子塊
- 基于八叉樹的地震數(shù)據(jù)分布式存儲(chǔ)與計(jì)算
能充分利用分布式子塊形式存儲(chǔ)的地震數(shù)據(jù)。不同編程模型的取舍及實(shí)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(jì)算量、通信量、計(jì)算速度、通信速度進(jìn)行綜合平衡，同時(shí)設(shè)法加大計(jì)算時(shí)間相對(duì)于通信時(shí)間的比重，減少通信次數(shù)、甚至以計(jì)算換通信等。不管選用何種并行編程模型，均會(huì)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(jī)制，實(shí)現(xiàn)對(duì)三維大數(shù)據(jù)體的結(jié)構(gòu)分塊存儲(chǔ)，同時(shí)設(shè)計(jì)了基于地震道的一級(jí)緩
智能計(jì)算機(jī)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(hào)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(jì)算量隨著相位因子和子塊數(shù)量的增加呈指數(shù)級(jí)增長(zhǎng)。文獻(xiàn)[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(gè)數(shù)為，即b(=1,2,…,)；子塊數(shù)為個(gè)，即x(=1,2,…,)；2）改變第一個(gè)子塊，即所有加權(quán)系數(shù)，得到'=b(=1,2,…,)，分別計(jì)算所有'的PAPR值，找出最小的PAPR值所對(duì)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(cè)
分的不同方向構(gòu)造子塊，將原始特征空間劃分為多個(gè)子塊空間并分別進(jìn)行監(jiān)測(cè)；K. Ghosh[4]等提出一種基于故障信息的多塊監(jiān)測(cè)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(cè)模型，最后通過貝葉斯推斷融合所有子塊的監(jiān)測(cè)結(jié)果。上述的多塊監(jiān)測(cè)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(diǎn)，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(cè)方法能夠很好地監(jiān)測(cè)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(duì)遮擋及光照變化等具有較好的抗干擾性能[13]?；诖耍珺ency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(cè)加權(quán)進(jìn)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(cè)，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(jì)算機(jī)工程與設(shè)計(jì) 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(duì)子塊進(jìn)行獨(dú)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(duì)目標(biāo)遮擋的性能，忽略了目標(biāo)子塊間相對(duì)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(jì)，然后由全局濾波器用作初始估計(jì)以確定目標(biāo)的準(zhǔn)確位置；同時(shí)利用各子塊間相對(duì)位置的變化來計(jì)算目標(biāo)尺度。1 核相關(guān)濾波算法KCF簡(jiǎn)介核相關(guān)濾波算法KCF
太原科技大學(xué)學(xué)報(bào) 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(gè)向量添加n-r個(gè)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(duì)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(gè)向量去掉n-r個(gè)分量后所形成的r維向量組的線性相關(guān)性即可。因?yàn)閞+1個(gè)r維向量組一定線性相關(guān)，故在實(shí)際應(yīng)用中需考慮向量組中向量的個(gè)數(shù)。(1)其中(2)
- 基于多進(jìn)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(shí)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(yùn)行時(shí)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(jì)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(cè)及診斷
投影方法，為每個(gè)子塊以及整個(gè)過程建立監(jiān)測(cè)模型。文獻(xiàn)[14]采用Jarque-Bera(J-B)檢測(cè)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(jìn)行建模，并對(duì)每個(gè)子塊的統(tǒng)計(jì)量進(jìn)行加權(quán)得到總的聯(lián)合指標(biāo)實(shí)現(xiàn)在線監(jiān)控；文獻(xiàn)[15]將整個(gè)過程劃分成多個(gè)子塊單元，然后在每個(gè)子塊單元內(nèi)分別進(jìn)行相對(duì)變換獨(dú)立主元分析處理，實(shí)現(xiàn)故障排查和識(shí)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(xiàn)度劃分子
智能系統(tǒng)學(xué)報(bào) 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?zèng)Q策
