传统的分形图像编码时间过长,限制了它的应用。为了加快编码速度,提出基于半叉迹特征的快速分形编码算法,该算法主要包括:定义子块半叉迹特征,导出子块的均方根误差与子块半叉迹特征之间的关系。实验结果表明:该算法较基本分析编码算法...传统的分形图像编码时间过长,限制了它的应用。为了加快编码速度,提出基于半叉迹特征的快速分形编码算法,该算法主要包括:定义子块半叉迹特征,导出子块的均方根误差与子块半叉迹特征之间的关系。实验结果表明:该算法较基本分析编码算法,在解码图像PSNR平均提高约0.63 d B的情况下,平均加快编码速度55倍;较文献[10]提出的主对角和算法和文献[11]提出的叉迹算法,在编码时间不变的情况下,改善了编码性能,提高了解码图像质量;基于子块特征的快速编码算法,其编码性能与图像的复杂程度有关,细节信息越丰富的图像,编码性能越差。展开更多
高效的图像特征表示是计算机视觉的基础.基于图像的视觉显著性机制及深度学习模型的思想,提出一种融合图像显著性的层次稀疏特征表示用于图像分类.这种层次特征学习每一层都由3个部分组成:稀疏编码、显著性最大值汇聚(saliency max pool...高效的图像特征表示是计算机视觉的基础.基于图像的视觉显著性机制及深度学习模型的思想,提出一种融合图像显著性的层次稀疏特征表示用于图像分类.这种层次特征学习每一层都由3个部分组成:稀疏编码、显著性最大值汇聚(saliency max pooling)和对比度归一化.通过在图像层次稀疏表示中引入图像显著信息,加强了图像特征的语义信息,得到图像显著特征表示.相比于手工指定特征,该模型采用无监督数据驱动的方式直接从图像中学习到有效的图像特征描述.最后采用支持向量机(support vector machine,SVM)分类器进行监督学习,实现对图像进行分类.在2个常用的标准图像数据集(Caltech 101和Caltech 256)上进行的实验结果表明,结合图像显著性信息的层次特征表示,相比于基于局部特征的单层稀疏表示在分类性能上有了显著提升.展开更多
基于分块迭代函数的全搜索分形图像编码算法,因其编码过程特别耗时而限制了它的诸多应用。为了减少编码时间,通过定义每个range块和domain块的子块特征,根据匹配均方根误差与它的关系,设计出一个限制搜索空间的新算法。一个待编码range...基于分块迭代函数的全搜索分形图像编码算法,因其编码过程特别耗时而限制了它的诸多应用。为了减少编码时间,通过定义每个range块和domain块的子块特征,根据匹配均方根误差与它的关系,设计出一个限制搜索空间的新算法。一个待编码range块和它的最佳匹配domain块的子块特征应该接近,因此,每个range块的最佳匹配块搜索范围仅限定在与其子块特征接近的domain块邻域内,以达到加快编码过程的目标。14幅图像的仿真结果表明,该算法能够在PSNR降低0.73 d B(其结构相似性SSIM值仅下降0.002)的情况下,平均加快全搜索分形编码算法的编码速度99倍左右,而且也优于其他特征算法。展开更多
文摘传统的分形图像编码时间过长,限制了它的应用。为了加快编码速度,提出基于半叉迹特征的快速分形编码算法,该算法主要包括:定义子块半叉迹特征,导出子块的均方根误差与子块半叉迹特征之间的关系。实验结果表明:该算法较基本分析编码算法,在解码图像PSNR平均提高约0.63 d B的情况下,平均加快编码速度55倍;较文献[10]提出的主对角和算法和文献[11]提出的叉迹算法,在编码时间不变的情况下,改善了编码性能,提高了解码图像质量;基于子块特征的快速编码算法,其编码性能与图像的复杂程度有关,细节信息越丰富的图像,编码性能越差。
文摘基于分块迭代函数的全搜索分形图像编码算法,因其编码过程特别耗时而限制了它的诸多应用。为了减少编码时间,通过定义每个range块和domain块的子块特征,根据匹配均方根误差与它的关系,设计出一个限制搜索空间的新算法。一个待编码range块和它的最佳匹配domain块的子块特征应该接近,因此,每个range块的最佳匹配块搜索范围仅限定在与其子块特征接近的domain块邻域内,以达到加快编码过程的目标。14幅图像的仿真结果表明,该算法能够在PSNR降低0.73 d B(其结构相似性SSIM值仅下降0.002)的情况下,平均加快全搜索分形编码算法的编码速度99倍左右,而且也优于其他特征算法。
