数据分割范文（精选6篇）
数据分割 第1篇
一、云存储模型分析
对于MCSERS云存储模型而言, 其主要是利用各种公有云的技术与服务, 构建个人用户的存储私有云, 具体如下图1所示。该模型可分为四层, 每一层都具有一定的承接关系, 下层服务是构建上层服务的基础, 由上至下分为是服务层、安全存储层、安全传输层、节点层。安全存储层利用访问限制和数据加密等技术, 对用户数据的完整性、可用性和机密性加以保护。安全传输层则是在同一安全域中集中较为分散的云存储模块, 搭建安全通信通道, 保证传输的一致性及安全性, 有效满足客户端动态变化和存储模块的特性, 简化资源使用流程, 实现云计算资源的动态分配。计算节点涉及不同的组件, 如信息记录节点、存储流程控制节点、存储节点等, 不同的计算节点具有不同的任务流程, 能够降运营商存储造成的内部威胁。
二、云端存储层的设计
(一) 架构
为了避免恶意用户截取云存储数据的机密性, 必须要保证云存储端存储和传输数据的合法性, 将加解密设置在用户密钥的终端。通常MCSERS云存储层架构包括以下几个方面:
1) 第三方身份认证服务提供商:其主要是对用户终端的身份进行认证, 可由任何节点接入云存储且获得元数据服务器的信任, 并利用账户密钥和账户身份来增强用户数据的保密性。
2) 存储节点:其是对用户数据分片进行存储, 利用元数据服务器控制来读取或存储数据分片。
3) 数据分割处理器:其对数据冗余重组和分割加以负责, 具有强大的吞吐能力与计算机能力, 适用于数据分片的交流工作;而用户只有证明其合法性, 并利用存储指令和运数据读取, 才能获得元数据服务器的信任。
4) 元数据服务器:其是云端储存的代理管理节点, 能够分配编号用户数据;同时用户需要实现申请服务器, 然后配置好脚本后接入到云存储域中。
5) 用户终端:用户可以借助终端节点来登录云存储域, 并与元数据服务器相连, 将元数据服务器接入到浏览器或终端使用软件中, 通过第三方身份认证服务后可以使用所提供的存储服务。
(二) 服务流程
用户在MCSERS云存储方案中可以任意终端为依据, 接入云存储域来读取或存储数据, 当然这一过程需经过如下步骤:
1) 元数据服务器通过第三方身份认证服务来认证用户身份, 确认通信实体为数据拥有者后, 由信任终端发出数据存储读取指令。
2) 认证完用户终端之后, 用户可发出数据存储指令, 这时元数据服务器可为用户分配一个计算节点, 以此当成数据分割处理器, 如果用户接受则可借助用户密钥来签名此次会话, 然后发送至服务器, 继而确认有效性, 提供存储位置服务。
3) 在数据分割处理器中上传加密后的数据, 并在存储数据分片中使用有效存储节点地址, 记录好相关的分片信息。
4) 处理器发出数据读取操作与分片存储之后, 元数据服务器应将操作认证信息发送至存储节点, 当存储节点确认操作有效后可读取和存储数据分片。
以MCSERS云存储流程为例, 在同一VPN实例内, 用户即便满足加入实例的条件, 也有可能无法满足访问数据的条件, 这就需要单独认证处理用户终端的身份。用户终端相元数据服务器发送认证请求和必要信息, 当其接收到请求后进行账户加密处理, 然后相应的Id P通过解密来认证身份, 并相元数据服务器返回信息真伪。通常云存储端读取过程如下:用户终端以用户数据编号为依据提出读取申请, 元数据服务器选取数据分片后发送至处理器, 继而结合所获取的读取许可证发出认证信息, 认证成功后返还相应分片, 由数据分割服务器重组数据分片后返还给用户终端, 最终保证数据的完整性与可用性。
三、结语
模块化的云存储方案设计可以保证存储过程的灵活性以及选择的多样性, 适用于分布式的云存储场景。而基于MCSERS的云存储方案主要是利用云端VPN服务, 在统一的安全域中维护存储组件, 保证数据的安全传输, 并通过用户身份验证来严格管理权限, 以免用户数据分片被非法人员获取, 增强用户数据的保密性。本文构架的方案适用于云服务运营商, 可以有效提高网络存储服务的可靠性及安全性, 便于用户在不同运营商之间进行数据的存储及迁移。
摘要：在科学技术日新月异的背景下, 云技术被广泛应用在社会生活的方方面面, 为人们提供了便利的条件。以往运营商在实际经营发展过程中, 仅仅只有单一的云存储方案, 不能为用户制定个人的云存储服务, 难以满足用户的多样化需求。而现阶段, 运营商可以利用先进的技术来设计模块化的云存储方案, 不仅能保证用户数据的访问控制安全、存储安全和传输安全, 还能增强数据的完整性、可用性、机密性, 为用户提供安全可靠的网络存储服务。本文以MCSERS云存储模型为例来分析数据加密分割的模块化云存储方案。
关键词：数据加密分割,模块化,云存储方案
参考文献
[1]郑洪英, 王博, 陈剑勇.实现加密和分割的数据云存储方案[J].深圳信息职业技术学院学报, 2014, 01:40-45.
