-
公开(公告)号：CN111724370B
公开(公告)日：2022-07-08
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：CN111724306B
公开(公告)日：2022-07-08
申请号：CN202010563256.9
申请日：2020-06-19
Applicant: 福州大学
IPC: G06T3/40 , G06N3/04 , G06N3/08 , G06K9/62 , G06V10/774
Abstract: 本发明涉及一种基于卷积神经网络的图像缩小方法及系统，首先对原始高分辨率训练图像进行预处理，得到原始高分辨率训练图像块组成的图像块数据集；然后设计图像缩小教师网络，并使用图像块数据集训练该网络；接着设计图像缩小学生网络，保持训练好的图像缩小教师网络的参数、权重不变，训练图像缩小学生网络；最后将原始高分辨率的测试图像输入到训练好的图像缩小学生网络，预测其缩小后的图像。本发明能够提高图像缩小后小图的质量。
-
公开(公告)号：CN111311517B
公开(公告)日：2022-07-08
申请号：CN202010120345.6
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于抠图的颜色校正优化方法，包括以下步骤：S1：输入参考图像和目标图像，生成颜色校正结果图像和初始残差图像；S2：利用初始残差图像建立损失函数并使其最小化，获得关于最优残差图像的二次型损失函数；S3：利用MDSI和GSM方法分别生成目标图像和颜色校正结果图像的结构一致性置信图和梯度相似性置信图，进而得到图像一致性置信图；S4：在二次型损失函数中添加结构数据项来约束图像的结构，生成最优残差图像，进而生成结果图像；S5：利用梯度优化算法对结果图像进行梯度一致性优化，增强结果图像的边缘结构，生成最终结果图像。该方法有利于在对图像进行颜色校正优化的同时保证图像的清晰度。
-
公开(公告)号：CN114693558A
公开(公告)日：2022-07-01
申请号：CN202210335753.2
申请日：2022-03-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于渐进融合多尺度策略的图像去摩尔纹方法及系统，该方法包括以下步骤：步骤S1、对原始数据集中图像进行处理，得到摩尔纹图像和干净图像对，并对每幅图像进行预处理，得到训练数据集；步骤S2、构建基于渐进融合多尺度策略的多尺度去摩尔纹网络，所述多尺度去摩尔纹网络采用多尺度设计，由两个渐进纹理融合模块和多个残差摩尔纹去除模块组成；步骤S3、构建用于训练所述多尺度去摩尔纹网络的损失函数；步骤S4、采用训练数据集训练所述多尺度去摩尔纹网络；步骤S5、将待处理的摩尔纹图像输入训练好的多尺度去摩尔纹网络，输出去除摩尔纹后的干净图像。该方法及系统有利于实现高质量的图像去摩尔纹。
-
公开(公告)号：CN112801909B
公开(公告)日：2022-06-14
申请号：CN202110162762.1
申请日：2021-02-05
Applicant: 福州大学
Abstract: 本发明涉及一种基于U‑Net和金字塔模块的图像融合去噪方法及系统，该方法包括以下步骤：S1、将成对的原始噪声图像和无噪声图像进行预处理，得到用于训练的成对图像块；S2、选取图像去噪深度网络模型FFDNet，并加载已训练完成的模型参数；步骤S3、构建基于U‑Net和金字塔模块的图像融合去噪网络；S4、以批次为单位将成对图像块输入FFDNet，并将其得到的结果输入图像融合去噪网络，根据损失函数训练图像融合去噪网络；S5、将用于测试的原始噪声图像输入FFDNet，并将其得到的结果输入训练好的图像融合去噪网络，得到最终的去噪图像。该方法及系统有利于提升去噪性能并保留更多的图像细节。
-
Patent Agency Ranking
公开(公告)号：CN111145123B
公开(公告)日：2022-06-14
申请号：CN201911387476.4
申请日：2019-12-27
Applicant: 福州大学
Abstract: 本发明涉及一种基于U‑Net融合保留细节的图像去噪方法，该方法包括以下步骤：步骤A：设置两种不同的去噪参数进行去噪，获得对应两种不同去噪参数的初始去噪结果图像；步骤B：分别将初始去噪结果图像，以及无噪声图像分成图像块，获得图像块对训练集；步骤C：使用步骤B获得的图像块对训练集，训练基于U‑Net的图像融合深度网络，获得对应特定噪声幅度的基于U‑Net图像融合模型；步骤D：对于噪声图像，首先获得对应步骤A的不同去噪参数的去噪结果，然后输入到步骤C训练好的基于U‑Net图像融合模型中进行融合，获得最终的去噪结果。这种方法可以有效优化图像去噪方法的去噪效果，在去除噪声的同时保留更多的图像细节。
-
公开(公告)号：CN109685772B
公开(公告)日：2022-06-14
申请号：CN201811502584.7
申请日：2018-12-10
Applicant: 福州大学
Abstract: 本发明涉及一种基于配准失真表示的无参照立体图像质量评估方法。包括：对训练图像和待预测图像集合中的图像，计算配准图和左视图的差分图像作为图像的配准失真表示；对训练图像和待预测图像集合中的左视图和右视图进行局部归一化处理，左视图、右视图和配准失真表示划分成有重叠的图像块；训练图像集合中的左视图、右视图和配准失真表示的特征，并输入到全连接层来学习图像块的质量评估分数和失真类型识别；预测待预测图像的所有图像块的质量评估分数，计算待预测图像块的最多数投票失真类型作为图像最终的失真类型和加权平均质量分数作为最终的质量评估分数。本发明方法解决了左右视图的场景差异问题，能显著提高无参照立体图像质量评估的性能。
-
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。
-
公开(公告)号：CN113657252A
公开(公告)日：2021-11-16
申请号：CN202110935194.4
申请日：2021-08-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于编码解码器的高效SAR图像船舶目标检测方法。包括：步骤A、对数据集划分，进行数据增强，提取图像和标签信息用于SAR船舶目标检测训练；步骤B、设计无需大量参数且性能好的编码解码器目标检测网络、基于centerness的样本分配方式、结合船舶角度信息的检测方法；步骤C、根据网络模型设计损失函数，指导网络模型的参数优化；步骤D、设置目标检测网络的训练策略，并进行训练，优化网络参数；步骤E、将待测SAR图像输入到已训练完成的目标检测网络，预测出船舶目标，使用非极大值抑制过滤质量差的冗余检测框，得到检测的船舶目标。本发明方法能有效提高船舶小目标的检测效果，显著提高船舶召回率。
-
公开(公告)号：CN112766221A
公开(公告)日：2021-05-07
申请号：CN202110134342.2
申请日：2021-02-01
Applicant: 福州大学
Abstract: 本发明涉及一种基于船舶方向和位置多任务的SAR图像船舶目标检测方法。包括：步骤A：划分数据集，进行数据增强，将图像和标签数据转化成用于SAR图像船舶目标检测的数据；步骤B：设计基于SAR图像船舶特征的目标检测网络的多尺度特征提取模块、船舶方向分类模块和用于多任务检测的双分支检测头；步骤C：设计目标检测网络的损失函数，指导网络梯度计算和参数优化；步骤D：使用步骤C设计的损失函数对步骤B设计的目标检测网络进行训练，优化网络参数；步骤E：将待测试的图像输入训练好的网络预测船舶目标，使用非极大值抑制过滤冗余的船舶目标，得到最终检测结果。本发明方法能有效减少预测结果与真实船舶目标之间的差异。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.025 seconds)