算子分別計(jì)算4個(gè)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(hào)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(duì)比下，子塊1～3的復(fù)雜度視為在同一數(shù)量級(jí)；同理，②號(hào)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(duì)比下，子塊2～4的復(fù)雜度視為在同一數(shù)量級(jí)。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(xiàng)式分析的故障檢測(cè)策略
程數(shù)據(jù)分解為多個(gè)子塊；然后，利用具有多個(gè)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(duì)VBGMM 進(jìn)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(gè)子塊均無法分解時(shí)停止；最后，在每個(gè)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(xiàng)式空間與殘差空間，并分別在其各自的子空間中計(jì)算T2和SPE 統(tǒng)計(jì)量進(jìn)行故障檢測(cè)。通過數(shù)值例子與Tennessee Eastman(TE)過程的仿真驗(yàn)證
化工學(xué)報(bào) 2021年3期2021-04-09
- 基于特征值算法的圖像Copy-Move篡改的被動(dòng)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(gè)相同或相似的區(qū)域，其對(duì)應(yīng)位置的像素值是相同的。為了檢測(cè)出相同或相似區(qū)域，可以進(jìn)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?yàn)橥环鶊D像中存在大量相同的像素點(diǎn)，比如在500×500 的圖像中，像素點(diǎn)的個(gè)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(diǎn)。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(jì)算機(jī) 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(cè)方法
投影方法,為每個(gè)子塊以及整個(gè)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(shí)對(duì)變量進(jìn)行分塊,再用其分別對(duì)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(yàn)知識(shí),當(dāng)先驗(yàn)知識(shí)相對(duì)匱乏時(shí),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(diǎn)。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(gè)故障識(shí)別最佳變量子集,其次對(duì)每個(gè)子塊進(jìn)行
南京理工大學(xué)學(xué)報(bào) 2020年4期2020-09-21
- 矩陣最大線性無關(guān)子塊提取研究
一個(gè)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(gè)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(gè)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(gè)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(gè)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(bào) 2020年6期2020-03-12
- 超聲乳腺腫瘤圖像中種子點(diǎn)的自動(dòng)定位研究
幅圖像等分為四個(gè)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(gè)子塊就不再繼續(xù)等分，否則，該子塊繼續(xù)分解為四個(gè)子塊，直到每個(gè)子塊的灰度值均小于指定閾值。在我們運(yùn)用四叉樹方法對(duì)乳腺超聲圖像進(jìn)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(huì)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(yùn)行狀態(tài)評(píng)價(jià)
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(píng)價(jià)中[23?24].Macgregor 等[25]和Jiang 等[26]分別提出了分塊的多元統(tǒng)計(jì)方法和分塊的概率論方法,來處理流程工業(yè)過程性能評(píng)價(jià)問題.相比于分塊方法,分層的性能評(píng)價(jià)方法更注重子塊之間的相關(guān)性[27].在分層或分塊性能評(píng)價(jià)思想的基礎(chǔ)上,研究者在質(zhì)量預(yù)測(cè)[28]、自適應(yīng)[29]等方向進(jìn)行了進(jìn)一步探索.但目前對(duì)流程工業(yè)過程優(yōu)性評(píng)價(jià)的研究還較少.傳統(tǒng)的分層分塊性能評(píng)價(jià)方法難以直接應(yīng)用于實(shí)際流程
自動(dòng)化學(xué)報(bào) 2019年11期2019-12-12
- 基于X-DSP 的GEMM 算法實(shí)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(duì)以往處理器研究的大量文獻(xiàn)［18～21］的實(shí)驗(yàn)結(jié)果都表明Mkernel*Nkernel
計(jì)算機(jī)與數(shù)字工程 2019年11期2019-11-29
- 基于改進(jìn)CLAHE的水下彩色圖像增強(qiáng)算法*
E的基礎(chǔ)上對(duì)每個(gè)子塊的直方圖進(jìn)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(gè)大小相等且互不疊加的子塊。2）計(jì)算每個(gè)子塊的直方圖。3）計(jì)算裁剪幅值T。式中，nx和ny為每個(gè)子塊在x和y方向上的像素個(gè)數(shù)，K為灰度級(jí)數(shù)，c為裁剪系數(shù)。4）裁剪直方圖，并對(duì)像素點(diǎn)進(jìn)行分配。根據(jù)裁剪幅值T對(duì)子塊直方圖h(x)進(jìn)行裁剪，如圖1（a）所示；然后將裁剪掉的像素?cái)?shù)平均分配到每個(gè)灰度級(jí)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(gè)灰度級(jí)平