婚后财产财产分割应如何分割 第2篇
新的婚姻法下的财产如何分割
财产分割(俗称析产)，是指财产共有人分配共有财产的行为。
财产分割常见的有：分割家庭共有财产、分割夫妻共有财产、分割共同继承或受益的遗产、分割合伙经营的财产、分割合资合作联营 的财产等。分割协议，是指财产共有人经协商一致，对其共有的财产达成分割意见的书面协议。分割系共有人分配共有财产的行为，常见的财产分割有：分割家庭共有财产、分割夫妻共有财产、分割共同继承或受遗赠的财产、分割合资(合作)或联营的财产等。要算清家底，包括共有财产、个人财产、债权、债务情况。
离婚财产分割注意什么?
1、确定分割的原则和标准;
2、婚姻存续期间，承担义务较多的，可以要求补偿，多分些财产;
3、对方如存在重婚、与他人同居等过错，无过错一方，可以要求赔偿;
4、离婚后一方生活有困难，可以从帮助的角度多分些财产;
5、跟子女的一方、妇女一方，在分房、财产可适当照顾;
6、财产分割最好找一个双方都信得过的人或律师做中证人，主持分割。
要区分所分割财产是按份共有还是共同共有，分割按份共有的财产是财产共有的按已有的份额进行分割，分割共同共有的财产是财产共有人先确定每个财产所有人的份额，后按确定的份额进行分割。其次，产权必须明确、清楚。再次，协议书内容要符合均等处理并考虑共有人对共有财产的贡献大小。另外，对不宜分割或分割有损其价值的财产，协议当事人可采取折价补偿等方式处理。共有财产分割后，当事人一方要出卖自己分得的财产时，若该财产与其他共有人分得的财产属于一个整体或分配使用的，其他原共有人有优先购买权。
夫妻共同财产具体主要指：夫妻关系存续期间一方或双方的各项合法收入以及由该收入转化而成的各项财产和财产性权利。夫妻关系存续期间自结婚登记之日起至离婚登记或离婚判决生效。
具体的.应包括：(一)夫妻双方各自的工资、奖金。(二)生产、经营性的收益。(三)知识产权的收益。(四)继承或接受赠予所得的财产。(五)一方或双方对外享有的债权。
根据上文的讲解后，我们清楚的知道进行离婚财产分割时一般是需要注意什么了。由于双方都想在离婚的时候为自己争取更多的利益，因此建议你最好是委托专业律师来帮助你。如有需要可以通过我们律师365网站委托你所在地区的律师来帮助你。
★ 协议离婚后就财产分割问题反悔怎么办？
★ 协议离婚财产分割
★ 财产分割答辩状
★ 协议离婚后能否再起诉
★ 无婚后财产离婚协议书
★ 离婚协议签订后办理离婚登记之前的财产分割
★ 离婚后小孩改姓申请书范文
★ 离婚房产分割协议详解
★ 夫妻离婚房屋如何分割，签房屋分割协议注意事项
数据分割 第3篇
由于医学图像通常由感兴趣区域和背景区域构成，其中感兴趣区域包含重要的诊断信息，把感兴趣区域分割出来是医学图像处理与分析要解决的首要问题及技术难点。由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异性，将一般的图像分割方法直接应用于医学图像的分割效果并不理想。因此，医学图像分割除一般的分割技巧外，还须结合医学领域中的知识，才能做出合理的分割。其中，对区域生长法进行改进用于医学图像感兴趣区域分割一直受到国内外学者的持续关注。Angelina S等[5]提出一种区域生长法与遗传算法相结合的医学图像分割算法，用于恶性黑色素瘤等皮肤癌的早期诊断;Wu Haishan等[6]提出采用迭代的区域生长算法分割卵巢细胞内染色质;宋子国等[7]提出将区域生长法与Graph Cut相结合，用于颅脑及肝CT图像分割;陈彦达等[8]提出了一种新的肝脏CT序列图像区域生长算法，主要改进了种子点的选取。考虑到肝脏CT图像病灶边界模糊，而对CT图像做网格划分可以增强边界界限，去除骨骼、背景等对后期分割的影响[9]。因此，针对肝脏CT图像的成像特点，提出了一种基于数据网格和改进的区域生长法相结合的肝脏CT图像自动分割方法，基本思想是先通过数据网格划分对原始图像做粗分割，后利用肝脏CT图像的先验知识确定区域生长的种子点，并提出一种自适应获取生长阈值的方法，进而利用改进的区域生长法及后继处理获取感兴趣区域肝脏。实验表明，该方法可以完整的提取肝脏，实验取得了较为满意的实验效果，为医学肝脏CT图像的自动分割提供了新思路。
1 相关理论与方法
1.1 数据网格的概念
所谓网格，是指向量空间中由一组(超)平面所界定的空间区域的集合[10]。以下是Rd空间意义下空间网格划分的概念。
d维空间Rd上的剖分平面是满足式(1)的(d-1维)超平面。
如果系数向量(w1,w2，…，wd)中只有一个非零分量，即:存在wi≠0，而wj=0,j=1，…，i-1,i+1，…，d，则称该剖分平面为正剖分平面;否则称为斜剖分平面。空间Rd上的网格结构是由一组可数个互异的剖分平面H={H1,H2，…，Hm}所界定的空间区域组成的集合。如果全部的剖分平面Hj(j=1,2，…，m)均为正剖分平面，则所得的网格结构称为规则网格，否则称为非规则网格。
对特定的M×N的灰度图像D，如果根据参数σ进行等距规则网格划分，将每一个像素点映射到适当的网格中，然后根据落在网格单元中的灰度值之和Nall，可以将网格分成三大类:稠密网格、有效数据网格和稀疏网格。Nall的定义如式(2)所示
当Nall满足式(3)时，映射的网格单元标记为稠密网格。
式(3)中，L代表该灰度图像的灰度级，ξ为阈值，满足ξ∈[0,0.5]。同理，当Nall满足式(4)时，映射的网格单元标记为稀疏网格。当Nall满足式(5)时，映射的网格单元标记为有效数据网格。
