排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
以人类视觉系统更符合提取图像结构信息为前提的结构相似度评价模型,因其高效特性受到广泛重视,但与传统图像质量评价方法一样,其性能易受比较图像几何变化的影响.为了有效地评价各类图像质量,提出了一种双树复数小波与结构相似性测量相结合的全参考客观评价方法.基于双树复数小波的平移不变性、方向选择性和低冗余特性,首先对图像进行双树复数小波变换,并在复数域计算结构相似度,然后经平均获得客观质量评价分,改善了对几何失真图像的评价性能,且实现简单、计算量小.在LIVE图库上的实验结果表明,提出的模型对亮度、对比度以及几何变化具备更强的稳定性. 相似文献
2.
在分析了通用型引导装载程序中常见闪存设备的特点和读写方法的基础上,根据Linux中内存技术设备的组织结构及层次关系,基于分层的设计思想,该文提出了一种适合于通用型引导装载程序、能满足不同闪存设备的驱动设计方案.对方案中驱动的分层、各层的内容及相互关系、主要函数以及驱动的初始化方法等进行了阐述.该方案思路清晰、结构简单、... 相似文献
3.
为了提高人脸识别算法性能,提出了一种多尺度梯度角(MSGA)和支持向量机(SVM)相结合的新的正面人脸识别方法.分析了梯度角对光照的不敏感特性和反对称双正交小波(ASBW)的导数特性.获取多尺度梯度角特征,并利用其所具有的降噪能力和有效降低表情变化、光照变化等因素引起的影响,使算法具备较强的鲁棒性.采用了分类性能优越的支持向量机技术,提高了泛化能力.并在Yale人脸数据库上与归一化原始数据、小波处理后数据进行了仿真比较,实验数据显示,不论使用主分量分析(PCA)还是线性鉴别分析(LDA)降维,在相同的维数条件下,新方法的识别性能都优于其他方法. 相似文献
4.
直接LDA在人脸识别中的鉴别力分析 总被引:2,自引:0,他引:2
直接线性鉴别分析(DLDA)曾被声明利用类内离散矩阵零空间内外所有鉴别信息,为了分析声明的理论缺陷,对DLDA在人脸识别中的鉴别特性进行了研究.鉴于DLDA是在类间离散矩阵列空间中寻找最优解,理论分析从下面3方面内容展开:类间和类内离散矩阵的列空间之间的关系、类间离散矩阵列空间与类内离散矩阵零空间的关系以及在保留全部鉴别矢量下的DLDA特性,结果表明,在小样本条件下,DLDA几乎没利用零空间内的信息,导致一些有用的鉴别信息的丢失;若保留全部的鉴别矢量,DLDA退化为类间离散矩阵的保留所有非零成分的主成分分析.在人脸数据库ORL和YALE上的比较实验结果显示:DLDA的识别率都次于其它几种线性鉴别分析扩展方法,与理论分析一致. 相似文献
5.
基于自然图像统计的无参考图像质量评价 总被引:4,自引:0,他引:4
为了解决无参考图像情况下的质量评价问题,基于变换域的自然图像统计模型,提出一种适用于白噪声、高斯模糊、JPEG2000压缩等失真类型的无参考图像质量评价方法.利用自然图像Contourlet变换域子带均值间的线性关系,用失真条件下保持不变的低频子带均值预测未失真的高频子带均值,以高频子带预测均值与实际均值之间的差异计量图像的失真.结合人类视觉系统特性,对不同尺度、不同方向子带及子带内不同区域进行选取与加权,综合得到对失真图像的客观质量评价.实验表明,该质量评价测度与主观质量评价有较好的一致性,且在性能上优于峰值信噪比(PSNR). 相似文献
6.
一种轴承故障检测的新方法 总被引:4,自引:2,他引:2
针对轴承故障检测中用一般的谱分析法难以实现故障的精确判定的问题,提出一种新的轴承故障检测方法。考虑到复倒谱法对周期性异常振动特征提取的有效性,利用频谱分析结合复倒谱分析对采集的轴承振动信号进行处理,先通过频域分析获取高、中、低频带的均值,再通过复倒谱方法获取异常振动产生的周期性激励信号提取振动信号特征参数,分离出噪声中的“异音”信号,并结合模糊算法,初步实现了轴承故障的智能定位。实验结果表明,该方法是有效的。在积累足够量的样本数后,可望建立相应的专家库,实现轴承故障的快速智能诊断。 相似文献
7.
基于失真模型的结构相似度图像质量评价 总被引:2,自引:0,他引:2
提出了一种基于图像失真模型及失真视觉特性的图像质量评价方法,解决了传统结构相似度(SSIM)度量不能同时有效评价不同失真强度与不同失真类型图像质量的问题.将图像失真分解为局部线性模糊及加性噪声,通过质量敏感区域加权与噪声SSIM补偿,实现各种失真类型SSIM的聚合以提高综合评价性能.实验结果表明,这种基于失真模型的区域加权SSIM能够一致评价各种失真类型、各种失真强度的图像质量,在LIVE图库上与主观评价分回归后的相关系数达到0.946 7,优于其他SSIM算法. 相似文献
8.
9.
10.
在小样本条件下直接LDA的理论分析 总被引:3,自引:1,他引:2
直接线性鉴别分析(DLDA)是一种以克服小样本问题而提出的LDA扩展方法,被声明利用了包含类内散布矩阵零空间外的所有信息。然而,很多反例表明事实并非如此。为了更深入地了解DLDA的特性,该文从理论上对其进行了分析,得出结论:基于传统Fisher准则的DLDA几乎没利用零空间,将丢失一些有用的鉴别信息;而基于广义Fisher准则的DLDA,若满足一定条件(在高维小样本数据应用中一般都满足)且最优鉴别矢量正交约束,则其等价于零空间LDA和正交LDA。在人脸数据库ORL和YALE上的比较实验结果亦与理论分析一致。 相似文献
1