没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报:一种新的拼图相容性测度
沙特国王大学学报用一种新的两两相容性测度Nadia Guerrouia,Hamid Séridiba阿尔及利亚君士坦丁君士坦丁第二大学计算机科学及其应用基础系b计算机科学系,LabSTIC实验室,1945年5月8日大学,24000 Guelma,阿尔及利亚阿提奇莱因福奥文章历史记录:接收日期:2018年2018年9月4日修订2018年9月6日接受在线发售2018年关键词:兼容性度量拼图拼图解决方案镶嵌图像Gist 场 景 描 述 符全 局图像特征图像重建A B S T R A C T重建拼图最具挑战性的方面是找到正确的图像对要做到这一点,我们需要,一个精确的估计,局部补丁和组装策略之间的成对兼容性措施在本文中,我们提出了一种新的成对相容性措施的计算正方形拼图组装使用Gist和颜色距离。梯度和颜色特征的这种可能的组合改善了组装件,并可以处理在国家的最先进的所遇到的大多数问题。我们还提出了基于旋转的策略,使工作在多个部分和重建完成的拼图从本地匹配的候选人。在常用数据集上的实验结果充分表明,所提出的相容性度量优于最新的方法。©2018作者制作和主办:Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍在18世纪中期,拼图(威廉姆斯,2004年)是由约翰·斯皮尔斯伯里作为儿童教育工具创造的。今天,拼图游戏的组装继续挑战新的和经验丰富的难题与神秘的解决,隐藏的信息,和永无止境的挑战流征服。这个问题也吸引了计算机科学家几十年。最早的尝试解决拼图的发展已经完全基于使用形状信息来比较之间的亲和力对拼图块。可以利用拼图的内容和形式来解决图像拼图。在 基 于 形 状 的 方 法 ( Wolfson 等 人 , 1988; Goldberg 等 人 ,2004),使用拼图的边界形状来找到有效的邻居。(Freeman和Garder,1964年)是第一个研究使用部分的形状解决难题的问题,其中部分是均匀灰色的。*通讯作者。电子邮件地址:n_guerroui@yahoo.fr(N. Guerroui)。沙特国王大学负责同行审查Wolfson et al. (1988)提出了一种解决具有不同形状的拼图的有用方法,并专注于匹配碎片的形状来解决问题。Goldberg等(2004)建议使用贪婪的方法。其中,与边缘匹配相比,两个边缘变得有理有据,使得针对每个位置的最佳局部匹配的贪婪选择成为可能的解决方案。即 使 可 以 使 用 形 状 找 到 有 效 的 邻 居 , 该 问 题 仍 然 是 NP 难 的(Nielsen等人,2008; Bosboom等人,2017),并在密码学中进行了开发(Farn和Chen,2009)。补丁变换将图像定义为一组补丁,并将每个补丁视为图像的基本元素。在文献中,以拼图的形式引入了基于块的图像表示,其中可以组合这些小块中的许多以生成图像(Kannan等人, 2006年)。此外,逆块变换可以与解决拼图游戏密切相关并简化(Cho等人,2008; Kannan等人, 2006年,没有修改。事实上,拼图模型发现的碎片图像可以有效地与语义对象部分相关联。一些被定义为NP完全1问题的拼图游戏对于理解和解决是具有挑战性的,并且甚至对于人类来说也需要练习,因为它们被简化为集合划分问题(Demaine和Demaine,2007; Altman,https://doi.org/10.1016/j.jksuci.2018.09.0091决定n个给定的拼图块是否能拼在一起形成一个pn×pn方形盒子。1319-1578/©2018作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comN. Guerroui,H.Séridi/ Journal of King Saud University9291989年)。使用适当的兼容性测量不足以实现鲁棒和成功的解谜器。实际上,添加一种有用的重组技术会更有趣。 当相异性度量不可靠时,基于兼容性度量来连接和重新排列片段。文献已经看到通过使用更好的兼容性度量和提出诸如贪婪方法的新颖组装策略(Pomeranz等人,2011)、遗传算法(Sholomon等人, 2014年)。在这项工作中,我们提出的场景作为一个袋子的子件的图像和对待每个片段(件)作为一个基本要素,以重建原始场景视图(见图)。