guān)鍵詞：

超分辨率；稀疏表示；形態(tài)組成分析；主成分分析；顏色空間；機器學(xué)習(xí)

中圖分類號：

TP391.41

文獻標(biāo)志碼：A

Image super-resolution algorithm based on improved sparse coding

Abstract：

The traditional Super-Resolution （SR） algorithm， based on sparse dictionary pairs， is slow in training speed， poor in dictionary quality and low in feature matching accuracy. In view of these disadvantages， a super-resolution algorithm based on the improved sparse coding was proposed. In this algorithm， a Morphological Component Analysis （MCA） method with adaptive threshold was used to extract picture feature， and Principal Component Analysis （PCA） algorithm was employed to reduce the dimensionality of training sets. In this way， the effectiveness of the feature extraction was improved， the training time of dictionary was shortened and the over-fitting phenomenon was reduced. An improved sparse K-Singular Value Decomposition （K-SVD） algorithm was adopted to train low-resolution dictionary， and the super-resolution dictionary was solved by utilizing overlapping relation， which enforced the effectiveness and self-adaptability of the dictionary. Meanwhile， the training speed was greatly increased. Through the reconstruction of color images in the Lab color space， the degradation of the reconstructed image quality， which may be caused by the color channels correlation， was avoided. Compared with traditional methods， this proposed approach can get better high-resolution images and higher computational efficiency.

Key words：

super-resolution； sparse representation； Morphological Component Analysis （MCA）； Principal Component Analysis （PCA）； color space； machine learning

0 引言

超分辨率（Super-Resolution， SR） 即通過硬件或軟件的方法提高原有圖像的分辨率，通過一系列低分辨率圖像來得到一幅或多幅高分辨率的圖像過程。因其能夠提供更高的像素密度和更多的細節(jié)，超分辨率技術(shù)在醫(yī)學(xué)圖像、衛(wèi)星圖像、監(jiān)控等領(lǐng)域獲得了廣泛的應(yīng)用。由于成本較高、工藝水平限制等原因，通過硬件提升獲取高分辨率圖像并不是經(jīng)濟的手段，所以現(xiàn)有的SR方法主要集中在軟件領(lǐng)域，主要分為三類：基于插值的方法、基于重建的方法和基于學(xué)習(xí)的方法。

基于插值的方法簡潔快速，但易產(chǎn)生模糊的邊緣和不清晰的細節(jié)。常見方法有：雙線性插值、雙立方插值、基于自適應(yīng)的2-D回歸模型[1]等。基于重建的方法根據(jù)圖像降質(zhì)模型，利用各種先驗知識來估計超分辨率圖像，這類算法可以重建出較好的邊緣，降低鋸齒效應(yīng)，但其使用的先驗知識往往具有局限性，如輪廓梯度信息[2]、邊緣信息[3]等。

基于學(xué)習(xí)的方法使用高分辨率和低分辨率圖片訓(xùn)練集來預(yù)測低分辨圖像中丟失的高頻信息。通過訓(xùn)練字典，這類算法可以產(chǎn)生低分率圖像中沒有的細節(jié)信息，但是對訓(xùn)練集的依存度比較高，同時對噪聲的抑制能力差。Freeman等[4]利用馬爾可夫隨機場，通過置信傳播來建立低分辨圖像塊和高分辨率圖像塊之間的映射關(guān)系，需要的圖片數(shù)量較大，且訓(xùn)練時間較長。Chang等[5]則采用流形學(xué)習(xí)算法，使用局部線性嵌入（Local Linear Embedding， LLE）規(guī)則，映射低分辨率圖像塊的局部特征到高分辨率圖像塊，然后通過近鄰的線性組合來產(chǎn)生高分辨率圖像塊；該方法雖需要較少的樣本圖片，但易產(chǎn)生欠擬合或過擬合現(xiàn)象。Gao等[6]在LLE的基礎(chǔ)上，提出了一種稀疏鄰域選擇算法來重建圖像，該算法雖然解決了欠擬合和過擬合現(xiàn)象，但對于復(fù)雜結(jié)構(gòu)圖像的重建效果差。Yang等[7-9] 使用稀疏表示算法，利用高、低分辨率圖像塊之間的稀疏關(guān)聯(lián)建立詞典對，低分辨率的稀疏表示可用來重建高分辨圖像；雖然這種方法重建效果較好，但訓(xùn)練時間過長，字典缺乏有效性。楊玲等[9]使用K-奇異值分解（K-Singular Value Decomposition， K-SVD）方法訓(xùn)練字典，利用RGB顏色通道的稀疏表示提取彩色圖像塊，訓(xùn)練速度較快；然而直接使用低分辨率圖像本身作為訓(xùn)練集，雖保持了顏色信息，但造成特征冗余，易出現(xiàn)過擬合現(xiàn)象。Wang等[10]結(jié)合Yang[7]和Freeman[4]方法的優(yōu)點，采用稀疏表示方法對圖像中的中、低頻信息進行編碼，雖然提高了字典的有效性，但自適應(yīng)能力差，訓(xùn)練時間長。

針對傳統(tǒng)方法的缺點，本文提出一種使用改進稀疏編碼的單張圖像超分辨率算法。使用自適應(yīng)閾值的

形態(tài)組成分析（Morphological Component Analysis， MCA）方法提取低分辨率圖像的紋理和幾何結(jié)構(gòu)特征，采用高分辨率的高頻分量構(gòu)建訓(xùn)練集。針對訓(xùn)練集過大的缺點，使用主成分分析（Principal Components Analysis， PCA）算法對訓(xùn)練集進行降維，降低計算復(fù)雜度和字典尺寸。為了提高訓(xùn)練速度，使用改進的稀疏K-SVD算法進行稀疏字典的訓(xùn)練。同時，字典具有很好的靈活性和自適應(yīng)性。根據(jù)圖像塊的重疊關(guān)系，優(yōu)化求解高分辨率字典，所得字典質(zhì)量更好。在圖像重建時，利用Lab顏色空間的特點，避免顏色通道的操作對圖像一致性造成的影響。

2 本文算法

基于稀疏表示的超分辨率模型的主要內(nèi)容包含三個方面：特征提取、訓(xùn)練稀疏字典和重建超分辨率圖像。本文使用自適應(yīng)閾值的MCA方法提取低分辨圖像特征與高分辨率圖像塊的高頻分量作為訓(xùn)練集，用PCA方法對訓(xùn)練集進行降維；使用改進的稀疏K-SVD算法訓(xùn)練低分辨率字典，然后利用圖像塊的重疊關(guān)系求解高分辨率字典；在Lab顏色空間重建圖像，所得圖像質(zhì)量更優(yōu)。

2.1 稀疏字典學(xué)習(xí)

稀疏字典的訓(xùn)練方法可以分為兩類：基于分析的方法和基于學(xué)習(xí)的方法。基于分析的方法一般首先構(gòu)建數(shù)據(jù)的數(shù)學(xué)模型，然后使用一個分析結(jié)構(gòu)去表示這個模型，Wavelets、Contourlets等均屬于這類方法。在基于學(xué)習(xí)的方法中，稀疏字典是采用機器學(xué)習(xí)方法，從訓(xùn)練集中學(xué)習(xí)得到。這類方法具有很好的自適應(yīng)能力，實際應(yīng)用表現(xiàn)更好，但具有較高的計算復(fù)雜度，較多的限制條件和冗余，這類方法包含PCA、K-SVD等。

2.1.1 改進的稀疏K-SVD算法

Rubinstein等[13]在K-SVD[12]算法的基礎(chǔ)上，提出了稀疏K-SVD算法。這種算法結(jié)合了兩類學(xué)習(xí)方法的優(yōu)點，采用加入“基字典”的稀疏模型，使用這個新的參數(shù)框架訓(xùn)練字典，具有較低的計算復(fù)雜度、更好的自適應(yīng)性和穩(wěn)定性；而且稀疏K-SVD可以和任意追蹤算法組合使用，便于進行改進。

針對超分辨率傳統(tǒng)字典訓(xùn)練方法耗時長、字典質(zhì)量差的缺點，本文對使用類似Smith等[14]的方法對稀疏K-SVD進行改進，進一步提高其訓(xùn)練效率，當(dāng)處理規(guī)模較大的訓(xùn)練集時，優(yōu)勢明顯。改進措施在稀疏K-SVD的兩個主要部分進行：字典更新階段和稀疏編碼階段。在字典更新階段，通過引入“更新循環(huán)”機制，即將僅循環(huán)一次的字典更新過程循環(huán)多次。這是因為字典訓(xùn)練時間大部分消耗在稀疏編碼階段，僅進行一次更新循環(huán)往往并不能得到最優(yōu)的結(jié)果，而循環(huán)多次，也并不會明顯增加訓(xùn)練時間，反而能夠降低稀疏編碼階段的負荷，提高字典學(xué)習(xí)的效率。改進的稀疏K-SVD過程見算法2。

