改进分形图像编码的叉迹算法

分形图像编码具有好的视觉质量和高压缩比,然而,固有的编码耗时限制了它的应用范围.编码时间主要花费于在一个海量码本中搜索每个输入子块的最佳匹配块.针对这个问题,提出了一个限制搜索空间的算法,改进了原叉迹算法.具体说,它把子块叉迹的定义修改为其规范子块主次对角元绝对值之和,并利用新叉迹把搜索范围限制在初始匹配块的邻域内;同时,引入误差阈值来控制以初始匹配块为中心的搜索邻域大小.实验显示,与叉迹算法比较,改进算法在编码时间和图像质量方面获得了更好的效果.     

结合灰度变换的Chan-Vese模型

幂变换和负片变换是图像增强中频繁使用的两种基本的灰度变换。该文把这两种灰度变换与Chan-Vese模型进行结合,以提高Chan-Vese模型的分割速度和效果。实验表明：该方案大大提高了Chan-Vese模型的收敛速度,而且也使Chan-Vese模型具有较好的处理直线和尖角的能力。     

结合局部熵的无需重新初始化水平集演化

无需重新初始化模型是一个著名的变分水平集模型,在演化过程中无需周期性地重新初始化水平集函数。然而,由于其边缘停止函数是基于梯度的,因此仍然存在一些缺点：对噪声较敏感,弱边缘处易出现边缘泄漏,不能提取不连续边缘等。采用局部熵和灰度变换构造该模型的边缘停止函数。实验结果表明,使用新的边缘停止函数,能够克服上述不足。     

无需重新初始化的自适应快速水平集演化模型

水平集方法已被广泛地应用在图像分割中,传统的水平集方法需要通过周期性的初始化水平集函数使得它一直保持在符号距离函数附近,然而初始化与水平集理论和实现相违背。最近,Li C等人提出一种完全不需要初始化的变分模型,该模型的主要不足就是单方向演化,即演化曲线或收缩或扩张到目标边界。针对二值图像提出一种新的基于距离保持水平集方法的活动轮廓模型,它不依赖于初始位置,演化曲线准确地收敛在目标边界,更重要的是曲线演化只需一次迭代。     

基于图像块叉迹的快速分形图像编码算法

摘要分形图像编码能够在高压缩比下高质量地重构图像,但需要较长的编码时间．因此,迫切需要各种快速编码算法以扩大其应用领域．分形编码的时间主要花费于在一个海量码本中搜索每个输入子块的最佳匹配块．针对这个问题,该文提出一种快速分形编码算法,它基于图像块的一种新特征——叉迹,能够在较小的搜索范围内完成输入子块的最佳匹配．实验显示,该算法能够大大缩短编码时间,同时实现和全搜索分形编码算法相同或更好的图像质量．