面向网络应用的可伸缩性视频编码方案浅析

面向网络应用的可伸缩性视频编码方案是当前图像编码领域研究的热点，本文从分层的可伸缩性编码、多描述视频编码、精细的可伸缩性视频编码和渐进精细的可伸缩性编码等几个方面对各种研究方案进行了探讨和比较．并对可伸缩性视频编码方案研究的前景做了展望。     

直接基于灰度图象的多尺度角点检测方法

在计算机视觉领域中角点特征的提取具有相当重要的地位，因为角点包含了丰富的信息。本文提出了一种新的利用微分几何和小波变换的多尺度角点检测方法，它具有以下特点：一是无须提取边缘图象，而是直接在灰度图象上提取角点。二是由于利用了小波变换技术从多个尺度上进行角点的提取，所以它既较为有效的抑制了由于噪音等原因造成的诸多错误角点位置的出现，又能得到较为精确的有用角点位置。最后通过实验证明了本算法有效性。     

分散图象压缩的遗传算法

基于分形和PIFS函数的特点，提出一种改进的遗传算法用于分形压缩分块的定义域匹配搜索算法。该方法克服了原来分形图象压缩中分类匹配算法固有的局部最优性和随机搜索的缺点，是一种具导引的全局优化的搜索算法。分析和实验表明，该方法的图象压缩比高，解码质量好，若应用遗传算法的并行性，其编码速度也得到提高。     

通用PRIP程序设计语言EPPPI的设计

本文介绍了一种同时具有PASCAI和PROLOG语言特点的通用的模式识别和图象处理(PRIP)程序设计语言EPPPL,相对于PASCAL,EPPPI包含了抽象级更高的数据类型和相应的公共操作.因而该语言具有比PASCAL更强的描述能力,使在科学计算程序设计时有更高的效率.文中论证了在EPPPI中引入PROLOG机制的可行性.由于在EPPPI中包含了PROLOG的机制,使该语言适用于人工智能程序设计,并具有陈述式特点,因而使它的编程效率更进一步提高.     

结合稀疏表示和概率潜在语义的图像模糊度评价

目的 图像的模糊度评价是客观图像质量评价的一种,主要用来衡量图像信号经过成像系统或处理算法后的降质程度,其在图像获取、传输、分析以及图像处理系统或算法评价等领域有着广泛的应用。针对目前图像模糊度评价方法没有考虑人类视觉系统的无监督学习和层次化特征提取的特性,本文将图像稀疏表示和利用概率潜在语义提取图像主题相结合,提出基于稀疏表示和概率潜在语义的图像模糊度评价算法。方法 该算法在图像稀疏表示的基础上,通过概率潜在语义方法分别提取清晰训练图像和待测图像的主题,以待测图像潜在主题与清晰图像平均潜在主题之间的相似性作为模糊度评价的依据。主要过程分为3个阶段:词典构建阶段、训练学习阶段和模糊度评价阶段。词典构建阶段的目的是通过样本学习获得图像稀疏表示的词典;训练学习阶段的目的是采用概率潜在语义的方法获得训练图像的平均主题;模糊度评价阶段的目的是通过待测图像的潜在主题与训练图像的平均潜在主题的相关系数来计算图像的模糊程度。结果 在仿真图和公共测试数据库上与典型算法的比较实验表明:本文算法在单调性、抗噪性以及视频质量专家组制定的5个评价指标上都取得了较好的效果,其中Pearson相关系数和Spearman秩相关系数分别为0.995 6和0.993 4。结论 本文根据人类视觉系统具有无监督学习和层次化特征提取的特点,以待测图像潜在主题与清晰图像平均潜在主题之间的相似性作为模糊度评价的依据,提出了一种新的基于稀疏表示和概率潜在语义的图像模糊度评价方法。实验结果表明该方法能够对图像的模糊度进行较准确的评价,并且结果与人的主观评价结果一致。     

面向图象压缩的图象分类及压缩结果预测

图象数据存在冗余使图象压缩成为可能 ,而不同图象的数据冗余度特别是空间冗余度相差很大 .对被压缩图象的空间冗余度这一图象的本质属性进行研究、减少图象压缩及方法选择时的盲目性是非常必要的 .为此提出了面向图象压缩的图象分类这一新概念以及具体分类算法 .该算法利用图象小波高频系数的分布特点 ,采用图象边缘度作为图象空间冗余度的度量 ,将不同内容的图象按边缘度大小分类 .分类的结果可对不同图象的压缩结果进行预测 .实验结果表明 ,图象分类结果和对压缩结果的预测是有意义的 ,并与人的视觉相吻合 .该分类思想对其他图象处理算法的选择和优化也有参考价值 .     

基于小波域的图像噪声估计新方法

提出一种基于小波域区域分割的估计图像噪声的新疗法。该方法利用图像的小波高频系数，在提出图像平滑区域的基础上，准确地估计图像高斯噪声的标准方差、由于考虑了图像的局部信息，因此该方法优于传统的估计方法。用于多幅实验图像的结果表明：在图像受噪声比较小或图像含高频信息较丰富时，该方法比传统疗法更准确。     

引入统计先验的人脸图像恢复

将人脸形状和纹理的统计先验作为约束，引入经典正则化图像恢复算法框架，并给出迭代求解算法；同时，定义了反映图像模糊程度的边缘活动度，并在迭代的每一步中计算图像的边缘活动度，以确定在迭代求解过程中人脸先验对解进行约束的程度．由于人脸统计先验的约束以及引入边缘活动度来指导迭代求解过程，避免了由经典恢复算法得到的结果中会出现的振铃波纹．对实验结果的分析和主观感受表明：文中算法在恢复质量和抗噪能力方面均取得令人满意的结果．     

基于方向信息测度的图像恢复

文章根据人眼对图像平滑区噪声敏感,而对边缘区不敏感这一特性,提出了基于图像信息测度的图像恢复方法。在图像恢复的过程中,在图像的平滑区加大平滑程度,从而减小噪声;而在边缘区,加大图像恢复程度,从而增强边缘,并且考虑了模糊程度随空间变化这一实际。实验证明本文的方法在增大图像边缘恢复程度,减小噪声放大之间能够达到一个很好的折衷,恢复出来的结果图像视觉效果良好。     

基于双向非线性学习的轨迹跟踪和识别

目标的运动轨迹是跟踪和识别目标行为的重要特征之一,在视觉跟踪等领域得到了广泛的应用.然而,由于轨迹数据具有高维和非线性等特点,因而直接建模目标的运动轨迹比较困难.为此,引入一种称为自编码(autoencoder)的双向深层神经网络,并结合粒子滤波提出一种轨迹跟踪识别算法.首先,自编码网络按照一定的学习规则将高维轨迹嵌人到二维平面上,通过该网络的逆向映射得到轨迹的生成模型,由轨迹生成模型可得到一系列可行性轨迹.跟踪过程中,每时刻粒子滤波器的粒子便从这些可行性轨迹中进行抽样,并利用颜色似然函数对抽取的粒子进行加权以及再抽样从而实现对目标状态的估计,最后在二维平面中利用"最小距离分类器"对跟踪轨迹进行识别.特别地,自编码网络提供了高维轨迹空间和低维嵌套结构的双向映射,有效解决了大多数非线性降维方法(例如局部线性嵌入算法(LLE)和等度规映射(ISOMAP))所不具备的逆向映射问题.跟踪和识别手写数字实验表明所提出的方法能在复杂背景下精确跟踪目标并正确识别目标轨迹.