-
公开(公告)号：CN106250978A
公开(公告)日：2016-12-21
申请号：CN201610583290.6
申请日：2016-07-22
Applicant: 郑州轻工业学院
IPC: G06N3/00
CPC classification number: G06N3/006
Abstract: 本发明公开了一种动态环境下基于免疫反应的多种群优化方法，其步骤如下：初始化固有种群，并计算其适应度值；检测变化发生与否，若变化发生，重新更新搜索种群；对固有种群实施固有免疫反应，更新固有种群；判断是否有个体处于激活状态，若是，则激活个体，产生自适应种群；对自适应种群实施自适应免疫反应，更新自适应种群；压缩种群；判断算法是否满足终止条件。本发明具有对“黑匣子”动态最优化问题求解效果精确的优点，可用于动态环境下的复杂问题获得最优化解；不仅具备定位局部最优的能力，而且能够跟踪变化后的局部最优，并在全局寻优和局部寻优中达到较好的平衡，能够有效的解决动态环境下的优化问题。
-
公开(公告)号：CN105187826A
公开(公告)日：2015-12-23
申请号：CN201510466203.4
申请日：2015-07-31
Applicant: 郑州轻工业学院
IPC: H04N19/11
Abstract: 一种针对高效率视频编码标准的快速帧内模式判决方法，其步骤如下：(1)选取大小为N×N的预测单元PU；(2)利用Sobel算子计算预测单元PU内像素点的平均梯度值；(3)确定判定帧内预测模式的阈值；(4)根据预测单元PU内像素点的平均梯度值、判定帧内预测模式的阈值初步判定帧内预测模式；(5)根据Sobel算子计算的预测单元PU内各个像素点的梯度值，计算预测单元PU像素点的梯度方向；(6)根据预测单元PU像素点的梯度方向，查表确定帧内预测模式。本发明采用了Sobel边缘检测算子，在方向模式的判决准确度保持不变的情况，帧内判决速度得到了提升，其复杂度较低，计算量较小，只增加少量的码率，节省了大量的编码时间。
-
公开(公告)号：CN110381325A
公开(公告)日：2019-10-25
申请号：CN201910769561.0
申请日：2019-08-20
Applicant: 郑州轻工业学院
IPC: H04N19/597 , H04N19/593 , H04N19/11 , H04N19/147 , H04N19/117
Abstract: 本发明提出了一种基于3D-HEVC的低复杂度深度编码的快速模式决策方法，步骤为：对于预测单元PU启动帧内预测模式，通过视频编码器将预测单元编码为纹理帧和深度帧；对于纹理帧，使用Sobel滤波器抽取预测单元边缘方向的信息，计算角度预测模式的累加梯度，通过累加梯度最小选出9种角度预测模式，与Planar模式和DC模式构成候选模式集合；对于深度帧，采用混合蛙跳算法确定楔形模式DMM1；对候选模式集合中的所有帧内预测模式进行测试，通过对比率失真代价和编码时间选出最佳的编码模式。本发明利用混合蛙跳算法作为新启发式方法，以获得DMM1中最优的楔形模式；减少了编码时间，提高了编码效率，保持了相同的率失真代价且损耗小。
-
公开(公告)号：CN109819249A
公开(公告)日：2019-05-28
申请号：CN201910049276.1
申请日：2019-01-18
Applicant: 郑州轻工业学院
IPC: H04N19/11 , H04N19/136 , H04N19/176 , H04N19/593
Abstract: 本发明提供了一种针对屏幕编码的低复杂度帧内模式预测方法，包括：基于SC树状体亮度值的变化程度，对SC树块进行分类，其中，SC树块的分类包括均匀区域、中等纹理区域和复杂纹理区域；根据SC树块所属的类别，确定其对应的最佳深度范围；根据SC树块所属的类别，自适应确定出候选帧内模式；从所述候选帧内模式中筛选最佳帧内模式。通过本发明的技术方案，能够实现编码时间的进一步缩减。
-
公开(公告)号：CN106101699B
公开(公告)日：2018-12-28
申请号：CN201610571479.3
申请日：2016-07-20
Applicant: 郑州轻工业学院
IPC: H04N19/103 , H04N19/147 , H04N19/597
Abstract: 本发明公开了一种针对3D‑HEVC深度图编码的深度建模模式判决方法，对深度图宏块进行分类跳过判定，根据预测单元尺寸判定轮廓模式是否提前终止，进行深度建模模式的率失真优化得到最优的深度建模模式，其步骤是：开始深度图宏块的深度建模模式判决过程；把当前深度块分类为近区域、中区域和远区域；进行不必要深度块跳过；根据当前预测单元的尺寸进行轮廓模式的提前终止；进行深度建模模式决策的率失真最优化过程；判定深度图的最优深度建模模式。本发明采用了块的分类跳过及轮廓模式的提前终止，编码性能较好，码率只有小幅上涨，峰值信噪比降低可忽略，比原始3D‑HEVC编码方法平均节约了31.33%的编码时间，可应用于实时编码。
-
Patent Agency Ranking
公开(公告)号：CN107274393B
公开(公告)日：2018-03-23
申请号：CN201710438495.X
申请日：2017-06-12
Applicant: 郑州轻工业学院