艦船電子工程 2019年11期2019-11-28
- 基于塊劃分的空時(shí)域自適應(yīng)差錯(cuò)掩蓋算法
，將前一幀中所有子塊的運(yùn)動(dòng)向量進(jìn)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(yùn)動(dòng)向量作為丟失子塊的運(yùn)動(dòng)向量，然后通過運(yùn)動(dòng)補(bǔ)償?shù)玫絹G失宏塊的最佳替代塊。Zhou等人在文獻(xiàn)[5]的基礎(chǔ)上，利用丟失宏塊周圍正確接收宏塊的運(yùn)動(dòng)向量，提出了一種更加精細(xì)的運(yùn)動(dòng)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(duì)運(yùn)動(dòng)向量進(jìn)行加權(quán)，提出了基于殘差的運(yùn)動(dòng)向量外推算法（residual-based motion ve
計(jì)算機(jī)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(gè)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(shí)便會(huì)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(shí)消除自適應(yīng)采樣中存儲(chǔ)多個(gè)測(cè)量矩陣的缺陷，對(duì)圖像塊本身做處理，
計(jì)算機(jī)應(yīng)用 2018年12期2019-01-07
- 一種紅外點(diǎn)目標(biāo)圖像高保真壓縮方法
疑似目標(biāo)點(diǎn)所在的子塊進(jìn)行無損壓縮，對(duì)不包含疑似目標(biāo)點(diǎn)的子塊進(jìn)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(duì)于紅外點(diǎn)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(shì)[10-
上海航天 2018年5期2018-11-03
- 基于改進(jìn)的多塊核主元分析的 風(fēng)電機(jī)組故障診斷方法
據(jù)分塊份數(shù)及每個(gè)子塊的實(shí)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(duì)機(jī)組各運(yùn)行狀態(tài)下數(shù)據(jù)特征貢獻(xiàn)率的計(jì)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M(jìn)BKPCA方法的準(zhǔn)確性。1 MBKPCA方法及改進(jìn)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(jìn)行處理，用核函數(shù)運(yùn)算代替非線性變換后進(jìn)行特征空間內(nèi)積運(yùn)算，
動(dòng)力工程學(xué)報(bào) 2018年10期2018-10-26
- 光學(xué)顯微鏡自動(dòng)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(píng)價(jià)函數(shù)方面，針對(duì)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(jìn)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(jì)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(diǎn)選擇法[9]等。這些方法一般先假設(shè)被測(cè)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(cè)目標(biāo)偏離或是遇到稀疏內(nèi)容圖像時(shí)，傳統(tǒng)的方
中國測(cè)試 2018年6期2018-07-05
- 基于峰值優(yōu)化的改進(jìn)PTS算法
為M個(gè)互不相交的子塊序列Xm=[Xm,0,Xm,1,…,Xm,LN-1],1≤m≤M。表達(dá)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(gè)采樣位置中找出易出現(xiàn)較大峰值的Nγ個(gè)采樣位置,對(duì)Nγ個(gè)采樣位置的采樣點(diǎn)數(shù)據(jù)集中優(yōu)化而不是對(duì)LN個(gè)采樣位置的采樣點(diǎn)數(shù)據(jù)優(yōu)化,減少了優(yōu)化的采樣點(diǎn)數(shù),從而降低了計(jì)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(shí)傅里葉變換的紡織材料纖維取向度測(cè)量方法
圖像加窗后的各個(gè)子塊建立獨(dú)立的坐標(biāo)系，可將上式簡(jiǎn)化為：2 基于STFT測(cè)量纖維取向度纖維圖屬于非平穩(wěn)信號(hào)，不滿足整體傅里葉變換的要求，因此本文采用短時(shí)傅里葉變換對(duì)纖維圖像進(jìn)行頻譜分析.本文提出的基于短時(shí)傅里葉變換的紡織材料纖維取向度測(cè)量方法整體流程如圖1所示.圖1 測(cè)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(bào) 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(gè)子塊，每個(gè)分割主體控制一個(gè)子塊；然后每個(gè)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(hào)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(duì)圖像分割的影響，以確定局部聚類中心，從而實(shí)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(cè)繪通報(bào) 2018年1期2018-02-28
- 不可壓縮繞流的并行格子Boltzmann模擬
