針對(duì)語(yǔ)義分割圖像在存儲(chǔ)和傳輸過(guò)程中壓縮性能不足,占用資源多的問(wèn)題,提出基于上下文與二進(jìn)制算術(shù)編碼的自適應(yīng)編碼方法。該方法提出了最佳上下文模型階數(shù)的概念和計(jì)算方法,并根據(jù)最佳上下文模型與圖像復(fù)雜度的相關(guān)性,設(shè)計(jì)了上下文模型自適應(yīng)選擇算法。通過(guò)支持向量機(jī)方法建立上下文模型分類(lèi)器,根據(jù)語(yǔ)義分割圖像復(fù)雜度特征,預(yù)測(cè)其最佳的上下文模型用于二進(jìn)制算術(shù)編碼。利用遙感影像語(yǔ)義分割數(shù)據(jù)集對(duì)算法進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果表明,與常用的二進(jìn)制算術(shù)編碼方法比,提出的算法能在壓縮比不變的情況下縮短壓縮時(shí)間38%左右,有效提高了壓縮性能。 

【文章來(lái)源】：探測(cè)與控制學(xué)報(bào). 2020,42(05)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 引言
1 二進(jìn)制算術(shù)編碼與上下文模型
2 自適應(yīng)編碼方法
    2.1 圖像特征與上下文模型
    2.2 上下文模型選擇
        2.2.1 最佳上下文模型階數(shù)
        2.2.2 圖像復(fù)雜度特征
        2.2.3 上下文模型分類(lèi)器
    2.3 自適應(yīng)編碼流程
3 實(shí)驗(yàn)與分析
    3.1 分類(lèi)器訓(xùn)練和測(cè)試
        3.1.1 數(shù)據(jù)集構(gòu)建
        3.1.2 SVM分類(lèi)模型訓(xùn)練
    3.2 自適應(yīng)編碼算法測(cè)試
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于深度網(wǎng)絡(luò)的圖像語(yǔ)義分割綜述[J]. 羅會(huì)蘭,張?jiān)?  電子學(xué)報(bào). 2019(10)
[2]多尺度信息融合的遙感圖像語(yǔ)義分割模型[J]. 張靜,靳淇兆,王洪振,達(dá)鋮,向世明,潘春洪.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(09)
[3]基于邊緣特征融合和跨連接的車(chē)道線語(yǔ)義分割神經(jīng)網(wǎng)絡(luò)[J]. 龐彥偉,修宇璇.  天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版). 2019(08)
[4]邊緣圖像自適應(yīng)編碼方法[J]. 高異凡,諶德榮,宮久路.  導(dǎo)航與控制. 2019(01)
[5]基于多層深度特征融合的極化合成孔徑雷達(dá)圖像語(yǔ)義分割[J]. 胡濤,李衛(wèi)華,秦先祥.  中國(guó)激光. 2019(02)
[6]圖像復(fù)雜度研究綜述[J]. 周兵,劉玉霞,楊欣欣,劉揚(yáng).  計(jì)算機(jī)科學(xué). 2018(09)
[7]基于上下文的黑白散斑圖像壓縮[J]. 李東暉.  激光與光電子學(xué)進(jìn)展. 2018(12)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外場(chǎng)景理解算法[J]. 王晨,湯心溢,高思莉.  紅外技術(shù). 2017(08)
[9]基于粒子群優(yōu)化支持向量機(jī)神經(jīng)網(wǎng)絡(luò)的彈丸落點(diǎn)預(yù)報(bào)[J]. 馬焱,趙捍東,黃鑫.  探測(cè)與控制學(xué)報(bào). 2017(02)



本文編號(hào)：3195774