-
公开(公告)号：CN111724370A
公开(公告)日：2020-09-29
申请号：CN202010563396.6
申请日：2020-06-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于不确定性和概率的多任务无参考图像质量评估方法及系统，首先将待训练的数据进行数据预处理；然后设计能够预测失真类型和图像质量分数的多任务卷积神经网络，并训练该多任务卷积神经网络；最后将待测图像进行预处理，生成图像块，利用训练好的多任务卷积神经网络预测所生成的图像块的质量分数和失真类型，根据图像块的质量分数和失真类型计算待测图像的质量分数和失真类型。本发明通过提出的多任务卷积神经网络提取图像特征、学习图像质量和失真类型之间的不确定性，不仅能够评估图像质量，也能够预测失真类型，并显著提高无参考图像质量评估的性能。
-
公开(公告)号：CN111242916A
公开(公告)日：2020-06-05
申请号：CN202010023531.8
申请日：2020-01-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于配准置信度量的图像显示适应评估方法，包括步骤：对原始图像进行显著性检测，生成显著性图；计算待评估的显示适应结果图像和原始图像之间的配准置信度量；计算待评估的显示适应结果图像的块级图像相似度量；利用配准置信度量对块级图像相似度量进行校正，得到块级保真度量；使用显著性图对块级保真度量进行加权池化并得到图像质量分数。本发明有利于提高图像显示适应评估性能。
-
公开(公告)号：CN107240107B
公开(公告)日：2019-08-09
申请号：CN201710522580.4
申请日：2017-06-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于图像检索的显著性检测元评估方法，包括以下步骤：分别以用户标注的显著性图和T种显著性检测算法生成的显著性图作为权重计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，分别得到检索序列和；分别计算检索序列和的相似性值，排序得到图像检索应用对T种显著性检测算法的评估排序序列；分别计算显著性检测评估方法对T种显著性检测算法的评估值，排序得到显著性检测评估方法对T种显著性检测算法的评估排序序列；计算序列与的相关性；取图像集中所有输入图像的相关性的平均值作为显著性检测评估方法的评估值。该方法有利于为实际应用选出合适有效的显著性检测评估方法。
-
公开(公告)号：CN109816592A
公开(公告)日：2019-05-28
申请号：CN201910077583.0
申请日：2019-01-26
Applicant: 福州大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于卷积神经网络的单帧图像连续尺度超分辨率方法。首先，输入待超分辨率的低分辨率图像和放大尺度因子t；其次，根据输入的放大尺度因子确定其对应的最优整数放大尺度因子s，利用双三次插值算法将输入的低分辨率图像放大s倍；再而，利用现有的基于卷积神经网络的超分辨率算法的网络模型，放大图像进行特征提取及重建，得到放大了s倍的高分辨率图像；最后，对得到的高分辨率图像，使用双三次插值缩放至目标分辨率，得到最终的放大了t倍的高分辨率图像。本发明能够有效地提高已有基于卷积神经网络的超分辨率算法在连续放大尺度超分辨率上的性能，可应用于图像处理、计算机视觉等领域。
-
公开(公告)号：CN109672874A
公开(公告)日：2019-04-23
申请号：CN201910157230.1
申请日：2019-03-01
Applicant: 福州大学
IPC: H04N13/15 , H04N13/106
Abstract: 本发明涉及一种时空一致的立体视频颜色校正方法，首先从参考视频帧和目标视频帧中每隔a帧选出一对关键帧，在每个时间滑动窗口内选取k对；接着对于每一对关键帧，采用图像颜色校正算法获得目标视频关键帧的初始颜色校正结果帧，然后利用引导滤波计算得到和输入的目标视频关键帧结构更加一致的颜色校正结果视频帧；然后在时间滑动窗口内，利用改进的直方图匹配求出目标视频关键帧和颜色校正后的目标视频关键帧之间的颜色映射函数；最后用该颜色映射函数校正位于时间滑动窗口中心的a帧目标视频帧，得到a帧颜色校正后的最终目标视频帧。本发明对于立体视频颜色差异能够起到很好的校正效果。
-
Patent Agency Ranking
公开(公告)号：CN109492672A
