基于非对称逆布局模型的几何矩计算方法

以提高低阶矩的计算速度和精度为目标,以传统的图像表示方法和基于分层结构的图像表示方法为研究对象,提出了一种基于非对称逆布局模型和坐标编码程序(NAMCEP)的快速精确几何矩计算方法.给出了基于NAMCEP表示的精确矩计算的一个重要定理.以图像处理领域里惯用的Lena,Goldhill,F16和Peppers二值图像作为典型测试图像,并与流行的基于线性二元树(LBT)表示的矩计算方法进行比较,结果表明:基于NAMCEP表示的矩计算方法精确矩计算时间比LBT平均节省68.75%,能够有效地用于推导平移、伸缩和旋转不变量方面.

基于非对称逆布局模式的数字水印算法

提出了一种基于非对称逆布局模式表示的彩色图像表示方法.该方法采用彩色图像的二进制位平面分解方法,把彩色图像变成具有非对称逆布局模式的二值图像.在此基础上,根据二值图像的特性,设计了一种新的利用奇异值分解的嵌入水印算法,解决了二值图像的水印嵌入数量小,容易被检测的难题.实验表明:该算法操作简单,存储空间小,能有效地抵抗各种攻击,同时具备较强的理论基础和适用性.

一种新的灰度图像表示算法研究

图像表示是计算机图形学、计算机视觉、图像处理和模式识别等领域里的一个重要问题.文中扩展了著名的Gouraud阴影法,并通过使用矩形非对称逆布局模型(RNAM)和扩展的Gouraud阴影法,提出了一种新的灰度图像表示算法.该算法编解码部分的时间复杂度分别为O(nlogn)和O(n),其中n为灰度图像的像素数.实验结果表明:与流行的STC和SDCT灰度图像表示算法相比,在保持图像质量的前提下,文中提出的灰度图像表示算法具有更高的压缩比和更少的块数,因而能够更有效地减少数据存储空间,是灰度图像表示的一种良好方法.这种表示方法可以应用于灰度图像表示的各个方面,在降低存储空间、加快传输速度、提高模式匹配效率等方面具有良好的理论参考意义和实际应用价值.

直接三角形和矩形NAM的灰度图像表示算法

分析了三角形非对称递布局模型(NAM)、矩形NAM和线性四元树表示算法,借助于三角形和矩形布局问题的思想,提出了一种直接三角形和矩形NAM(TRNAM)的灰度图像表示算法.通过描述三角形和矩形子模式的存储结构,给出了该算法数据量的理论分析.实验结果表明:与直接三角形NAM表示、直接矩形NAM表示和线性四元树表示算法相比,直接三角形和矩形NAM表示算法能够更有效地减少子模式数(节点数)和数据存储空间,是灰度图像模式的一种更优的表示方法,这种表示方法在降低存储空间、加快传输速度、提高模式匹配效率等方面具有理论参考意义和实际应用价值.

一种新的TRNAM彩色图像表示算法

非对称逆布局模型(NAM)适用于图像模式、语音模式、文本模式、视频模式的表示,是一个通用型的模式表示模型.借助于格雷码表示图像像素的思想,提出了一种新的三角形和矩形NAM彩色图像表示算法(简称NTRNAM算法).给出了算法的原理及形式化描述,并对其存储结构、总数据量和时空复杂性进行了分析.理论分析和实验结果表明:NTRNAM算法能够显著降低子模式数和存储空间,是一种有效的彩色图像表示算法.

基于三角形和正方形的NAM灰度图像表示方法研究

非对称逆布局模型(NAM)适用于图像模式、语音模式、文本模式、视频模式的表示,是一个通用的模式表示模型。图像表示是计算机图形学、计算机视觉、机器人、图像处理和模式识别等领域里的一个重要问题。借助于三角形和正方形Packing问题的思想,本文提出了一种基于三角形和正方形的NAM灰度图像表示方法,简称NAMTS表示方法。给出了灰度图像的NAMTS表示算法,并对其存储结构和总数据量进行了详细分析。理论分析和实验结果表明:与经典的基于线性四元树的表示方法相比,基于三角形和正方形的NAM灰度图像表示方法能更有效地减少子模式数和数据存储空间,是灰度图像的一种良好的表示方法。

改进的NAMK彩色图像表示算法

利用格雷码可以扩展或保持二值图像块状性的特点,提出一种改进的NAMK彩色图像表示算法NAMKG,给出算法的形式化描述及其存储结构,对其总数据量进行分析。理论分析和实验结果表明,相比NAMK算法和线性四元树算法,NAMKG可以有效减少子模式数,减小存储空间。

基于灰度插值的MNAM图像表示方法

针对多子模式非对称逆布局模式表示模型,引入灰度插值的方法,对原有的点、直线、矩形和三角形四种模式重新进行了定义,一个三角形插值块可以通过三个顶点的位置和灰度值按照线性插值的方法生成块内任意一点的灰度值.理论分析和实验结果表明在引入插值方法以后,与MNAM方法相比,算法的复杂度会增加,图像的压缩比可能略有降低,但是图像的重建质量则会得到明显的提高.

