XiaoMi-AI文件搜索系统
World File Search System数字图像
数字图像中的镜像对称检测 - SciTePress
对称性是解决数字图像和视频分析与识别各种问题的重要分类特征。镜像对称性可用于分割和分类对象。通过找到的对称轴，可以在图像上确定对称对象的方向。例如，可以在通过分割远程图像中的图像获得的众多对象中确定飞机的对称轮廓及其方向（图 1）。确定图像中对称对象的方法可以在各种设置中解决问题，例如，它们寻找具有轴向或中心、全局或局部对称性的对象（Liu 等人，2010 年）、（Lee 和 Liu，2012 年）、（Widynski 等人，2014 年）。该方法的另一个重要方面是使用图像中对象的初步分割或直接处理图像而无需初步处理。我们考虑确定分割图像的全局轴对称性的问题。假设对物体进行了分割，但这种分割的质量不是很高。图 1 显示了一个例子。在分析通过地球遥感获得的图像时会出现这样的问题。图像尺寸非常大，在没有初步分割的情况下寻找对称物体需要大量的计算时间。根据阈值或使用训练有素的神经网络对源图像进行分割。结果是二进制图像，其中
关于数字图像安全性深度学习应用的调查
摘要。在数字时代，在社交媒体上共享图片已成为一个共同的隐私问题。为了防止私人图像被窃听并破坏，开发了安全有效的图像密封造影，图像加密和图像身份验证非常困难。深度学习为数字图像安全提供了解决方案。首先，我们就图像隐志中的深度学习应用做出了总体结论，以产生五个方面：封面图像，seego-image，嵌入变化概率，无封面隐肌和Steg-分析。第二，我们还将和比较了六个方面中使用的深度学习方法：图像加密从图像压缩，图像分辨率改进，图像对象检测和分类，钥匙生成，端到端图像加密和图像加密式分析。第三，我们从五个角度收集图像身份验证中的深度学习方法：图像伪造检测，图像产生，图像水印提取和检测，图像水印攻击以及图像水印。最后，我们总结了图像密集术，图像加密和图像身份验证中深度学习利用的未来研究方向。©2021光学仪器工程师协会（SPIE）[doi：10 .1117/1.OE.60.12.120901]
数字图像合成器对抗逆合成孔径雷达的性能分析
估计此信息收集的公共报告负担平均为每份回应 1 小时，包括审查指令、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请将有关此负担估计或此信息收集的任何其他方面的意见（包括减轻此负担的建议）发送至华盛顿总部服务部、信息运营和报告理事会，1215 Jefferson Davis Highway，Suite 1204，Arlington，VA 22202-4302，以及管理和预算办公室、文书工作减少项目 (0704-0188)华盛顿特区 20503。1. 仅供机构使用（留空）2. 报告日期 2002 年 9 月 3. 报告类型和涵盖日期 电气工程师论文
数字图像传感器的演进和新前沿 - Eric Fossum
自史前时代以来，捕捉图像就是人类的活动，近 200 年来，相机捕捉一直是人类文化的一部分。图像传感器是每台数码相机的核心，将光转换为适合计算机传输、存储和处理的电信号，供机器和人类使用。图像传感器从 21 世纪甚至更早开始就对人类文化产生了强烈的影响。数码相机最初是用电荷耦合器件 (CCD) 图像传感器实现的，目前是用互补金属氧化物半导体 (CMOS) 图像传感器 (CIS) 实现的。这些相机广泛应用于移动智能手机、汽车、网络摄像头、医疗设备、安全系统、国防技术和空间等许多领域。基于图像的社交媒体（如 Facebook、Instagram、YouTube 和 TikTok）对社会的影响，无论是好是坏，都不能低估。然而，一个无可争议的积极影响是每个口袋里的相机都有助于社会正义。例子包括乔治·弗洛伊德事件的视频；阿拉伯之春；以及2020 年 1 月 6 日的国会事件，以及支持执法声明的视频。
通过数字图像相关分析 1350°C 下陶瓷的不对称蠕变
在极高的温度下，陶瓷的关键参数之一是其抗蠕变性。蠕变行为的表征通常通过弯曲试验进行评估，当拉伸和压缩之间出现不对称时，蠕变行为的表征会变得复杂。为了检测和量化这种不对称行为，建议使用数字图像相关 (DIC)。首先，高温下 DIC 需要解决几个挑战，即随机图案稳定性、辐射过滤和热雾。由于加热陶瓷的可能性有限、应变场不均匀及其水平低，这些挑战更加严重。除了几项实验发展之外，由于使用了基于临时有限元运动学的两种 DIC 全局方法，应变不确定性得到了降低。最后，将所提出的方法应用于高抗蠕变性能设计的工业锆石陶瓷在 1350°C 下的不对称蠕变分析。
