积分商城

最新搜索： 编译软件 JESD79-3F 变送器 环路补偿 uvc Mentor PADS
您现在的位置是：首页 > 技术资料 > 基于Python技术的自然图像随机数生成设计
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于Python技术的自然图像随机数生成设计

更新时间：2019-12-26 17:26:20 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：python自然图像随机数 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

根据随机数验证图形散乱无序这一特征,反演随机数列。大自然中有许多景象,我们从中随机提取一幅或多幅图像。利用Python语言,通过高斯模糊将黑白图像的黑白点均匀化,利用斐波那契数列多次提取等方法,得到一组或多组随机数,最后经过蒙特卡洛π验证,证明这组数是随机数。


部分文件列表

文件名 大小
基于Python技术的自然图像随机数生成设计.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
学术探讨∙基金项目  
基于Python技术的自然图像随机数生成设计  
张明浩 王虹宇 张毅宁  
（鞍山师范学院 物理科学与技术学院，辽宁 鞍山 114007）  
[摘 要] 根据随机数验证图形散乱无序这一特征，反演随机数列。大自然中有许多景象，我们从中随机提取一幅或多  
幅图像。利用Python语言，通过高斯模糊将黑白图像的黑白点均匀化，利用斐波那契数列多次提取等方法，得到一组或多组  
随机数，最后经过蒙特卡洛π验证，证明这组数是随机数。  
[关键词] 斐波那契数列；蒙特卡洛验证；高斯模糊；随机数；Python  
中图分类号：TN918.1  
文献识别码：A  
文章编号：1008 - 6609 (2017) 08 - 0013 - 03  
一是理论上准确地描述很多实际的物理过程非常困难  
和复杂，即便是掌握了物理系统的初值和运行规律，也很难  
精确地计算出这些物理过程将来的状态。  
1
有关随机数的基本问题  
1.1 随机数表需要的理由  
目前，数学对随机数(或随机序列)仍然没有统一定义。  
真随机数性质的一般描述是在随机序列无限长的情况下具  
有如下性质:  
二是周围环境对于物理系统的运行产生影响，比如两个  
相同的器件由于温度或电压等条件的影响，系统开始运行的  
初值可能不同，这也导致了预测的困难。  
（1）均匀分布:一串真随机序列满足均匀分布的统计特  
性，如序列的每一位是0或1的概率相等，都为0.5。  
（2）不可预测性:真随机序列的每一位是相互独立的，给  
定序列某一位的值，并不能预测或计算出后一位的值。  
基于数学算法的伪随机数发生器实际上可以产生近似  
于均匀分布随机序列。现代计算机算法已经可以产生足够  
好的伪随机数,其周期性已经不再是关键问题, 但是与真随机  
数相比最大的区别在于可否对下次结果进行预测。很明显  
伪随机数虽然快捷, 但是对于同样的种子, 产生的随机序列  
将会是相同的，显然不具有不可预测性[1]。  
由于本质上很多物理过程并不是真随机的，理论上并不  
满足不可预测性的要求。所以产生的随机数为伪随机数。  
其研究设计过程一般是先选取一个物理世界的真随机源,然  
后选用特定的方法从中提取真随机数。物理真随机数发生  
器具有真正的随机性和不可预知性,其采样的真实物理现象  
有多种[3],如: 放射性衰变,电子电路噪声,大气噪声, 电子振荡  
器的频率抖动，激光混沌，光子相位噪声，光量子的偏振等。  
1.3 常用随机数基本检验方法  
常用的基本检验方法有:频数检验，序列检验，扑克检  
验，游程检验和自相关检验等，但目前并不存在真正意义上  
的真随机性的检测方法，这是因为真随机性是基于无限长序  
列的，所以数学统计上的检测是无法完成的。目前工业上常  
用的统计检测一般是基于固定长度随机序列的(一般是 1  
Gbit)，如 ENT (pseudo- random number sequence test pro-  
gram), NIST- STS (a statistical test suite for the validation of  
random number generators and pseudo random number genera-  
tors for cryptographic applications), Diehard (a battery of tests  
of randomness)等[4]。其中 ENT 检验为国际上通用的随机数  
检测程序，将给出产生的随机序列的数学平均值, 每比特熵  
1.2 常见随机数生成方法  
常用的产生伪随机数的数学算法有线性同余发生器(lin-  
ear congruential generator)，延迟斐波那契发生器(lagged Fibo-  
nacci generator)和线性反馈移位寄存器(linear feedback shift  
register)等[2]。  
除了基于确定数学算法的伪随机数发生器，还有一类是  
物理伪随机数发生器，产生的随机数是来源于客观的物理过  
程，但客观的物理过程并不意味着真随机。相对于数学算  
法，物理伪随机数发生器的随机性两大特点：  
—————————————  
—
