يانغ رو 1، 1 Qinzhen تاو، وو يانغ فبراير

(1. كلية علوم الحاسب الآلي والرياضيات وبانتشيهوا، بانتشيهوا 617000.

2. مفتاح مختبر الجغرافية المكانية معلومات التقنية وزارة الأراضي وجامعة تشنغدو للتكنولوجيا، تشنغدو 610059، الصين)

الرسومات المعمارية القديمة هي الكنوز الوطنية الهامة، القديمة الرسومات المعمارية الحاجة الملحة للحصول على معلومات وإصلاح استخدام تكنولوجيا الكمبيوتر الحديثة. اقترح نموذجا جديدا للإصلاح العمارة القديمة صورة التعلم القائم على القاموس، والتعلم من خلال القاموس خوارزمية K-SVD، وملء بكسل عيب باستخدام المعلومات بكسل المعروفة في حقل متفرق، مما يمكن تصفية الضوضاء وإصلاح صورة العمارة القديمة . التجارب تشير إلى أن خوارزمية يمكن إصلاح صورة من المباني القديمة، والحد من الخطأ مربع يعني من الصورة، لديها إمكانية جيدة وآفاق في التطبيقات العملية.

تمثيل متفرق، الرسومات المعمارية القديمة، قاموس التعلم؛ استعادة الصورة

CLC: TN911

A

DOI: 10.16157 / j.issn.0258-7998.2016.12.013

شكل الاقتباس الصيني: يانغ رو، Qinzhen تاو، وو يانغ التعلم القائم على القاموس في القديم بناء صورة التطبيق استعادة التكنولوجيا الالكترونية، 2016،42 (12): 51-53،57.

الإنجليزية شكل الاقتباس: يانغ رو، تشين Zhentao يانغ Wunian دراسة عن inpainting من رسومات من المباني القديمة على أساس learning.Application القاموس من تقنيات الالكترونية، 2016،42 (12) :. 51-53،57.

0 مقدمة

الرسومات المعمارية القديمة لتعكس العمارة القديمة من المعرفة والفهم فريدة من نوعها، ليس فقط لديها قيمة عالية جدا التاريخية والقيمة الثقافية والعلمية، ولكن أيضا مهمة العمارة العتيقة التعادل الحديثة والمناظر الطبيعية ومناطق الجذب السياحي. الرسومات المعمارية والملمس، والرسومات والخطوط والتنوع الطلاء، تحتاج إلى حماية خاصة. حاليا، في بيئة العمل الفعلية، فإن معظم رسوم البناء في شكل الملفات المحفوظة، مع تغير الزمن، والرسومات المعمارية للعيب خطير جدا، وفي المسح، ومعالجة ميكروفيلم، رسم بكسل خسائر فادحة. وقد تم إصلاح من الرسومات المعمارية والتقييم وإعادة استخدامها باعتبارها تخصصات البناء ومعالجة الصور الكمبيوتر وغيرها من مجالات تركيز البحث والاهتمام. تشي Wenfeng، الذي أشار إلى أن الرسومات التالفة ويرجع ذلك أساسا إلى حموضة الرسم والملمس تتحول الأصفر وجافة، ويترتب على ذلك من تكسير وتمزيق الوضع أكثر خطورة، نظرا لمرور الوقت، سوف يظهر الملمس واللون الرسومات بدرجات متفاوتة العيوب والبقع الصفراء وغيرها من الأضرار، في سياق المخططات المعمارية القديمة لمعالجة المعلومات سوف يؤدي أيضا إلى فقدان بكسل، البقع السوداء وهلم جرا. هذا ويعرض ورقة طريقة جديدة لإصلاح القاموس التعلم القائم، الخوارزمية هي عملية تكرارية لصورة ملطخة خاصة في المجال متفرق لصورة العمارة القديمة بعد المسح وميكروفيلم، وذلك لتحقيق الغرض من إعادة الرسومات المعمارية القديمة. التجارب تشير إلى أن خوارزمية يمكن إصلاح صورة من المباني القديمة، والحد من الخطأ مربع يعني من الصورة، لديها فرص جيدة في التطبيقات العملية.

