一种基于Pi-sigma神经网络图像压缩的方法

鉴于Pi—sigma神经网络改进了传统神经网络的某些不足，得到了广泛应用，因此提出一种基于Pi—sigma神经网络图像压缩的方法。实验证明，在相同的实验条件下，Pi—sigma神经网络用于图像压缩的效果优于传统的加法神经网络图像压缩的效果，而且收敛速度更快，占用空间更少。     

一种基于矢量量化的高光谱遥感图像压缩算法

压缩是高光谱遥感(hyperspectral remote sensing)图像的一个重要研究领域.文中充分考虑了高光谱遥感图像的谱间相关性较强而空间相关性相对较弱的特点,采用了自适应波段选择降维方法与基于神经网络的矢量量化方法相结合的方法对高光谱遥感图像进行压缩.首先采用自适应波段选择(Adaptive band selection)的谱间压缩方法,通过自适应地选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量.然后对降维后图像在空间进行小波变换并进行矢量量化,最后对量化后数据进行自适应算术编码.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低;基于神经网络的SOFM算法及其改进算法取得较好的空间压缩效果,实现了对高光谱遥感图像的有效压缩.     

一种提高分形图像压缩编码速度的方法

为了提高分形图形压缩编码速度，在定义父块与子块对比自身而得到的特征值的基础上，证明了匹配父块存在的条件，并提出了改进的分形图像压缩方法．该方法使得子块只搜索那些特征值符合条件的父块，从而降低了搜索的复杂度．通过讨论父块的旋转变换，提出了一种父块经过旋转后其特征值不变的变换，这使得无效父块在搜索过程中的对比计算次数明显减少．实验表明，有特征值的搜索速度是无特征值搜索速度的3倍或4倍，而图像的压缩质量却没有受到很大的影响．     

基于分形编码的图像压缩技术

详细地阐述了新一代基于分形编码的图像压缩技术,叙述了分形的概念和分形图像编码的数学基础－迭代函数系统理论,分析了分形图像编码的特点及其实现方法,并对一些改进的分形图像编码方法作了简要介绍。     

一种基于分形的图像压缩方法

针对传统分形编码时间过长的缺点,提出了一种高效而快速的基于方差和4值BTC编码混合的分形图像编码方法。实验表明该方法具有优良的性能,在编码时间优于方差快速编码方法的前提下,解码图像的质量和压缩率可以好于基本分形图像编码算。     

一种基于小波变换图像压缩编码方法

提出了一种新的小波变换图像编码方案,即改进的零树法混合量化编码方案.先对图像进行四层小波变换,再舍去第一层小波变换后的高频分量,然后对余下的数据进行零树法量化编码,最后,对零树法量化编码的结果进行游程编码.实验结果表明,该方案优于直接零树法量化编码方案.     

一种基于联想神经网络的矢量编码

利用神经网络稳定记忆的吸收域能把输入矢量聚类的特性，本文讨论了一种改进的Ｈｏｐｆｉｅｌｄ离散神经网络用作矢量编码，这各方法能获得较高的数据压缩比和较小的压缩失真。     

基于自组织特征映射神经网络的矢量量化及其在图像压缩中的应用

对图像和语音等信息的压缩、传输及保存，压缩是极为重要的一环，矢量量化的压缩算法是广泛应用的一种方法。介绍了基于自组织特征映射神经网络的K—means矢量量化前置法和后置法两种复合算法，并将其应用于图像压缩的问题，从数值仿真的结果看，K-means前置法较其他算法表现出良好的效果。     

一种基于小波包的图像压缩方案

先用离散的正交小波和滤波器构造小波包,再用构造的小波包对图像进行二级分解,各频段编码方式为：低频部分作DPCM编码;中频部分采用DCT工经阀值后作游程编码;高频部分不作编码处理,在解码时用零进行填充,实验证明这是一种比较好的编码方案,重构图像质量比较高。     

基于小波变换的简单变长编码图像压缩方法

简单变长编码是一种高效的编码方法，在符号概率的几种分布上效率接近哈夫曼编码，误差不超过1%，且通常可用很少的比特数来传输码字。针对哈夫曼编码软、硬件实现复杂、费时较长的缺点，通过对图像信号的小波分解，在不同的子带上采用改进的简单变长编码方案，获得了更高的压缩比，结果表明，该算法简单有效、易于编辑实现，是一种高效的图像压缩方法。     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

