网络分割范文（精选10篇）
网络分割 第1篇
关键词：PCNN,图像分割,同步脉冲,调制耦合
一、引言
视觉图像是人类接收信息的最佳途径, 大量的现实应用要求对图像中特定的、具有独特性质的部分进行分离提取, 以便进一步利用, 如进行目标识别和测量等。图像分割是指把图像分成各具特征的区域并提取出感兴趣的目标的技术和过程, 特征可以是灰度、颜色、纹理等, 目标可以对应单个区域, 也可以对应于多个区域, 根据图像中灰度等方面的区别, 将图像分成若干个独立的区域, 作为后期处理的基础。图像分割在遥感、医学、工控、交通图像分析等方面的应用非常广泛, 几乎涉及了所有的图像处理领域, 尤其在图像搜索引擎中有广泛的应用。在这些应用中, 图像分割是进一步对图像进行分析、识别、编码等处理的基础, 具有十分重要的意义。
多年来随着计算机以及其它相关学科的发展, 相关技术如阈值法[1], 小波分割法[2]等多种分割方法相继被提出并得到广泛应用。但仅利用图像本身的相关信息来对图像进行分割, 很难取得和人类视觉分割吻合的结果, 人类视觉对于图像的主体和背景的区分往往取决于人类对于若干图像的先期认知, 尤其是在自然图像的分割和识别上, 单纯依赖图像本身的信息无法取得满意的效果。只有模拟人眼的视觉特性进行图像分割才能取得较好的结果。
通过长期实践, 图像处理技术与人工智能技术、计算机视觉逐渐融合。利用神经网络来进行图像处理是当前的研究热点。经典的神经网络在此过程中得到广泛应用, 如BP神经网络、RBF神经网络等。传统的神经网络采用大量简单而且相同的处理单元以并行连接构成复杂的信息处理系统, 整个系统通常是高度非线性的。虽然传统神经系统是可以训练的, 且能够进行快速判决并具有容错性, 但整个系统只对阈值和连接权值进行训练和改进, 对于神经元之间的相互作用没有涉及。脉冲耦合神经网络 (PCNN) 模型[3]是根据猫的大脑视觉皮层同步脉冲发放现象, 提出的连接模型。PCNN模型不同于传统人工神经网络, 更接近于动物视觉皮层的视觉机理。在图像分割、图像融合、图像增强、目标识别等方面[4]都广泛的应用。
二、PCNN脉冲耦合神经网络
脉冲耦合神经网络模型模拟了猫等哺乳动物视觉皮层视觉神经细胞活动, 利用了神经元线性相加、非线性相乘调制耦合两种特性。PCNN模型可以分为三层结构:输入域、耦合连接域、脉冲产生器, 当一个神经元受到刺激并产生点火后会对相邻的神经元产生激励, 这种激励可以帮助其周围的神经元产生点火从而形成神经元集群同步振荡脉冲。同时由于PCNN模型具有与二维图像空间类似的结构, 相似的区域更容易产生集群点火, 因而PCNN非常适宜对图像进行处理。PCNN能够对图像空间相似、灰度相似的像素进行分组, 并能减小像素点局部灰度差, 可以弥补像素点之间的微小间断。
传统的PCNN模型可以用数学方程表达如下:
在上述式中:β为内部活动项连接系数;Sij是神经元受到的外部激励, 通常以图像中对应像素灰度值表示;VF和αF分别为反馈的放大系数和衰减时间常数;VL和αL分别是耦合连接域的放大系数和误差时间常数;Vθ和αθ是动态阈值θij的放大系数和衰减时间常数, Uij是内部活动信号。
PCNN在上式中表现出的特性包括:可变阈值、非线性调制、同步脉冲激发、邻接捕获、时空综合等。但这一传统模型使用了指数衰减常数, 降低了系统的运行效率, 故可以采用如下的改进PCNN模型:
在用PCNN进行图像分割时, 将PCNN的I×J个神经元分别与图像的I×J个像素点一一对应, 则像素的灰度值就成为神经元ij的外部激励Sij, 当Sij足够大的时候, 此神经元产生脉冲, 形成自然点火。同时, 该神经元的阈值θij会急剧增大, 然后随着时间衰减。在此后的激励过程中, 自然点火的神经元会对邻接神经元进行激励, 诱导邻接神经元发生捕获点火。但只有与自然点火神经元的对应像素具有相似强度的神经元才会被捕获, 反之则不会被捕获。在此过程中点火的神经元形成若干个不同的集群, 从而将自然图像分割成若干个不同的区域。
同时由于各神经元点火周期不同, 各神经元的阈值衰减周期也不相同, 又在不同时刻发放脉冲, 对外整体呈现出动态脉冲发放现象, 在整体图像中点火区域以类似于波的形式传播, 波能传播到的地方就是与此神经元集群相类似的区域。通过脉冲传播, PCNN的图像分割完全依赖于图像的自然属性, 不用过多的预处理空间范围, 也不需要训练过程即可分割图像, 适合于实时或准实时处理系统。
三、实验测试与分析
为了测试改进PCNN算法的有效性, 采用Matlab编程进行了计算机仿真实验。图1、4为原始图像, 图2、5图像增强后的结果, 图3、6为PCNN进行分割后的结果。从实验结果来看, cameraman图像的分割效果很好, 其主体与背景分割比较清楚细节保持较好, 人和三脚架的轮廓清晰。但对于bridge图像, 由于其是具有多个不同区域的复杂图像, 其重叠部分较多, PCNN的分割效果较差, 把很大一部分桥体分割成了背景, 这说明当主体和背景的灰度值相近时, PCNN会将两者混淆。
四、结论
作为一种模拟生物视觉原理的神经网络算法, PCNN在图像处理和信号处理方面具有广阔的应用前景。本文基于改进的PCNN方程, 采用标准测试图像进行测试, 可以验证当主体与背景灰度值差异较大或不相互重叠时, PCNN可以取得较好的分割效果。当主体与背景存在一定的重叠时, 如果两者灰度值相差不大, 则PCNN不能很好地进行分割。如何利用空间信息弥补这一缺点, 改善分割效果, 需要今后进一步研究解决。
参考文献
[1]阴国富.基于阈值法的图像分割技术[J].现代电子技术, 2007, 23 (26) .
[2]田勇, 敦建征, 马义德, 等.小波变换与PCNN在图像处理中的比较与结合[J].甘肃科学学报, 2006, 18 (4) :53-55.
[3]ECKHORN R, REIBOECK H J, ARNDT M, et al.Featurelinking via synchronization among distributed assemblies:Simulation ofresults form cat visual cortex[J].Neural Computation, 1990, 2 (3) :293-307.
