-
公开(公告)号：CN103716623A
公开(公告)日：2014-04-09
申请号：CN201310695685.1
申请日：2013-12-17
Applicant: 北京大学深圳研究生院
IPC: H04N19/126 , H04N19/176 , H04N19/61 , H04N19/44
Abstract: 本申请公开一种基于加权量化的视频压缩编解码方法，编码过程包括将待编码图像的属性分量划分成若干属性块；对属性块进行预测得到残差块，并变换得到残差块中各频点的变换系数；选取一个默认矩阵，对频点的初始量化步长进行加权计算得到加权量化步长矩阵；使用加权量化步长矩阵对变换系数进行量化，得到量化块，将量化块写入码流，并根据量化块的值，确认写入码流的其他信息。本申请还公开一种基于加权量化的视频压缩编解码器。本申请由于预设加权量化矩阵集中包括多个默认矩阵，能有效地对不同情况下的变换系数矩阵进行加权量化，在不降低主观质量的情况下，有效的降低编码所需码率。
-
公开(公告)号：CN103152587A
公开(公告)日：2013-06-12
申请号：CN201110403749.7
申请日：2011-12-06
Applicant: 北京大学深圳研究生院
Abstract: 本发明公开了一种基于视频压缩码流中辅助增强信息的2D视频转3D视频方法，包括：使用辅助增强信息描述深度线索；将该辅助增强信息使用熵编码进行编码并存储于视频序列的补充增强信息(Supplemental enhancement information)中；解码端将解码2D视频，利用辅助增强信息以及解码出的2D视频生成深度图，并跟据深度图和解码出的2D视频生成3D视频。该发明提出的基于视频压缩码流中辅助增强信息的2D视频转3D视频方法，能有效地帮助解码端提升2D视频转3D视频的质量，并且具有较小的传输代价和计算复杂度。
-
公开(公告)号：CN111754405B
公开(公告)日：2023-08-08
申请号：CN202010577359.0
申请日：2020-06-22
Applicant: 北京大学深圳研究生院
Abstract: 本申请公开了一种图像降分辨率及复原方法、设备及可读存储介质，所述图像降分辨率及复原方法包括：获取待处理图像，并确定所述待处理图像对应的图像梯度信息，进而将所述待处理图像输入预设图像降分辨率模型，对所述待处理图像进行降分辨率，获得初始低分辨率图像，进而将所述图像梯度信息存储于所述初始低分辨率图像中，获得目标低分辨率图像，将所述目标低分辨率图像输入预设图像复原模型，以基于所述图像梯度信息，对所述目标低分辨率图像进行高分辨率复原，获得目标复原图像。本申请解决了图像降分辨率后复原精确度低的技术问题。
-
公开(公告)号：CN113905186B
公开(公告)日：2023-03-10
申请号：CN202111041026.7
申请日：2021-09-02
Applicant: 北京大学深圳研究生院
IPC: H04N5/265 , H04N21/44 , H04N21/4402 , H04N21/845
Abstract: 本发明公开了一种自由视点视频画面拼接方法、终端及可读存储介质，所述自由视点视频画面拼接方法包括以下步骤：接收显示请求，根据所述显示请求获取目标时间戳以及目标视点对应的视点标识；接收视频码流，通过解码器解码所述视频码流，获取视频序列；获取所述视频序列中所述目标时间戳对应的视频帧组；根据所述视频帧组的排布信息以及所述目标视点对应的视点标识截取目标图像；将所述目标图像发送至显示端。本发明通过将同一时刻不同视点对应的视频画面拼接生成多个视频帧并发送至解码端，解码端接收视频帧并从所述视频帧中截取显示当前视点对应的图像，从而减少一个视频帧拼接的视频画面，以达到提高分辨率的目的。
-
公开(公告)号：CN113949884A
公开(公告)日：2022-01-18
申请号：CN202111035779.7
申请日：2021-09-02
Applicant: 北京大学深圳研究生院
IPC: H04N21/218 , H04N21/4402 , H04N21/6587
Abstract: 本发明公开了多视点视频数据处理方法、设备及存储介质，该方法包括：显示设备的视点发生切换时，显示设备将切换的目标视点发送给解码设备，解码设备为显示设备提供由从图像帧序列中的从图像帧中截取的目标视点对应的从视点的图像，以供显示设备显示低分辨率的目标视点的视点画面，在满足画面切换条件时，显示设备向解码设备发送画面切换条件满足指令，解码设备根据画面切换条件满足指令为显示设备提供目标视点对应的主图像帧序列中的图像和/或由从图像帧中截取的目标视点对应的从视点的图像，以供显示设备显示高分辨率的目标视点的视点画面。本发明实现了在视点切换后快速将视频从低分辨恢复至高分辨率，保障了长时间观看视频时的清晰度。
-
Patent Agency Ranking
公开(公告)号：CN111800653B
公开(公告)日：2021-06-11
申请号：CN202010748734.3
申请日：2020-07-29
