Обзор компьютера iru home 615

Обновлено: 02.07.2024

В этом руководстве мы рассмотрим последние методы шумоподавления вейвлетов для медицинского ультразвука и магнитно-резонансных изображений. Мы оцениваем их реализацию с помощью пакета MATLAB и обсуждаем их характеристики с точки зрения SNR (отношение сигнал-шум) или PSNR (пиковое отношение сигнал-шум) и визуальные аспекты качества изображения. Шумоподавление изображения с использованием вейвлет-анализа с множественным разрешением требует тонкого компромисса между уменьшением шума и сохранением важных деталей изображения. Следовательно, некоторые тонкости, связанные с этими методами шумоподавления, будут подробно объяснены.

Откройте для себя мировые исследования

20 миллионов участников
135 миллионов публикаций
Более 700 тыс. исследовательских проектов

U X G L P H Q W D U \ G H V S L W H W K H F R P S O H [ L W \ R I W K H V L J Q D O V W R E H 

7 K H F K D O O H Q J H L V W R U H V W R U H D X V H I X O V L J Q D O Z K H Q R Q O \ D 

H G J H I H D W X U H V  D Q G W K X V D F K L H Y H D  P R U H H I I L F L H Q W Q R L V H 

>@  )  / X L V L H U  7  % O X  0  8 Q V H U  ³ $ Q H Z V X U H D S S U R D F K W R 

<р>. Восстановление сжатого зондирования представляет собой задачу линейной оптимизации. Наиболее распространенные алгоритмы поиска CS используют предварительное знание о том, что естественное изображение является разреженным в определенных областях, таких как область вейвлета, где возможно простое и эффективное шумоподавление [11], [12], [13], [14], [15], или в дискретно-градиентной области, которую мы будем развивать в этой работе. .

В приложениях дистанционного зондирования и медицинской визуализации одним из ключевых моментов является сбор, предварительная обработка и хранение информации в реальном времени. Из-за большого количества информации, представленной в виде изображений или видео, необходимо сжатие этих данных. Сжатое зондирование является эффективным методом для решения этой задачи. Он состоит в получении сигнала, предполагая, что он может иметь разреженное представление, используя минимальное количество неадаптивных линейных измерений. После этого сжатого процесса обнаружения в приемнике необходимо выполнить реконструкцию исходного сигнала. Методы реконструкции часто не в состоянии сохранить фактуру изображения и стремятся сгладить его детали. Чтобы преодолеть эту проблему, мы предлагаем в этой работе метод реконструкции сжатого зондирования, который сочетает в себе регуляризацию полной вариации и ограничение нелокального самоподобия. Оптимизация этого метода выполняется с использованием расширенного лагранжиана, что позволяет избежать сложной проблемы нелинейности и недифференцируемости членов регуляризации. Предлагаемый алгоритм, называемый шумоподавляющим зондированием с использованием терминов регуляризации (DCSR), будет выполнять не только реконструкцию изображения, но и шумоподавление. Чтобы оценить производительность предложенного алгоритма, мы сравниваем его производительность с современными методами, такими как алгоритм Нестерова, методы разреженного представления на основе групп и методы на основе вейвлетов, с точки зрения шумоподавления и сохранения краев, текстуры и деталей изображения, а также с точки зрения вычислительной сложности. Наш подход позволяет повысить эффективность шумоподавления и качество изображения на 25 % с помощью двух показателей: пикового отношения сигнал/шум (PSNR) и структурного подобия (SSIM).

<р>. Это ухудшение может быть отменено или, по крайней мере, уменьшено с помощью предварительной обработки шумоподавлением. В целом, методы шумоподавления изображения можно разделить на методы пространственной области и методы области преобразования, такие как ядерная регрессия [10], нелинейные цифровые фильтры [11] и наиболее эффективные методы шумоподавления, основанные на вейвлетах [12] первого поколения. [13] или 2-го поколения [14]. Такие операции позволяют не только улучшить качество изображения, но и повысить производительность последующей обработки изображения (извлечение нужной информации, предсказание, классификация, анализ текстуры и сегментация). .

Поскольку спрос на международные морские перевозки быстро растет, важным вопросом становится эффективное управление портами. Автоматическое распознавание судов может облегчить создание интеллектуальных портов и повысить эффективность работы и управления портом. Чтобы одновременно учитывать эффективность обработки и точность обнаружения, в исследовании была представлена улучшенная сеть глубокого обучения на основе версии 3 «Вы только посмотрите один раз» (Yolov3) для круглосуточного обнаружения судов с видимыми и инфракрасными изображениями. Сеть Yolov3 может одновременно улучшить способность распознавания больших и малых объектов за счет многомасштабной архитектуры извлечения признаков.Учитывая сокращение времени вычислений и сложности сети при относительно конкурентоспособной точности обнаружения, исследование изменило архитектуру Yolov3, выбрав соответствующий размер входного изображения, меньше фильтров свертки и шкалы обнаружения. Кроме того, сокращенный Yolov3 был дополнительно модифицирован с помощью модуля объединения пространственных пирамид (SPP) для повышения производительности сети при извлечении признаков. Таким образом, предлагаемая модифицированная сеть может достичь цели многомасштабного, многотипного и многоразового обнаружения судов. В исследовании был представлен общий набор данных, созданный самостоятельно, с целью обнаружения судов в течение всего дня и в режиме реального времени. Набор данных включал в общей сложности 5557 изображений в инфракрасном и видимом свете с шести распространенных типов судов в портах северного Тайваня. Экспериментальные результаты на наборе данных показали, что предложенная модифицированная сетевая архитектура обеспечивает приемлемую производительность при обнаружении судов со средней средней точностью (mAP) 93,2%, обработкой 104 кадров в секунду (FPS) и 29,2 миллиарда операций с плавающей запятой (BFLOPs). ). По сравнению с исходным Yolov3 предлагаемый метод может увеличить mAP и FPS примерно на 5,8% и 8% соответственно, при этом снижая BFLOP примерно на 47,5%. Кроме того, вычислительная эффективность и эффективность обнаружения предлагаемого подхода были проверены в сравнительных экспериментах с некоторыми существующими сверточными нейронными сетями (CNN). В заключение предлагаемый метод может обеспечить высокую точность обнаружения при меньших вычислительных затратах по сравнению с другими сетями.

Читайте также: