-
公开(公告)号：CN116503277A
公开(公告)日：2023-07-28
申请号：CN202310428060.2
申请日：2023-04-20
Applicant: 宁波大学科学技术学院
IPC: G06T5/00 , G06T1/00 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的低光图像增强和水印嵌入协作网络，包括：获取若干成对图像和水印，其中，成对图像包括：正常图像和低光图像；基于注意力机制构建低光图像增强和水印嵌入协作网络，将成对图像和水印输入低光图像增强和水印嵌入协作网络进行训练，得到训练好的低光图像增强和水印嵌入协作网络；获取待测低光图像；将待测低光图像输入训练好的低光图像增强和水印嵌入协作网络，得到高质量高鲁棒性图像。本发明具有更好的视觉质量、鲁棒性和不可见性，并且水印嵌入对图像质量的影响很小。
-
公开(公告)号：CN114463318B
公开(公告)日：2022-10-14
申请号：CN202210134926.4
申请日：2022-02-14
Applicant: 宁波大学科学技术学院
IPC: G06T7/00 , G06K9/62 , G06V10/44 , G06V10/764
Abstract: 本发明公开一种多曝光融合图像的视觉质量评估方法，包括以下步骤：提取多曝光融合图像的结构特征；提取所述多曝光融合图像的自然性特征；提取所述多曝光融合图像的色彩特征；构建质量回归模型，利用所述质量回归模型对所述结构特征、所述自然性特征和所述色彩特征进行聚合，评估所述多曝光融合图像的视觉质量。本发明充分利用MEF图像的结构性、自然性和色彩性，大大提高了多曝光融合图像的视觉质量评估的准确性。
-
公开(公告)号：CN115170944A
公开(公告)日：2022-10-11
申请号：CN202211011097.7
申请日：2022-08-23
Applicant: 宁波大学科学技术学院
Abstract: 本发明公开了一种基于CNN的NR水下增强图像质量评价方法，包括：获取水下增强图像，对水下增强图像进行预处理，获取反射图分量和光照图分量；基于双通道输入网络分别对反射图分量和光照图分量进行特征提取，获取输出特征图；对输出特征图进行质量回归，获取水下增强图像的质量分数。本发明针对水下增强图像的颜色和亮度纹理失真，利用双通道CNN网络的两个通道分别学习反射图分量与光照图分量包含的颜色特征和亮度纹理特征，采用双通道特征学习方式避免获得冗余特征，最后设计特征融合模块，通过全局池化和通道交互给颜色特征和亮度纹理特征分配权重，使用通道注意力确定通道特征的相互依赖关系，用空间注意力区分人类视觉感知关注的区域。
-
公开(公告)号：CN119625112A
公开(公告)日：2025-03-14
申请号：CN202510165176.0
申请日：2025-02-14
Applicant: 宁波大学科学技术学院
IPC: G06T11/00 , G06T3/4076 , G06T5/50 , G06T5/10 , G06N3/045
Abstract: 本申请涉及遥感图像处理领域，公开了一种基于双子网络结构的高质量HRHS图像生成方法，包括以下步骤：接收输入的低分辨率高光谱图像和全色图像，分别用于提供光谱信息和空间信息；通过抗噪声预融合子网络对低分辨率高光谱图像进行噪声过滤，并利用全色图像的高空间分辨率信息与低分辨率高光谱图像的光谱特征相关性生成预融合的高光谱图像；通过高频增强子网络，基于条件扩散模型对预融合图像进行高频细节重建与增强；通过小波逆变换融合预融合图像的低频信息与高频增强子网络生成的高频细节信息，输出最终的高分辨率高光谱图像。本发明能够在多种噪声环境下有效融合光谱与空间信息，生成具有高光谱保真度和空间细节的高分辨率高光谱图像。
-
公开(公告)号：CN118115446A
公开(公告)日：2024-05-31
申请号：CN202410144539.8
申请日：2024-02-01
Applicant: 宁波大学科学技术学院
IPC: G06T7/00
Abstract: 本申请涉及图像处理技术领域，尤其是涉及一种点云质量确定方法、装置、电子设备及存储介质。方法包括：通过建立待评价点云的全局图，点云全局结构完整性对于视觉质量具有一定的影响，因此，从待评价点云中确定出可以表征点云整体结构的关键点，并根据关键点，确定出待评价点云的全局质量特征以及局部质量特征，并根据待评价点云对应的全局质量特征和局部质量特征，确定待评价点云的质量分数，从而满足从全局到局部的关注特点，并提高确定待评价点云的质量与人眼感知质量的一致性，提高了评价点云感知质量的客观性。
-
Patent Agency Ranking
公开(公告)号：CN115880125B
公开(公告)日：2023-05-26
申请号：CN202310186948.X
