基于优化JPEG2000感兴趣区域编码的研究

JPEG2000标准提供了一系列良好的性能。其中嵌入式感兴趣区域(ROI)编码是重要特点之一。对图像压缩和传输处理,总是希望自己所感兴趣的图像区域能够得到相对于背景(BG)区域更好的压缩效果,并且能够在传输过程中得到优先处理。为了降低JPEG2000编码复杂度,根据JPEG2000感兴趣域(ROI)编码的原理,依据ROI编码的特点及ROI与背景区域系数的关系,提出一种基于改进高频部分的最大位移方法,以达到优化ROI编码的目的。     

一种数据库权限管理的新模式

从数据库管理及数据库安全两方面出发阐述了一种新的基于角色的权限管理模式，并以现代流行的数据库管理系统ORACLE为例，对角色的预定义，使用等进行了全面介绍，对这种新的不同于group，别名的授权管理模式进行了较为深入的探索，细致地分析了该管理模式的控制方式，得出了该管理方式能更地适应企业特定的安全策略，减轻系统管理员的作用，能适应企业结构的调整，具有很大灵活性，并能根据组织结构得出灵活变化的结论。     

基于CAC的ATM网络性能仿真

该文在ATM网络排队性能的基础上 ,根据信元的平均丢失率及平均延迟时间与传输带宽及缓存单元数量的近似关系 ,提出了连接允许控制的 (CAC)算法 ,从而为ATM网络性能仿真提供了理论依据。     

块尺寸自适应的Tile纹理合成算法

针对Wang Tiles纹理合成算法中样图信息利用不完全、所制作的Tile中心处有明显接缝,以及Tile拼接时拐角处不完全匹配等问题提出了一种改进的纹理合成算法。分析给定的纹理样图,得到适当的纹理块长度,按照该长度从纹理样图中提取4个菱形纹理块,生成Tile初始框架;从样图中选择与Tile初始框架尺寸相同的纹理块作为替代纹理块,与Tile初始框架重叠放置,求取最佳缝合路径,从而制作Tile;通过一系列Tile拼接生成最终的输出纹理。实验结果表明,该算法制作的Tile有很好的视觉效果,同时对各类型纹理该算法都能取得一个较好的纹理合成效果。     

基于多特征高效索引的图像检索

为了提高图像检索的准确率和速度,提出了一种多特征组合的图像检索算法。在颜色空间非均匀量化的基础上,利用改进的颜色聚合向量方法提取图像的颜色特征;基于改进的灰度共生矩阵提取纹理特征参数;利用Krawtchouk矩不变量提取图像的形状特征;基于贡献度聚类并建立特征索引库。融合上述特征计算图像间的相似度,使用特征索引对图像进行快速检索。实验结果表明,提出算法的检索精度有较大提高,能快速检索出用户所需的图像。     

基于分类遍历的碰撞检测优化算法

针对现有层次树遍历方法的低效率问题,提出了一种基于分类遍历的碰撞检测算法.首先根据两个物体树中节点的平衡因子差值来将所有的物体对进行分类:结构相似的,采用同步下降遍历方法;结构不相似的,采用交换下降遍历方法,这减少了相交测试的次数.然后加入时空相关性和优先级策略优化遍历过程.最后通过实验结果表明,相比基于统一遍历的碰撞检测算法,该算法缩短了相交测试的时间,物体数目越多,快速性优势越显著,大约可以缩减所需时间的1/5.     

一种特征加权融合人脸识别方法

针对传统人脸识别算法在非限制条件下识别准确率不高的问题,提出了一种特征加权融合人脸识别方法(DLWF⁺)。根据人脸面部左眼、右眼、鼻子、嘴、下巴等5个器官位置,将人脸图像划分成5个局部采样区域;将得到的5个局部采样区域和整幅人脸图像分别输入到对应的神经网络中进行网络权值调整,完成子网络的构建;利用softmax回归求出6个相似度向量并组成相似度矩阵与权向量相乘得出最终的识别结果。经ORL和WFL人脸库上进行实验验证,识别准确率分别达到97%和91.63%。实验结果表明:该算法能够有效提高人脸识别能力,与传统识别算法相比在限制条件和非限制条件下都具有较高的识别准确率。     

伪Zernike矩归一化的抗几何攻击图像水印

以改进的伪Zernike矩相关知识为基础,提出了一种改进的抗几何攻击的数字水印算法。该算法首先计算载体图像的伪Zernike矩,然后对其进行归一化处理。最后选择部分低阶矩幅值量化嵌入水印。实验结果表明该数字水印算法不仅可以抵抗常规的数字信号处理,而且较基于伪Zernike矩的抗几何攻击的数字水印算法有对旋转和缩放的联合攻击具有较好的抵抗能力。     

基于高维仿生覆盖的人脸识别方法

应用仿生模式识别的理论,提出了基于“认识”事物的人脸识别。根据同一人脸的分布在一定的高维空间的类聚性,提出了一种新颖的基于最小生成树的最邻近覆盖方法。利用小波变换对人脸图像进行分解,对分解后的4个子带分量进行加权融合,用K-L变换提取人脸特征子空间,应用提出的覆盖方法进行人脸识别。在ORL 人脸库上的实验结果表明,与传统的模式识别相比,不仅解决了未训练样本的误识问题,而且能获得更高的识别率。     

基于误差驱动与CSRBF的点云重建

提出了一种基于误差驱动的逐次迭代逼近的大规模3D散乱数据的重建算法。首先对点云数据进行重采样,采用归一化的CSRBF作为插值基函数。其次对重采样后少量的点数据进行插值。再次对未参加插值的点带入隐函数方程,计算误差。对误差超过一定阈值的点进行重采样,加入原采样点集合,重新进行插值。这样多次迭代以后便可以用最少的点来插值原来的点云模型。实验结果表明,该算法具有更高的鲁棒性和更高的效率。