-
公开(公告)号：CN108537806A
公开(公告)日：2018-09-14
申请号：CN201810342811.8
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于累积能量的立体图像线裁剪重定向方法，包括以下步骤：1、输入立体图像和对应的视差图，初始化输入图像的能量矩阵和能量累积矩阵；2、采用动态规划的方法找到左、右视图的最优缝组并记录其路径；3、将最优缝组路径上的每个像素的能量累积到其相邻的8个像素上；4、检测并沿着最大边缘信息的方向继续向相邻的2个像素进行能量累积；5、删除最优缝组，更新图像的能量矩阵、能量累积矩阵M及对应的视差图；6、迭代上述步骤直至目标尺寸，获得重定向后的左、右视图和对应的视差图。该方法能够有效减少由于缝操作集中在图像某一区域从而引起的立体图像的视觉失真，并能保持左右图像的几何一致性，提高立体图像线裁剪的性能。
-
公开(公告)号：CN108510574A
公开(公告)日：2018-09-07
申请号：CN201810342814.1
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于样例学习并增强视觉质量的3D图像裁剪方法，包括：计算专业3D立体图像库中每幅图像的GIST特征和HIST特征；输入待裁剪图像和目标尺寸，采用采样方法获得候选裁剪窗口集合；计算每个候选裁剪窗口与图像库中每幅图像的GIST特征和HIST特征的相似性，并获得与其最相似的n幅图像，组合形成学习的样例集合；利用样例评估各候选裁剪窗口的构图和深度信息分布质量，及信息丢失和立体图像视觉舒适规则遵守情况，计算左视图的裁剪窗口；通过学习样例，对右视图的裁剪窗口水平移动获得与学习样例最相似的深度分布，从而获得最终的裁剪结果。该方法有利于获得视觉舒适的裁剪结果，可应用于图像处理及计算机视觉等领域。
-
公开(公告)号：CN108416756A
公开(公告)日：2018-08-17
申请号：CN201810255379.9
申请日：2018-03-26
Applicant: 福州大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于机器学习的区域感知图像去噪方法，包括以下步骤：1、对噪声图像采用加噪标准差σ和k种缩小率缩小后的标准差rj×σ分别作为去噪参数，获得不同去噪结果集；2、将采用σ分别与采用rj×σ的去噪结果相结合，获得最优缩小率和图像块对于采用σ和这两种去噪参数的偏好；3、对噪声图像和采用两种去噪参数的去噪结果进行特征提取；4、将获得的偏好特征集作为机器学习算法的特征集，学习获得图像块的去噪参数偏好模型；5、采用去噪参数偏好模型对测试集中噪声图像进行预测，获得每个图像块预测的偏好概率值；6、通过阈值处理并结合两种去噪参数的去噪结果，获得最终的去噪结果。该方法能够有效提高图像去噪方法的性能。
-
公开(公告)号：CN105574885A
公开(公告)日：2016-05-11
申请号：CN201610017544.8
申请日：2016-01-13
Applicant: 福州大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/20081 , G06T2207/30168
Abstract: 本发明涉及一种基于机器学习并融合视觉特征的全参考图像质量评估方法，包括以下步骤：分别采用客观全参考图像质量评估方法、结合图像显著性分布的客观全参考图像质量评估方法、结合局部图像质量排序的客观全参考图像质量评估方法、结合局部图像质量数据统计的客观全参考图像质量评估方法对目标图像提取特征，获得特征集F1、F2、F3和F4；综合特征集F1、F2、F3和F4，将其作为机器学习算法的特征集T，通过机器学习算法和三等分交叉验证方法学习得出客观评估模型；采用客观评估模型对图像进行质量评估，得到客观全参考图像质量评估得分值。该方法可有效的对全参考图像的质量进行评估，与用户主观评分之间具有较好的相关性与准确性。
-
公开(公告)号：CN116385932B
公开(公告)日：2025-05-09
申请号：CN202310356360.4
申请日：2023-04-06
Applicant: 福州大学
Abstract: 本发明提供了结合卷积和注意力的时空融合视频质量评价方法，包括以下步骤：步骤S1：将视频质量评价数据集中的数据集进行预处理，使其大小一致，并划分训练集和测试集；步骤S2：设计结合卷积和注意力机制的空间特征提取网络；步骤S3：设计结合卷积和注意力的时间特征提取网络；步骤S4：设计基于注意力机制的时空特征融合网络；步骤S5：将视频分别送入设计好的空间特征提取网络和时间特征提取网络进行训练；步骤S6：将所提取的空间特征和时间特征送入时空特征融合网络，训练并保存时空特征融合网络。步骤S7：将测试视频送入空间特征提取网络和时间特征提取网络，然后将时间和空间特征送入时空特征融合网络得到视频的质量评估分数。
-
Patent Agency Ranking
公开(公告)号：CN119904552A
公开(公告)日：2025-04-29
申请号：CN202411974689.8
申请日：2024-12-30