作者简介：张明浩（1996－），男，天津人，本科，研究方向为电子信息科学与技术。  
基金项目：2016年辽宁省大学生创新与创业项目，机械随机数生成器的设计与实验与真随机数表的生成；编号：201610169025。  
- 13 -  
学术探讨∙基金项目  
值，χ检测值，Monte Carlo 方法计算得到的 π值, 以及序列相  
关系数。  
2.4 图像的数值转化  
进一步将黑白图像转化成 0-1 序列，存储到文件“num.  
txt”中。  
2
基于Python技术的自然图像随机数生成的过程  
num=""  
2.1 设计思路及原理说明  
for i in range(img.shape[0]): #对图像值的二维数组进行  
遍历  
首先，从自然界中提取一幅或多幅图像，可以假定一般  
情况下，这一图像不具有规律重复特征，然后将其转化为黑  
白图像；转化过程中，利用高斯模糊将黑白图像中的黑白点  
均匀化，进而转化成 0-1 序列；再将其转化为一个大十进制  
数，其后再从这个十进制中按斐波那契序列提取一定数量的  
数列作为一个十进制数。依次改变提取起始位，经过循环多  
次提取，获得一组随机数。  
for j in range(img.shape[1]):  
if img[i][j]>100: num+="1"#将高于 100 灰度值定为  
1，否则为0  
else: num+="0"  
f=file("num.txt","a") #将 10 序列转化为字符型存储到  
“num.txt”文件中  
2.2 选择Python相关技术的原因  
f.write(str(int(num,2)))  
Python 是一种面向对象、支持动态语义、内置高级数据  
2.5 随机数生成  
结构、语法简洁优美、易于扩展的解释型脚本语言（script lan-  
f=open("num.txt") #打开“num.txt”文件  
mystr=f.read()#将“num.txt”文件中的0-1序列读出  
f.close()  
[5]  
guage） 。OpenCV(Open Source Computer Vision Library)是  
一个基于（开源）发行的跨平台计算机视觉库，可以运行在  
Linux、Windows和Mac OS操作系统上。它具有轻量级且高  
n=len(mystr)-index[-1] #得到10序列长度  
index=[1,2,3,5,8,13,21,33,54,87]# 斐波那契数列  
num=[0]*n  
效的特点——由一系列C函数和少量C++ 类构成，同时提供  
了 Python、Ruby、MATLAB 等语言的接口，提供图像处理和  
计算机视觉方面的很多通用算法1[6]。因此，我们将二者结合  
进行图像处理。  
for i in range(n):  
mynum=""  
2.3 图像的二值处理  
for j in range(len(index)):  
利用OpenCV工具包对图像进行二值处理十分方便，图  
像处理前后如图1所示,其过程如下：  
mynum+=mystr[i+index[j]]#以斐波那契数列为下标  
获得一个数组成的字符  
im_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  
num[i]=float(int(mynum)/10000000000.00) #将下标获得  
的字符变成浮点小数，经循环后变成数组  
fo=open("newnum.csv","w")；fo.write("random,\n")#将浮  
点小数数组变成字符存储到"newnum.csv"文件中  
for i in range(n): fo.write(str(num[i])+","+"\n")；fo.close()  
#
用灰度模式打开要处理的图像  
retval,im_at_fixed= cv2.threshold(im_gray, 50, 255, cv2.  
THRESH_BINARY)#将 50-255 之间的灰度值作为图像转换  
的阈值  
im_at_gaussian=cv2.adaptiveThreshold(im_gray,255,cv2.  
ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINA-  
RY, 5, 7)#对图像进行高斯模糊，保证0、1值均匀分布  
3
蒙特卡洛π验证  
蒙特卡罗方法是以概率和统计理论方法为基础的计算  
方法[7]。认为平面系上的一个边长为1的正方形及其内部的  
一个形状不规则的“图形”，向该正方形“随机地”投掷 N 个  
点，有 M 个点落于“图形”内，则该“图形”的面积近似为 M/  
N。而这个图形接近圆，其面积为π。实现代码如下：  
import pylab as plt #加载pylab绘图包  
incount = 0; count = 100000;x=[];y=[]；  
for i in range(count) :x.append(num[i])；y.append(num  
[count+i])#将小数数组赋给蒙特卡洛点变量x,y  
if (x[i]**2 + y[i]**2) < 1 :incount+=1 #如果x,y对应的点  
在单位元内，计数加1  
图1 像处理前后原图与灰度图  
- 14 -  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号