-
公开(公告)号：CN109859166A
公开(公告)日：2019-06-07
申请号：CN201811596663.9
申请日：2018-12-26
Applicant: 上海大学
Abstract: 本发明公开了一种基于多列卷积神经网络的无参3D图像质量评估方法。该方法分为块训练和全局训练两部分。块训练部分，将左右视点分别划分为相同大小的块，计算每块的SSIM，将这些带有SSIM标签的块用基于级联的多列卷积神经网络的深度学习网络进行训练。全局训练部分，将左右视点的块用上一部分的网络预测得到SSIM值，将这些SSIM值排列成一个列向量。最后，用几个全连接网络将特征向量映射为一个3D图像主观质量值。本发明方法在LIVE Phase I和LIVE Phase II通用3D图像数据库上进行试验，都具有较高的鲁棒性和准确性。
-
公开(公告)号：CN109255755A
公开(公告)日：2019-01-22
申请号：CN201811241002.4
申请日：2018-10-24
Applicant: 上海大学
Abstract: 本发明公开了一种基于多列卷积神经网络的图像超分辨率重建方法。首先，根据深度学习算法设计多列卷积神经网络模型，包括特征提取部分和图像重建部分。然后，把原始图像切成小块，并对这些高分辨率的小块做下采样，从而得到低分辨率的小块，使用这些低分辨率和高分辨率的小块对来建立训练集。最后，使用随机梯度下降算法对这个模型进行训练，得到一个将低分辨率图像重建到高分辨率图像的模型，将输入的低分辨率图像重建恢复成对应的高分辨率图像。本发明方法在Set5，Set14，BSDS100，Urban100和Manga109五个通用图像数据库上进行试验，都具有较高的鲁棒性和准确性。
-
公开(公告)号：CN103533348B
公开(公告)日：2017-02-01
申请号：CN201310444517.5
申请日：2013-09-26
Applicant: 上海大学
IPC: H04N19/00 , H04N19/50 , H04N19/103 , H04N19/147 , H04N19/91 , H04N19/625 , H04N13/00
Abstract: 本发明涉及基于视觉感知的多视点快速模式选择方法。本方法的操作步骤如下：(1) 读取B视点输入视频的每帧像素值，建立时域的恰可辨失真阈值模型;(2) 利用恰可辨失真模型，进行感知模式选择;(3) 输出视频比特流。本发明在保证编码性能几乎不变的同时，能够显著降低多视点视频编码的复杂度，能够满足实际应用中对视频通信的实时需求。
-
公开(公告)号：CN106331707A
公开(公告)日：2017-01-11
申请号：CN201610766137.7
申请日：2016-08-30
Applicant: 上海大学
IPC: H04N19/147 , H04N19/597 , H04N19/61
Abstract: 本发明涉及3D多视点视频编解码技术领域，尤其涉及一种利用视觉特性的多视点视频编码系统。结合DCT域经典JND模型与双目抑制理论，提出了一种基于恰可觉察失真模型的非对称感知视频编码系统及方法。其中，该系统包括经典DCT域最小可觉察失真阈值计算模块、基于双目抑制的JND阈值因子主观实验模块、基于JND模型的非对称视频编码框架模块，经典DCT域最小可觉察失真阈值计算模块、基于双目抑制的JND阈值因子主观实验模块共同决定基于JND模型的非对称视屏编码框架模板。本发明能够在主观质量不变的情况下，降低多视点视频编码码率，提高多视点视频编码效率，且相对于基于JND模型的对称视频编码方法，右视点码率能进一步节省。
-
公开(公告)号：CN105704497A
公开(公告)日：2016-06-22
申请号：CN201610068485.7
申请日：2016-01-30
Applicant: 上海大学
IPC: H04N19/597 , H04N19/154
CPC classification number: H04N19/597 , H04N19/154
Abstract: 本发明涉及一种面向3D-HEVC的编码单元尺寸快速选择算法，包括划分复杂度的计算、时域与视点间相关程度的量化、预测当前编码块划分复杂度、相关划分复杂度的计算、根据相关划分复杂度和预测的划分复杂度来估计当前编码块的深度范围以及提前终止CU划分步骤。本发明针对3D-HEVC的编码结构，充分利用了视点间、时空域相关性，并挖掘它们之间的联系，并利用提前终止条件来跳过和提前终止不必要的CU划分，加速CU深度选择的过程，在不影响质量的情况下，大大降低了3D视频编码的复杂度。
-
Patent Agency Ranking
公开(公告)号：CN103124347A
公开(公告)日：2013-05-29
申请号：CN201210402003.9
申请日：2012-10-22
Applicant: 上海大学