1.2 改进的区域生长法
区域生长法主要考虑像素及其空间邻域像素之间的关系，首先确定一个或多个像素点作为种子，然后按某种相似性准则增长区域，逐渐合并以形成所需的分割结果[11]。
区域生长法主要涉及三个关键点:选择合适的种子点、确定相似性准则以及确定生长停止条件。具体到本文讨论的医学肝脏CT图像，由于感兴趣区域肝脏在整幅CT图像中的位置是相对固定的，所以可以根据先验知识，人工选择种子点。确定种子点后，以该点为中心，按相邻八像素向外生长。若种子点像素值为g，取阈值为t，则g±t作为生长像素的条件。生长阈值t的选取可以通过反复实验选取。现在实验的基础上，提出通过在迭代式阈值选择法的基础上自适应选取。
基本步骤如下:
(1)选择一个初始阈值T0。
(2)用T0分割图像。大于T0的所有像素组成的区域记为G1，小于或等于T0的像素区域记为G2。
(3)计算G1和G2中的所有像素的平均灰度值μ1和μ2。
(4)按式(6)计算新的阈值。
(5)重复步骤(2)～(4)，直到逐次迭代所得到的T值之差小于某个给定值，取t=|T-Tavg|，Tavg为图像平均灰度值。实验证实这种预先自适应选择生长阈值t的方法对肝脏CT图像切实有效。
2 实验结果及分析
2.1 图像数据网格划分
为了验证算法的可行性与有效性，分别以一副正常和异常的腹部CT图像为例进行仿真分析。原始图像的灰度级L为256，图像分辨率M×N=512×512。按照网格划分理论进行粗分割，效果分别如图1和图2所示。对于灰度级为L的灰度图像，众所周知，图像在存储的时候用灰度值0代表纯黑，灰度值L-1代表纯白。对实验结果的观察可以发现，网格划分正是利用了医学肝脏CT图像的这一特点，经过网格划分后，稠密网格多对应医学图像的骨骼组织，稀疏网格多对应医学图像的背景区域，这些区域都是非感兴趣区域。因此，剩下的有效数据网格部分即为粗分割的结果。
对肝脏CT图像做网格划分时应当注意，参数ξ的选取非常重要。如果取值过小，背景去除的就过少，影响后期区域生长法的分割效果;但如果取值过大，就会导致过分割。实验表明，针对肝脏CT图像，ξ取0.38左右是比较合适的。
2.2 区域生长法分割结果及讨论
由于肝脏在CT图像中的位置相对固定，总是在CT图像的左偏下位置，因此，接下来对经过上述步骤网格划分后的图像做改进的区域生长法分割时，可以利用先验知识选取合适种子点。仍以上两幅图像为例，正常异常肝脏CT图像的分割结果分别如图3和图4所示。
区域生长法分割后的图像后期需要做连通域目标面积统计，以便消除小面积伪目标，最终才得到理想的分割结果。从上述实验结果看，采用本文方法可以较为准确的获取肝脏CT图像中的感兴趣区域———肝脏。此外，细心观察会发现，分割结果的边界存在有一定的块效应，边界不平滑，原因是前期网格划分造成的，但对图像的后期分析与理解影响不大。
3 结束语
由于医学图像的特殊性，至今还没有一种适用于任何医学图像的通用分割方法，也不存在判断分割是否有效的客观标准。医学图像分割技术仍然是制约医学图像处理中其他相关技术发展和应用的一个瓶颈。由于考虑到肝脏CT图像的自身特点，提出了一种基于数据网格和区域生长法相结合的肝脏CT图像感兴趣区域分割方法，并实验验证了算法的可行性与有效性。通过本文方法提取的肝脏较为完整，但算法中参数ξ的自适应选取仍是未来的研究重点。
参考文献
[1] 黄文博,燕杨,王云吉.医学图像分割方法综述.长春师范学院学报(自然科学版),2013;32(2):22—25
[2] Jiang Huiyan,Gao Xihe.Semi-automatic liver segmentation using improved GVF snake model.Advanced Materials Research,2010;121 —122:435—440
[3] Kaura P,Sonib A K,Gosain A.A robust kernelized intuitionistic fuzzy c-means clustering algorithm in segmentation of noisy medical images.Pattern Recognition Letters,2012;34(2):163—175
[4] Liu Jianli,Zuo Baoqi.The segmentation of skin cancer image based on genetic neural network,CSIE,2009;5:594—599
[5] Angelina S,Suresh L P,Veni S H K..Image segmentation based on genetic algorithm for region growth and region merging.ICCEET,2012;E95—D(8):970—974
[6] Wu H S,Gil J,Deligdisch L.Region growing segmentation of chromatin clumps of ovarian cells using adaptive gradients.Journal of Imaging Science and Technology,2004;48(1):22—27