曾朴：分割与组合 第2篇
从以上曾朴的自述及我（旁观者）的描述，似乎可以看出这是一个避江湖之远、完全生活在内心世界中的人。的确，因为生活被其最简化，他与外部世界的联系就是网络和一大堆过期打折的时尚杂志。如其自述，从中获取的图像加上他的想像，才是曾朴真正的生活空间。在此他天马行空、汪洋恣肆，再也不是“丐帮”而是富有天下。画并不如其人。其作品的细腻多彩，和他生活的粗糙简陋正是极反。
综上所述，这是一个为画画而生的人。在这方面，他心思极细，手极巧。细节，是曾朴作品的生命。上帝就在细节中，他深合此道。现在每个精于技艺的画家都有自己的独门绝技，曾朴这样的巧匠自不列外。
对此可以透露一二。据我的观察（不是现场看到，是揣摩出来的），他工作时画部呈水平之态，但不是全平。与海平面略微有角度。此角度不是常数，而在零度至九十度中任意变化，视需要而定，被稀释的颜料就在画布的角度中或凝聚，或散开，浸润，流淌，火候控制得极好，使画面时而像水彩，时而像油画，于混沌中突现机锋，于平涂中微显沟壑，收放自如。松节油在他手下时而像水，时而像油，不再仅是一种媒介，而是成为表现力的重要部分。看曾朴的画，必须由远及近，最后几乎要深入到分子级别的焦距，才能略尽其妙。
这自然会引出一个问题：曾朴的作品是否过于迷恋于手感而流于雕虫小技？存在这种质疑，而曾朴逆潮而行画了许多小画，似乎也是原因之一。其实，就《HEART》这组画而言，应该视其为一个整体，每一幅画是构成整体的一个片段，或者更准确地说，是一个模块。
“模块化”是如今设计界的一个重要方法，源于DNA的组合模式，以基本单元的排列变化无穷，建构无限丰富的世界。曾朴笔下的人物、动物、物件，多年来已有大量积累，《HEART》所展示的，就是曾朴以这些模块为素材，以其心灵引导为线索，组合而成他那个独特的世界，这个世界还可以加上新的模块，或变动其组合方案，从而叙述新的故事。所以，曾朴作品并非小画，而是一幅复杂的大画，它随时可以扩展延伸，也可以逆向分割成一幅幅独立的小画。如果说还有什么可以期待的话，那就是这些精致的模块也许有一天会构成一个更为有机而更有逻辑的整体。
我们拭目以待。
网络分割 第3篇
苹果采摘机器人两个主要任务:识别和定位,并且无损的采摘到果实。第一个任务是识别和定位[1]。本文描述的机器视觉系统包括一个用来捕获果园中富士苹果图像的彩色CCD摄像头和一个处理已捕获图像的PC机。
机器视觉系统工作的关键环节是图像处理,而要解决此问题必须先将成熟苹果果实的图像从复杂的背景图像中提取出来,即对实际拍摄的彩色图像进行分割。目前常用的图像分割技术有:阈值分割法[2,3]、区域生长法[4]、二位直方图边缘检测与边界跟踪法[5,6]等。
近年来,神经网络被引入图像处理领域来进行图像的分割,其中应用最广泛的是BP(back propagation)算法,即反向传播算法。BP网络无需事前揭示描述这种映射关系的数学方程和推理规则,通过对训练样本的大量学习即可实现网络的记忆功能。以后只要给出采集到的图像,应用获得的权值进行相应的计算,即可得到期望的输出图像。
1 图像特征提取
试验采用从江苏省徐州市丰县苹果示范基地实地拍摄的红富士苹果图像,为数码相机在实际环境自用PC机对图像进行处理,计算机配置Intel Pentium 4处理器,CPU主频为1.4GHz,内存为512 MB;操作系统为Windows XP。
苹果图像是自然光照条件下悬挂在树上的果实图像。光照情况可分为4种:①向光;②背光;③果实在阴影中;④阴天。由于光照情况的差异,所采集图像的质量肯定有所不同,这将直接影响下一步图像处理的结果。因此,选择一种能够适应所有光照条件的特征分量是非常必要的。本研究采用HLS颜色模型中与亮度无关的H分量,即色度值分量进行处理,以排除图像的明暗对分割效果的影响;并且采用单通道以缩短图像处理时间,提高处理效率。
HLS模型和常见的RGB模型之间的转换关系为
undefined
undefined
undefined
undefined
其中,H为色度,L为明度或亮度,S为色饱和度。
2 BP神经网络的建立与图像分割
本研究中,图像分割采用3层的BP神经网络,选取3×3邻域像素H通道色度值作为其特征,用神经网络方法实现这些算子的图像分割功能。
2.1 BP神经网络的建立
输入层为9个神经元,以3×3邻域像素H通道色度值作为输入,即
undefined
中间层暂定为9个神经元,输出层为1个神经元。输出神经元为(i,j)点的H通道值1或0。1为目标点,即属于成熟苹果的点;0为背景点,即不同于成熟苹果颜色特征的点。
神经元输入输出函数为Sigmoid函数,则
undefined
BP网络[7]所采用的学习规则为广义的Delta规则,这是梯度递减系统,将权重矢量沿误差面倾斜向下的方向移动,其权重改变量为
undefined
其中,α表示学习效率;E表示输出层的神经元输出与教师信号的平方误差和,其定义为
undefined
其中, Ok表示输出层神经元k的输出;dk表示给输出层的教师信号,本研究选用40幅人工借助Photo-shop软件分割得到的成熟苹果图像作为教师信号。
输出层单元的误差返回到中间层单元,同样也要考虑第一步计算时采用的权重。每一个中间层单元的净误差应当是从每个输出层单元得到的误差的权重和,其计算公式如下
undefined
其中,上标output表示输出单元(本研究中只有一个输出单元);middle表示中间层神经元;下标i表示中间层任一神经元。
2.2 中间层神经元数目的确定
中间层神经元数目的选择是一个十分复杂的过程,本研究中BP神经网络分为3层,即输入层、中间层(隐含层)和输出层。中间层神经元数目太多,会导致学习时间过长、误差不一定最佳,也会导致容错性差。本研究根据如下经验公式选择中间层神经元数目J,则
undefined
其中,m表示输入神经元数目;n表示输出层神经元数目;a表示1～10之间的整数。
本研究中,BP神经网络输入层有9个神经元,输出层有1个神经元,中间层神经元数目按经验公式(8)计算,其中m=9,n=1,即J=3.16+(1～10),因此中间层神经元数目为5～14之间任意数。本研究针对分割问题,选取中间层神经元数目为6,组成了9-6-1结构的BP神经网络的方法,以此对苹果图像进行分割。
2.3 学习算法的快速化改进
为了实现学习的快速化,引入偏置值或称动量项(Bias,Momentum)[8]。BP算法实质上是一种简单的最速下降静态寻优算法,在修正时,只是按照时刻的负梯度方式进行修正,而没有考虑以前积累的经验,即以前的梯度方向,从而常常使学习过程发生震荡,收敛缓慢。因此,需改进算法,在t=k时刻求权值修正量时,增加前一时刻(t=k-1)的权值修正量,即
ω(k+1)=ω(k)+α[(1-η)D(k)+ηD(k-1)] (9)
其中,ω(k)表示连接权系数,undefined表示k时刻的负梯度,Ek-1为直到k-1时刻输出层的平方误差和。D(k-1)表示k-1时刻的负梯度。α为学习效率,α>0 。η为动量项因子,0≤ η<1。本文中取α=0.05, η=0.9。
本研究采用反向传播算法。其算法框图,如图1所示。
3 实验结果与分析
3.1 实验结果
本研究的主要对象是在自然背景下实时拍摄的苹果图像,利用BP神经网络对已有图像进行训练,经过100次循环后,总误差降至0.001,得到收敛、有效的网络权值。利用训练后的权值进行图像分割,得到分割好的成熟苹果果实的图像结果,如图2所示。
由于图像是在自然光照下拍摄的,所以样本中的成熟苹果果实表面有阴影部分或者果实上沾有杂质(见图2(a)和(b)),给训练造成干扰,导致分割后的目标果实图像有小部分缺失,果实之外的区域上残留了部分小块区域(见图2(c)),不过苹果的边界比较完整,经过进一步处理可以很方便地消除这些小区域。
3.2 图像的后续处理
由于图像中普遍存在的噪声及反光等其他影响因素的影响,在成熟苹果果实分割图像上出现的无用小区域,需要进一步处理。在后续处理中先进行一次腐蚀运算,将背景上与苹果果实连接的区域分离,然后再进行提取。提取大区域以后,苹果果实内部也出现了一些小孔洞。为了达到更好的效果,对分离后的图像进行了一次膨胀运算,得到了理想的分割结果,见图2(d)。
4 结束语
本研究采用9-6-1结构的BP神经网络的方法对苹果图像进行分割,能较好地实现成熟苹果果实与背景的分离。后续过程中,经过腐蚀、膨胀等算法的进一步处理后效果更好,完全能满足对图像后期的处理要求。
参考文献
[1]Bulanon D.M.,Kataoka T.,Ukamoto H,et al.Development of a Real-time Machine Vision System for the Apple Harves-ting Robot[J].SICE Annual Conference in Sapporo,2004,61(4):595-598.
[2]赵杰文,刘木华,杨国彬.基于HIS颜色特征的田间成熟番茄识别技术[J].农业机械学报,2004,35(9):122-124,135.
