-
公开(公告)号：CN110545426B
公开(公告)日：2021-04-20
申请号：CN201910809236.2
申请日：2019-08-29
Applicant: 西安电子科技大学 , 呈像科技(北京)有限公司
IPC: H04N19/122 , H04N19/124 , H04N19/13 , H04N19/132 , H04N19/149 , H04N19/169
Abstract: 本发明提出了一种基于编码损伤修复CNN的空域可分级视频编码方法，用于解决现有空域可分级视频编码方法中存在的因基本层重建图像与增强层图像基于编码损伤的图像失真较大导致的增强层编码码率的较高的技术问题，以减轻网络传输的负担，实现步骤为：获取空域基本层码流CBL和基本层重建图像集R；获取训练样本集T0；构建基于编码损伤修复的卷积神经网络CNN；对CNN进行训练；对基本层重建图像集R进行编码损伤修复；获取基于编码损伤修复CNN的空域可分级视频编码结果。
-
公开(公告)号：CN111242883A
公开(公告)日：2020-06-05
申请号：CN202010026179.3
申请日：2020-01-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的动态场景HDR重建方法，克服了现有技术中图像处理效果有待改进的问题。该发明含有以下步骤，在同一静态场景内用固定相机获取欠曝光、正常曝光和过曝光三幅图像；在动态场景中，用手持相机获取上述三幅图像，记为D1、D2和D3；用LK光流法对D1、S2和D3进行配准，图像序列记为R1、R2和R3和步骤1中得到的Ground Truth组成配对的训练集；利用相机相应曲线将R1、R2和R3变换到线性域，记为H1、H2和H3；利用对比度算子提取H1、H2和H3图像中的亮度信息，记为M1、M2和M3；利用梯度算子提取R1、R2和R3图像中细节信息，记为L1、L2和L3；设计基于Resnet的Attention模块。该技术生成的HDR图像细节丰富，对比度高，具有广色域高动态范围。
-
公开(公告)号：CN110545426A
公开(公告)日：2019-12-06
申请号：CN201910809236.2
申请日：2019-08-29
Applicant: 西安电子科技大学 , 呈像科技(北京)有限公司
IPC: H04N19/122 , H04N19/124 , H04N19/13 , H04N19/132 , H04N19/149 , H04N19/169
Abstract: 本发明提出了一种基于编码损伤修复CNN的空域可分级视频编码方法，用于解决现有空域可分级视频编码方法中存在的因基本层重建图像与增强层图像基于编码损伤的图像失真较大导致的增强层编码码率的较高的技术问题，以减轻网络传输的负担，实现步骤为：获取空域基本层码流CBL和基本层重建图像集R；获取训练样本集T0；构建基于编码损伤修复的卷积神经网络CNN；对CNN进行训练；对基本层重建图像集R进行编码损伤修复；获取基于编码损伤修复CNN的空域可分级视频编码结果。
-
公开(公告)号：CN110087092A
公开(公告)日：2019-08-02
申请号：CN201910182160.5
申请日：2019-03-11
Applicant: 西安电子科技大学
IPC: H04N19/85 , H04N19/593 , H04N19/176 , H04N19/80 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于图像重构卷积神经网络的低码率视频编解码方法，用以解决现有技术中存在的在低码率下视频编解码后视频有严重压缩失真的问题，其实现步骤为：对输入视频通过下采样操作后得到低分辨率的视频，再使用标准X265编解码器对低分辨率视频进行视频编解码，得到解码后的低分辨率视频，将解码后的低分辨率视频输入到训练好的图像重构卷积神经网络，然后得到与输入视频相同分辨率的重构视频。本发明能够在低码率下有效抑制视频编解码带来的严重压缩失真，能够很好地提升视频的质量。
-
公开(公告)号：CN109584170A
公开(公告)日：2019-04-05
申请号：CN201811271076.2
申请日：2018-10-29
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种单幅水下图像复原方法，主要解决现有技术在处理水下图像时色偏校正和清晰化处理效果欠佳的问题。其方案是：在Caffe框架下分别构建环境光估计网络和透射率估计网络；获取一组深度图像集J和d(J)，随机生成透射率T和环境光A，合成水下图像集I；将I、A按批量依次循环输入至环境光估计网络进行训练；再将I、T按批量依次循环输入至透射率估计网络进行训练；将待处理的图像Ic输入至完成训练的神经网络，输出环境光Ac和透射率Tc；根据Ac和Tc计算得到清晰图像Jc。本发明提高了图像对比度并能校正色偏，其峰值信噪比、结构相似性和色差公式三个指标均优于现有技术，可用于水下图像的清晰化处理。
-
Patent Agency Ranking
公开(公告)号：CN105791863B
公开(公告)日：2018-11-30
申请号：CN201610172216.5