[7] 宋子国,战荫伟.基于Graph Cut与区域生长的连续CT图像分割算法.计算机系统应用,2012;21(9):206—209
[8] Chen Yanda,Bao Susu.Novel segmentation algorithm of region growing based on CT image sequences of liver.Computer Engineering and Applications,2010;46(13):188—190
[9] 郭依正,焦蓬蓬.基于有效数据网格的Gabor小波纹理特征提取算法.微型机与应用,2009;19:18—21
[10] 胡云,孙志挥,李存华.基于数据空间网格划分的PK树索引结构.计算机应用研究,2005;12:33—35
数据分割 第4篇
ArcIMS是由Esri公司开发的Web GIS软件产品, 提供了一种通过网络获取动态地图、空间数据以及各种相关服务的途径[2]。所有的空间数据均由IMS空间服务器动态从数据库中获取, 保证了空间数据的现势性。地图数据分割技术基于预生成的地图图片, 通过地图图片坐标与地理坐标的正反算实现地图的Web显示以及空间分析等GIS功能。
1 基于ArcIMS技术实现WebGIS
ArcIMS是功能完善的高性能Web GIS开发软件, 主要包括客户端表现层、业务逻辑层和数据层三层体系结构, 各层之间均使用ArcXML语言进行通信。业务逻辑层包含了网络服务器、ArcIMS应用服务器、空间服务器以及服务连接器。其中, 服务器中最前端的是网络服务器, 它通过HTTP协议处理客户端请求, 发送给应用服务器并把请求结果返回给客户端;应用服务器记录在每个空间服务器上运行的服务, 接收网络服务器的请求以后, 负责将不同的请求分发给相应的空间服务器。连接器提供网络服务器和空间服务器的通道。空间服务器是整个ArcIMS的核心, 它运行ArcIMS服务, 并最终处理请求, 从数据层读取相应数据与请求处理信息一起返回客户端。
使用Arc IMS开发Web GIS系统, 首先用Author将处理好的数据进行符号化配置, 并设置服图层显示比例尺等, 保存成.axl配置文件;接着使用Administrator配置地图服务, 最后基于地图服务, 开发完成客户定制化的Web GIS的系统。
2 基于数据分割技术实现WebGIS
地图数据分割技术指的是, 根据指定的尺寸和图片格式, 将指定地理坐标范围内的地图切成若干行列的正方形 (或矩形) 图片, 按照一定的索引规则保存在数据库服务器。网络服务器接收客户端请求以后, 根据请求的地理坐标范围, 反算出需要显示的地图数据分割, 调出并返回显示在客户端的技术。其中, 地图数据分割也被称为瓦片 (Tile) 。基于数据分割技术, 通过加入坐标的正反算, 也可实现量算、空间分析等GIS功能。其中地图的数据分割生成和地图坐标的正反算是数据分割技术的两个核心。
2.1 地图的数据分割
根据细节层次模型 (LOD) 的思想, 在不同比例尺下, 用户通过地图关注的地理要素细节会发生变化。因此, 对于某一特定范围的地图数据, 需要根据比例尺的大小切分不同详细程度级别的地图数据分割。一般来说, 比例尺越大, 加载的地理要素越多, 地图内容越丰富, 相应地, 地图数据分割的数量也就越多。
2.2 地理坐标与地图数据分割的正反算
(1) 正算:通过行列号 (i, j) 推算出坐标范围
第k级下i行j列位置地图数据分割的坐标范围计算公式如下:
其中, XMin, YMax为第k级地图的x, y坐标极值;Δx, Δy为地图数据分割的横纵坐标差;m, n为第k级地图数据分割的行列数, 以下同。
(2) 反算:由x, y坐标值推算出地图数据分割的行列号i, j
3 ArcIMS技术与数据分割技术相结合的WebGIS架构
的无级缩放和控制显示, 以及基于空间数据强大的WebGIS功能;不足在于, 每次客户端请求新的地图范围, 空间服务器均需要进行复杂的空间运行, 重新生成一张新的地图, 当用户访问量较大时, 服务器压力较大。地图数据分割技术最大的优势在于, 服务器端不需要复杂的空间计算, 充分利用了客户端的图片缓存技术, 减轻了服务器端的压力。
与某项业务系统相结合的Web GIS, 以某银行网点的网上查询维护系统为例, 数据一般包括两部分, 一部分为地理底图数据, 如面状行政区域及线状道路数据等;另一部分为业务数据, 如银行网点及相关点状POI数据。其中, 地理底图数据较为复杂, 且由国家测绘相关部门提供, 数据相对较稳定, 更新周期较长;而银行网点数据相对简单, 由银行业务人员维护, 新开、变迁网点等银行业务发生相对频繁。可见, 地理底图数据部分适合使用地图数据分割技术实现, 使用ArcIMS动态生成地图会使得空间服务器资源大量浪费在复杂地理底图的生成;银行网点数据适合ArcIMS技术实现, 使用地图数据分割技术实现网点的数据维护及空间分析较为困难。
因此, 使用ArcIMS技术与数据分割技术相结合的方式, 是一种更为合理的WebGIS架构。如图1所示。
基于上述架构, 实现了一个银行网点的WebGIS原型系统。其中, 银行的网点数据及图标由ArcIMS动态生成, 其余水系、道路等地理底图由预生成的地图数据分割组合得到。该原型系统可实现地图的放大、缩小等基本操作, 比使用ArcIMS动态生成地图响应时间更短。可以基于此原型系统进一步的研究实现基于银行网点的数据维护及空间操作等。
参考文献
