線增強演算法

㈠ 網線太長，怎麼增強信號

1、更換網線類型

我們常用的網線都是5類網線，所以網線的范圍較小，如果需要增強信號，可以選擇使用超五類網線或者六類網線，超5類網線、6類網線可以延長信號的傳輸距離，在同等網線長度下，比普通網線的信號質量好了；

2、使用交換器或者路由器

網線太長信號不好，可以在網線中間串接交換機或者路由器，也可以有效增強信號，延長傳輸距離。

在距第一台交換機150米左右加裝另一台交換機，在300米處加轉第二台交換機，以此類推知道達到施工要求。交換機橋接的有點是成本低，施工簡便。缺點是一般只能增加三層交換，距離限制在500米以內。

3、使用網路信號放大器

我們還可以使用網路信號放大器增強信號，優點是即插即用無需線路的改動，缺點是成本高，距離一般不超過300米。

㈡ 卷積增強演算法

遙感圖像上的線性特徵，特別是和地質構造和成礦環境有關的線性體和斷裂構造的增強處理和分析是遙感圖像處理和研究的一個重要方面。對數字圖像而言，線性體信息提取目前主要有梯度閾值法（Xu,1981）、模板卷積法（Coupland,1981）、超曲面擬合法（Chitti-neni,1982）、曲線追蹤和區域生長（Risse,1989;Pavlidis,1990）等，地質遙感線性體信息提取採用模板卷積濾波演算法效果較好，它是一種鄰域處理技術，即通過一定尺寸的模板（矩陣）對原圖像進行卷積運算來實現的。以3×3（像元）的模板為例，即相當於把模板逐次放在每一個像元上，計算模板元素和對應像元亮度值的乘積和，用數學式可表示為

西天山吐拉蘇盆地與火山岩有關的金礦遙感找礦研究

式中：m_i為模板元素值；g_i為相應圖像中各像元的亮度值；f為卷積值，就是濾波後（模板）中心像元的輸出值。

㈢ 圖像增強的常用方法有哪些

圖像增強可分成兩大類：頻率域法和空間域法。
前者把圖像看成一種二維信號，對其進行基於二維傅里葉變換的信號增強。採用低通濾波（即只讓低頻信號通過）法，可去掉圖中的雜訊；採用高通濾波法，則可增強邊緣等高頻信號，使模糊的圖片變得清晰。
後者空間域法中具有代表性的演算法有局部求平均值法和中值濾波（取局部鄰域中的中間像素值）法等，它們可用於去除或減弱雜訊。
方法
圖像增強的方法是通過一定手段對原圖像附加一些信息或變換數據，有選擇地突出圖像中感興趣的特徵或者抑制(掩蓋)圖像中某些不需要的特徵，使圖像與視覺響應特性相匹配。
在圖像增強過程中，不分析圖像降質的原因，處理後的圖像不一定逼近原始圖像。圖像增強技術根據增強處理過程所在的空間不同，可分為基於空域的演算法和基於頻域的演算法兩大類。
灰度變換主要針對獨立的像素點進行處理，由輸入像素點的灰度值決定相應的輸出像素點的灰度值，通過改變原始圖像數據所佔的灰度范圍而使圖像在視覺上得到改善。

1.1 線性灰度增強

線性灰度增強，將圖像中所有點的灰度按照線性灰度變換函數進行變換。在曝光不足或過度的情況下，圖像的灰度可能局限在一個很小的灰度范圍內，這時圖像可能會很模糊不清。利用一個線性單值函數對圖像內的每一個像素做線性拓展，將會有效地改善圖像的視覺效果。

㈣ 數據增強的方法有哪些

1 什麼是數據增強？

數據增強也叫數據擴增，意思是在不實質性的增加數據的情況下，讓有限的數據產生等價於更多數據的價值。

比如上圖，第1列是原圖，後面3列是對第1列作一些隨機的裁剪、旋轉操作得來。

每張圖對於網路來說都是不同的輸入，加上原圖就將數據擴充到原來的10倍。假如我們輸入網路的圖片的解析度大小是256×256，若採用隨機裁剪成224×224的方式，那麼一張圖最多可以產生32×32張不同的圖，數據量擴充將近1000倍。雖然許多的圖相似度太高，實際的效果並不等價，但僅僅是這樣簡單的一個操作，效果已經非凡了。

如果再輔助其他的數據增強方法，將獲得更好的多樣性，這就是數據增強的本質。

數據增強可以分為，有監督的數據增強和無監督的數據增強方法。其中有監督的數據增強又可以分為單樣本數據增強和多樣本數據增強方法，無監督的數據增強分為生成新的數據和學習增強策略兩個方向。

