图像去噪与路面分析技术

原创

于 2025-09-10 14:38:43 发布 · 779 阅读

CC 4.0 BY-SA版权

文章标签：

以下是将给定文本内容调整为Markdown格式的输出：

可将图像的实部和虚部分离，因虚部含噪声信息，通过检查和过滤虚部图像并使用公式：

$$ I_t = \text{div} \left( c \, \text{Im} I \, \nabla I \right) $$

其中：

$ c = e^{-x^2/\rho^2} \rho $
$ c \, \text{Im} I = \frac{e^{i\theta}}{1 + \left( \text{Im} I / k\theta \right)^2} $
$ k $ 为阈值参数

去除噪声。先计算主要 Khai 指数评估图像，去除噪声后重新计算指标。

此外，还可采用基于剪切波理论的三种算法（ DSST1 、 DSST2 、 DSST3 ）分离图像为系数，通过调整 Dst 和阈值方法进行降噪、改善裂缝质量、评估粗糙路面纹理等操作。

决策树与熵指标

决策树是一种从根节点到叶节点的树形结构分类模型。

原始的决策树构建算法 ID3 由 J. R. Quinlan 开发，采用贪心的自顶向下搜索，利用熵和信息增益构建决策树。

在基础设施管理数据库中，不同方法基于信息增益进行特征选择和节点布局时，可使用多种熵指标来计算信息增益，常见的如 Shannon 熵 等。

Shannon 熵：
$ \text{Ent} {\text{sh}}(S) = -\sum {j=1}^{n} P_j \log_2 P_j $
Rényi 熵：
$ \text{Ent} {\text{RN}}(w) = \frac{\log\left(\sum {j=1}^{n} \mu_w(x_j)\right)}{\alpha(1 - \alpha)} $
Melnikov 熵：
$ \text{Ent} {\text{ME}}(w) = \sum {j=1}^{n} \left[ W_j \left( \sin\left(\frac{\pi \mu_w(x_j)}{2}\right) + \sin\left(\frac{\pi (1 - \mu_w(x_j))}{2}\right) - 1 \right) \right] $
Tsal 熵：
$ \text{Ent} {\text{TS}}(w) = \frac{1 - \sum {j=1}^{n} \mu_w(x_j)}{\alpha(1 - \alpha)} $
pp 熵：
$ \text{Ent} {\text{pp}}(w) = -\sum {j=1}^{n} \mu_w(x_j) e^{1 - \mu_w(x_j)} $
m 熵：
$ \text{Ent} {\text{m}}(w) = \sum {j=1}^{n} \mu_w(x_j) e^{-(a\mu_w(x_j)^3 + b\mu_w(x_j)^2 + c\mu_w(x_j) + d)} $
ma 熵：
$ \text{Ent}_{\text{ma}}(w) = \frac{\text{Ent}_m(w) - e^{-(a + b)\beta}}{n(1 - \gamma) e^{-\left(\frac{a}{na + b}\right)\beta} - e^{-(a + b)\beta}} $