该文提出一组基于广义局部沃尔什变换(GLWT)的纹理特征。首先给出局部沃尔什变换(LWT)的定义，并在空域中对其加以推广，用以提取图像的局部纹理信息；然后在一个宏窗口中估计12个GLWT系数的二阶矩作为图像的纹理特征。对这组纹理特征的鉴别性能进行了分析，并与Haralick(1973)，Wang Li(1990)，以及Yu Hui提出的纹理特征进行了比较。实验结果表明，该文提出的纹理特征具有更好的鉴别性能和分类能力。

用H.263标准对甚低码率图像编码时，经过帧间预测后得到的运动补偿数据通常很小，对这些数据再进行DCT和量化后往往成为全零块，Alice Yu算法和周算法是预先判别全零系数块的较为有效的方法，但在对较为复杂的序列图像进行预测时分别出现了较大程度的误判和漏判。针对这些缺点，该文提出了一种新的全零系数块的判别方法，它具有能随量化级的变化自适应地调整全零块的判断阈值、无需任何附加运算和对图像序列内容复杂程度不敏感的优点，将该方法应用于H.263编码器中，对Miss America和News图像序列进行仿真实验。实验表明，大约有40％-80％的块可以在做DCT和量化前被判别为全零系数块，大大减少了编码的时间，同时图像质量的下降控制在0.0005 dB以内。

在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。