在稀疏編碼階段，使用上輪追蹤過程后得到的k/3個（k為系數(shù)稀疏度）最大的系數(shù)進行初始化，然后計算剩余的2k/3個系數(shù)。系數(shù)重用操作更改OMP（Orthogonal Matching Pursuit）算法并不能帶來明顯的速度提升，當(dāng)加入類似CoSaMP（Compressive Sampling Matching Pursuit）[15]中的“支集合并”和“剪枝”操作，改進Batch-OMP[17]就可以明顯地提高編碼的效率，達到快速執(zhí)行編碼的目標(biāo)。“支集合并”操作：將當(dāng)輪近似過程計算的結(jié)果與已經(jīng)計算出的集合進行合并，然后計算稀疏表示。“剪枝”操作：從由最小二乘法計算出的近似結(jié)果中選出最大的k（或者小于k）個系數(shù)。具體過程見算法1。

算法1 改進Batch-OMP算法

2.2 圖像特征提取與訓(xùn)練集構(gòu)建

由于人眼對高頻信息更加敏感，傳統(tǒng)方法一般選擇低分辨率圖像的高頻信息作為特征，例如拉普拉斯算子、高斯微分函數(shù)和梯度提取算子等。但是，它們通常只考慮到圖像的幾何特征，圖像的紋理特性被忽略掉了，無法完整地體現(xiàn)圖像的視覺特征。本文使用自適應(yīng)閾值的MCA[17]來解決這個問題。

4 結(jié)語

本文提出了一種基于改進稀疏編碼的圖像超分辨率新方法。使用MCA/MOM方法提取低分辨率特征和高分辨率的高頻分量作為訓(xùn)練集，對訓(xùn)練集進行降維，減少所需樣本數(shù)量與字典訓(xùn)練所需時間，降低字典尺寸。使用改進的稀疏K-SVD算法和優(yōu)化的字典對求解過程，能快速高效地得到超分辨重建所需字典。在Lab顏色空間重建所得圖像能夠保持顏色通道的一致性。雖然本文方法可以有效提高圖像重建質(zhì)量和計算效率，但利用圖片本身的相似性來減少訓(xùn)練所需樣本數(shù)量，提高特征提取效率；進一步提高該算法以應(yīng)用到實時系統(tǒng)中；如何應(yīng)用該算法到視頻的超分辨率重建中都將是下一步的研究方向。

參考文獻：

[1]

ZHANG X， WU X. Image interpolation by adaptive 2-D autoregressive modeling and soft-decision estimation [J]. IEEE Transactions on Image Processing， 2008，17（6）： 887-896.

[2]

MARQUINA A， OSHER S J. Image super-resolution by TV-regularization and Bregman iteration [J]. Journal of Scientific Computing， 2008，37（3）： 367-382.

[3]

TAI Y W， LIU S， BROWN M S， et al. Super resolution using edge prior and single image detail synthesis[C]// CVPR 2010： Proceedings of the 2010 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2010： 2400-2407.

[4]

FREEMAN W T， JONES T R， PASZTOR E C. Example-based super-resolution [J]. Computer Graphics and Applications， 2002， 22（2）： 56-65.

[5] CHANG H， YEUNG D Y， XIONG Y. Super-resolution throughneighbor embedding[C]// CVPR 2004： Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2004.：275-282.

[6]

GAO X， ZHANG K， TAO D， et al. Joint learning for single-image super-resolution via a coupled constraint [J]. IEEE Transactions on Image Processing， 2012， 21（2）： 469-480.

[7]

YANG J， WRIGHT J， HUANG T S， et al. Image super-resolution via sparse representation [J]. IEEE Transactions on Image Processing， 2010，19（11）： 2861-2873.

[8]

ZEYDE R， ELAD M， PROTTER M. On single image scale-up using sparse-representations [C]// Proceedings of the 7th International Conference， LNCS 6920. Berlin： Springer-Verlag， 2012： 711-730.

[9]

YANG L， LIU Y， HUANG R， et al. New approach for super-resolution from a single color image based on sparse coding [J]. Journal of Computer Applications， 2013，33（2）：472-475.（楊玲， 劉怡光， 黃蓉剛， 等. 新的基于稀疏表示單張彩色超分辨率算法[J]. 計算機應(yīng)用， 2013， 33（2）： 472-475.）

[10]

WANG J， ZHU S， GONG Y. Resolution enhancement based on learning the sparse association of image patches [J]. Pattern Recognition Letters， 2010， 31（1）：1-10.

[11]

DONOHO D L. For most large underdetermined systems of linear equations the minimal l1‐norm solution is also the sparsest solution [J]. Communications on Pure and Applied Mathematics， 2006， 59（6）： 797-829.

[12]

AHARON M， ELAD M， BRUCKSTEIN A. K-SVD： an algorithm for designing of overcomplete dictionaries for sparse representation [J]. IEEE Transactions on Signal Processing， 2006，54（11）： 4311-4322.

[13]

RUBINSTEIN R， ZIBULEVSKY M， ELAD M. Double sparsity： learning sparse dictionaries for sparse signal approximation [J]. IEEE Transactions on Signal Processing， 2010，58（3）：1553-1564.

[14]

SMITH L N， ELAD M. Improving dictionary learning： multiple dictionary updates and coefficient reuse [J]. Signal Processing Letters， 2013， 20（1）： 79-82.

[15]

NEEDELL D， TROPP J A. CoSaMP： iterative signal recovery from incomplete and inaccurate samples [J]. Applied and Computational Harmonic Analysis， 2009，26（3）： 301-321.

[16]

RUBINSTEIN R， ZIBULEVSKY M， ELAD M. Efficient implementation of the K-SVD algorithm using batch orthogonal matching pursuit [R/OL]. [2012-10-10].http：///en/document/view/6635304/efficient-implementation-of-the-k-svd-algorithm-using-technion.

[17]

STARCK J L， MOUDDEN Y， BOBIN J， et al. Morphological component analysis[C]// Proceedings of the 11th SPIE Conference on Signal and Image Processing： Wavelet Applications in Signal and Image Processing. San Diego： SPICE， 2005， 59（14）：1-15.

[18]

BOBIN J， STARCK J L， FADILI J M， et al. Morphological component analysis： an adaptive thresholding strategy[J]. IEEE Transactions on Image Processing， 2007，16（11）： 2675-2681.

[19]

NING Q， CHEN K， YI L， et al. Image super-resolution via analysis sparse prior[J]. Signal Processing Letters， 2013， 20（4）： 399-402.

[20]

IRANI M， PELEG S. Motion analysis for image enhancement： resolution， occlusion， and transparency[J]. Journal of Visual Communication and Image Representation， 1993， 4（4）： 1993-12.

篇5

關(guān)鍵詞：圖像處理；非線性畸變；灰度校正

中圖分類號：TP391.41 文獻標(biāo)識碼：A 文章編號：1007-9599　（2012）　18-0000-02

用于普通掃描儀器掃描的書籍的時候由于裝訂線部分的部分無法與玻璃板緊貼，從而會使得掃描圖像失真，不僅不利于閱讀，也不利于光學(xué)識別（orc）。為了解決這個問題必須對這個圖像進行校正。

基于以上分析，本文提出了一種圖像校正方法，解決了包括背景灰度不均勻非線性畸變的校正方法，效果良好。

1 背景灰度非線性畸變校正

因為書籍的書脊部分遠離掃描平面，并且有一定的傾斜角度，所以無法完全反射掃描儀發(fā)出的光，會出現(xiàn)掃描圖像對應(yīng)部分亮度下降的問題，造成靠近書脊裝訂線的部分頁面出現(xiàn)黑影，并且明暗不均。越靠近中間書脊線的部分，越暗，灰度值越低，整個灰度值變化呈水平方向變化。

1.1 背景灰度畸變校正相關(guān)算法

目前主要的背景灰度畸變校正算法是采用背景灰度直方圖估計法，來修正背景灰度值的分布。

背景灰度直方圖估計法的原理：

首先估計出原始圖像背景灰度分布，根據(jù)與標(biāo)準(zhǔn)圖像背景灰度分布的比較，計算對比因子。然后根據(jù)灰度對比因子，恢復(fù)原始圖像的背景灰度值至標(biāo)準(zhǔn)圖像背景灰度。