Applicant: 福州大学
IPC: G06T11/60 , G06N3/0895 , G06V10/74 , G06V10/98 , G06V10/82
Abstract: 本发明涉及一种基于文本提炼与多粒度对齐的CLIP的图像美学评价方法，属于图像处理以及计算机视觉领域。所述方法，利用现有的大语言模型对美学数据集中的用户评论进行文本提炼，从中分析并概括出与美学相关的核心描述，进而构建美学摘要数据集；其次，设计多粒度对齐的CLIP框架，基于该框架利用配对的图像‑详细评论‑美学摘要对原始的CLIP模型进行微调，使模型更好地理解美学领域中图像与文本描述之间的语义关系，从而学习到更加丰富的美学特征表示，获得针对美学任务的优化后的CLIP模型；最后，基于微调后的CLIP模型设计图像美学质量评价网络，以实现对图像美学质量的有效预测。本发明避免了跨模态美学评价方法在推理阶段需要同时输入图像文本对的问题。
-
公开(公告)号：CN114723630B
公开(公告)日：2024-09-06
申请号：CN202210335774.4
申请日：2022-03-31
Applicant: 福州大学
IPC: G06T5/73 , G06T7/42 , G06T5/60 , G06N3/0464
Abstract: 本发明涉及一种基于空洞双残差多尺度深度网络的图像去模糊方法及系统，该方法包括以下步骤：对原始模糊退化图像和干净图像的训练图像对进行预处理，并组成图像块数据集；构建空洞双残差多尺度深度网络，其采用多尺度编码解码器结构，包括多个空洞双残差模块以及小波重建模块；以图像块数据集为训练数据，根据目标损失函数，利用反向传播方法计算多尺度深度网络中各参数的梯度，并利用随机梯度下降方法更新参数，学习多尺度深度网络的最优参数；将待测图像输入到训练好的空洞双残差多尺度深度网络中，预测生成去除模糊之后的干净图像。该方法及系统有利于提高图像去模糊的性能，去除图像模糊的同时保留更多的图像纹理细节，重建出高质量的清晰图像。
-
公开(公告)号：CN116797491A
公开(公告)日：2023-09-22
申请号：CN202310853029.3
申请日：2023-07-12
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于任务解耦的暗光模糊图像增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对暗光模糊图像的每幅图像进行预处理，得到训练数据集；步骤S2、设计任务解耦的暗光模糊图像增强网络，该网络由颜色变换分支、融合增强分支和高频信息重建分支组成；步骤S3、设计用于训练步骤S2所设计网络的损失函数；步骤S4、使用训练数据集训练基于任务解耦的暗光模糊图像增强网络；步骤S5、将待测暗光模糊图像输入到所设计的网络中，利用训练好的网络预测生成具有更好视觉感知的最终结果。
-
公开(公告)号：CN113657380B
公开(公告)日：2023-08-18
申请号：CN202110944392.7
申请日：2021-08-17
Applicant: 福州大学
IPC: G06V30/19 , G06V30/166 , G06V30/18 , G06V10/32 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出融合多模态注意力机制的图像美学质量评价方法，包括以下步骤；步骤S1：对美学图像数据集中的数据进行数据预处理，提取美学图像所对应文本的文本特征，并将数据集划分为训练集与测试集；步骤S2：设计融合文本特征和图像特征的多模态注意力机制模块；步骤S3：设计融合多模态注意力机制的图像美学评分分布预测网络，使用该网络训练融合多模态注意力机制的图像美学评分分布预测网络模型；步骤S4：将图像输入到融合多模态注意力机制的图像美学评分分布预测网络模型中，输出对应的图像美学评分分布，最后计算美学评分分布的平均值作为图像美学质量分数；本发明能实现视觉特征与美学文本特征相互指导与融合，提高图像美学质量评估方法的性能。
-
公开(公告)号：CN113658072B
公开(公告)日：2023-08-08
申请号：CN202110935907.7
申请日：2021-08-16
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提出一种基于渐进式反馈网络的水下图像增强方法，包括以下步骤：步骤S1：将用于训练的水下图像数据进行配对处理，接着对其进行数据增强和归一化处理，得到待训练配对图像；步骤S2：把待训练配对图像输入可在每个阶段结合离散小波变换与注意力反馈机制对图像进行增强的多阶段渐进图像增强网络，训练可对水下图像进行增强的图像增强模型，网络各阶段之间使用监督注意力模块进行校正；步骤S3：设定图像增强网络的目标损失函数；步骤S4：使用配对的训练图像增强网络收敛到纳什平衡；步骤S5：对待增强的水下图像进行归一化处理，然后输入训练好的图像增强模型，输出增强后的图像；本发明有利于提高水下图像质量。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.026 seconds)
