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.     

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.     

基于格雷码的NAM彩色图像表示方法

提出了一个重要定理,即所有格雷码(Cray Codc)位面图的复杂性之和小于所有二值位面图的复杂性之和,并将格雷码应用到基于NAM的彩色图像表示方法中,提出了一种基于格雷码的NAM彩色图像表示方法(简称为GNAM表示方法)。给出了GNAM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详细的分析。理论分析和实验结果均表明,与无格雷码的NAM表示方法和经典的线性四元树表示方法相比,GNAM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,是一种有效的彩色图像表示方法。     

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。     

基于位平面分解的三角形NAM图像表示

位平面分解是一种能够有效地降低图像的复杂性的方法,而三角形Packing 问题是一类特殊的Packing 问题,在许多领域里得到了广泛的应用,有着巨大理论价值和实际意义.因此,借助于位平面分解和三角形Packing问题的思想,以提高多值图像的表示效率为目标,提出了一种基于位平面分解的的三角形NAM(非对称逆布局模式表示模型)的图像表示方法.给出并实现了基于位平面分解的三角形NAM的图像表示算法,理论分析和实验结果表明:与流行的线性四元树表示方法相比,基于位平面分解的三角形NAM表示方法能更有效地减少数据存储空间,是多值图像模式的一种良好的表示方法.     

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.     

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.     

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。     

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.     

改进的三角形和矩形NAM的二值图像表示方法

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.提出一种改进的三角形和矩形NAM的二值图像(NAMTR)表示方法,简称INAMTR表示方法.给出了算法的形式化描述,并对其存储结构、总数据量和时空复杂性进行了详细的分析.以图像处理领域里惯用的标准′Lena′、′Baboon′和′Peppers′等二值图像作为典型测试对象,理论分析和实验结果均表明:与目前新提出的NAMTR表示方法和经典的线性四元树表示方法相比,INAMTR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,是二值图像模式的一种更优的表示方法.     

A new non-symmetry and anti-packing model and its application to image contrast enhancement

In this paper, a non-symmetry and anti-packing image representation model (NAM) has been proposed. NAM is a hierarchical image representation method and it aims to provide faster operations and less storage requirement. By taking a rectangle sub-pattern, for example, we describe the idea of NAM and its encoding algorithm.In addition, an approach for adaptive area histogram equalization for image contrast enhancement based on a NAM image is presented. The contrast enhancement approach is designed to meet the NAM image representation and it can be duplicated with faster operation. The complexity analysis and the experimental results show that the NAM based algorithm for image contrast enhancement is faster and more effective than that based on matrix image.     

A fast algorithm for computing moments of gray images based on NAM and extended shading approach

Computing moments on images is very important in the fields of image processing and pattern recognition. The non-symmetry and anti-packing model (NAM) is a general pattern representation model that has been developed to help design some efficient image representation methods. In this paper, inspired by the idea of computing moments based on the S-Tree coding (STC) representation and by using the NAM and extended shading (NAMES) approach, we propose a fast algorithm for computing lower order moments based on the NAMES representation, which takes O(N) time where N is the number of NAM blocks. By taking three idiomatic standard gray images ‘Lena’, ‘F16’, and ‘Peppers’ in the field of image processing as typical test objects, and by comparing our proposed algorithm with the conventional algorithm and the popular STC representation algorithm for computing the lower order moments, the theoretical and experimental results presented in this paper show that the average execution time improvement ratios of the proposed NAMES approach over the STC approach, and also the conventional approach are 26.63%, and 82.57% respectively while maintaining the image quality.     

An improved algorithm for gray image representation using non-symmetry and anti-packing model with triangles and rectangles

Although the triangle non-symmetry and anti-packing model (TNAM) representation for gray images is an effective image representation method, there is still much space left for optimization. In this paper, inspired by the optimization idea of the packing problem, we proposed an improved algorithm for gray image representation using the non-symmetry and anti-packing model with triangles and rectangles (NAMTR). By comparing the representation algorithm of the NAMTR with those of the TNAM and the popular linear quadtree, theoretical and experimental results presented in this paper show that the former can greatly reduce the number of sub-patterns or nodes and simultaneously save the data storage much more effectively than the latter, and therefore it is a better method to represent gray images. Representation method of the NAMTR, as envisaged in this paper, shows a very strong promise, and it is valuable for further theoretical research and potential business foreground, such as reducing storage space, increasing transmission speed and improving pattern match efficiency.