-
公开(公告)号：CN109451309A
公开(公告)日：2019-03-08
申请号：CN201811471526.2
申请日：2018-12-04
Applicant: 南京邮电大学
IPC: H04N19/146 , H04N19/172 , H04N19/70
Abstract: 本发明公开了一种HEVC全I帧编码基于显著性的编码树单元(CTU)层码率分配方法，在全I帧编码配置下读入当前编码帧，以4×4像素块为单位计算当前帧不同区域的显著性；对像素块的显著性取平均作为CTU的显著性，并对整帧CTU层的显著性进行归一化，对整帧CTU层的显著性取平均作为帧层显著性；根据编码当前帧时的视频剩余比特数、缓冲区充满度和当前帧的显著性为当前帧分配目标比特；根据当前帧剩余比特数、当前CTU的帧内和帧间显著性权重为当前CTU分配目标比特；由码率模型计算当前CTU编码的Lagrange乘子(λ)，再根据λ得到当前CTU的量化参数进行编码；更新剩余比特数和各种模型参数，直到全部I帧编码完成，该方法提高了HEVC全I帧编码的主观视觉质量。
-
公开(公告)号：CN109255350A
公开(公告)日：2019-01-22
申请号：CN201810993897.0
申请日：2018-08-29
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于视频监控的新能源车牌检测方法，包括：采集大量含车牌区域的新能源车辆图片作为训练模型的数据集，对所述数据集中每张图片进行人工标点；构建新能源车牌检测训练神经网络，将所述数据集输入神经网络进行训练得到新能源车牌检测模型；再从监控视频中获取新能源车辆图像，建立包含车牌位置坐标信息的新能源车辆图像集合，根据视频中目标车辆出现的时间顺序将目标车辆图片命名；通过神经网络提取待检测图像特征，将特征送入检测模型进行判断，根据模型输出该车辆图像中车牌图像候选区的置信度；最后，根据得到基于置信度的车牌候选区域，计算车牌的最佳位置坐标点。
-
公开(公告)号：CN108647605A
公开(公告)日：2018-10-12
申请号：CN201810400117.7
申请日：2018-04-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种结合全局颜色与局部结构特征的人眼凝视点提取方法，读入一幅待检测图像，在RGB颜色空间对图像中的像素颜色做均匀量化以提取全局颜色特征，基于颜色对比度在整个图像范围内计算全局显著度图，然后提取图像的亮度信息，在亮度通道内计算每一像素的局部回归核以提取局部结构特征，基于结构对比度在局部范围内计算局部显著度图，最后融合全局颜色显著度图和局部结构显著度图得到初步的人眼关注度图，再结合中心先验对初步的人眼关注度图进行调整，经高斯滤波后得到最终的人眼凝视点位置。本发明通过结合由全局颜色特征和局部结构特征得到的图像显著度图，更好地表达了图像中的显著信息，提高了人眼凝视点提取的准确性和鲁棒性。
-
公开(公告)号：CN107292852A
公开(公告)日：2017-10-24
申请号：CN201710589456.X
申请日：2017-07-19
Applicant: 南京邮电大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于低秩理论的图像去噪算法，通过空域的图像块匹配技术初步找到图像相似块，接着在SVD域进行图像相似性的匹配，提升匹配精度，最终确认目标图像的相似块。根据相似块的低秩特性，对相似块所组成的矩阵进行奇异值分解。同时在对奇异值加权计算的权值确定问题上，不仅考虑图像噪声强度，而且考虑图像细节的复杂程度，即通过噪声强度和熵来共同确定权值，最终实现更好的去噪效果。本发明可以取得更好的匹配效果，在求解低秩模型时运用加权的概念，权值的设置不仅依赖于奇异值的大小，同时依赖于图像熵，使权值设置兼顾图像细节和整体结构，可以获取更加精确的权值设置，也藉此获取了比一般算法更高的去噪性能。
-
公开(公告)号：CN104574381B
公开(公告)日：2017-09-29
申请号：CN201410826667.7
申请日：2014-12-25
Applicant: 南京邮电大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于局部二值模式的全参考图像质量评价方法，该方法读入参考图像与失真图像，做灰度化处理以去除彩色信息，仅保留亮度分量进行后续处理；为减小计算复杂度，对亮度分量进行简单的2×2平均低通滤波，之后在像素域进行1/2的空间下采样，获得宽高均为输入图像尺寸一半的对应图像进行质量分析；计算空间下采样后的参考图像与失真图像在每一像素位置的局部二值模式(LBP)值；计算参考图像与失真图像每一像素位置上的LBP值差异；最后通过统计所有像素位置上LBP值差异的算术平均来获得失真图像的质量评价分。
-
Patent Agency Ranking
公开(公告)号：CN101715139A
公开(公告)日：2010-05-26
申请号：CN200910234278.4
申请日：2009-11-16
Applicant: 南京邮电大学
IPC: H04N7/68
