遥感图像中薄云的存在为遥感图像的判读带来了极大的影响,本文针对遥感图像中的薄云雾提出了一种基于高维空间几何信息学(High-Dimensional Space Geometrical Informatics)(HDSGI)的去云的新算法.基于HDSGI理论,将一副带有薄云的遥感图像作为高维空间中的一点,通过各向同性滤波器将该高维空间点几何分解到不同尺度的两个子空间,对各个子空间的分解分量分别进行抑制、增益变换,将经过变换后的子空间分量合成得到最终所需的去云后遥感图像.采用实际卫星影像和航空影像对该算法进行实验验证,用同态滤波和小波分解算法进行同类算法比较,并采用若干客观图像评价参数评价分析处理后图像.实验结果表明,本文算法不仅能有效降低薄云覆盖及相关的噪音干扰,而且可以增强原始遥感图像边缘信息,达到去除薄云的目的.
本文针对H.264 Fidelity Range Extensions(FRExt,High Profile)解码过程中扩展的所有变换,采用二维矩阵分解和基于矩阵运算提取公共因子的操作,利用通用运算单元来设计高效的可重构VLSI结构.该结构不但节省面积(可重构变换结构只消耗了4807门电路),并且具有高性能(采用TSMC 0.13微米工艺,在150MHz的时钟频率下工作,该电路可以达到1.2G pixels/s的吞吐率,支持分辨率为4096×2048、每秒60帧的视频实时解码需求).根据DTUA(吞吐率和电路规模的比值)作为效率因子,本设计在支持H.264 High Profile所有变换的设计中具有最高的效率.
许多核化形式的分类方法如SVM,SVDD等都是对应一个二次规划(QP)问题,而核矩阵计算需要O(m2)空间复杂度,求解QP需要O(m3)时间复杂度,限制了这类方法对大样本数据的训练.本文基于一种新的分类间隔概念提出最大向量夹角间隔分类器MAMC,目标是在样本空间找到最优向量 c ,测试样本通过 c 与训练样本之间的最大化向量夹角间隔ρ(称为Margin)实现分类.同时,文中证明了该方法的核化形式等价于核化的最小包络球MEB问题,并通过引入核心集向量机CVM将MAMC扩展为MAM-CVM,进而快速实现对大样本的训练和分类.人造和真实数据集实验表明了MAMC和MAM-CVM算法的有效性.