基于概率随机裁剪的图像缩放算法

为提高图像缩放的速度,提出一种结合阈值学习与依概率随机裁剪的快速内容感知图像缩放算法,通过计算图像的重要度图,利用径向基函数(RBF,radial basis function)神经网络进行阈值学习求出图像的重要度阈值,根据阈值将图像分成保护区域和非保护区域,并按缩放要求为其分配不同的缩放比,分别进行依概率随机裁剪。在MSRA图像数据库上与目前流行的内容感知缩放方法进行对比,实验结果表明,所提方法的缩放时间明显低于其他算法,而且在缩放效果上有明显的优势。

基于GPU的并行置信传播算法优化加速研究

具有大规模并行处理能力的GPU设备为置信传播算法的并行优化加速提供了重要的基础,但是并行置信传播算法中存在大量的冗余计算,降低了算法的计算效率。针对这一问题,提出了一种基于分区提取与随机减少的并行置信传播算法。为保证算法的整体计算效率,该算法首先对图数据进行快速分区并确定需要更新的信息,然后通过逐渐降低分区数目的方式使得算法收敛度稳步上升。实验结果表明分区减少算法具有很高的收敛度与收敛速度。