-
公开(公告)号：CN116939223A
公开(公告)日：2023-10-24
申请号：CN202310814109.8
申请日：2023-07-05
Applicant: 东华大学
IPC: H04N19/51 , H04N19/172
Abstract: 本发明提出一种搜索窗自适应的运动补偿重构方法，首先根据当前帧的测量值采用分块压缩感知‑平滑投影Landweber(BCS‑SPL)算法初步帧内重构当前帧。然后，判断当前帧是否与关键帧相邻，在关键帧中确定与当前帧中每个非重叠块对应的匹配块：若与关键帧相邻，使用块匹配法在关键帧中确定匹配块；若与关键帧不相邻，采用光流法获取相邻非关键帧之间的运动向量，再联合前向相邻非关键帧与关键帧之间的运动信息在关键帧中确定匹配块。最后，由当前重构块与关键帧中匹配块的相对位置关系，自适应地确定一个符合运动变化的矩形搜索窗口。在低延迟框架下，本发明所提方法能够有效提升非关键帧的恢复质量，同时减少非必要的块匹配运算。
-
公开(公告)号：CN111292263B
公开(公告)日：2022-11-04
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：CN111182313A
公开(公告)日：2020-05-19
申请号：CN201911323406.2
申请日：2019-12-20
Applicant: 东华大学
IPC: H04N19/895 , H04N19/176 , H04N19/129 , H04N19/503
Abstract: 现有的空域错误隐藏方法常以高复杂度的迭代逼近机制换取恢复质量的轻微提升，并且一些方法只适合于特定的丢失模式。为此，本发明提出了一种自适应混合填充(AHF)的空域错误隐藏方法，以便更好地平衡计算复杂度与恢复质量等性能指标，且能处理多种的丢失模式。对于当前受损块的错误隐藏，AHF方法首先通过各向同性梯度检测器统计延拓区域的邻域梯度特征，根据收缩填充次序执行局部预测过程，从外层素组到内层素组逐一地恢复受损块的各个素组；当预测相关性够低时，AHF方法转而执行非局部片匹配过程，利用相似片对同样位置的未隐藏像素进行填充。所提AHF方法适用于各种丢失模式，在通用性、计算复杂度和恢复质量之间取得了具有竞争力的综合性能。
-
公开(公告)号：CN110414557A
公开(公告)日：2019-11-05
申请号：CN201910540222.5
申请日：2019-06-21
Applicant: 东华大学
IPC: G06K9/62
Abstract: 本发明公开了一种面向归类模型训练的迭代自适应终止方法，其特征在于，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。本发明针对图像归类模型的训练，设计了一种迭代次数自适应的终止方法。所提方法适合于目前通用的归类模型，通过在迭代训练中拟合迭代次数与归类精度之间的关系函数，实现了归类精度约束下的迭代次数控制。基于样本点的函数拟合有助于消除在迭代训练中归类精度的大幅波动问题，所提迭代终止方法成功地引入了模式识别应用所需要的归类精度条件。本发明能够自适应地确定归类模型训练的迭代次数，减少迭代训练所需的时间，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：CN110290389A
公开(公告)日：2019-09-27
申请号：CN201910623614.8
申请日：2019-07-11
Applicant: 东华大学
IPC: H04N19/177 , H04N19/58 , H04N19/132 , H04N19/593 , H04N19/105
Abstract: 本发明涉及一种基于长短期参考帧挑选假设匹配块视频压缩感知重构方法。通过充分挖掘图像帧之间的相似性，本发明提出了一种新的视频压缩感知重构策略：长短期参考帧动态挑选多假设匹配块，所提方法主要包括四个阶段：第一阶段，对压缩视频序列中每帧的测量值进行单独的图像重构；第二阶段，为较低采样率的图像帧指定长短期的多个重构参考帧；第三阶段，从多个参考帧中挑选多个假设匹配块；第四阶段，利用多假设匹配块形成残差稀疏模型，进而完成各个图像帧的重构。所提方法在增加一定复杂度的情况下能够获得较好的视频重构质量。
-
Patent Agency Ranking
公开(公告)号：CN110087078A
公开(公告)日：2019-08-02
申请号：CN201910387957.9
申请日：2019-05-10
Applicant: 东华大学
IPC: H04N19/177 , H04N19/134 , H04N19/156 , H04N19/136 , H04N19/503
