窄带蜂窝物联网的嵌入式高光谱图像压缩方法

针对当前嵌入式高光谱图像压缩方法未考虑高光谱图像空间相关性,导致压缩效果较差,解压精度较低,高分辨率图像占用空间大,造成网络传输效率低的问题,提出了窄带蜂窝物联网的嵌入式高光谱图像压缩方法.根据窄带蜂窝物联网上行、下行链路传输基本标准,通过具有统计特性的KLT算法,去除高光谱图像间谱间相关性,使待处理图像内容更加紧密,...     

基于Nios II软核的遥感图像实时压缩系统

针对在空间遥感探测领域,大量遥感图像传输和对图像实时处理的需求,提出一种基于Nios II 软核的遥感图像实时压缩系统的设计方法.该方法基于先进的JPEG2000图像压缩标准,使用专用协议芯片,结合嵌入式处理器和可编程逻辑器件,搭建了硬件压缩系统,并在基于Nios II软核的遥感图像实时压缩系统工控机终端建立软件解码单元,实现了大量遥感数据的实时传输压缩与解码显示.测试证明,该遥感图像压缩系统能够实时连续压缩数据,图像压缩效果达到应用要求.通过测试结果分析,并结合具体的工程任务,指出了该图像压缩系统下一步的改进方向.     

基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（ Karhunen-Loeve Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Trtmcation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

基于最佳线性预测器的高光谱图像无损压缩算法

针对高光谱遥感图像细节丰富纹理复杂，空间相关性弱，难于压缩的特点，本文充分利用了高光谱遥感图像的谱间相关性，设计出对相邻谱段进行预测并将预测残差均方降为最小的一种最佳线性预测器。最后利用整数小波变换，并结合SPIHT算法，有效的去除空间相关性。实验表明该算法可以收到良好的效果，优于3D—SPIHT算法和WINRAR压缩软件。     

嵌入式深度神经网络高光谱图像聚类

目的 高光谱图像的高维特性和非线性结构给聚类任务带来了"维数灾难"和线性不可分问题，以往的工作将特征提取过程与聚类过程互相剥离，难以同时优化。为了解决上述问题，提出了一种新的嵌入式深度神经网络模糊C均值聚类方法（EDFCC）。方法 EDFCC算法为了提取更加有效的深层特征，联合优化高光谱图像的特征提取和聚类过程，将模糊C均值聚类算法嵌入至深度自编码器网络中，可以保持两任务联合优化的优势，同时利用深度自编码器网络降维以及逼近任意非线性函数的能力，逐步将原始数据映射到潜在特征空间，提取数据的深层特征。所提方法采用模糊C均值聚类算法约束特征提取过程，学习适用于聚类的高光谱数据深层特征，动态调整聚类指示矩阵。结果 实验结果表明，EDFCC算法在Indian Pines和Pavia University两个高光谱数据集上的聚类精度分别达到了42.95%和60.59%，与当前流行的低秩子空间聚类算法（LRSC）相比分别提高了3%和4%，相比于基于自编码器的数据聚类算法（AEKM）分别提高了2%和3%。结论 EDFCC算法能够从高光谱图像的高维光谱信息中提取更加有效的深层特征，提升聚类精度，并且由于EDFCC算法不需要额外的训练过程，大大提升了聚类效率。     

基于HEVC与聚类算法的计算机桌面图像压缩算法

对基于HEVC与聚类算法的计算机桌面图像压缩方案进行研究,将计算机桌面图像进行自适应块分类,利用颜色聚类算法对块进行颜色聚类,简化颜色总类、节省码流、改善编码性能。再利用HEVC帧内预测编码算法对块进行压缩,为高清分辨率计算机桌面图像网络共享,提供高效的图像压缩方法。     

基于加窗光谱积分的高光谱遥感图像特征提取

提出了一种基于加窗光谱积分的高光谱遥感图像特征提取算法.该算法借用子波变换多分辨率分析的思想,设计了一组波段相互重叠的窗函数来提取光谱曲线特征,然后进行有监督RBF神经网络分类实验,在实验过程中确定了相关参数的取值范围.实验结果表明,加窗光谱积分特征可以有效地描述光谱曲线,获得了比较好的正确分类率.     