動(dòng)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(gè)子塊的計(jì)算是并行的[13], 利用MPI(message passing interface)并行平臺(tái)實(shí)現(xiàn)全場(chǎng)的并行計(jì)算, 進(jìn)而達(dá)到增加計(jì)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(shí)刻t沿方向α的粒子分布函數(shù). 流場(chǎng)中的密度和動(dòng)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(bào)（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(jìn)的子塊分裂方法與圖剖分算法的循環(huán)調(diào)用實(shí)現(xiàn)結(jié)構(gòu)對(duì)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(shí)現(xiàn)了結(jié)構(gòu)重疊網(wǎng)格的負(fù)載平衡。采用2個(gè)典型算例對(duì)方法進(jìn)行了對(duì)比驗(yàn)證，數(shù)值結(jié)果表明，子塊分裂方法對(duì)剖分結(jié)果具有重要影響，采用循環(huán)調(diào)用算法及改進(jìn)的子塊分裂方法能有效地實(shí)現(xiàn)計(jì)算負(fù)載均衡及通信量?jī)?yōu)化，同時(shí)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(duì)接網(wǎng)格及重疊網(wǎng)格，且整體型剖分方式對(duì)于多塊
航空學(xué)報(bào) 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(gè)4子塊的GFSRP-SP結(jié)構(gòu)的實(shí)例,并通過建立搜索算法,得到了更精確的活動(dòng)S盒個(gè)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(jì)。分組密碼; 廣義Feistel結(jié)構(gòu); 活動(dòng)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(duì)分組密碼的實(shí)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(shí)現(xiàn)LTE中Turbo碼解速率匹配
進(jìn)行的，主要分為子塊交織，比特收集，比特選擇和刪減三個(gè)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(gè)碼塊軟緩存的比特長(zhǎng)度。用E表示第r個(gè)碼塊的速率匹配的輸出序列長(zhǎng)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(hào)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(jì)
當(dāng)轉(zhuǎn)換結(jié)果寫入到子塊A(B)時(shí)，子塊B(A)輸出上次轉(zhuǎn)換結(jié)果，兩個(gè)子塊交替工作[7]。本系統(tǒng)共設(shè)置8個(gè)雙口RAM塊，分別存儲(chǔ)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(shí)鐘信號(hào)、控制信號(hào)以及使能信號(hào)，因此8路轉(zhuǎn)換結(jié)果被同時(shí)寫入到8個(gè)RAM塊的子塊A(B)，并且8個(gè)RAM塊的子塊B(A)內(nèi)的轉(zhuǎn)換結(jié)果被同時(shí)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(duì)數(shù)據(jù)做進(jìn)一步處理。同時(shí)，DSP數(shù)據(jù)處理電路給FPGA控制單元發(fā)出系統(tǒng)啟動(dòng)信號(hào)。
電氣自動(dòng)化 2016年1期2016-10-13
- 多特征分塊匹配的移動(dòng)機(jī)器人目標(biāo)跟蹤
時(shí)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(kuò)展卡爾曼濾波（Extend Kalman Filter，EKF）提取目標(biāo)運(yùn)動(dòng)特征，當(dāng)目標(biāo)被完全遮擋時(shí)，根據(jù)其先驗(yàn)估計(jì)預(yù)測(cè)目標(biāo)位置，以提高算法的魯棒性。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)目標(biāo)快速移動(dòng)、光照變化、遮擋問題具有較強(qiáng)魯棒性，算法跟蹤速度達(dá)132frame/s，滿足跟蹤實(shí)時(shí)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(dòng)機(jī)器人目標(biāo)跟蹤是機(jī)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(jì)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(jì)算出每個(gè)子塊的水印嵌入系數(shù)。每個(gè)子塊嵌入系數(shù)的計(jì)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(jì)算出每個(gè)子塊的水印嵌入系數(shù)。每個(gè)子塊嵌入系數(shù)的計(jì)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(yàn)
該資源分為7 個(gè)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(diǎn)數(shù)足夠容納所有的子塊，葉子結(jié)點(diǎn)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(diǎn)從左至右依次對(duì)應(yīng)7個(gè)子塊C0－C6，剩余的葉子結(jié)點(diǎn)為空并不對(duì)應(yīng)子塊，哈希值為全零，僅用于輔助校驗(yàn)而無需當(dāng)做數(shù)據(jù)進(jìn)行實(shí)際傳輸，而每個(gè)子塊可以由單向哈希算法SHA1計(jì)算得到一個(gè)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(jì)算機(jī)工程與設(shè)計(jì) 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(cè)