①的人。这种从碎片图像重建图像的方法归结为解决一个标准拼图问题。我们提出的算法执行搜索成对片匹配与一个新的兼容性措施的基础上GIST和颜色距离,其次是基于旋转的组装策略。本文的其余部分组织如下。第2节,介绍了一些以前的工作有关解决拼图问题。第3说明了所用度量的背景第4节,建议方法的细节。第五部分,研究和讨论了实验结果。最后,在第六给出了结论和研究展望.2. 相关作品解决拼图问题已经存在了许多世纪,作为一种享受(威廉姆斯,2004年)。以前,我们的目标是从图像的一系列片段重建最终的拼图. 1964年,第一种计算方法解决了这个问题。后来证明这个组合问题是NP-难的(Altman,1989)。许多早期的作品都在研究微积分问题,以连接一对拼图和它们的使用方面大约53年前,Freeman和Garder(1964)是第一个提出解决问题的算法的人。在Freeman和Garder(1964)中,早期尝试拼图puz- zle解算器,通过使用形状信息来计算拼图灰色部分之间的无穷 大 。 更 多 关 于 解 谜 方 法 和 策 略 的 描 述 , 请 参 阅 Gallagher(2012)。一般来说,大多数解谜者会检查两部分之间的相似性,而实现这些相似性的策略分为两类。一种方法比较相邻边界的外观,同时使用两个向量之间的正式距离度量(Chung等人,1998;Kosiba等人,1994; Nielsen等人, 2008年)。或者,有人提出使用完整的部件并测量一组相似元件的统计特性或识别配对(Cho等人, 2008年)。用于解决谜题问题的不同类别的算法,主要是使用图形模型上的近似算法的概率求解器(Cho等人, 2010年)。一组片段和一个局部证据项之间的相似特征是根据两两相容性进行评估的。遗传算法(Sholomon等人,2014; Toyama等人, 2002)有效地应用于大型拼 图 玩 具 。 贪 婪 算 法 ( Pomeranz 等 人 , 2011 年 ; Cho 等 人 ,2010;Gallagher,2012),用于从初始成对集合开始连续构建大分量。Gallagher(2012)建立并解决了一个新的类型(类型2拼图),3个具有未知尺寸、未知块旋转和未知块位置的非重叠正方形块拼图。Gallagher还提出了一个新的片段相异性度量基于共享边缘上RGB梯度之间的Mahalanobis距离(Gallagher,2012)。Kosiba等人(1994年)是第一个将形状拼图和颜色信息应用于其组装策略的人,许多论文也纷纷效仿(Makridis和Papamarkos,2010年)。Nielsen等人(2008)发展了一种基于图像特征和形状信息的自动求解器,可以解决具有320个碎片图像的拼图问题。(Chung等人,1998年)也使用形状和颜色来重建拼图,并探索了许多基于图形的分配技术。Cho et al.(2010)提出了解决拼图问题的概率方法:每个棋子的位置都是图中的一个节点,每个棋子是每个节点上的一个标签,通过图形模型和概率函数实现相似拼图的重建。Pomeranz等人(2011)通过结合知情的棋子放置和拼图片段的重新排列来找到最终的解决方案,从而提高了整体性能。Andaló等人(2012)提出了一个简单的二次规划公式来解决具有相同形状的正方形瓷砖的拼图游戏。在可感知世界中,任何给定的场景结构都需要通过全局特征的集合来估计(Fei andPerona,2005)。它反映了真实世界的整个结构(Oliva和Torralba,2001),而不需要直接分割图像。场景结构的低层次特征可以鼓励我们进行整体和低维的表示(Pagnutti,2017; Garcia-Garcia等人, 2017年)。Gist4是一种指示关键数据的想法,观察者在感知场景时可以立即查看它首先由Oliva和Torralba(2006)提出,其想法是创建低维场景描述符,并避免分割和处理点,对象或单个区域。他们的灵感来自于人类Gist场景描述符用于表示图像特征(Oliva和Torralba,2001);并从数据库中查找图像,这些图像具有与输入图像相似的空间布局和上下文。匹配过程注意将图片视为单个对象,而不是在图像视图中配置对象。