2 有監督的數據增強

有監督數據增強，即採用預設的數據變換規則，在已有數據的基礎上進行數據的擴增，包含單樣本數據增強和多樣本數據增強，其中單樣本又包括幾何操作類，顏色變換類。

2.1. 單樣本數據增強

所謂單樣本數據增強，即增強一個樣本的時候，全部圍繞著該樣本本身進行操作，包括幾何變換類，顏色變換類等。

(1) 幾何變換類

幾何變換類即對圖像進行幾何變換，包括翻轉，旋轉，裁剪，變形，縮放等各類操作，下面展示其中的若干個操作。

水平翻轉和垂直翻轉

隨機旋轉

隨機裁剪

變形縮放

翻轉操作和旋轉操作，對於那些對方向不敏感的任務，比如圖像分類，都是很常見的操作，在caffe等框架中翻轉對應的就是mirror操作。

翻轉和旋轉不改變圖像的大小，而裁剪會改變圖像的大小。通常在訓練的時候會採用隨機裁剪的方法，在測試的時候選擇裁剪中間部分或者不裁剪。值得注意的是，在一些競賽中進行模型測試時，一般都是裁剪輸入的多個版本然後將結果進行融合，對預測的改進效果非常明顯。

以上操作都不會產生失真，而縮放變形則是失真的。

很多的時候，網路的訓練輸入大小是固定的，但是數據集中的圖像卻大小不一，此時就可以選擇上面的裁剪成固定大小輸入或者縮放到網路的輸入大小的方案，後者就會產生失真，通常效果比前者差。

(2) 顏色變換類

上面的幾何變換類操作，沒有改變圖像本身的內容，它可能是選擇了圖像的一部分或者對像素進行了重分布。如果要改變圖像本身的內容，就屬於顏色變換類的數據增強了，常見的包括雜訊、模糊、顏色變換、擦除、填充等等。

基於雜訊的數據增強就是在原來的圖片的基礎上，隨機疊加一些雜訊，最常見的做法就是高斯雜訊。更復雜一點的就是在面積大小可選定、位置隨機的矩形區域上丟棄像素產生黑色矩形塊，從而產生一些彩色雜訊，以Coarse Dropout方法為代表，甚至還可以對圖片上隨機選取一塊區域並擦除圖像信息。

添加Coarse Dropout雜訊

顏色變換的另一個重要變換是顏色擾動，就是在某一個顏色空間通過增加或減少某些顏色分量，或者更改顏色通道的順序。

顏色擾動

還有一些顏色變換，本文就不再詳述。

幾何變換類，顏色變換類的數據增強方法細致數還有非常多，推薦給大家一個git項目：

https://github.com/aleju/imgaug

預覽一下它能完成的數據增強操作吧。

2.2. 多樣本數據增強

不同於單樣本數據增強，多樣本數據增強方法利用多個樣本來產生新的樣本，下面介紹幾種方法。

(1) SMOTE[1]

SMOTE即Synthetic Minority Over-sampling Technique方法，它是通過人工合成新樣本來處理樣本不平衡問題，從而提升分類器性能。

類不平衡現象是很常見的，它指的是數據集中各類別數量不近似相等。如果樣本類別之間相差很大，會影響分類器的分類效果。假設小樣本數據數量極少，如僅占總體的1%，則即使小樣本被錯誤地全部識別為大樣本，在經驗風險最小化策略下的分類器識別准確率仍能達到99%，但由於沒有學習到小樣本的特徵，實際分類效果就會很差。

SMOTE方法是基於插值的方法，它可以為小樣本類合成新的樣本，主要流程為：

第一步，定義好特徵空間，將每個樣本對應到特徵空間中的某一點，根據樣本不平衡比例確定好一個采樣倍率N；

第二步，對每一個小樣本類樣本(x,y)，按歐氏距離找出K個最近鄰樣本，從中隨機選取一個樣本點，假設選擇的近鄰點為(xn,yn)。在特徵空間中樣本點與最近鄰樣本點的連線段上隨機選取一點作為新樣本點，滿足以下公式：

第三步，重復以上的步驟，直到大、小樣本數量平衡。

該方法的示意圖如下。

在python中，SMOTE演算法已經封裝到了imbalanced-learn庫中，如下圖為演算法實現的數據增強的實例，左圖為原始數據特徵空間圖，右圖為SMOTE演算法處理後的特徵空間圖。

(2) SamplePairing[2]

SamplePairing方法的原理非常簡單，從訓練集中隨機抽取兩張圖片分別經過基礎數據增強操作(如隨機翻轉等)處理後經像素以取平均值的形式疊加合成一個新的樣本，標簽為原樣本標簽中的一種。這兩張圖片甚至不限制為同一類別，這種方法對於醫學圖像比較有效。

