-
公开(公告)号：CN108537192B
公开(公告)日：2021-11-30
申请号：CN201810342795.2
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U‑NetBN，建立遥感影像地表覆盖分类模型；步骤S3：通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。该方法综合考虑了FCN和U‑Net两种不同结构的全卷积网络的特点，有利于提高遥感影像地表覆盖分类的性能。
-
公开(公告)号：CN113658074A
公开(公告)日：2021-11-16
申请号：CN202110938534.9
申请日：2021-08-16
Applicant: 福州大学
Abstract: 本发明提出基于LAB颜色空间多尺度融合网络的单幅图像雨滴去除方法，包括以下步骤；步骤A：根据同场景下的原始附着雨滴退化状态和干净状态生成训练图像对，针对训练图像对进行颜色空间变换，得到对应LAB颜色空间的训练图像对；步骤B：对训练图像对进行预处理，得到LAB颜色空间的图像块数据集；步骤C：基于图像对在LAB颜色空间上的特性，利用多尺度学习策略设计单幅图像雨滴去除的卷积神经网络；步骤D：设计目标损失函数loss，以图像块数据集为训练数据，利用反向传播方法计算卷积神经网络中各参数的梯度，利用随机梯度下降方法更新参数；步骤E：以图像雨滴去除网络生成雨滴去除之后的图像，恢复至RGB颜色空间；本发明能显著提高图像雨滴去除的性能。
-
公开(公告)号：CN113658072A
公开(公告)日：2021-11-16
申请号：CN202110935907.7
申请日：2021-08-16
Applicant: 福州大学
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。
-
公开(公告)号：CN108537816B
公开(公告)日：2021-08-31
申请号：CN201810342791.4
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于超像素和背景连接先验的显著物体分割方法，包括以下步骤：1、将输入图像分割为N个超像素，然后计算出每个超像素的显著值；2、通过背景连接先验在伪前景区域标记出前景超像素种子点和可能前景超像素种子点，在非伪前景区域中标记出背景超像素种子点和可能背景超像素种子点；3、利用四种超像素种子点和原图的所有超像素，求得原图中显著物体的超像素尺度分割结果；4、在包含显著物体的矩形区域中利用超像素尺度分割结果得到一个像素尺度的标记图，采用像素尺度GrabCut，计算得到显著物体分割结果。该方法能够快速、准确地利用显著图得出显著物体，为图像压缩、图像重定向、图像超分辨率提供快速有效的预处理结果。
-
公开(公告)号：CN111835983B
公开(公告)日：2021-06-29
申请号：CN202010719702.0
申请日：2020-07-23
Applicant: 福州大学
Abstract: 本发明涉及一种基于生成对抗网络的多曝光图高动态范围成像方法及系统，首先对原始分辨率的低曝光图像、正常曝光图像、高曝光图像和用作标签的参考高动态范围图像进行预处理，得到用于训练的成组的低曝光、正常曝光、高曝光和高动态范围图像块；设计用于多曝光图高动态范围成像的生成器网络和用于进行对抗训练的判别器网络；使用成组的低曝光、正常曝光、高曝光和高动态范围图像块交替训练生成器网络和判别器网络收敛到纳什平衡；最后将用于测试的原始分辨率的低曝光图像、正常曝光图像和高曝光图像输入已收敛的生成器网络得到其输出的高动态范围图像预测结果。本发明能提升多曝光图像间具有明显背景移动或物体运动时生成的高动态范围图像的质量。
-
Patent Agency Ranking
公开(公告)号：CN112954312A
公开(公告)日：2021-06-11
申请号：CN202110176125.X
申请日：2021-02-07
Applicant: 福州大学
Abstract: 本发明涉及一种融合时空特征的无参考视频质量评估方法，包括以下步骤:步骤S1:获取视频数据集，作为训练集；步骤S2:构建空域特征提取子网络，并基于训练集下采样得到的帧集合训练；步骤S3:构建时域特征提取子网络，并基于训练集的残差图像序列训练；步骤S4:根据训练后的空域特征提取子网络和时域特征提取子网络，构建视频质量评估网络，并通过注意力机制自适应的调整时域和空域特征对于视频感知质量的影响，训练得到视频质量评估模型；步骤S5:根据得到的视频质量评估模型，提取待测视频的时域和空域特征，并计算待测视频的质量分数。本发明可以显著提高无参考视频质量评估的性能。
-
公开(公告)号：CN111835983A
公开(公告)日：2020-10-27
申请号：CN202010719702.0
申请日：2020-07-23
Applicant: 福州大学
Abstract: 本发明涉及一种基于生成对抗网络的多曝光图高动态范围成像方法及系统，首先对原始分辨率的低曝光图像、正常曝光图像、高曝光图像和用作标签的参考高动态范围图像进行预处理，得到用于训练的成组的低曝光、正常曝光、高曝光和高动态范围图像块；设计用于多曝光图高动态范围成像的生成器网络和用于进行对抗训练的判别器网络；使用成组的低曝光、正常曝光、高曝光和高动态范围图像块交替训练生成器网络和判别器网络收敛到纳什平衡；最后将用于测试的原始分辨率的低曝光图像、正常曝光图像和高曝光图像输入已收敛的生成器网络得到其输出的高动态范围图像预测结果。本发明能提升多曝光图像间具有明显背景移动或物体运动时生成的高动态范围图像的质量。
-
公开(公告)号：CN111724306A
公开(公告)日：2020-09-29
申请号：CN202010563256.9
申请日：2020-06-19
Applicant: 福州大学
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：CN111353964A
公开(公告)日：2020-06-30
申请号：CN202010120862.3
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络的结构一致立体图像风格迁移方法，包括以下步骤：S1、对输入的参考图像和立体图像的左、右视图分别进行语义分割，并提取卷积层特征；S2、分别计算参考图像和左、右视图的特征损失函数；S3、在特征损失函数中添加正则化损失函数，引入拉普拉斯惩罚项，防止图像结构失真，生成风格化后的左、右视图；S4、利用两种质量评估算法分别评估风格化后的左、右视图与输入图像的相似度，对比两个相似性度量值，用相似性度量值较高的图像来校正相似度较低的图像，获得最终的结果图像。该方法有利于在对立体图像进行风格迁移的同时保持立体结构一致性，获得风格化后结构一致的立体图像。
-
公开(公告)号：CN111127460A
公开(公告)日：2020-05-08
申请号：CN201911413370.7
申请日：2019-12-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于块连接的图像显示适应评估方法，包括以下步骤：利用显著性检测算法对原始图像进行显著性检测，并生成显著性图；计算待评估的显示适应图像块与原始图像块之间的相似性分数；对待评估的显示适应图像块的相似性分数进行块连接操作；对块连接操作结果进行加权池化，得到图像质量分数。本发明有利于提高图像显示适应评估方法的性能。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.026 seconds)