基于光栅扫描的NAM优化策略

借助于Packing问题的优化思想,提出了一种基于光栅扫描的NAM优化策略.以矩形子模式的NAM表示方法为研究对象,进行了理论分析与实验验证.NAM优化策略的最终目标是不断地逼近模式的最优化表示,NAM优化问题在降低存储空间、提高传输速度、加快处理过程、模式匹配等方面具有较高的理论参考和实际应用价值.结果表明:基于光栅扫描的NAM优化策略是行之有效的,对NAM的优化具有一定的指导意义.

一种基于可重叠RNAM的灰度图像表示算法

借助于二值图像的可重叠矩形区域编码的思想,通过使用可重叠矩形非对称逆布局的模式表示模型(RNAM)和扩展的Gouraud阴影法,给出了可重叠同类块逆布局的4个准则,提出了一种基于可重叠RNAM的灰度图像表示算法,简称为ORNAMC表示算法.在ORNAMC表示算法中,通过使用3个用于标识顶点类型的水平矩阵H、垂直矩阵V和单点矩阵I代替混合矩阵R,解决了灰度图像的可重叠RNAM表示中矩阵R的不可解码性问题;同时,通过将顶点类型及码字进行重新定义,提出了一种对矩阵H,V和I中所有非零元素坐标进行编码的坐标数据压缩算法.以图像处理领域里惯用的标准灰度图像等作为典型测试对象,实验结果表明,与已提出的非重叠RNAMC和流行的STC,SDCT等灰度图像表示方法相比,在保持图像质量的前提下,ORNAMC表示方法具有更高的压缩比和更少的块数,因而是灰度图像表示的一种更好的方法.

基于位平面分解的NAM优化策略

在研究非对称逆布局模式表示模型（NAM）的基础上，针对多值图像表示中子模式的数虽优化问题，提出一种基于位平面分解的优化策略，利用位面间的相关性，改变位面内的扫描算法，进一步减少数据冗余，实现更高的压缩率，并进行理论分析和实验验证。结果表明，该优化策略可以大幅减少子模式数量，优化后的子模式个数减少7．1％～27．1％。

基于矩形NAM和偏微分方程的灰度图像压缩方法

借助矩形NAM图像表示方法和偏微分方程技术,提出一种新的灰度图像压缩方法.该方法在编码端把原始图像逆布局为若干矩形子块,并采用坐标压缩方法存储每个子块的位置、大小.在解码端,采用偏微分方程进行图像修复,有效消除解码图像中的方块效应.该方法的时间复杂度为,其中n为灰度图像像素数.实验表明:在保持图像质量的前提下,该方法具有更高的压缩比和更少的块数,具有较高实用价值.

一种新的灰度图像的快速矩计算算法

矩是描述图像特征的一个重要算子,矩计算的效率与图像表示方法直接相关.非对称逆布局的模式表示模型(Non-symmetry and Anti-packing pattern representation Model,NAM)是一个有效的模式表示模型.位平面分解(Binary-bit Plane Decomposition,BPD)是降低灰度或彩色图像复杂度的一种良好方法.鉴于传统图像块表示(Image Block Representation,IBR)的块扫描方法的缺陷,该文提出了一种新的NAM块扫描方法,它是一种"无偏向"的块扫描方法.基于新的NAM块扫描方法,该文提出了二值图像的一种新的NAM表示方法,其贪心准则为:每次寻找一个在当前看来最大的矩形子模式.与IBR表示方法相比,在不改变时间复杂度的情况下,该表示方法能进一步减少矩形子模式的总数量.基于新的NAM表示和BPD方法,通过调整参与矩计算的位平面的参数,该文给出了矩计算的一个重要定理,提出了一种新的灰度图像的快速矩计算算法,并给出了该算法的形式化描述和复杂度分析,该算法不仅能实现矩的精确计算,也能实现矩的近似计算.以惯用的"Lena"、"F16"、"Peppers"标准图像及南加州大学标准纹理库中的纹理图像(http://sipi.usc.edu/database/database.php?volume=textures)、医学图像等为测试对象,实验结果表明:在丢失5个低位位平面情况下,传统矩计算的平均时间分别是Spiliotis算法和该文算法平均时间的35.5182和53.9527倍,也即,该文算法比当前最快的Spiliotis算法还要快28.87%,因而是灰度图像的一种快速矩计算算法.