数据分割 第5篇
合成孔径雷达 (synthetic aperture radar, SAR) 因其具有全天候、全天时、覆盖面积大、空间分辨率高、成本低等优点, 已经成为海面溢油检测的重要技术手段。在有油膜的海面, 油膜抑制了能在海面产生足够毛细波和短重力波的Bragg共振波, 从而降低了海面粗糙度;SAR信号在平滑的海面上发生镜面反射远离SAR传感器, 从而导致SAR接收到的后向散射回波减小, 油膜在SAR图像的灰度级低于周围海水背景的灰度级, 最终呈现比背景水域相对灰暗的暗斑或条带特征[1]。海面溢油检测的主要任务是提取出图像中的暗斑或条带区域, 把油膜和海水背景分割开来。图像分割是溢油检测的重要步骤, 直接影响海面溢油检测的最终结果。基于数据驱动的SAR图像分割方法, 直接利用SAR图像数据中包含的灰度、边缘、区域和纹理等信息进行分割处理, 其中阈值法因其实现简单、计算量小、性能较稳定等优点被广泛采用。就阈值分割研究而言, 目前主要集中在分割算法的改进和创新上, 但对现有阈值分割算法的比较研究很少, 本文结合SAR溢油图像特点, 以ENVISATASAR溢油数据为例, 首次将最大熵法、二维最大类间方差及改进二维最大类间方差三种阈值分割算法进行分析比较, 检测不同阈值算法用于溢油检测的适用性。实验结果表明, 本文算法是一种抗噪性能较好, 分割精度高, 运算速度快的溢油阈值分割方法。
2 SAR溢油图像阈值分割算法
2.1 二维最大类间方差分割
最大类间方差 (Otsu) 方法是Nobuyuki Otsu提出的一种经典的图像阈值分割方法。该方法以图像的一维直方图为依据, 以目标和背景之间方差最大为准则, 在图像质量较好的情况下能取得很好的阈值。但当图像的噪声较强时, 由于该方法仅仅考虑了像素自身灰度, 而没有考虑周围像素, 因此噪声的存在会极大地影响分割效果[2]。针对最大类间方差算法抗噪性较差的缺点, 有学者提出了下文的二维最大类间方差算法。
设一幅灰度级为L的的SAR溢油图像, , (x0, y0) 处的灰度值为f, 该点周围N´N邻域的平均灰度值为g (x0, y0) 。设满足灰度度f=i和均值g=j的像素个数为h (i, j) , 并将h (i, j) 归一化到灰度值表示范围内, 得到如图1 (a) 所示的二维直方图图像。若图像像素为M, 则灰度点 (i, j) 处的二维联合概率密度pij和直方图的均值向量分别为:
给定二维阈值向量[s, t], , 用一对正交直线f=s, g=t可将二维直方图划分为四类长方形区域, 45对角线附近的区域0和1对应背景和目标, 离对角线较远的区域2和3对应少量的强边缘及噪声, 如图1 (b) 所示。
区域0和1的出现概率及均值向量分分别为
假设区域2和3上所有概率都忽略不计, 即满足。定义类间方差BCV (Between-Class Variance) 的表达式为:
最优分割阈值即为BCV取最大值时所对应的二维阈值向量
上述方法假设图1 (b) 中区域2和区域3中所有概率都忽略不计, 但由图1 (a) 的二维直方图不难看出, 区域2和区域3在靠近对角线的区域内仍有部分pij≠0的亮点。计算时将这些点全忽略, 会影响分割结果, 而如果考虑这些点, 则会增加计算量, 针对这一问题, 结合二维直方图的亮点几乎都分布在对角线附近的一个条带内的特点, 文献[3]提出:先确定一条等宽条带, 再用一条垂直直线或-45直线作为阈值向量对条带进行分割, 分割后的区域0和区域1即分别对应背景和目标, 如下图2 (a) 所示。二维最大类间方差算法以像素灰度和邻域均值组合的二维向量表示二维直方图, 既考虑了像素自身灰度信息, 也考虑了像素的邻域空间灰度信息, 抗噪性有了很大增强。
2.2 改进二维最大类间方差分割
在二维最大类间方差算法的基础上, 本文分析了SAR溢油图像叠加乘性噪声的二维直方图特点, 建立了新的相干斑乘性噪声的直方图区域划分方法“非等宽条带划分法”。当图像没有任何噪声干扰时, 同一区域内的像素具有相近的灰度值, 除边缘之外的相邻像素之间的相关性很强, 单点像素灰度f与其邻域均值g应满足g≈f, 所以可以认为pij≠0的亮点几乎都分布在二维直方图45o对角线附近一个很窄的等宽条带。图2给出了一幅真实SAR溢油图像的二维直方图图像。邻域尺寸越大n越, 亮点分布越散, 条带越宽, c越大;反之, 亮点分布越密, c越小。当n=1时, gºf亮点都分布在对角线上 (此时c=0) ) [4]如图2 (a) 所示。
与光学图像不同, SAR图像相干斑乘性噪声对二维直方图有特殊的影响。当图像叠加乘性噪声后 (均值1, 方差2) , 由概率统计学理论, 绝大部分观测值都落在一个有限区间[-3, (10) 3]内。所以f的波动范围可认为是 (13) f, 则等宽条带相应扩大为
所以条带扩大为, 即一个以45o对角线为对称轴的开口前小后大的非等宽条带, 条带前端亮点较集中, 开口较小, 条带后端亮点较分散, 开口较大, 如图2 (b) 所示。显然乘性噪声方差越大, 亮点分布越散, b就越小, 条带后端开口就越大。利用乘性噪声模型, 在包含绝大部分背景和目标点的同时, 尽可能地缩小了有效区域的计算范围, 降低了计算量。由于邻域均值受噪声的影响相对较小, 因此邻域均值比单点灰度值稳定, 且邻域尺寸N越大, 均值越稳定。在邻域均值保持不变的时, 单点灰度值受噪声干扰随之波动。由此可见, 对二维直方图以g=t的水平直线进行分割, 更符合二维直方图的实际图像模型。
