子塊
- 基于八叉樹的地震數(shù)據(jù)分布式存儲與計算
能充分利用分布式子塊形式存儲的地震數(shù)據(jù)。不同編程模型的取舍及實現(xiàn)的復(fù)雜度主要體現(xiàn)在—合適的并行粒度需要根據(jù)計算量、通信量、計算速度、通信速度進行綜合平衡，同時設(shè)法加大計算時間相對于通信時間的比重，減少通信次數(shù)、甚至以計算換通信等。不管選用何種并行編程模型，均會涉及到任務(wù)劃分、通信分析、任務(wù)組合及處理器映射等關(guān)鍵環(huán)節(jié)。本文在參考谷歌文件系統(tǒng)基礎(chǔ)上，利用三維空間下八叉樹結(jié)構(gòu)與編碼的快速空間定位機制，實現(xiàn)對三維大數(shù)據(jù)體的結(jié)構(gòu)分塊存儲，同時設(shè)計了基于地震道的一級緩
智能計算機與應(yīng)用 2022年10期2022-11-05
- WHT聯(lián)合次優(yōu)分層迭代PTS算法抑制OFDM信號峰均比
，必須窮舉出所有子塊與相位因子的排列組合，這讓PTS算法的計算量隨著相位因子和子塊數(shù)量的增加呈指數(shù)級增長。文獻[9]提出了迭代PTS方法（IPTS），該方法不需要窮舉所有的排列組合，只需要較少的迭代搜索就能找到一組優(yōu)化系數(shù)，算法描述如下：1）令相位因子個數(shù)為，即b(=1,2,…,)；子塊數(shù)為個，即x(=1,2,…,)；2）改變第一個子塊，即所有加權(quán)系數(shù)，得到'=b(=1,2,…,)，分別計算所有'的PAPR值，找出最小的PAPR值所對應(yīng)的相位因子，并固定該
現(xiàn)代電子技術(shù) 2022年21期2022-11-03
- 基于JS散度和潛在特征提取的多塊PCA故障監(jiān)測
分的不同方向構(gòu)造子塊，將原始特征空間劃分為多個子塊空間并分別進行監(jiān)測；K. Ghosh[4]等提出一種基于故障信息的多塊監(jiān)測方法，該方法利用優(yōu)化算法選擇與故障最相關(guān)的變量子塊，然后分別在子塊中建立PCA監(jiān)測模型，最后通過貝葉斯推斷融合所有子塊的監(jiān)測結(jié)果。上述的多塊監(jiān)測方法雖然通過多塊建模策略克服了單一模型易忽略局部信息的缺點，但是這些方法并沒有深入挖掘數(shù)據(jù)中潛在的特征信息。傳統(tǒng)的多塊PCA故障監(jiān)測方法能夠很好地監(jiān)測到幅值變化較為明顯的故障，但是當(dāng)故障呈現(xiàn)為
儀表技術(shù)與傳感器 2022年5期2022-07-02
- 自適應(yīng)分塊優(yōu)化的目標(biāo)跟蹤算法
移[12]。圖像子塊具有較好的特征不變性，對遮擋及光照變化等具有較好的抗干擾性能[13]。基于此，Bency等[14]將自適應(yīng)KCF與子塊分割相結(jié)合，通過子塊KCF和預(yù)測加權(quán)進行目標(biāo)跟蹤；夏斯維等[15]結(jié)合光流法與分塊思想，在失效判別基礎(chǔ)上，通過塊內(nèi)濾波訓(xùn)練和塊間加權(quán)融合提高跟蹤精度。已有基于圖像分塊的跟蹤算法以固定的矩形分塊為主，不利于目標(biāo)特征的多樣性檢測，而且容易引入背景干擾。在已有研究基礎(chǔ)上，提出基于自適應(yīng)分塊和子塊異步更新的目標(biāo)跟蹤算法，算法首先
計算機工程與設(shè)計 2022年6期2022-06-23
- 尺度自適應(yīng)的分塊核相關(guān)濾波目標(biāo)跟蹤算法
使用KCF方法對子塊進行獨立跟蹤的基礎(chǔ)上，通過粒子濾波算法和貝葉斯推理框架來確定目標(biāo)位置。但上述方法著重于通過分塊算法提高算法應(yīng)對目標(biāo)遮擋的性能，忽略了目標(biāo)子塊間相對位置變化所隱藏的尺度信息。由此本文在KCF算法的基礎(chǔ)上，提出了一種尺度自適應(yīng)的分塊跟蹤算法。為減弱遮擋部分的影響，由局部濾波器提供目標(biāo)位置的粗略估計，然后由全局濾波器用作初始估計以確定目標(biāo)的準(zhǔn)確位置；同時利用各子塊間相對位置的變化來計算目標(biāo)尺度。1 核相關(guān)濾波算法KCF簡介核相關(guān)濾波算法KCF
太原科技大學(xué)學(xué)報 2022年1期2022-02-24
- 尋找矩陣最大線性無關(guān)子塊的兩種算法研究
A的最大線性無關(guān)子塊。引理2[3]r維向量組的每一個向量添加n-r個分量成為n維向量。如果r維向量組線性無關(guān)，那么，n維向量組也線性無關(guān)。反言之，如果n維向量組線性相關(guān)，那么，r維向量組也線性相關(guān)。2 尋找矩陣中最大線性無關(guān)子塊的兩種算法由引理2可知對于n維向量組，判斷線性相關(guān)性，只需判斷n維向量組中的每一個向量去掉n-r個分量后所形成的r維向量組的線性相關(guān)性即可。因為r+1個r維向量組一定線性相關(guān)，故在實際應(yīng)用中需考慮向量組中向量的個數(shù)。(1)其中(2)
河北北方學(xué)院學(xué)報（自然科學(xué)版） 2022年1期2022-02-15
- 基于多進程并行加速的太陽高分辨圖像重建方法*
28 pixel子塊的相位。文[5]從1 m新真空太陽望遠(yuǎn)鏡(New Vacuum Solar Telescope, NVST)的TiO通道選取一組子塊圖像(100 × 256 × 256 pixel)，采用OpenMP方法實現(xiàn)了一組子塊圖像的并行化，重建單幀256 × 256 pixel的子塊圖像，運行時間減少至2.7 s，獲得2.5倍加速。文[6]采用圖形處理器的統(tǒng)一計算設(shè)備架構(gòu)(Compute Unified Device Architecture,
天文研究與技術(shù) 2021年4期2021-10-26
- 基于互信息的多塊k 近鄰故障監(jiān)測及診斷
