排序方式: 共有148条查询结果,搜索用时 15 毫秒
1.
2.
视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求.近年来,深度神经网络在视觉和定量评估的应用研究中取得较大进展,但是其结果一般缺乏图像纹理的细节,边缘过度平滑,给人一种模糊的视觉体验.本文提出了一种基于生成对抗网络的图像清晰度提升方法.为了更好的传递图像的细节信息,采用改进的残差块和跳跃连接作为生成网络的主体架构,生成器损失函数除了对抗损失,还包括内容损失、感知损失和纹理损失.在DIV2K数据集上的实验表明,该方法在提升图像清晰度方面有较好的视觉体验和定量评估. 相似文献
3.
基于TMS320C6678的多核程序加载研究与实现 总被引:1,自引:0,他引:1
针对多核D SP系统程序加载复杂的问题,基于T MS320C6678对多核程序加载进行了研究与设计。从一级引导程序出发,设计并优化了多核程序内容存储格式。设计了简洁的二级引导程序,以修正一级引导程序只识别主核程序入口地址,而从核入口地址缺失的现象。为了快速生成特定格式的多核程序内容,设计了多个工具用于添加S PI启动参数表、DDR3启动表、从核程序入口地址以及完成程序内容格式的转换。实现了S PI Flash多核程序加载以及基于I2C主模式的Nand Flash多核程序加载。 相似文献
4.
5.
目的 由于岩心CT图像分辨率不高,目标边界较为模糊,无法完全自动化地对岩心CT图像的目标分割和提取。为保证效果,在分割过程中往往需要进行人为干预。但作为3维重建的岩心CT图像,图像数据规模较大,达到成百上千帧。如果对每一帧都进行人为干预,工作量将会很大。针对这种情况提出一种在保证分割效果的前提下只需进行少量人为干预的高效实用的分割方法。方法 先对CT图像中的某一帧设定分割阈值,利用CT图像层间相关性对相邻帧自动计算合适的分割阈值,从而分割出整个CT图中的目标。并根据需要,选定其中分割效果较好的一帧,其他帧根据此帧进行自动区域生长修复,从而更加完善分割效果。还可以手工修复其中一帧中的目标,其余帧的所有相关目标将会自动进行识别和修复。结果 通过对多组不同数据规模和分辨率的岩心CT图像进行实验测试,使用本文方法均可达到期望的分割效果,并且分割速度较大津分割法提高近1倍,与固定阈值分割方法速度相当。结论 岩心CT图像分割方法充分利用图像层间相关性,可快速有效地批量提取具有连续性的序列图像中的目标。 相似文献
6.
针对传统相位一致算法提取裂缝连续性差的缺点,提出改进的相位一致算法.首先对岩心图像进行预提取,增大目标和背景区域的对比度,并标记疑似目标像素点;然后,利用双圆投影断点检测算子判定并重建岩心图像裂缝中的断点;最后利用相位一致算法延伸裂缝走向的特性,再次对岩心图像中的裂缝目标进行提取,并进行图像去噪处理.实验结果表明,改进后的相位一致算法,能够保留提取效果不受光照亮度影响、对目标区域敏感度高的传统相位一致算法的优点,并且有效改善所提取裂缝的连续性. 相似文献
7.
针对分布式信源编码(Distributed Source Coding, DSC)中极化码码长受限带来的资源消耗大等问题,设计了一种基于任意码长极化码的DSC方案以减少码长冗余所带来的资源浪费。对待传输的信源序列选择合适的码长,将该码长分解为多个子码,信源分散放置于各子码之中进行系统极化码编码,在信道中只传输校验位,译码端利用信源相关性译码。在此基础上,利用打孔技术进行压缩。仿真实验结果表明,提出的DSC方案具有灵活构造任意码长极化码这一优势的同时,压缩性能更优于标准极化码以及多核方式构造的任意码长极化码。 相似文献
8.
分布式视频编码器中Turbo码纠错所需要的校验位数量直接决定整个编码器的率失真(RD,Rate-Distortion)性能.分析了传统算法的次优化问题,提出一种新的基于比特概率优化的信道似然值计算算法,该算法首先将原始像素进行比特面分解,然后分别对每个比特面进行独立Turbo码编码及联合解码.解码端在已知已解码比特面的条件下,计算当前解码比特面更准确的信道似然值作为Turbo码的解码输入,减少解码所需要传输的校验位数量,提高编码器RD性能.实验结果表明所提算法能明显提升编码系统的RD性能. 相似文献
9.
本文设计了一种基于现场可编程逻辑器件FPGA计的多显示模式VGA接口。通过设计一种全新的分频算法,使该接口能支持从VGA到SVGA多达13种显示模式,在实际利用FPGA的嵌入式系统中能替代VGA专用显示芯片,节省了计算机处理过程,加快了数据处理速度,节约了硬件成本。 相似文献
10.
在实际应用场景下,通过图像识别的方式来识别小麦的病虫害具有极大的挑战性。与以往纯粹基于卷积神经网络(Convolutional Neural Network, CNN)的方法相比,将小麦图像转换成一系列视觉语言,并从全局视角进行小麦识别的方法是更可行和实用的。运用Convolutional Visual Transformers(CVT)来解决小麦识别分为2个环节。首先,利用2分支CNN生成的2种特征图来实现注意选择性融合(Attentional Selective Fusion, ASF)。ASF通过融合多个特征和全局-局部注意力来获取有区别的信息,并投射成一系列的视觉语言。其次,受Transformers在自然语言处理方面的成功启发,用全局自注意力来建模这些视觉语言之间的关系。将CVT与经典分类网络LeNet-5、ResNet-18、VGG-16、EfficientNet对比,识别率有所提升,同时该方法具有良好的泛化能力。 相似文献