3 实验结果与分析
为了验证本文提出算法的有效性, 选取2012年10月15日的ENVISAT ASAR宽刈幅数据[5]的局部图像 (图像大小853×295) , 分别采用最大熵、最大类间方差和改进最大类间方差三种分割算法进行了实验, 并对相应结果进行了定量比较。实验在Intel Pentium Dual.Core 2.93GHz的环境下进行, 算法通过VC++6.0编程实现。
图3 (a) 、分别为原始溢油SAR图像;图3 (b) 为基于灰度矩阵最大熵的分割结果;图3 (c) 为基于二维最大类间方差算法的分割结果;图3 (d) 为基于改进二维最大类间方差算法的分割结果。由上述海面溢油SAR图像的分割结果可以看出, 基于最大熵、二维最大类间方差、改进二维最大类间方差分割方法都能够提取到大致的溢油区域, 但是由于强噪声的影响导致基于最大熵分割效果很差, 目标阴影和背景被混合在一起, 溢油区域没有被单独分开;二维最大类间方差算法的分割结果与原始图像对比发现, 溢油区域轮廓模糊, 斑点噪声过多, 不能够准确表示海面溢油区域。与前两种分割方法相比, 本文提出的基于改进二维最大类间方差分割算法所得溢油区域更为准确, 边界轮廓清晰, 并且降低了对斑点噪声的敏感性。
为了进一步验证各分割算法的性能, 本文采用一定的质量测度来判断分割结果的优劣。性能评估方法通常分为:优度实验法和差异实验法, 由于差异实验法必需有参考图, 而对于实际SAR溢油图像, 精确的分割结果往往不能自动获得, 一般需要借助专家丰富的经验知识进行手动分割。因此, 选择内部均匀性度量和区域间对比度两种不需要参考图的优度实验法进行量化比较:设为图像中不同区域;C为归一化系数;f (x, y) 为 (x, y) 的像素强度值;iA为区域域iR中像素个数;则定义分割图像的区域内部均匀性测度UM (Uniformity Measure) 为[6]。
内部均匀值越接近1, 证明分割后区域内部越均匀, 图像分割质量越好。
区域间对比度:设两个相邻区域的平均灰度分别为, 则定义它们之间的灰度对比度GC (Gray-level Contrast) 为:
显然GC越大表明分割质量越好。从表1可以看出, 2D-Otsu算法UM和GC值明显高于最大熵分割, 但分割所用的时间比最大熵要多, 改进2D-Otsu算法UM和GC值最高, 且分割时间最短, 因此可以认为利用该方法进行溢油分割效果较好。
4 结语
本文将最大熵和二维最大类间方差算法应用到海面溢油SAR图像分割, 针对其区域划分的缺陷和运算速度慢的缺点, 提出了一种基于改进二维最大类间方差的SAR溢油图像分割算法, 即只利用位于二维灰度直方图的对角线周围的像素点参与计算, 这样在计算阈值时, 不但尽可能多的包含了背景点和目标点, 并且减少了远离对角线的边缘点和噪声点的影响。采用实际海面溢油SAR图像数据进行了实验, 并依据主观视觉效果对比、内部均匀值、灰度对比度以及平均分割时间等指标进行了量化评价, 实验结果表明, 和经典最大熵以及原始二维最大类间方差分割算法相比, 本文算法是一种抗噪性能好, 分割精度高, 运算速度快的SAR溢油图像阈值分割算法。
摘要：本文针对SAR图像中溢油区域的散射特点, 首次将二维最大类间方差阈值分割算法应用于SAR溢油分割, 并提出了一种基于改进二维最大类间方差的SAR溢油图像分割算法。基于ENVISAT ASAR溢油图像的实验结果表明, 和经典最大熵以及原始二维最大类间方差分割算法相比, 本文算法是一种抗噪性能好, 分割精度高, 运算速度快的SAR溢油图像阈值分割算法。
关键词：图像分割,阈值分割,溢油检测,2D-Otsu
参考文献
[1]B.Minchew, C.E.Jones, and B.Holt, Polarimetric Analysis of Backscatter From the Deepwater Horizon Oil Spill Using L-Band Synthetic Aperture Radar, IEEE Trans.Geosci.Remote Sense, 2012, 50 (10) :3812-3830.
[2]Zhang Y Z, Lin H, Liu Q, et al.Oil-spill monitoring in the coastal waters of Hong Kong and vicinity[J].Marine Geodesy, 2012, 35:1-14.
[3]B.Minchew, C.E.Jones, and B.Holt, Polarimetric Analysis of Backscatter From the Deepwater Horizon Oil Spill Using L-Band Synthetic Aperture Radar, IEEE Trans.Geosci.Remote Sense, 2012, 50 (10) :3812-3830.
[4]D.Velotto, M.Migliaccio, F.Nunziata, and S.Lehrer, DualPolarized Terra SAR-X Data for Oil-Spill Observation, IEEE Trans.Geosci.Remote Sense, 2011, 49 (12) :4751–4762.