[3]Bulanon D M,Kataoka T,O ta Y,et al.A segmentation al-gorithm for the automatic recognition of Fuji Apples atharvest[J].Biosystems Engineering,2002,83(4):405-412.
[4]毕凌燕,余英林.基于XYZ空间的区域生长法分割图像[J].计算机工程与应用,2003,39(17):56-57.
[5]张瑞合,姬长英,沈明霞,等.计算机视觉技术在番茄收获中的应用[J].农业机械学报,2001,32(5):50-52,58.
[6]贾云得.机器视觉[M].北京:科学出版社,2000:55-58.
[7]孙增圻.智能控制理论与技术[M].北京:清华大学出版社,2000:133-140.
矩形分割问题 第4篇
题目是这样的：49个小矩形构成的大矩形，请把它拆分成最多六块，重新组合成一个大矩形并使里面的小矩形变成48块（不允许用笔改线或重叠）.
刚看到题目，我心想最么会凭空少了一个矩形呢？于是在纸上画画剪剪，思考了一阵儿，又查了些资料，总算是明白了.
首先把这个矩形裁剪成如下图的五小块（如图1），然后再拼成图2的形状.
于是我得到了结论：题目中这个大矩形看上去像是由49个正方形组成的大正方形，只是麻痹我们的思想而已.实际上，最后拼出来的是由48个小矩形组成的7×7的大矩形，这个题目的重点就是斜线切割.通过一次斜线切割和四次直线切割把矩形分成五块，把中间那格平均分配到第二行，使得第二行的矩形比其他矩形都要大，这样看上去好像是少了一个矩形，但是面积并没有发生改变.
点评：矩形是同学们熟悉的平面图形之一.刚看到本题可能觉得不可思议.我们的想法是：从小矩形的块数来说由49块要变成48块势必某些小矩形要比原来的大.陈影倩同学通过动手实践发现只有通过斜割的方式才能做到.由拼之后的图形中可以发现第一行的后4块与第二行的前3块的小矩形都变大了.
同学们不妨也试一下，把不加思索的“不可能”变成动手实践的“可能”.
基于神经网络的有遮挡图像分割方法 第5篇
目前典型的图像目标分割技术主要是阈值分割、边缘分割等方法，对于动态的人脸图像通常采用神经网络的算法进行人脸分割计算，首先提取静态的目标图像进行学习训练，再对动态图像进行迭代运算，最终得出需要的结果。
不过传统的神经网络算法对于动态图像不连续点的检测效果不好，对于一个活动目标，人脸部位不可能完全与训练图片完全吻合，总会出现遮挡，对于遮挡部分就会出现一些与训练图像不相吻合的断点，本算法的原理是采用神经网络曲线拟合方法将真实的人脸部分通过拟合的方式完成，进而完成人脸分割，提高人脸的识别能力。
1 神经网络人脸识别算法结构
神经网络是近代数学发展出的一种先进的目标识别算法，其原理是一种误差逆传播算法训练的多层前馈网络，这是目前应用最广的神经网络算法模型之一[2]。神经网络算法可以学习和存贮大量的输入-输出模式映射关系，而无需事先确定这种映射关系的数学方程。基本的学习规则是使用最大下降法使得整个算法在在设定误差处收敛，并且使用最短的时间内完成，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(outpu layer),BP神经网络结构如图1所示。
人脸分割采用的神经网络学习训练步骤由前向与后向两个方向组成，具体分为3步:
步骤1随机将起始权值ωkij和阈值bi进行赋值。其中ωkij是第k层第i个神经元与前面一层第j个神经元的关系权值。
步骤2对于每个学习样本进行前向计算。得
其中，Nk是k层的神经元总个数。经过式(1)计算后，产生的误差向后传递，输出层表示为
隐层表示为
权值阈值经过修正后得到
其中，η表示为学习率。
将式(1)～式(5)代入计算后得到式(6)和式(7)。从而
步骤3不断重复步骤2的计算，直到误差到达预设值，停止学习计算，将权值阈值固定下来。
针对人脸识别算法，首先根据初步检测确定出人脸的位置与大致的轮廓;然后再根据采集初始图像的人脸轮廓对检测对象的人脸轮廓进行初始限定;通过神经网络算法按照限定的轮廓进行描绘，并对被遮挡的部位进行预估匹配;最后将所有的点采用曲线拟合算法进行估计平滑，最终成为一个完整、连续的人脸边缘，从而实现把人脸提取分割出来。基本的神经网络人脸分割识别算法流程如图2所示。
2 人脸特征提取与建模
每个人的脸部特征各不相同，比如眼部就有很多不同的特征，例如大小，眼间距或单双眼皮等。但并不是每种特征检测都适用，因为在实际摄录过程中某些特征不易被提取到，因此将人脸特征进行分布提取计算。
首先进行肤色分割，在自然光照射下，人的肤色通常会集中于CbCr色度中的一小片区域内，肤色分割就利用这一特点，将图像通过变换矩阵变换到CbCr色度空间内，根据色度空间内肤色所在区域对图像中属于肤色的区域进行初步提取，这里采用低通滤波的方式对人脸轮廓进行处理，人脸轮廓检测后的图像如图3所示。
经过肤色提取提取后，将人脸进行模糊化处理，只提取特征的轮廓，例如眉毛、眼睛、鼻子以及嘴的特征。根据各个特征部位的位置关系，计算出人脸特征，与需要比对的对象进行比对，完成最后的检测。
对人脸进行初始检测后会得到人脸的三角结构图，然后确定左眼位置Ple(x,y)，右眼位置Pre(x,y)以及嘴的位置Pm(x,y)，根据眼嘴的位置坐标可以计算出眼间距Dee和眼嘴距Dem，其中Dem是嘴的位置坐标到Dee垂直距离。定出这3个坐标点后可以确定人脸的其他五官部位，例如鼻子耳朵等。
根据人的通常脸部特征，人脸的总宽度为5个眼睛的宽度，人脸的高度为眼嘴距Dem的3倍。由于Dee确定，根据脸宽度是眼睛宽度的5倍，因此在通常情况下Dee是眼睛宽度的两倍。而3倍的Dee则已经超出了人脸的范围。对一个立体拍摄到的图形进行坐标转换，使得人脸图像变为一个平面图像，如
式(9)中，α是图像面的参数，取值如下
通过式(13)和式(14)可以得到人脸的中心点
人脸的三角区的基本轮廓是一个椭圆形，一般情况下可以用一个椭圆函数对人脸三角区进行轮廓拟合，三角区的脸长为椭圆的长轴，三角区脸宽为椭圆的短轴。由此建立椭圆函数的参数方程，如
确定了人脸三角区的函数后，由某个离散化的θ下椭圆轮廓的点与图像中心点Po(x,y)的连线延伸到外部矩形轮廓的交点，以这条连线作为搜索路径，每一条连线上有且仅有一个点是人脸的外轮廓点。不过由于遮挡会出现一些地方存在多个轮廓点的情况，通常会加入一些自适应算法进行计算，本文采用了结合自适应算法的神经网络算法来进行搜索计算。椭圆图像分割框选定如图4所示。
将搜索路径Lθ进行计算其最大边缘梯度，梯度算子为
如果其结果满足
则认为此点是Lθ上的初始边缘点，然后通过坐标变换公式
计算后如果满足
则表明此点为确定边缘点，然后进行下一条路径的边缘点搜索。如若不满足式(20)，则修改Rth，直到满足条件为止。经过搜索后的图像与搜索路径的初步连线如图5所示。
最终搜索拟合的结果出来后，会出现一些不连续点，需要将这些点进行平滑拟合。这里采用神经网络进行曲线拟合。以曲线特征为BP神经网络的输入量，人脸图像的Lθ为BP网络的输出，分别采用传统计算方法与加入自适应算法后BP神经网络计算法计算，整个网络采用4层结构，每个节点的个数为10，输出节点为5，隐层节点的个数由式(12)得到，经计算后选取12为隐层节点个数。轮廓点拟合结果如图6所示。