申请日：2023-03-02
Applicant: 宁波大学科学技术学院
IPC: G06T1/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了基于Transformer的软融合鲁棒图像水印方法，包括：构建基于Transformer的端到端水印模型；其中，所述端到端水印模型包括：编码器、解码器、噪声层和鉴别器；将原始图像和原始水印输入所述编码器进行编码，获取编码图像；将所述编码图像输入所述噪声层进行噪声添加，获取噪声图像；将所述噪声图像输入所述解码器进行水印提取，获取解码后的水印；基于所述鉴别器，对所述编码图像进行鉴别。本发明在获得高质量的编码图像的同时，能够抵抗大部分的图像攻击，与现有技术方法相比，性能更好。
-
公开(公告)号：CN116137059A
公开(公告)日：2023-05-19
申请号：CN202310401940.0
申请日：2023-04-17
Applicant: 宁波大学科学技术学院
Abstract: 本发明公开了基于多层次特征提取网络模型的三维点云质量评价方法，对点云数据进行手工特征提取，获取灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离；构建多层次特征提取网络模型，基于所述灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离对所述网络模型进行训练，获取局部质量分数；基于所述局部质量分数，通过平均池化策略获取点云全局质量分数，基于所述点云全局质量分数对三维点云质量进行评价。本发明采用多层次特征提取回归结构，并结合通道间注意力机制搭建质量评价网络，有效全面获取能描述失真点云特性的信息。
-
公开(公告)号：CN115880126A
公开(公告)日：2023-03-31
申请号：CN202310192959.9
申请日：2023-03-03
Applicant: 宁波大学科学技术学院
IPC: G06T1/00 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/094
Abstract: 本发明提供了一种DIBR水印处理方法及系统，包括以下步骤：基于原始右视点图像和原始水印，生成带有水印的右视点图像；对所述带有水印的右视点图像进行攻击，生成右视点噪声图像；基于深度图和所述右视点噪声图像，虚拟合成左图像；分别从所述右视点噪声图像和所述左图像中提取水印。本发明与传统手工设计的编码规则不同，编码器、解码器和判别器的联合训练，使其能够自动寻找到水印最佳的嵌入位置与强度，使得右视点水印图像和合成水印图像都能达到水印图像的不可见性和鲁棒性的平衡。
-
公开(公告)号：CN114549271A
公开(公告)日：2022-05-27
申请号：CN202210170650.5
申请日：2022-02-24
Applicant: 宁波大学科学技术学院
Abstract: 本发明公开一种基于DCFERNet的零水印生成以及提取方法，包括如下步骤：获取原始图像、噪声图像，其中噪声图像通过对原始图像按照批量等概率的形式随机添加一种攻击方式生成；将原始图像通过训练完成的DCFERNet，得到第一特征图FI，对所述第一特征图FI进行二值化处理，得到第一二值化图BI，对所述第一二值图BI与原始水印W0进行异或操作，生成零水印ZW；将噪声图像通过训练完成的DCFERNet，得到第二特征图FN，对所述第二特征图FN进行二值化处理，得到第二二值化图BN，对所述第二二值图BN与零水印ZW进行异或操作，提取出水印W1。本方法具有较好的抗不同攻击的泛化能力，相比现有零水印方法，具有较好的鲁棒性。
-
公开(公告)号：CN118096532A
公开(公告)日：2024-05-28
申请号：CN202410148281.9
申请日：2024-02-01
Applicant: 宁波大学科学技术学院
IPC: G06T3/4053 , G06T5/70
Abstract: 一种条件扩散概率模型训练方法及全向图像生成方法，涉及图像处理领域。在条件扩散概率模型训练方法，包括：获取低分辨率的全向训练图像，将全向训练图像输入至初始条件扩散概率模型，对全向训练图像进行离散小波变换，得到离散小波图像提取所述全向训练图像的纬度权重矩阵；对全向训练图像进行加噪处理，得到噪声图像；根据离散小波图像和所述纬度权重矩阵，对噪声图像进行去噪处理，得到去噪图像，对去噪图像进行逆离散小波变换，得到目标全向图像；根据目标全向图像计算损失值，根据损失值调整初始条件扩散概率模型，得到训练完成的条件扩散概率模型。采用本申请可以生成保留全局内容和几何结构信息的高分辨率全向图像。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.027 seconds)
