-
公开(公告)号：CN116486245B
公开(公告)日：2025-05-16
申请号：CN202310396890.1
申请日：2023-04-14
Applicant: 福州大学
Abstract: 本发明涉及一种基于层级特征融合的水下图像质量评价方法。包括：S1、提出一种水下图像的全层次特征提取方法；S2、提出一种多特征融合方案，构建一种基于全层次特征的质量评价方法。本发明方法考虑水下图像具有任务导向的背景，即水下目标检测和识别，结合人脑视觉识别原理，提取了水下图像的层级特征，并使用几个参数密度模型有效捕获失真，综合提出一种无参考的水下图像评价方法。此方法不需要大量数据进行训练，使得决策过程更加简单。
-
公开(公告)号：CN115049562B
公开(公告)日：2024-09-03
申请号：CN202210782462.8
申请日：2022-07-05
Applicant: 福州大学
Abstract: 本发明涉及一种基于失真引导的水下图像复原方法，包括：步骤S1:构建水下多类型失真图像数据库；步骤S2:通过水下失真图像数据库中的I和M训练失真检测网络，并预测一张失真图像的掩码图M’；S3：将水下失真图像下采样并进行离散化以降低输入图像的维度空间大小，根据水下失真图像的掩码图M’将水下失真图像的失真像素置0后输入Transformer架构，对输出的概率图进行吉布斯采样，获取复原图像的低分辨率先验图像；S4：采用Encoder‑Decoder结构作为复原网络的主体架构，并在复原网络的编码端构建三个分支的输入；S5：构建DAM失真聚合模块，并利用失真检测网络的中间层信息引导复原网络，最终得到水下失真图像的复原图像。本发明能够有效提高水下失真图像的复原效果。
-
公开(公告)号：CN115861880A
公开(公告)日：2023-03-28
申请号：CN202211496526.4
申请日：2022-11-27
Applicant: 福州大学
IPC: G06V20/40 , H04N7/18 , H04N5/262 , G06V10/25 , G06V10/54 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及了一种基于半监督学习的轻量级监控视频去雨方法。首先，对监控场景进行分析，确定所需处理视频流的分辨率和帧率，确定算法运行的频率，获取参考背景帧信息；其次，采用门控卷积模块GCB提取并融合当前视频帧的雨纹特征和历史背景特征，得到雨纹分布和背景特征的融合输入特征；再次，采用递归残差网络RRN进行多层级处理MTP和递归密集学习RDL，通过跨不同级联块的参数共享降低参数量和提升去雨效果；最后，利用训练模型预测出的结果与原始未去雨的视频帧进行对比，判断任务中目标的完成情况。本发明方法较采用其他监控视频去雨方法相比在准确率性能上表现最好，并且处理速度达到针对不同运行环境的实时要求，优势明显。
-
公开(公告)号：CN111862212B
公开(公告)日：2022-06-14
申请号：CN202010734926.9
申请日：2020-07-28
Applicant: 福州大学
Abstract: 本发明涉及一种基于图正则化多视图特征嵌入的多类目标协同定位方法，首先采用基于图正则化多视图嵌入的方法对每幅输入图像的协同显著图进行融合，以获取加入正则化项的融合显著图；然后利用学习到的前景先验知识，采用GrabCut算法对融合显著图进行粗分割；最后通过图的连通性对分割进行细化，以获取目标协同定位结果。本发明能够提高多类目标定位的精度。
-
公开(公告)号：CN111862212A
公开(公告)日：2020-10-30
申请号：CN202010734926.9
申请日：2020-07-28
Applicant: 福州大学
Abstract: 本发明涉及一种基于图正则化多视图特征嵌入的多类目标协同定位方法，首先采用基于图正则化多视图嵌入的方法对每幅输入图像的协同显著图进行融合，以获取加入正则化项的融合显著图；然后利用学习到的前景先验知识，采用GrabCut算法对融合显著图进行粗分割；最后通过图的连通性对分割进行细化，以获取目标协同定位结果。本发明能够提高多类目标定位的精度。
-
Patent Agency Ranking
公开(公告)号：CN111726613A
公开(公告)日：2020-09-29
申请号：CN202010609415.4
申请日：2020-06-30
Applicant: 福州大学