实现的两个部分是语义场景匹配(SSM),从数据库中找到 与 输 入 图 像 具 有 相 似 场 景 包 络 的 图 像 , 和 局 部 上 下 文 匹 配(LCM),从相似的语义场景中搜索子图像的颜色信息对于解决难题和测量两个块的兼容性是非常有用的在文献中用于估计拼图块相容性的两种最成功的方法是基于色差的相似性度量(SSD)(Cho等人,2010)和Mahalanobis梯度兼容性(MGC)(Gallagher,2012),而不是像SSD那样比较RGB值的差异,MGC比较颜色梯度之间的差异。我们的工作与最近的工作(Yu et al.,2016; Son等人, 2016年),解决了未知方向和位置的非重叠方形拼图。我们的自动求解器不使用任何有助于解决问题的证据、间接推理或其他先验知识。本文提出了一种新的解决拼图问题的公式,通过应用不同的相容性度量作为估计2类型1拼图:每个拼图块的方向是已知的,只有每个块的位置是未知的。3第2类拼图:棋子的位置和方向都是未知的4. Gist(名词):关于某事的基本信息,或没有细节的一般信息。抓住要点是为了理解,而不是成为专家。930N. Guerroui,H.Séridi/ Journal of King Saud UniversityðÞðÞ半]¼1/4f gð Þ ¼ - 你好ðÞFig. 1. 插图的场景重建从一袋子图像的碎片。解决方案来量化补丁之间的亲和力,基于Gist特征和一组图像中每一片的颜色距离。我们的算法通过处理代表离群值拒绝形式的补丁之间的旋转来减少对成对兼容性措施的依赖,因为如果成对匹配是有根据的,则不形成碎片此外,我们引入了一个更有效的兼容性度量作为估计措施,评估给定的解决方案的改进在没有线索或先验知识的情况下,兼容性度量成为促进自我评估在下文中,我们首先讨论求解器中涉及的所使用的总 之 , 有 更 多 相 当 重 要 的文 献 ( 例 如 , 参 见 ( Freeman 和Garder,1964; Kannan等人,2006;Pomeranz等人, 2011)),在计算拼图解决一个问题。然而,这些方法依赖于形状和边界的补丁或纹理。这些都是用于或解决难题的指标,我们避免在我们的组装拼图方法,因为它们不提供有用的信息。3. 用于成对件匹配的3.1. Gist描述符从理论上讲,全局感受野是由局部感受野的组合产生的。GIST描述子在场景识别中受到越来越多的关注。很明显,真实世界场景结构需要通过集合来估计的图像的不同部分,它提供了一个粗略的描述(要点)的场景(见图)。 2)的情况。谜题重建最具挑战性的方面仍然是需要准确获得准确重建的连续局部匹配决策的数量。在我们提出的系统中,对于一个输入的片段图像,Gist描述符被用来执行特征描述。我们的目标是通过使用每个尺度八个方向和使用六个尺度(块),使其与解决拼图问题相称53.1.1. 预滤波图像应用于输入图像的预滤波处理用于减少照明效应并防止一些局部图像区域支配能量谱。设g x;y为各向同性低通高斯空间滤波器,截止频率在0: 015周期/像素,H x;y 1g x;y。分子是一个高通滤波器,它消除图像的平均强度值,并使非常低的空间频率处的能谱变白。分母充当高通滤波器输出方差的局部估计器。e是避免恒定图像区域中的噪声增强的常数。它被实验性地设置为e20的输入图像,其强度值在0; 255的 范 围 内 。 该 预 滤 波 阶 段 仅 影 响 非 常 低 的 空 间 频 率 ( 低 于 0 :015c=p),并且不改变平均频谱特征。每个图像由特征向量x表示Gn ;g n 是一个一组Gabor滤波器预滤波是强度方差的局部归一化,并且其在等式(1)中计算如下:i<$x;y<$ωh<$x;y<$而不是只使用一个特征。最i0x;y¼2ð1Þ有效的全局特征表示那些反映视觉世界的全部结构的特征。全局特征基于空间尺度的配置,并且在不调用分割或分组操作的情况下进行估计。然而,在所有局部判别视觉上计算的全局特征eq½ix;yωhx;y]ωgx;ygn在哪里输出能量为n个Gabor滤波器Gn1/4Gaborfilter.功率谱包含用于评估语义轴的相关信息将特征转化为固定维度的特征向量是相对G <$ZZCf;fGf;f2df dfð2Þ高nOliva和Torralba(2006年)的作品是基于XynXyxy事实上,一个快速的场景识别机制。它们是通过使用全局属性诊断的场景对着的空间,而不一定是场景包含的对象。要点表示场景的抽象表征,它自发地激活场景类别(城市、山脉等)的记忆表征。(Fei和Perona,2005年; Russell图像的功率谱通过取其傅里叶变换的平方幅度来计算;其中i x;y是图像沿空间变量x和y的强度分布。