基于GPRS的嵌入式实时图像监控系统

介绍了无线传输图像监控系统的应用现状，指出了无线传输图像监控系统存在的问题和重要性，提出了一种基于GPRS的嵌入式实时图像监控系统的实现方法，具体阐述了系统的原理结构，硬件组成和软件设计。     

高速遥感图像实时压缩仿真系统研究

随着遥感技术快速发展,遥感图像数据已成为空间信息的重要数据源之一,卫星遥感图像高速实时传输已经成为当前研究的热点问题,并伴随着巨大的市场需求。该文针对卫星上遥感图像数据实时高速压缩、传输的需求。在Visual C＋＋环境下,建立了对卫星遥感图像进行压缩、传输、解压、接收、显示等过程进行仿真研究的仿真系统。该系统主要使用JPEG2000算法进行了仿真分析,在仿真系统的设计实现中采用图像分块压缩等关键技术,并针对压缩速度提出了压缩效率、信噪比等评价指标。仿真结果证明了图像数据压缩系统的有效性。该项研究成果可以用于对遥感图像实时压缩算法进行仿真研究和分析,也可作为地厩图像处理系统对遥感图像数据进行观测。同时,该文研究内容还将有效地提高图像数据系统的压缩传输效率。     

基于帧内预测模式多划分的HEVC鲁棒视频水印算法

针对现有基于高效视频编码（HEVC）标准的水印算法鲁棒性不足的问题,提出一种基于帧内预测模式多划分的HEVC鲁棒视频水印算法。首先,针对嵌入水印后帧内误差传播的问题,对4×4亮度块进行可嵌区域的选择,并计算4×4亮度块的纹理方向;其次,将33种角度预测模式划分为四种模式集,依次记为：上水平、下水平、上垂直、下垂直;最后,将当前以及下一待嵌入水印的值与模式集建立映射关系,通过判断当前4×4块属于哪个模式集来进行水印的嵌入,并将33种角度模式截断为其中一种模式集。解码端通过纹理方向和预测模式集提取水印。实验结果表明,所提算法的平均峰值信噪比维持不变,且在重编码攻击下的误码率（BER）为14.1%。由此可知,该算法对视频质量影响很小,在鲁棒性上可以抵抗重编码的攻击。     

HEVC的异构钻石模板快速搜索算法

针对高效视频编码（HEVC）中帧间预测复杂过高的问题,提出一种异构钻石模板的TZSearch快速搜索算法。该算法结合运动矢量的分布特性,首先使用异构钻石模板进行粗略搜索,并在后续的精细搜索中根据图像特性加入垂直和水平六边形模板,使其能够动态适应图像自身特征,从而减少了编码块的平均搜索次数。实验结果表明,与HM14.0相比,提出的算法能在保持编码性能的同时加快搜索速度,缩短运动估计模块的耗时,将总编码时间减少约26%,提高了编码的整体效率。     

基于纹理特征的HEVC帧内编码快速算法

为了降低高效视频编码（HEVC）帧内编码的复杂度,提出了一种基于编码块纹理特征的帧内编码快速算法.首先,对当前编码单元（CU）进行预处理,获取CU的纹理复杂程度和方向特性.其次,根据纹理复杂度决定部分CU是否划分,跳过率失真代价计算,减少不必要的划分与裁剪.然后,根据纹理方向减少帧内预测模式的数量,降低帧内预测过程的复杂度.实验结果表明,在全I帧模式下快速算法与HM10.0相比,码率（BR）上升0.649%,峰值信噪比（PSNR）降低0.059 dB,帧内编码时间平均减少56.18%.     

针对HEVC编码单元的二分深度划分算法

为了降低高效率视频编码（HEVC）的编码单元（CU）进行四叉树递归遍历的时间,提出一种改进的编码单元快速划分算法.首先,利用帧间时间域的相关性,提取前一帧相同位置CU的最优划分结构,以预测当前CU的划分深度;然后通过改进编码CU结构划分遍历的算法,减少CTU （Coding Tree Unit）四叉树结构的遍历,即从二分深度开始遍历,在每一步遍历之前,判断是否提前终止遍历.实验表明,与HM15.0中的基准划分算法相比,本文算法能够在保证编码性能的同时,降低了55.4%的编码时间,提高了HEVC的编码效率.     

