基于随机森林的AVS-P10开环编码质量优化算法

AVS-P10是我国第一部移动环境下的音频编解码标准。针对AVS-P10开环方式下编码模式选择算法准确率不高导致编码质量不佳的问题,提出基于随机森林的开环编码模式选择算法,通过拟合闭环方式下的编码模式选择结果,以提升开环方式下的编码模式选择准确度。为了降低随机森林计算复杂度并保持高准确度,采用两次特征选择并结合随机森林的特性选择特征。主客观测试结果表明,所提方法将开环方式下的编码模式选择准确率大幅提升;采用所提方法的开环编码质量明显优于AVS-P10开环编码质量,与AVS-P10闭环编码质量相当。     

AVS-P10立体声编码算法的优化设计与实现

AVS-P10是我国首部具有完全自主知识产权的移动音频编解码标准,但是其立体声编码存在重建声像不够稳定、编码复杂度较高的问题。根据参数立体声编码原理,采用声道下混和立体声参数提取及合成技术,以AVS-P10的核心编码器为基础,设计并实现了一种高效的立体声编解码方案。实验结果表明,同等码率下,优化后的算法比AVS-P10立体声编码算法的主观音质提升约10MUSHRA得分,编码复杂度下降幅度达到40%~60%,解码复杂度略有下降。     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform,非下采样小波变换）提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。     

基于SIFT与Contourlet变换的高分辨遥感图像配准

针对高分辨遥感图像特征量较多的情况,提出一种基于SIFT与Contourlet变换相结合的图像配准算法。首先将图像进行Contourlet变换分解成低频和高频子带,对高频子带通过设定合适的阈值来提取图像边缘特征点,对低频子带进行SIFT特征点提取。将两者提取到的特征点分别匹配后得到粗匹配点对,利用随机抽样一致性(RANSAC)选择出精匹配点对,实现图像配准。实验表明:在多源遥感图像配准过程中,与基于非采样Contourlet变换(NSCT)和基于SIFT特征提取相比,该算法能够更准确地提取到特征点,具有更高的运算效率以及匹配率。     

基于SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性（SSIM）来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。     

AVS-P10音频解码器算法分析与定点化

AVS-P10是我国第一部应用于移动环境的音频编解码国家标准。在分析AVS-P10解码算法的基础上,对参考代码进行了精简和封装。针对定点处理器应用需求,对精简后的代码进行了定点化实现和优化。分别采用CMOS评分与SNR指标,对定点解码器的解码质量进行了主、客观测试,并对优化前后的定点解码器的运算效率进行了比对测试。结果表明,提出的AVS-P10定点解码器的解码音质达到与浮点解码信号的音质相当,且运算复杂度明显下降。     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT(Non-Subsampled Wavelet Transform,非下采样小波变换)提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义，传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息，针对这一问题，提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network，指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform，非下采样小波变换）提取出图像的高低频子带，将高频子带进行频带特征融合得到融合高频子带，然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合，最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明，本文方法的分类正确率达到94.52%，相比以往算法有显著提高。     

基于混合模型驱动的红外与可见光图像融合

为了解决红外与可见光图像融合中显著特征不突出、图像对比度低的问题,提出一种混合模型驱动的融合算法.首先,采用潜在低秩表示模型分别提取红外与可见光图像的基础子带、显著子带及稀疏噪声子带;其次,采用非下采样剪切波变换模型将基础子带分解为低频系数和高频系数,对低频系数采用字典学习和稀疏表示进行精确拟合,对高频系数采用局部窗口结合逻辑加权进行选择;再次,显著子带采用区域能量比阈值自适应加权法进行融合;最后,对融合后的低频系数和高频系数进行一级重建,得到融合基础子带,舍弃稀疏噪声子带,再结合融合显著子带进行二级重建,得到融合图像.实验结果表明:所提出算法能够得到蕴含丰富信息且较为清晰的融合图像,具有可行性;融合结果的对比度较高,目标轮廓显著,能够提升场景的辨识度,具有有效性.     

基于CS理论的“非盲式”带宽扩展算法研究

提出一种基于压缩感知的"非盲式"带宽扩展算法,并利用"盲式"带宽扩展模块以进一步改善算法的性能。主客观测试结果表明,基于压缩感知的"非盲式"带宽扩展算法能够实现音频信号的高频重建,且在满足信号完美重建的条件下,重建音频质量要优于AMR-WB+中的带宽扩展算法。