图像二值矩阵处理以加密和解密数字图像
摘要 — 本研究提出了一种简单的加密解决方案，用于保护计算机应用中常用的灰度和彩色数字图像。由于这些图像用途广泛，保护它们对于防止未经授权的访问至关重要。本文的方法使用基本操作来处理图像的二进制矩阵。这些具体操作包括将 8 列矩阵扩展至 64 列，将其重新组织为 64 列，将其分成四个块，并使用秘密索引密钥对列进行混沌处理。这些密钥由四组常见的混沌逻辑参数生成。每组参数执行混沌逻辑映射模型以生成混沌密钥，然后将其转换为索引密钥。该索引密钥在加密过程中对列进行混沌处理，在解密过程中进行反向操作。该加密方法保证了密钥空间的安全性，从而能够抵御黑客攻击。由于解密过程对精确的私钥值敏感，因此加密图像是安全的。私钥通常是混沌逻辑参数，这使得加密具有弹性。该方法非常方便，因为它支持任意大小和类型的图像，而无需修改加密或解密技术。混洗取代了传统数据加密方法中复杂的逻辑过程，简化了加密过程。我们将使用多张照片进行实验，以评估所提出的策略。加密和解密后的照片将被检查，以确保该方法符合加密标准。速度测试还将把所提出的方法与现有的加密方法进行比较，以展示其通过缩短加密和解密时间来加速图片加密的潜力。
人工智能利用数字图像筛查新冠肺炎患者：荟萃分析
荟萃分析共纳入 16 项研究，共涉及 5896 张 COVID-19 患者的胸部图像。DL 模型在检测 COVID-19 方面的汇总灵敏度和特异性分别为 0.95（95% CI 0.94-0.95）和 0.96（95% CI 0.96-0.97），受试者工作特征曲线下面积为 0.98。阳性可能性、阴性可能性和诊断优势比分别为 19.02（95% CI 12.83-28.19）、0.06（95% CI 0.04-0.10）和 368.07（95% CI 162.30-834.75）。区分其他类型肺炎与 COVID-19 的汇总灵敏度和特异性分别为 0.93（95% CI 0.92-0.94）和 0.95（95% CI 0.94-0.95）。放射科医生检测 COVID-19 的表现低于 DL 模型；然而，当初级放射科医生使用基于 DL 的预测工具时，他们的表现有所提高。
自动系统，用于获取和分析包含活性污泥的微观数字图像
摘要本文包含图像采集的过程，包括分析材料的抽样以及用于研究中使用的硬件和预处理的技术解决方案。通过自动化机械系统的帮助，获得了包含已识别对象的数字图像的数据集，以控制显微镜表并用于训练Yolo模型。根据自动图像分析比较了Yolov4和Yolov8深度学习网络的性能。Yolo构成一个单阶段的对象检测模型，目的仅检查一次分析的图像。通过利用单个神经网络，将图像分为单元格的网格，并为边界框以及每个框的对象类概率做出了预测。这种方法允许以最小的精度损失实时检测。这项研究涉及纤毛的原生动物Vorticella作为测试对象。这些生物都在天然水体和采用活性污泥法的治疗厂中发现。由于其独特的外观，高丰度和久坐的生活方式，Vorticella是检测任务的好主题。为了确保训练数据集准确，图像是手动标记的。使用诸如准确性，精度和召回的指标评估模型的性能。最终结果表明，在Yolo算法的后续版本中，软件中所获得的输出和进度的指标差异。
原位显微镜和数字图像相关性研究聚合物基材料的机械特征
聚合物复合材料在我们的日常生活中无处不在，因为它们的功能/机械性能[1]，这种材料的机械性能是由构成结构[2]的纳米级/显微镜特征所支持的，并且在此主题上有一些出色的评论[3-7]。传统的机械测试方法获取有关聚合物及其复合材料的宏观物理特性的信息，重要的是要注意，可能会错过有关这些材料中存在的纳米级/微观结构的贡献的信息[8]，并且在分析生物学样本（尤其是用于评估细胞机械的方法）方面存在重大兴趣。多尺度结构和宏观特性的相关性是当前分析研究的一个领域[10，11]；可以采用各种不同的实验室和计算技术来理解
原位显微镜和数字图像相关性研究聚合物基材料的机械特征
聚合物复合材料在我们的日常生活中无处不在，因为它们的功能/机械性能[1]，这种材料的机械性能是由构成结构[2]的纳米级/显微镜特征所支持的，并且在此主题上有一些出色的评论[3-7]。传统的机械测试方法获取有关聚合物及其复合材料的宏观物理特性的信息，重要的是要注意，可能会错过有关这些材料中存在的纳米级/微观结构的贡献的信息[8]，并且在分析生物学样本（尤其是用于评估细胞机械的方法）方面存在重大兴趣。多尺度结构和宏观特性的相关性是当前分析研究的一个领域[10，11]；可以采用各种不同的实验室和计算技术来理解