1 العمارة القديمة نموذج استعادة الصورة

العمارة القديمة نموذج معالجة 1.1 صورة على أساس التمثيل متفرق

في مجال معالجة الصور، سواء المباني القديمة ويمكن التعبير عن الصورة المثالية كما y0RN، والهدف هو العثور على التمثيل متفرق متفرق ناقلات تمثيل X0، X0 و 0 القاعدة || X0 || 0 = K0، لقاء: Y0 = Ax0. A القاموس، B هي المشغل تدهور صورة، ص يمثل صورة عداد المفقودين العينات، ثم: ص = By0. يمثل B مصفوفة الوحدة (الحجم: ن ن) إزالة المصفوفة بعد خط ص .. وفقا خسر (عيب) عينات وجود حجم (NP) ن، يتم تحويل المباني مشكلة استرداد الصور القديمة من أجل مكافحة ناقلات لها تمثيل متفرق ومن ثم الحصول على صورة المتدهورة لا يمكن أن تكون على غرار مثل صيغة (1):

1.2 أزواج حل نموذج

المشكلة منذ الصورة الأصلية Y0 المباني القديمة غير معروفة والمباني القديمة بشكل اكبر عموما، وهناك أنواع عديدة من العيوب، وبالتالي الحاجة إلى وجود كتلة كبيرة من الصورة. بعد إعطاء القواميس A، يتم تقسيم الصورة إلى عدد كبير من القطع الصغيرة، كل منها يحتوي على معامل التمثيل متفرق، B هو تدهور العملية المصفوفة، وفقا للمبادئ العاد وآخرون، وينتمي المشكلة M- متفرق نموذج المجال، يمكنك تحويل الحد الأقصى بعد السؤال اللاحق:

يتم الحصول على الجزء التالي من نموذج حل والقاموس، والناتج صورة يمكن الحصول على صيغة (5)، من بكسل في عداد المفقودين يتم الحصول عليها عن طريق حساب متوسط كتلة بكسل هو معروف.

2 القاموس خوارزمية التعلم

وينقسم القاموس عملية التعلم بشكل عام إلى مرحلتين، وهما متفرق الترميز والتحديثات القاموس. عندما (5) حل المعادلة، يفترض عموما القاموس ARn ك (ك > ن) معروفة، مثل DCT، DWT الاتحاد الفرنسي للتنس، وما شابه ذلك. لتعزيز القدرة على استعادة اصلاح المباني القديمة التصوير القاموس، كنا التعلم عن طريق وزارة الدفاع خوارزمية والخوارزمية K-SVD، فإن عملية التعلم في القاموس ينبغي النظر بكسل المعيبة. وهكذا، مرة واحدة القاموس، متفرق الترميز يمكن أن تكتمل، ومن ثم معامل ثابتة قبل تحديث القاموس، وهو ما يترجم إلى تقليل الخطأ من الصيغة (6):

2.1 MOD القاموس خوارزمية التعلم

. طريقة MOD يشار (الطريقة الأمثل للاتجاه) الاتجاه أيضا كأسلوب أمثل، الخوارزمية المقترحة من قبل K.Engan وآخرون، 1999، اشتقاق الخطأ، ثم سمح ل0، يمكن الحصول عليها:

2.2 تحسين K-SVD خوارزمية التعلم القاموس

عيوب K-SVD صورة ورقة التعلم القاموس وفقا لالمباني القديمة، واستخدام خوارزمية K-SVD يتم تحديث كل مرة A القاموس من AJ القاموس ي-ث العمود، وفقا لصيغة (6)، يستخدم فقط اللبنة الأولى في ك ذرة التي يرمز لها كيه من المجالات، وصيغة يمكن (6) تتحول على النحو التالي:

يمكن الحصول على الانتاج المشترك لكتلة صورة بعد صورة استعادة النهائية، قاموس وزارة الدفاع بعد قاموس من قواميس تعلم وK-SVD التين 1 و 2. يتضح من هذا الرقم، والقاموس يحتوي على ذرات K-SVD عيب منطقة تشوه صورة، مشيرا إلى أن القاموس K-SVD يمكن تعديل بتكيف وفقا لخصائص الصورة، وبالتالي الحفاظ على المعلومات الحافة والمزيد من التفاصيل، أكثر ملاءمة لمعالجة لاحقة.

2.3 تحليل الخوارزميات

التعقيد الحسابي من الخوارزمية يمكن تقسيمها إلى قسمين: الترميز متفرق، وتحديث القاموس (التكرار مرات J) التي تشكل الناتج النهائي لعملية. التعقيد الحسابي لكل بكسل في الصورة من المباني القديمة: O (K L J)، حيث K هو عدد ناقلات عمود من القاموس، L هو رقم صفر غير عناصر كل معامل عموما اعتمادا على عدد من الفرق الضوضاء وصورة بكسل عيب من المباني القديمة.