Abstract: 本发明涉及一种利用视觉感知特性指导编码量化过程的方法。本方法的操作步骤如下：(1)读取输入视频序列每一帧的亮度值大小，建立频域的恰可辨失真阈值模型，(2)输入视频序列每一帧经过视点内和视点间的预测，(3)对残差数据进行离散余弦变换，(4)动态调节当前帧中每个宏块的量化步长，(5)动态调节率失真优化过程中的拉格朗日参数，(6)对量化的数据进行熵编码，形成码流通过网络传输。本发明在保证主观质量基本保持不变的情况下，提高了视频压缩效率，更加适合在网络中传输。
-
公开(公告)号：CN102098516B
公开(公告)日：2012-10-31
申请号：CN201110053291.7
申请日：2011-03-07
Applicant: 上海大学
Abstract: 本发明涉及一种基于多视点视频解码端的去块滤波方法。该方法包括视频编码和视频解码步骤，视频编码具体步骤如下：(1)选用包含视点间预测方式的编码结构。(2)计算该视点图像相对相邻视点的GDV值。(3)判断当前解码的视点序列号，将恒用到视点间预测的视点各帧每个宏块的视差矢量DV(v,f,i)和其对应的GDV进行对比，计算它们的差值DGD（DisparityofGDVandDV）。(4)根据DGD的大小将宏块分类，并将标志分类信息进行压缩存放。视频编码端具体步骤如下：(1)将压缩好的视频码流和二进制标志信息同时输入解码端。(2)在环路去块滤波之前，对宏块所在的位置、视点号、帧号和标志位信息进行判定。(3)如果上述判定成立，则使用边界强度GDV位移的方式从参考帧处直接获取该宏块各边边界强度的值。(4)如果判定不成立，就使用传统方法获取该宏块各边边界强度的值。(5)根据边界强度信息，按照多视点解码的默认方法进行自适应滤波。实验证明，该方法可以有效地加快去块滤波的速度。
-
公开(公告)号：CN112634278B
公开(公告)日：2022-06-14
申请号：CN202011188873.1
申请日：2020-10-30
Applicant: 上海大学
Abstract: 本发明公开了一种新的基于超像素的恰可察觉失真方法。本方法的建立步骤为：1、输入图像处理，2、区域特征计算，3、建立区域权重模型，4、建立联合纹理粗糙度的对比掩蔽模型，5、获得基于超像素的感知模型。本发明在相关测试图像上进行试验，实验结果显示具有良好的准确性和鲁棒性。本发明引入区域权重模型和区域粗糙度调制模型，前者联合了区域层级的颜色对比度和凹形调制效应，用以估计各区域的视觉重要程度，后者是在Tamura纹理粗糙度的基础上细化窗口尺寸的选取，并考虑窗口间平均灰度差值的影响，用以估计各区域的纹理状况。
-
公开(公告)号：CN112884073A
公开(公告)日：2021-06-01
申请号：CN202110302518.0
申请日：2021-03-22
Applicant: 上海大学
Abstract: 本发明提供了一种图像去雨方法及系统，构建基于递归残差空洞空间金字塔池网络的图像去雨模型；构建训练样本集；采用所述训练样本集，对所述图像去雨模型进行训练，得到无雨图像生成模型；将不同尺寸的雨图输入至所述无雨图像生成模型，得到对应的去雨图像。同时提供了一种相应的终端及存储介质。本发明基于递归残差空洞空间金字塔池网络，有效解决雨天图像恢复的问题；通过对雨图中多尺度信息的提取和融合，使得恢复的无雨图像质量更高，并引入长短期记忆网络模块，增强阶段之间的依赖性；引入了混合损失函数，使得恢复的图像细节更加精细，边缘更加清晰；能够有效地提高去雨重建图像的结构相似度和峰值信噪比，并在主观上也取得了更好的效果。
-
公开(公告)号：CN107509074B
公开(公告)日：2021-04-09
申请号：CN201710555070.7
申请日：2017-07-10
Applicant: 上海大学
IPC: H04N19/103 , H04N19/115 , H04N19/44 , H04N19/132 , H04N19/176 , H04N19/503 , H04N19/593 , H04N19/597 , H04N19/70
Abstract: 本发明公开了一种基于压缩感知的自适应3D视频编解码方法。首先将多视点视频划分为关键视点和非关键视点，对于关键视点又分为关键帧和非关键帧；对于关键帧采用较高的采样率；对于非关键帧按照当前帧与关键帧的残差进行图像块的分类（SKIP、INTER和COMBINED模式），不同模式采用不同的采样率；对于非关键视点也采用类似的办法。对于解码端先对关键视点的关键帧进行恢复；再利用关键帧信息对非关键帧进行恢复；对于非关键视点利用关键视点的信息进行恢复。本发明方法能有效地降低编码端的计算复杂度，能够适用于编码端计算能力弱而同时解码端拥有强大计算能力的场景，能显著提高3D视频压缩效率。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.019 seconds)
