-
公开(公告)号：CN116385298A
公开(公告)日：2023-07-04
申请号：CN202310355905.X
申请日：2023-04-06
Applicant: 福州大学
Abstract: 本发明涉及一种用于无人机夜间采集图像的无参考增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对无人机夜间采集的每幅图像进行预处理，得到训练数据集；步骤S2、设计用于无人机夜间采集图像的增强网络，该网络由增强曲线估计网络、增强运算公式和感知复原网络组成；步骤S3、设计用于训练步骤S2所设计网络的无参考损失函数；步骤S4、使用训练数据集训练无人机夜间采集图像的增强网络；步骤S5、将待测无人机采集的夜间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感知的最终结果。
-
公开(公告)号：CN116363011A
公开(公告)日：2023-06-30
申请号：CN202310356172.1
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/00 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于频域分频的多分支低照度图像增强方法。包括：对输入图像进行预处理，包括数据配对、数据随机裁切、数据增强处理，得到训练数据集；设计基于频域分频的多分支低照度图像增强网络，该网络由基准分支、高频分支和低频分支三个分支组成，每个分支均包含浅层图像增强模块和基于多尺度特征协同注意力模块的UNet结构；设计用于指导步骤B所设计网络参数优化的损失函数；使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照度图像增强网络，得到训练好的基于频域分频的多分支低照度图像增强模型；将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强模型中，预测生成正常照度图像。本发明能增强低照度图像，解决低照度图像细节丢失、噪声多、亮度不足等问题。
-
公开(公告)号：CN116342569A
公开(公告)日：2023-06-27
申请号：CN202310347918.2
申请日：2023-04-04
Applicant: 福州大学
IPC: G06T7/00 , G06V10/774 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于构图感知的图像美学质量评价方法，包括以下步骤；步骤S1：将图像美学质量评价数据集和图像构图质量评价数据集处理后的数据形成美学质量评价训练集与美学质量评价测试集、构图质量评价训练集与构图质量评价测试集；步骤S2：设计金字塔式多尺度特征融合模块；步骤S3：设计图像构图质量评价网络，训练得到图像构图质量评价模型；步骤S4：设计图像美学质量评价网络，训练得到图像美学质量评价模型；步骤S5：将美学质量评价测试集中的图像输入到图像美学质量评价模型中，输出对应的评分分布，计算平均值作为图像美学质量分数；本发明能有效地借助图像中的构图信息来辅助实现图像美学评价，进一步提高图像美学质量评价算法的性能。
-
公开(公告)号：CN112801906B
公开(公告)日：2023-02-21
申请号：CN202110146982.5
申请日：2021-02-03
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0442 , G06N3/084
Abstract: 本发明涉及一种基于循环神经网络的循环迭代图像去噪方法，包括以下步骤:步骤S1:获取成对的原始噪声图像和无噪声图像并预处理，得到用于训练的噪声图像和无噪声图像的成对图像块；步骤S2:构建基于循环神经网络的循环迭代图像去噪网络，并使用噪声图像和无噪声图像的成对图像块训练；步骤S3:将待测原始噪声图像输入训练后的去噪网络，得到去噪图像。本发明通过循环迭代的方式将噪声去除的更干净的同时保留更多的图像细节，从而有效地重建去噪图像。
-
公开(公告)号：CN112613303B
公开(公告)日：2023-02-21
申请号：CN202110020656.X
申请日：2021-01-07
Applicant: 福州大学
IPC: G06F40/253 , G06F40/242 , G06F40/284 , G06F40/30 , G06V30/18 , G06V30/19 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于知识蒸馏的跨模态图像美学质量评价方法。包括以下步骤：S1：设计图文多模态美学质量评价的教师网络；S2：设计用于图像美学质量评价的学生网络；S3：设计用于进行对抗训练的判别器网络；S4：设计用于训练教师网络和学生网络的损失函数；S5：使用损失函数对步骤S1、S2及S3所设计网络进行训练；S6：将用于测试的图像输入训练好的学生网络预测其美学质量。本发明方法能显著提高美学质量预测精度。
-
Patent Agency Ranking
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：CN115209122A
公开(公告)日：2022-10-18
申请号：CN202210887485.5
申请日：2022-07-26
Applicant: 福州大学
IPC: H04N13/106 , H04N13/111
Abstract: 本发明涉及一种基于多智能体的立体图像视觉舒适度增强方法及系统，该方法包括：对高质量立体图像对的左、右视图分别进行变换扰动，合成视觉不舒适的立体图像对，并将原始高质量立体图像对作为参考图像对；构建基于注意力机制的立体图像特征增强融合网络，该网络采用多阶段结构设计，在不同阶段增强融合左、右视图不同尺度的特征；构建双智能体的强化学习架构，分别用于预测左视图和右视图四个角的偏移量，进而计算得到变换矩阵，并将变换矩阵应用于左、右视图；利用合成的立体图像对和参考图像对双智能体进行训练；通过训练后的双智能体对待调整的立体图像对进行变换调整，以提高其视觉舒适度。该方法及系统能够显著增强立体图像的视觉舒适度。
-
公开(公告)号：CN112767386B
公开(公告)日：2022-09-06
申请号：CN202110134073.X
申请日：2021-02-01
Applicant: 福州大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于主题特征和评分分布的图像美学质量评价方法及系统。该方法包括：将美学图像数据集中的数据进行预处理，划分为训练集与测试集，并为训练集中的每个图像创建对应的主题；设计图像主题特征分类网络、图像美学评分分布预测网络，并训练图像主题分类模型、美学评分分布预测模型；设计图像主题特征分类与美学评分分布预测的多任务网络，将图像主题分类模型与美学评分分布预测模型通过层特征融合连接起来，并训练多任务模型；将图像输入到多任务模型，输出对应的美学评分分布与主题特征，最后计算美学评分分布的平均值作为图像美学质量分数。本发明能同时进行图像的主题特征预测与美学评分分布预测，并提高图像美学质量评估算法性能。
-
公开(公告)号：CN114897884A
公开(公告)日：2022-08-12
申请号：CN202210684718.1
申请日：2022-06-17
Applicant: 福州大学
Abstract: 本发明提出一种基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法，首先，对失真屏幕内容图像数据集中的数据进行数据预处理；训练基于多尺度边缘特征融合的图像质量评分预测网络，得到无参考屏幕内容图像质量评分预测模型；所述基于多尺度边缘特征融合的图像质量评分预测网络使用支持双源输入的孪生网络对输入的失真图像和对应的边缘结构图进行多尺度特征提取和特征融合；再使用Transformer编码器模块以形成不同尺度特征的全局信息表示；最后将失真图像和对应的边缘结构图输入，输出失真图像的质量评估分数。从而有效提高无参考屏幕内容图像质量评估模型的性能。
-
公开(公告)号：CN114742774A
公开(公告)日：2022-07-12
申请号：CN202210326356.9
申请日：2022-03-30
Applicant: 福州大学
Abstract: 本发明涉及一种融合局部和全局特征的无参考图像质量评价方法及系统，该方法包括以下步骤：步骤S1：对失真图像数据集中的图像进行数据预处理，并将数据集划分为训练集与测试集；步骤S2：构建全局及局部图像坐标提取模块；步骤S3：构建时间注意力机制模块；步骤S4：构建融合局部和全局图像特征的无参考图像质量评价网络，并采用训练集训练所述无参考图像质量评价网络；步骤S5：将测试集中图像输入到训练好的无参考图像质量评价网络模型中，输出对应的图像质量评价结果。该方法及系统有利于提高无参考图像质量评价的准确性。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.023 seconds)
