Improved Rate Control Using Statistical Information in Unit-Layer for H.264/AVC

The purpose of this paper is to improve allocation of the number of bits by estimating the target bits in H.264/AVC rate control.In the scheme,an enhancement method of the target unit-layer bit allocation is proposed,which uses a frame and unit complexity estimation to improve the existing mean absolute difference(MAD)complexity measurement.Using the statistical characteristics,we obtain change of occurrence bit about QP to apply the bit amount by QP from the video characteristics in the estimated bit amount of the current frame.Simulation results show that not only the proposed rate control scheme could achieve time saving of more than 99% over existing rate control algorithm,but also PSNR and bit rate were almost the same as the performance in all the sequences.     

一种H.264码率控制的改进算法

码率控制作为H.264里极为重要的一个环节,在参考软件Joint Model(JM)中已给出算法.由于JM模型采用线性模型预测MAD以获得模式选择所需要的量化步长,这种算法运算量较大且MAD预测不够准确,因而造成码率控制的结果不准确.本文针对这种缺点,在原有算法的基础上提出一种新的基于预测激励和时空相关的MAD预测算法,同时还给出一种根据修正空间来调节码率的方法.仿真结果显示,采用这种改进算法的H.264编码器不仅取得更低比特率,而且有效提高了PSNR,控制的精确度也有所提高.     

航空磁探仪探潜目标磁梯度定位方法

以反潜巡逻机使用光泵式磁探仪为例,提出一种利用航空磁探仪对潜艇进行磁梯度定位的方法。在较详细地分析潜艇的磁场特性,建立磁场模型的基础上,对反潜巡逻机装备磁探仪如何利用磁梯度矢量来探测潜艇和对潜艇进行定位进行分析,建立了相应的模型,并根据航空磁探仪探潜的特点,将航空反潜中潜艇的远场磁信号等效为磁偶极子磁场。结果表明,通过对潜艇位置做的3次跟踪探测,能较准确地定位潜艇的位置。     

一种改进的JVT-H017码率控制算法

提出一种改进的JVT-H017基本单元层码率控制算法。采用时空加权模型预测平均绝对差值(MAD),根据人类视觉系统特性设计加权Y分量的峰值信噪比(PSNR),联合新的MAD和PSNR估计基本单元层的复杂度,突出Y分量相对UV分量的重要性,并依此分配目标比特。实验结果显示,相比JVT-H017算法,改进算法更接近目标码率,码率误差平均降低0.269%,峰值信噪比平均提高0.278 dB,可保证具有误码的3G无线网络中视频图像的质量。     

一种新的正交运动估计算法

本文提出了一种新的基于块匹配的运动估计算法,正交运动估计算法。算法由下列两步组成:1)自适应正交法进行粗定位2)菱形精确定位。本文采用了三种视频序列对新算法进行了测试,并把测试结果和全匹配搜索法,菱形搜索法,三步搜索法的测试结果进行了比较。实验结果表明,本算法的优点在于可以使每个宏块的搜索运算次数大为减少,同时预测的准确性接近三步搜索法和菱形搜索法。     

基于Sobel边缘算子的H.264/AVC码率控制方案

提出了一种基于Sobel边缘算子的宏块层H.264码率控制方案. 该方案利用Sobel边缘
算子,提高了平均绝对误差预测准确性和头信息比特预测准确性,继而在Sobel边缘算子计
算结果的基础上采用一种新的历史数据点选择方法,进一步提升了码〖JP9〗率-〖JP〗量化
模型的准确性. 实验表明,与传统的H.264/AVC码率控制算法相比,该方案能更精确地控
制码率并获得最大08?dB的峰值信噪比增益.     

基于H.264的码率控制算法研究与改进

码率控制作为H.264中的关键技术,在参考软件Joint Model(JM)中已给出其算法.由于JM算法采用线性模型预测MAD,运算量较大且存在一定的误差,为此提出了新的加权预测模型,同时在原算法基础上增加了宏块层码率控制策略.仿真结果显示,采用改进算法的H.264编码器在取得更低比特率的同时还有效提高了PSNR.     

Robust T2 control chart using median-based estimators

One of the most widely used multivariate control charts is the Hotelling T². In order to construct a Hotelling T² control chart, the mean vector (μ) and the variance–covariance matrix (Σ) must be first estimated. The classical estimators of μ and Σ are usually used to design Hotelling T² control chart. The classical estimators are sensitive to the presence of outliers. One way to deal with outliers is to use robust estimators. In this study, a robust T² control chart is proposed. The mean vector is obtained from the sample median. The median absolute deviation and the comedian are used as the estimates of the elements of the variance–covariance matrix. The proposed robust estimators of the mean vector and the variance–covariance matrix are compared with the sample mean vector and the sample variance–covariance matrix, and the M estimator of these parameters, through efficiency and robustness measures. The performances of the proposed robust T² control chart and the classical and the M estimators are also compared by means of average run length. Simulation results reveal that the proposed robust T² control chart has much better performance than the traditional Hotelling T² and similar performance to the M estimator in detecting shifts in process mean vector. Use of other robust estimators to estimate the process parameters is an area for further research.     

地磁背景环境中基于分形特征的磁异常信号检测算法

磁异常检测(MAD)是一种应用广泛的被动式目标检测方法,其应用包括水面舰船目标监测、水下移动目标及陆地目标的检测与识别等领域。基于地磁背景下弱磁异常信号的可靠性检测方法研究具有重要的意义,该文在研究地磁背景与磁异常信号分形特征差异的基础上,提出一种基于目标磁异常信号分形特征的单传感器检测方法,并进行实际外场试验验证。试验结果表明：该方法能准确分辨出地磁背景干扰与磁异常信号,并可以在地磁背景噪声中实现弱磁异常信号的检测。

     

一种新的基于神经网络的景象匹配算法

介绍了误差逆传播(Back Propagation)神经网络的基本理论。为解决存在角度旋转实时图像的匹配问题,以及尽可能地提高匹配实时性能,提出了一种新的基于像素环形排列的神经网络匹配算法,将实时图像与基准图像内待匹配区域的像素按环形排列,分别作为神经网络的阈值和输入,选择基准图像内与实时图像相对应的各环差值均较小的区域中心作为匹配位置。实验结果证明了验证了该算法的良好匹配性能。