Abstract: 立体图像中基于互补掩盖方式的多模式误码掩盖方法属于图像通信的技术领域。其具体过程为：首先同时按照光栅扫描顺序扫描，检测出左、右眼图像中第一个需要掩盖的块。考察参考帧搜索区域中是否包含无效像素。如果不包含，则进行边界匹配，并用匹配的块来掩盖，否则对误码块的四个邻域块进行块匹配，得到它们的视差矢量。剔除这四个视差矢量中偏差较大的矢量，把余下矢量求平均作为待处理误码块的视差矢量，并到参考帧中找到对应块来掩盖。如果对应块包含无效像素，则在当前帧中利用有效像素进行双线性内插方法处理无效像素部分。如果掩盖结果的边界连续度不佳，则改用方向插值方法掩盖。采用互补的方式处理两幅图像其余误码块，直至全部掩盖完毕。
-
公开(公告)号：CN114612675B
公开(公告)日：2025-02-07
申请号：CN202011337545.3
申请日：2020-11-25
Applicant: 南京邮电大学
IPC: G06V10/44 , G06V10/46 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多层非局部网络的视觉显著性检测方法及系统，获取待检测的图像数据集；将待检测的图像数据集输入到预先训练好的显著性检测模型，得到显著性图像集；所述预先训练好的显著性检测模型为以损失函数的最小值为目标进行训练得到的多层非局部网络模型。优点：本方法的多层非局部网络，扩大了模型的感受野。与循环操作的反复性形成对比，利用非局部模块可以直接通过计算任意两个像素之间的相互作用来捕捉长距离依赖关系，而不再受到两个像素的位置距离约束，提高了效率并且得到了更好的结果。在训练模型过程中，采用了由相对熵、标准化扫描路径显著性和结构相似性构成的损失函数，使训练得到的最优模型具有较好的全面性和普适性。
-
公开(公告)号：CN118608467A
公开(公告)日：2024-09-06
申请号：CN202410651496.2
申请日：2024-05-24
Applicant: 南京邮电大学
IPC: G06T7/00 , G06T5/50 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图像特征和语义描述的无参考图像质量评价方法，包括输入文本模型，由Text Transformer编码器提取文本特征，获得文本嵌入；输入图像，将输入图像划分为子图像，由Vision Transformer编码器提取全局图像特征，由CNN编码器提取局部图像特征；将全局图像特征加入通道注意力，与局部图像特征进行交叉注意力操作得到融合特征，获得视觉嵌入；对文本嵌入和视觉嵌入进行余弦相似度计算，使用Softmax对余弦相似度进行归一化；进行概率边缘化处理，得到四种概率，并通过关联五个质量级别的李克特量表及其对应的边际概率得到质量评分；分别计算出损失；对其加权求和，计算整体损失，对整体网络模型进行训练。本发明在图像质量评价任务中具有更好的图像质量预测准确性。
-
公开(公告)号：CN117237668A
公开(公告)日：2023-12-15
申请号：CN202311304185.0
申请日：2023-10-10
Applicant: 南京邮电大学
IPC: G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/0495 , G06N3/098
Abstract: 本发明公开了一种基于多流反馈网络框架的显著性目标检测方法，包括：获取待检测的原始图像；将原始图像输入至训练好的多流反馈显著性预测模型，得到显著性预测结果；其中，预测模型包括多流参数共享的预测网络，预测方法如下：除第一流预测网络外，后续各流预测网络根据前一流预测网络的预测图，对原始图像进行显著性特征增强，得到增强图像；对增强图像进行特征提取、聚合、卷积和上采样处理后，得到各流预测网络的预测图；根据最后一流的预测图，作为最终的显著性预测结果。本方法利用之前流的预测图反馈增强原始图像的特征作为当前流预测网络的输入，且各流网络参数共享，在提高显著性目标检测精度的同时具有较高的检测效率。
-
公开(公告)号：CN115345813A
公开(公告)日：2022-11-15
申请号：CN202110526272.5
申请日：2021-05-14
Applicant: 南京邮电大学
Abstract: 本发明公开了一种结合显著边缘特性和全局特性的无参考图像模糊质量评价方法，包括以下步骤：对输入图像进行显著性检测，确定显著性区域图像块和非显著性区域图像块；对显著性区域图像块作边缘检测，确定非边缘块和边缘块；基于纹理特征对非边缘块进行判别，确定平滑块和纹理块；基于边缘模糊宽度特征对边缘块和纹理块进行局部质量评价，得到显著局部质量分数；对图像块进行全局质量评价，得到全局质量分数；融合显著局部质量分数与全局质量分数。本方法采用了显著局部特性和全局特性相结合的整体框架，分别计算显著局部质量分数和全局质量分数，融合得到整个输入图像的质量分数，更加充分地利用输入图像的信息从而使评价结果更全面可靠。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.023 seconds)
