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

Inventor： 何刚 ,  宋嘉轩 ,  卢星星 ,  李云松

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。

公开(公告)号：CN110751597A

公开(公告)日：2020-02-04

申请号：CN201910967743.9

申请日：2019-10-12

Applicant: 西安电子科技大学 ,  呈像科技(北京)有限公司

Inventor： 何刚 ,  陈星如 ,  李云松

IPC: G06T3/40 ,  G06T5/50 ,  G06N3/08 ,  G06N3/04 ,  H04N19/85

Abstract: 本发明提出了一种基于编码损伤修复的视频超分辨方法，其实现步骤为：构建深度卷积神经网络；生成训练数据集；训练深度卷积神经网络；对视频图像进行下采样；对低分辨率视频进行编解码；对重建视频进行图像超分辨处理。本发明解决了现有视频图像超分辨方法中存在的无法达到实时处理要求、针对图像编码损伤的修复不足与放大尺度不足的问题，增强了网络针对编码损伤的学习能力，提升了图像超分辨的处理范围、处理速度与解码后的视频质量。

公开(公告)号：CN107027039B

公开(公告)日：2019-08-27

申请号：CN201710242830.9

申请日：2017-04-14

Applicant: 西安电子科技大学

Inventor： 何刚 ,  刘长昊 ,  李云松

IPC: H04N19/625 ,  H04N19/59

Abstract: 一种基于高效视频编码标准的离散余弦变换实现方法，具体实现步骤如下：(1)获得图像残差像素；(2)读取残差像素矩阵；(3)读取任意一行像素值；(4)32点蝶形变换；(5)16点蝶形变换；(6)8点蝶形变换；(7)4点离散余弦变换；(8)调整像素值顺序；(9)判断是否最后一行；(10)二维离散余弦变换；(11)判断是否最后一个矩阵；(12)输出码流。本发明能够有效克服现有技术中离散余弦变换实现方法硬件开销较大的问题，减小了编码过程中的硬件开销，使得图像能够得到很好的压缩。

公开(公告)号：CN104683818B

公开(公告)日：2017-11-21

申请号：CN201510112891.4

申请日：2015-03-15

Applicant: 西安电子科技大学

Inventor： 李云松 ,  李永军 ,  刘凯 ,  吴宪云 ,  王柯俨 ,  张静 ,  何刚

IPC: H04N19/63 ,  H04N19/635

Abstract: 本发明公开一种基于双正交不变集多小波的图像压缩方法，其步骤为：1.输入图像数据；2.DC电平位移；3.组成滤波器矩阵判；4.双正交不变集多小波变换层数初始化；5.扩展图像的高和宽；6.双正交不变集多小波行变换；7.双正交不变集多小波列变换；8.量化系数；9.算术编码；10.率失真优化截取；11.码流组织。本发明采用一组具有对称、紧支、正交的双正交不不变集多小波滤波器，双正交不不变集多小波变换计算时采用内积的方法，使得算法复杂度大大降低，变换后能量和熵集中程度高具有更大的稀疏性，有利于后续的压缩编码，而且便与分块处理和并行加速。

公开(公告)号：CN107071474A

公开(公告)日：2017-08-18

申请号：CN201710240244.0

申请日：2017-04-13

Applicant: 西安电子科技大学

Inventor： 李云松 ,  朱哲 ,  何刚

IPC: H04N19/593

Abstract: 本发明公开了一种基于SATD复用的HEVC帧内预测方法，其方案为：1)建立缓存的变量和数组；2)对CTU内的4x4块编号，计算该块在8x8、16x16、32x32和64x64层的可复用模式号；4)遍历CTU内所有4x4块计算其可复用模式号；5)计算4x4块在4x4、8x8、16x16、32x32和64x64层的不可复用模式下差值变换绝对值的和；6)获取当前模式在8x8，16x16，32x32和64x64层的可复用性；7)将当前模式差值变换绝对值的和保存到可复用层对应的二维数组中；10)进入下一次遍历或结束帧内预测。本发明编码复杂度低，压缩稳定性高，可用于粗选模块的简化计算。

