排序方式: 共有14条查询结果,搜索用时 31 毫秒
1.
针对分形编码计算量过大的缺点,本文提出一种基于显著不相关检验的分形编码方法。对于文中的测试图像(Lenn256×256×8ppb和Boat256×256×8ppb),其编码速度比基于子块分类的分形编码方法快2~15倍,而解码图像质量(PSNR)没有明显下降,压缩比还有一定的提高。 相似文献
2.
基于子块显著不相关检验的快速分形图象编码 总被引:1,自引:0,他引:1
图象分形编码中,子块搜索匹配的实质是子块间的相关匹配。基于这一认识,针对分形编码计算量过大、编码时间过长的缺点,本文提出先对子块进行显著不相关检验,再进行子块匹配的分形编码方法。其编码速度比基于子块分类的分形编码方法快5~20倍(对测试图象Lenna256×256×8ppb而言),而解码图象质量(PSNR)没有明显下降,压缩比还有一定的提高。 相似文献
3.
本文给出了在边界环绕阵列机环境下,稀疏带状循环矩阵与任意矩阵乘积的成本最优并行算法,并根据二维离散小波变换(DWT)的矩阵表示,提出了一种与边界环绕阵列机环境相适应的图像小波变换并行实现算法,该算法具有计算成本最优和通讯要求低的特点.最后,对于32×32的边界环绕阵列,给出了模拟实验结果. 相似文献
4.
5.
目标检测与跟踪是计算机视觉领域最普遍和关键的问题之一。基于级联结构的AdaBoost算法和基于色彩的Camshift算法,目前被认为是较有效的检测和跟踪算法,结合AdaBoost、Camshift算法和Kalman滤波器实现,对视频序列图像中多角度人脸的实时检测与跟踪,并针对AdaBoost训练耗时问题提出了改进。 相似文献
6.
针对军用机场大尺寸卫星图像中航空器检测识别的具体应用场景,建立了一套实时目标检测识别框架,将深度卷积神经网络应用到大尺寸图像中的航空器目标检测与识别任务中。首先,将目标检测的任务看成空间上独立的bounding-box的回归问题,用一个24层卷积神经网络模型来完成bounding-box的预测;然后,利用图像分类网络来完成目标切片的分类任务。大尺寸图像上的传统目标检测识别算法通常在时间效率上很难突破,而基于卷积神经网络的航空器目标检测识别算法充分利用了计算硬件的优势,大大缩短了任务耗时。在符合应用场景的自采数据集上进行测试,所提算法目标检测实时性达到平均每张5.765 s,在召回率65.1%的工作点上达到了79.2%的精确率,分类网络的实时性达到平均每张0.972 s,Top-1错误率为13%。所提框架在军用机场大尺寸卫星图像中航空器检测识别的具体应用问题上提出了新的解决思路,同时保证了实时性和算法精度。 相似文献
7.
8.
针对分形编码计算量过大的缺点,本文提出一种基于显著不相关检验的分形编码方法,对于文中的测试图像,其编码速度比基于子块分发形编码方法快2-15倍,而解码图像质量PSNR)没有明显下降,压缩比还有一定的提高。 相似文献
9.
提出一种基于显著不相关检验的近距分形图象编码方法。对于标准测试图象(Lena256×256×8ppb),这种方法与子块分类方法相比,以解码图象质量(PSNR)下降2~3(dB)为代价,编码速度提高了70~200倍,且压缩比还有一定的提高;与普通近距分形方法相比,在解码图象质量(PSNR)不下降的情况下,编码速度提高约32%;若以解码图象质量(PSNR)下降0.2~1(dB)为代价,编码速度提高3~9倍。 相似文献
10.