投影方法，為每個子塊以及整個過程建立監(jiān)測模型。文獻[14]采用Jarque-Bera(J-B)檢測方法并利用變量間的Hellinger 距離獲得高斯和非高斯子塊，然后分別采用不同的方法進行建模，并對每個子塊的統(tǒng)計量進行加權(quán)得到總的聯(lián)合指標(biāo)實現(xiàn)在線監(jiān)控；文獻[15]將整個過程劃分成多個子塊單元，然后在每個子塊單元內(nèi)分別進行相對變換獨立主元分析處理，實現(xiàn)故障排查和識別；Ge 等[16]提出分布式PCA的全流程過程監(jiān)控方法，利用過程變量在主元方向上的貢獻度劃分子
智能系統(tǒng)學(xué)報 2021年4期2021-09-11
- 基于復(fù)雜度差異的VVC中360度視頻CU劃分快速決策
算子分別計算4個子塊的紋理復(fù)雜度，并記錄母塊CU在原本算法中選擇的劃分方式。4種典型CU的劃分方式及其子塊復(fù)雜度如表3所示。表3 4種典型CU的劃分方式及其子塊復(fù)雜度從表3中可以看出，①號CU的子塊4復(fù)雜度非常高，與位于第2高的子塊1之比大于4，在這種對比下，子塊1～3的復(fù)雜度視為在同一數(shù)量級；同理，②號CU的子塊1復(fù)雜度很低，位于第2低的子塊3與其之比約等于3，在這種對比下，子塊2～4的復(fù)雜度視為在同一數(shù)量級。在這2種情況下，母塊CU均選擇了四叉樹劃分。
- 層次變分高斯混合模型與主多項式分析的故障檢測策略
程數(shù)據(jù)分解為多個子塊；然后，利用具有多個局部模型的VBGMM 將各子塊再次分解為附屬子塊，并將附屬子塊的信息作為模型參數(shù)對VBGMM 進行重構(gòu)；接下來，將重構(gòu)的VBGMM 作為初始模型重新分解原始過程數(shù)據(jù)，重復(fù)上述步驟直到每個子塊均無法分解時停止；最后，在每個子塊內(nèi)建立局部PPA 模型將各子塊數(shù)據(jù)分解為主多項式空間與殘差空間，并分別在其各自的子空間中計算T2和SPE 統(tǒng)計量進行故障檢測。通過數(shù)值例子與Tennessee Eastman(TE)過程的仿真驗證
化工學(xué)報 2021年3期2021-04-09
- 基于特征值算法的圖像Copy-Move篡改的被動取證方案
2.3 重疊劃分子塊經(jīng)過Copy-Move 篡改的圖像，存在兩個相同或相似的區(qū)域，其對應(yīng)位置的像素值是相同的。為了檢測出相同或相似區(qū)域，可以進行像素值比較，結(jié)果相同則認(rèn)定為篡改區(qū)域。然而這是不科學(xué)的，因為同一幅圖像中存在大量相同的像素點，比如在500×500 的圖像中，像素點的個數(shù)為250000，而像素值的范圍僅為0～255。所以，自然圖像中本身就存在大量相同像素值的點。因此，通過像素值不能確定篡改區(qū)域。本文采用重疊劃分子塊的方法。先固定子塊尺寸并使子塊尺
現(xiàn)代計算機 2021年36期2021-03-14
- 一種分層信息提取的多塊主元分析故障監(jiān)測方法
投影方法,為每個子塊以及整個過程建立監(jiān)控圖表。Westerhuis等[13]從算法角度比較了傳統(tǒng)PCA和PLS方法,先根據(jù)已有知識對變量進行分塊,再用其分別對子塊建模,最后將結(jié)果融合。這些分塊方法要求熟悉工業(yè)過程并具備一定的先驗知識,當(dāng)先驗知識相對匱乏時,模型建立變得十分困難。因此基于數(shù)據(jù)的變量分塊方法成為了研究熱點。一種基于故障的變量選擇和基于貝葉斯推斷的分布式方法由Jiang等[14]提出,首先使用優(yōu)化算法為每個故障識別最佳變量子集,其次對每個子塊進行
南京理工大學(xué)學(xué)報 2020年4期2020-09-21
- 矩陣最大線性無關(guān)子塊提取研究
一個最大線性無關(guān)子塊，P、Q為相應(yīng)的置換矩陣，R是任意一個r階的非奇異矩陣.可知，得到M+的關(guān)鍵在于提取矩陣A的一個最大線性無關(guān)子塊A11，本文將給出提取A11及相應(yīng)的置換矩陣P、Q的算法.1 相關(guān)定義及引理定義1 若矩陣A的秩為r，則A必有一個非奇異的子矩陣A11∈Rr×r，稱A11為矩陣A的最大線性無關(guān)子塊.2 提取A11及相應(yīng)置換矩陣P,Q的算法則故是齊次線性方程組Λix=0的一個解.其中算法1：(1)size(A)=[m,n]，置初始量：m階單位矩
玉溪師范學(xué)院學(xué)報 2020年6期2020-03-12
- 超聲乳腺腫瘤圖像中種子點的自動定位研究
幅圖像等分為四個子塊，并逐塊檢查子塊的灰度；如果某子塊內(nèi)所有的灰度值小于指定閾值，則這個子塊就不再繼續(xù)等分，否則，該子塊繼續(xù)分解為四個子塊，直到每個子塊的灰度值均小于指定閾值。在我們運用四叉樹方法對乳腺超聲圖像進行分解之前，先將圖像尺寸統(tǒng)一放縮為 5 12×512 ，閾值不同，圖像的分解程度不同，圖像將會被分解成 2 56×256 、128×128、 6 4×64 、 3 2×32 、 1 6×16 、 8 ×8 、 4 ×4 、2×2、 1 ×1 不同規(guī)
光學(xué)儀器 2019年6期2020-01-18
- 基于兩層分塊GMM-PRS 的流程工業(yè)過程運行狀態(tài)評價
理特性劃分層次和子塊,這種措施已廣泛應(yīng)用于安全性能評價中[23?24].Macgregor 等[25]和Jiang 等[26]分別提出了分塊的多元統(tǒng)計方法和分塊的概率論方法,來處理流程工業(yè)過程性能評價問題.相比于分塊方法,分層的性能評價方法更注重子塊之間的相關(guān)性[27].在分層或分塊性能評價思想的基礎(chǔ)上,研究者在質(zhì)量預(yù)測[28]、自適應(yīng)[29]等方向進行了進一步探索.但目前對流程工業(yè)過程優(yōu)性評價的研究還較少.傳統(tǒng)的分層分塊性能評價方法難以直接應(yīng)用于實際流程
自動化學(xué)報 2019年11期2019-12-12
- 基于X-DSP 的GEMM 算法實現(xiàn)?