對于原始圖像背景灰度分布估計主要有兩種方法：

（1）通過采樣法，估計灰度分布。圖像背景灰度不均勻分布，越靠近裝訂線背景越暗，灰度越小。在水平方向某一位置上，由于垂直方向上頁面離開玻璃平板的距離基本一致，所以垂直方向上圖像背景灰度也基本一致，所以空變的背景灰度只是在水平方向變化的一個函數(shù)。我們?nèi)∫粋€采樣窗口，以窗口內(nèi)像素灰度直方圖計算該處的背景灰度，采樣窗口的設(shè)置需要符合兩個標(biāo)準(zhǔn)：（1）每個區(qū)域內(nèi)的像素點足夠多，以使統(tǒng)計直方圖有意義。（2）區(qū)域不要太大，區(qū)域內(nèi)明暗應(yīng)是基本均勻的。對于給定的采樣窗口，背景是窗口中出現(xiàn)頻率大的灰度區(qū)域，為此選取采樣窗口內(nèi)像素的灰度直方圖中頻率最大的15個灰度值，并由此計算這些灰度值上的像素平均灰度。此值為該處的背景灰度。隨著采樣窗口沿水平方向移動，可以得到一系列直方圖，從而算出不同列上的背景灰度，為了把暗的背景校正為正常的背景灰度，定義背景灰度因子：　，　為第n列的背景灰度，　為書頁緊貼玻璃平板處的各列圖像背景灰度的平均值，即為標(biāo)準(zhǔn)圖像的背景灰度。那么根據(jù)掃描結(jié)果得出的空間變化的背景灰度因子　，就可以使用這個公式　進行校正恢復(fù)。其中f（m，n）為原始畸變樣圖灰度值，g（m，n）為校正后的圖像灰度值。

（2）通過投影法，估計灰度分布。根據(jù)圖像分布的特點，第一步為去除圖像四周的黑色區(qū)域。這里采用垂直和水平投影（即在水平或者垂直方向上求出像素的累加和）的方式，通過LoG算子找到突變區(qū)域為黑白分界線的位置。第二步為估計圖像照度分布。由于掃描圖像的對稱性特點，照度的變化主要體現(xiàn)在水平方向的變化上。所以對圖像做垂直投影，得到圖像在水平方向的亮度變化曲線。對曲線進行高斯平滑，濾除字符和噪聲等的干擾，再將曲線歸一化到0～255的范圍內(nèi)（即根據(jù)最大值和255的比值對曲線進行縮放），再擴展為圖像大小的矩陣，使矩陣的每一行等于剛才求得的曲線，即得到照度圖像。根據(jù)照度圖像對原始圖像進行照度歸一化（即，照度不足的區(qū)域使其變亮，照度充足的區(qū)域不變），即可達到消除陰影的目的。

2 背景灰度畸變校正的改進算法

基于對上述兩種主要背景灰度畸變校正算法的研究，針對其不足之處，本文作出了一些改進，使其效果更好，效率更高。改進算法具體描述如下：

（1）提取背景灰度因子分布；

（2）對窗口采樣法和投影法分析研究；

（3）采樣法校正后會在部分頁面出現(xiàn)灰度不連貫的塊狀條紋。

投影法校正后會使得部分頁面區(qū)域灰度過白，過亮，特別是在書籍文字內(nèi)容區(qū)域。

從比較中可以知道，造成圖像校正效果誤差的原因主要是來自背景灰度估計的不連續(xù)性。從圖中的小波峰，小波谷，和鋸齒跳變可以看到因為書籍文字內(nèi)容的分布不均勻，造成背景灰度采樣和投影的估計會出現(xiàn)跳變和誤差。

采樣法主要通過設(shè)置采樣窗口，然后統(tǒng)計窗口內(nèi)像素灰度直方圖，選取采樣窗口內(nèi)像素的灰度直方圖中頻率最大的15個灰度值，并由此計算這些灰度值上的像素平均灰度。此值為該處的背景灰度，水平移動得到整個圖像的背景灰度分布。因為在遠離書脊中線的兩邊部分頁面是緊貼掃描平板的，所以定義遠離書脊中線的部分頁面背景灰度像素值為標(biāo)準(zhǔn)背景灰度值。通過整個圖像背景灰度和標(biāo)準(zhǔn)背景灰度值做比較，得到背景灰度因子分布圖。

所以關(guān)鍵之處是在于背景灰度因子的估計，而背景灰度因子的估計主要取決于采樣窗口的灰度直方圖。

我們可以分析到，在采樣窗口內(nèi)由于部分文字內(nèi)容的灰度像素值也會出現(xiàn)較大的頻率，而我們選取了采樣窗口內(nèi)像素的灰度直方圖中頻率最大的15個灰度值，所以很大程度會對背景灰度的估計產(chǎn)生誤差，這也是部分頁面出現(xiàn)塊狀條紋的主要原因。這也是我們改進的主要部分。

投影法主要是通過對每列像素值進行投影累加，然后選取投影累加后像素和最大的為標(biāo)準(zhǔn)背景灰度，再用每列的投影累加后的像素和去和定義的標(biāo)準(zhǔn)背景灰度去對比，得到照度分布。也是由于書籍中部分文字內(nèi)容分布不均，有黑體字，所以造成部分列的投影出現(xiàn)偏差，得到的照度就會出現(xiàn)跳變，造成校正的效果有部分頁面出現(xiàn)過亮現(xiàn)象，部分文字模糊.而投影法定義的對每列投影累加，使得改進的地方很少，所以選取采樣窗口法對非線性灰度畸變進行校正。

篇6

關(guān)鍵詞： 吐蕃；小邦制；西北諸族；影響

中圖分類號：C951

文獻標(biāo)識碼：A

文章編號：1005－5681 2012 02－0083-04

Further Discussion on the Evolution of Tubo Chieftain System and the Outside Influence

YANG Ming

Abstract: According to the book Tubo Historical Document from Dunghuang version, there were a large number of chieftains in the Qinghai-Tibet plateau before founding up of the Tubo Kingdom by Songzanganpu. After having succumbed to the Tubo kingdom, most of the chieftains changed into local substantive authorities. In the second half of the Tubo Kingdom, only three small chieftains survived: Axia, Gongbu and Nyiangbu. With the help of Han and Tang historical records, the author found that the Tibetan chieftain system was influenced by the Minority Chieftain system in the northwestern area during Han and Tang dynasties. Thus the paper indicates that in the aspect of the political system, there was some interplay between the Tubo kingdom and the ethnic groups in the northwestern area.

Key words: Tubo Kingdom; chieftain system;northwestern ethnic groups;influence

據(jù)《敦煌本吐蕃歷史文書》等古藏文文獻記載，松贊干布建立吐蕃王朝之前，青藏高原上小邦（rgyal phran）林立，小邦之王稱為“小王”（rgyal phran bgyid pa）。對此，臺灣學(xué)者林冠群著有《唐代吐蕃的杰琛（rgyal phran）》一文，詳盡地考證了吐蕃王朝建立前后rgyal phran的分布及其變化。{1}而筆者在此基礎(chǔ)上，試圖進一步探討吐蕃小王制的演變，及其如何受到漢唐間西北諸族小王制的影響。

一、 傳說時代的吐蕃“小邦”

法國藏學(xué)家石泰安曾經(jīng)在其名著《川甘青藏走廊古部落》中指出：綜合《紅史》、《苯教源流史》以及《國王遺教》等藏文文獻的敘事方法，經(jīng)過了一系列不同的時代，每一個時代又都由一種特殊的魔鬼或小神所主宰。如：

第一個時代由夜叉或魔所控制；

第二個時代由怪所統(tǒng)治；

第三個時代由龍神所統(tǒng)治；

第四個時代由瑪桑所主宰，瑪桑六兄弟就是在這個時候歸降的；

第五個時代由部落、氏族神所壟斷；

第六個時代由十二位小國王（rgyalphran silma bcugnyis）或國王們所控制；

第七個時代由吐蕃的君主，即聶赤贊普所統(tǒng)治。[1]