公开(公告)号：CN119313710B

公开(公告)日：2025-04-22

申请号：CN202411453232.2

申请日：2024-10-17

Applicant: 西安电子科技大学

Inventor： 高隆 ,  陈朗坤 ,  柯禹泽 ,  张云贺 ,  刘卓岩 ,  陈海军 ,  鲁宸旭 ,  张阳 ,  何刚 ,  李云松

IPC: G06T7/246 ,  G06T7/66 ,  G06T7/73 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种针对高光谱视频的目标跟踪方法，对高光谱目标跟踪算法中的权重参数初始化；读取跟踪视频的初始帧作为目标跟踪的初始模板与在线更新模板图像，同时读取初始帧中目标的位置信息；读取跟踪视频的下一帧并经过裁剪处理，作为目标跟踪的搜索图像；将初始模板与在线更新模板图像和搜索图像作为高光谱目标跟踪算法的输入，通过降维模块降维到三通道图像，再输入经过低秩适应学习后的特征提取网络，将得到的特征信息输入目标位置解码器，输出目标在当前帧的预测位置及其置信度，根据置信度判断是否更新在线更新模板图像；对跟踪视频的每一帧不断重复并记录目标在视频每一帧中的预测位置；本发明具有目标跟踪准确性高、提取特征表征强和训练成本低等优点。

公开(公告)号：CN118097159A

公开(公告)日：2024-05-28

申请号：CN202410210510.5

申请日：2024-02-26

Applicant: 西安电子科技大学

Inventor： 王柯俨 ,  卢洪磊 ,  段跳楠 ,  何刚 ,  许宁 ,  李云松

IPC: G06V10/30 ,  G06V10/82 ,  G06N3/088 ,  G06N3/0464

Abstract: 本发明公开了一种基于三阶段特征提取的自监督图像去噪方法，主要解决现有方法特征提取能力差且恢复的图像色偏严重和纹理不清晰的问题。包括：利用Pytorch框架分别构建基于局部位置掩码卷积的盲点生成子网络和双分支互补特征提取子网络，在此基础上建立基于三阶段特征提取的自监督图像去噪网络，构建其损失公式；获取噪声图像集作为训练集，并将其按批量大小组成多个图像组，依次循环输入去噪网络进行迭代训练；将需要去噪的图像输入至训练完成的自监督去噪网络，得到清晰无噪声图像。本发明能在去除噪声的同时更好的恢复图像色彩和细节信息，且峰值信噪比和结构相似性两个指标均高于现有技术，可用于真实噪声图像的清晰化处理。

公开(公告)号：CN111242883B

公开(公告)日：2023-03-28

申请号：CN202010026179.3

申请日：2020-01-10

Applicant: 西安电子科技大学

Inventor： 何刚 ,  卢星星 ,  宋嘉轩 ,  李云松 ,  谢卫莹

IPC: G06T5/50 ,  G06T7/00 ,  G06T7/33

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：CN110751597B

公开(公告)日：2023-03-28

申请号：CN201910967743.9

申请日：2019-10-12

Applicant: 西安电子科技大学 ,  呈像科技(北京)有限公司

Inventor： 何刚 ,  陈星如 ,  李云松

IPC: G06T3/40 ,  G06T5/50 ,  G06N3/08 ,  G06N3/0464 ,  H04N19/85

Abstract: 本发明提出了一种基于编码损伤修复的视频超分辨方法，其实现步骤为：构建深度卷积神经网络；生成训练数据集；训练深度卷积神经网络；对视频图像进行下采样；对低分辨率视频进行编解码；对重建视频进行图像超分辨处理。本发明解决了现有视频图像超分辨方法中存在的无法达到实时处理要求、针对图像编码损伤的修复不足与放大尺度不足的问题，增强了网络针对编码损伤的学习能力，提升了图像超分辨的处理范围、处理速度与解码后的视频质量。

公开(公告)号：CN111866511B

公开(公告)日：2022-03-15

申请号：CN202010794331.2

申请日：2020-08-10

Applicant: 西安电子科技大学

Inventor： 何刚 ,  宋嘉轩 ,  卢星星 ,  李云松

IPC: H04N19/176 ,  H04N19/96 ,  H04N19/124 ,  G06V10/774 ,  G06V10/80 ,  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。