FT是傅里叶变换,fx和fy是空间频率。2例如,2008年)。由梯度和信息构造的主旨描述子试图通过人类感知系统来描述场景。Cfx;fyjFTfix;ygjð3Þ给定输入图像,GIST描述符(Oliva和Torralba,2001)总结了梯度信息(尺度和方向)。5连接所有32个特征图的36个平均值,得到36×32 = 1152 GIST描述符。N. Guerroui,H.Séridi/ Journal of King Saud University931××XX●图二. 计算GIST特征的主要步骤。出于性能原因,针对每个图像计算一次要点描述符并存储。3.2. 颜色距离度量设xi,xj是两个图像。可以通过对沿着邻接边界的部分的像素的平方色差求和来测量xi、xi之间的相异性(Cho等人,2010年)。图像的每一个颜色部分由一个矩阵KK3表示,大小(其中K是部分的宽度/高度,以像素为单位)。例如,xi和xj之间的4. 我们提议的解谜者本节提供了一个建议的拼图游戏求解器的概述(如图3所示)。我们应用一个兼容性措施的基础上GIST功能的图像对。要做到这一点,我们得出的成功的性能相结合的主旨和颜色距离。实际的图像对对齐进行的基础上的兼容性措施,使用基于旋转的策略,从本地匹配候选重建拼图这些碎片代表了一袋碎片的子图像。我们的系统分为三个步骤:步骤r:我们根据gist和颜色距离(Gist + SSD)找到成对匹配候选者(6);K3Dxi;xjxik;u;d-xjk;v;d24k¼1d¼ 1其中面片xi;xj被视为K×K×3矩阵,u索引xi的最后一列,v索引xj的第一列。我们可以定义基于差异颜色的相异性测量取决于所使用的颜色空间。在本文的其余部分,我们将使用RGB SSD。我们的方法不仅关注具有最低SSD的片段映像。但是,它也依赖于一种策略,以恢复完整的形状从碎片的基础上,相异性度量。● 步骤s:根据等式处理少量旋转(HL)。(7);步骤t:根据HL-Gist+SSD比对最佳成对匹配的念珠菌。4.1. 详细描述最初,滤波器在频域中预先计算并存储在文件G中,以获得更快的后续调用。我们提出了一种新的解决方案,试图采用要点描述符从一组图像(Npieces)的每一块。G是重组所有图像片段的所有要点特征的集合我们采用基于轮换的策略●932N. Guerroui,H.Séridi/ Journal of King Saud Universityð-Þ¼¼←.Σ22fg←×从局部匹配候选项UK中作为最佳匹配存储在文件G0使用旋转4个周期作为用于重构的基本单元与其中候选者被链接在一起而不考虑周期的其他替代方法相比是有利的。事实上,基于旋转的策略的使用代表了一种离群值拒绝的形式,其允许从片段的集合增加维度。此外,潜在匹配的旋转(循环)指定了成对距离之间的共识考虑按优先级顺序合并的剩余旋转成对匹配的UK用于构建最终的谜题。最初,我们从图像的子集中选择一个随机补丁;接下来,我们找到相对于第一个补丁的第二个补丁。我们的基本假设是,做好这项任务需要理解场景。GIST描述符使用低级特征来量化4.1.1. 提出一种新的成对相容性测度基于颜色的描述符往往根据处理的图像而变化。在我们的语境中,图像的碎片来自不一定由相同材料和相同情况下拍摄的来源。准确地说,它会影响颜色描述符的值,从而影响我们系统的性能。然而,Gist描述符是场景感知和识别所必需的。它根据场景的性质而变化。它基于非常短曝光的低空间频率信息和长曝光的高频信息。GIST描述符通常包括场景的语义标签。此外,有证据表明,场景结构是一个潜在的关键全局属性,因为它既可以快速提取,又可以预测Gist场景。出于这个原因,我们促进GIST描述符,使其两倍的颜色信息的重要性。距离公式为:视图的高级语义属性这意味着GIST描述符的使用可以充分描述,即使Dist. xi;xj距离标准Gist. xi;xj距离标准颜色. xi;xj<$×2<$5<$需要非常高的性能我们提出的基于梯度和颜色特征一致性的组合的成对兼容性度量,用于识别解决计算正方形拼图的最佳候选人(见第4.1.1节)。我们的算法估计的相对位置之间的补丁被认为是最好的朋友,通过使用Gist和颜色距离。根据建议的成对相容性度量,根据最佳角度旋转关联的片段。由于计算出的相关值与获得的匹配性能之间存在着直接的关系,因此将相似性度量视为最终结果的浓缩图。因此,它可以被用来选择对应于整个过程的最佳匹配所提出的算法的总结在(算法1)中示出。