一种基于最佳比特分配策略的三维小波视频编码新方法

对基于三维小波变换的视频编码进行了研究。由于视频图像传统的三维小波变换结构存在着诸多不足．文章提出了一种改进的三维小波变换结构。在给定的比特率条件下，通过对使得解码图像量化误差达到最小的最佳比特分配策略进行研究，给出了在均匀量化情况下的改进三维小波变换结构的量化步长。实验结果表明该方法的压缩性能明显优于传统方法。     

一种基于比例因子的分形图像编码方法

比例因子是分形图像编码算法中的一个重要变量。给出了一种计算比例因子的方法,根据最小均方误差值的大小来选择比例因子的计算方法,通过对基本算法中比例因子的计算方法进行简化来达到加快分形编码的目的。与基本分形编码算法相比,在峰值信噪比下降约0．03dB的情况下,编码时闻节约了45％。     

采用DCT稀疏表示与Dual-PCNN的图像融合算法

针对已有图像融合方法会导致融合图像亮度不均匀,与原图像对比度不一致,不适合人眼视觉效果的缺点,提出将DCT稀疏表示与双通脉冲耦合神经网络相结合的压缩感知域图像融合算法。首先结合图像DCT稀疏表示的特点,设计射线采样矩阵;再对测量值采用基于测量值的信息熵加权平均融合;最后经过全变分优化算法对融合测量值重构得到融合图像。通过对多组不同类型传感器所获图像融合实验的主观视觉分析和客观评价表明,该算法所得的融合图像能从原始图像中获取更多有用信息,更好地保持原图像的边缘信息,从而获得更好的视觉效果。     

一种新的基于压缩感知的多焦点图象融合方法

提出一种基于压缩感知和脉冲耦合神经网络的图像融合算法,包括三部分:图像傅里叶变换稀疏表示、测量融合和图像重构。首先,将双通道脉冲耦合神经网络(Dual-PCNN)模型应用到整个算法当中;其次,针对新的融合框架及傅里叶变换的系数特点,提出双星型采样下基于测量值标准差的加权融合方法;最后,通过最小全变分算法重构图像。实验仿真结果证明该方法优于其他基于傅立叶变换的方法。     

一种对光照具有鲁棒性的人脸跟踪算法

在经典Mean Shift跟踪算法框架中,颜色是一种有效的视觉特征。但在实际跟踪过程中,光照、角度、摄像机位置等的变化会极大地削弱颜色特征的有效性,从而造成跟踪的不稳定。本文提出了一种对光照变化具有鲁棒性的Mean Shift人脸跟踪算法。首先,对光照对目标特征域的影响进行建模分析,然后根据分析结果将高斯截断核函数引入到目标概率密度函数中以减小光照变化对目标跟踪的影响,最后将新的目标概率密度函数纳入到Mean Shift跟踪算法框架中。实验仿真结果表明,本文算法在光照剧烈变化的情况下,对人脸的跟踪具有很好的鲁棒性。      

基于局部分形维数的多目标检测算法

在以自然景物为背景的图像中,分形维数是一种能有效地将目标从自然背景中检测出来的纹理特征.将图像的局部窗转化为一维序列的形式,在研究R/S分析法的基础上,提出了一种局部分形维数估计算法.将一维最大熵的检测结果与分形特征图的检测结果进行逻辑与运算,从而实现目标边缘的精确定位.实验表明该算法不仅可以有效地实现多目标检测同时具有较好的抗噪性能.     

基于数字高程模型的起伏地形对紫外光非直视通信的路径损耗

针对起伏地形环境下紫外光非直视通信路径损耗大、站点选址难的问题,提出了基于数字高程模型(DEM)的紫外光非直视传输的最佳收、发仰角求解方法。依托紫外光非直视单次散射模型,研究了路径损耗与收、发仰角之间的关系。针对不同地形原始DEM数据,通过插值提高分辨率,并提出了切线传输方案。采用顺序遍历法对收、发端位置及仰角变化对通信系统路径损耗的影响进行了研究。仿真结果表明,路径损耗在[10°,80°]收、发仰角区间内为增函数。在使用反距离加权插值法提高数据分辨率后,路径损耗值相较原始数据分别降低了0.014 dB、0.043 dB和0.385 dB。当按切线传输方案布设时,通信系统路径损耗值最小,设计的仿真程序可为收、发端站点科学布设提供支持。     

数字图像客观质量评价方法研究

文中重点探讨了数字图像客观质量评价方法.首先指出目前通用的均方误差和峰值信噪比方法存在缺陷;然后对目前研究的较为成熟的全参考和弱参考质量评价进行归纳总结,将新的图像质量客观评价研究分为三类:基于人类视觉系统的质量评价、基于质量相关因素的质量评价和基于结构失真的质量评价,并对每一类的主要模型进行了性能分析;最后指出了图像质量评价的研究方向.     

基于小波域的自适应运动补偿图像压缩算法

提出一种基于小波域的自适应运动补偿图像压缩算法。该算法利用小波变换的多分辨率特性,对经小波分解后的每个子带图像信号进行多分辨率运动估值(MRME)和多分辨率运动补偿(MRMC)处理,有效消除图像的冗余,增加可扩展能力,从而获得较高的图像压缩比。     

基于Floatboost算法的人眼定位

Floatboost算法相较于传统的Adaboost算法、Boosting算法具有计算量少和运算速度快的优点,目前在机器学习中应用广泛。针对人脸与人眼精确定位问题,采用Haar-like提取人脸特征,再运用Floatboost学习算法得到人脸检测器,在人脸准确定位的基础上使用Floatboost训练的人眼分类器定位人眼。Floatboost算法具备回溯性的优点,去掉了较弱特征,减少计算量,提升了运算速度。