l*KSM的較小子塊。矩陣B 的子塊也被分為KSM*Nkernel。通過駐留在L2中的A 子塊與L1 中的B 子塊相乘得到Mkernel*Nkernel的小塊矩陣C。通常情況下，為了減少L1 Cache 的沖突，B 矩陣分塊KSM*Nkernel容量應(yīng)該小于L1 Cache容量的一半。Mkernel與Nkernel的選擇取決于內(nèi)核中可用的寄存器數(shù)量。Goto BLAS 針對以往處理器研究的大量文獻［18～21］的實驗結(jié)果都表明Mkernel*Nkernel
計算機與數(shù)字工程 2019年11期2019-11-29
- 基于改進CLAHE的水下彩色圖像增強算法*
E的基礎(chǔ)上對每個子塊的直方圖進行限幅，可以較好地抑制噪聲放大，算法具體步驟如下。1）將原圖像分成n*n個大小相等且互不疊加的子塊。2）計算每個子塊的直方圖。3）計算裁剪幅值T。式中，nx和ny為每個子塊在x和y方向上的像素個數(shù)，K為灰度級數(shù)，c為裁剪系數(shù)。4）裁剪直方圖，并對像素點進行分配。根據(jù)裁剪幅值T對子塊直方圖h(x)進行裁剪，如圖1（a）所示；然后將裁剪掉的像素數(shù)平均分配到每個灰度級上，如圖1（b）所示。設(shè)超出裁剪幅值T的像素總數(shù)為S，每個灰度級平
艦船電子工程 2019年11期2019-11-28
- 基于塊劃分的空時域自適應(yīng)差錯掩蓋算法
，將前一幀中所有子塊的運動向量進行外推，選擇候選子塊中與受損子塊重疊區(qū)域最大的子塊的運動向量作為丟失子塊的運動向量，然后通過運動補償?shù)玫絹G失宏塊的最佳替代塊。Zhou等人在文獻[5]的基礎(chǔ)上，利用丟失宏塊周圍正確接收宏塊的運動向量，提出了一種更加精細(xì)的運動向量外推算法[6]，提高了MVE的掩蓋質(zhì)量。Lin等人在上述基礎(chǔ)上，利用丟失宏塊周圍正確接收宏塊的殘差對運動向量進行加權(quán)，提出了基于殘差的運動向量外推算法（residual-based motion ve
計算機與生活 2019年1期2019-01-17
- 基于波浪式矩陣置換的稀疏度均衡分塊壓縮感知算法
在采樣階段，每個子塊的采樣率依據(jù)顯著信息自適應(yīng)地變化；在重建階段，根據(jù)不同圖像顯著信息的差異，自適應(yīng)地濾波。圖像分塊后各子塊的稀疏度是不一樣的，稀疏度小的子塊重構(gòu)效果差，稀疏度大的子塊重構(gòu)質(zhì)量好，不同重構(gòu)效果的子塊合成一幅圖像時便會出現(xiàn)塊效應(yīng)。而上述研究都是從自適應(yīng)采樣的角度出發(fā)，通過為不同稀疏度的子塊分配不同的采樣率來消除塊效應(yīng)[13]。Zhang等[14]為減小采樣率分配不精確帶來的誤差，同時消除自適應(yīng)采樣中存儲多個測量矩陣的缺陷，對圖像塊本身做處理，
計算機應(yīng)用 2018年12期2019-01-07
- 一種紅外點目標(biāo)圖像高保真壓縮方法
疑似目標(biāo)點所在的子塊進行無損壓縮，對不包含疑似目標(biāo)點的子塊進行近無損壓縮，從而在不損失目標(biāo)信息的前提下，提高壓縮比，降低下傳數(shù)據(jù)率，減輕數(shù)據(jù)傳輸壓力[8-9]。1 目標(biāo)-背景分類壓縮方法1.1 問題的提出壓縮比是圖像壓縮性能最重要的衡量指標(biāo)，其值越大越好。對于紅外點目標(biāo)圖像，無損壓縮方法壓縮比不高，而有損壓縮方法易損失甚至丟失目標(biāo)信息。JPEG-2000圖像壓縮標(biāo)準(zhǔn)是常用壓縮方法，具有無損、有損2種壓縮模式，有損模式具有“高壓縮比、低比特速率”優(yōu)勢[10-
上海航天 2018年5期2018-11-03
- 基于改進的多塊核主元分析的 風(fēng)電機組故障診斷方法
據(jù)分塊份數(shù)及每個子塊的實際意義，可提高各子塊分析結(jié)果的解釋能力；采用因子分析方法，通過對機組各運行狀態(tài)下數(shù)據(jù)特征貢獻率的計算，確定正常情況下的典型數(shù)據(jù)并作為最終診斷模型的樣本，提高MBKPCA方法的準(zhǔn)確性。1 MBKPCA方法及改進1.1 KPCA與MBKPCA方法核主元分析法(KPCA)[11]是在傳統(tǒng)主元分析法(PCA)基礎(chǔ)上引入核函數(shù)概念的方法，通過非線性函數(shù)將輸入的低維數(shù)據(jù)映射到高維空間中進行處理，用核函數(shù)運算代替非線性變換后進行特征空間內(nèi)積運算，
動力工程學(xué)報 2018年10期2018-10-26
- 光學(xué)顯微鏡自動聚焦算法研究
提出一種根據(jù)圖像子塊梯度幅值總和變化量的聚焦窗口選擇方法。而在選取聚焦評價函數(shù)方面，針對傳統(tǒng)的聚焦函數(shù)受噪聲影響而引起曲線失去理想特性的問題，提出一種基于梯度和方差的改進算法。1 聚焦窗口聚焦窗口的選取直接影響著后續(xù)聚焦算法的計算量、復(fù)雜度和準(zhǔn)確度[5]。傳統(tǒng)的聚焦窗口選擇方法有中央選擇法[6-7]、倒T型選擇法[8]和黃金多點選擇法[9]等。這些方法一般先假設(shè)被測目標(biāo)的位置是固定的，或其分布有一定的規(guī)律性，一旦被測目標(biāo)偏離或是遇到稀疏內(nèi)容圖像時，傳統(tǒng)的方
中國測試 2018年6期2018-07-05
- 基于峰值優(yōu)化的改進PTS算法
為M個互不相交的子塊序列Xm=[Xm,0,Xm,1,…,Xm,LN-1],1≤m≤M。表達式為(4)(5)(6)(7)圖1 PTS的基本原理Fig.1 Basic principle of the PTS3 基于峰值優(yōu)化的PTS算法基于峰值優(yōu)化的PTS算法是通過某種度量方法從LN個采樣位置中找出易出現(xiàn)較大峰值的Nγ個采樣位置,對Nγ個采樣位置的采樣點數(shù)據(jù)集中優(yōu)化而不是對LN個采樣位置的采樣點數(shù)據(jù)優(yōu)化,減少了優(yōu)化的采樣點數(shù),從而降低了計算復(fù)雜度。規(guī)定度量值V