而《賢者喜宴》在“吐蕃人類的起源”之后，具體地提出了十二個 “小王國”的順序表，說到：

如是，人類眾生廣為繁衍。其時有十二小邦，然而，最后則有四十小邦割據(jù)。

1.琛地之楚許，琛王名古雍，大臣為囊及亭。

2.香雄之地，王為黎納許，大臣為瑪及熱桑。

3.娘若瓊嘎之地，藏王為童嘎，大臣為囊。

4.努域陵古地區(qū)，努王為米巴，大臣為梅鳥及卓 。

5.娘若香波地區(qū)，以洛昂王為鐘，大臣為謝及蘇。

6.吉日群云地區(qū)，有吉王為芒布，大臣為昂及卓。

7.昴雪查納地區(qū)，有森王遲昌松，大臣為噶爾及年。

8.約甫邦卡地區(qū)，有邢王敦誠，大臣為俄及貝。

9.芝顯瑞莫貢地區(qū)，有昌王貢囊，大臣為窄及秀。

10.工域芝納地區(qū)，有工王嘎布，大臣為督及卡巴

11.娘域納松地區(qū)，有娘尊囊杰為王，大臣為蒲及托杰。

12.達域楚奚地區(qū)，有達王莽波杰，大臣為朗及岡木二人。

篇7

關(guān)鍵詞：小波變換；遙感圖像；圖像超分辨率重建

1 引言

遙感技術(shù)是從遠距離感知目標(biāo)反射或自身輻射的電磁波、可見光、紅外線，對目標(biāo)進行探測和識別的技術(shù)。例如航空攝影就是一種遙感技術(shù)。人造地球衛(wèi)星發(fā)射成功，大大推動了遙感技術(shù)的發(fā)展。現(xiàn)代遙感技術(shù)主要包括信息的獲取、傳輸、存儲和處理等環(huán)節(jié)。完成上述功能的全套系統(tǒng)稱為遙感系統(tǒng)，其核心組成部分是獲取信息的遙感器。遙感器的種類很多，主要有照相機、電視攝像機、多光譜掃描儀、成象光譜儀、微波輻射計、合成孔徑雷達等。傳輸設(shè)備用于將遙感信息從遠距離平臺（如衛(wèi)星）傳回地面站[1]。但是受遙感器成像系統(tǒng)的分辨率極限、調(diào)制傳遞函數(shù)及信噪比，以及大氣傳播介質(zhì)干擾等方面的影響，往往難以直接獲得分辨率高、模糊變形少的高質(zhì)量遙感圖像。若通過提高圖像采集設(shè)備傳感器的密度來提高遙感圖像分辨率，由于攝像儀器的傳感器排列密度的限制和高昂的設(shè)備價格使得這類方法在一般應(yīng)用難以被廣泛接受和應(yīng)用。提高圖像分辨率的另一方法是提高芯片尺寸，但這將導(dǎo)致電容的增加和電荷轉(zhuǎn)移速度的下降。于是通過超分辨率圖像重建技術(shù)提高圖像分辨率成為研究熱點。該方法提高圖像分辨率不受成像硬件裝置的分辨力限制，也降低了獲取高分辨率圖像的成本。

超分辨率圖像重建的方法很多，本文主要介紹基于小波的方法。小波算法是一種電子技術(shù)的科學(xué)算法，是用于圖形壓縮并識別的一種高效的算法。目前應(yīng)用于各個需要對數(shù)據(jù)進行壓縮識別的領(lǐng)域。作為圖像處理的工具，小波具有強大的功能。近年來，越來越多的研究人員開始使用小波來實現(xiàn)超分辨率圖像的重建。最初將小波理論應(yīng)用于超分辨率圖像重建的是Ford和Etter[2]，他們于1998年提出了一個基于一維多分辨小波基的超分辨率重構(gòu)算法，該算法針對非一致采樣的一維信號進行重建。2000年，Nguyen[3]等人將該方法拓展為基于多分辨框架的二維超分辨率圖像重建算法。這些方法都是基于小波插值理論的算法，沒有考慮噪聲的影響。本文利用小波的多分辨分析的思想對低分辨率圖像的二維模型進行分解后，得到行和列方向的信息后進行重建得到分辨率更高的圖像。

2 基于小波的遙感圖像超分辨率重建

2.1 小波的二維多分辨分析

多分辨分析是小波理論中最為重要的部分，并在實際中得到廣泛應(yīng)用。設(shè)二維信號f（x，y）∈L2（R2），對任一尺度可以將子空間Vm+1分解為四個子空間的直和，其表達式如下

上式中的上標(biāo)d，h，v分別表示對角、水平、垂直方向，式子右邊四個空間分別可以寫成兩個一維子空間 和 的Kronecker積，如下所示

上式中上標(biāo)“（1）”是用來區(qū)分一維和二維子空間的。那么二維信號f（x，y）可以分解為

2.2 基于小波的圖像超分辨率重建

假設(shè)一幅低分辨率圖像有M×N個像素，經(jīng)過重建后得到的高分辨率圖像的分辨率是低分辨率圖像的r倍，f（x，y）表示坐標(biāo)為x，y像素的灰度值。將f（x，y）代入（1）式當(dāng)中，分解得到某個尺度M上的擬合圖像與尺度M或更高尺度上的水平、垂直和對角方向上的細節(jié)信息。其中 。需要求解的是尺度系數(shù) 和各方向上的小波系數(shù) ，分別為

在選定小波的情況下， 都是已知的，將已知的低分辨率圖像帶入上式，組成關(guān)于α和 的超定方程組，通過迭代和正則化方法來解方程可以得到α，由 可以依次求得 。

3 實驗

實驗采用245×245大小拍攝船舶的遙感圖像如圖一，采用db2小波進行二層分解如圖二，最后重建得到更高分辨率圖像，如圖三。

4 結(jié)論

遙感圖像經(jīng)過小波方法處理后，分辨率得到明顯改善，充分顯示了小波理論在圖像處理應(yīng)用中的強大功能。有些文獻中介紹了基于學(xué)習(xí)的方法選擇尺度系數(shù)和小波系數(shù)，這種方法使得重建的效果更好。

[參考文獻]

[1]朱光良.高分辨率衛(wèi)星遙感技術(shù)發(fā)展與應(yīng)用問題的思考.浙江教育學(xué)院學(xué)報，2003.

[2]N.Nguyen and P.Milanfar，A wavelet-based interpolation-restoration method for Superresolution（wavelet superresolution）.Circuits Systems Signal Processing. Vol.19（4），2000：321-338.

[3]Rafael C.Gonzalez and Richard E.Woods.Digital Image Processing.2006.

篇8

關(guān)鍵詞： DSP； CPLD； 圖像采集； 圖像處理

中圖分類號： TN919?34； TP368 文獻標(biāo)識碼： A 文章編號： 1004?373X（2013）24?0081?05

Development of portable image acquisition device

WU Jie1， ZHU Ling?ming2， WANG Zhi?kun3， SONG Xiao?ru1

（1. School of Electron Information Engineering， Xi’an Technological University， Xi’an 710032， China；

2. Hunan Aerospace Management Bureau， Changsha 410205， China；

3. The 7801 Institute， China Aerospace Science and Industry Corporation， Changsha 410205， China）

Abstract： The image acquisition hardware system designed in this paper， taking DSP and CPLD are as the core， has the functions of the acquisition and quick processing of the digital signal output by image sensor. It is composed of power supply module， DSP peripheral circuit， digital image processing module and CPLD logic control module. It has the merits of small volume， low cost， flexible online programming， perfect real?time processing， etc. It can solve the practical application conflicts among the weight， size， cost， etc. It has the universality for amount of data which is less than 512 K×8 b. The debugging results show that the image acquisition system achieve the expected goal.

Keywords： DSP； CPLD； image acquisition； image processing

0 引 言

隨著現(xiàn)代高科技電子技術(shù)的快速發(fā)展，圖像采集與處理，尤其是嵌入式圖像采集處理得到越來越廣泛的應(yīng)用。而傳統(tǒng)基于計算機的圖像采集處理系統(tǒng)，應(yīng)用CCD圖像傳感器和視頻解碼芯片實現(xiàn)的圖像采集系統(tǒng)，硬件組成復(fù)雜，體積龐大，不便于攜帶[1]。DSP（Digital Signal Processor）微處理器所特有的性能已被廣泛應(yīng)用于要求處理速度快、實時性要求高的各種場合，比如：信號處理能力比較強，體積較小，實時性相對高，便攜性好等；而CPLD（Complex Programmable Logic Device）是EDA技術(shù)的不可缺少的組成部分之一。其特點是開發(fā)周期短、成本相對比較低、設(shè)計靈活性能比較強等。本文以DSP微處理器和CPLD為核心，應(yīng)用CMOS圖像傳感器的圖像采集處理系統(tǒng)既能較好滿足處理的實時性又能滿足小型化便攜式的要求，有著十分廣泛的應(yīng)用前景。