3 المحاكاة

في هذه الورقة، تم اختبار أداء الخوارزمية، والتجارب مع صورة طنف العمارة القديمة تسمى الزوايا الأربع للجناح، من جامعة تشنغدو للتكنولوجيا، وحجم الصورة 256 256. PC المستخدمة في التجارب هي وحدة المعالجة المركزية 3.0 غيغاهرتز، ذاكرة الوصول العشوائي 2 GB، نفذت خوارزميات GNUOctave. الرقم 3 على التوالي بعد إضافة الضوضاء 20 ديسيبل، وفقدان القديمة الأصلية بكسل صورة العمارة من 50، واستخدام نتائج إصلاح MOD خوارزمية التعلم القاموس واستخدام إصلاح نتائج الشكل القاموس K-SVD التعلم الخوارزمية. تحديد عدد الذرات في القاموس 256، حجم الكتلة صورة هو 8 8. 4 أن يزيد ذلك من عدد التكرارات، وزارة الدفاع القاموس خوارزمية التعلم وK-SVD التعلم القاموس إصلاح تأثير مقارنة الرسم الخوارزميات. الجدول 1 باستخدام القاموس خوارزمية التعلم وزارة الدفاع وK-SVD القاموس التعلم خوارزمية RMSE (الجذر مربع الخطأ نفسه) بعد 15 التكرارات التي تم الحصول عليها. ويبين الشكل 3 أثر استخدام K-SVD الخوارزمية متفوقة بشكل كبير في إصلاح خوارزمية تأثير الترميم وزارة الدفاع، وخصوصا في الجزء العلوي الحق هو أعلى الموسع جزئيا العمود كما هو مبين في الشكل.

في هذه الدراسة، واستخدام القاموس K-SVD تعلم خوارزمية لتحقيق استعادة صورة المباني القديمة يتضح من الشكل (4)، وأثر إصلاح K-SVD القاموس خوارزمية التعلم متفوقة MOD خوارزميات التعلم القاموس، وقوية خوارزمية K-SVD أكثر قوية.

4 خاتمة

استنادا إلى صورة عيب المشكلة القديم نماذج العمارة، ثم استخدم إصلاح خوارزمية التعلم القاموس الصورة عيب. من خلال أربع زوايا الطنف جناح القديمة المباني اختبار صورة إصلاح، مشيرا إلى أن K-SVD خوارزمية التعلم القاموس له تأثير أفضل. في هذه الورقة، والتعلم الآلي وتكنولوجيا معالجة الصور على حل الرسومات المعمارية القديمة، وضعت الأدب القديم الإصلاح قضايا أخرى أفكارا جديدة، وتحسين وتوسيع تطبيق الخوارزمية هو التركيز على البحوث المستقبل.

مراجع

 رقمي ثلاثي الأبعاد بحوث التكنولوجيا مفتاح النمذجة وانغ رو المباني القديمة في مدينة شيآن: جامعة نورث وسترن، 2010.

 الرسومات الهندسية الدراسة وإدخال تلقائي نظام تحديد الهوية جون دو مينغ بكين: جامعة الصين الزراعية، 2000.

 وقد أظهرت N ميتاكساس D، AXEL L.Recent أساليب جديدة ونهج في مجال الاستشعار عن الضغط القائم على تبعثر والتعلم متفرق نتائج واعدة Introduction.Med صورة الشرج، 2014،18 (6) :. 819.

 الدار Y C.Compressed الاستشعار: النظرية وجامعة applications.Cambridge برس، 2012: 556.

 العاد M، أهارون M.Image تقليل الضوضاء عن طريق التمثيل متناثر وزائدة تعلمت على مر dictionaries.IEEE عملية المعاملات صورة، 2006،15 (12): 3736-3745.

 OLSHAUSEN B A، D مجال J.Sparse الترميز مع مجموعة أساس overcomplete: استراتيجية تستخدمها V1.Vision بحوث، 1997،37 (23): 3311-3325.

 روبنشتاين R، T بيليغ، العاد M.Analysis K-SVD: خوارزمية للتعلم القاموس لتحليل متفرق المعاملات model.IEEE على معالجة الإشارات، 2013،61 (3): 661-677.