【摘 要】
：
对于当前多种解决平移抖动的运动估计算法存在精度和效率难以兼顾,且在较大搜索窗口下易陷入局部最优,不适于大平移抖动图像稳定的问题,提出一种新的稳像算法。该算法采用菱形法匹配,大模板改进为六边形并对搜索域分区后排序优选,采用最多样本统计法提取全局运动矢量,采用自适应均值滤波实施补偿。通过算例验证,结果表明该法较穷尽法、三步法、四步法和传统菱形法具有更高的搜索效率;自适应滤波补偿相对于固定尺寸滤波更能兼
【机 构】
：
63963部队,中国科学院高能物理研究所
【基金项目】
：
中国博士后科学基金资助项目（2012T50870）
论文部分内容阅读
对于当前多种解决平移抖动的运动估计算法存在精度和效率难以兼顾,且在较大搜索窗口下易陷入局部最优,不适于大平移抖动图像稳定的问题,提出一种新的稳像算法。该算法采用菱形法匹配,大模板改进为六边形并对搜索域分区后排序优选,采用最多样本统计法提取全局运动矢量,采用自适应均值滤波实施补偿。通过算例验证,结果表明该法较穷尽法、三步法、四步法和传统菱形法具有更高的搜索效率;自适应滤波补偿相对于固定尺寸滤波更能兼顾到运动矢量波形变化的实时和平滑性;图像经该算法处理后的帧间PSNR值明显高于处理前,从而验证了该算法的
其他文献
提出一种云计算与对等计算融合模型Cloud-P2P,并基于Cloud-P2P构建一种新颖的泛知识云系统,将网络中的各类文献、知识信息有序地组织在一起;充分考虑网络边缘节点上可以利用的资源,在保障用户使用体验的前提下,将用户提交的知识索取任务从网络中心的服务器端迁移到网络边缘的客户端。为进一步改善用户的使用体验,提出一种动态的复合自适应QoS保障机制,通过综合区分用户与资源类型,并设定服务器负载阈值
人工蜂群(artificial bee colony,ABC)算法在解决多峰函数优化问题时经常会陷入局部最优,使得算法过早停滞,而在解决单峰问题时往往出现收敛速度过慢的问题。针对上述不足,为了进一步提高算法的优化性能,提出了一种基于交叉突变的人工蜂群(intersect mutation ABC,IMABC)算法。IMABC算法将整个蜂群依据其适应度值优劣进行划分,引入种群划分参数,对不同种群中的
针对人工蜂群算法有时收敛速度较慢和探索能力较强而开发能力不足等问题,提出一种改进的人工蜂群(IABC)算法。该算法在跟随蜂阶段采用一种基于当前局部最优解(pbest)的搜索策略,能提高算法的局部搜索能力。为了加快算法的收敛速度,采用基于一般的反向学习的策略进行种群初始化,而且采蜜蜂和跟随蜂进行邻域搜索时,邻域搜索的维数根据循环代数动态调整。基于十个标准测试函数的仿真结果表明,该算法能有效加快收敛速
针对传统窗宽固定不变的Mean-Shift跟踪算法不能实时地适应目标尺寸大小变化这一问题,提出了一种基于目标相似度辅助决策的带宽自适应跟踪算法。首先利用目标与背景的特征显著性,提高跟踪算法空间定位准确性;然后利用局部穷搜索的方法,计算目标模型与每一帧目标跟踪中心点附近一定区域的相似性;最后通过统计分析前后帧相似像素点数目变化,确定目标尺度变化情况,从而建立一种自适应更新带宽准则,提高算法对目标尺度
针对e-Learning学习资源本体异构问题,提出一种基于子图近似同构的本体匹配方法。该方法对现有本体匹配方法进行扩展,综合编辑距离、层次关系等特征,计算本体的结构级相似性,以点、边有序交替匹配来判断实体的有向图近似同构问题,实现本体匹配判定。演示算法处理过程,给出算法时间复杂度理论分析,说明其有效性。
针对多尺度边缘检测中如何有效地将不同尺度上的边缘信息相融合问题,提出了一种新的多尺度边缘跟踪算法。该方法首先获得输入图像的多尺度边缘图像和多尺度梯度方向图,然后根据相邻尺度间对应边缘点的相似特征,进行由大尺度到小尺度的逐层边缘跟踪,将不同尺度上的边缘信息融合,最后通过对获得的跟踪边缘图像的细化处理得到最终边缘图像。实验结果表明,该融合算法具有边缘检测完整、定位准确、伪边缘点少等优点,并且具有较高的
为了减少非限定环境下干扰对人脸验证的影响,提出一种基于视觉条件评估的自适应人脸验证算法。该算法首先把输入的一对人脸图像分割成多个人脸区域;然后采用支持向量回归机方法评估每个区域上图像对的视觉条件并选出可靠区域;最后联合多特征融合、度量学习和支持向量机等技术在所选区域上执行分类验证该对人脸。实验结果表明,根据人脸图像间的视觉条件自适应地选择人脸区域,可以有效地减少复杂干扰的影响,并能显著提高非限定环
针对传统匹配算法得到的初始视差图不精确的问题,提出一种基于均值偏移和区域映射的视差图优化算法。该算法首先采用均值偏移算法对视差图进行区域分割,提取由误匹配所导致的黑洞区域;将左原始图像的分割区域映射到视差图中,从而对视差图进行每个区域内的平面拟合,去除误匹配点和像素跳跃点;结合标定数据得到三维场景的深度信息和三维坐标,最终实现三维重建。通过对图割算法及四种经典匹配算法进行实验,结果显示本算法能显著
Hadoop原有的作业调度算法在任务级调度阶段均采用简单考虑数据本地性的任务分配策略,并不能保证良好的数据本地性,而相应的改进算法改进目标不一,也不完全适用于所有作业调度场合。针对以上问题,结合数据预取理念提出一种基于资源预取的作业调度算法。通过估算节点上正在运行任务的剩余执行时间,并与传输一个数据块所需时间进行比较,预选出待预取的候选节点;并从当前正在运行作业的未分配任务中选取非本地map任务作
针对目标函数是局部Lipschitz函数,其可行域由一组等式约束光滑凸函数组成的非光滑最优化问题,通过引进光滑逼近技术将目标函数由非光滑函数转换成相应的光滑函数,进而构造一类基于拉格朗日乘子理论的神经网络,以寻找满足约束条件的最优解。证明了神经网络的平衡点集合是原始非光滑最优化问题关键点集合的一个子集;当原始问题的目标函数是凸函数时,最小点集合与神经网络的平衡点集合是一致的。通过仿真实验验证了理论