对上式进行拟合分解，相当于对其求解一个线性方程。结果为
根据系数进行拟合，如果拟合的系数过大，最终会出现发散，如果采用的系数小且阶数较小，最终可能达不到需要的精度，这里采用5阶拟合算法，经过700步拟合的结果如图7所示。
经过拟合修正后的人脸分割路径结果如图8所示。
最终经过人脸分割以后的图像结果如图9所示。
3 有遮挡人脸分割实验分析
通过对40幅不同角度的人脸图像进行分割，结果表明，本算法对人脸图像分割的效果较好，达到了85%的图像分割完成率，而传统的人脸分割算法仅能达到78%。选取了代表性的图片进行仿真分析，这些图片中人脸部分被头发手指或其他物体遮挡，同时图片的任务并非都是正面照，对图片进行人脸分割提取研究，经过此算法进行处理后，都可以对这些人脸进行精确的人脸分割。
如图10所示，这幅图的人脸部分被手与头发遮挡，因此判断人脸的具体位置具有一定的难度，采用本算法后，有遮挡人脸可以被准确地估计和分割，分割搜索路径如图10所示，有遮挡人脸分割结果如图11所示。
4 结束语
本文采用神经网络算法对人脸进行分割计算，并在传统的神经网络人脸分割算法的基础上加入曲线拟合估计算法。同时对人脸进行建模分析，分析了人脸的一般特征，结合一般特征，对有遮挡的人脸进行拟合计算，得到了真实的人脸分割曲线，弥补了普通人脸分割算法无法对有遮挡的人脸进行分割的缺陷。
摘要：人脸作为人类最主要形象特征,具有许多特征的唯一性,而人脸识别的关键在于进行的人脸分割计算。传统的人脸分割算法在有遮挡情况下无法完整的提取人脸信息,导致信息缺失,使得图像检测无法进行。文中算法采用基于神经网络与自适应技术的人脸图像分割计算,对于有遮挡部分的人脸也可进行较好的分割计算,通过多种图片进行实验仿真计算后,有遮挡的图片都可得到有效的分割,实现了对人脸分割85%的分割完成率,远高于传统人脸图像分割算法的78%的分割完成率。因此本算法,在图像识别领域具有对较好的推广意义。
关键词：图像识别,神经网络,图像分割
参考文献
[1]王蕴红,范伟,谭铁牛.融合全局与局部特征的子空间人脸识别算法[J].计算机学报,2005,28(10):1657-1663.
[2]Senthil Arumugam M,Rao MVC,Aarthi Chandramohan.A new and improved version of particle swarm optimization algorithm with global-local best parameters[J].Knowledge Information System,2008(16):331-357.
[3]宋淑彩.面向Web的数据挖掘技术在网站优化中的个性化推荐方法的研究与应用[J].科技通报,2012,2(28):118-119.
[4]温雪.一种基于随机图像序列的三维人脸识别算法[J].科技通报,2012,10(28):141-143.
[5]徐子豪,张腾飞.基于语音识别和无线传感网络的智能家居系统设计[J].计算机测量与控制,2012,20(1):180-182.
[6]穆文全.基于遗传算法和BP算法的多层感知机杂交训练算法[J].电子科学学刊,1997,19(2):190-194.
[7]John J,Mckeown.Some numerical aspects of the training networks[J].Proceedings IEEE,1996,84(10):1562-1568.
网络分割 第6篇
关键词：彩色化,线性映射,SOFM网络,图像分割
基于局部线性映射的彩色化方法, 可以在保证彩色化效果的前提下, 降低计算时间, 同时采用SOFM神经元网络进行图像的区域分割, 简化交互复杂度。
1 基于局部线性映射的彩色化
采用局部线性映射实现彩色化, 是基于两个假设:一是Zomet提出的图像灰度与所着色彩之间存在着局部线性关系;二是通过交互的画笔图像获得彩色种子点后, 邻近像素与种子点具有相似特性。
根据以上两个假设, 本文采用了空间进行着色处理。原图的灰度值与亮度分量值相等, 因此, 彩色化问题就转化为求解、 分量的问题。
将交互获得的画笔图像中的少数着色点设为种子点, 其他像素点的着色是基于对相应的种子点扩散后得到的。利用彩色信息的异变信息值追踪边界来限制各区域种子的生长:
其中, , Ωf为整幅图像, N (r) 是像素r的邻域, wr (s) 是和为1 的权值, 表示像素r与s的亮度值和的相似程度。
并且有:
其中, σr分别表示像素r以及周围邻域内的亮度值的方差。
设图像的大小为m×n, 令N=m×n, 则将公式 (1) 可写为:
其中, 。
根据局部线性化的假设前提, 设根据已着色的种子点构成的向量为, 其中, 对应于未着色点的, 而着色种子的值不为0。
如图1 所示, 是根据局部线性映射方法得到的彩色化效果比较示例。从着色效果来看, 与不平度方法的效果相似, 但计算时间上, 则由95.8s降为9.8s。
2 基于SOFM网络的种子区域自动获取
完成彩色化的另一个关键步骤是人机交互时获得的画笔图像。显然, 理想的彩色化效果取决于画笔图像给出的种子点足够丰富, 这里丰富的含义包括了位置与色彩。
为了降低交互复杂度, 本文采用了SOFM网络聚类的方法。
2.1 基于SOFM神经网络的区域分割
利用SOFM的自组织特征映射的特点, 本文设置的SOFM模型结构为一个输入层一个节点, 节点值为原始灰度图像的灰度值。输出层为四个节点, 表示可将灰度图像分为四类。
图2 是对一幅图像进行四聚类的结果。可以看到, SOFM网络将相似的灰度聚为一类, 但却破坏了图像目标的结构。为此, 还需要后续的操作来进行修正。
2.2 基于边缘纹理特征的区域分割修正
采用Sobel算子对原图进行锐化后, 用大津算法对锐化图像进行二值化处理, 获得边缘纹理图像, 如图3 (a) 所示。从SOFM聚类图像中消除所获得的边缘纹理, 由此保证分割区域的一致性, 之后, 采用形态学方法进行处理, 以消除噪声的影响, 即可获得如图3 (b) 所示的结果。
3 基于种子填充的逐步彩色化
3.1 种子点的选择与种子扩散
在获得分割区域之后, 如图4 (a) 求所有分割区域的外轮廓, 这些外轮廓作为种子点扩散的终止边界。
在交互中, 为了便于种子点的颜色选择, 将区域边缘叠加在原图中, 根据原图所在区域的景物内容, 确定区域的种子点的颜色, 如图4 (c) 所示。在剔除纹理复杂区域时, 有可能导致不同内容的区域联通, 以及某些纹理复杂区域的种子点缺失, 为此, 在交互中, 如图4 (c) 所示, 简单加入二次分割, 补充种子点后, 完成种子点的选择。
在种子点选择完成之后, 就可进行种子点扩散, 种子点扩散原则为, 相同区域有相同的颜色, 如图4 (d) 所示。
3.2 灰度图像的彩色化
将种子扩散后得到的图像作为画笔图像, 如图5 (a) 所示, 采用局部线性映射方法, 即可得到如图5 (b) 的彩色化结果。改变种子色彩, 可以得到如图5 (c) 和 (d) 的彩色化效果。