当我们计算图像相似性时,必须将所有gist和颜色距离(Distnorm)分数在0和1之间进行归一化,其中0表示min(distmin),1表示min(distmin)。max(distmax)每个类别中的距离。归一化距离由下式给出:距离标准值1/2D -距离最小值1/2 =距离最大值1/2-距离最小值1/26其中D是两个补丁图像之间的相异性4.1.2. 基于轮换的战略我们的第二个主要贡献是处理旋转,从子匹配候选人重建的难题。旋转的使用是有利的,因为它是离群值剔除的一种形式我们的算法组装了最具挑战性的类型,图像拼图(2型拼图)与未知的方向和位置,算法1:所提出的求解器1:要求:让Npieces是一组Scrambled jigsaw puzzles 2:输出:M组装图像3:初始化:从Npieces随机生成图像img1GU;G0U4:开始5:对于i←2到N个,根据等式6:G←计算输入图像img1和所有其他图像imgi之间的(六)7:结束是的。我们的目标是在两张图像之间获得正确和最佳的对齐。为此,我们将旋转添加到拼图图像的所有四个边缘(上,下,左,右)。根据要旨和颜色距离的最佳角度旋转将两幅图像对齐在一起,增加了最近邻的大小。对于每个补丁imgi和imgj,我们搜索h1; h2,其中D距离颜色在边界处。使得添加h1作为imgi的候选旋转角,并且h2作为imgj的候选旋转角。我们将其定义如下。h1;h28:找到初始成对匹配U1(七)9:imgiU110:从G根据Eq.其中h ¼0;p;p;2p,且imgi;h是输入图像imgi 旋转H度。这四个旋转,每一个都是90*n,n0; 1; 2; 3度,以逆时针方向构建一个拼图重建过程的概述图中所描述的. 3.第三章。11:对于所有候选人进行配对匹配,根据等式12:G0←计算输入U1和所有其他图像imgi之间的关于主旨和颜色描述符的距离(六)13:从文件G14:使用imgi更新G15:根据等式15找到新的候选成对UK(7)16:更新M,其中UK17:从G18:imgiUk19:到1420:结束21:结束比对的当前结果重建新的片段。我们再次执行该过程,直到找到所有最佳候选人的好友集5. 实验结果与讨论本文提出的系统是在MATLAB中实现为了评估我们方法的性能,我 们使 用 了两 个 数 据集 。 第 一个 包 含 20 个 场景 收 集的 赵 等。(2010)从麻省理工学院的数据集,其中每个难题的问题由432部分的 28 28 像 素 。 第 二 个 是 McGill 数 据 库 Olmos 和 Kingdom(2015),包含不同的场景N. Guerroui,H.Séridi/ Journal of King Saud University933图三. 拟议办法概览。类别(山,森林,动物,建筑)。每一个都对我们的拼图游戏解决者提出了一个特定的挑战。两两匹配的不同指标被用来评估性能的基准数据库上的最终难题。我们的主要目的是进行公平的比较,这样做,有必要处理具有相同兼容性度量的拼图重组方法。(Gallagher,2012)使用MGC作为兼容性度量,但是所提出的方法建议用Gist + SSD颜色距离代替MGC左-右,上-下)。相反,直接使用gist函数,gist934N. Guerroui,H.Séridi/ Journal of King Saud University×X×为了与最先进的方法进行公平的比较,有必要在相同的基准上使用相同的兼容性度量。 出于这个原因,我们考虑以下三个措施来评估和验证所提出的求解器的有效性(Cho等人, 2010年)。完美重建:测量完美重建并被认为处于正确位置的拼图的数量。相邻比较:测量数据库中所有可能的补丁中处于正确位置的成对补丁邻接的百分比。直接比较:计算近似解中放置在正确位置的零件数量与零件总数之间的比率(即测量绝对正确放置的零件的百分比)。完美重建用于测量完美重建的补丁的数量。最后的拼图游戏当场景的所有子图像在正确的位置。这使得该性能测量非常严格。此外,许多图像融合算法中的基本操作(Yu等人,2006年),正在评估重建图像F(最终拼图)的质量。应该将其与已知的参考图像R进行比较。为此目的,可以使用任何相似性度量。然而,在实践中,我们提出的方法与2360和3300块拼图,通过使用图像提供的Cho等。(2010年)。 我们重建了更大的拼图,我们使用了来自麻省理工学院数据集的额外图像,由(Cho等人, 2010年),以测试540和805块拼图的技术。