[5]ZHANG H ZH, KANG ZH W.Variational level set model integrated with fuzzy clustering for image segmentation[J].Journal of Electronic Measurement and Instrument, 2011, 25 (4) :325-330.
数据分割 第6篇
虽然人工智能技术已广泛应用于解决故障诊断问题,但随着电网规模的扩大,故障诊断仍是一个难题,这主要是由于大规模电力网络的信息量很大,特别是在保护和断路器不正常动作或多重故障的情况下,故障诊断要保证速度和精度尤为困难。由于故障诊断具有局域性,即:故障元件可由且仅由其主保护、后备保护和相应的断路器的状态来判别,而这些信息都是故障元件领域的局部信号。因此,没有必要也不应该把整个电网的所有保护开关信息都作为条件属性来对其进行约束,可以考虑将大规模电网分割成一定的子网,然后在每一个子网中,再利用人工智能方法进行故障诊断。本文对现有的电网分割方法加以分析,在这些方法的基础上尝试采用一种图形分割和蝶型分割相结合的电网分割方法。
1 现有的电网分割方法
电网分割可以用以下几种方法[2,3]。
1.1 无重叠分割法
如图1,直接取n=3对电网进行无重叠分割。
这种分割方法能反映圈内元件的大部分故障情况,但涉及边缘问题的故障情况就难以得到反映。例如当变压器T发生故障而断路器CB1出现拒动时,会引起左端虚线子网内的断路器动作,而这些信号却不能被T所在子网涵盖,因此类似这样的故障就不能得到正确诊断。也就是说,这种分割方法不能保证电网的连通性,是不可取的。
1.2 多重叠分割法
如图2,针对每一元件都取n=3来形成子网。其中实线圈是以L1、L2为本层元件的子网,点线圈是以与之相邻的母线B为本层元件的子网,以此类推。
这种分割方法虽然可以保证电网的连通性,但会带来很大程度的冗余。例如线路L1故障,将会在5个子网内得到重复反映,因此这种方法也不理想。
1.3 蝶型分割法
如图3,以非母线元件故障时保护及断路器均正常动作的故障样本所涉及的保护和断路器作为重叠部分对电网进行分割,可在最小冗余的基础上保证电网的连通性。此方法是在前2种方法基础上的改进,但是,当电网规模较大时,不能从宏观上将电网分割成任意数目且计算负担基本平衡的子网络。
1.4 图形分割法
将电力网络中的母线和输电线路(或变压器)分别表示为一个图中的节点和边,则电力网络分割问题就转换为如下图形分割问题:根据节点权重的合理定义,将图的所有节点分为计算负担基本平衡的子集。
本方法包括2个部分:如图4(a)所示的配电网,其一,形成给定电力网络的深度优先搜索树,见图4(b);其二,将电网分割为计算负担基本平衡的子网络,见图5。
但是这种方法跟上述的无重叠分割法类似,在涉及子网边缘问题的故障情况就难以得到反映。
2 改进的电网分割法
在分析研究上述各种分割方法的基础上,发现如果把图形分割法跟蝶型分割法相结合,就能实现当电网规模较大时,既能从宏观上将电网分割成任意数目且计算负担基本平衡的子网络,又能在最小冗余的基础上保证电网的连通性。
本算法共分3步:
(1)形成给定电力网络的深度优先搜索树。
假设G是一个具有n个节点的图:
a)选择编号最大的节点n,将其标注为1 (树的根节点),以此节点和相应的标注号为初始条件进入步骤b);
b)对于标注号为k的节点i (标注号k表示深度优先搜索的顺序),如果所有与i相关联的节点都已经标注过,则转去执行步骤c);否则在与i相关联的未被标注的节点中选择节点号最大的节点,并赋予其深度优先搜索序列{1,2,…,n}中未被使用过的最小标注号。以这个刚标注过的节点和相应的标注号为新的起点,重复执行步骤b);
c)如果节点i的标注号k满足k>1(即节点i不是根节点),那么从节点i沿着搜索路径回退至上一个节点,并以这个节点和相应的标注号为新的起点,重复执行步骤b);反之,如果k=1(即节点i是根节点),则算法终止。
(2)将电网分割为计算负担基本平衡的子网络。
a)令S表示图G的节点集合,C,表示第l个子图的节点集合,其中l=1,2,…,ng。Cw是算法中将用到的临时工作集合。算法的初始条件设置为S={1,2,…,n},C,=,Cw=及l=1。
b)选择所有距离根节点长度最大的叶节点作为搜索的起点,并将其添加到临时集合Cw中。另外,假设叶节点的最大长度为k,并将其用做循环控制指针。
c)修改循环控制指针k=k一1。
d)找出Cw中所有节点的母节点,并对各个不同的母节点(记做节点p)依次做下述操作。寻找母节点p的子节点{j|p=P(j)},根据相应的子树的权重W(T[j])将它们按降序排列。随后依次对这些子节点进行判断,如果T[j]满足:
那么子树T[j]就构成一个子图,即cl=T[j],并修正l=l+1,同时将节点j和节点集合T[j]分别从Cw和S中删除;反之,若子节点不满足式(1),则将该子节点从Cw中删除,并将其母节点p添加到Cw中(若母节点p同时有多个子节点不满足式(1),则Cw中只保留公共母节点p即可)。当所有不同的母节点均测试完毕后进入步骤e)。
