-
公开(公告)号：CN110611804B
公开(公告)日：2021-05-11
申请号：CN201910927796.8
申请日：2019-09-27
Applicant: 重庆邮电大学
IPC: H04N13/122 , H04N13/128 , H04N13/194
Abstract: 本发明涉及一种三维视频纹理和深度联合无线软传输优化方法，属于三维视频无线软传输技术领域。该方法包括：S1：输入三维视频深度图及纹理视频图像组；S2：分别对多视点的纹理视频和深度图执行4D‑DCT；S3：选择合适的分块尺寸对变换后的系数块进行分块；S4：对纹理部分和深度部分系数块进行元数据优化；S5：根据步骤S4得到的两部分优化数据块进行交织，形成混合块；S6：根据带宽要求对混合块进行块丢弃；S7：执行功率分配并调制映射到无线信道上传输。本发明能够减少三维视频中的冗余，提高传输效率。
-
公开(公告)号：CN112689146A
公开(公告)日：2021-04-20
申请号：CN202011516046.0
申请日：2020-12-18
Applicant: 重庆邮电大学
IPC: H04N19/11 , H04N19/593
Abstract: 本发明涉及一种基于启发学习的VVC帧内预测快速模式选择方法，属于视频编码领域，包括以下步骤，S1：计算CU的纹理复杂度，分为平坦与非平坦两类；S2：对于平坦类型的CU，选取平面模式与直流模式作为候选模式，跳过模式粗选过程，直接进入率失真优化过程；S3：对于非平坦类型的CU，首先根据梯度信息缩减模式粗选过程的搜索范围，其次根据上下文信息为模式粗选过程设置起始搜索点，然后分别以较大、较小步长进行两轮搜索，最后选取最优的两种模式进入率失真优化过程。本发明在降低帧内预测复杂度的同时，有效地保持了RD性能。
-
公开(公告)号：CN106162198B
公开(公告)日：2019-02-15
申请号：CN201610790111.6
申请日：2016-08-31
Applicant: 重庆邮电大学
IPC: H04N19/597 , H04N19/154 , H04N19/147 , H04N13/161
Abstract: 本发明涉及一种基于不规则匀质块分割的三维视频深度图编码及解码方法，包括以下步骤；1)输入一帧深度图及对应纹理图像；2)采用标准编码方法对纹理视频进行编码；3)对重建纹理视频进行超像素分割；4)将深度图划分为不规则匀质块；5)计算使得不规则匀质块对应合成区域失真最小的深度像素值并用该像素值表示整个不规则匀质块；6)对不规则匀质块表示的深度图进行无损编码；7)接收并解码一帧三维视频图像码流；8)对解码的纹理视频图像进行超像素分割；9)对解码的深度图进行重建；10)对重建深度图采用伪边缘滤波法进行质量增强。本发明充分考虑深度图分片平滑的内部特性和虚拟视点的合成失真，可提高深度图编码效率并显著降低深度图编码的计算复杂度，还可兼容任何标准深度图编码方法。
-
公开(公告)号：CN107483436A
公开(公告)日：2017-12-15
申请号：CN201710693051.0
申请日：2017-08-14
Applicant: 重庆邮电大学
IPC: H04L29/06 , H04L12/707 , H04L12/741 , H04L29/08
Abstract: 本发明涉及一种物联网中通信模块的物理层双模设计方法，属于物联网通信领域。该方法为：在物联网通信中，两种通信模式共享应用层和协议栈部分，物理层分别由两种传输模式组成，这两种物理层传输模式都可以发送协议栈的数据块。与此同时，这两个物理层模式收到的数据块都上报给协议栈处理。在通信过程中协议栈不关心物理层采用何种物理层传输模式进行传输。本发明在复杂的物联网通信传输场景中，采用两种物理层通信模式，提高了物联网中的通信能力，有利于提高物联网的性能。
-
公开(公告)号：CN119729018A
公开(公告)日：2025-03-28
申请号：CN202411736789.7
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: H04N19/597 , H04N19/70 , H04N19/132 , H04N13/161 , H04N13/194
Abstract: 本发明涉及一种面向三维点云无线传输的自适应深度信源信道联合编码方法，属于信源信道编码领域，包括以下步骤：S1：构建深度信源信道联合编码器模型，包括点云下采样模块和特征提取模块；S2：利用适合于无序点云的功率归一化方法获得输入信道的复数语义向量#imgabs0#使其在噪声信道上传输；S3：对点云特征与点云坐标进行初始估计；S4：设计信道条件自适应的感知机制；S5：利用多压缩率支持的训练策略对深度信源信道联合编码器模型进行训练；S6：构建深度信源信道联合解码器模型，包括特征提取模块、特征扩展模块的和点云坐标重建模块。
-
Patent Agency Ranking
公开(公告)号：CN114331989B
公开(公告)日：2024-08-02
申请号：CN202111585112.4
