-
公开(公告)号：CN111669591A
公开(公告)日：2020-09-15
申请号：CN202010386403.X
申请日：2020-05-09
Applicant: 东华大学
IPC: H04N19/132 , H04N19/10 , G06K9/62
Abstract: 本发明涉及一种面向压缩感知视频流的帧组采样率分配系统，包括通过传输信道连接的测量端和重建端，测量端包括依次连接的帧组划分器、分配器、观测器和编码器，测量端还包括分别与所述帧组划分器、分配器和编码器相连的模型判决器；重建端包括依次连接的帧组解析器、帧组重构器和无参考评估器，无参考评估器还与所述模型判决器相连；在训练模式下，测量端统计不同观测参数对帧组的重建质量与码率的影响，然后分别建立码率模型与重建质量模型；在工作模式下，测量端根据建立的码率模型与重建质量模型以及前一帧组的观测结果，确定后一帧组的最优观测参数。本发明能够自适应地优化观测参数，在码率约束下最大化连续GOF的平均重建质量。
-
公开(公告)号：CN111292263A
公开(公告)日：2020-06-16
申请号：CN202010069967.0
申请日：2020-01-21
Applicant: 东华大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于颜色校正和去模糊的图像增强方法。所提方法有效融合了颜色校正和去模糊两个阶段。在颜色校正阶段，首先对原始图像进行对比度拉伸，为了解决对比度拉伸过度或拉伸不足等问题，所提方法根据灰度世界先验，通过伽马校正来进一步优化和调整图像的对比度和色彩，使图像的R、G、B各个通道的灰度平均值趋于相等。接着，所提方法引入去模糊阶段来增强图像的细节，使用暗通道先验对颜色校正后的图像进行去模糊，得到最终的增强图像。本发明所提出的水下图像增强方法具有良好的整体恢复效果，能够在优化全局对比度和色彩的同时，恢复了图像的细节信息。
-
公开(公告)号：CN111246213A
公开(公告)日：2020-06-05
申请号：CN202010069771.1
申请日：2020-01-21
Applicant: 东华大学
IPC: H04N19/177 , H04N19/132 , H04N19/583
Abstract: 本发明公开了一种采样率自适应的分层次块匹配重构方法，首先对视频码流中各帧的测量值分别进行帧内初次重构，随后根据关键帧采样率较非关键帧采样率的增长率情况，逐个图像组(GOP)依次进行分层次的处理：对增长率较低的情况，每个GOP内的非关键帧选取最邻近的一个关键帧作为参考帧进行重构；对于增长率较高的情况，每个GOP内的非关键帧动态地挑选双向参考帧，进而完成图像的重构。通过更加精细的参考帧选择机制，所提方法能够获得较好的视频重构质量，在重构质量与复杂度两方面取得了较好的性能折衷。
-
公开(公告)号：CN110415217A
公开(公告)日：2019-11-05
申请号：CN201910594023.2
申请日：2019-07-03
Applicant: 东华大学
IPC: G06T7/00
Abstract: 本发明提出了一种基于子集导引与变异系数的图像集增强优选方法，所提方法首先对原始图像集进行随机取样得到子图像集，使用子图像集来代表原始图像集。然后，使用多种图像增强算法对子图像集进行增强，得到多个增强后的子图像集，再使用某一种图像质量评价准则对多个增强后的子图像集进行逐一打分，根据打分结果，计算出每个增强后的子图像集的平均值和方差。所提方法根据平均值和方差，分别计算出每个增强后的子图像集的变异系数，最小变异系数所对应的增强算法即为子图像集的最优算法；根据子集导引的测评体系，最小变异系数所对应的增强算法同时也是原始图像集的最优增强算法。
-
公开(公告)号：CN110381313A
公开(公告)日：2019-10-25
申请号：CN201910610758.X
申请日：2019-07-08
Applicant: 东华大学
IPC: H04N19/126 , H04N19/139 , H04N19/154 , H04N19/177 , H04N19/192
Abstract: 本发明涉及一种基于LSTM网络与图像组质量盲评估的视频压缩感知重构方法，其中重建端收到帧观测矢量码流，组合形成连续的图像组观测矢量，对每个图像组观测矢量执行基于LSTM网络的多帧联合迭代重构，获得相应的重建图像组，逐一输出最终的重建帧，同时根据迭代次数达到最大值的持续状况决定是否更新LSTM网络的参数集合。本发明能够将稀疏先验建模与数据驱动机制结合起来，有助于提升重建视频的质量。
-
Patent Agency Ranking
公开(公告)号：CN109919195A
公开(公告)日：2019-06-21