Abstract: 本发明提出了一种基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法，其步骤如下：首先，采用图像缩放和中值滤波对单晶硅太阳能电池片表面图像进行预处理；其次，提出一种栅线检测方法，用于删除单晶硅太阳能电池片表面图像中的主栅线和副栅线；随后，提出一种超像素分割和自适应阈值处理相结合的方法，用于在无栅线图像中检测缺陷区域，得到初始的检测结果图；最后，通过图像缩放对初始检测结果图进行后处理，得到最终的检测结果图。本发明不仅对单晶硅太阳能电池片表面图像的采集质量要求相对较低，而且在保持较高检测准确率的同时具有较快的检测速度，对提高单晶硅太阳能电池片的质检效率和出厂合格率具有重要意义。
-
公开(公告)号：CN105049866B
公开(公告)日：2018-02-27
申请号：CN201510401479.4
申请日：2015-07-10
Applicant: 郑州轻工业学院
IPC: H04N19/597 , H04N13/161
Abstract: 为了解决纹理视频和深度图联合编码的优化码率分配问题，本发明公开了一种基于绘制失真模型的多视点加深度编码的码率分配方法，其步骤是：建立虚拟视点总失真模型框架；计算左右视点绘制失真；研究加入深度敏感值的绘制失真，建立引入深度误差的几何误差模型；建立加入遮挡区域的失真模型；建立引入纹理视频误差的几何误差模型；求出整体视点绘制失真模型误差；得到基于视点绘制失真模型的码率分配方法。本发明用纹理视频差别和深度图差别来估计虚拟视点绘制失真，可用来优化纹理视频和深度图的码率分配，从而优化视点绘制质量；由于在视点间进行了合理的比特分配，其视点编码图像的质量均衡性较好，具有实际操作性，便于应用实现。
-
公开(公告)号：CN107087200A
公开(公告)日：2017-08-22
申请号：CN201710328875.8
申请日：2017-05-11
Applicant: 郑州轻工业学院
IPC: H04N19/567 , H04N19/61 , H04N19/573 , H04N19/103 , H04N19/176 , H04N19/13
Abstract: 本发明提出了一种针对高效率视频编码标准的跳过编码模式提前判决方法，解决现有标准编码复杂度较高，编码时间较长的问题，步骤如下：计算编码块的率失真代价，获得运动矢量和残差信息；利用运动矢量大小和残差信息来判定编码块是否为跳过模式，若为非跳过模式进入下一步，否则对下一编码块进行处理；计算当前编码块相邻的前一帧的编码块和后一帧的编码块的率失真代价；利用运动矢量大小和残差信息分别对相邻编码块进行判决，采用熵差的概念来代替计算繁琐的交互信息，快速判决跳过模式，在得到极好编码性能的同时，节省了大量的编码时间，具有实际操作性，便于进行实时应用。本发明在不降低视频编码效率的同时，节省了大量的编码时间。
-
公开(公告)号：CN106447667A
公开(公告)日：2017-02-22
申请号：CN201610926623.0
申请日：2016-10-31
Applicant: 郑州轻工业学院
CPC classification number: G06T7/0002 , G06K9/4676 , G06K9/6256 , G06T2207/20081
Abstract: 本发明提出了一种基于自学习特征和矩阵低秩复原的视觉显著性检测方法，其步骤如下：根据输入图像的原始数据自适应的学习出一组特征提取模板，利用这组特征提取模板对输入图像进行卷积，得出输入图像的特征矩阵；对特征矩阵进行低秩复原，分解出一个低秩矩阵和一个稀疏矩阵，其中稀疏矩阵代表输入图像的显著区域；通过求解稀疏矩阵每列的1范数得到显著值，经过高斯模糊等后处理得到输入图像的视觉显著性检测结果。本发明运算量小、检测效率高，显著提高了视觉显著性检测的准确率，可以对各类图像进行视觉显著性检测，其结果在图像分类、图像压缩、目标识别等方面具有重要意义。
-
公开(公告)号：CN106101699A
公开(公告)日：2016-11-09
申请号：CN201610571479.3
申请日：2016-07-20
Applicant: 郑州轻工业学院
IPC: H04N19/103 , H04N19/147 , H04N19/597
CPC classification number: H04N19/103 , H04N19/147 , H04N19/597
Abstract: 本发明公开了一种针对3D‑HEVC深度图编码的深度建模模式判决方法，对深度图宏块进行分类跳过判定，根据预测单元尺寸判定轮廓模式是否提前终止，进行深度建模模式的率失真优化得到最优的深度建模模式，其步骤是：开始深度图宏块的深度建模模式判决过程；把当前深度块分类为近区域、中区域和远区域；进行不必要深度块跳过；根据当前预测单元的尺寸进行轮廓模式的提前终止；进行深度建模模式决策的率失真最优化过程；判定深度图的最优深度建模模式。本发明采用了块的分类跳过及轮廓模式的提前终止，编码性能较好，码率只有小幅上涨，峰值信噪比降低可忽略，比原始3D‑HEVC编码方法平均节约了31.33%的编码时间，可应用于实时编码。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.021 seconds)