4 实验结果分析
为了客观评价本文算法的有效性, 与手工画笔图像的彩色化结果进行了对比实验。两种交互方法得到的彩色化图像的主要的差异落在边缘处。本文方法相比于手工画笔图像交互下的彩色化的结果, 边缘部分比较干净, 这也表明了采用简单的交互即可避免因种子点选择不当导致的颜色溢出问题。
除此之外, 本文提出的交互方法, 能够获得更多的标色像素, 大大减少了需要求解的像素个数, 所需的计算时间大约是传统算法的1/3 左右。
5 总结
网络分割 第7篇
传输网络的管理、监控和维护是传输网安全运行的重要保障, 对于传输网网管系统的优化也是也是其中重要一环。
目前, 云南电力通信网省级骨干ECI网络节点数量超过150个, 网元间DCN网络的规模越来越大, DCC字节承载的网管信息也越来越多。导致ECI设备所使用Lightsoft网管系统运行速度变慢, 并且有告警信息不同步、下发命令进程运行错误、网元节点脱管等现象。经初步研究, 是网元节点无法处理海量DCN信息引起, 必须尽快解决。
2 DCN网络通信原理
2.1 ECC和DCC原理
MSTP网元与SDH 网元传递管理信息的方式相同, 是通过嵌入式控制通路 (ECC, Embedded Control Channel) 通信来实现, ECC 的物理层就是数据通信通道 (DCC, Data Communication Channel) , 即SOH中的D1-D12字节, 由STM - N信号在SDH网络上传输。其中的D1-D3 字节即再生段DCC, 速率为3×64Kbit/s, D4-D12为复用段DCC, 速率为9×64Kbit/s。
2.2 传输网络DCN网应用方式
DCN网络可以支持三种不同的网络结构, 物理链路可以是ECC或者以太网。在两个网元间可以存在多条不同路径, 提高网络的可靠性。三种DCN应用方式为:
1) 带内DCN (SDH复用段DCC开销) 通道与网元物理连接拓扑连接一致, 网元通过网关网元与网管相连, DCC信息通过网关网元收敛上传至网管。
2) 带外DCN可以通过多个路由器将巨型网络分割为小块, 减少DCC风暴的影响, 还可以实现业务和网管信息的物理隔离, 提高了传输网络的安全性。
3) 同时使用带内DCN和带外DCN网络使网管信息通道实现了冗余, 当一条路由中断的时候可以使用备用链路, 综合了两者的优点, 但在设置方面较为复杂, 配置不当时容易造成更大的网络风暴。
2.3 传输网络DCN网故障分析
1) DCN网络中传送的数据包的TTI为64, 即数据包经网元转发的最大跳数为63, 因此在一个DCN子域内节点数量必须在64个以下。
2) DCN网络中的路由信息在整个网络内广播, 大量重复的路由信息会导致网络拥塞, 导致整个DCN网络运行速度变慢。
3) 当某个网元不可达时, 广播路由信息, 每个网元的路由表收敛时间不同, 全网路由信息还未完全同步时, 又有其他网元变为不可达, 会导致DCN网络的拓扑不停的振荡, 产生网络风暴。
3 DCN网络分割方案
3.1 备份系统数据
检查确认网管当前告警情况, 并进行电路一致性校验检查, 进行数据备份, 当分割工作出现意外情况时可及时恢复。
3.2 划分DCN子域和网关网元
根据网络结构划分网关网元, 尽量选择业务汇聚点或者在网络结构上为相切点的网元作为网关网元。在每个域内网元节点数量不能超过64个 (含网管网元) , 通常设置30～40个网元为上限, 减少域内网络风暴。
传输网络优化前, 云南电力骨干网ECI光传输网采用的是带内DCN方式, 设有SD1, SD2两个网关网元。随着电网发展, 针对未来增加的节点在全网分布较均匀的情况, 设置了5个子域, 增加了3个网关网元, 最终形成5个网关网元:SD1、SD2、ZHB、DHB、DDDD。
3.3 配置网元IP地址和DCN路由
5个网关网元到网管的DCN信息均使用专用以太网通道传输, 带宽为2M (可根据今后的需要增加到10M) , 通过另一套光传输系统承载。首先配置五个网关网元IP地址, 完成后通过Ping命令检查路由可达性。
依次配置各非网关网元DCN路由, 手动增加静态路由, 把各子域内网元节点的DCN路由信息指向网关网元, 并通过从网关网元Ping各节点, 检查路由的唯一可达。对链式结构多条光路可达的网元, 则开启近网管端设备单光路DCC配置, 开启远网管端设备双光路DCC配置。例如图中的A、B网元, 开启#1、#2、#3光口的DCC通道, 关闭#4光口, 当#1和#3之间的光路中断时, 可开启#4光口。如此配置减少了网络流量, 同时保证了传输网的安全性。
3.4 配置实例 (简化后只含骨干节点)
如图2所示, 不同的色块标示了5个不同的DCC域。在域间断开了DCC链接, 防止形成网络风暴。特别注意在M点需设置DCC透传, 使圆形虚框内的7个节点的DCC信息通过M点透传汇聚至DHB节点, 而不是汇聚至SD2节点。
3.5 DCC透传设置
为实现网络DCC区域划分, 可在部分网元上利用EXT DCC交叉连接设置DCC穿通, 对于末端光口, 须将EXT DCC设为Endpoint模式, 中间站点采用Default模式。例如本文中的M节点, (多厂商DCC透传设置同此)
4 结论
结合云南电力骨干光传输网ECI设备的DCN网络分割, 分析了光传输网络中DCN网的特性, 并针对MSTP巨型DCN网络分割给出实例, 为电力光通信网的优化运行提供了有效的参考。
参考文献
[1]肖萍萍, 吴键学, 周芳, 等.SDH原理与技术[M].北京邮电大学出版社, 2002, 3, 141-150.
[2]李国华, 李敏.DCC字节在不同厂家设备组网时的应用[J].山东通信技术, 2007, 27 (4) , 35-38.
网络分割 第8篇
乳腺癌是女性最常见的恶性肿瘤之一,据资料统计,发病率占全身各种恶性肿瘤的7-10%,是一种严重影响妇女身心健康甚至危及生命的最常见的恶性肿瘤之一。近年来乳腺癌发病率在世界各地均呈上升趋势。中国于1990年代初有乳腺癌患者20万,每年新发病例约5万。而早发现、早治疗能使约90%的乳腺癌患者生存。
目前,临床上早期探测乳腺癌最敏感方法是乳腺X线摄影,它也是乳腺癌早期预防的重要工具[1]。然而,乳腺X线图像有时并不清晰和明显,为了帮助临床医生更好地诊断病情、降低医生漏检率以及协助医生区分病变的良恶性而降低活检率,计算机辅助诊断技术成为了目前国际上的研究热点[2]。在特征选取的重要环节上,景香香等用形态特征[3]来描述肿瘤的形状和边界,Kitaoka等人采用灰度特征[4]以及灰度共生矩阵、相关性以及其他一些纹理特征来描述肿瘤内部及周围的纹理。在实现分类时,主要采用自回归方程[5]、神经网络[6]以及模糊聚类等[7]方法。不同的特征和不同的分类方法组合出了许多识别乳腺肿瘤的方法,对每一个特征的具体参数进行详细地分析与比较,从而找到对肿瘤良恶性区分度高的参数对整个乳腺癌辅助检测系统识别率的提高有着重要的意义。
