-
公开(公告)号：CN115334259B
公开(公告)日：2024-08-09
申请号：CN202210788720.3
申请日：2022-07-05
Applicant: 复旦大学
IPC: H04N25/581
Abstract: 本发明属于阵列相机体系技术领域，具体为一种适用于阵列相机的多芯片分布式自动曝光装置。本发明的分布式自动曝光装置，由N×N颗芯片二维阵列排布组成，每颗芯片结构包括独立的4核图像处理器、一个多芯片控制器、一个中央处理器、独立的4路图像传感器主控器、IIC控制器、3路输入MIPI和3路输出MIPI；本发明利用阵列分布式MCU，进行自动曝光的统计，利用各个芯片自己的并行能力控制图像传感器实现自动曝光调整，以保障超高分辨率亮度拼接的可靠性和实时性；并减少整个自动曝光闭环的系统延迟，大幅提高性能。T同时可以扩展应用到色温拼接、对焦拼接等。
-
公开(公告)号：CN114885161B
公开(公告)日：2024-08-09
申请号：CN202210432325.1
申请日：2022-04-22
Applicant: 复旦大学
IPC: H04N19/11 , H04N19/147 , H04N19/176 , G06T5/40
Abstract: 本发明属于视频压缩编解码技术领域，具体为一种适用于VVC标准的帧内预测的模式选择的快速算法。本发明从梯度直方图与帧内模式的映射和空间相关性两个方面来减少VVC标准的编码复杂度从而加快帧内预测速度；首先，通过引入梯度直方图HOG建立帧内65个角度模式和HOG的32个区间的映射关系，对于HOG区间的选择从而对模式进行选择，利用纹理信息与角度模式的关系减少SATD和RDO等耗时操作的可能性；另外，利用空间信息的相关性减低编码的冗余度，参考左面和上面CU的模式作为当前CU的模式的选择参考。通过这两个方面大大加速帧内预测的模式选择过程。
-
公开(公告)号：CN115484406B
公开(公告)日：2024-05-21
申请号：CN202211002150.7
申请日：2022-08-21
Applicant: 复旦大学
IPC: H04N23/60
Abstract: 本发明属于阵列相机摄像技术领域，具体为适用于阵列相机的多芯片阵列通信方法。本发明包括多芯片统计值通信、广播值通信，具体是把每一颗芯片的统计值以最短的芯片路径从首芯片传送到主芯片；同时主芯片把同步信号、3A结论通过广播的形式，从主芯片送到二维阵列的右下角芯片，再依次广播给各个芯片，最后到主芯片，形成闭环；其中，通过构建多芯片控制器作为核心的控制单元，和微控制器一起控制所有芯片有序同步工作；本发明可满足阵列相机多摄像头实时协同工作的特定需求，实时、灵活、高效的进行多路图像处理器之间信息传送。本发明为多摄像头拼接、多图像处理器之间保持亮度、颜色、清晰度一致性以及视频实时同步提供坚实的基础。
-
公开(公告)号：CN113298763B
公开(公告)日：2022-08-19
申请号：CN202110501825.1
申请日：2021-05-09
Applicant: 复旦大学
Abstract: 本发明属于图像处理技术领域，具体为一种基于显著性窗口策略的图像质量评估方法。本发明图像质量评估方法，包括：使用超像素分割算法（SLIC）初步提取显著性估值；使用图像边缘信息作为辅助，来增强结果的鲁棒性，并完成显著性图计算；采用显著性窗口划定策略，来确定全局分数与显著性分数计算区域并给出综合的图片质量得分。本发明方法能够对一张图片给出更接近于人眼主观感受的质量打分，在图像压缩、视频编解码、视频监控等领域可提供高效可靠的指导和参考。
-
公开(公告)号：CN113220428B
公开(公告)日：2022-06-21
申请号：CN202110444084.8
申请日：2021-04-23
Applicant: 复旦大学
IPC: G06F9/48
Abstract: 本发明属于云计算技术领域，具体为一种针对云计算系统实时性需求的动态任务调度算法，本发明算法步骤如下：用户提交需要完成的任务；排序器根据任务的运行时间和等待时间计算出任务的优先级值；排序器根据任务的优先级值对任务按照从高到低的顺序进行重排序；调度器从排序器中取出一定数目的任务；调度器根据任务的大小及主机当前状态分配任务；主机按照任务大小从低到高的顺序执行任务。本发明中，排序器和调度器的相互配合可以大幅提高对任务的实时性响应，同时不影响执行效率和负载均衡。
-
Patent Agency Ranking
公开(公告)号：CN112967185A
公开(公告)日：2021-06-15
申请号：CN202110190379.7
申请日：2021-02-18
