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。     

一种基于非对称逆布局模型的彩色图像表示方法

借助于Packing问题的思想,提出了一种基于非对称逆布局的模式表示模型(non-symmetry and anti- packing pattern representation model,简称NAM)的彩色图像表示方法.通过描述NAM和彩色图像的二进制位平面分解(binary-bit plane decomposition,简称BPD)方法,给出了一种全新的基于NAM的彩色图像表示算法,并对算法的总数据量进行了分析.理论分析和实验结果均表明,与流行的基于分层结构的线性四元树的彩色图像表示方法相比,基于NAM的表示方法能够更有效地减少数据存储空间,是彩色图像模式表示的一种良好方法.这种方法可以应用于彩色图像模式表示的各个方面,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良好的理论参考意义和实际应用价值.     

三角形和矩形NAM的二值图像表示方法

图像表示是图像处理和模式识别领域里的一个重要研究内容.借助于三角形和矩形布局问题的思想,提出一种三角形和矩形NAM(非对称逆布局的模式表示模型)的二值图像表示方法,同时给出编解码算法的形式化描述,并分析了该算法的总数据量.理论分析和实验结果均表明:与流行的线性四元树表示方法相比,三角形和矩形NAM表示方法能更有效地减少节点数和数据存储空间,是二值图像模式的一种良好的表示方法.     

TSNAM彩色图像的格雷码表示

为了提高彩色图像模式的表示效率,借助于三角形和正方形布局问题的思想,将格雷码和位平面分解方法应用到彩色图像的三角形和正方形NAM表示方法（TSNAM）中,提出了一种基于格雷码的TSNAM彩色图像表示方法（GTSNAM）.给出了GTSNAM表示算法的形式化描述,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,与最新提出的TSNAM表示方法和经典的线性四元树（LQT）表示方法相比,GTSNAM表示方法具有更少的子模式数(或节点数),能够更有效地减少数据存储空间,因而是一种有效的彩色图像表示方法.     

一种改进的基于NAM的彩色图像表示算法

图像表示在机器人、图像处理、模式识别等领域里是一个非常重要的研究内容之一.尽管基于NAM的彩色图像表示方法是彩色图像模式的一种良好表示方法,但是该方法是建立在单类型子模式(矩形)基础之上,因而还有更进一步的优化空间.通过对多子模式类型的组合(矩形和三角形)逆布局作进一步的研究,提出了一种改进的基于NAM的彩色图像表示算法,并给出了该算法的存储结构和数据量分析.理论分析和实验结果表明:与基于NAM的彩色图像表示算法和流行的基于线性四元树的彩色图像表示方法相比,改进的基于NAM的彩色图像表示方法能更有效地减少子模式数(节点数)和数据存储空间,是彩色图像模式表示的一种更优的表示算法,为逐步逼近彩色图像模式的最优化表示提供了一种重要的研究途径.     

多值图像的直接NAM表示模型

尽管基于分层数据结构的图像表示有许多优点,但是它们过于强调分割的对称性,因此不是最优的表示方法.借助于布局问题的思想,提出一个基于非对称逆布局模型(NAM)的模式表示方法.通过描述NAM模型,给出多值图像直接NAM表示方法的编码和解码算法,并对算法的复杂性和存储的数据量进行了分析.理论分析和实验结果均表明:与传统的四元树和行程码等图像表示方法相比,直接NAM表示方法在图像数据压缩和重建质量等方面具有明显的优势,是多值图像模式表示的一种良好方法.     

一种新的基于TNAM的二值图像表示方法

分层数据结构在计算机视觉、机器人、计算机图形学、图像处理、模式识别等领域里是非常重要的区域表示方法,但是这种结构过于强调分割的对称性,因此不是最优的表示方法。借助于三角形Packing问题的思想,提出了一种新的基于TNAM（三角形非对称逆布局的模式表示模型）的二值图像表示方法。通过描述TNAM模型,给出了一个新的基于TNAM的二值图像表示的编解码算法并分析了该算法的总的数据量。理论分析和实验结果均表明：与流行的线性四元树表示方法相比,基于TNAM的二值图像表示方法能够更有效地减少数据存储空间,是二值图像的一种较好的表示方法。这种方法可以应用于二值图像模式表示的各个方面,在降低存储空间、提高传输速度、加快处理过程等方面具有良好的理论参考意义和实际应用价值。     

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量优化问题,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%。     

梯形子模式非对称逆布局二值图像表示方法

虽然树形分层结构在图像表示和处理中有很多优点,但是它们都过分地强调分割的对称性和节点的对称性,因此不是最优的图像表示方法.借鉴Packing问题研究的方法,基于非对称逆布局模式表示模型(Non-symmetry An-ti-paeking pattern representation Model,NAM),提出了一个梯形子模式非对称逆布局二值图像表示方法,给出具体的编码算法和解码算法,并分析了算法的时空复杂度和表示的数据量.理论分析和试验结果表明,与流行的基于分层结构的线性四元树表示方法相比,梯形子模式非对称逆布局二值图像表示方法在子模式数量和数据量方面具有较大的优势.     

改进的矩形NAM图像表示算法

为了提高图像的表示效率,提出了一种改进的矩形非对称逆布局模式表示模型(NAM)图像编码算法IRNAM。该算法采用双矩形子模式对灰度图像进行表示,结合位平面优化策略,并顺序存储各子模式的数据,使得子模式数目大幅减少。实验结果表明：与矩形NAM算法和其他改进的NAM算法相比, IRNAM算法使表示图像的子模式数明显减少了,从而有效地节省了数据存储空间,是一种高效的图像表示方法。