本文使用欧洲The Mammographic Image Analysis Society(MIAS)提供的MIAS MiniMammographic Database资料库中的乳腺X光片,其中每一张图像的分辨率为1024×1024像素;通过对基本脉冲耦合神经网络(pulse-coupled neural networks,PCNN)进行改进,并利用改进后的PCNN对乳腺中的可疑肿块进行分割。
脉冲耦合神经网络(PCNN)起源于对猫的视觉皮层神经元脉冲串同步振荡现象的研究,进一步靠近真实哺乳动物视觉神经网络中神经细胞的工作原理,非常适合图像处理。
1 脉冲耦合神经网络结构
PCNN模型由脉冲耦合神经元构成的二维单层神经元阵列组成。用于图像处理时,网络中的神经元数目与像素数目一致,每个神经元与每个像素一一对应,输入图像决定了PCNN网络结构。
PCNN神经元结构如图一所示。该模型的数学迭代方程
如下:
式(1)中:Sij图像像素灰度值,作为输入激励;Uij神经元的内部活动项;βU内部活动项的连接系数,它利用连接输入对馈送输入进行调制实现PCNN神经元之间的通信;Fij反馈输入;VF、αF反馈输入域F的放大系数与衰减时间常数;Lij连接输入;VL、αL藕合连接域L的放大系数与衰减时间常数;Eij动态阈值,它与内部活动项相比较得到神经元的输出Yij;VE、αE,动态门限E的放大系数和衰减时间常数;mijkl反馈输入域连接权值矩阵;Wijkl藕合连接域的连接权值矩阵。
PCNN的输入是一幅图像,输出是一个二值图像序列。网络中的神经元和输入图像像素间存在一一对应的关系,每一个像素对应一个神经元。
2 改进型的PCNN算法
基本PCNN模型中利用生物神经元的激活特性及阈值衰减特性进行分割。当目标、背景或不同目标之间灰度相似性较差时,不易得出正确的分割结果。
为了更好地适应图像处理应用的要求,仅从图像分割的目标及精度出发,采用由小到大单调增长的阈值函数,对式(1)中的PCNN模型进行简化,得到如下算法:
该模型在使用时,(1)神经元的外部输入是与之关联像素的灰度值;(2)W是一个3×3的方阵,每个元素的值为中心像素到周围每个像素的欧几里得距离的倒数;(3)随时间上升的函数g[n]=exp(-a/n)。
利用该算法对图像进行分割,在第一次迭代时给出一全局零阈值,使每个像素都激活。然后根据E[n]给出下一次迭代的新阈值,再根据式(2)循环。当W所在邻域某一像素灰度小于输入阈值时,神经元会受到抑制而产生输出,该输出会依次传递从而引起临近其他类似灰度像素对应神经元抑制而产生脉冲输出序列Y[n]。时刻n输出的序列Y[n]构成的二值图像即为PCNN输出的分割图像。
3 实验结果比较
本文中使用的乳腺X光片选自MIAS资料库,分辨率为1024×1024,每一个像素代表一个8位的灰度值。为了减少数据量,在使用时对原图片作了一些修剪,去除了图片中的一些不需要的背景。为了显示方便,对修剪后的图像作了下抽样。选自MIAS资料库中的图像进行上述处理后的图像如图二(a)、图三(a)所示。
对图像进行分割时,基本PCNN模型中用到的参数分别是:
αF=0.1;αL=1;αE=1;VF=0.5;VL=0.2;VE=40;b=0.1;迭代次数N=20。
分割的结果如图二(b)所示:改进型PCNN模型中的阈值函数选为E[n]=E0esp(-a/n),迭代次数N=20,分割结果如图三(b)所示。
从以上分割结果可以看出,采用基本PCNN对乳腺组织中的肿块进行分割时,虽然能够检测出肿块所在的位置,但是分割出来的肿块边缘不够平滑,肿块内部与乳腺组织有重叠,存在欠分割;改进的PCNN算法对肿块分割完全,分割出的肿块边缘平滑,细节保持较好,能够较好地把目标提取出来。
改进的PCNN算法中,神经元的外部输入即为像素的灰度值,简化了算法。在同样迭代次数情况下,改进PCNN算法采用严格单调的阈值机制,并随时间上升收敛于E0。由于采用了单调的阈值,避免了基本PCNN阈值反复变化而使处理后的大量信息包含在激活周期中。而输出的图像又不包含全部信息的缺点,从而使灰度相近的神经元一定能够被分为一类。
4 结束语
本文在对现有乳腺肿块分割方法分析的基础上,提出了利用改进脉冲耦合神经网络对肿块自动分割的算法。该算法的外部输入即是输入图像像素的灰度值,利用单调的阈值机制,减少了计算量,同时避免了运算过程中阈值反复变化,分割效果较好。该方法为乳腺肿瘤可疑病灶的自适应分割提供了新的研究思路。
PCNN在图像处理与信号处理方面具有广泛的应用前景,大量研究成果见诸报端。利用PCNN辅助乳腺疾病诊断,为乳腺癌的筛选或诊断早期乳癌,减少漏检与误检率,提供了一种科学、实用的新方法。
摘要：目前,对乳腺癌的诊断主要靠放射科医生大量读片,容易造成误诊与漏诊。乳腺肿块分割是乳腺癌计算机辅助诊断(CAD)检测和识别系统中关键的一步。本文基于改进型的PCNN神经网络,设置随时间单调上升的阈值,对乳腺肿瘤进行分割,肿块分割完全,分割出的肿块边缘平滑,细节保持较好,能够较好地把目标提取出来。实验结果表明:该方法拥有较好的分割效果。
关键词：乳腺肿块,脉冲耦合神经网络,分割
参考文献
[1]Cai Xiaopeng,ChenXiaowei,Hu Liming;et al.Com-puter—aided detection and classification of microcalcifications in mammograms:A survey Pattern Recognition,2003,36(12):2967-2991.
[2]欧阳成,丁辉,王广志.乳腺X线图像肿块分割[J].北京生物医学工程,2007,(6):237-240.
[3]景香香,刘望彭,康春松等多普勒超声对乳殊肿块鉴别诊断的研究[J].中国医学影像技术,2003,19(5):552-554.
[4]Kitaoka F,Sakai H,Kuroda Y,etal.Intenal echo histogram examination has a role in distinguishing malignant tumors from benign masses in the breast[J].Clin Imaging,2001,25(2):151-153.
[5]Chou YH,Tiu CM,Hung GS,etal.Stepwise logistic re-gressiong analysis of tumor contour features for breast ultra-sound diagnosis[J].UltrasoundMedbiol,2001,27(11):1493-1498.
[6]胡纯,刘奇.乳腺肿瘤超生图像形态特征参数分析[J].生物医学工程学进展,2008,29(4):206-209.
[7]王曙燕,周明全,耿国华.模糊聚类分析在乳腺癌图像分类中的应用[J].计算机应用与软件,2006,23(10):103-104.
[8]马义德,李廉等.脉冲耦合神经网络与数字图像处理[M].北京:科学出版社,2008.
[9]Zhaobin Wang,Yide Ma,Feiyan Cheng,Lizhen Yang.Re-view of pulse-coupled neural networks[J].Image and Vision Computing,28(2010):5-13.