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉技术领域，具体为一种基于频率域损失函数的图像超分辨率算法。该算法在超分辨率算法常用的损失函数上加以改进，在损失函数中加入真值图和预测图的频率域信息，使得算法在学习过程中能够更加关注预测图和真值图之间的高频信息差异，从而获得复原效果更好的高分辨率图片。本算法包括：获取超分辨率训练数据集；搭建超分辨率卷积神经网络，包括特征提取、特征学习、特征重建三个模块；利用提出的基于频率的损失函数训练网络，通过梯度反向传播算法更新网络的参数；网络训练好后，输入低分辨率图片即可对其进行超分辨率重建。本发明算法能够更好的恢复出图片中的高频细节，并且可以方便地应用于其他超分辨率网络。
-
公开(公告)号：CN110191347B
公开(公告)日：2021-06-04
申请号：CN201910373251.7
申请日：2019-05-06
Applicant: 复旦大学
IPC: H04N21/218 , H04N21/44 , H04N21/4402 , H04N21/658 , G06K9/46 , G06K9/00
Abstract: 本发明属于全景视频传输技术领域，具体为基于特征点检测的全景视频的传输方法。本发明方法包括：根据用户端的视野情况得到相应的视野范围；将用户的视野范围根据需求划分成若干个面积相等的区域；对这每个区域利用FAST特征点检测算法进行特征点检测；得到每个区域的特征点数目后进行比较，得到特征点数目最多的区域；记录好此区域中心的位置，将其反馈给服务器端，服务器端将其作为用户视野的中心，选择相应的视频内容及其对应清晰度，发送给用户。本发明可大大提高用户的观看体验。
-
公开(公告)号：CN111064958B
公开(公告)日：2021-03-30
申请号：CN201911382700.0
申请日：2019-12-28
Applicant: 复旦大学
IPC: H04N19/13 , H04N19/70 , H04N19/117 , H04N19/61 , H04N19/82
Abstract: 本发明属于视频编码技术领域，具体为一种针对B帧和P帧的低复杂度神经网络滤波算法。本发明方法包括：通过测试不同比例下的神经网络滤波器的输出和视频编码标准输出的重建像素融合结果，选择其中最佳的滤波强度编入码流中，达到最佳滤波效果。其中设计了一个新的语法元素称为帧级的语法元素，即对于每一帧的每一个分量都存在的语法元素，其由n比特构成，用于表征当前帧中神经网络输出的结果和视频编码器重建像素的融合程度。通过该语法元素实现自适应滤波强度的效果，有效解决了直接使用滤波器导致的过模糊过平滑问题。相较于原来的CTU级别的语法元素，直接使用帧级的滤波不会带来额外的人为边界，是一种性能优异且复杂度很低的算法。
-
公开(公告)号：CN111818332A
公开(公告)日：2020-10-23
申请号：CN202010515283.9
申请日：2020-06-09
Applicant: 复旦大学
IPC: H04N19/11 , H04N19/122 , H04N19/176 , H04N19/96
Abstract: 本发明属于高清视频压缩编解码技术领域，具体为一种适用于VVC标准的帧内预测划分判决的快速算法。发明中，LCU的大小可以是VVC默认的128×128，也可以是其他；VVC中CU的大小多种多样，其长和宽可以是4、8、16、32、64和128，且存在长宽不等的长方形CU。本发明引入基于方差和梯度的算法，可以大致获得当前CU的纹理复杂度，基于这一信息进行判断，得到最有可能的划分方式，从而大大加速帧内预测的块划分过程。
-
公开(公告)号：CN105430413B
公开(公告)日：2018-12-11
申请号：CN201510787964.X
申请日：2015-11-17
Applicant: 复旦大学
IPC: H04N19/51 , H04N19/129 , H04N19/176 , H04N19/139 , H04N19/56
Abstract: 本发明属于高清数字视频压缩编解码技术领域，具体为一种适用于HEVC标准中整数运动估计的四分块硬件扫描方法。本发明首先将大小为64×64的图像处理块分割成4个16×64块，从而依次进行光栅扫描；光栅扫描过程为：按照之字形方式进行扫描，即从第1个像素以水平（或者垂直）的方向开始进行扫描，直至到达边界，这一方向被称之为光栅扫描的方向；接着，向垂直于光栅扫描的方向平移1个像素，再次按照光栅扫描的方向进行扫描，直至到达边界；重复上述过程，直至平移也到达了边界。本发明通过这样的四分块扫描，可以以较低的寄存器数量完成HEVC标准下的整数运动估计。
-
-
-
-
-
-
-
-
-
Search Results
137
records
(took 0.023 seconds)