1 便攜式圖像采集器系統(tǒng)總體方案設(shè)計

本系統(tǒng)主要由圖像采集和圖像處理兩大部分組成。DSP微處理器是系統(tǒng)的核心，負責(zé)圖像處理，同步邏輯時序控制主要由CPLD來完成，圖像采集當(dāng)然由圖像傳感器OV7660來完成。本文將圖像數(shù)據(jù)采集和處理集成到同一系統(tǒng)中，實現(xiàn)嵌入式的最大特點，減小硬件電路的體積大小，把可編程邏輯器件的優(yōu)勢發(fā)揮盡致，提高整個系統(tǒng)的性能。USB接口方便了圖像數(shù)據(jù)的輸出。系統(tǒng)框圖如圖1所示。

2 圖像采集模塊

CMOS傳感器具有功耗小、成本低、便于集成等優(yōu)點[1]。OV7660的驅(qū)動過程遵循SCCB（Serial Camera Control Bus）協(xié)議。

圖1 系統(tǒng)的整體框圖

通過對僅需要更改的數(shù)據(jù)寄存器操作寫數(shù)據(jù)，即可設(shè)置OV7660的寄存器值。因而文中采用三相寫數(shù)據(jù)的方法。當(dāng)SIO_C為高電平時，OV7660的ID地址被發(fā)送，再把寄存器地址送入，接著要寫入寄存器中的數(shù)據(jù)送入；最后當(dāng)SIO_C為高電平時，使SIO_D信號大約保持低0.6 μs的高電平，再保持1.3 μs的高電平，即滿足結(jié)束條件。

根據(jù)CMOS圖像傳感器OV7660的數(shù)據(jù)手冊中輸出數(shù)據(jù)時序圖[2]，可知傳感器在輸出一幀同步信號（VSYNC）后，即輸出一幀的數(shù)據(jù)。這一幀幀包括了144行圖像數(shù)據(jù)。然后在輸出1行數(shù)據(jù)時，輸出HREF行同步信號。在PCLK像素同步信號的上升沿穩(wěn)定輸出，其中每行輸出176個像素點。分析OV7660的時序圖可知，VSYNC即幀同步信號，表示1幅圖像數(shù)據(jù)開始采集。因此其可作為DSP的中斷信號輸，初始化接收和傳送圖像數(shù)據(jù)的DSP內(nèi)部外設(shè)。

3 硬件系統(tǒng)設(shè)計

系統(tǒng)硬件設(shè)計主要包括電源模塊、DSP電路模塊（時鐘電路、復(fù)位電路、外擴存儲器等模塊電路）、數(shù)字圖像處理器電路模塊和CPLD邏輯控制模塊等。

3.1 嵌入式微處理器DSP的電路模塊

3.1.1 電源模塊

設(shè)計電源模塊電路時，尤其是嵌入式系統(tǒng)，通常需考慮功率和散熱問題。TMS320VC5402是DSP微處理器的典型芯片之一。其具有較好的電源性能，可雙電源供電方式，其工作電壓等級分別為3.3 V和1.8 V。考慮到雙電壓和上電次序，選擇了TI公司專用電源芯片TPS73HD301。其性能指標(biāo)：輸入電壓等級3.97～10 V，輸出電壓中，一路為3.3 V，另一路是可調(diào)的，其輸出范圍為1.2～9.75 V，芯片自身保證上電順序；其電源電路硬件結(jié)構(gòu)圖如圖2所示。

3.1.2 存儲器擴展

對于圖像處理往往對存儲器容量的要求比較高，而VC5402的內(nèi)部存儲器資源很難滿足要求，因而對其外部存儲器的擴展是必要的。

圖2 電源模塊原理圖

（1）擴展程序存儲空間

由于文中大致有101 376×8 b的實驗數(shù)據(jù)量，因而VC5402的本身數(shù)據(jù)空間遠遠不能滿足要求，存儲擴展是必須的。由于采集的圖像數(shù)字暫時不存放在數(shù)據(jù)空間（由于考慮到較為復(fù)雜的數(shù)據(jù)空間），直接將其存儲在程序空間。

考慮到本課題實驗用到的圖像系統(tǒng)的速度、電壓和容量等參數(shù)要求，選用擴展的程序存儲芯片是ISSI公司的靜態(tài)RAM芯片IS62LV51216AL。該芯片特性：512K×16 b的容量大小，最短10 ns的讀取時間，將，每頁32 Kb大小，共4頁的SRAM，即共128 Kb的容量，這樣是可以滿足圖像數(shù)據(jù)容量的要求。

圖3 數(shù)據(jù)存儲器的擴展圖

采集圖像是通過CPLD_AB和OV7660_ DB給數(shù)據(jù)存儲RAM中寫如采集處理的圖像數(shù)據(jù)信息。5片74LV245芯片可以實現(xiàn)CPU的AB、DB與數(shù)據(jù)存儲RAM隔離驅(qū)動，整個采集系統(tǒng)的工作效率大大提高。當(dāng)一幀圖像數(shù)據(jù)采集完后，傳感器OV7660采集停止，CPLD釋放RAM總線的控制權(quán)，同時采集完成的中斷信號通知微處理器讀取并處理數(shù)據(jù)。圖3中的74LV245被選通，數(shù)據(jù)存儲器RAM總線釋放給CPU控制權(quán)，來讀取圖像信息，完成圖像處理。處理結(jié)束后，微處理器釋放RAM總線的控制權(quán)，通知CPLD開始采集下一幀圖像。

（2 擴展數(shù)據(jù)存儲空間

便攜式器件最大的特點是需要脫機運行，因此必須考慮到存放脫機程序。一些重要的啟動程序、應(yīng)用軟件及重要數(shù)據(jù)等存儲在FLASH存儲器中，主要是利用了可擦寫，易操作等的最大的特點。AT49LV4096A芯片是ATMEL公司的一款典型低功耗的FLASH存儲器，其電壓等級為3.0～3.6 V，512K×8 b或256K×16 b的存儲容量，數(shù)據(jù)可以保存100年以上，高達10萬次的可重復(fù)編程次數(shù)。

圖4 FLASH存儲的電路

3.2 圖像數(shù)據(jù)采集模塊

OV7660圖像數(shù)據(jù)采集系統(tǒng)主要完成圖像數(shù)據(jù)采集，其圖像數(shù)據(jù)總線、幀圖像數(shù)據(jù)時鐘、幀同步信號、行同步信號與CPLD圖像數(shù)據(jù)接收緩存板相連。其電路結(jié)構(gòu)圖如圖5所示。

圖5 CMOS數(shù)字圖像傳感器的電路圖

該系統(tǒng)設(shè)計采用OV7660的電路如圖5所示。其中， UV0～UV7及Y0～Y7是圖像數(shù)據(jù)的輸出總線，VSYNC是圖像幀同步信號，HREF是圖像的行同步信號，PCLK是圖像數(shù)據(jù)時鐘在時鐘的上升沿，圖像數(shù)據(jù)發(fā)生跳變。SBB引腳接跳線，用于設(shè)置OV7660在復(fù)位時讀取引腳狀態(tài)或I2C方式配置；PWDN引腳接地，OV7660不能工作在睡眠模式；UV0～UV7，Y0～Y7，XCLK1，HSYNC，VSYNC，PCLK，HREF，F(xiàn)ODD，F(xiàn)REX接26針的插座，與CPLD相連，由CPLD輸出時鐘和控制信號控制OV7660。

3.3 CPLD邏輯控制電路

本課題控制的核心是CPLD模塊。芯片的存儲、時序控制和讀寫控制邏輯等是本設(shè)計的主要內(nèi)容。微處理器DSP數(shù)據(jù)和程序空間的尋址靠[DS]，[PS]以及[MSTRB]等信號來完成。其中[DS]，[PS]以及[MSTRB]等信號來完成微處理器的數(shù)據(jù)空間和程序空間的尋址。

相應(yīng)的器件選通后，CPLD實現(xiàn)譯碼功能，可大大簡化硬件設(shè)計，比如SRAM、FLASH等的選通和控制，簡化了DSP微處理器的軟件設(shè)計量，系統(tǒng)的可擴展性增強了。為了更進一步完善系統(tǒng)性能，更多的邏輯控制可以利用CPLD來實現(xiàn)，CPLD控制模塊功能框圖如圖6所示。

圖6 CPLD的邏輯框圖

如圖6所示的CPLD邏輯功能說明如下：

（1）當(dāng)CPLD與DSP通信時，通過讀取XF電平和HOLD信號，來申請和釋放總線控制權(quán)，來解決總線沖突問題；

（2）當(dāng)圖像采集過程時，圖形采集器OV7660的HREF，VSYNC同步信號及時鐘信號PCLK，可以邏輯控制數(shù)據(jù)鎖存，產(chǎn)生地址信號，靜態(tài)存儲的讀、寫和片選信號；