系統(tǒng)工程與電子技術(shù) 2018年7期2018-06-28
- 基于短時傅里葉變換的紡織材料纖維取向度測量方法
圖像加窗后的各個子塊建立獨立的坐標(biāo)系，可將上式簡化為：2 基于STFT測量纖維取向度纖維圖屬于非平穩(wěn)信號，不滿足整體傅里葉變換的要求，因此本文采用短時傅里葉變換對纖維圖像進行頻譜分析.本文提出的基于短時傅里葉變換的紡織材料纖維取向度測量方法整體流程如圖1所示.圖1 測量方法的整體流程Fig.1 Overall flow chart of measurement method主要步驟為：（1）把纖維圖像分成大小為M×M且相互重疊量為 N 的子塊 S（x，y）
天津工業(yè)大學(xué)學(xué)報 2018年1期2018-03-05
- 多主體框架下基于FCM的彩色遙感圖像分割
像域劃分成若干個子塊，每個分割主體控制一個子塊；然后每個分割主體分別執(zhí)行初始分割，并與全局分割模型協(xié)調(diào)子塊類別數(shù)與標(biāo)號統(tǒng)一；再利用分割主體鄰域協(xié)調(diào)解決遙感圖像局部非均勻性對圖像分割的影響，以確定局部聚類中心，從而實現(xiàn)全局最優(yōu)分割。1 MAS分割模型1.1 FCM算法(1)式中，a為模糊因子；dik為像素i到聚類中心vk的歐氏距離；V={vkk=1,2，…,K}為聚類中心矢量。引入拉普拉斯算子作為式(1)的求極值約束條件，得到模糊隸屬度函數(shù)為(2)則聚類中心
測繪通報 2018年1期2018-02-28
- 不可壓縮繞流的并行格子Boltzmann模擬
動區(qū)域內(nèi)劃分若干子塊以及與周圍子塊之間的重疊邊界, 每個子塊的計算是并行的[13], 利用MPI(message passing interface)并行平臺實現(xiàn)全場的并行計算, 進而達到增加計算網(wǎng)格數(shù)量的目的.1 格子Boltzmann 模型在標(biāo)準(zhǔn)的二維網(wǎng)格空間中, 定義fα(x,t)為位置x、 在時刻t沿方向α的粒子分布函數(shù). 流場中的密度和動量定義為(5)平衡態(tài)分布函數(shù)為(6)(7)其中τ為松弛因子.引入Knudsen數(shù)ε, 其定義為平均自由程l與特
吉林大學(xué)學(xué)報（理學(xué)版） 2018年1期2018-01-26
- 基于圖剖分的多塊結(jié)構(gòu)網(wǎng)格負(fù)載平衡方法
算法，采用改進的子塊分裂方法與圖剖分算法的循環(huán)調(diào)用實現(xiàn)結(jié)構(gòu)對接網(wǎng)格剖分，并通過建立不同物體重疊網(wǎng)格間的連接關(guān)系，實現(xiàn)了結(jié)構(gòu)重疊網(wǎng)格的負(fù)載平衡。采用2個典型算例對方法進行了對比驗證，數(shù)值結(jié)果表明，子塊分裂方法對剖分結(jié)果具有重要影響，采用循環(huán)調(diào)用算法及改進的子塊分裂方法能有效地實現(xiàn)計算負(fù)載均衡及通信量優(yōu)化，同時顯著減少了網(wǎng)格塊數(shù)及因虛網(wǎng)格導(dǎo)致的內(nèi)存需求，有利于提高并行效率。該負(fù)載平衡方法與網(wǎng)格拓?fù)錈o關(guān)，適用于多塊結(jié)構(gòu)對接網(wǎng)格及重疊網(wǎng)格，且整體型剖分方式對于多塊
航空學(xué)報 2017年5期2017-11-20
- 一類廣義Feistel結(jié)構(gòu)的安全性分析
,論文給出一個4子塊的GFSRP-SP結(jié)構(gòu)的實例,并通過建立搜索算法,得到了更精確的活動S盒個數(shù)的下界。結(jié)果表明,4子塊的GFSRP-SP結(jié)構(gòu)具有較好的抵抗差分攻擊與線性攻擊的能力,可應(yīng)用于分組密碼設(shè)計。分組密碼; 廣義Feistel結(jié)構(gòu); 活動S盒Class Number TP3931 引言整體結(jié)構(gòu)作為分組密碼的重要特征,對分組密碼的實現(xiàn)效率與安全性都有非常大的影響。國內(nèi)外公開的分組密碼最為常見的整體結(jié)構(gòu)是SPN結(jié)構(gòu)和Feistel結(jié)構(gòu)。廣義Feiste
艦船電子工程 2017年2期2017-03-03
- 查表法實現(xiàn)LTE中Turbo碼解速率匹配
進行的，主要分為子塊交織，比特收集，比特選擇和刪減三個子過程。如圖1所示。圖1 Turbo編碼速率匹配流程圖2.1 子塊交織處理（1）令交織矩陣的列數(shù)，矩陣的行數(shù)為滿足的最小的整數(shù)，的最大值是193。0列位置開始逐行寫入比特序列yk。表1 子塊交織器列間置換模式2.2 比特收集，選擇和裁剪用Ncb表示第r個碼塊軟緩存的比特長度。用E表示第r個碼塊的速率匹配的輸出序列長度，速率匹配的輸出序列表示為ek，k=0,1,...,E-1。令式中，rvidx表示該傳輸
數(shù)字通信世界 2017年1期2017-02-13
- 利用導(dǎo)頻降低峰均值比算法的研究
據(jù)信號分別分割成子塊，然后將導(dǎo)頻子序列分別插入到數(shù)據(jù)子塊中，通過反饋及循環(huán)移位產(chǎn)生更多的待選序列，更好的降低PAPR。仿真結(jié)果表明所提方法可以有效降低PAPR，且其誤碼率（BER）性能與C-PTS相當(dāng)。部分傳輸序列；反饋；循環(huán)移位；峰均功率比；誤碼率近年來，正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）技術(shù)已廣泛應(yīng)用于大量數(shù)據(jù)的傳輸和通信中，是未來4G和5G發(fā)展的關(guān)鍵技術(shù)之一［1］。然而，峰均