過程難以自動(dòng)劃分子塊及過程數(shù)據(jù)存在非高斯信息的情況。首先，對(duì)過程數(shù)據(jù)進(jìn)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(dòng)劃分為不同子空間。然后，對(duì)各個(gè)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(jì)量和統(tǒng)計(jì)限。最后，通過Tennessee Eastman(TE)過程的仿真實(shí)驗(yàn)，驗(yàn)證所提出故障監(jiān)測(cè)模型的有效性和可行性。復(fù)雜工業(yè)過程；自動(dòng)劃分子塊；非高斯；ICA-PCA；故障監(jiān)測(cè)獨(dú)立主元分析（ICA
化工學(xué)報(bào) 2015年11期2015-09-08
- 基于Epiphany 計(jì)算并行矩陣乘法的研究
應(yīng)地劃分成p 個(gè)子塊， 則第k 個(gè)行塊Ak又可 進(jìn)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(gè)數(shù)相對(duì)應(yīng)的列上劃分， 它們都與處理器個(gè)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(jì)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(duì)圖像子塊分類。然后，利用2D-PCA對(duì)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(shí)驗(yàn)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(bào) 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(jì)所有子塊的運(yùn)動(dòng)矢量,檢測(cè)噪聲運(yùn)動(dòng)矢量并進(jìn)行調(diào)整,以減少運(yùn)動(dòng)矢量估計(jì)的誤差,然后對(duì)子塊進(jìn)行移位以實(shí)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(jī)場(chǎng)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(duì)能量函數(shù)進(jìn)行優(yōu)化,以對(duì)遮擋區(qū)域進(jìn)行分割.實(shí)驗(yàn)結(jié)果表明,該算法能夠?qū)φ趽踯囕v進(jìn)行準(zhǔn)確跟蹤.車輛跟蹤;遮擋處理;運(yùn)動(dòng)矢量;馬爾可夫隨機(jī)場(chǎng)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(shí)別算法
Ms)來描述圖像子塊的特征.對(duì)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(shí)別階段,使用集成學(xué)習(xí)分類器進(jìn)行判別.針對(duì)不同彩色人臉圖像庫的測(cè)試結(jié)果表明,當(dāng)人臉圖像受到光照、表情等因素影響時(shí),與采用QPZMs或者四元數(shù)二維主成分分析(Q2DPCA)進(jìn)行整體特征提取的識(shí)別算法相比,所提算法的識(shí)別率更高.彩色人臉識(shí)別;局部特征;四元數(shù)pseudo-Zernike矩;集成學(xué)習(xí)在
- 一種適用于無線視頻通信的時(shí)域錯(cuò)誤掩蓋算法*
。對(duì)于受損4×4子塊,將與其直接相鄰子塊的運(yùn)動(dòng)矢量定義為三維坐標(biāo)點(diǎn),并構(gòu)建經(jīng)過坐標(biāo)點(diǎn)的平面以表征受損子塊鄰域內(nèi)運(yùn)動(dòng)矢量的變化趨勢(shì),據(jù)此通過計(jì)算受損子塊的空間坐標(biāo)恢復(fù)受損的運(yùn)動(dòng)矢量,從而實(shí)現(xiàn)受損數(shù)據(jù)的錯(cuò)誤掩蓋。仿真結(jié)果表明,對(duì)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(cuò)誤掩蓋; 時(shí)域替換; 邊界匹配算法; 運(yùn)動(dòng)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(shí)延擴(kuò)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(bǔ)償?shù)膱D像插值算法
M通常由“父塊－子塊對(duì)”和相應(yīng)的相似變換關(guān)系表示.因?yàn)閴K之間的相似關(guān)系與實(shí)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(duì)分形圖像插值算法進(jìn)行研究.1 分形編碼原理記（M，d）為數(shù)字圖像構(gòu)成的測(cè)度空間，d為測(cè)度，對(duì)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(duì)于任意給定的初始圖像ζ∈（M，d），可利用下式對(duì)μ進(jìn)行迭代求解第i次迭代后的圖像ωi（ζ
- 基于零系數(shù)塊和快速M(fèi)PPM的AVS幀內(nèi)預(yù)測(cè)算法
括4個(gè)8×8亮度子塊和2個(gè)色度子塊，其中子塊的分隔及序號(hào)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(hào)從0～5的4個(gè)8×8亮度塊和2個(gè)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(hào)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(cè)編碼的最后階段進(jìn)行的，
電視技術(shù) 2014年5期2014-11-20