（3）微處理器的控制信號（比如：片選RAM_CE、允許RAM_OE、寫信號RAM_WE、片選Flash_CE、允許Flash_OE及寫信號Flash_WE）和高位地址分頁信號（A15，A16）在處理外部靜態(tài)存儲器和FLASH時，可以完成了鎖存和譯碼的功能。

CPLD編程使用時，當(dāng)HREF為高電平時，像素同步信號PCLK的分頻時鐘2PCLK是準(zhǔn)確的；Y信號輸出有效，將并行轉(zhuǎn)為串行數(shù)據(jù)，即分頻時鐘2PCLK為并串轉(zhuǎn)換電路的使能信號，其則轉(zhuǎn)化時鐘是實現(xiàn)對微處理器的多功能緩沖串口McBSP的初始化，由McBSP的BCLKR同步接收時鐘來提供。CPLD軟件也可實現(xiàn)串并轉(zhuǎn)換功能，如圖7所示。

圖7 CPLD完成的時序轉(zhuǎn)換功能

3.4 圖像數(shù)據(jù)接收和傳輸

如圖8所示為圖像處理中數(shù)據(jù)的接收和保存。微處理器DSP內(nèi)置的外設(shè)可以用來接收和傳輸圖像數(shù)據(jù)。圖中McBSP多功能緩沖串口可以接收圖像數(shù)據(jù)[2]。DSP微處理器接收數(shù)據(jù)通過BDR口，以8位為一幀打包。BFSR接收幀同步信號以一幀8位信號來接收確定。微處理器DSP發(fā)出的BCLKR圖像發(fā)送時鐘信號，作為圖像數(shù)據(jù)并串轉(zhuǎn)換的時鐘，通過BDR數(shù)據(jù)接收口接收串行的圖像信息。接收到的信息暫存在RAM數(shù)據(jù)緩存區(qū)，同時也可以通過通信口送到上位機保存。

圖8 圖像數(shù)據(jù)接收和保存連接圖

4 系統(tǒng)軟件設(shè)計

系統(tǒng)軟件設(shè)計主要包括DSP微處理器和CPLD邏輯控制兩大部分。DSP微處理器作為整個系統(tǒng)的控制核心單元，主要負責(zé)系統(tǒng)的初始化、圖像的采集和處理以及LED顯示等功能；而CPLD邏輯控制功能適合系統(tǒng)的實時性要求。系統(tǒng)軟件流程圖如圖9所示。

系統(tǒng)上電后，首先通過TPS73HD301的復(fù)位引腳進行復(fù)位工作。復(fù)位后，系統(tǒng)運行內(nèi)部Bootloader程序，將用戶程序搬運至指定地址后轉(zhuǎn)移到程序入口開始主程序的執(zhí)行。微處理器的I/O端口（McBCP多功能緩沖串口）可以用來模擬圖像采集需要的SCCB可以對總線協(xié)議。可以實時發(fā)送采集圖像的信號，可以對數(shù)字圖像傳感器OV7660進行初始化，還可以將采集到的并行數(shù)據(jù)轉(zhuǎn)換為串行數(shù)據(jù)。同時OV7660的幀同步信號發(fā)出中斷信號給DSP微處理器后。這樣啟動圖像數(shù)據(jù)接收和傳輸?shù)奈⑻幚砥鳎聪鄳?yīng)的圖像處理功能在DSP內(nèi)部執(zhí)行。圖像處理結(jié)束后，進入下一輪數(shù)據(jù)采集處理。

圖9 系統(tǒng)軟件流程圖

5 系統(tǒng)測試

本系統(tǒng)中CPLD可編程邏輯技術(shù)提供存放圖像信息的SRAM數(shù)據(jù)存儲器的數(shù)據(jù)線、地址線、片選信號線和讀寫信號線等。當(dāng)進行數(shù)據(jù)采集時，數(shù)據(jù)存儲器的地址信號SRAM由計數(shù)器產(chǎn)生。其中用來作為地址計數(shù)器的計數(shù)時鐘的是數(shù)據(jù)同步時鐘信號PCLK。參考圖像傳感器OV7660的輸出時序圖，同PCLK下沿同步數(shù)據(jù)輸出。因此文中用數(shù)據(jù)同步時鐘信號PCLK的上升沿鎖存，從而避免數(shù)據(jù)轉(zhuǎn)換時產(chǎn)生的不確定狀態(tài)。因此，在采集之前，假設(shè)初始地址是零，在數(shù)據(jù)同步時鐘信號PCLK的上升沿實現(xiàn)地址加1操作，從而滿足數(shù)據(jù)地址，相應(yīng)地，HREF和PCLK反相分別作為片選信號和讀寫信號[2]。

CPLD檢測DSP的XF為高電平時，說明TMS320VC5402馬上就要訪問存儲器。外部ROM存儲空間對應(yīng)SRAM，外部RAM存儲空間對應(yīng)FLASH存儲器。當(dāng)微處理器訪問存儲器時，CPLD綜合邏輯控制可以產(chǎn)生各個選通信號，其波形仿真圖如圖10所示。

具體的圖像數(shù)據(jù)的采集驗證如圖10所示。由圖10看出UV總線和Y總線輸出的幀圖像的各像素點的原始RGB值，在行有效時（HREF為高電平）為41，37，11（R1，G1，B1）；40，44，11（R2，G2，B2）等。

6 結(jié) 語

本設(shè)計的總體方案為以CPLD控制圖像的采集，微處理器DSP主要負責(zé)圖像數(shù)據(jù)的處理。本圖像采集處理系統(tǒng)最大的特點：較小的體積，較低的成本，且在線靈活編程，實時性較高等。本課題設(shè)計的圖像采集系統(tǒng)實現(xiàn)了圖像傳感器OV7660輸出的數(shù)字信號，可實時快速地進行采集并處理，尤其是圖像容量小于512K×8 b容量的圖像采集處理具有通用性。

圖10 圖像數(shù)據(jù)采集實驗結(jié)果圖

本文所設(shè)計的圖像采集處理器配合相關(guān)的硬件，充實有關(guān)的軟件，其應(yīng)用領(lǐng)域還是比較廣泛的。比如：醫(yī)療設(shè)備中圖像的采集處理、指紋識別、人臉識別等。因此本次設(shè)計的圖像處理系統(tǒng)，若是更完善，應(yīng)用前景會更廣闊，也將會有顯著的社會效益和經(jīng)濟效益。

參考文獻

[1] 涂曉昱.基于DSP的通用實時圖像系統(tǒng)設(shè)計和研究[D].杭州：浙江大學(xué)，2004.

[2] Anon. OV7660FSG/OV7660FSL color VGA （640*480） concept camera module with Omni Pixel TM technology， version 1.2 [DB/OL]. [2005?04?13]. http：//.

[3] ZARNOWSHI J. Active?pixel CMOS sensor improves their image [J]. Laser Focus World， 1999， 35（7）： 111?116.

[4] 李芳.DSP在圖像處理中的應(yīng)用[D].杭州：浙江大學(xué)，2006.

[5] 胡曉飛，殳國華，張士文.基于視頻處理芯片和CPLD的實時圖像采集系統(tǒng)[J].電子技術(shù)，2002（10）：28?30.

[6] 吳繼華，王誠.Altera FPGA/CPLD設(shè)計[M].北京：人民郵電出版社，2005.

[7] CHANG M. Teaching top?down design using VHDL and CPLD [C]// Proceedings of IEEE Frontiers in Education Conference. Salt Lake City， UT： IEEE， 1996， 2： 514?517.

[8] 施先旺，王鵬武.發(fā)動機工況實時調(diào)節(jié)軟件設(shè)計[J].火箭推進，2012（5）：70?76.

篇9

關(guān)鍵詞:圖像分享;(t,n)門限;像素灰度值域GF(2m);代數(shù)幾何編碼;m位像素值的分拆與并行

中圖分類號: TP309.7文獻標(biāo)志碼:A

Secret image sharing and its algebraic coding method

英文作者名WANG Xiao-jing, FANG Jia-jia*, CAI Hong-liang, WANG Yi-ding

英文地址(Chengdu Institute of Computer Applications, Chinese Academy of Sciences, Chengdu Sichuan 610041,China)

Abstract: Image sharing is an attractive research subject in computer image information security field. Seeking for Perfect and Ideal image threshold secret sharing scheme (i.e. the complete image sharing scheme) is one of the unresolved challenging problems. By introducing into the methods of pixel matrix secret sharing over pixel value field GF(2m) and algebraic-geometry coding, a complete scheme of image sharing with a (t, n) threshold structure was achieved in this paper. The scheme could encode secret images into n shadow images in such a way that all the shadow images were in a Perfect and Ideal (t, n) threshold structure, while each shadow image had its own visual content assigned at random. This approach to image sharing was able to be applied to the new information carrier technology, e.g. network multipathed transmission of secret image in high security level, distributed storage control of secret image, bar-code in k dimension and Popcode. This paper also presented a method to cut down a great deal of computational time for image sharing based on a pixel field GF(2m), called "partition and paralleling of m-bit pixel".

