基于纹理主方向强度的HEVC帧内快速分层算法

为降低高效视频编码帧内预测过程的计算复杂度,提出一种基于纹理主方向强度的快速帧内预测算法。根据每一深度层编码单元(CU)分布特点,并结合每块CU纹理主方向强度判断CU是否需要进行分割处理。在深度层为0和1的CU块上统计4×4块的纹理方向,确定当前CU的纹理主方向强度,判断其纹理复杂度。在深度为2和3的CU上结合像素方差,以像素点为单位计算相应CU的纹理主方向强度。通过实验训练序列获得恰当的阈值,自适应提前终止编码单元的划分,减少帧内预测的编码复杂度。实验结果表明,在保证信噪比和比特率基本不变的条件下,与平台HM15.0相比,该算法编码时间平均节省51.1%。

面向稳定场图像重建的有效场源及场源函数

针对目前稳定场图像重建模型在处理图像边缘和复杂纹理区域依然会产生错误,以及面向实时处理的重建效率问题,提出有效场源选择和场源函数构造算法.首先将稳定场模型与图像纹理相结合,计算缺损像素点处的主纹理方向区间来确定有效场源;然后采用微分近似的方法,利用低阶泰勒展开式构造有效场源与缺损像素点之间的场源函数完成重建.与基于CDD模型的改进算法、基于Criminisi模型的改进算法,以及2种基于稳定场模型的重建算法进行实验的结果表明,所提算法的峰值信噪比平均提高1.5~2.6 dB;重建准确率平均提高3.5%~7.9%;在所选图像以及CelebA-HQ人脸数据集上的实验结果表明,该算法实现了对不同类型缺损图像高效且准确的重建.

基于残差网络的河流表面时空图像测速法

针对在耀光、紊流、降雨等复杂含噪场景下时空图像中有效纹理特征变得模糊,使得现有纹理主方向检测算法精度受限的问题,结合深度学习的思想,提出了一种基于残差网络回归模型的时空图像测速(ResNet50-STIV)法,并借助残差网络回归模型强大的非线性学习能力构建了回归预测函数。通过构建人工合成数据集和包含复杂场景时空图像的天然河流数据集对残差网络回归模型进行试验,结果表明:提出的残差网络回归模型在人工合成数据集下的检测精测可达到0.1°,对于天然河流数据集,具有残差结构的ResNet回归模型的检测精度优于VGG16;从模型层数看,基于ResNet50的回归模型能较好地平衡检测精度以及执行效率,在正常场景下的检测精度达到0.7°,而在耀光、紊流、降雨场景下能控制在1.3°以内,ResNet50-STIV优于现有的时空图像测速法;与流速仪法在多场景下表面流速比测的最大相对误差小于12%。