現(xiàn)代電子技術(shù) 2016年13期2016-11-12
- 基于FPGA的多通道數(shù)據(jù)采集系統(tǒng)的設(shè)計
當(dāng)轉(zhuǎn)換結(jié)果寫入到子塊A(B)時，子塊B(A)輸出上次轉(zhuǎn)換結(jié)果，兩個子塊交替工作[7]。本系統(tǒng)共設(shè)置8個雙口RAM塊，分別存儲8路轉(zhuǎn)換結(jié)果。FPGA控制單元向所有RAM塊提供統(tǒng)一的時鐘信號、控制信號以及使能信號，因此8路轉(zhuǎn)換結(jié)果被同時寫入到8個RAM塊的子塊A(B)，并且8個RAM塊的子塊B(A)內(nèi)的轉(zhuǎn)換結(jié)果被同時輸出。DSP數(shù)據(jù)處理電路通過接口電路讀取緩存后的AD轉(zhuǎn)換結(jié)果，并且對數(shù)據(jù)做進一步處理。同時，DSP數(shù)據(jù)處理電路給FPGA控制單元發(fā)出系統(tǒng)啟動信號。
電氣自動化 2016年1期2016-10-13
- 多特征分塊匹配的移動機器人目標(biāo)跟蹤
時更新目標(biāo)模型和子塊權(quán)重，提高跟蹤的準(zhǔn)確性。利用擴展卡爾曼濾波（Extend Kalman Filter，EKF）提取目標(biāo)運動特征，當(dāng)目標(biāo)被完全遮擋時，根據(jù)其先驗估計預(yù)測目標(biāo)位置，以提高算法的魯棒性。實驗結(jié)果表明，該算法對目標(biāo)快速移動、光照變化、遮擋問題具有較強魯棒性，算法跟蹤速度達132frame/s，滿足跟蹤實時性要求。分塊匹配；多特征跟蹤；子塊權(quán)重；目標(biāo)模型更新移動機器人目標(biāo)跟蹤是機器視覺領(lǐng)域的重要問題之一，它廣泛應(yīng)用于智能監(jiān)控系統(tǒng)、智能交通、人體行
電子設(shè)計工程 2016年1期2016-09-08
- 巧用可見水印拼接圖像
并分割成8×8的子塊，求出原始圖像灰度的平均值、各子塊的灰度值，并計算出每個子塊的水印嵌入系數(shù)。每個子塊嵌入系數(shù)的計算公式為式中，F(xiàn)ij為原始圖像的灰度圖像中子塊（i，j）的水印嵌入系數(shù)；aij為原始圖像的灰度圖像中子塊（i，j）的歸一化方差；amin為原始圖像的灰度圖像中的最小方差；amax為原始圖像的灰度圖像中的最大方差。2.獲取原始圖像各塊的Y、U、V分量，獲取水印圖像的Y分量，利用子塊的水印嵌入系數(shù)將原始圖像子塊的Y分量與水印圖像子塊的Y分量合并形
發(fā)明與創(chuàng)新 2016年14期2016-06-09
- 巧用可見水印拼接圖像
并分割成8×8的子塊，求出原始圖像灰度的平均值、各子塊的灰度值，并計算出每個子塊的水印嵌入系數(shù)。每個子塊嵌入系數(shù)的計算公式為Fij=。式中，F(xiàn)ij為原始圖像的灰度圖像中子塊（i，j）的水印嵌入系數(shù)；aij為原始圖像的灰度圖像中子塊（i，j）的歸一化方差；amin為原始圖像的灰度圖像中的最小方差；amax為原始圖像的灰度圖像中的最大方差。2.獲取原始圖像各塊的Y、U、V分量，獲取水印圖像的Y分量，利用子塊的水印嵌入系數(shù)將原始圖像子塊的Y分量與水印圖像子塊的Y
發(fā)明與創(chuàng)新·中學(xué)生 2016年4期2016-05-14
- 基于Merkle樹的P2P流媒體內(nèi)容完整性校驗
該資源分為7 個子塊（Chunk）C0－C6，如圖1所示。圖1 Merkle樹根據(jù)資源分塊數(shù)目，需要構(gòu)建相應(yīng)規(guī)模的Merkle樹使得葉子結(jié)點數(shù)足夠容納所有的子塊，葉子結(jié)點數(shù)一般是2的整數(shù)次方。所以Merkle樹寬度為8，葉子結(jié)點從左至右依次對應(yīng)7個子塊C0－C6，剩余的葉子結(jié)點為空并不對應(yīng)子塊，哈希值為全零，僅用于輔助校驗而無需當(dāng)做數(shù)據(jù)進行實際傳輸，而每個子塊可以由單向哈希算法SHA1計算得到一個20B 的哈希值，根據(jù)單向哈希算法自身的特性，如果子塊內(nèi)容發(fā)
計算機工程與設(shè)計 2015年7期2015-12-23
- 基于分布式ICA-PCA模型的工業(yè)過程故障監(jiān)測
過程難以自動劃分子塊及過程數(shù)據(jù)存在非高斯信息的情況。首先，對過程數(shù)據(jù)進行PCA分解，并在PCA主成分不同的方向上構(gòu)建不同的子塊，把原始特征空間自動劃分為不同子空間。然后，對各個子塊采用ICA-PCA兩步信息提取的策略，提取出高斯信息和非高斯信息，并構(gòu)建新的統(tǒng)計量和統(tǒng)計限。最后，通過Tennessee Eastman(TE)過程的仿真實驗，驗證所提出故障監(jiān)測模型的有效性和可行性。復(fù)雜工業(yè)過程；自動劃分子塊；非高斯；ICA-PCA；故障監(jiān)測獨立主元分析（ICA
化工學(xué)報 2015年11期2015-09-08
- 基于Epiphany 計算并行矩陣乘法的研究
應(yīng)地劃分成p 個子塊， 則第k 個行塊Ak又可 進一步劃 分為[Ak，0Ak，1… Ak，p－1]。 則Ak，j可以表 示如下：圖1 矩陣的二維網(wǎng)格劃分Fig. 1 The matrix of the two-dimensional grid圖1 中劃分矩陣A 的下標(biāo)k 是按行連續(xù)劃分的下標(biāo)，下標(biāo)j 是與處理器個數(shù)相對應(yīng)的列上劃分， 它們都與處理器個數(shù)p 相關(guān)，因此范圍都是[0，…，p－1]。n 階矩陣A 的子塊分成了n/p 階， 同理后面所要乘的向量x，
