为了增强交通图像的清晰度和减少噪声对图像的影响,提出一种融合多尺度Retinex和非下采样Contourlet的图像增强算法,以提高图像的清晰度。首先采用NSCT按照不同频率对图像进行解析,会出现一个低频和多个高频分量;在低频率的分量上用多尺度Retinex的混合灰度函数进行增强;在高频上使用非线性增益函数进行自适应增强,从而提高图像的对比度代表改变后的系数，Plk_max(x,y)代表分量参数的最大值。b是改变参数增强的范围，值由非线性方程得到的，c代表加强的强度。4实验结果分析上述提出的融合多尺度Retinex和NSCT域图像增强算法，在对城市交通图像进行处理时，平台运行环境为Intel(R)Core(TM)2DuoCPU2GHz/4GB，Matlab2012b，可以获得如下的结果图示。图2结果对比（a）原图像；（b）双向直方图均衡；（c）NSCT算法；（d）MSR算法；（e）离散小波变换和Retinex算法；（f）融合的增强算法图2展现出，本文由张家港弯管机网站

转载中国知网整理!www.wangaunjimuju.net双向直方图均衡算法可以提高图像对比度，但加聚了噪声，致使过增强。NSCT算法提高了图像的纹理清晰度，但未对图像的整体对比度做出改善，增强作用不佳。图2(d)和图2(e)中算法对图像的总体作用，能明显地展现暗影和背景因素，而图2(d)算法无法展现图像的细微部分，加强后的图像看起来模糊不清；离散小波变换和Retinex方法虽然对图像的纹理细节进行了增强，但存在总体亮度不高、对比度不明显的问题。本文算法明显地增大了图像对比度，能清晰地展示暗影和背景细节，而且能描绘出图像的纹理细节，使总体看起来效果优随着神经网络的运用日益广泛,安全问题越来越受重视。对抗样本的出现更是使得攻击神经网络变得轻而易举,该文以神经网络的安全性问题为出发点,介绍了对抗样本的概念和形成原因,总结了生成对抗样本的常用算法,以及防御对抗样本的常用方法,最后提出了下一步保障神经网络安全性的发力点应该从测试转向安全验证。 已经被广泛应用于各个领域，例如：垃圾邮件检测、人脸识别、自动驾驶等。毫无疑问，安全性问题研究综述-数控滚圆机滚弧机折弯机张家港电动液压滚圆机滚弧机折弯机机器学习技术给人们的生活带来了便利，但同时也暴露了不少安全性问题，其中，引起较多关注的是对抗样本问题。2对抗样本2.1什么是对抗样本对抗本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net样本常见于深度神经网络中，其概念最早是Szegedy等人提出来的，它指的是：在输入的图片数据上对像素点的值做微小的改动，改动后的新图片人眼依然能分辨，但神经网络却会以非常高的置信度将其错误分类，此时造成误分类的改动图片就是一个对抗样本[1]。如图1所示，一张雪山的图片，本来神经网络能够以94.56%的置信度分类为雪山，但加了对抗性噪声之后形成的新图片，神经网络会以99.99%的置信度将其错误地分类为狗。图1对抗样本举例[2]2.2为什么会存在对抗样本观点1：数据采样不均Szegedy认为可能是由于实验数据集采样不均，类似对抗样本的数据在实验数据集中出现概率太低[1]，以至于模型在训练过程中没有充分学习，在测试过程中也没有发现这一弱点，直到攻击者采用精心构造的数据来攻击时，神经网络才频频出错，暴露出潜在的弱点。这也可以解释为什么不同模型会对同一对抗样本表现出脆弱性，因为问题的根源不在模型结构而在实验数据。观点2：高维度线性假设Goodfellow提出了另一种观点：高维度线性假设。他认为对抗样本是由于深度神经网络在高维空间的线性性质导致的[3]，因为根据深度神经网络的特性，初始扰动值在向后传递的过程中经过高维度的深层叠加，最后累计值会非常大，足以改变分类结果。举个例子：假设输入样本为，扰动值为，则对抗样本为，根据光滑性假设，在非常小的情况下，和应该属于同一类。但在实际计算中，权重向量与?安全性问题研究综述-数控滚圆机滚弧机折弯机张家港电动液压滚圆机滚弧机折弯机本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net