一种适用于小样本问题的基于边界的特征提取算法

特征提取技术是模式识别领域进行数据降维和强化判别信息的有效方法.线性判别分析是监督特征提取方法的典型代表,获得广泛应用,但受到小样本问题的制约.对此提出一种适用于小样本问题的基于边界的特征提取算法.算法利用高维数据小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点,定义了新的类别边界,不但考虑了由线性判别分析提出的类内、类间离散度,也兼顾各类别的方差差异性.通过极大化该边界获得最优投影向量,同时避免因类内离散度矩阵奇异导致的小样本问题.进一步将算法推广到多类问题.高光谱数据特征提取与分类实验表明,算法在小样本情况下对于两类和多类问题均具有良好的推广性能,优于多种线性判别分析的改进算法,并且在样本较多时也取得了满意结果.     

在H.264/AVC中使用模糊度量进行码率控制

H.264中常用的码率控制算法都采用简单但不符合人眼视觉特性的平均绝对值差值（MAD）作为衡量编码失真的主要依据。采用基于模糊积分的图像失真度量代替MAD，提出一种基于宏块条的自适应码率控制算法。实验结果表明，所提出的方法无论是在CBR还是VBR下，码率控制都相当准确，并且能获得较高的峰值信噪比（PSNR）和主观视觉质量。     

基于分块DRT的SAR图像线性特征检测

传统的线性检测算法对于弱线性和噪声往往效果不佳,其原因是没有充分利用到象素点之间的潜在线性关系。从脊波(Ridgelet)分析出发,提出了一种基于分块离散脊波变换的SAR图像线性特征提取算法。这样首先对SAR图像进行分块离散脊波变换,在变换域进行阈值选取。这样既可以精确定位线性特征,还可以获得线性特征的斜率。仿真试验表明该方法对线性特征比较明显的SAR图像非常有效。     

一种新的水平集图像分割方法

对Chan-Vese提出的基于简化Mumford-Shah区域最优划分模型和测地线主动轮廓模型在水平集框架下的物理机理进行了分析,在充分考虑其模型优点的基础上,通过构造新的能够整合局部边缘信息和全局区域信息的演化函数对上述模型所存在问题进行了针对性处理,得到了一种新的水平集图像分割模型。人工合成图像和红外光学图像的仿真结果表明,在同样的模型参数条件下,该文模型具有比传统CV模型和GAC模型更高的演化效率和分割质量。     

基于分类别PCA散度的高光谱图像分类波段选择

波段选择是去除高光谱图象段间冗余,实现降维的有效方法。该文提出了一种新的基于分类别主成分分析(PCA)散度的波段选择方法。即首先对训练集各类样本分别进行PCA变换去相关并计算散度,接着分析相应PCA变换系数获得对各类样本分类都重要的原始波段,在综合考虑波段的相关度,散度和子集规模的基础上获得最终选择波段。复杂度分析表明该方法较局部寻优的前向搜索计算量大为降低,提高了效率,并用高光谱遥感图象的分类实验进行了验证。     

基于特征检测和小波变换的SAR图象的智能压缩

在地质普查、安全监控等众多任务中，合成孔径雷达成像系统产生着海量的图象数据．必须通过有限的通道传回地面，迫切需要一个能从图象的信息中自动检测目标或兴趣区域的智能压缩技术。为此，本文提出了一种基于标准特征检测方法的Bayes网络融合检测方法检测兴趣区域，并据此对图象的小波分解系数进行变化和编码，从而既实现高压缩，又保持了关键区域图象的质量。     

采用渐进像素提取和形态学检测的多聚焦图像融合

针对某些源图像中局部配准不理想区域易产生人工副效应、块效应或错误提取的问题,经分析配准不理想区域对现有方法的制约,提出了一种融合方法.首先以源图像中清晰的边缘、轮廓为提取依据,以像素点为中心的邻域内高频系数绝对值和为提取条件,采用邻域由小到大渐进增长的策略对清晰像素点进行提取,较好地解决了精确提取与完全提取之间的矛盾;...     

无线传感器网络嵌入式操作系统研究

无线传感器网络节点极为有限的能耗和计算资源对操作系统提出了很高的挑战。文中在分析了几款常见节点操作系统特点的基础上,提出并设计了一种传感器网络操作系统MiniOS。该操作系统是一个多任务、基于优先级的分时调度的操作系统,最多支持16个并发进程。讨论了MiniOS的进程调度、内存管理、设备驱动等几个方面,并与已有操作系统进行了对比。     

基于线段分割的图割立体匹配

提出了一种基于线段分割的图割立体匹配方法。首先,把图像的扫描线分割成不相重叠的、彩色-空间一致的线段基元。然后,在能量最小化框架下利用图割优化算法实现立体匹配,采用图割方法得到全局最优解,本算法中优化的节点不是传统的像素,而是分割得到的线段单元。图割方法是在拟合能量最优化的情况下给每个线段单元分配对应的视差来实现立体匹配的。多组测试数据上的实验结果说明了本方法的有效性。     

基于数据拟合的OFDM时变信道估计方法

利用周期伪随机(PN)序列频域能量集中在某些点上的特点,提出一种基于数据拟合的时变信道估计算法.该方法利用周期性PN序列的自相关特性,降低噪声和未知数据对导频的干扰;同时利用其周期性,实现对信道变化趋势的多点拟合;并在此基础卜利用信道时间平均值对估讣参数进行修正,以进一步提高估计精确性.仿真结果表明:与传统方法相比,该方法具有较优的误码率(BER)和均方误差(MSE)性能,尤其在低信噪比环境下性能改善显著.