申请号：CN201910103431.3
申请日：2019-02-01
Applicant: 东华大学
IPC: G06K9/62
Abstract: 本发明提供了一种图像归类模型训练中的迭代自适应终止方法，逐一对不同迭代次数下的归类模型进行图像识别测试，获得当前归类模型的归类精度；通过拟合归类精度与迭代次数的关系函数，自适应地控制归类模型训练的迭代次数；归类模型首先处于初始波动阶段，若当前归类精度满足持续上升的条件，迭代训练进入上升拟合阶段，并开始收集归类精度与迭代次数的样本点；若当前归类精度满足样本拟合的条件，则利用上升拟合阶段获得的样本点进行归类精度与迭代次数的关系函数拟合，确定后期迭代次数，迭代训练进入后期迭代阶段，执行设定次数的迭代训练后结束。本发明能减少迭代训练的时间，在确保归类精度合乎预期的前提下降低了迭代训练的复杂度。
-
公开(公告)号：CN108550140A
公开(公告)日：2018-09-18
申请号：CN201810267694.3
申请日：2018-03-28
Applicant: 东华大学
IPC: G06T7/00
Abstract: 本发明涉及一种面向图像集的置信度一致性增强质量评价准则，包括以下步骤：将原始图像集通过图像质量增强算法得到增强后的图像集；再使用现有的质量评价方法对原始图像集以及增强后的图像集中的全部图像进行质量评价，得到每幅图像增强前后的质量分数；算出各幅图像增强前后的质量分数差值，并求出质量分数差值的平均值U与标准差S；选取置信区间，对质量分数差值进行筛选；在筛选后的有效测试数据中求出一致性增强质量评价分数有效值，并判断该图像质量增强算法的一致性与稳定性。本发明可以在不同的质量评价方法下，为具体应用与特定参数标准找出适当的图像质量增强算法，并为所有的图像质量增强算法提供一个可靠性更高的质量评价体系。
-
公开(公告)号：CN108024113A
公开(公告)日：2018-05-11
申请号：CN201711352875.8
申请日：2017-12-15
Applicant: 东华大学
IPC: H04N19/139 , H04N19/513 , H04N19/527 , H04N19/172 , H04N19/176 , H04N19/122 , H04N19/119
Abstract: 本发明涉及一种目标占比自适应的压缩域小目标跟踪方法，包括以下步骤：设定跟踪小目标的起始帧，获取起始帧的掩模；对获得的运动矢量进行预处理工作，包括两个部分：帧内编码块的处理和全局运动补偿；应用MRF模型，分别计算跟踪小目标在这一帧的时域代价、空域代价和邻域代价，得到小目标的预测位置。本发明可以有效地提高小目标跟踪的准确率和F度量。
-
公开(公告)号：CN108022241A
公开(公告)日：2018-05-11
申请号：CN201711434374.4
申请日：2017-12-26
Applicant: 东华大学
IPC: G06T7/00
Abstract: 本发明涉及一种面向水下图像集的一致性增强质量评价方法，包括以下步骤：使用现有的质量评价准则对水下图像集中的一幅原始图像进行质量评价；将所述原始图像通过图像质量增强算法得到增强后的图像，并使用上述现有的质量评价准则对增强后的图像进行质量评价，根据两个质量评价结果计算CEQAi值，重复上述步骤得到该水下图像集中所有图像的CEQAi值，并找出其中的最大值、最小值和平均值，最后利用这些值及权重系数得到上述图像质量增强算法在上述质量评价准则下对于此水下图像集的CEQA有效值。本发明可以为面向水下图像集的各种图像质量增强算法与质量评价准则提供一个一致性增强性能的评价体系。
-
公开(公告)号：CN116996684A
公开(公告)日：2023-11-03
申请号：CN202310814110.0
申请日：2023-07-05
Applicant: 东华大学
IPC: H04N19/176 , H04N19/182 , H04N19/57 , H04N19/65 , H04N19/88
Abstract: 本发明面向泛化性较高的多假设预测压缩感知重构机制，提出一种阶数自适应多假设压缩感知重构方法。所提方法首先通过自适应线性预测器对各块进行预处理，根据预处理获得的相关性指标来改变多假设预测窗口大小，并依据块相似度对多假设窗口内的候选预测块进行排序，结合变换后的搜索窗口挑选不同数量的高相似候选预测块，进行多假设预测压缩感知重构的图像生成。本发明在异构图像集以及不同采样率下，对比传统多假设压缩感知重构方法以及现有基于多假设压缩感知的先进方法都具有良好的性能提升。本发明所提方法具有较低的时间复杂度与较高的恢复质量，综合性能更佳。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.021 seconds)