Abstract: 难控的观测效能是制约视频观测编码技术发展的主要难题。基于图像组分块压缩感知架构，本发明提供了一种模型引导的观测效能调控方法，测量端根据当前图像组的观测结果与GOP帧间相关模型，在功耗约束下为后一图像组预先分配关键帧/非关键帧的采样率和量化深度。当前图像组执行完观测编码，若当前功耗满足功耗约束，后一图像组仍然采用当前图像组的观测参数；否则，后一图像组进入递减模式或递增模式，根据GOP帧间相关模型更新观测参数。由于邻近的图像组具有近似的统计特性，所提方法为视频观测编码提供了一种在功耗约束下观测参数的预设机制，能够快速地为关键帧/非关键帧分配采样率和量化深度，为连续图像组提供优化的观测效能。
-
公开(公告)号：CN108805944A
公开(公告)日：2018-11-13
申请号：CN201810533771.5
申请日：2018-05-29
Applicant: 东华大学
IPC: G06T9/00
CPC classification number: G06T9/002
Abstract: 本发明涉及一种归类精度保持的在线图像集压缩方法，包括：对图像集的两个压缩参数：质量因子Q和分辨率S进行适当的压缩。基于卷积神经网络分类器，将不同压缩参数下得到的图像集在该分类器下进行归类测试，对比与分析归类精度，得到精度保持的数据集压缩方法，利用归类精度保持下的最优压缩方法，为后续图像集归类精度保持双参数压缩方法选取提供参考。本发明能够快速准确地找到在线图像集归类精度保持下的最优压缩方法，大大减少在线图像集归类精度保持下的最优压缩所需的时间。
-
公开(公告)号：CN110505479B
公开(公告)日：2023-06-16
申请号：CN201910733206.8
申请日：2019-08-09
Applicant: 东华大学
IPC: H04N19/139 , H04N19/159 , H04N19/154
Abstract: 在压缩感知视频监控中，每帧均采用相同测量率进行单独观测。为了提高待回放帧的重构质量，本发明提出了一种启动时延约束下的视频压缩感知重构方法。重构端从码流中提取出各个帧观测矢量，对每一帧观测矢量首先执行单帧图像的迭代重构算法，然后根据迭代次数是否达到最大值来判定该帧是预测帧还是参考帧。在初次重构的基础上，预测帧采用质量较好的参考帧执行可能的双向或单向预测，通过多假设块匹配的残差最小化，完成二次重构乃至三次重构。所提方法能够动态地表征相关性未知的多帧图像，有助于提升视频压缩感知重构的整体质量。
-
公开(公告)号：CN111182313B
公开(公告)日：2021-11-02
申请号：CN201911323406.2
申请日：2019-12-20
Applicant: 东华大学
IPC: H04N19/895 , H04N19/176 , H04N19/129 , H04N19/503
Abstract: 现有的空域错误隐藏方法常以高复杂度的迭代逼近机制换取恢复质量的轻微提升，并且一些方法只适合于特定的丢失模式。为此，本发明提出了一种自适应混合填充(AHF)的空域错误隐藏方法，以便更好地平衡计算复杂度与恢复质量等性能指标，且能处理多种的丢失模式。对于当前受损块的错误隐藏，AHF方法首先通过各向同性梯度检测器统计延拓区域的邻域梯度特征，根据收缩填充次序执行局部预测过程，从外层素组到内层素组逐一地恢复受损块的各个素组；当预测相关性够低时，AHF方法转而执行非局部片匹配过程，利用相似片对同样位置的未隐藏像素进行填充。所提AHF方法适用于各种丢失模式，在通用性、计算复杂度和恢复质量之间取得了具有竞争力的综合性能。
-
公开(公告)号：CN109120932B
公开(公告)日：2021-10-26
申请号：CN201810766665.1
申请日：2018-07-12
Applicant: 东华大学
IPC: H04N19/137 , H04N19/182 , H04N19/503 , G06K9/62
Abstract: 本发明提出了一种基于HEVC压缩域双SVM模型的视频显著性预测方法。所提方法对视频数据集中选定的所有训练视频序列进行分类，使用分类的训练视频序列A类和B类对HEVC压缩域双SVM显著性预测模型分别进行训练，得到两种不同的压缩域显著性预测模型。从视频数据集中选取某一测试视频序列进行预分类操作，使用已经训练好的HEVC双SVM显著性预测模型对测试视频序列进行显著性的预测，所提方法能够获得较好的显著性预测效果。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.039 seconds)
