精确质量控制的遥感图像JPEG2000压缩方法

提出了一种精确控制图像压缩质量的遥感图像JPEG2000压缩方法.根据小波变换的完全重构和子带系数量化误差统计独立特性,建立了压缩图像峰值信噪比质量指标与小波系数编码量化误差的数学表达关系式.在传统JPEG2000率失真理论的基础上,建立以压缩图像质量为目标,最小化编码码率的模型,并给出了压缩图像质量控制的码流优化截取方法.对标准测试图像以及卫星遥感图像进行实验,并与传统JPEG2000方法进行比较.结果显示,该方法具有相同的编码架构和复杂度,能够精确控制压缩图像质量,控制精度小于1％.对于序列多幅遥感图像,在相同平均码率条件下,提出的方法具有更高的整体压缩图像峰值信噪比.     

联合Contourlet和Bandelet的变换在图像压缩中的应用

针对小波变换方向选择性差的局限,提出了一种基于Contourlet的Bandelet变换．该变换首先通过小波变换把图像分解成不同频率的子带,接着用方向滤波器组把高频子带分解为多个方向子带,之后对每个方向子带进行Bandelet变换．这种多方向多尺度临界采样的变换能更稀疏地表示图像边缘和纹理等几何特征,有利于图像压缩．将JPEG2000的比特位平面和上下文编码方法应用到量化后的变换系数上实现了图像压缩．实验结果表明,对于纹理和边缘丰富的图像,提出的压缩算法优于JPEG2000．     

基于JPEG2000渐进过程数截断编码算法

对JPEG2000的率失真优化截取的嵌入式码块编码算法的各编码块截断过程数进行了分析，对大量的图像进行实验后发现，图像的每个编码块是在相近的过程数截断，于是提出了一种同一过程截断算法。在此基础上又提出了渐进过程数截断编码算法，最终这个算法舍去了复杂的率失真计算，降低了T2 编码器设计难度，提高了JPEG2000系统的处理速度，减少了存储量，对硬件实现是很好的新方法，处理512×512的8bits位深的图像16倍压缩为250fps。     

基于有限Radon变换的图像纹理方向的检测

纹理方向检测是图像处理中经常遇到的问题,其检测效果直接影响到模式识别.基于有Radon变换的方法和特点,给出了一种新的具有直线特征纹理方向的检测方法.实验证明该方法是行之有效.     

一种新型图像变换方法在图像去噪中的应用

新型Contourlet变换取代第二代Bandelet变换中的二维小波变换,获得了一种新的图像变换方法--CBlet变换.其中新型Contourlet捕获图像边缘的几何结构,Bandelet化过程自适应地搜索到最佳的几何结构并去除它们的相关性,以获得更稀疏的图像表示.采用分层多阈值去噪方法,并且引入cycle spinning操作来减少伪Gibbs和皱波效应,提高了去噪图像质量.实验表明,无论在峰值信噪比(PSNR)还是视觉质量,基于CBlet变换的去噪方法均优于基于新型Contourlet变换的方法.     

第二代Bandelets变换定码率图像压缩

由于第二代Bandelets变换是由量化步长来控制最佳Bandelet化过程,难以实现定码率图像压缩。为了解决这个问题,提出了一种通过非线性逼近来控制最佳Bandelet化过程的方法。同时采用了沿几何流的方向小波变换方法,直接把JPEG2000的编解码器应用到Bandelets变换系数上进行有效的图像压缩,而无需重新构造上下文模型。实验表明,提出的压缩方法具有很好的边缘和纹理保护能力,特别对于直线纹理图像,压缩性能优于JPEG2000标准。     

一种RS码编译码器的FPGA实现方法

介绍了RS[255,223]编译码器的FPGA设计和基于线形反馈移位寄存器的编码器设计,以及由伴随式计算、关键方程求解、钱氏搜索、Forney算法等功能模块组成的译码器。为了实现简单高效的译码器,给出了一种改进的BM算法,该算法避免了求逆运算,提高了译码器处理速度及其硬件可实现性,并给出了仿真时序图。     

局部特征融合的小样本分类

目的 小样本学习是一项具有挑战性的任务,旨在利用有限数量的标注样本数据对新的类别数据进行分类。基于度量的元学习方法是当前小样本分类的主流方法,但往往仅使用图像的全局特征,且模型分类效果很大程度上依赖于特征提取网络的性能。为了能够充分利用图像的局部特征以及提高模型的泛化能力,提出一种基于局部特征融合的小样本分类方法。方法 首先,将输入图像进行多尺度网格分块处理后送入特征提取网络以获得局部特征;其次,设计了一个基于Transformer架构的局部特征融合模块来得到包含全局信息的局部增强特征,以提高模型的泛化能力;最后,以欧几里得距离为度量,计算查询集样本特征向量与支持集类原型之间的距离,实现分类。结果 在小样本分类中常用的3个数据集上与当前先进的方法进行比较,在5-way 1-shot和5-way 5-shot的设置下相对次优结果,所提方法在MiniImageNet数据集上的分类精度分别提高了2.96%和2.9%,在CUB（Caltech-UCSD Birds-200-2011）数据集上的分类精度分别提高了3.22%和1.77%,而在TieredImageNet数据集上的分类精度与最优结果相当,实验结果表明了所提方法的有效性。结论 提出的小样本分类方法充分利用了图像的局部特征,同时改善了模型的特征提取能力和泛化能力,使小样本分类结果更为准确。