- 基于統(tǒng)計(jì)假設(shè)測(cè)試的噪聲方差估計(jì)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(jì)值。相比于現(xiàn)有的噪聲估計(jì)方法，該方法具有非常高的估計(jì)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(jì)；統(tǒng)計(jì)假設(shè)測(cè)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(yùn)動(dòng)檢測(cè)算法[4]、
計(jì)算機(jī)工程與應(yīng)用 2014年21期2014-09-12
- 一種雙重判斷機(jī)制的音頻篡改盲檢測(cè)算法*
中ENF 信號(hào)各子塊與參考信號(hào)取得最大相關(guān)時(shí)的偏移量，通過最大相關(guān)偏移的變化情況來檢測(cè)音頻篡改.文中從兩個(gè)方面改進(jìn)文獻(xiàn)［13］中的方法:一是提出一種不需要額外參考信號(hào)來計(jì)算各塊ENF 信號(hào)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(diǎn)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(xiàn)回顧與問題的提出設(shè)讀取的待測(cè)音頻信號(hào)為s(n)，其采樣頻率為fs，其中n 為采樣時(shí)刻.為減小運(yùn)算量，對(duì)音頻信號(hào)進(jìn)行下采樣得到x(n)=s(nM)，其中M=
- 抑制編碼誤差擴(kuò)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(duì)于邊緣在4 ×4 子塊內(nèi)的深度圖，宏塊仍會(huì)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(jì)算I4MB 的代價(jià)函數(shù)時(shí)，通常是先計(jì)算每個(gè)4 ×4 子塊的最優(yōu)預(yù)測(cè)模式，然后將每個(gè)子塊的最優(yōu)代價(jià)函數(shù)相加，得到宏塊的最優(yōu)代價(jià)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(kuò)散現(xiàn)象.以圖1(a)為例，存在邊緣的第1 個(gè)4 ×4 子塊出
- 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(qiáng)，喻魁蘭（湖南工業(yè)大學(xué)計(jì)算機(jī)與通信學(xué)院，湖南株洲412000）針對(duì)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(duì)每一個(gè)子塊的每一個(gè)像素點(diǎn)計(jì)算熵，得出熵矩陣.然后，對(duì)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(shí)，越能有效地獲得子塊.實(shí)驗(yàn)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(zhǎng)沙大學(xué)學(xué)報(bào) 2014年2期2014-07-20
- 基于ArcGIS與MATLAB的資源量計(jì)算方法
——以松遼盆地油頁巖為例
油頁巖面積進(jìn)行了子塊劃分與子塊面積計(jì)算,青一段劃分為147個(gè)子塊,嫩一段劃分為197個(gè)子塊,嫩二段劃分為246個(gè)子塊,子塊單位實(shí)際面積為537 km2。采用趨勢(shì)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(duì)應(yīng)的厚度趨勢(shì)值為因變量,采用算法軟件MATLAB求得3層油頁巖段厚度趨勢(shì)值方程,并對(duì)油頁巖厚度空間展布進(jìn)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(duì)每個(gè)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(bào) 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(gè)子塊的最大奇異值中，以此來實(shí)現(xiàn)全盲檢測(cè),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(hào)的主要成分，攜帶較多的信號(hào)能量，在圖像有一定失真的情況下仍能保留主要成分，這個(gè)觀點(diǎn)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(xiàn)[6]和COX I J等人的觀點(diǎn)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(qiáng)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(duì)每個(gè)子塊進(jìn)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(yùn)算量，但會(huì)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(shí)計(jì)算量也增加了．為了保證圖像增強(qiáng)的質(zhì)量，考慮降低塊狀效應(yīng)和減少計(jì)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(shí)，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(bào) 2013年5期2013-11-12
- 限制對(duì)比度的多層POSHE自適應(yīng)圖像增強(qiáng)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(duì)比度增強(qiáng)效果，較AHE算法計(jì)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(qiáng)問題;翟藝書等人于2007年提出了一種改進(jìn)的霧天圖像清晰化方法［5］，利用移動(dòng)模板對(duì)各局部區(qū)域作POSHE處理，一定程度增強(qiáng)圖像對(duì)比度，但沒有解決POSHE算法存在的塊效應(yīng)和過增強(qiáng)問題。通過分析POSHE算法的不足，提出限制對(duì)比度多層POSHE自適應(yīng)圖像增強(qiáng)算法 (contrast limited mult
激光與紅外 2013年1期2013-11-12
