基于部分失真搜索的自组织映射学习算法

针对传统的自组织映射网络在大数据量或高维情形下训练过程较慢的问题，提出了分别使用部分失真搜索和扩展的部分失真搜索来完成传统算法中最耗时的最近邻搜索过程，减少了完成训练所需乘法次数。实验表明，相对于传统的自组织映射学习算法，所提两种方法分别可以节约近1/3和1/2以上的计算量。     

基于二维特征向量的快速分形编码方法

编码时间过长是目前分形图像压缩存在的主要问题,对图像块进行分类是解决这一问题的一类重要方法,然而在诸多分类方法中,编码时间的减少通常是以牺牲图像解码质量为代价的。为此,本文提出了一种基于二维特征向量的自适应分类方法。并把图像的1、2阶矩不变量作为图像的主副特征得到了一种能够较好地保证图像解码质量的快速分形编码方法。     

基于局部自相似性的图像质量度量

使用图像所包含的一种更本质和深层的特征——局部自相似性，并结合人眼观察图像时注意力由中央向周围递减这一特性，提出了一种基于局部自相似性的图像质量度量方法。通过与已有方法的对比实验表明，该方法能对不同类型的失真图像进行更有效的评判，评价结果能够更好地符合人眼主观视觉特性。     

结合K均值聚类和KD-Tree搜索的快速分形编码方法

利用部分失真搜索求解传统K均值聚类算法中的最近邻搜索问题,显著地减少了传统算法的乘法次数,从而提高了聚类速度;然后用改进后的聚类算法来加速分形编码：首先将定义域块聚类并为每个类建立一棵KD-Tree,编码时对每个值域块先后用部分失真搜索与近似最近邻搜索得到与其距离最近的若干KD-Tree及其上的若干最近邻,而其最优匹配块即由后者产生.实验结果表明,相对于全局搜索,该方法能大幅度地提高编码速度和较大地提高压缩比,而解码质量只有很小的下降;相对于同类方法,在相同压缩比下有更好的加速效果和解码质量.     

基于数学形态学的编码标志点识别算法

特殊编码标志点的使用是摄影测量中经常使用的一种手段,针对由此带来的标志点识别问题,主要以数学形态学为工具,对采集的标志点图像做若干次形态学运算后,提取出每个标志点所在区域的边界,进一步结合所提出的标志点特征向量准确地识别出该标志点．实验表明,该算法对较理想图像,识别率为100%,较坏情形可达94%以上。     

带最多独立形状参数的三阶三次均匀B样条曲线

构造了三阶三次等距结点的多项式B样条参数曲线,给出了de Boor控制顶点与分段三次Bézier控制顶点的关系式。该曲线具有一些类似于二次B样条曲线的性质：关于参变量为C¹连续,每个样条区间上的曲线由三个de Boor控制顶点的线性组合表示,具有仿射变换下的不变性,包含了二次均匀B样条曲线等。还具有形状可调性质：调配函数中含有形状参数,具有明显的几何意义,可用于调控曲线的形状或变形。给出了其具有凸包性、对de Boor控制多边形保形性等性质及其条件,讨论了形状参数对曲线形状的影响。     

分形编码时间的线性控制和预测

以图像的布朗维数为纹理特征对编码中的图像块进行聚类和排序,实现了对每个值域块所需比较定义域块数目的精确控制。进一步,通过排除平坦块、使用均值图像建立定义域块库等技巧,得到了一种可以通过定义域块比较数目对编码时间进行线性控制和预测的快速分形编码方法。实验表明,与已有分类和聚类方法相比,在相同的压缩比下,本文方法可取得更好的加速效果和解码质量。     

基于K均值聚类的快速分形编码方法

针对目前分形图像压缩存在的编码时间过长问题,提出了使用K均值聚类对编码过程进行加速的方法,其中聚类向量采用图像块的正规化特征向量以保证聚类的精度,并通过用部分失真搜索来完成传统K均值聚类中最耗时的最近邻搜索过程以提高聚类速度。进一步,通过结合均值图像建库、去平坦块等技巧,得到了一种快速、可调的分形编码方法。实验结果表明,相对于全局搜索,所提方法大幅地提高了编码速度和压缩比,而解码质量只略有下降。     

一种基于EPDS的快速K均值聚类算法

KT均值聚类是经常使用的一种数据聚类方法，但对大数据量情形，其聚类过程较慢，主要原因在于聚类过程中每个待聚类向量要反复进行一个最近邻搜索过程，以寻找与其距离最近的聚类中心；据此，文章提出使用扩展的部分失真搜索（Extended Partial Distonion Search，EPDS）来完成该最近邻搜索，极大地减少了完成聚类所需乘法次数。实验表明，相对于基本的K均值聚类算法，该方法可以节约1/3以上的计算量。     

基于自适应分类的快速分形编码方法

编码时间过长是目前分形图像压缩存在的主要问题,尽管对图像块进行分类是解决这一问题的一类重要方法,然而诸多分类方法中仍普遍存在着编码速度与解码质量之间的矛盾.针对这一问题,在给出衡量分类方法性能指标体系的基础上,首先提出了一种自适应分类方法,从而较好地解决了这一矛盾,然后将该方法运用于质心分类上,并结合满意匹配得到了一种快速的分形编码方法.实验表明,与原来的均匀分类方法相比,在取得相同压缩比的前提下,该方法可进一步提高分形编码的速度和改善解码图像质量.