公开(公告)日：2019-03-19
申请号：CN201811210693.1
申请日：2018-10-17
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种自然场景下快速、鲁棒的银行卡定位与分类方法，包括以下步骤：步骤S1：获取银行卡数据集，并对获取的银行卡数据集进行标注，为训练银行卡定位与分类模型做好准备；步骤S2：使用收集到的银行卡数据集训练银行卡定位与分类模型；步骤S3：将待检测的银行卡图像输入训练好的银行卡定位与分类模型中，利用训练好的银行卡定位与分类模型对待检测的银行卡图像进行定位与识别。本发明能够有效地对待检测图像中的银行卡进行定位与分类。
-
公开(公告)号：CN109215028A
公开(公告)日：2019-01-15
申请号：CN201811314639.1
申请日：2018-11-06
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络的多目标优化图像质量评估方法，首先将待训练的图像有重叠地划分为图块，并进行数据增强；然后设计多任务卷积神经网络的结构，同时学习图像的质量评估分数和失真类型；接着训练基于多任务卷积神经网络的图像质量评估模型；最后利用训练好的图像质量评估模型预测待预测图像的所有图块的质量评估分数和失真类别，分别通过多数表决方法和选择性加权计算方法计算图像最终的失真类型和质量评估分数。本发明有利于提高无参照图像质量评估性能。
-
公开(公告)号：CN108765180A
公开(公告)日：2018-11-06
申请号：CN201810535515.X
申请日：2018-05-29
Applicant: 福州大学
IPC: G06Q50/00
CPC classification number: G06Q50/01
Abstract: 本发明涉及一种基于影响力与种子扩展的重叠社区发现方法，包括：1、读取网络数据集，生成网络结构图并获取节点信息；2、结合Jaccard系数和节点信息，计算节点的影响力分数；3、基于影响力分数，找到核心种子节点，建立核心种子社区集合；4、合并相似度高的社区，得到优化后的核心种子社区集合；5、根据社区邻居集中节点与相应社区的相似度，标记出候选节点；6、将满足模块度要求的候选节点加入相应社区中，得到重叠社区集合；7、将自由节点加入相似度高的重叠社区，更新重叠社区集合；8、合并相似度高的社区，得到优化后的重叠社区集合；9、输出最终的社区划分结果。该方法可以高效、准确地对复杂网络的重叠结构进行划分。
-
公开(公告)号：CN108550149A
公开(公告)日：2018-09-18
申请号：CN201810342813.7
申请日：2018-04-17
Applicant: 福州大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于实际应用的显著性检测元评估方法，包括以下步骤：1、提取图像检索数据集中每幅图像的深度卷积特征，利用基于深度卷积特征的图像检索方法计算得到T种显著性检测算法对应的T个检索序列集合；2、分别计算图像检索数据集中所有图像的标准检索序列集合与T个检索序列集合之间的平均精度值，据此降序排列得到图像检索应用对T种显著性检测算法的评估排序序列；3、计算显著性检测评估方法对T种显著性检测算法的评估值，据此降序排序得到显著性检测评估方法对T种显著性检测算法的评估排序序列；4、计算两序列的相关性，以此作为显著性检测评估方法的评估值。该方法有利于为实际应用选出合适有效的显著性检测评估方法。
-
公开(公告)号：CN108550119A
公开(公告)日：2018-09-18
申请号：CN201810262921.3
申请日：2018-03-27
Applicant: 福州大学
Abstract: 本发明涉及一种结合边缘信息的图像去噪方法，包括以下步骤：步骤S1：对噪声图像采用加噪标准差σ作为去噪参数进行去噪，获得第一去噪结果；步骤S2：对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数进行去噪，获得第二去噪结果；步骤S3：对第一去噪结果计算图像边缘信息，得到边缘图像；步骤S4：对边缘图像进行膨胀操作，得到膨胀后的边缘图像；步骤S5：采用膨胀后的边缘图像作为权重图，将第一去噪结果与第二去噪结果相结合，获得最终的去噪结果。该方法有利于提高图像去噪方法的性能，可应用于图像和视频处理、计算机视觉等领域。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.021 seconds)
