一种基于信息熵的快速H.264帧内预测算法

基于图像的信息熵和边缘方向信息针对H.264的帧内预测算法计算复杂度高、不适合于实时应用的弱点,提出一种新的帧内预测快速算法。该算法利用图像的信息熵从Intra4×4与Intra16×16两种预测模式中选择一种最佳预测模式,利用边缘方向信息将Intra4×4的9种模式选择降为4种,并利用JVT公布的测试平台JM8.4进行了实验仿真。实验结果表明,该算法在码率平均增加1.4%,峰值信噪比平均下降0.058dB的情况下,能缩短编码时间50%左右,是一种快速的H.264帧内预测算法。

基于Radon和解析Fourier-Mellin变换的尺度与旋转不变目标识别算法

由于正交矩对噪声鲁棒性强、重建效果好,因此被广泛应用于目标识别与分类中,但是正交矩本质上缺乏尺度变换不变性,而且必要的图像二值化与规一化过程会引入重采样与重量化误差。为此,在研究现有正交矩的基础上,提出了一种基于Radon变换和解析Fourier-Mellin变换的尺度与旋转不变的目标识别算法。该算法首先直接对目标灰度图像进行Radon变换,然后对Radon变换结果进行进一步解析,通过Fourier-Mellin变换将原图像的旋转变化转化为相位变化,将原图像的尺度变化转化为幅度变化;最后,通过定义一旋转与尺度不变函数,同时利用不变函数的4种特征,再应用k-近邻法实现分类。理论与实验结果表明,由于避免了正交矩方法存在的重采样与重量化误差,该算法的分类精度高于基于正交矩的分类方法,而且对白噪声的鲁棒性也显著高于基于正交矩的识别与分类方法。

基于概率统计模型与图像主纹理方向分析的非线性滤波算法

图像滤噪是图像预处理的一个重要内容,因为滤噪效果对图像处理的最终结果有很大影响。如何充分利用图像的局部特征以提高滤波器的滤噪效果、细节及边缘信息保持能力,在分析现有图像滤波算法的基础上,提出一种基于概率统计模型与图像主纹理方向分析的非线性滤波算法。算法利用Radon变换对图像进行主纹理方向分析,得到图像的局部纹理方向概率密度分布,然后基于概率统计模型借助中心像素的若干邻近像素对中心像素进行估计得到中心像素点的灰度值。此算法充分利用了图像的局部特征,既具有良好的去噪能力,又兼顾了对图像细节的保持特性。在处理同时感染脉冲噪声和高斯噪声的混合噪声图像时,算法效果明显优于其他滤波算法。

基于二次噪声检测和细节保护规则函数的图像滤波算法

现有的图像椒盐噪声滤除算法缺乏对小于滤波窗口的图像细节与边缘信息的保护能力,本文提出了一种基于二次噪声检测和细节保护规则函数的图像椒盐噪声滤波算法,算法将滤噪过程分为两个阶段:噪声检测和噪声恢复阶段.在噪声检测过程中,用自适应中值原理对图像中的噪声点进行初步检测,然后通过局部模糊隶属度函数对检测出的噪声点进行二次判断,有效提高了噪声检测的准确度.在噪声恢复阶段,利用细节保护规则函数与l1数据逼近的凸面代价函数来恢复噪声点.为了充分利用图像局部特征,该算法自适应地选择噪声点周围的象素点利用细节规则保护函数得到输出值,当图像噪声点的凸面代价函数值达到最小时,噪声图像得到最佳恢复.实验结果表明,本文提出的滤波算法针对椒盐噪声具有很好的细节保护与噪声滤除能力,特别是在噪声感染率高(70%以上)的情况下,算法性能优于现有的其它算法.

基于流形学习的用户身份认证

基于等距映射(ISOMAP)非线性降维算法,提出了一种新的基于用户击键特征的用户身份认证算法,该算法用测地距离代替传统的欧氏距离,作为样本向量之间的距离度量,在用户击键特征向量空间中挖掘嵌入的低维黎曼流形,进行用户识别。用采集到的1500个击键模式数据进行实验测试,结果表明,该文的算法性能优于现有的同类算法,其错误拒绝率(FRR)和错误通过率(FAR)分别是1.65%和0%,低于现有的同类算法。

基于图像局部纹理方向概率统计模型的非线性滤波算法

为了更有效地利用图像的局部特征恢复被噪声感染的图像,基于图像局部纹理方向概率统计模型,提出一种针对混合噪声的非线性滤波算法。算法利用Radon变换对图像进行主纹理方向分析,得到图像的局部纹理方向概率密度分布,然后基于概率统计模型,借助中心像素的若干邻近像素对中心像素进行估计,得到中心像素点的灰度值。此算法充分利用了图像的局部特征,既具有良好的去噪能力,又兼顾了对图像细节的保持特性。在处理同时感染脉冲噪声和高斯噪声的混合噪声图像时,算法效果明显优于其他滤波算法。

基于最优邻域图的等距映射流形学习算法

现有的等距映射算法对邻域参数的选择较为敏感,而且对噪声干扰缺乏足够的鲁棒性。基于平均最短路径与邻域参数的变化关系与平均最短路径梯度提出了一种构建最优邻域图的方法,基于该方法构建的邻域图几乎没有短路边;可以根据每个数据点的不同特性采用可变的邻域参数;对数据点间的测地距有更好的逼近。实验表明:算法不仅对均匀采样、无噪声干扰的数据集有更好的降维性能,而且对噪声干扰的数据集有较强的鲁棒性与拓扑稳定性。