[发明专利]一种应用语言学便携式语言学习工具

权利要求书

1.一种应用语言学便携式语言学习工具，其特征在于，所述应用语言学便携式语言学习工具设置有外壳、显示屏、录音机、键盘、摄像头、数据传输接口、播放器；显示屏、录音机、键盘位于该装置的正面；摄像头、数据传输接口、播放器位于背面；

所述显示屏、录音机、键盘位于该装置的正面，通过螺栓固定在相应的位置；

所述摄像头、数据传输接口、播放器位于该装置的背面，通过螺栓固定在相应的位置；

所述摄像头包括：

读入模块，用于读入并显示一幅图像，清除所有的工作平台变量；

检查模块，用于检查内存中的图像，查看图像数据是如何存储在内存中；

均衡模块，用于实现直方图均衡化，生成一个新的图形窗口；创建描述图像灰度分布的直方图，将图像的灰度值扩展到整个灰度范围，显示拓展后的灰度值的分布情况；

保存模块，用于保存图像，将图像以PNG图像文件格式保存到磁盘；

再次检查模块，用于检查新生成文件的内容，观察保存的图像文件信息图像处理的高级应用；

所述摄像头的输入图像f(x，y)的灰度值范围为[a，b]，变换后的输出图像g(x，y)的灰度值范围扩展至[c，d]，则对于图像的任一点的灰度值(x，y)，其表达式如下所示：

原图像大部分像素的灰度级在区间[a，b]内，max f为原图像灰度最大值，只有个别部分的灰度级不在区间内，图像增强效果：

所述摄像头的图像的灰度直方图是反映图像的像素灰度级与这种灰度级出现的概率之间的相对关系的图形；通常灰度级为[0，L-1]范围的图像直方图则是离散函数h(kr)＝kn，kr是第k级灰度，kn是图像灰度级＝kr的像素个数；求灰度直方图的方法就是拿图像中像素数目的总和n去除图像的每一个像素灰度值，表达式如下：

P(r_k)＝n_k/n k＝0，1，2，...。

2.如权利要求1所述应用语言学便携式语言学习工具，其特征在于，所述该装置内部设置有主板、显示屏、录音机、键盘、摄像头、数据传输接口、播放器通过电子电路与内部主板相连接；

所述显示屏基于非局部均值正则项的全差分重构算法具体包括：

1)基于非局部均值正则项的全差分重构算法的基本模型可以表示为：

其中α为非局部均值正则项的权值，Du为图像的梯度，通过引入辅助变量Du＝w，u＝x，并利用增广拉格朗日方法可得：

其中α,β以及θ分别表示对应惩罚项的系数，v，γ以及λ表示相应的拉格朗日乘子，通过将其划分为对w，u，x三个子问题进行迭代求解；

2)通过对u子问题的求解，以获取图像u的新的迭代重构值，具体模型可表示为：

u^k+1＝u^k-ηd；

其中η＝abs(d^Td/d^TGd)表示最优步长，G＝(βD^TD+θΙ+μA^TA)，Ι是单位矩阵，d＝D^T(βDu-v)-γ+θ(u-x)-βD^Tw+A^T(μ(Au-y)-λ)为梯度方向，k用于索引迭代次数，得到当前迭代结果u^k+1后，送入到后续进程，用于判断迭代条件是否满足以及多假设处理；

将当前迭代结果作为参考图像，进行多假设集合获取，并对所取得的多假设进行假设优化筛选处理以去除劣质假设；之后利用基于弹性网的多假设权重估计算法对各假设的权重进行估计，计算得到边信息作为初始值代入到下一次全差分迭代重构过程；

1)首先将当前迭代结果作为参考图像为各个块获取相应的多假设集合，在当前迭代重构所得图像中，以当前块为中心，按照设定的窗口尺寸W建立搜索窗口，之后在搜索窗口内通过逐像素滑动获取初步的多假设集合；

2)获得初步的假设集合后，计算各假设与当前块之间的测量域距离，计算过程可表示为：

其中y_i表示原图像中第i个块的测量值，表示第i个块的对应假设集合中的第j个假设，D越大表示改假设与当前块之间的相似性越差，对所有假设按照相似性从高到低的顺序进行排序，并取前T_num个假设作为最终选定的假设组成新的假设集合；

3)对所得到的新的假设集合，利用基于弹性网的权重估计模型，计算各假设的对应权重，假设与当前块越相似，所占权重越大，最终使得各假设的加权和在测量域能够最接近原图像；之后根据所得权重，对各假设去加权和以获得对重构图像的优化估计值即边信息。