新型的神经网络线性预测语音编码算法

提出一种新型的神经网络线性预测编码算法.针对目前自相关法存在着预测系数解误差以及协方差法存在解不稳定的缺点,算法利用最小均方准则思想显著提高了短时平均误差精度.通过窄带信道将低速率语音编码远距离传输是多媒体语音技术中的重要研究内容,采用语音信号压缩处理是解决低速率传输的有效方法之一,而线性预测编码(LPC)技术是语音压缩参数编码技术的重要内容.从线性预测编码技术入手分析和研究LPC编码技术的原理,阐述了利用最小均方准则思想来提高短时平均误差精度的方法,并介绍了预测系数的自相关求法.最后通过语音合成实验验证了该新型算法既提高了系数解的精度,又保证了系统的稳定性.在该算法下预测系数的均方误差比传统的自相关法误差减小20%以上,而且当原始信号频率较高时语音合成的效果更明显,将更加精确地复现原始语音信号.     

基于提升格式的高光谱遥感图像压缩算法

高光谱遥感的特点是谱分辨力的提高,但其高数据维给图像进一步处理带来了困难,因此有必要对其进行有效压缩处理.该文以提升格式为基础对高光谱图像压缩算法进行了研究,充分考虑了高光谱图像的空间相关性和谱间相关性,采用自适应波段选择的谱间压缩方法,通过自适应选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量,然后采用梅花形网格分解方法构造出第二代小波变换,从而对二维图像进行空间压缩,可实现提升格式的分解和完全重构.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低,以提升格式为基础的第二代小波变换比第一代小波变换取得更好的空间压缩效果.     

遥感图像语义分割空间全局上下文信息网络

为了解决卷积神经网络(CNN)在语义分割特征提取阶段容易丢失空间信息以及边界信息不明确的问题,基于U-Net基线网络提出空间全局上下文信息网络(NC-Net). 增加再编码阶段(ReEncoder),以增强空间信息识别能力. 在Decoder阶段输出多尺度特征,与ReEncoder阶段结合获取全局上下文信息. 保留边界损失函数,设计多尺度损失函数级联方法,优化整体网络. 在GID以及WHDLD数据集上的实验结果表明,该方法的总体准确度达到最好成绩,明显优于其他基线模型.     

基于蚁群算法的遥感图像聚类方法

聚类分析是遥感图像非监督分类的有效方法,蚁群算法具有离散性和并行性的特点,蚂蚁觅食行为、蚂蚁堆积尸体行为和基于蚂蚁自我聚集行为的聚类算法是目前研究较为广泛的3种基于蚂蚁的仿生聚类算法.为验证上述3种算法的有效性,在对这3种聚类算法进行研究的基础上,针对遥感图像进行了聚类实验.实验结果表明,基于蚂蚁的聚类方法对图像的聚类分析是有效的,较传统的k均值和模糊C均值算法有一定优越性.     

基于改进2DCNN的高光谱遥感图像处理研究

针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96％,达到3DCNN的同等水平(99.36％),较改进前(97.28％)提高2.68个百分点;处理速度(5 s／epoch)和1DCNN位于同一量级,快于3DCNN(96 s／epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.     

采用改进YOLOv5网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5％...     

一种快速有效的遥感图像场景分类特征

针对在遥感大数据中如何进行快速有效的场景分类,提出一种图像特征的构建方法.基于非监督学习进行快速二值编码,首先对图像局部训练样本利用非监督学习获取相应滤波器组,然后再使用二值化哈希编码方法对场景单元特征图进行量化,最后统计得到场景全局特征.实验结果表明,该特征描述结合了滤波器组和二进制特征描述子的优点,在保证较高分类精度的前提下,能够大幅度提升计算效率,具有较好的鲁棒性.     

基于JPWL的遥感图像压缩传输错误保护

为保证星载遥感图像压缩传输的可靠性,针对常用的错误保护方法不考虑码流不同部位不同的错误敏感度,码流重要信息得不到重点保护的问题,提出了基于JPEG2000标准第11部分(即JPEG2000无线传输(JPWL))的遥感图像JPEG2000压缩码流的错误保护方案。根据错误敏感度描述符提供的码流错误敏感度,利用错误保护块对码流执行不等错误保护;在解码时应用残余错误描述符提供的码流残余错误信息进行错误隐藏。仿真结果表明,与常用方法相比,该方案不仅以较小的代价极大地提高了解码率,而且能够有效地纠正传输误码、降低误码影响,提高恢复图像质量,较适合用于星载遥感图像的压缩传输。