IPC: H04N19/124 , H04N19/154 , H04N19/176 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于最小可觉差的视频编码优化方法，包括以下步骤：步骤S1：对已经压缩过的原始视频数据进行预处理，剔除不具备参考价值的平坦帧；步骤S2：根据预处理后的视频及其初始QP，采用VGG神经网络，以分类任务的形式预测每个视频帧低于JND阈值的最优QP值；步骤S3:根据得到的最优QP值，作为原始视频的新QP值进行重新编码。与原视频相比，本发明能够在在不影响视频感知质量的情况下达到更低的编码比特率。
-
公开(公告)号：CN113852813A
公开(公告)日：2021-12-28
申请号：CN202111114535.8
申请日：2021-09-23
Applicant: 福州大学
IPC: H04N19/117 , H04N19/80 , H04N19/85 , G06K9/62
Abstract: 本发明提出一种基于注意力机制的压缩视频修复与画质增强方法及系统，首先，采用动态滤波处理，对视频的当前帧和目标帧在特征域上进行对齐，进而有效的利用视频帧间的时空关系；其次，为了避免过度平滑，利用注意力机制设计序列残差注意力模块(SRAB)作为网络的基本单元，对视频帧的细节进行修正；最后，利用训练模型预测出的结果与原始未压缩的视频帧进行对比，判断任务中目标的完成情况。本发明方法较采用其他视频增强算法相比本发明在视觉性能上表现最好，并且处理速度较快，优势明显。
-
公开(公告)号：CN111277899A
公开(公告)日：2020-06-12
申请号：CN202010098992.1
申请日：2020-02-18
Applicant: 福州大学
IPC: H04N21/442 , H04N21/475
Abstract: 本发明涉及一种基于短期记忆和用户期望的视频质量评价方法，通过主观实验，获取短期记忆形成的不同时长以及由于短期记忆后产生的用户期望对视频体验数据。最后通过数据分析及数学建模，来获取记忆形成时长和用户期望对视频体验质量的评价模型。本发明考虑了短期记忆和用户期望与视频质量的影响，能够获取更精准的视频质量评价。
-
公开(公告)号：CN114936983A
公开(公告)日：2022-08-23
申请号：CN202210680325.3
申请日：2022-06-16
Applicant: 福州大学
IPC: G06T5/00 , G06V20/05 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/34 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度级联残差网络的水下图像增强方法及系统，该方法包括：S1：构建深度级联残差网络；按比例构建训练集和测试集；S2：将输入图像分块，然后分别输入到深度级联残差网络的三个级联子网中，让网络进行前向传播获得训练后网络输出的清晰图像；S3：计算输出图像相较于目标图像的损失值，根据损失值进行误差反向传播以更新网络权重；S4：判断深度级联残差网络是否训练完毕，是则挑选出网络的最佳模型；S5：将测试集输入最佳模型进行测试，判断最佳模型是否达到预期；S6：将水下退化图像输入通过测试的深度级联残差网络，获得增强后的水下图像。该方法及系统有利于纠正水下图像的颜色偏差，提高对比度和清晰度，提高整体视觉效果。
-
公开(公告)号：CN111814896A
公开(公告)日：2020-10-23
申请号：CN202010696076.8
申请日：2020-07-20
Applicant: 福州大学
Abstract: 本发明涉及一种面向多视图特征融合与聚类的联合优化方法，包括以下步骤：步骤S1:获取待聚类图像数据的若干个视图以及聚成的类别数；步骤S2:初始化相关参数和矩阵变量；步骤S3:将面向多视图特征融合与聚类的联合优化问题表示为共享指示矩阵和对应各个视图系数矩阵的矩阵分解范式，写出损失函数，确认优化目标;步骤S4:更新各项参数，直至收敛或达到最大迭代次数；步骤S5:计算得到收敛的共享聚类指示矩阵，以对每个样本标签进行分配，得到最优的聚类结果。本发明面向多视图特征，能够实现准确的聚类。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.018 seconds)
