摘要：虽然基于主成分分析的噪声水平评估算法的预测准确性比较高,但是以迭代方式从原生图块集合中筛选同质图块子集的过程导致其执行效率比较低.为提高现有算法的执行效率,提出一种基于两阶段支持向量机回归的快速噪声水平估计改进算法.首先依据原生图块协方差矩阵的前若干个特征值与噪声水平值的强相关性,利用支持向量机回归技术训练粗精度的预测模型,大致估计出图像中的噪声水平范围;然后根据初步估计的结果,使用专门针对低、中、高噪声水平训练的精细预测模型获得最终的噪声水平估计值.大量实验结果表明,该算法可以在不降低太多预测准确性的前提下,大幅度地提高执行效率,用它作为各类图像处理算法的前置预处理模块,较其他同类算法具有显著的综合优势.

摘要：为解决经典无参考图像空域质量评价(BRISQUE)算法中图像质量敏感特征描述能力弱的问题,进一步提高BRISQUE算法的准确性和鲁棒性,提出一种基于非零均值广义高斯模型与全局结构相关性的改进算法(IBRISQUE).首先用非零均值对称广义高斯模型从均值减损对比度归一化(MSCN)系数映射图中提取图像质量敏感特征;然后用非零均值非对称广义高斯模型在水平、垂直、主对角线和次对角线4个方向从MSCN系数映射图的相邻系数中提取反映局部结构失真的图像质量敏感特征;最后计算水平、垂直、主对角线和次对角线4个方向MSCN系数映射图的相邻系数的皮尔逊相关系数(PLCC)值,将其作为新增的反映全局结构失真的图像质量敏感特征.在LIVE和TID2013基准测试数据库上的实验结果表明,与当前主流图像质量评价算法相比,IBRISQUE算法具有更高的预测准确性,同时执行效率基本保持了与BRISQUE算法相当的水平,综合性能更优.

摘要：本文为S3C2410的USB主机控制器设计了基于Linux的USB主机控制器驱动程序。该驱动程序遵循USB1.1版本协议和OHCI1.0版本协议。使具有S3C2410的嵌入式系统具备了USB主机功能,能够和各种USB设备进行通信。

摘要：现有的高斯脉冲混合噪声降噪算法多基于正则化技术采用迭代求解最优目标函数值的方式实现,执行效率普遍比较低,严重限制了其实际应用范围.为此,以卷积神经网络(convolutional neural network,CNN)为核心技术提出了一种基于图像质量感知的快速盲降噪算法(image quality-aware fast blind denoising algorithm,IQA-FBDA).在训练阶段,首先基于浅层CNN卷积神经网络设计图像质量评估模型来预测待降噪图像的图像质量值;然后,依据在大量噪声图像训练集合上获得的图像质量值统计分布规律构建混合噪声模式分类字典;最后,基于该分类字典将噪声图像集合划分为16个子集并训练与各个子集相匹配的深层CNN卷积神经网络专用降噪模型.在降噪阶段,首先利用图像质量评估模型估计给定待降噪图像的质量值,然后依据所预测的图像质量值查找噪声模式分类字典并调用与之相匹配预先训练好的深层CNN降噪模型即可快速地完成盲降噪任务.实验数据表明:IQA-FBDA算法在降噪效果方面的性能达到了与主流高斯脉冲混合噪声降噪算法相当的水平,而在执行效率方面则有极大提高,更具实用价值.

摘要：现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明:所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值.

摘要：现有图像去模糊(deblurring)算法多依赖于正则化技术以迭代逼近求解最优目标函数方式实现关于原图像的最佳估计,由于缺乏迭代终止判定条件(ITC),这些算法通常采用固定迭代次数实现以至执行效率不高,同时所获得图像的质量在很多时候也未必是最佳的。鉴于在迭代过程中每一步所获得的中间估计图像经与模糊核卷积后和模糊图像之间残差图像的亮度值具有显著的高斯分布特点,提出使用广义高斯分布(GGD)模型为迭代过程中的残差图像建模并以GGD模型参数值作为衡量去模糊效果的度量(DM,deblurring measure)。基于DM,在保障去模糊图像质量的前提下,设计了ITC自适应地终止迭代过程以提高去模糊算法的计算效率。在经典的非局部集中稀疏表示(NCSR,nonlocally centralized sparse representation)去模糊算法上完成的大量的实验表明,对于运动、高斯和失焦3种典型的模糊失真,新提出的ITC能够有效判定在每一步迭代过程中所获得的估计图像是否已达到最佳的图像质量,从而实现在保障去模糊图像质量的前提下大幅度提高NCSR算法计算效率的目的。所提出的ITC判定方法具有普适性,调整相关参数后也可以应用于其它迭代型的去模糊算法。

摘要：由于缺乏有效的迭代终止条件(iterative stopping criterion,ISC),目前大多数去模糊算法简单采用固定的迭代次数实现,存在着执行效率低、去模糊效果不够理想等问题。为此,提出一种基于残差图像(迭代过程中所获得的中间估计图像和模糊核卷积后与模糊图像之间的差值)的去模糊效果度量(deblurring measure,DM),并在该DM度量的基础上设计了一种自适应的迭代终止条件(adaptive ISC,AISC)。将所提出的AISC迭代终止条件应用于经典的NCSR(nonlocally centralized sparse representation)迭代型去模糊算法中。在均匀模糊、高斯模糊和运动模糊三种典型模糊失真类型下大量的实验数据表明,与采用固定迭代次数的原NCSR算法相比,采用自适应迭代条件后NCSR算法执行效率得到显著提升,且所复原图像在PSNR、SSIM和FSIM图像指标值上与原算法差别不大。

摘要：针对纹身图像的特点和卷积神经网络(CNN)在全连接层对图像特征抽取能力的不足问题,提出一种三通道的卷积神经网络纹身图像检测算法,并进行了三方面的改进工作。首先,针对纹身图像的特点改进图像预处理方案;其次,设计了一个基于三通道全连接层的卷积神经网络进行特征提取,并对特征建立索引,有效地提高了网络对不同尺度下空间信息的提取能力,实现了对纹身图像的高效检测;最后,通过两个数据集验证了算法的泛化能力。实验结果表明,对NIST数据集所提预处理方案比Alex方案有总正确率提高0.17个百分点,纹身图像正确率提高0.29个百分点。在所提预处理方案下,提出的算法在标准的NIST纹身图像集上具有明显的优势,正确率从NIST公布的最优值96.3%提高到99.1%,提高了2.8个百分点;相对于传统的CNN算法,正确率从98.8%提高到99.1%,提高了0.3个百分点。在Flickr数据集上也有相应的性能提升。

摘要：以USB 1.1版本协议和OHCI 1.0版本协议为基础,开发基于S3C2410处理器的USB主机控制器的驱动程序。使具有S3C2410的嵌入式系统拥有USB主机功能,能够连接USB鼠标、键盘、摄像头等USB设备。

摘要：通用串行总线(USB)作为一种标准的计算机可以支持快速、双向、同步传输及热插拔,使用方便、灵活,但USB协议的复杂性,使得USB应用开发难度较大.本文通过一个USB数据采集系统的设计过程,介绍了USB设备开发的一般方法.