一种快速的积分投影变换算法

积分投影变换是图像分析中的一种基本方法.传统的积分投影变换是基于点阵表示的,数据冗余量大,运算效率不高.基于非对称逆布局模式表示模型(Non-Symmetry and Anti-Packing Pattern Representation Model,NAM),提出了一种快速积分投影变换算法.因为NAM模型将图像块而不是像素作为最小操作单位,所以基于NAM的图像处理操作效率更高.理论分析和实验结果均表明,在任何投影方向上该方法相对于基于点阵表示的算法运算效率都更高.

基于多子模式的NAM图像表示方法

基于多子模式的非对称逆布局模式表示可以作为一种无损图像表示方法,本文以包括点、直线、矩形和三角形的典型多子模式为研究对象,提出了一种基于多种子模式的NAM图像表示方法。其中,三角形典型子模式包括四种走向的非等腰直角三角形,因此在子模式抽取时需要对三角形进行不等腰处理。本文给出了MNAM的表示思想,对其在计算机内的存储结构进行了分析,给出相关编码和解码算法并分析算法的时空复杂度。实验结果表明,用MNAM方法对图像进行表示时,在图像压缩比和重建图像质量方面都有很好的表现。

基于NAM的图像集合运算算法及其试验研究

非对称逆布局图像表示模型是一种新的图像表示方法,由于采用了预定义子模式和非对称的分割方法,获得了较高的表示效率。在NAM基础上,提出了一种实现快速的图像集合运算的新方法,即在导航数组辅助下的分裂组合法,实现了基于NAM的图像集合运算算法,并讨论了算法的时空复杂度。试验结果表明,基于NAM的集合运算算法的执行速度是基于紧凑四元树集合运算算法执行速度的1.291到5.368倍。

一种基于NAMPD的快速图像分割

非对称逆布局模式表示模型(Non-symmetry and Anti-packing pattern representation Model,NAM)借助布局问题的思想,使用一个子模式集合来表示原模式。基于NAM模型,提出了一种灰度图像表示方法,非对称逆布局平面分解模式表示模型(NAM-structrued Plane Decomposition,NAMPD)。在NAMPD中,每一个子模式都对应于图像中的一个矩形区域,该区域的亮度函数由一个斜面模型逼近。图像分割是图像分析中的一种关键方法。传统的图像分割算法大多是基于点阵表示的,运算效率不高。基于NAMPD,提出了一种快速图像分割算法。因为NAMPD将图像块而不是像素作为最小操作单位,所以基于NAMPD的图像处理操作效率更高。实验结果表明,基于NAMPD的图像分割算法的速度较之经典算法更快。

基于子模式类型的NAM优化策略

借助于Packing问题的优化思想,提出了一种基于子模式类型的NAM优化策略.并比较了三角形子模式、矩形子模式以及三角形和矩形子模式混合的NAM表示方法,理论分析与实验结果均表明:基于子模式类型的NAM优化策略是行之有效的,对NAM的优化具有一定的指导意义.不断地逼近模式的最优化表示是NAM优化策略的最终目标,NAM优化问题在降低存储空间、提高传输速度、加快处理过程、模式匹配等方面具有理论参考意义和实际应用价值.

一种基于格雷码的TNAM优化策略

为了进一步提高三角形非对称逆布局模型(TNAM)表示的效率,根据格雷码(Gray code)的所有相邻整数在它们的数字表示中只有一个数字不同的特点,将格雷码应用到灰度图像的位平面分解中.提出了一种基于格雷码的TNAM优化策略(简称为GTNAM优化策略).给出了GTNAM优化策略算法的形式化描述,并对其存储结构、总数据量和时空复杂性进行了分析.理论分析和实验结果表明:基于格雷码的TNAM优化策略能显著降低子模式数和节约存储空间,是一种有效的TNAM优化策略.

基于DRNAMC表示的快速矩计算算法

为了进一步提高低阶矩的计算速度,分析了基于对角优先的矩形非对称逆布局模型编码(DRNAMC)表示的同类块的矩计算的复杂度,给出了基于DRNAMC表示的矩计算的2个重要定理,提出了一种DR-NAMC基于表示的快速矩计算算法.实验结果表明:以Peppers,Boat和Goldhill等灰度图像作为典型测试对象,与流行的基于S树编码(STC)表示和传统表示的矩计算算法相比,基于DRNAMC表示方法的矩计算平均执行速度比基于STC表示方法的矩计算平均执行速度提高了32.92%,比传统表示方法的平均执行速度提高了91.07%,是一种良好的矩计算方法.