-
公开(公告)号：CN104282012A
公开(公告)日：2015-01-14
申请号：CN201310283747.8
申请日：2013-07-05
Applicant: 江南大学
IPC: G06T7/00
CPC classification number: G06T5/10 , G06T2207/30168
Abstract: 一种基于小波域的半参考图像质量评价算法，其特征在于按如下步骤进行：(一)：分别对失真图像和参考图像进行2尺度小波分解；(二)：分别提取参考图像和失真图像的特征向量CXlow(i)和CYlow(i)；(三)：将失真图像特征向量CXlow(i)看成N维欧氏空间中的点CXlow[i]，参考图像特征向量CYlow(i)看成N维欧氏空间中的点CYlow[i]，计算图像质量评价标准D(X，Y)。本文的半参考图像质量评价算法和其它半参考图像质量评价算法相比，算法简单，物理意义清晰，算法性能优越。在实际应用方面，本文的半参考图像质量评价算法和其它全参考图像质量评价算法相比，当无法获得参考图像的全部信息时，更具有实际应用价值。
-
公开(公告)号：CN104103063A
公开(公告)日：2014-10-15
申请号：CN201310123322.0
申请日：2013-04-10
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于自动调焦原理无参考噪声图像质量评价方法，其特征在于按如下步骤进行：(一)选择一幅噪声图像为被评价图像；(二)将该噪声图像转化为灰度图像；(三)对被评价噪声图像进行高斯低通滤波，生成的图像作为参考图像；(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解，得到奇异值向量S1和S2；(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise；(六)计算被评价图像的质量评价函数Noise的值，作为图像噪声指标。本发明是一种不需要参考图像，评价噪声图像质量的方法，并且评价结果符合人类视觉主观认识结果，Noise值越大，被评价图像的质量越好。
-
公开(公告)号：CN109919901B
公开(公告)日：2023-04-28
申请号：CN201810832910.4
申请日：2018-07-25
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于集成学习与随机森林的图像质量评价方法，其可大大提高图片质量评价的准确度，其具体实现步骤如下：（1）选择六种基学习算法，（2）采用步骤（1）所选择的基学习算法对失真图像进行打分，（3）将打分后的分数组成训练数据，（4）使用训练数据建立深度随机森林模型，深度随机森林模型包括包括K层训练步骤，经每层训练步骤中的随机森林过滤后得出过滤特征，将过滤特征与原始特征结构构成强化特征，将强化特征作为下一层训练步骤的输入值进行训练，循环往复，直至最后一层，最后一层训练步骤得出的数据作为失真图像的分数。
-
公开(公告)号：CN110956201A
公开(公告)日：2020-04-03
申请号：CN201911079537.0
申请日：2019-11-07
Applicant: 江南大学
Abstract: 本发明提供一种基于卷积神经网络的图像失真类型分类方法，其可以快速进行分类，且自动实施，无需人工判断，判断结果更为准确。其包括步骤：S1：得到待分类失真图像；S2：搭建基于卷积神经网络的图像失真类型分类模型；模型包括依次连接的输送层、第一卷积块、第二卷积块、第三卷积块，最后连接连续的三个全连接层；每一个卷积块后面跟着一个池化层；第一卷积块包括卷积核为11×11的卷积层，第二卷积块包括卷积核为5×5的卷积层，第三个卷积块包括卷积核为3×3的卷积层；三个全连接层中最后一个全连接层设置与失真类型对应的输出单元；S3：训练分类模型，得到训练好的分类模型；S4:将待分类失真图像输入到训练好的分类模型，进行图像分类。
-
公开(公告)号：CN109862350A
公开(公告)日：2019-06-07
申请号：CN201910149737.2
申请日：2019-02-27
Applicant: 江南大学
IPC: H04N17/00
Abstract: 基于时空域特征提取的无参考视频质量评价方法，其所需数据量小，计算复杂度低，适用于无线应用的实时测评，可大大降低视频质量评价时延性，提高评价结果获取效率，其包括以下步骤：S1，选取一幅噪声视频作为待评价视频，S2，对待评价视频进行颜色空间转换，获取噪声视频的亮度信号值、色度信号值，S3，提取预处理后的噪声视频的时域特征、时空域特征，S31，采用分帧处理方法提取时域特征，获取视频帧差图，S32，将视频帧差图送Xception网络提取时空域特征，S4，对时空域特征进行拼接，获取拼接图，然后采用PCA方法对拼接图进行降维处理，获取深度处理特征，S5，建立XGBOOST模型，获得噪声视频的图像噪声指标，S6，采用性能指标对图像噪声指标进行评价。
