应用机器学习对超晶格信号随机性的研究和评估

本研究由对超晶格随机数发生器的信号随机性检测为出发点展开。通过使用人工智能方法对发生器产生的随机信号进行检测和评估。针对这种新随机信号采用了几种常见的机器学习方法,来预处理一部分信号并试图训练聚类或网络模型,然后对随机数其他部分进行测试并判断随机性优劣。将此方法运用于比较正态分布随机数与超晶格发生器随机数,结论为超晶格随机数具有更好更明显的随机性,且各类机器学习方法在随机数性能检验中有价值,可以展望使用机器学习方法研究随机数及其相关的密码安全性的可能前景。

基于改进SURF的低照度图像拼接方法

低照度图像拼接是一种在光照不足条件下将不同视角图像拼接成一幅大视场图像的技术。光照不足带来的图像对比度低、噪声高等问题,导致特征提取鲁棒性差、数量少,从而难以进行特征匹配和图像拼接。对此,提出了一种基于改进加速鲁棒特征(SURF)的低照度图像拼接方法。该方法首先通过低照度图像的积分图构造尺度空间并进行Laplacian运算,执行边缘提取和二值化处理算法;然后根据边缘提取图像和二值化图像计算阴影区域中的边缘(ESR)图像,用于获取尺度权重,从而动态调整SURF特征提取阈值,有效解决特征点像素阈值与图像整体亮度不匹配导致特征提取算法鲁棒性差的问题;同时,尺度权重也可作为多尺度Retinex算法中的加权系数,进而优化图像增强效果;此外,采用二进制描述符来加速特征描述与特征匹配过程,最后通过匹配关系计算单应矩阵,对增强后的图像进行单应变换和拼接。实验结果表明,本文算法显著提高了低照度环境下图像拼接的速度和效率,相比于传统SURF算法具有更好的鲁棒性和自适应性。