電子設(shè)計工程 2015年24期2015-08-26
- 基于2D-PCA特征描述的非負(fù)權(quán)重鄰域嵌入人臉超分辨率重建算法
人臉圖像分成若干子塊，利用K均值聚類獲得圖像子塊的局部視覺基元，并利用得到的局部視覺基元對圖像子塊分類。然后，利用2D-PCA對每一類人臉圖像子塊提取特征，并建立高、低分辨率樣本庫。最后，在重建過程中使用新的非負(fù)權(quán)重求解方法求取權(quán)重。仿真實驗結(jié)果表明，相比其他基于鄰域嵌入人臉超分辨率重建方法，所提算法可有效提高權(quán)重的穩(wěn)定性，減少過擬合效應(yīng)，其重建人臉圖像具有較好的主客觀質(zhì)量。圖像處理；人臉超分辨率重建；鄰域嵌入；局部視覺基元；2維主成分分析1 引言近年來，
電子與信息學(xué)報 2015年4期2015-07-12
- Video-based vehicle tracking considering occlusion
為若干大小一致的子塊.在分塊的基礎(chǔ)上估計所有子塊的運動矢量,檢測噪聲運動矢量并進行調(diào)整,以減少運動矢量估計的誤差,然后對子塊進行移位以實現(xiàn)車輛跟蹤.為了處理車輛間的遮擋現(xiàn)象建立了馬爾可夫隨機場描述子塊之間的關(guān)系,利用歐氏距離定義塊的鄰域,并基于塊的直方圖構(gòu)建能量函數(shù),最后利用模擬退火法對能量函數(shù)進行優(yōu)化,以對遮擋區(qū)域進行分割.實驗結(jié)果表明,該算法能夠?qū)φ趽踯囕v進行準(zhǔn)確跟蹤.車輛跟蹤;遮擋處理;運動矢量;馬爾可夫隨機場U491.1Foundation ite
Journal of Southeast University(English Edition) 2015年2期2015-05-08
- 基于局部特征和集成學(xué)習(xí)的魯棒彩色人臉識別算法
Ms)來描述圖像子塊的特征.對于具有較大熵的圖像子塊使用較高階次的四元數(shù)pseudo-Zernike矩(QPZMs)提取特征,反之則使用較低階次的QPZMs.在匹配識別階段,使用集成學(xué)習(xí)分類器進行判別.針對不同彩色人臉圖像庫的測試結(jié)果表明,當(dāng)人臉圖像受到光照、表情等因素影響時,與采用QPZMs或者四元數(shù)二維主成分分析(Q2DPCA)進行整體特征提取的識別算法相比,所提算法的識別率更高.彩色人臉識別;局部特征;四元數(shù)pseudo-Zernike矩;集成學(xué)習(xí)在
東南大學(xué)學(xué)報（自然科學(xué)版） 2015年2期2015-04-24
- 一種適用于無線視頻通信的時域錯誤掩蓋算法*
。對于受損4×4子塊,將與其直接相鄰子塊的運動矢量定義為三維坐標(biāo)點,并構(gòu)建經(jīng)過坐標(biāo)點的平面以表征受損子塊鄰域內(nèi)運動矢量的變化趨勢,據(jù)此通過計算受損子塊的空間坐標(biāo)恢復(fù)受損的運動矢量,從而實現(xiàn)受損數(shù)據(jù)的錯誤掩蓋。仿真結(jié)果表明,對不同視頻序列和不同宏塊丟失率,該算法均可比傳統(tǒng)算法獲得更好的重建圖像質(zhì)量。無線視頻通信; 錯誤掩蓋; 時域替換; 邊界匹配算法; 運動矢量恢復(fù)Class Number TN921 引言在無線視頻通信中,由于無線信道的多徑時延擴展、多普勒
艦船電子工程 2015年8期2015-03-14
- 基于超分辨率分形解碼和誤差補償?shù)膱D像插值算法
M通常由“父塊－子塊對”和相應(yīng)的相似變換關(guān)系表示.因為塊之間的相似關(guān)系與實際的數(shù)字圖像分辨率無關(guān)，所以由相似關(guān)系所決定的吸引子能夠以任意的精度重建.根據(jù)這一原理，作者對分形圖像插值算法進行研究.1 分形編碼原理記（M，d）為數(shù)字圖像構(gòu)成的測度空間，d為測度，對于定義在（M，d）上的壓縮映射ω＝｛ω1，ω2，…，ωn｝及圖像μ∈（M，d），若則μ是由ω唯一決定的吸引子.對于任意給定的初始圖像ζ∈（M，d），可利用下式對μ進行迭代求解第i次迭代后的圖像ωi（ζ
安徽大學(xué)學(xué)報（自然科學(xué)版） 2015年4期2015-02-10
- 基于零系數(shù)塊和快速MPPM的AVS幀內(nèi)預(yù)測算法
括4個8×8亮度子塊和2個色度子塊，其中子塊的分隔及序號如圖1所示，0～3為亮度子塊，4～5為色度子塊，編碼的比特流中若包含語法元素cbp，表示當(dāng)前宏塊中序號從0～5的4個8×8亮度塊和2個色度塊是否包含非零變換系數(shù)，cbp的第n位為0表明序號為n的8×8子塊中沒有非零系數(shù)，即該8×8子塊中的任一像素值都為0，這樣的子塊稱為零系數(shù)塊［2］。圖1 4∶2∶0下AVS宏塊分隔子塊在AVS參考軟件GDM2.1中，元素cbp的編碼是在幀內(nèi)預(yù)測編碼的最后階段進行的，
電視技術(shù) 2014年5期2014-11-20
- 基于統(tǒng)計假設(shè)測試的噪聲方差估計方法
構(gòu)特征度找出平滑子塊和非平滑子塊（含有邊緣或紋理子塊）；以平滑子塊中的最小方差為參考方差，選擇出方差與參考方差相差在一定范圍內(nèi)且不含邊緣的所有子塊；從選出的子塊中求以圖像結(jié)構(gòu)特征度為權(quán)重的方差平均值作為噪聲方差估計值。相比于現(xiàn)有的噪聲估計方法，該方法具有非常高的估計精度，適合感染高斯噪聲的各種圖像。白高斯噪聲；噪聲圖像；噪聲估計；統(tǒng)計假設(shè)測試1 引言在數(shù)字圖像處理過程中，很多圖像處理算法把噪聲方差作為已知參數(shù)，例如：去噪算法[1-3]、運動檢測算法[4]、
計算機工程與應(yīng)用 2014年21期2014-09-12
- 一種雙重判斷機制的音頻篡改盲檢測算法*