在直接比较和相邻比较下,540块拼图的整体性能分别为95.3%和97.1%,805块拼图的整体性能分别为94.4%和95.0%。 (Pomeranz等人, 2011)报道了在使用相同数据库的直接比较和相邻比较下,504件的准确度分别为83.0%和91.0%,805件的准确度分别为80.0%和90.0%。图 6显示了每个图像的最佳参数集的结果。我们使用由Pomeranz等人,2011),其中每个拼图由432个28 × 28像素的图块组成;将所提出的方法与最近提出的最先进的方法(Pomeranz等人,2011和Gallagher,2012);通过考虑(Cho等人, 2010年)。我们还检查了他们的实验的运行时间,通过重新执行的源代码提供的作者在同一表1显示了在MIT数据集上重新组装的图像的评估(Cho等人,2010)包含不同的场景类别(山、森林、动物、建筑物),通过使用不同的方法(a):基于树+LAB SSD(Cho等人,(b):基于树+MGC(Gallagher,2012),(c):HL+GIST+SSD(建议的 解决方案)在MIT数据集上(Cho等人,(2010年)仅使用均方误差(MSE)、平均绝对误差(MAE)、系数和互信息度量。应使用最简单的测量方法MSE和MAE6P¼28 R和F之间的场景图像质量评估(IQA)完美当在类似条件下用相同传感器捕获的输入图像相应像素灰度级之间的光度变换应当接近于恒等变换。这两个指标对异常值都很敏感。Cho等人(2010年)04爱的力量Love's Love(2012)拟议数0.1762 14Cho等人(2010)0.2586203爱的力量Love's Love(2012)Dgist/gistoriginal-gist获取日期:2012年2月:表1和表2报告了来自MIT数据集的四个类别(山、森林、动物、建筑)的图像的结果(Cho等人,2010)和McGill数据集(Olmosand Kingdom,2015)。每一个都包含81个尺寸为28 28的零件。所提出的方法优于基于树+ MGC(Gallagher,2012)和基于树+LAB SSD(Cho等人, 2010年)的平均重建精度分别约为82%,30%,而我们的是99%的完美比较。为了更好地理解和理解表1和表2, 4Cho等人(二零一零年)0.7158103 The Dog(2012)建筑0.30514提出0.15234表2显示了通过使用不同的方法对包含不同场景类别(山脉,森林,动物,建筑物)的McGill数据集(Olmos和Kingdom,2015)上的重组图像的评估(a):基于树的+ LAB SSD(Cho等人,2010),(b):基于树+ MGC(Gallagher,2012),(c):HL + GIST+ SSD(建议的解决方案)。McGill数据库(Olmos and Kingdom,2015)显示了我们的拼图游戏求解器包含四个场景类别的图像的一些结果。P¼28R和F场景图像质量评估(IQA)完美04.加拉格尔(2012)建筑 0.0037 8●●●在评估期末考试的质量时,提出0.01194不同的拼图解决方案的重建技术的难题。我们Cho等人(二零一零年)0.97414通过使用gist距离Dgist来代替最简单的测量,03 The Dog(2012)动物0.006364将相对性能作为两个提出0.002664图像(原始图像和获得的图像)。 D要点 接近于零,Cho等人(二零一零年)0.29101这意味着两个图像之间的相似度越高。03 The Dog(2012)山0.19736但是,我们应该清楚,没有普遍的相似性-适用于所有应用程序的大规模测量由于任务是Cho等人(2010)Gallagher(2012)动物0.02540.003499对于所有的兼容性措施来说,提出0.00419无论是直接和邻居的比较,他们的表现成为Cho等人(二零一零年)0.34014很难比较。因此,我们使用相同03 The Dog(2012)山0.026816由Cho等人,2010年)。提出0.017116图5报告了解决类型1的性能,假设Cho等人(二零一零年)0.7561每个拼图块的方向是已知的,只有每个拼图块的位置是未知的。我们还测试Gallagher(2012年)Cho等人(二零一零年)森林0.6550.1120.6501416MSE和MAE随着未对准的增加而增加的相关性提出0.0018N. Guerroui,H.Séridi/ Journal of King Saud University935机器在这里使用直接比较的平均性能为93.0%,邻居比较的平均性能为96.0%。