黄金分割的妙用 第9篇
现代人如果偏食鸡、鸭、鱼、肉等酸性食物，嗜烟酗酒，加上快节奏、强负荷都会使体内酸性代谢产物增高，令人体内环境的稳定性遭到破坏。尤其在喜庆日子里，习惯吃大鱼大肉，盲目进补，易使体内垃圾堆积，产生酸毒，血液偏酸。不仅增加了钙、镁、钾等碱性元素的消耗，引起缺钙、缺镁、缺钾等病症；血液酸性过多还会使胆固醇在血管壁上沉积，血黏度升高，诱发多种疾病。酸性物质使人体内的生态平衡遭到破坏，酸性体质导致人体疲倦、焦躁、失眠、衰老，还会使人血压升高，令原有的溃疡病加剧。人体的血管仿佛是大都市的道路交通网，如果垃圾不清除，必然会造成交通堵塞，路障发生在脑血管就会形成脑血栓、脑梗死；发生在心血管就形成冠状动脉粥样硬化性心脏病、心肌梗死。世界卫生组织前总干事中岛宏医学博士预测，如果我们不及早进行相关防范，到2015年，人类因行为、生活方式不良所导致的疾病将成为危害人类健康的头号杀手。
什么叫碱性食品？
有些食品含氧化钠、氧化钾、氧化钙、氧化镁阳离子元素较多的食物在营养学上称为“碱性食品”。常见的多为蔬菜、水果和豆类，按碱性程度高低排列为海带、菠菜、西瓜、萝卜、茶叶、香蕉、梨、胡萝卜、苹果、草莓、莴苣、柿子、南瓜、四季豆、土豆、黄瓜、莲藕、大豆、洋葱、牛奶、豆腐等。蔬菜的颜色与营养成分有关，排列顺序为绿色、红色、黄色和白色。绿色蔬菜如青菜、荠菜、芹菜和绿辣椒等，营养成分最丰富；红黄色蔬菜如胡萝卜、番茄、红薯、南瓜等，营养成分稍逊于绿色蔬菜；白色蔬菜主要有冬瓜、竹笋、茭白。
含有多种有机酸的水果，为何属碱性食品？
水果富含有机酸，柑橘含柠檬酸最多；红果如苹果含苹果酸较多；葡萄中含酒石酸较多。水果中虽然含有多种有机酸，但经人体氧化后，可分解为二氧化碳和水，很快排出体外。所以，水果在人体内并不呈酸性，它含有多种碱性氧化物，因此水果是一种碱性食物。
水果应在饭前吃还是在饭后吃好呢？由于水果中含果糖，果糖不易被胃吸收，而可被小肠吸收，所以，饭前吃水果会感到腹胀，正确的做法是在两餐饭中吃水果。
长期素食并不科学
当然，长期素食要保持平衡营养也是较为困难的。这些人由于蛋白质、钙、微量元素硒、铁、磷及维生素A摄入不足，而造成免疫功能低下，易得传染性和感染性疾病。由于维生素B⒓是唯一不存在素食中，所以，净素者易患大细胞性贫血。
平衡饮食建议用0.618的黄金分割比例，即碱性食物主要是蔬菜和水果占0.618；酸性食物主要为荤菜，占0.382。荤素搭配不仅口感好，更重要的是营养成分得以互补。鸡、鸭、鱼、肉、蛋含有丰富的蛋白质，而缺少纤维素和维生素；蔬菜中含有碳水化合物包括淀粉、糖、纤维素和果胶。矿物质十分丰富，除了碱性元素外，还含有一定量的铜、锌、碘、磷等元素；谷类食物除含蛋白质较多，还有丰富的淀粉。搭配混合进食，既可提高营养价值，又可营养互补。
古人说：“要得长生，肠中当清；要得不死，肠中无屎。”葛洪对辟谷很有研究，辟谷到底好不好呢？五谷大多为酸性食物，吃得太多不利于酸碱平衡，但不吃五谷又走向另一极端，即使只吃水果、蔬菜也是碱多酸少，走向另一不平衡，所以，正确的做法是少吃多餐，吃七八分饱。
黄金分割与平衡饮食
为了达到平衡饮食，医学营养专家建议每人每天吃一个鸡蛋，一瓶250毫升牛奶，500克蔬菜和水果，增加大豆摄入以提高蛋白质.含量，豆制品蛋白质含量高于牛奶，且易于消化吸收，除了含有脂肪、碳水化合物外，并含有一定量的B族维生素和矿物质；再增加一些含膳食纤维的薯类食物；食盐每人每日吃5克，三口之家每月吃450克，必须扣去酱油、调味品中的食盐，要吃得淡些再淡些；烹调油每人每天不超过25克。每星期餐桌上应有一顿鱼食，尤其是深海鱼油中含有一系列不饱和脂肪酸，有较强的降脂作用，以及降低血小板聚集，降低血黏度，有效清除血管内脂肪沉积，保护血管和增加血液流动。深海鱼油中含有 DHA(廿二碳六烯酸)、EPA(廿碳五烯酸)，属长链不饱和脂肪酸，是大脑必需的营养物质，促进脑发育与神经的正常功能。生活在冰天雪地的爱斯基摩人长寿的秘诀是吃鱼和海豹，原因如前所述。因此，均衡营养是保證人体健康长寿的基础。
黄金分割与有氧锻炼130
人们常说：“生命在于运动”，又说“静坐有益健康”。“劳与逸”、“动与静”我们到底该遵循哪一种运动方式呢？唐代大医学家孙思邈说：“养性之道，常欲小劳，但莫大疲及强所不能堪耳。”运动对于强身健体是必需的，但是强度大的体育锻炼并非是我们所需要的。如经常去迪斯科舞厅蹦迪，长期在快节奏、强噪音的运动中，不慎就会拉伤肌肉，损伤听力。当然好逸恶劳也是不可取的。科学的动静之分也应是0.618的黄金分割，每天活动时间占15小时左右（包括上班工作、上下班挤车、家务劳动及锻炼身体）。其余九个多小时可以用来休息（包括睡前在沙发上坐一会，和醒时赖一会床，使生物钟调节更和谐；真正睡觉的时间八小时也就够了）。中老年人理想的运动方式是散步和慢跑，可以从几百米开始。法国人提出全民健康的口号“有氧锻炼130”，此口号的意思是，通过运动锻炼，使心率达到130次/分左右。130 恰是人体最大心率220次/分的0.618左右，心率130适合青年、中年和老年各种人。按公式（220－年龄）×65%计算，实际生活中，50岁的人运动后心率约为110次/分为较好。
牛津健康协会说过，应该纠正三种不良生活方式：不合理的饮食、缺乏运动和吸烟，这样可以预防四类疾病：心脑血管病、癌症、糖尿病和慢性呼吸系统疾病。在一些发达国家这些疾病占了人口死因的80%，如果我们纠正了以上三种不良生活方式，估计得保守一些，我们减少50%的死因，也是极有可能的。
编辑：黄灵 yeshzhwu@foxmail.com
网络分割 第10篇
OBS (光突发交换) 技术具有适中的交换粒度、较高的带宽利用率和较容易实现等特点, 被认为是下一代光网络最具可实现性的核心技术[1]。在OBS网络中, 根据传输信道的不同将突发包划分成BDP (突发数据包) 和BCP (突发控制包) , BCP首先进入网络核心节点为其对应的BDP预留资源, 然后BDP利用单向资源预留方式在信道中传输。当同一时刻两个或多个BDP在CR (核心路由器) 竞争一个ODC (输出数据信道) 进行输出时, 就会发生数据包冲突, 导致数据包丢失。传统的解决方法是利用FDL (光纤延迟线) 将冲突的数据包进行缓存, 但没有考虑到优先级问题。有学者提出了一些改进方法, 例如POB (基于优先级的光缓存) 方法[2]和PBSOB (基于优先级与突发包分割的光缓存) 方法[3]等, 这些方法综合考虑了优先级业务的实时性和分割策略, 但仍没有解决好光缓存的复杂度和充分利用的问题, 以至于没能做到很好地降低数据包丢失率和提升网络性能。
针对上述问题, 本文首先引入一种交叉型光缓存结构作为分析对象, 然后结合到不同优先级业务, 提出一种改进的支持优先级的分割及光缓存方法。其基本思路是:先根据突发包的不同优先级对突发包进行分割处理, 然后判断是否有空闲波长输出信道, 若没有, 则判断是否有空闲的FDL信道, 若有, 则将冲突部分的分割突发包送入交叉型光缓存结构中进行处理。
1 交叉型光缓存结构
传统的FDL缓存结构只能实现较为固定的延时, 即使是可变的混合结构, 也只能实现有限的延时, 而且结构比较复杂。本文引入一种新的光缓存结构, 即交叉型光缓存结构[4]。该结构能够实现可变延时, 结构紧凑简单, 进一步降低了成本, 且可以在两端灵活扩展。
图1所示为交叉型光缓存结构图。它主要由两部分构成:OXC (光交叉连接器) 和光纤环。光纤环与OXC通过串联组成子缓存模块, 各子缓存模块级联构成整个缓存结构。当需要本级缓存模块缓存时, 令OXC处于直通状态, 不需要时OXC处于交叉状态。每级子缓存模块的光纤环结构相同, 只是内接的FDL的长度不同, 分别对应b、10b、100b、1 000b、……的固定延迟, b代表延迟单元。
图2所示为光纤环内部结构图。当内部1×2开关处于如图标记的a位置时, 突发包进入光纤环延迟相应的时间;当令该1×2开关处于如图标记的b位置时, 突发包结束延迟从本级缓存模块输出。可以把突发包延迟的时间表示为 (t1+10t2+100t3+1 000t4+…) b, 则第1级光纤环延迟为t1b, 第2级光纤环延迟10t2b, 依次类推。