式(1)中,T[j]表示以节点j为根节点的子树,表示该子树包含的所有节点的权重之和,Wnode(j)表示节点j的权重。
为了平衡各子网络的计算负荷,网络中的每个节点均被赋以权重,它是一个整数,用来表示相应节点的计算负荷。研究表明一个子网络的计算负荷主要是由该子网络内可能的故障元件的总数决定的,因此一个节点的权重定义为与这个节点相关联的可能的故障元件(母线、输电线路和变压器)的数目。将给定电力网络的节点导纳矩阵,按节点标注号k的降序排列,则对于节点j,我们将节点导纳矩阵上三角阵第j行中所有非零元素的数目(包括对角元素)作为它的权重。
e)搜索长度为k的所有叶节点,并把它们添加到临时集合Cw中,随后转到步骤c),重复执行步骤c)到步骤e),直到k=0,即S=空,所有节点均被系统地搜索过,算法终止。
(3)以(2)中分割后子网之间的联络线路(或变压器)作为重叠部分,形成蝶型分割。
下面结合一个较大规模的城市配电网系统,对上述方法加以说明。
3 电网分割算例分析
3.1 算例配电网介绍
如图6所示[4]110kV城市电网系统为10个变电站(B1,B2,…,B10),3个电厂(S1,S2,S3),保护按照常规配置。
3.2 运用改进电网分割法对算例配电网进行分割
(1)对图6中的母线节点进行编号,如图7所示,每个节点均用i(k)表示,其中i表示节点号,k表示深度优先搜索所赋予的标注号。编号最大的节点23被标注为1,用作根节点。运用上述算法,得到电网相应的深度优先搜索树如图8所示。
(2)将上述深度优先搜索树分割为计算负担基本平衡的子树。
首先,求出用于计算权重的节点导纳矩阵,如表1所示。表中每一行“×”的个数,即为此行对应节点的权重。
假设我们希望将该电力网络分为11个子网络,即ng=11,此网络总权重为:W(T[23])=45,则子网络预期的权重为W(T[23])/ng=4.09。
对于图8所示的110kV城市电网系统的深度优先搜索树,节点7和节点12是具有最大长度k=6的叶节点,所以它们是分割搜索的起点,将它们添加到Cw,中,即Cw={7,12},此时S={1,2,……,23},Cl=,l=1。令循环控制指针k=k-1=5,节点7的母节点是8,节点12的母节点是13。对于母节点p={8},将其子节点根据相应的子树的权重按降序排列,此处只有一个子节点{7},并按照这个顺序依次对各子节点进行判断,此处只对子节点7进行判断:
不满足式(1),这意味着母节点比子节点更接近预期的子网络权重。对节点12可以得到类似的结果。因为2个子节点均不满足式(1),所以将子节点{1,3}从Cw中删除,同时将母节点8、13添加到Cw中,进入步骤e。由于节点15是长度为k=5的叶节点,将其加Cw中,此时Cw={8,13,15},S={1,2,…,23},C1=,l=1,以下重复执行步骤c到步骤e。令循环控制指针k=k-1=4。对于Cw={8,13,15},其中节点8的母节点p={9},母节点p={9}只有节点8一个子节点,由此可以推出:
即式(1)成立,这意味着T[8]适于构成一个子网络。因此,C1={7,8},同时将节点7、8从S中删除;同理可得,T[13]也适合构成一个子网,C2={12,13},同时将节点12、13从S中删除;T[13]不满足式(1),将节点13从Cw中删除,同时将其母节点16加入Cw。转入步骤e),搜索长度为k=4的叶节点3、5、20,加入Cw,令循环控制指针k=k-1=3,此时Cw={3,5,9,14,16,20},S={1,2,3,4,5,6,9,10,11,14,15,16,17,18,19,20,21,22,23}及k=3是搜索下一个子网络的新起点,直到网络中的所有节点均被搜索过,算法终止。按照上述算法得到的网络分割结果见表2。
(3)以上一步中分割后子网之间的联络线路(或变压器)作为重叠部分,形成蝶型分割。分割后的电气主接线图如图9。
图中数字表示节点编号,第2步分块时将单母线的两分段看作2个节点,此处为了表达清晰,将这样的2个节点视为一个母线。
4 结束语
本文在深入研究现有电网分割方法的基础上,提出图形分割和蝶型分割相结合的电网分割方法,并针对一个较大规模的城市配电网算例,对本文方法进行了分析,得出以下结论:图形分割法能从宏观上将电网分割成任意数目且计算负担基本平衡的子网络,在此基础上的蝶型分割能在最小冗余的基础上保证电网的连通性,能够较好解决大电网故障诊断的电网分割问题。
摘要：解决大电网故障诊断问题的关键是将大电网分块,研究现有电网分割方法的基础上,尝试采用图形分割和蝶型分割相结合的方法进行电网分块,它能够将大电网分割为给定数目的连通子网络,各子网络的故障诊断负担基本相等。
关键词：电网,故障诊断,图形分割,蝶型分割
参考文献
[1]毛鹏,许扬,蒋平.输电网故障诊断研究综述及发展[J].继电器,2005,33(22):79-86
[2]李晶.基于粗糙集理论的电网故障诊断专家系统研究.中国电力科学研究院硕士学位论文,2004
[3]毕天姝,焦连伟,等.用于分布式故障诊断系统的新型网络分割法[J].中国电机工程学报2001,25(16):16-21