获得具有正确参数的最终排列的平均运行时间为每次执行3:43分钟;(Pomeranz等人,2011年为91%和94%。为了达到这个精度,该方法需要使用随机种子执行10次,最好的结果是,每个图像的平均时间为18:1分钟。表3给出了我们的方法与Pomeranz等人报道的方法的比较结果。(2011),Cho et al.(2010)和Gallagher(2012)在直接测量和邻居测量中。在直接比较措施下(Pomeranz等人,2011年;Cho等人,2010;和Gallagher,2012)。平均重建精度分别低于2%,94.62%和3%,而我们的是93%。在邻居比较测量下(Pomeranz等人,2011年;Cho等人,2010;和Gallagher,2012),平均重建准确率分别为94%,55%和87%,而我们的是96%。表4显示了拼接块的装配精度,其中既不知道正方形拼图块的位置也不知道其方向。见图4。具有未知方向的4类图像(山、森林、动物、建筑物)的拼图游戏求解器结果的示例和使用不同方法获得的解决方案;每行对应于一个示例:(a)原始图像,(b):补丁图像(拼图),(c):基于树的+ LABSSD(Cho等人, 2010),(d):基于树+MGC(Gallagher,2012),(e):HL + GIST + SSD(建议的解决方案)。●●936N. Guerroui,H.Séridi/ Journal of King Saud UniversityPomeranz等人(2011)Sholomon等人(2014)Andaló等人(2012)Son等人(2014)Pomeranz等人(2011)Sholomon等人(2014)Andaló等人(2012)Son等人(2014)Pomeranz等人2011年:Solver02 The Dog(2012)Cho等人,(2010建议的求解器Pomeranz等人2011年:Solver02 The Dog(2012)Cho等人,(2010建议的求解器重建精度重建精度邻居(%)重建精度重建精度100 10090 9080 8070 7060 6050 5040 4030 3020 2010 100540 805 23603300件数0540 805 2360 3300件数图五、我们和不同方法在1型谜题上的性能比较(Olmos和Kingdom,2015)。每一片的大小为P1/4 28像素。100直接比较100直接比较100直接比较50 50 5000 5 10 15 2025图像编号邻居比较10000 5 10 15 2025图像编号邻居比较10000 5 10 15 20 25图像编号邻居比较10050 50 5000 5 10 15 2025图像编号00 5 10 15 2025图像编号00 5 10 15 20 25图像编号图六、性能指标 结果与Cho等报道的结果进行了比较。(2010),Pomeranz et al. (2011)和Gallagher(2012)在直接测量和邻居测量中。 结果(Pomeranz等人, 2011)方法在相关出版物的补充材料中报道。通过 使用传 统的 不同点 , LAB 颜色 空间中 的平 方距离 之和(SSD)和MGC(Gallagher(2012)中的基于树的算法)来检查所提出的方法,在直接比较下,给定的方法相似性将性能提高了11.6%,这是由于循环组装策略。因为在原来的正方形拼图问题中,每边只能有搜索所有小的循环(4-循环)是O<$f3ωNp <$; f,其中是一个片段的一侧可以具有的正对匹配的最大数量,Np是一些对匹配候选。f通常为1至3。然而,值得注意的是,14个谜题被完美地重构,可以看出所提出的方法优于与传统的不同之处(基于树+LAB SSD)和基于树+MGC。重建精度与估计的低分辨率为20图像显示在图。 7在含噪图像上验证了该算法的有效性。显然,该图表明,即使给定估计的低分辨率图像,也很难重建原始图像。为了更好地理解图7,图7中示出了三个图像重建。8.第八条。重建图像的一般形状与原始图像的形状非常相似。此外,虽然图像的部分没有被很好地重建,但是一些部分被有效地组装,尽管它们将从正确的位置偏移重建精度重建精度直接(%)N. Guerroui,H.Séridi/ Journal of King Saud University937表33.