图1所示结构为3级缓存模块, 实际情况可以向两端灵活扩展。交叉连接为光/光交换, 其交换速度比光/电/光交换要快。需要说明的是, 前面提到的光开关都是指非机械式的, 这种开关具有较高的开关速率, 可达到ps级, 目前实验室水平的光开关的开关时间已达到0.1ps级, 相对于延迟时间可以忽略不计。
2 支持优先级的分割及光缓存方法
为了研究多波长信道、多业务 (不同优先级) 状态下BDP的丢失率, 选取n个在ODC中传输的OBDP (原突发数据包) 和一个在IDC (输入数据信道) 中传输的后到的CBDP (竞争突发数据包) 。
(1) 如果CBDP的优先级低于所有正在占用ODC的OBDP的优先级, 则在输出信道上选择一个处理完毕时间最短的OBDP作参考, 对CBDP进行头部分割处理。如图3所示, 假设ODC2上的OB-DP2的处理完毕时间最短, 则将CBDP分割成CB-DP′和CBDP″, 没有发生冲突部分的CBDP′与OB-DP2一起在原输出信道ODC2上进行输出处理, 被分割后的冲突部分CBDP″则等待处理。
(2) 如果CBDP的优先级高于所有正在占用ODC的OBDP的优先级, 则在输出信道上选择一个最低优先级的OBDP进行尾部分割处理。如图4所示, 假设ODCn上的OBDPn的优先级最低, 则将OBDPn分割成OBDPn′和OBDPn″, 没有发生冲突部分的CBDP与OBDPn′一起在原输出信道ODCn上进行输出处理, 被分割后的冲突部分OBDPn″则等待处理。
在突发包进行分割后, 接下来对被分割后的冲突部分进行处理, 处理步骤如下: (1) 当冲突部分的分割突发包产生后, 判断该核心节点是否有空闲波长输出信道, 如果有, 则将该分割的突发包交换到该空闲波长信道上进行输出处理。 (2) 如果没有空闲波长输出信道, 则判断核心节点是否有配置光缓存的空闲输出信道。如果没有, 则丢弃该分割包。 (3) 如果有配置光缓存的空闲输出信道, 则将该核心节点的光缓存所能延迟的最长时间T与所有波长输出信道的剩余最短时间Tm进行比较, 若Tm>T, 说明经光缓存处理后的BDP仍没有空闲波长信道输出, 则丢弃该突发包;若Tm
3 理论分析
假设有5种优先级的BDP存在于OBS网络中, 它们的优先级从低到高依次为Class5、Class4、Class3、Class2和Class1。设定该网络的核心节点具有N根光纤, 每根光纤复用k个波长, 而且在该网络上为每个节点都配置有光缓存器和波长转换器, 每个光缓存设备配置有N条FDL。另设该网络采用JET (恰量时间) 资源预留协议, 每一个突发包的到达过程服从泊松分布, λi和ρi分别为该网络中Classi优先级突发包的到达率和信道负荷, 1/μi为突发包长度服从负指数分布的均值。根据爱尔兰损失公式[5], 可得出分割后Class1优先级突发包的丢失率P1 (1) 为
式中, ρ1=λ1/μ1。
根据排队论中的M/G/∞模型和数学归纳法[6], 可以推出分割后其余优先级的丢失率P1 (i) 如下:
式中, n为优先级数;
当冲突部分的分割突发包产生后, 核心节点中的控制单元首先判断是否有其他空闲的波长信道, 再判断是否有配置光缓存的空闲输出信道。当有配置光缓存的空闲输出信道时, 核心节点的调度器负责将分割突发包调度到光缓存中进行处理, 调度原则如下:先计算出所有波长输出信道的剩余最短时间Tm, 选取光缓存延迟所需的FDL单元个数N, 使得光缓存延迟的时间Ts与Tm最接近, 其中Ts=N·b为单个FDL延迟的时间。这种配置的OBS网络可以看做是M/M/k/D的排队模型[6], 其中D表示光缓存所能处理的突发包容量与空闲波长信道所能提供的容量之和, 即D可表示为
式中, α为单个波长的空闲率, 1- (1-α) k为整个空闲波长信道的空闲率。
同理分析, 设被分割后的每一个突发包的达到过程也服从泊松分布, λi和ρ′i分别为Classi优先级分割突发包到达率和信道负荷, 1/μi为分割突发包长度服从负指数分布的均值。
根据排队论和数学归纳方法[6], 可以推导出被缓存后的各优先级突发包的丢失率如下:
式中,
4 仿真分析
为了分析在多波长信道情况下突发包发生冲突时的丢包率情况, 本文利用MATALB软件分别对以下3种情况进行了仿真分析:不同优先级业务发生冲突时的丢包率情况, 同等级业务在不同方法下发生冲突时的丢包率情况, 以及同等级业务下在不同波长信道空闲率时的丢包率情况。这里设定网络中存在5种从低到高的优先级, 依次为Class5、Class4、Class3、Class2和Class1, 各级业务占总突发包的比例分别为30%、25%、20%、15%和10%。
图5所示为5个不同优先级业务的突发包丢失率与信道负荷的关系。设定每链路光纤数目为两根, 每根复用3个波长信道, 单个波长信道的空闲率为α=0.5。从图中可以看出, 高优先级业务突发包丢失率要比低优先级业务突发包丢失率低。当信道负荷较大时 (ρ>0.5) , 各优先级突发包的丢失率随信道负荷增加而增大的幅度比较平缓;当信道负荷较小时 (ρ<0.5) , 各优先级突发包的丢失率随信道负荷的增加而增大的幅度比较大。
图6所示为Class1优先级突发包在不同方法下核心节点的突发包丢失率与信道负荷的关系。设定每链路光纤数目为两根, 每根复用3个波长信道, 单个波长信道的空闲率α=0.5。从图中可以看出, 采用本文方法得到的突发包丢失率最低, 其次是PBSOB方法, 再次是POB方法, 而无FDL的方法丢失率最高, 而且随信道负荷变化的幅度很小。当信道负荷较小时, 采用本文方法得到的效果更加明显。
图7所示为Class1优先级突发包在空闲率α不同时核心节点的突发包丢失率与信道负荷的关系。设定每链路光纤数目为两根, 每根复用3个波长信道。从图中可以看出, 在同等优先级的情况下, 单个空闲波长信道的空闲率越高, 突发数据包的丢失率越低;同时随着信道负荷的增加, 突发包丢失率也在不断地上升, 说明信道负荷过大时改善效果逐渐减弱。
5 结束语
本文引入一种交叉型光缓存结构, 提出了一种改进的支持优先级的分割及光缓存方法。该方法中引入的光缓存结构紧凑简单, 能够实现可变延时, 进一步降低了成本;同时, 引入对空闲信道剩余时间和光缓存所能延迟的时间进行判断, 能够进一步降低数据包丢失率。实验仿真结果表明, 该方法可以有效降低网络中突发数据包的丢失率, 提升整个光突发交换网络的性能。
摘要：为了有效降低OBS (光突发交换) 网络中突发包的丢失率, 在多波长信道情况下, 对现有的基于优先级与突发包分割的光缓存方法进行了研究和改进。改进后的方法结合优先级与分割机制, 引入了一种交叉型光缓存结构来缓存被分割的冲突包, 同时引入对空闲波长信道和光缓存延迟时间的判断来进一步确保低的数据丢失率。实验仿真结果表明, 该方法可以有效降低突发数据包的丢失率, 同时保证OBS网络中不同优先级业务的服务质量, 从而提升整个网络的性能。
关键词：光突发交换,优先级,光缓存,分割,丢失率
参考文献
[1]Qiao C.Labeled optical burst switching for IP-overWDM integration[J].IEEE Communication Magazine, 2000, 38 (9) :104-114.
[2]侯睿, 陈婷婷.OBS网络基于光缓存的多优先级业务冲突研究[J].光通信研究, 2008, (6) :7-8.
[3]管红, 王波云.OBS网络基于优先级与突发包分割的光缓存方法[J].电子学报, 2012, 41 (2) :127-132.
[4]李志平, 方捻, 王陆唐.适用于光突发交换网的可编程光缓存器[J].光子学报, 2007, (10) :1858-1861.
[5]Vu H L, Zukerman M.Blocking probability for priority classes in optical burst switching networks[J].IEEE Communications Letters, 2002, 6 (5) :214-216.