基于纹理四叉树的快速HEVC帧内编码算法

针对高效视频编码(HEVC)中编码单元(CU)进行四叉树递归遍历时间较长的问题,提出一种基于纹理四叉树的快速HEVC帧内编码算法。采用Sobel算子对当前视频图像提取边缘,利用最大类间方差法剔除弱边缘并保留强边缘。通过递归方式对边缘图中的每个64×64单元建立纹理四叉树,使用视频图像的纹理四叉树结构对CU最优分割组合进行预测。对于不同大小的分割单元,无需完全递归遍历所有的CU深度,从而缩小CU搜索范围,节省编码时间。实验结果表明,与HEVC标准算法相比,该算法亮度分量的码率平均增加了0.50%,信噪比和编码时间分别减少了0.03d B和28.70%。     

高效率视频编码中基于块整合的错误隐藏算法

针对新一代视频编码标准高效率视频编码(HEVC)编码单元(CU)尺寸较大所导致的丢包后错误隐藏恢复效果不佳的问题,提出了对CU下的分割块进行块融合的错误隐藏方法。首先,分析了残差能量与块分割的相关性;然后,通过参考帧残差能量与所设阈值进行比较判决,对当前丢失CU分割块进行融合,得到丢失CU的块分割方式;其次,对矢量外推法进行权值优化,保证了算法在HEVC错误隐藏的适用性;最后,对融合块采用优化后的矢量外推法进行错误隐藏。实验结果表明,与经典错误隐藏方法如拷贝法、运动补偿法等相比,基于块融合的错误隐藏在保证解码视频结构相似性(SSIM)的同时提高了不同运动性的解码视频峰值信噪比(PSNR),验证了算法的可行性。     

基于随机森林分类的HEVC帧内CU快速划分算法

针对HEVC帧内编码中递归式四叉树编码单元（Coding Unit,CU）划分引起的高计算复杂度问题,提出了基于随机森林分类（Random Forest Classifier,RFC）的CU快速划分算法。该算法包括模型离线训练和CU快速编码算法两部分。在模型离线训练中,将CU最佳划分结果（+1,－1）作为分类标签,将当前CU的对比度、逆差矩和熵信息作为特征属性,训练RFC模型。在编码时,提取当前CU的特征属性值,利用训练好的RFC模型快速预测当前CU的划分结果。实验结果表明,该算法与HEVC的标准算法相比,在保证编码质量的前提下,平均可以节约45.18%的编码时间。     

一种HEVC帧内编码的快速算法

针对高效视频编码（HEVC）帧内预测复杂度高和耗时长的缺点,提出一种HEVC帧内编码的快速算法。首先根据相邻编码单元的时空域相关性,缩小编码单元深度遍历范围,提前中止或跳过不必要的深度,同时在选择当前编码单元的最佳模式时,根据Planar模式是否可为最佳模式,分别采取不同的方案减少预测模式数量。实验结果表明,与HM10.0相比,提出的算法能在保持编码性能的同时将编码时间减少约30%,加快了帧内编码的速度,具有很好的实用性。     

HEVC快速编码深度选择算法

高效视频编码（High Efficiency Video Coding,HEVC）作为下一代新的视频编码标准,旨在有限网络带宽下传输高质量的网络视频。与现有的视频编码标准相比,高效视频编码具有更高的灵活性和压缩率。编码单元（Coding Unit,CU）是视频编码处理的基本单元,原有的算法通过四叉树递归获取最佳CU深度,在提高视频压缩性能的同时引入了较高的计算复杂度。针对该问题,提出了一种快速编码深度选择算法,该算法利用相邻CU的深度信息计算一个深度预测特征值,通过该特征值进行深度选择,以避免不必要的计算,降低计算复杂度。实验结果表明,该算法在保证视频压缩效果的同时有效降低了计算复杂度。     

一种面向HEVC的编码单元深度决策算法

新一代高性能视频编码(HEVC)标准采用灵活的四叉树自适应存储结构、可变尺寸的编码块、35种帧内预测模式等新技术,能够有效提升HEVC的编码效率,但也造成了更高的编码复杂度。为此,提出一种基于时空相关性的编码单元深度决策算法。融合关联帧编码单元的深度信息及当前帧相邻编码单元的深度信息,从而预测当前编码单元的深度范围。实验结果表明,与HEVC标准测试算法相比,该算法能在不明显影响编码质量的基础上平均减少30.2%的编码时间。