Applicant: 北京大学深圳研究生院
IPC: H04N21/2343 , H04N21/4402 , H04N21/472 , H04N21/643
Abstract: 本发明公开了一种视频解码方法、系统、设备及计算机可读存储介质，所述视频解码方法通过在对图像码流进行解码之前，先将待播放视频的不同视点所对应的背景帧码流进行解码，得到重建背景帧，使得提前完成了解码图像码流时的所必须的部分操作，减轻了设备在进行图像码流解码时的处理负担，提升了整体的视频解码效率；通过在解码时仅参考重建背景帧的这一独立参照依据对各路目标视频所对应的图像码流进行解码，由于各图像码流解码仅依赖重建背景帧，而不依赖已解码的其他图像，因此达到不同视点对应目标视频间的实时自由切换并流畅播放的目的，同时较之完全无帧间依赖的方式，具有更高的视频压缩效率，以及系统实现的简单性。
-
公开(公告)号：CN111754406A
公开(公告)日：2020-10-09
申请号：CN202010578505.1
申请日：2020-06-22
Applicant: 北京大学深圳研究生院
IPC: G06T3/40
Abstract: 本申请公开了一种图像分辨率处理方法、装置、设备和可读存储介质，方法包括获取待处理的内嵌有高频残差的低分辨率图像；对所述低分辨率图像分离出高频残差和降采样图像；对所述降采样图像进行上采样处理以获取高分辨率图像；将所述高分辨率图像与所述高频残差结合以获取高分辨率输出图像。对低分辨率图像，分离出高频残差以及降采样图像，将降采样图像进行上采样处理得到的高分辨率图像与高频残差结合得到高分辨率输出图像，引入高频残差使上采样处理后的图像能够恢复缺失的细节信息，图像的视觉质量以及逼真度更高。
-
公开(公告)号：CN109788285B
公开(公告)日：2020-07-28
申请号：CN201910145192.8
申请日：2019-02-27
Applicant: 北京大学深圳研究生院
IPC: H04N19/124 , H04N19/176 , H04N19/61 , H04N19/85 , H04N19/93
Abstract: 本说明书实施例提供一种量化系数结束标志位的上下文模型选取方法及装置。所述方法包括：获取当前量化系数结束标志位所对应的非零系数在特定扫描顺序下的扫描位置POS；所述扫描位置POS为所述扫描顺序下对应非零系数的下标；配置第一上下文模型数组，并以一固定值为底，计算所述扫描位置POS加1后所得到数值的对数值，根据所述对数值从所述第一上下文模型数组中选择第一上下文模型；并将所述第一上下文模型用于对所述当前量化系数结束标志位的二元符号进行编码或解码。采用本申请的技术方案，能够提升量化系数结束标志位的编解码效率，从而进一步提升视频编解码的效率。
-
公开(公告)号：CN109788284B
公开(公告)日：2020-07-28
申请号：CN201910144295.2
申请日：2019-02-27
Applicant: 北京大学深圳研究生院
IPC: H04N19/124 , H04N19/176 , H04N19/93
Abstract: 本说明书实施例提供一种量化块的解码方法、装置及电子设备。所述方法包括：确定量化块中量化系数的扫描顺序，初始化量化系数的扫描位置，并解码一个游程长度；将当前扫描位置的下标值与游程长度的值相加得到非零系数的扫描位置，对非零系数的值进行解码；判断非零系数的下标值是否为最大下标值，当为最大下标值时，结束量化块的解码；否则，判断是否还存在未解码的非零系数，当不存在未解码的非零系数时，结束量化块的解码；当存在未解码的非零系数时，将所述非零系数的下标值加1得到更新后的当前扫描位置，继续以当前扫描位置为起始扫描位置解码下一个游程长度，直至完成量化块的解码。采用本申请的技术方案，能够提升量化块的解码效率。
-
公开(公告)号：CN106650806B
公开(公告)日：2019-07-26
申请号：CN201611166903.2
申请日：2016-12-16
Applicant: 北京大学深圳研究生院
CPC classification number: G06K9/00362 , G06K9/6223 , G06K9/6269 , G06N3/0454
Abstract: 本发明公布了一种用于行人检测的协同式深度网络模型方法，包括：构建一种新的协同式多模型学习框架来完成行人检测中的分类过程；利用人工神经元网络来整合协同式模型中各子分类器的判决结果，并借用机器学习的方法训练该网络，能够更加有效地综合各分类器反馈的信息；提出一种基于K‑means聚类算法的重采样方法，增强协同模型中各分类器的分类效果，进而提升整体分类效果。本发明通过建立协同式深度网络模型，将由聚类算法得到的不同类型的训练数据集用于并行地训练多个深度网络模型，再通过人工神经元网络将原始数据集在各个深度网络模型上的分类结果进行整合和综合分析，以实现更加精准的样本分类。
-
-
-
-
-
-
-
-
-
Search Results
165
records
(took 0.046 seconds)
