-
公开(公告)号：CN111988593B
公开(公告)日：2022-06-14
申请号：CN202010893423.6
申请日：2020-08-31
Applicant: 福州大学
IPC: H04N13/15 , H04N13/122 , G06V10/774 , G06V10/74
Abstract: 本发明涉及一种基于深度残差优化的立体图像颜色校正方法，包括以下步骤：S1：对数据集中无失真立体图像的左或右视图进行颜色失真处理，产生失真立体图像，建立包括无失真立体图像和失真立体图像的训练集；S2：用立体匹配模型计算所有失真立体图像的视差图，利用图像变形技术生成初始化匹配图像；S3：构建基于神经网络的颜色校正残差图优化模型，将残差图作为模型的输入，并设计损失函数；S4：使用损失函数训练模型，通过最小化损失函数学习模型的最优参数，得到训练好的模型；S5：用训练好的模型对待校正的失真立体图像进行颜色校正。该方法及系统有利于提高颜色校正结果与参考图像的颜色一致性，并保持与目标图像的结构一致性。
-
Patent Agency Ranking
公开(公告)号：CN111047618A
公开(公告)日：2020-04-21
申请号：CN201911352695.9
申请日：2019-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于多尺度的无参考屏幕内容图像质量评估方法，包括以下步骤：步骤S1：将失真图像从RGB颜色空间转换到LMN颜色空间，并利用bicubic算法对L分量进行放大，利用Gabor滤波器的虚部提取失真图像的边缘特征；步骤S2：利用bicubic算法对失真图像的灰度图进行放大，并利用Scharr滤波器和局部二值模式提取失真图像的结构特征；步骤S3：利用局部归一化算法提取失真图像的亮度特征；步骤S4：将得到的三个特征作为训练数据，利用随机森林回归训练图像质量评估模型；步骤S5：根据步骤S1-S3，获取待测图像的边缘特征、结构特征和亮度特征，并利用训练好的图像质量评估模型预测待测图像的质量分数。本发明能显著提高无参考屏幕内容图像质量评估性能。
-
公开(公告)号：CN113658130B
公开(公告)日：2023-07-28
申请号：CN202110935267.X
申请日：2021-08-16
Applicant: 福州大学
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于双重孪生网络的无参考屏幕内容图像质量评估方法。包括：对失真屏幕内容图像数据集中的数据进行预处理，在每幅失真图像的灰度图上提取对应的结构特征图，生成对应结构特征图数据集，并将两个数据集划分为训练集与测试集；设计多头自注意力模块，学习失真图像特征与其对应结构特征之间的特征关联信息；设计支持双源输入的孪生网络，使用所设计的网络学习失真图像的多类失真信息；设计双重孪生的图像质量评估网络，训练所设计的网络得到无参考屏幕内容图像质量评估模型；将测试集中的失真屏幕内容图像和对应的结构特征图输入到训练好的基于双重孪生网络的无参考屏幕内容图像质量评估网络模型中，计算失真图像的质量评估分数。
-
公开(公告)号：CN111988593A
公开(公告)日：2020-11-24
申请号：CN202010893423.6
申请日：2020-08-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度残差优化的立体图像颜色校正方法，包括以下步骤：S1：对数据集中无失真立体图像的左或右视图进行颜色失真处理，产生失真立体图像，建立包括无失真立体图像和失真立体图像的训练集；S2：用立体匹配模型计算所有失真立体图像的视差图，利用图像变形技术生成初始化匹配图像；S3：构建基于神经网络的颜色校正残差图优化模型，将残差图作为模型的输入，并设计损失函数；S4：使用损失函数训练模型，通过最小化损失函数学习模型的最优参数，得到训练好的模型；S5：用训练好的模型对待校正的失真立体图像进行颜色校正。该方法及系统有利于提高颜色校正结果与参考图像的颜色一致性，并保持与目标图像的结构一致性。
-
公开(公告)号：CN111047618B
公开(公告)日：2023-01-03
申请号：CN201911352695.9
申请日：2019-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于多尺度的无参考屏幕内容图像质量评估方法，包括以下步骤：步骤S1：将失真图像从RGB颜色空间转换到LMN颜色空间，并利用bicubic算法对L分量进行放大，利用Gabor滤波器的虚部提取失真图像的边缘特征；步骤S2：利用bicubic算法对失真图像的灰度图进行放大，并利用Scharr滤波器和局部二值模式提取失真图像的结构特征；步骤S3：利用局部归一化算法提取失真图像的亮度特征；步骤S4：将得到的三个特征作为训练数据，利用随机森林回归训练图像质量评估模型；步骤S5：根据步骤S1‑S3，获取待测图像的边缘特征、结构特征和亮度特征，并利用训练好的图像质量评估模型预测待测图像的质量分数。本发明能显著提高无参考屏幕内容图像质量评估性能。
-
公开(公告)号：CN113658130A
公开(公告)日：2021-11-16
申请号：CN202110935267.X
申请日：2021-08-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于双重孪生网络的无参考屏幕内容图像质量评估方法。包括：对失真屏幕内容图像数据集中的数据进行预处理，在每幅失真图像的灰度图上提取对应的结构特征图，生成对应结构特征图数据集，并将两个数据集划分为训练集与测试集；设计多头自注意力模块，学习失真图像特征与其对应结构特征之间的特征关联信息；设计支持双源输入的孪生网络，使用所设计的网络学习失真图像的多类失真信息；设计双重孪生的图像质量评估网络，训练所设计的网络得到无参考屏幕内容图像质量评估模型；将测试集中的失真屏幕内容图像和对应的结构特征图输入到训练好的基于双重孪生网络的无参考屏幕内容图像质量评估网络模型中，计算失真图像的质量评估分数。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