Key words: image sharing; (t,n) threshold; pixel value field GF(2m); algebraic-geometry coding; partition and paralleling of m-bit pixel

0引言

給定正整數(shù)t≤n,如何將一幅秘密圖像映射成n幅影子圖像(即n個具有視覺意義的份額圖像),使得從其中任何t個以上份額都可恢復(fù)秘密圖像,而少于t個份額則無法恢復(fù)原秘密圖像，屬于視圖的(t,n)門限秘密分享研究范圍。視圖秘密分享的目的是通過影子圖像及其準(zhǔn)入結(jié)構(gòu)來保護秘密圖像信息,影子圖像的外在偽裝視覺內(nèi)容可以避免敵手的猜疑和攻擊,而影子圖像的準(zhǔn)入結(jié)構(gòu)是為了保證圖像分享在密碼學(xué)意義上的安全性,(t,n)門限結(jié)構(gòu)則是一種備受青睞的準(zhǔn)入結(jié)構(gòu)。

圖像分享的理念源于秘密分享理論。1979年,Shamir和Blakley[1-2]針對密鑰等純數(shù)據(jù)的安全保管問題,分別獨立地提出了自己的(t,n)門限結(jié)構(gòu)的數(shù)據(jù)分享方法。在秘密分享理論的發(fā)展中,一種秘密分享方案是否是完備的(Complete),即秘密分享的(t,n)門限結(jié)構(gòu)是否同為完全的(Perfect)和理想的(Ideal),在信息安全上具有至關(guān)重要的基本重要性[3-4](完全的和理想的等概念詳見本文第1章和第2章中的進一步說明)。Blakley的方案建立在空間平面交線(點)的簡明幾何觀點上,但它不屬于完備的方案。Shamir的(t,n)門限方案則基于素域Fp={0, 1, 2,…, p-1}上的插值多項式原理[1],其門限結(jié)構(gòu)被證明既是完全的也是理想的[3-4],從而是一個完備的數(shù)據(jù)分享方案。由于數(shù)字圖像是由像素值構(gòu)成的,故圖像分享可以視為秘密分享的一個專門領(lǐng)域。因此,和一般秘密分享一樣,圖像秘密分享方案是否是完備的(或準(zhǔn)入結(jié)構(gòu)是否既是完全的又是理想的)是安全性的主要考慮因素。然而,如果將秘密分享方法直接應(yīng)用于圖像分享上,得到的影子圖像將是沒有視覺意義的累贅數(shù)據(jù)集合(本文也稱其為無視覺意義的份額),這很容易招致懷疑并被重點攻擊、不利于保管。此外,在當(dāng)代數(shù)字信息的許多應(yīng)用場合中,保證恢復(fù)的秘密圖像像素值的完整性和精確性也是十分必要的,因此適合準(zhǔn)確描述圖像分享的像素值域也需要建立起來。鑒于這些原因,發(fā)展針對圖像分享這個專門領(lǐng)域的秘密分享方法是必要的,具有特殊重要的意義。

長期以來,人們嘗試了各種方法去構(gòu)造圖像分享方案,力圖讓其影子圖像各具獨立的外在視覺意義、而其準(zhǔn)入結(jié)構(gòu)又是完全的和理想的。然而找到這樣的完備方案并非易事[5-32]。早前圖像分享的工作中,各種主要方案都是通過視覺秘密分享(Visual Secret Sharing, VSS)方法[7]來實現(xiàn)的。這種方法獲得的影子圖像的視覺效果一般都較差，恢復(fù)的秘密圖像在像素數(shù)據(jù)上損失較大[7-24]，與原秘密圖像有明顯差別。而且由于視覺密碼方法固有的像素擴張問題[7-24],造成凡具有可視影子圖像的VSS方案其準(zhǔn)入結(jié)構(gòu)都不是理想的。在隨后發(fā)展的數(shù)字圖像秘密分享理論中[6]26-28,33,人們把圖像的門限秘密分享看成像素數(shù)據(jù)的秘密分享,依然沿用了早期數(shù)據(jù)秘密分享[1]所習(xí)慣的素域Fp={0,1,2,…,p-1}上的插值多項式的方法來構(gòu)造(t,n)門限結(jié)構(gòu)。此類方法先將秘密圖像映射為若干沒有視覺意義的份額數(shù)據(jù),再將份額數(shù)據(jù)偽裝在其他圖像中,解決了影子圖像的視覺意義問題和視覺質(zhì)量問題。但這類方法構(gòu)造的(t,n)門限結(jié)構(gòu)迄今都不是理想的,因此這類方法尚欠缺密碼學(xué)意義上的足夠安全性。此外,由于數(shù)字圖像的像素值在計算機等設(shè)備上是按照m位的比特值來表示的,故像素值域本質(zhì)上是GF(2m)而不是素域Fp。而現(xiàn)有的數(shù)字圖像分享方法仍然沿用Fp表示像素值域――它意味著圖像的某些像素值不得不被“截短”或“填長”,這就必然造成像素數(shù)據(jù)的損失或冗余[6]。綜上,迄今為止已有的各種圖像分享方案[5-33]仍存在著明顯的不足,尚不能很好地同時滿足人們對安全性的期望和對視覺效果的追求,尋找針對圖像分享的完備方案仍然是一個未解決的挑戰(zhàn)性問題。

第3期 王曉京等:視圖的秘密分享及其代數(shù)編碼方法計算機應(yīng)用 第32卷本文聚焦于解決當(dāng)前圖像分享領(lǐng)域中存在的上述根本問題,特別是其中理想的安全性問題。本文的新思路是:

1)不僅僅把圖像分享看作像素數(shù)據(jù)的秘密分享,而且把圖像秘密分享看作像素矩陣的秘密分享,由此可以構(gòu)造像素矩陣的安全(t,n)門限結(jié)構(gòu)。

2)由于秘密分享與編碼理論的特殊相關(guān)性[34-36],對構(gòu)造像素矩陣的(t,n)門限結(jié)構(gòu)來說,采用最大距離可分碼(Maximum-Distance-Separable, MDS)性質(zhì)的編碼公式[37]比采用傳統(tǒng)的拉格朗日插值多項式更為方便,形式上也更具一般性。

3)通過像素灰度值域GF(2m)上的代數(shù)幾何編碼[37-39],很自然地實現(xiàn)了數(shù)字圖像(t,n)門限秘密分享的一種完備方案:它的門限結(jié)構(gòu)不僅是完全的而且是理想的,它的n個影子圖像的外在視覺內(nèi)容都是隨機指定的,且影子圖像的視覺質(zhì)量與秘密圖像幾乎相同。

1相關(guān)研究

秘密分享的理論提出后,Naor等[7]于1994年提出了針對像素圖的VSS方法,當(dāng)時也稱為視覺密碼(Visual Cryptography Scheme, VCS),這是圖像秘密分享的開創(chuàng)性工作。VSS的提出引起了多個領(lǐng)域?qū)W者們的廣泛興趣和研究參與,此后相繼出現(xiàn)了許多關(guān)于黑白像素圖像[19]和簡單色彩圖像[10]20-22的VSS方案。這類方案的一個典型例子是:在幾張透明膠片上分別打印黑白像素點構(gòu)成不同的影子圖像(可以是沒有視覺內(nèi)容的點陣),其中某些膠片組合重疊在一起時人類視覺能辨認出預(yù)定的秘密圖像,而其他組合則不會顯露秘密圖像。計算機屏幕也可以展示VSS的效果:用鼠標(biāo)拖動某些數(shù)字圖片重合一起時人眼可以看出預(yù)定的秘密圖像,而其他圖片的疊合則沒有這種效果。VSS的基本特征是以人類視覺方法為主來實現(xiàn)像素圖在視覺效果上的分拆與合成,不必采用復(fù)雜的密碼算法,也不要求數(shù)據(jù)恢復(fù)的完整性,而(t,n)門限結(jié)構(gòu)的VSS則是人們一直追求的目標(biāo)。但是,VSS方案的影子圖像和恢復(fù)圖像普遍具有像素擴張膨脹的問題[10]19-22。為消除像素擴張,Kuwakado等[8]21,23-24后來補充了概率型視覺密碼方法。付出的代價則是:恢復(fù)的秘密圖像更加模糊不清,其影子圖像一般也都是沒有任何視覺意義的像素點陣。由于VSS主要依靠人的視覺感官而不是主要依靠邏輯計算來設(shè)計影子圖像的像素,隨著秘密圖像的精細化及其恢復(fù)重構(gòu)的精度提高,VSS的設(shè)計越來越困難,造成其固有的弱點:這類方案都無法保證像素數(shù)據(jù)的完整性和圖像恢復(fù)的精確性,這使得其影子圖像的視覺品質(zhì)(清晰度和分辨率等)普遍比較粗糙[8]11,13,23,24,40,許多VSS方案也僅適用于非常簡單的圖像[7]12,15,22,由此恢復(fù)的秘密圖像也只能粗略地與原始秘密圖像相似[8]23,24,40,而且VSS的有效的(t,n)門限通常只局限于參數(shù)的特殊情形,例如,許多文獻只給出了t=2或t=n[21]40的方案實例。因此,針對更復(fù)雜的視覺內(nèi)容和更高的恢復(fù)精度,如何擴大門限參數(shù)t和n的自由度范圍并保持圖像像素不擴張,仍是發(fā)展視覺密碼技術(shù)的一大難題。特別地,基于VSS的像素構(gòu)造方法,目前還很難生成同時具有理想性質(zhì)的門限結(jié)構(gòu)和清晰視覺內(nèi)容的影子圖像。