經SamplePairing處理後可使訓練集的規模從N擴增到N×N。實驗結果表明，因SamplePairing數據增強操作可能引入不同標簽的訓練樣本，導致在各數據集上使用SamplePairing訓練的誤差明顯增加，而在驗證集上誤差則有較大幅度降低。

盡管SamplePairing思路簡單，性能上提升效果可觀，符合奧卡姆剃刀原理，但遺憾的是可解釋性不強。

(3) mixup[3]

mixup是Facebook人工智慧研究院和MIT在「Beyond Empirical Risk Minimization」中提出的基於鄰域風險最小化原則的數據增強方法，它使用線性插值得到新樣本數據。

令(xn,yn)是插值生成的新數據，(xi,yi)和(xj,yj)是訓練集隨機選取的兩個數據，則數據生成方式如下

λ的取值范圍介於0到1。提出mixup方法的作者們做了豐富的實驗，實驗結果表明可以改進深度學習模型在ImageNet數據集、CIFAR數據集、語音數據集和表格數據集中的泛化誤差，降低模型對已損壞標簽的記憶，增強模型對對抗樣本的魯棒性和訓練生成對抗網路的穩定性。

SMOTE，SamplePairing，mixup三者思路上有相同之處，都是試圖將離散樣本點連續化來擬合真實樣本分布，不過所增加的樣本點在特徵空間中仍位於已知小樣本點所圍成的區域內。如果能夠在給定范圍之外適當插值，也許能實現更好的數據增強效果。

3 無監督的數據增強

無監督的數據增強方法包括兩類：

(1) 通過模型學習數據的分布，隨機生成與訓練數據集分布一致的圖片，代表方法GAN[4]。

(2) 通過模型，學習出適合當前任務的數據增強方法，代表方法AutoAugment[5]。

3.1 GAN

關於GAN(generative adversarial networks)，我們已經說的太多了。它包含兩個網路，一個是生成網路，一個是對抗網路，基本原理如下：

(1) G是一個生成圖片的網路，它接收隨機的雜訊z，通過雜訊生成圖片，記做G(z) 。

(2) D是一個判別網路，判別一張圖片是不是「真實的」，即是真實的圖片，還是由G生成的圖片。

GAN的以假亂真能力就不多說了。

2 Autoaugmentation[5]

AutoAugment是Google提出的自動選擇最優數據增強方案的研究，這是無監督數據增強的重要研究方向。它的基本思路是使用增強學習從數據本身尋找最佳圖像變換策略，對於不同的任務學習不同的增強方法，流程如下：

