一种基于灰度评价的图像分块压缩算法

针对分形图像压缩算法中匹配定义域块搜索存在的速度慢,只是局部最优的缺点,提出了一种基于灰度评价的图像分块压缩算法,即用灰度评价的方法来区分图像,同时,对映射集增加对比度和亮度的约束,从而大大提高了图像的可分性,压缩比和压缩速度,最后,用随机迭代的方法完成图像的解码,保真效果良好。优化了分形图像压缩编码方法。     

基于小波变换的掌纹特征提取

掌纹中不同区域的纹线方向和空间频率代表着掌纹图像内在的特征。为了提取该特征,提出了一种基于原始灰度图像的小波变换的新算法。由于该算法直接对原始的灰度图像进行处理,而无需对图像进行预处理(例如图像增强、滤波、区域分割、二值化、纹线细化等),因此它与传统的细节特征识别方法相比大大减小了计算消耗。对一个小的掌纹图像数据库,使用K近邻(K-NN)的分类器对算法进行了实验,得到了很高的分类正确率,验证了算法的有效性。     

一种基于局部灰度匹配的无人机图像拼接算法

结合无人机图像的特点,开发了一种基于局部灰度匹配的图像拼接算法.根据无人机的飞行数据,对无人机图像进行预处理,缩小了特征点的搜索范围.然后利用图像的局部灰度算法,对提取的角特征点进行快速匹配.最后在运行速度以及特征点的匹配准确率等方面对算法进行了评价.试验结果表明,该算法较大幅度地提高了程序的运行速度,能够达到无人机图像处理的实时性的要求.该算法对无人机图像的工业化处理有帮助.     

自然语义特征的模糊聚类分析

根据自然语言语义特征提取、匹配的实时性和准确性要求,提出模糊聚类、单亲遗传搜索匹配算法相结合的新方法,通过对候选特征点进行模糊聚类处理,使其分布在高斯差分图像的灰度轮廓线边缘,利用单亲遗传算法找到满足约束条件全局最优语义特征,并把所有语义特征进行分类,给出分类依据.试验证明,此语义特征匹配算法在未知语境环境、语义特征频繁变化的环境具有很强的鲁棒性,能够在自然语言处理过程中实时准确识别段落中的语义特征.     

一种快速分形图像编码方法

提出了一种快速分形图像编码方法．该方法利用原图像的均值图像设计编码码书，利用高阶统计量对域块进行分类，可以有效地减少域池中域块之间的相关性．同时，使用遗传算法搜索值块的匹配域块，可以减少分形图像编码时值块与域块的匹配搜索时间，加快图像分形编码的速度．基于这种方法的分形图像编码，在图像解码时不需要迭代，可以提高图像的解码速度，不需要对编码时的伸缩系数加以限制．仿真结果表明，这种快速分形编码方法可以减小图像编码时间，较大提高了分形编码的速度．在相同压缩比的情况下，解码图像的质量也比传统方法要高．     

基于小波分解的分形图像压缩算法研究

在分析基本分形压缩编码算法优缺点的基础上,提出了基于小波分解的分形图像压缩算法.该算法对图像经过三级小波变化后,对二级子图像和三级子图像采用无搜索式分形编码,即值域块的分形码由相应固定位置的定义域块进行匹配搜索编码,小波系数的符号单独编码.解码时,利用不同小波尺度之间的相关性,由二级子图像的分形码估计出一级子图像的分形码;再由各尺度上的分形码重构各尺度的小波系数;添加小波系数的符号后进行小波反变换即得解码图像.仿真实验结果表明,提出的新算法在解码图像质量略有损失的情况下,图像编码时间和提高压缩比方面均有良好的效果.     

数据压缩字典与快速图像分形映射压缩算法

针对分形编码压缩时间太长、以至于该算法很难达到实用的缺点,提出了对图像进行分级预处理,即根据被压缩图像的实际情况建立一个数据压缩字典,使得被压缩图像的匹配块仅在数据压缩字典指定的块中进行,从而大大减少图像压缩过程中的搜索范围和压缩时间·此外,给出了建立数据压缩字典的理论基础,并根据此思想给出了一个新的实现分形编码算法·实验表明,在提高压缩比的同时,运算时间也大大缩短     

基于区域二次划分的分形图像编码方法

提出一种基于区域二次划分的新算法．根据改进的分割一合并策略将原始的灰度图像分成若干均匀块,不满足分割条件的非均匀块单独处理并被标记为特征块,对一般的规则块按照四叉树算法进行处理,对不规则块则按新规则处理．对标准图像的实验结果表明,与全搜索的分形图像编码算法相比,平均编码时间缩短了,并且所提出的方案比基于四又树的分形图像编码方案可以获得更好的恢复图像质量和更高的压缩比．     

非线性结构动力响应中的灵敏度分析

基于δ－网分形指纹特征，提出了一种自然景物图像的匹配方法．实验结果表明δ－网分形指纹特征是一种自然景物图像的稳定分形特征，采用δ－网分形指纹特征对自然景物图象进行的匹配，能获得比传统的基于灰度和边缘的特征匹配方法以及多尺度分形指纹匹配方法更好的匹配结果．     

基于模糊聚类的自然语言语义特征

针对复杂语境下自然语言语义特征提取、匹配精度和实时性较差的问题,提出了模糊聚类、单亲遗传搜索匹配算法相结合的新方法,通过对候选特征点进行模糊聚类处理,使其分布在高斯差分图像的灰度轮廓线边缘,利用单亲遗传算法找到满足约束条件全局最优语义特征,把所有语义特征进行分类,并给出分类依据.研究结果表明:此语义特征匹配算法在未知语境环境、语义特征频繁变化的环境具有很强的鲁棒性,能够在自然语言处理过程中实时准确识别段落中的语义特征.     