圖1中給出了VSS的一個(2, 2)門限方案實例[40]:該方案的圖像視覺效果在VSS中屬較好的一類。但該方案只有t=n=2的特殊情況下是可行的。

圖片圖1視覺秘密分享

2002年,Thien等[6]基于拉格朗日(Lagrange)插值多項式方法在計算機上實現(xiàn)了一種圖像數(shù)據(jù)層的(t,n)門限秘密分享方案。該方案是完全的,并且可以處理高精度的彩色數(shù)字圖像數(shù)據(jù)的任意(t,n)門限秘密分享,恢復(fù)的秘密圖像數(shù)據(jù)也是完整的。該方案將一幅秘密圖像視為像素數(shù)據(jù)的一個集合,然后把它映射為具有(t,n)門限結(jié)構(gòu)的n個數(shù)據(jù)份額,其標(biāo)志性的特點是把份額數(shù)據(jù)量縮小到了大約為原始秘密圖像數(shù)據(jù)量的1/t,從而該方案的每個縮小份額都沒有自己獨立的視覺意義。但這樣的縮小份額便于存儲、傳輸以及隱藏(到其他宿主圖像中)。在一系列研究中[26-30],許多后繼工作按照Thien和Lin的方案思路沿著以下方向不斷改進:通過無損或有損壓縮的圖像信源編碼技術(shù)進一步縮小份額的數(shù)據(jù)量[26-28];將縮小份額隱藏在大尺寸[26-27]或小尺寸[33]的宿主圖像中,從而賦予這些份額外在的視覺內(nèi)容,成為秘密圖像的影子圖像。作為數(shù)字圖像分享的這類新方法,這些方案通過付出一定的計算復(fù)雜性代價,最終克服了VSS的大部分固有缺陷。盡管如此,這些方案仍然存在著兩方面的根本問題:

1)由于每個縮小份額所屬的像素信息空間遠比秘密像素空間要小,縮小份額導(dǎo)致了其門限結(jié)構(gòu)不是理想的[1]3-4,基于這種門限結(jié)構(gòu)的方案的安全性總歸還是脆弱的(詳見第2章和第4章)。盡管縮小的份額可以隱藏在另外一些宿主圖像中[26-30]41,但是一個具有理想門限結(jié)構(gòu)的圖像分享方案比一個依靠信息隱藏[42-44]替代措施的圖像分享方案在安全性上明顯要強壯和可靠得多。Alvarez等[32]利用離散動力系統(tǒng)原理的可逆胞控自動機方法構(gòu)造了一種圖像秘密分享的理想方案。但該方案僅僅限制于平凡的門限參數(shù)時才是可行的,即它僅僅是一個(n, n)方案,而且該方案的影子圖像只能是不具有外在視覺意義的亂碼點陣。

篇10

關(guān)鍵字： 合成孔徑雷達； 圖像分類； 紋理特性； 變差函數(shù)

中圖分類號： TN919?34 文獻標(biāo)識碼： A 文章編號： 1004?373X（2013）06?0093?04

0 引 言

合成孔徑雷達（Synthetic Aperture Radar，SAR）因其成像的高分辨、全天候特性而在各領(lǐng)域得到了廣泛應(yīng)用[1]，對SAR圖像的分類技術(shù)在軍用和民用領(lǐng)域都具有十分重要的意義。目前SAR圖像分類的重要方法多是基于紋理分析的方式，提取紋理特征的經(jīng)典方法很多，M.Haralick已作了較為全面的總結(jié)[2]，基本上可歸納為統(tǒng)計法、結(jié)構(gòu)法、模型法和空間/頻率域聯(lián)合分析法等4類，它們有著各自的特點和不足。本文將討論利用變差函數(shù)對圖像進行分類的方法。變差函數(shù)是從描述圖像空間相關(guān)性的角度刻畫紋理。對于大幅面SAR圖像而言，在利用變差函數(shù)分類法分析圖像紋理特征時存在大量的冗余計算，若采用合理的算法設(shè)計，可以在很大程度上提高計算效率。

1 變差函數(shù)紋理分析的基本原理

2 基于變差函數(shù)的SAR圖像分類方法

2.1 變差函數(shù)在圖像紋理分析中的應(yīng)用

在SAR圖像中，建筑區(qū)灰度變化劇烈，而植被、水域等區(qū)域灰度變化相對較小，兩種區(qū)域在非相似性上有較大的差異，這是通過紋理特征分析區(qū)分建筑區(qū)和非建筑區(qū)的依據(jù)。

變差函數(shù)用于紋理分析通常有以下2種方式：

（1）從1開始，遞增取一系列離散間距，對每個間距值計算各加窗像素點的變差函數(shù)值，構(gòu)成紋理特征矢量并以此作為分類依據(jù)。這種方式計算步驟簡單，缺陷是需要較大的計算量來確保分類性能。

（2）逐點加窗計算變差函數(shù)曲線，利用模型擬合等方式求取相關(guān)參數(shù)。由于對大幅遙感圖像進行逐點擬合時計算非常復(fù)雜，因而實用性較低。

2.2 變差函數(shù)紋理特征的計算

2.3 變差函數(shù)特征圖的快速遞推計算

（1）選定目標(biāo)區(qū)域，計算該區(qū)域的變差函數(shù)曲線圖，提取變程值a；

（2）以變程值a（一般a取為1）作為紋理間距，確定合適的紋理窗口尺寸W，計算變差函數(shù)特征圖；

（3）采用FCM分類器對變差函數(shù)特征圖進行分類。

3 實驗與結(jié)果分析

4 結(jié) 語

與傳統(tǒng)的統(tǒng)計類方法相比，變差函數(shù)從描述空間相關(guān)性的角度對圖像紋理特征進行刻畫，提取到的圖像區(qū)域特征更加完整和均勻。利用變差函數(shù)紋理分析法可以有效地區(qū)分建筑區(qū)和非建筑區(qū)。與經(jīng)典的GLCM等紋理分析法相比，在經(jīng)過優(yōu)化遞推算法后，變差函數(shù)法在計算上要簡單得多。由此可知，變差函數(shù)紋理分析方法是一種兼顧性能與效率的方法，具有很高的適用性和實用價值。

參考文獻

[1] 孫即祥.圖像處理[M].北京：科學(xué)出版社，2004.

[2] HARALICK Robert M. Textural features for image classification [J]. IEEE Transactions on Systems and Cybernetics， 1973， 3（6）： 610?621.

[3] 朱彩英，藍朝楨，靳國旺.紋理圖像亮度閾值法提取SAR圖像居民地[J].中國圖象圖形學(xué)報，2003，8（6）：616?619.

[4] 吳樊，王超，張紅.基于紋理特征的高分辨率SAR影像居民區(qū)提取[J].遙感技術(shù)與應(yīng)用，2005，20（1）：148?152.

[5] 高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J].計算機系統(tǒng)應(yīng)用，2010，19（6）：195?198.

[6] 謝菲，陳雷，霆邱航.基于紋理特征提取的圖像分類方法研究及系統(tǒng)實現(xiàn)[J].計算機應(yīng)用研究，2009，26（7）：2767?2770.

[7] 趙凌君.高分辨率SAR圖像建筑物提取方法研究[D].長沙：國防科技大學(xué)，2009.