申请日：2016-03-24
Applicant: 西安电子科技大学
IPC: H04N19/597 , H04N19/96
Abstract: 本发明公开了一种基于层的3D‑HEVC深度图帧内预测编码的方法，主要解决现有的技术对深度图帧内预测编码处理复杂度较高的问题。其技术方案为：1)初始化文件和门限；2)记录测试码流每个编码周期的第一帧数据；3)通过计算编码周期第一帧的命中率得到门限；4)根据门限，选择性跳过当前预测单元的粗选阶段深度模式、细选阶段或全部粗选细选阶段，完成一帧视频视频编码；5)重复步骤2)到4)遍历每帧视频，直到编码结束。本发明具有编码复杂度低、方法多样性的优点，可用于视频编码。
-
公开(公告)号：CN106911935A
公开(公告)日：2017-06-30
申请号：CN201710255725.9
申请日：2017-04-19
Applicant: 西安电子科技大学
IPC: H04N19/91 , H04N19/176 , H04N19/70 , H04N19/593
CPC classification number: H04N19/91 , H04N19/176 , H04N19/593 , H04N19/70
Abstract: 本发明提出了一种基于HEVC标准的熵编码器集成电路设计方法，用于解决现有熵编码器集成电路设计方法中存在的硬件开销大和实现复杂度高的技术问题，实现步骤为：创建不同规格的寄存器并初始化；计算HEVC熵编码器用到的各语法元素二元符号长度；计算4×4子块二元符号串长度和全零标志位并存储到相应的小寄存器中；根据TU块规格和子块在TU块中的位置坐标，将小寄存器中存储的值分别存储到相应的大寄存器中；计算TU块中已计算得到二元符号串长度的子块个数并将该数值存储到相应寄存器；根据该数值与TU块包含子块总数的比较结果和TU块的规格，对TU块的下一个子块和TU块进行不同操作；计算TU块二元符号串长度。
-
公开(公告)号：CN110599415B
公开(公告)日：2023-11-10
申请号：CN201910808481.1
申请日：2019-08-29
Applicant: 西安电子科技大学 , 呈像科技(北京)有限公司
Abstract: 本发明公开了一种基于局部自适应伽马校正的图像对比度增强实现方法，解决了图像过曝、欠曝、逆光的问题。实现步骤：输入待处理图像，扩充后转到HSV空间；通道分离；对V通道图像分块处理；计算得到最初的灰度变换函数并用其对V通道图像插值映射；直方图裁剪和移位补偿；计算最终的灰度变换函数并对Vg通道图像进行插值映射；通道合并后转换为RGB图像。本发明对问题图像进行针对性的局部自适应伽马校正，保持图像不失真的情况下有效地高质量提高对比度，图像的纹理、细节的恢复效果显著，复杂度低，工程应用性高，可十分广泛地应用于拍摄场景和手法造成的图像过曝、欠曝和逆光的图像增强处理。
-
公开(公告)号：CN112188202A
公开(公告)日：2021-01-05
申请号：CN201910585090.8
申请日：2019-07-01
Applicant: 西安电子科技大学
IPC: H04N19/172 , H04N19/42 , G06T5/00 , G06N3/08
Abstract: 本公开涉及一种基于神经网络的自学习视频编解码技术。其介绍如下：视频编码装置中的第一编码模块对目标视频进行压缩编码获得对应的第一码流数据和重建图像，并将第一码流数据发送至视频解码装置；视频编码装置中的第二编码模块用于以目标视频所对应的原始视频帧为标签、重建图像为输入，训练学习得到对应目标视频的修复神经网络，并获取对应的神经网络信息、发送至视频解码装置；视频解码装置中的第一解码模块基于第一码流数据进行解码得到重建图像；视频解码装置中的第二解码模块根据神经网络信息构建的修复神经网络对重建图像进行修复，得到目标视频的修复视频作为最终的解码输出。本公开实施例所提供的视频编解码技术，压缩效率高、兼容性好。
-
公开(公告)号：CN111866511A
公开(公告)日：2020-10-30
申请号：CN202010794331.2
申请日：2020-08-10
Applicant: 西安电子科技大学
IPC: H04N19/176 , H04N19/96 , H04N19/124 , G06K9/62 , G06N3/04 , G06N20/00
Abstract: 本发明涉及一种基于卷积长短期记忆神经网络的视频损伤修复方法,步骤为：1.使用视频编解码器压缩未受损的视频码流A1，得到受损的视频码流A2；2.无损逐帧分解A1和A2，分别得到帧序列B1和B2；将B1和B2逐帧对应保存；3.使用视频编解码器提取A2的分块深度信息S1，对A2逐帧划分，将结果叠加至B2上，生成带有视频编码信息的帧序列B3；4.构建视频修复网络；5.以损失函数作为优化目标，B1为标签，将B2和B3输入视频修复网络并对其进行训练；6.将待修复的视频序列及其编码信息输入训练好的视频修复网络中，得到修复完成的视频序列；本发明所修复的受损视频清晰度高，且只针对视频受损区域进行修复。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.026 seconds)