(1) 准備16個常用的數據增強操作。

(2) 從16個中選擇5個操作，隨機產生使用該操作的概率和相應的幅度，將其稱為一個sub-policy，一共產生5個sub-polices。

(3) 對訓練過程中每一個batch的圖片，隨機採用5個sub-polices操作中的一種。

(4) 通過模型在驗證集上的泛化能力來反饋，使用的優化方法是增強學習方法。

(5) 經過80~100個epoch後網路開始學習到有效的sub-policies。

(6) 之後串接這5個sub-policies，然後再進行最後的訓練。

總的來說，就是學習已有數據增強的組合策略，對於門牌數字識別等任務，研究表明剪切和平移等幾何變換能夠獲得最佳效果。

㈤ 圖像處理的增強復原

圖像增強的目標是改進圖片的質量，例如增加對比度，去掉模糊和雜訊，修正幾何畸變等；圖像復原是在假定已知模糊或雜訊的模型時，試圖估計原圖像的一種技術。
圖像增強按所用方法可分成頻率域法和空間域法。前者把圖像看成一種二維信號，對其進行基於二維傅里葉變換的信號增強。採用低通濾波（即只讓低頻信號通過）法，可去掉圖中的雜訊；採用高通濾波法，則可增強邊緣等高頻信號，使模糊的圖片變得清晰。具有代表性的空間域演算法有局部求平均值法和中值濾波（取局部鄰域中的中間像素值）法等，它們可用於去除或減弱雜訊。
早期的數字圖像復原亦來自頻率域的概念。現代採取的是一種代數的方法，即通過解一個大的方程組來復原理想的圖片。
以提高圖像質量為目的的圖像增強和復原對於一些難以得到的圖片或者在拍攝條件十分惡劣情況下得到的圖片都有廣泛的應用。例如從太空中拍攝到的地球或其他星球的照片，用電子顯微鏡或X光拍攝的生物醫療圖片等。
圖像增強使圖像清晰或將其轉換為更適合人或機器分析的形式。與圖像復原不同，圖像增強並不要求忠實地反映原始圖像。相反，含有某種失真（例如突出輪廓線）的圖像可能比無失真的原始圖像更為清晰。常用的圖像增強方法有：①灰度等級直方圖處理：使加工後的圖像在某一灰度范圍內有更好的對比度；②干擾抑制：通過低通濾波、多圖像平均、施行某類空間域運算元等處理，抑制疊加在圖像上的隨機性干擾；③邊緣銳化：通過高通濾波、差分運算或某種變換，使圖形的輪廓線增強；④偽彩色處理：將黑白圖像轉換為彩色圖像，從而使人們易於分析和檢測圖像包含的信息。
圖像復原除去或減少在獲得圖像過程中因各種原因產生的退化。這類原因可能是光學系統的像差或離焦、攝像系統與被攝物之間的相對運動、電子或光學系統的雜訊和介於攝像系統與被攝像物間的大氣湍流等。圖像復原常用二種方法。當不知道圖像本身的性質時，可以建立退化源的數學模型，然後施行復原演算法除去或減少退化源的影響。當有了關於圖像本身的先驗知識時，可以建立原始圖像的模型，然後在觀測到的退化圖像中通過檢測原始圖像而復原圖像。
圖像分割將圖像劃分為一些互不重疊的區域，每一區域是像素的一個連續集。通常採用把像素分入特定區域的區域法和尋求區域之間邊界的境界法。區域法根據被分割對象與背景的對比度進行閾值運算，將對象從背景中分割出來。有時用固定的閾值不能得到滿意的分割，可根據局部的對比度調整閾值，這稱為自適應閾值。境界法利用各種邊緣檢測技術，即根據圖像邊緣處具有很大的梯度值進行檢測。這兩種方法都可以利用圖像的紋理特性實現圖像分割。

㈥ 增強學習演算法的學習演算法

Q學習演算法在確定性回報和動作假定下的Q學習演算法：
（s表示狀態，a表示動作，Q（s，a）表示對狀態s下動作a得到的總體回報的一個估計，r為此動作的立即回報）
1。對每個s，a初始化表項Q（s，a）為0
2。觀察當前狀態s
3。一直重復做：
選擇一個動作a並執行它，該動作為使Q（s，a）最大的a。
接收到立即回報r。
觀察新狀態s'。
對Q（s'，a'）按照下式更新表項：
Q（s，a）=r(s，a)+gama * max Q （s'，a'）。
s=s'。

㈦ 如何評價madVR新的增線演算法NGU

gtx1080走起，配合madvr新的放大演算法NGU(需要高質量片源) 放大至4k
如果你更在意幀率而不是解析度，建議買a卡，rx470D/rx470/rx480配合A卡獨有的插幀工具插至60fps。
請配合不太差的cpu，大部分情況下，建議軟解，因為顯卡有其它東西要運算。

㈧ 圖像增強的方法有哪些

圖像處理技術與機器視覺密切相關，圖像在採集過程中不可避免的會受到感測器靈敏度、雜訊干擾以及模數轉換時量化問題等各種因素的影響，而導致圖像無法達到令人滿意的視覺效果，為了實現人眼觀察或者機器自動分析、識別的目的，對原始圖像所做的改善行為，就被稱作圖像增強。圖像增強處理主要內容是突出圖像中感興趣的部分，減弱或去除不需要的信息。這樣使有用信息得到加強，從而得到一種更加實用的圖像或者轉換成一種更適合人或機器進行分析處理的圖像。-一般而言，圖像增強是根據具體的應用場景和圖像的模糊情況而採用特定的增強方法來突出圖像中的某些信息，削弱或消除無關信息，以達到強調圖像的整體或局部特徵的目的。圖像增強的方法主要分為兩類：空域增強法和頻域增強法。空域增強法直接針對圖像中的像素，對圖像的灰度進行處理；頻域增強法是基於圖像的Fourier變換式對圖像頻譜進行改善，增強或抑制所希望的頻譜。
常用的圖像增強方法有：①灰度等級直方圖處理：使加工後的圖像在某一灰度范圍內有更好的對比度；②干擾抑制：通過低通濾波、多圖像平均、施行某類空間域運算元等處理，抑制疊加在圖像上的隨機性干擾；③邊緣銳化：通過高通濾波、差分運算或某種變換，使圖形的輪廓線增強；④偽彩色處理：將黑白圖像轉換為彩色圖像，從而使人們易於分析和檢測圖像包含的信息。由於對圖像質量的要求越來越高，單一的增強處理往往難以達到令人滿意的效果。因此，在圖像的實際增強處理中，常常是幾種方法組合運用，各取所長以達到最佳的增強效果。

㈨ 關於圖像增強演算法的問題

幾種方法結合使用。一般先做中值濾波、圖像平滑，這些屬於圖像預處理，然後考慮進行銳化、變換等其他手段。
這些你挨個試，就明白了。