中ENF 信號各子塊與參考信號取得最大相關(guān)時的偏移量，通過最大相關(guān)偏移的變化情況來檢測音頻篡改.文中從兩個方面改進文獻［13］中的方法:一是提出一種不需要額外參考信號來計算各塊ENF 信號最大相關(guān)偏移的方法;二是利用最大相關(guān)偏移的變化及其極值點斜率變化聯(lián)合判斷篡改區(qū)域.所提出的方法更加便捷和準(zhǔn)確.1 文獻回顧與問題的提出設(shè)讀取的待測音頻信號為s(n)，其采樣頻率為fs，其中n 為采樣時刻.為減小運算量，對音頻信號進行下采樣得到x(n)=s(nM)，其中M=
華南理工大學(xué)學(xué)報（自然科學(xué)版） 2014年8期2014-08-16
- 抑制編碼誤差擴散的深度圖幀內(nèi)編碼*
有出現(xiàn)在4 ×4子塊之間及出現(xiàn)在4 ×4 子塊之內(nèi)兩種方式.對于邊緣在4 ×4 子塊內(nèi)的深度圖，宏塊仍會存在較大的編碼誤差.文中著重分析邊緣出現(xiàn)在4 ×4 子塊之內(nèi)的情況.采用RDO 技術(shù)計算I4MB 的代價函數(shù)時，通常是先計算每個4 ×4 子塊的最優(yōu)預(yù)測模式，然后將每個子塊的最優(yōu)代價函數(shù)相加，得到宏塊的最優(yōu)代價函數(shù)，故當(dāng)前子塊的編碼誤差依賴于其參考子塊的誤差，從而使4 ×4 子塊的邊緣出現(xiàn)誤差擴散現(xiàn)象.以圖1(a)為例，存在邊緣的第1 個4 ×4 子塊出
華南理工大學(xué)學(xué)報（自然科學(xué)版） 2014年1期2014-08-16
- 基于單元信息熵的半色調(diào)圖像有效子塊提取*
的半色調(diào)圖像有效子塊提取*林海龍，文志強，喻魁蘭（湖南工業(yè)大學(xué)計算機與通信學(xué)院，湖南株洲412000）針對數(shù)字半色調(diào)圖像有效子塊的提取，提出了圖像的單元熵及熵矩陣構(gòu)造的算法.首先，將半色調(diào)圖像分割成若干子塊，對每一個子塊的每一個像素點計算熵，得出熵矩陣.然后，對熵矩陣取均值及方差.最后，根據(jù)信息理論可得，當(dāng)熵的均值越大且方差越小時，越能有效地獲得子塊.實驗表明，通過單元信息熵獲取的有效子塊，含有信息量大，紋理變化平緩，適合用于分類.半色調(diào)圖像；單元熵；熵矩
長沙大學(xué)學(xué)報 2014年2期2014-07-20
- 基于ArcGIS與MATLAB的資源量計算方法
——以松遼盆地油頁巖為例
油頁巖面積進行了子塊劃分與子塊面積計算,青一段劃分為147個子塊,嫩一段劃分為197個子塊,嫩二段劃分為246個子塊,子塊單位實際面積為537 km2。采用趨勢面法,在嫩二段坐標(biāo)體系下以鉆孔地理坐標(biāo)為自變量,其對應(yīng)的厚度趨勢值為因變量,采用算法軟件MATLAB求得3層油頁巖段厚度趨勢值方程,并對油頁巖厚度空間展布進行擬合,獲得了較為理想的擬合度。在確定子塊面積與厚度的基礎(chǔ)上,對每個子塊加權(quán)求和分別得出青一段資源量為12 724億t、嫩一段為8 873.1億
石油化工高等學(xué)校學(xué)報 2014年3期2014-06-09
- 自嵌入全盲魯棒水印量化算法*
小波低頻子帶每個子塊的最大奇異值中，以此來實現(xiàn)全盲檢測,但水印嵌入位置的局限性，使得圖像很容易出現(xiàn)方塊效應(yīng)。COX I J等人[7-8]提出把水印嵌入到視覺系統(tǒng)感覺上最重要的分量DCT域中的低頻系數(shù)上，感覺上重要的分量是圖像信號的主要成分，攜帶較多的信號能量，在圖像有一定失真的情況下仍能保留主要成分，這個觀點已經(jīng)被人們廣泛接受。COX I J等人把直流系數(shù)排除在外，原因在于避免加水印的圖像出現(xiàn)方塊效應(yīng)。在參考文獻[6]和COX I J等人的觀點的基礎(chǔ)上，本
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2014年2期2014-05-14
- 一種高效的圖像增強去霧算法
直方圖均衡可分為子塊非重疊直方圖均衡和子塊重疊直方圖均衡．非重疊直方圖均衡化的基本思想是將原圖分成不重疊的子塊，然后對每個子塊進行直方圖均衡化處理，并保留處理后的結(jié)果．相鄰子塊之間不重疊，大大減小了運算量，但會不可避免的出現(xiàn)塊狀效應(yīng)．而重疊的直方圖均衡可以大大緩解塊狀效應(yīng)，但同時計算量也增加了．為了保證圖像增強的質(zhì)量，考慮降低塊狀效應(yīng)和減少計算量，我們選擇部分重疊直方圖均衡化．1.2 塊狀效應(yīng)塊狀效應(yīng)：圖像分塊產(chǎn)生時，由于相鄰子圖塊之間的灰度分布不同而產(chǎn)生
湖北工業(yè)大學(xué)學(xué)報 2013年5期2013-11-12
- 限制對比度的多層POSHE自適應(yīng)圖像增強算法
2001年提出的子塊部分重疊直方圖均衡［4］(POSHE)算法，具有良好對比度增強效果，較AHE算法計算量明顯減少，但是該算法存在明顯塊效應(yīng)和局部過增強問題;翟藝書等人于2007年提出了一種改進的霧天圖像清晰化方法［5］，利用移動模板對各局部區(qū)域作POSHE處理，一定程度增強圖像對比度，但沒有解決POSHE算法存在的塊效應(yīng)和過增強問題。通過分析POSHE算法的不足，提出限制對比度多層POSHE自適應(yīng)圖像增強算法 (contrast limited mult
激光與紅外 2013年1期2013-11-12
- 一種改進的運動目標(biāo)抗遮擋跟蹤算法
進行分塊，通過各子塊表決確定最佳匹配位置來實現(xiàn)對目標(biāo)的跟蹤，但由于子塊中包含了背景信息，且僅采用單峰值子塊表決值作為目標(biāo)的真實運動偏移量會導(dǎo)致誤匹配.文獻［12］采用動態(tài)模板和遮擋檢測的方法(VMTM，Variant-mask Template Match)解決了目標(biāo)發(fā)生遮擋時的跟蹤問題，但更新后模板與真正目標(biāo)相差較大，在完全遮擋下無法對目標(biāo)進行有效跟蹤.在對文獻［10-12］進行研究的基礎(chǔ)上，提出一種改進的基于子塊模板匹配的抗遮擋跟蹤方法(IMTM，Im