申请日：2021-12-16
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06T7/90 , G06T5/40 , G06V10/762 , G06V10/764
Abstract: 本发明涉及一种基于点特征直方图测地距离的全参考3D点云质量评估方法，属于多媒体信息处理领域，包括以下步骤：S1：对三维点云进行重采样的预处理操作；S2：通过k近邻搜索算法来聚类高频点在参考点云和失真点云中近邻点的集合#imgabs0#和#imgabs1#S3：计算#imgabs2#和#imgabs3#的快速点特征直方图，计算两者的测地距离(EMD)，得到局部区域的几何质量度量结果；S4：将#imgabs4#和#imgabs5#的颜色属性转换到高斯颜色空间，在分别计算#imgabs6#和#imgabs7#颜色属性亮度分量的均值、标准差和协方差，得到局部区域颜色属性的质量度量；S5：将几何和颜色的质量度量结果线性加权聚合，得到全局感知质量评价模型。
-
公开(公告)号：CN113242195A
公开(公告)日：2021-08-10
申请号：CN202110734629.9
申请日：2021-06-30
Applicant: 重庆邮电大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明涉及一种低精度全数字架构下窄带毫米波MIMO信道估计方法，属于无线通信信号处理领域，包括：发送端发送相互正交的导频信号；接收端射频链路对模拟接收信号进行低精度量化后得到数字接收信号；利用现有角度域毫米波MIMO信道模型，将毫米波MIMO信道估计问题转化为含噪量化稀疏信号重构问题；首先利用一致性重构准则构造优化问题，估计信道向量支撑集；然后对重构问题进行降维处理，降低计算复杂度；进而计算采样后接收信号的条件期望，得到其最大似然估计；最后对毫米波MIMO信道进行最小二乘估计。与传统信道估计方法相比，本发明根据毫米波MIMO信道在角度域稀疏性的特点进行定制化设计，估计精度更高且计算复杂度更低。
-
公开(公告)号：CN108600140B
公开(公告)日：2020-11-06
申请号：CN201711482761.5
申请日：2017-12-29
Applicant: 重庆邮电大学
IPC: H04L27/26
Abstract: 本发明涉及一种OFDM系统中抗脉冲干扰的信道估计方法，属于电力线通信技术领域。该方法首先利用非线性脉冲干扰消除技术对参考符号进行预处理，以获得较准确的初始信道估计，然后根据噪声的分布特性，利用拉依达准则和初始信道估计对预处理中产生的非线性失真和未得到抑制的脉冲干扰进行重构，将重构的干扰项从参考符号中剔除，最终获得高精确度的信道估计。本发明对基于置零的信道估计中引入的非线性失真和没有得到抑制的脉冲干扰进行了较为彻底的消除，在各种脉冲干扰出现概率和各种脉冲干扰强度下性能保持稳定，在大多数脉冲干扰环境下，本发明只需迭代2次或2次以内就可以达到与无脉冲干扰下信道估计相当的性能。
-
公开(公告)号：CN108600140A
公开(公告)日：2018-09-28
申请号：CN201711482761.5
申请日：2017-12-29
Applicant: 重庆邮电大学
IPC: H04L27/26
CPC classification number: H04L27/2691 , H04L27/2695
Abstract: 本发明涉及一种OFDM系统中抗脉冲干扰的信道估计方法，属于电力线通信技术领域。该方法首先利用非线性脉冲干扰消除技术对参考符号进行预处理，以获得较准确的初始信道估计，然后根据噪声的分布特性，利用拉依达准则和初始信道估计对预处理中产生的非线性失真和未得到抑制的脉冲干扰进行重构，将重构的干扰项从参考符号中剔除，最终获得高精确度的信道估计。本发明对基于置零的信道估计中引入的非线性失真和没有得到抑制的脉冲干扰进行了较为彻底的消除，在各种脉冲干扰出现概率和各种脉冲干扰强度下性能保持稳定，在大多数脉冲干扰环境下，本发明只需迭代2次或2次以内就可以达到与无脉冲干扰下信道估计相当的性能。
-
公开(公告)号：CN119741386A
公开(公告)日：2025-04-01
申请号：CN202411736810.3
申请日：2024-11-29
Applicant: 重庆邮电大学
IPC: G06T9/00 , G06T3/08 , G06V10/762 , G01S7/48
Abstract: 本发明涉及一种基于深度图和冗余点去除的点云压缩方法，属于数据压缩技术领域，包括以下步骤：S1：将单帧点云数据转化为深度图表示；S2：对地平线进行估计；S3：去除深度图中的近地点；S4：对深度图剩余的点进行聚类；S5：根据点云簇的密度特征进行冗余点去除；S6：对点云数据进行帧内预测；S7：将得到每一帧距离图像的点云簇标签、点云簇中心值和预测残差压缩成比特流并打包成文件。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.018 seconds)