-
Patent Agency Ranking
公开(公告)号：CN109191426A
公开(公告)日：2019-01-11
申请号：CN201810820639.2
申请日：2018-07-24
Applicant: 江南大学
IPC: G06T7/00
Abstract: 本发明提出一种平面图像显著性检测方法，其可以输出准确度更高的显著图，方法更简单，易于理解，适于应用。其包括以下步骤：S1：构件网络模型；S2：训练网络模型，得到训练后的网络模型；S3：将图像数据输入到S2中得到的训练后的网络模型，进行显著性检测，输出显著图，用于后续图像处理；在步骤S1中网络模型的结构包括一个左侧的收缩路径和一个右侧的扩张路径；收缩路径用来捕捉上下文，其包括一个输入层、多个卷积层和池化层；由输入层输入的被检测图像传入第一个卷积层进行卷积操作；每两个连续的卷积层之后跟着一个池化层；扩张路径用来精确定位，其包括多个上采样层和卷积层、一个输出层；每个上采样层之后跟着两个连续的卷积层。
-
公开(公告)号：CN102547363A
公开(公告)日：2012-07-04
申请号：CN201010575153.0
申请日：2010-12-07
Applicant: 江南大学
IPC: H04N17/00
Abstract: 本发明公开一种基于轮廓波变换域图像能量特征的无参考图像质量评测方法。该方法步骤包括：(1)选择理想图像，然后计算其经轮廓波变换后的各尺度平均能量；(2)利用各尺度能量特征之间的近似线性关系，建立预测模型；(3)利用预测模型和高尺度的平均能量，预测低尺度的平均能量；(4)根据预测的平均能量和由失真图像计算的平均能量初步度量图像质量；(5)对JPEG失真类型进行能量补偿；(6)根据图像质量初步度量和JPEG失真的能量补偿，构建无参考的图像质量评测尺度。本发明无需主观得分进行训练，方法简单，能够适用于多种蚀变类型，与主观评价高度一致，可用于对图像视频处理方法有效性进行检测。
-
公开(公告)号：CN112686345A
公开(公告)日：2021-04-20
申请号：CN202011632940.4
申请日：2020-12-31
Applicant: 江南大学
Abstract: 本发明提供一种基于注意力机制的脱机英文手写识别方法，其可以提高对手写字符串的识别率，满足实际应用的需求。本发明技术方案中构建的脱机英文手写识别模型包括基于注意力机制的卷积神经网络和双向长短期记忆网络模型，基于注意力机制构建的卷积神经网络提取的图像特征，特征图经注意力模块后更能聚焦有用特征而非无用的手写拖拽特征，使得提取的图像特征更加关注有用信息，忽略无用信息，进而提高了图像识别的准确率。
-
公开(公告)号：CN109862350B
公开(公告)日：2020-09-22
申请号：CN201910149737.2
申请日：2019-02-27
Applicant: 江南大学
IPC: H04N17/00
Abstract: 基于时空域特征提取的无参考视频质量评价方法，其所需数据量小，计算复杂度低，适用于无线应用的实时测评，可大大降低视频质量评价时延性，提高评价结果获取效率，其包括以下步骤：S1，选取一幅噪声视频作为待评价视频，S2，对待评价视频进行颜色空间转换，获取噪声视频的亮度信号值、色度信号值，S3，提取预处理后的噪声视频的时域特征、时空域特征，S31，采用分帧处理方法提取时域特征，获取视频帧差图，S32，将视频帧差图送Xception网络提取时空域特征，S4，对时空域特征进行拼接，获取拼接图，然后采用PCA方法对拼接图进行降维处理，获取深度处理特征，S5，建立XGBOOST模型，获得噪声视频的图像噪声指标，S6，采用性能指标对图像噪声指标进行评价。
-
公开(公告)号：CN111369548A
公开(公告)日：2020-07-03
申请号：CN202010161674.5
申请日：2020-03-10
Applicant: 江南大学
Abstract: 本发明提供一种基于生成对抗网络的无参考视频质量评价方法，其无需原始视频信息，方法简单，适用范围广，且分类准确率高。首先利用生成对抗网络恢复失真视频帧块的分辨率，然后将失真视频帧块和与其对应的复原的视频帧块的显著图作为输入送入到视频质量评价网络，对失真视频帧块的质量进行评价。同时本发明还公布了一种基于生成对抗网络的无参考视频质量评价装置。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.019 seconds)