北京航空航天大學(xué)學(xué)報 2013年4期2013-11-05
- 基于子塊區(qū)域分割和自嵌入技術(shù)的全盲多功能圖像水印算法
盲檢測。2 基于子塊區(qū)域分割和自嵌入技術(shù)的全盲多功能圖像水印算法2.1 算法原理以一個8 8×圖像子塊為例說明圖像子塊區(qū)域分割的原理。一個8 8×圖像子塊共包含64個像素。為描述方便，將該8 8×圖像子塊記為R。R由64個小方塊組成，每個小方塊由細(xì)線條圍成，代表一個像素，如圖1所示。將R分割成區(qū)域1和區(qū)域2兩部分，區(qū)域1由前3行前3列的小方塊組成，區(qū)域2由剩余部分的小方塊組成，區(qū)域1和區(qū)域2的邊界都用粗線條表示。顯然， R =區(qū)域1 ∪ 區(qū)域2，而且 區(qū)
通信學(xué)報 2013年3期2013-10-29
- LTE系統(tǒng)中基于FPGA速率匹配算法的仿真及實現(xiàn)*
。該過程主要包括子塊交織、比特收集、比特選擇和修剪[4]。1.2 子塊交織1.3 比特收集和修剪子塊交織的輸出比特流存入虛擬循環(huán)緩沖，規(guī)則如下：2 速率匹配在FPGA中的實現(xiàn)2.1 整體流程圖2是LTE系統(tǒng)中PUSCH信道基于Turbo編碼的速率匹配實現(xiàn)的整體流程圖。整個流程圖包括5個部分：2個子塊交織模塊、1個乒乓前控制模塊、1個乒乓后控制模塊和1個比特修剪模塊。2.2 乒乓前控制模塊的FPGA實現(xiàn)數(shù)據(jù)經(jīng)過Turbo編碼器后分3路暫存在3個RAM中。當(dāng)速
電子技術(shù)應(yīng)用 2013年7期2013-09-07
- 若干個C3并的點可區(qū)別V-全染色
為矩陣Mn的一個子塊；若Mn的一個子塊恰好可以完成一個C3的點可區(qū)別V-全染色,則稱這個子塊為一個好子塊,記為I.若將矩陣Mn中所有好子塊去掉后,剩余元素構(gòu)成的集合成為余集,記為An．下面給出幾種常用的好子塊,如下圖所示,并給出它們的一般表達式及其對C3的點可區(qū)別V-全染色方案：I1,易知色集合{s,t,k},{k,s+1,t+1},{t+1,k,s}可以完成一個C3的VDVT染色；I2,易知色集合{t,s,k},{k,t+1,s+1},{s+1,k,t}
河南科技學(xué)院學(xué)報(自然科學(xué)版) 2013年6期2013-06-07
- TDD-LTE系統(tǒng)Turbo速率匹配算法及FPGA實現(xiàn)
己的交織器(稱為子塊交織器)重新排列。LTE中12個尾比特也被同等的分配到3個流中，使得子塊大小Ks=K+4，其中K是QPP交織器的大小。通過將重排的系統(tǒng)比特與2個重排的檢驗流的交錯連接續(xù)形成輸出緩沖［2］。圖1 Turbo速率匹配原理圖子塊交織器采用交織深度位32的“行入列出”的塊交織器［3］。1)每個流中的比特逐行寫入具有32列的矩陣(行數(shù)由流長度決定)，為完全填補矩陣，空比特也被填充到每個流前面。設(shè)定子塊交織的列數(shù)為=32，然后根據(jù)交織長度D確定子塊
電視技術(shù) 2013年17期2013-01-31
- 一種基于非均勻馬爾可夫隨機場的圖像分割方法
像分為大小相等的子塊，再用期望最大化（EM）算法[3]估計每個子塊中心象素點的耦合系數(shù)，利用線性插值，得到每個象素點的耦合系數(shù)。由于子塊的劃分沒有利用任何統(tǒng)計信息和邊緣信息以及相鄰像素之間的相互影響，因此這種估計方法并不準(zhǔn)確。本文提出在圖像預(yù)分割的基礎(chǔ)上，結(jié)合圖像的統(tǒng)計性質(zhì)和邊緣信息對圖像進行四叉樹分解，把圖像分成不同大小的子塊。再根據(jù)每個子塊的大小以及子塊內(nèi)邊緣信息的豐富程度，估計出非均勻MRF的耦合系數(shù)。實驗表明，本文的估計方法較為準(zhǔn)確，將它應(yīng)用到圖像
電子設(shè)計工程 2012年17期2012-03-17
- 一種改進的醫(yī)學(xué)圖像壓縮編碼算法
分解為若干個分形子塊，使每個子塊具有一定的分形結(jié)構(gòu)，即子塊的整體與局部之間存在某種自相似特征。圖像分割可采用三角形分割、矩形分割和四叉樹形分割等圖像處理手段，并把這些子塊構(gòu)成一個分形庫，每一個子塊可以從庫中找到它們自己的匹配子圖編碼。JACQAIN A E，針對上述問題提出了全自動的分形圖像壓縮方法，該演繹法基于圖像劃塊方式來實現(xiàn)以局部的仿射變換代替全局的仿射變換[4-5]。設(shè)數(shù)字圖像I具有 2N×2N個像素點，其每個像素點的灰度 f(i，j)被量化為 2
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2011年21期2011-08-20
- 基于分塊分類的智能視頻監(jiān)控背景更新算法
行初次分塊，按照子塊均值和標(biāo)準(zhǔn)差特征將初級子塊圖像分為前景塊和背景塊，這樣可以先把大部分背景子塊分離出去.再對前景塊進行二次分塊，分為二級前景塊和背景塊.最后對不同類別的子塊圖像采用不同的策略來實現(xiàn)背景的實時更新.該算法以塊為操作對象，提高了運算速度，對全局光照變化具有較強的魯棒性，且原理簡單，容易實現(xiàn).1 基于均值特征的分塊分類1.1 分塊分類原理背景更新不僅要很好地適應(yīng)環(huán)境的變化，而且還要考慮處理速度能否達到實時性要求.一般情況下，運動目標(biāo)往往只占監(jiān)控
智能系統(tǒng)學(xué)報 2010年3期2010-06-21