一种针对去雨图像的多级迭代协同表示的后处理方法

    公开(公告)号:CN110390654A

    公开(公告)日:2019-10-29

    申请号:CN201910688638.1

    申请日:2019-07-29

    Applicant: 华侨大学

    Abstract: 本发明涉及一种针对去雨图像的多级迭代协同表示的后处理方法,基于训练图像对,即去雨图像和对应的无雨图像,使得在去雨过程中丢失的部分细节,可以通过训练图像对组成的训练集学习其回归关系来恢复。本发明提出迭代协同的表示方法,即在训练阶段系统的学习去雨图像与对应的无雨图像特征对之间的多层次映射模型,随后利用多级映射模型,在相应的迭代中不断优化去雨图像,有效地提高去雨图像的视觉质量。

    基于极平面多尺度Gabor特征相似度的光场图像质量评价方法

    公开(公告)号:CN110310269A

    公开(公告)日:2019-10-08

    申请号:CN201910569095.1

    申请日:2019-06-27

    Applicant: 华侨大学

    Abstract: 本发明涉及一种基于极平面多尺度Gabor特征相似度的光场图像质量评价方法,方法包括:对参考光场图像和失真光场图像分别提取极平面图;分别计算参考极平面图和失真极平面图三个尺度和四个方向下的Gabor特征图;分别融合参考极平面图和失真极平面图同一尺度不同方向的Gabor特征图得到极平面多尺度Gabor特征图,进而计算得到极平面多尺度Gabor特征相似度图;基于极平面多尺度Gabor特征相似度图得到最终失真光场图像质量评价值。本发明利用极平面多尺度Gabor特征描述极平面图像的细节信息,进而反映出光场图像中场景结构的变化,具有较好的光场图像质量评价性能。

    一种采用几何引导的稀疏表示三维点云压缩方法

    公开(公告)号:CN110278444A

    公开(公告)日:2019-09-24

    申请号:CN201910645303.1

    申请日:2019-07-17

    Applicant: 华侨大学

    Abstract: 本发明公开了一种采用几何引导的稀疏表示三维点云压缩方法,属于视频编码领域,方法包括:采用八叉树对输入三维点云进行分块;采用图形变换的方法得到原始的冗余字典;利用块内点云的几何信息对原始的冗余字典进行降采样;对每个单元块进行去均值,随后对去均值的颜色信息在降采样字典上稀疏表示;利用基于八叉树的块均值预测算法对每个编码单元块的均值进行预测编码;采用Run-Level的方法对量化后的稀疏系数进行编码;最后用算术编码器对所有已编码的参数进行熵编码。本发明利用稀疏表示,能够对庞大的三维点云数据进行高效压缩,极大地提高了三维点云的传输和存储效率。

    一种基于多分支卷积神经网络的HEVC帧内预测方法

    公开(公告)号:CN109996084A

    公开(公告)日:2019-07-09

    申请号:CN201910361446.X

    申请日:2019-04-30

    Applicant: 华侨大学

    Abstract: 本发明涉及一种基于多分支卷积神经网络的HEVC帧内预测方法,属于视频编码领域,本方法使用多分支卷积神经网络,对每个CTU进行预处理,并分别作为不同分支的卷积神经网络的输入,经过卷积计算之后,将得到的特征进行全连接,考虑不同QP值的影响,并最终输出三个分支的分类结果,三个分支分别对应每个CTU中深度等级0,1,2,判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支卷积神经网络的HEVC帧内预测方法能够有效地减少编码器计算开销,在保持编码性能基本不变的情况下,减少编码时间。

    一种基于感知敏感度的HEVC率失真优化方法

    公开(公告)号:CN106303521B

    公开(公告)日:2019-01-01

    申请号:CN201610668684.1

    申请日:2016-08-15

    Applicant: 华侨大学

    Abstract: 本发明公开了一种基于感知敏感度的HEVC率失真优化方法,属于视频编码领域,方法包括:获取输入视频各编码块的梯度幅值方差,根据各编码块的梯度幅值方差计算当前帧的梯度幅值方差;有效利用各编码块和当前帧的梯度幅值方差关系计算各编码块的感知敏感度;并根据各编码块感知敏感度获取感知自适应的拉格朗日乘子;由所述拉格朗日乘子计算视频编码中的各编码块的率失真代价,从而确定其最佳编码模式。本发明能够提升编码器整体感知性能,在消耗相同码率的情况下,获得更高感知质量的编码视频。

    一种多尺度逐步累加的卷积神经网络学习方法

    公开(公告)号:CN108875906A

    公开(公告)日:2018-11-23

    申请号:CN201810359791.5

    申请日:2018-04-20

    Applicant: 华侨大学

    CPC classification number: G06N3/0454 G06N3/08

    Abstract: 本发明涉及一种多尺度逐步累加的卷积神经网络学习方法,可广泛应用于机器视觉和人工智能领域,例如目标检测、目标分类、目标识别等。首先,本发明采用均值池化操作对输入图像构建多尺度图像金字塔;然后,将各个不同尺度的图像逐步送入卷积神经网络,让卷积神经网络随着网络深度的逐步深入,能够在多种不同尺度的图像上进行学习并进行特征逐步累加,从提高了而卷积神经网络的特征学习能力。

    一种无参考对比度变化图像质量评价方法

    公开(公告)号:CN107371015A

    公开(公告)日:2017-11-21

    申请号:CN201710600600.5

    申请日:2017-07-21

    Applicant: 华侨大学

    CPC classification number: H04N17/004

    Abstract: 本发明涉及一种无参考对比度变化图像质量评价方法,充分考虑人类视觉系统对于对比度变化图像的主观感知特性,分别提取四个图像特征:清晰度、信息熵、亮度和对比度;并结合支持向量机SVM(Support Vector Machine)对所提取图像特征进行训练得到对比度变化图像的特征向量与主观质量分数的映射关系模型CCQAM;最后利用训练所得的映射关系模型CCQAM评价对比度变化图像的质量分数。本发明所述的方法计算简单,实用性较强,且与人眼主观质量评价相近,能很好地评价对比度变化图像的质量分数。

Patent Agency Ranking