我们将我们的结果与Pomeranz et al.(2011),Cho et al.(2010),Gallagher(2012)在直接测量和邻居测量中报道的结果进行了比较。所有20张图像的平均性能指标准确度结果在直接比较下为93%,在邻居比较下为96%,这是对过去方法的显著改进图像Cho等人(二零一零年)03 The Dog(2012)Pomeranz等人(2011年)提出直接Nei直接Nei直接Nei直接Nei(%)(%)(%)(%)(%)(%)(%)(%)1239798477808892224572788281928232564989810010010010045586473267718055521009910010098986353979810010010010076307329848610010081258100100100100991009457909110010010010010159100100100100100100115691001001001001001001245479841001009696131487681878628741426110010010010010010015252772490898992165489294100100100100173701001009796100100184441001001001001001001966310010010010010010020172100100100100100100是说555908791949396表4第2类谜题的重建表现有432个未知位置和方向的谜题。P/28直接内完美基于树的+LAB SSD(Cho等人,(2010年)42.368.21基于树+ MGC(Gallagher,2012)82.290.49HL + GIST SSD(拟定)93.896.414是的。重建的三个噪声测试图像已经横向移位,这可以归因于估计的低决策图像现在不提供足够的横向信息的现实。图7.第一次会议。图像重建精度与估计的低分辨率图像为20个不同的测试图像。见图8。使用估计的低分辨率图像重建的20个不同测试图像中的三个图像的示例。938N. Guerroui,H.Séridi/ Journal of King Saud University表5性能指标(“-”表示未报告结果。)540件805件2360件3300件直接Nei直接Nei直接Nei直接NeiPomeranz等人(2011年)百分之八十三百分之九十一百分之八十百分之九十百分之三十三点四 百分之八十四点七百分之八十点七85.0%Sholomon等人(2014年)百分之九十点六百分之九十四点七百分之九十二点八百分之九十五点四百分之八十二点七 百分之八十七点五百分之六十五点四 百分之九十一点九Andaló等人(2012年)百分之九十点六百分之九十五点三百分之八十二点五百分之九十三点四––––Son等人(2014年)百分之九十二点二百分之九十五点二百分之九十三点一百分之九十四点九百分之九十四点四 百分之九十六点三百分之九十点七百分之九十五点三Son等人(2016年)百分之九十三点六百分之九十六点一––––––提出百分之九十五点三百分之九十七点三百分之九十四点四百分之九十五百分之九十四96.4百分之九十四点一 百分之九十七点五整体百分之九十点九百分之九十四点九百分之八十八点七百分之九十三点七76.1%百分之九十一点二百分之八十二点七 百分之九十二点四N. Guerroui,H.Séridi/ Journal of King Saud University939见图9。Cho et al.(2010)使用相同图像的拼图游戏求解结果示例每一行对应一个示例。这些列是:(1)原始图像;(2)拼图;(3)Cho等人的解决方案。(2010);(4)Gallagher(2012)的解决方案;(5)Pomeranz et al. (2011年);(6)提出解决办法。940N. Guerroui,H.Séridi/ Journal of King Saud University
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![application/pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)