- 一種改進(jìn)的運(yùn)動(dòng)目標(biāo)抗遮擋跟蹤算法
進(jìn)行分塊，通過各子塊表決確定最佳匹配位置來實(shí)現(xiàn)對(duì)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(shí)運(yùn)動(dòng)偏移量會(huì)導(dǎo)致誤匹配.文獻(xiàn)［12］采用動(dòng)態(tài)模板和遮擋檢測(cè)的方法(VMTM，Variant-mask Template Match)解決了目標(biāo)發(fā)生遮擋時(shí)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(duì)目標(biāo)進(jìn)行有效跟蹤.在對(duì)文獻(xiàn)［10-12］進(jìn)行研究的基礎(chǔ)上，提出一種改進(jìn)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(bào) 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(cè)。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(gè)8 8×圖像子塊為例說明圖像子塊區(qū)域分割的原理。一個(gè)8 8×圖像子塊共包含64個(gè)像素。為描述方便，將該8 8×圖像子塊記為R。R由64個(gè)小方塊組成，每個(gè)小方塊由細(xì)線條圍成，代表一個(gè)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(bào) 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(shí)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(shí)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(shí)現(xiàn)的整體流程圖。整個(gè)流程圖包括5個(gè)部分：2個(gè)子塊交織模塊、1個(gè)乒乓前控制模塊、1個(gè)乒乓后控制模塊和1個(gè)比特修剪模塊。2.2 乒乓前控制模塊的FPGA實(shí)現(xiàn)數(shù)據(jù)經(jīng)過Turbo編碼器后分3路暫存在3個(gè)RAM中。當(dāng)速
電子技術(shù)應(yīng)用 2013年7期2013-09-07
- 若干個(gè)C3并的點(diǎn)可區(qū)別V-全染色
為矩陣Mn的一個(gè)子塊；若Mn的一個(gè)子塊恰好可以完成一個(gè)C3的點(diǎn)可區(qū)別V-全染色,則稱這個(gè)子塊為一個(gè)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(dá)式及其對(duì)C3的點(diǎn)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(gè)C3的VDVT染色；I2,易知色集合{t,s,k},{k,t+1,s+1},{s+1,k,t}
- TDD-LTE系統(tǒng)Turbo速率匹配算法及FPGA實(shí)現(xiàn)
己的交織器(稱為子塊交織器)重新排列。LTE中12個(gè)尾比特也被同等的分配到3個(gè)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(gè)重排的檢驗(yàn)流的交錯(cuò)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(gè)流中的比特逐行寫入具有32列的矩陣(行數(shù)由流長(zhǎng)度決定)，為完全填補(bǔ)矩陣，空比特也被填充到每個(gè)流前面。設(shè)定子塊交織的列數(shù)為=32，然后根據(jù)交織長(zhǎng)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(jī)場(chǎng)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(jì)每個(gè)子塊中心象素點(diǎn)的耦合系數(shù)，利用線性插值，得到每個(gè)象素點(diǎn)的耦合系數(shù)。由于子塊的劃分沒有利用任何統(tǒng)計(jì)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(jì)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(jì)性質(zhì)和邊緣信息對(duì)圖像進(jìn)行四叉樹分解，把圖像分成不同大小的子塊。再根據(jù)每個(gè)子塊的大小以及子塊內(nèi)邊緣信息的豐富程度，估計(jì)出非均勻MRF的耦合系數(shù)。實(shí)驗(yàn)表明，本文的估計(jì)方法較為準(zhǔn)確，將它應(yīng)用到圖像
電子設(shè)計(jì)工程 2012年17期2012-03-17
- 一種改進(jìn)的醫(yī)學(xué)圖像壓縮編碼算法
分解為若干個(gè)分形子塊，使每個(gè)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(gè)分形庫，每一個(gè)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(duì)上述問題提出了全自動(dòng)的分形圖像壓縮方法，該演繹法基于圖像劃塊方式來實(shí)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(gè)像素點(diǎn)，其每個(gè)像素點(diǎn)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(jí)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(duì)前景塊進(jìn)行二次分塊，分為二級(jí)前景塊和背景塊.最后對(duì)不同類別的子塊圖像采用不同的策略來實(shí)現(xiàn)背景的實(shí)時(shí)更新.該算法以塊為操作對(duì)象，提高了運(yùn)算速度，對(duì)全局光照變化具有較強(qiáng)的魯棒性，且原理簡(jiǎn)單，容易實(shí)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(dá)到實(shí)時(shí)性要求.一般情況下，運(yùn)動(dòng)目標(biāo)往往只占監(jiān)控
智能系統(tǒng)學(xué)報(bào) 2010年3期2010-06-21