基于不规则区域分割的快速分形压缩算法

首先基于序列块和主块之间最小象差的方差信息,提出了一方差排序搜索算法,该算法可产生与满搜索一致的分形编码.该算法能较大程度上减少对每个序列块进行搜索和匹配主块数与相应编码时间.并通过采用不规则区域变换,提出了一种不规则区域的图像分割算法,实际结果表明比传统的基于块的分割有更大的压缩比,并能减少编码时间.图4,表2,参10.     

一种改进的指纹图像分割算法

针对经典的基于灰度方差的指纹图像分割算法对强噪声区域分割不准确的问题,深入分析了灰度均值计算方法和噪声对方差的影响,结合有效指纹图像区域灰度分布的基本特征,提出了灰度均值求取和灰度方差求取的改进算法。实验结果表明,相比于经典的灰度方差求取算法,改进算法求取的均值和方差更能够代表指纹图像的特征,分割结果更为准确、可靠,对强噪声的抵抗能力更强。     

一种非线性的分形图像压缩编码算法

针对经典的分形压缩编码字典相对较小这一不足之处,提出一个简单的非线性分形压缩算法,简化了Popeseu等提出的算法,用于解决压缩字典较小的问题·此外,还根据这个算法给出计算整数象素点灰度值的计算公式,可以快速地计算出整数点的灰度值·实验结果表明,这一新型的分形圆盘压缩算法简单可行,并具有良好的压缩结果和高质量的重建图像·和常规分形编码方法相比,该方法还具有较高的PSNR·     

基于遗传算法的分形图像压缩方法

基于分形和分块迭代函数系统的特点,提出了一种改进的用于求解具有全局最优的自相似分块匹配的遗传索算法,算法中应用于带分类的编码法、杂交位置概率和自适应的适应度函数。     

基于改进麻雀搜索算法的森林火灾图像多阈值分割

为了减少森林火灾对人们的生活和生态环境带来巨大的损失和破坏,采用图像处理技术对森林火灾进行精准定位和预判,可以有效地降低火灾的扩大和蔓延。针对火灾图像大津法分割算法计算量大、运行时间长和阈值选取不够准确导致分割精度不高等缺点,提出精英反向学习-莱维飞行策略的麻雀搜索算法,并将其有效地应用到指数熵多阈值图像的分割中进行寻优,通过研究最佳阈值对森林火灾图像进行合理的分割,并与其他三种指数熵多阈值图像分割算法进行了对比分析。结果表明:改进麻雀搜索算法的森林火灾图像多阈值分割技术能够及时获得火灾图像分割的最佳阈值,其分割的准确性、实时性和抗噪性均明显优于现有的灰狼算法、粒子群算法和鲸鱼算法,能够为图像处理的工程应用提供一种较好的阈值分割技术。     

基于MPI的分形图像压缩并行算法

利用MPI提供的库函数,提出了基于MPI的分形图像压缩并行化算法,将图像的定义域块和值域块的搜索匹配过程分配给多台处理器同时执行.实验结果表明,利用MPI来进行分形图像压缩,可以缩短压缩时间,在不改变压缩比的情况下,得到较好的加速比.     

基于分形维数的图像纹理分析

利用分数维能够把图像的空间信息和灰度信息有机结合起来的特性,提出了一种基于分形维数的图像纹理分析方法.为了更准确地描述纹理表面的粗糙度,该方法首先将纹理图像进行6种灰度变换并计算其相应的分形维数,同时采用H lder指数作为描述图像纹理的奇异性特征,然后利用提取的纹理特征对图像进行纹理分割.实验结果表明:采用该方法所分割的图像能很好地体现图像的纹理分布.     

Fast Fractal Image Encoding Using an Improved Search Scheme

As fractal image encoding algorithms can yield high-resolution reconstructed images at very high compression ratio, and therefore, have a great potential for improving the efficiency of image storage and image transmission. However, the baseline fractal encoding algorithm requires a great deal of time to complete the best matching search between the range and domain blocks, which greatly limits practical applications of the algorithm. In order to solve this problem, a necessary condition of the best matching search based on an image feature is proposed in this paper. The proposed method can reduce the search space significantly and excludes the most inappropriate domain blocks for each range block before carrying out the best matching search. Experimental results show that the proposed algorithm can produce good quality reconstructed images and requires much less time than the baseline encoding algorithm. Specifically, the new algorithm can speed up encoding by about 85 times with a loss of just 3 dB in the peak signal to noise ratio (PSNR), and yields compression ratios close to 34.