-
公开(公告)号：CN114584761A
公开(公告)日：2022-06-03
申请号：CN202210239805.6
申请日：2022-03-12
Applicant: 中国传媒大学
IPC: H04N17/00 , H04N21/44 , H04N21/475
Abstract: 本发明公开了一种基于多特征融合的全参考超高清视频质量客观评价方法，该方法首先对超高清源视频和失真视频进行抽帧并计算Y、U、V分量，然后分别计算亮度梯度相似度特征、视觉感知特征以及色度相似度特征等，接下来将特征组合成一维特征向量，利用支持向量回归模型对特征进行融合并回归得到各帧的质量分数，最后通过平均池化方式计算各帧质量分数的平均值，得到失真视频的质量分数。本发明利用支持向量回归模型对多个特征进行融合并完成图像质量预测任务，在提高视频质量分数预测精度的同时，降低了算法的复杂度。实验表明，本方法的性能优于目前已有的大部分全参考视频质量评价方法。
-
公开(公告)号：CN104320147B
公开(公告)日：2017-08-08
申请号：CN201410581856.2
申请日：2014-10-27
Applicant: 中国传媒大学
Abstract: 本发明公开了一种系统不等差错保护的Raptor码方法。现有系统不等差错保护的Raptor码方法，要么对标准系统Raptor码的度分布和结构进行修改，损害了码字性能；要么用标准系统Raptor编码器对不同重要数据分配不同数量的冗余(码率)，造成冗余数据分配的困难和浪费。本发明提出的方法，编码基于标准系统Raptor编码算法，采用对中间符号进行类似扩展窗的算法，实现了对源符号的不等差错保护；解码仅对生成矩阵稍作修改，仍然采用标准系统Raptor解码器。本发明的优点是完全由标准系统Raptor码分步编解码实现，尤其是解码可以按源符号受保护程度的分类进行增量解码，同时保持了标准系统Raptor编解码器原有度分布以及编解码的高效性等优势，实现高效率的不等差错保护。
-
公开(公告)号：CN114598864B
公开(公告)日：2024-11-08
申请号：CN202210239824.9
申请日：2022-03-12
Applicant: 中国传媒大学
IPC: H04N17/00 , G06V20/40 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464 , G06V10/80
Abstract: 本发明公开了一种基于深度学习的全参考超高清视频质量客观评价方法，被测超高清视频及对应的参考视频分别经过抽帧和图像块裁剪操作，得到被测视频图像块序列和对应的参考视频图像块序列。将被测视频图像块和对应的参考视频图像块成对输入到训练好的图像质量评价网络，得到被测视频图像块的质量分数。对图像块的质量分数进行空域池化和时域池化，得到被测视频的客观质量分数。本发明对超高清视频进行抽帧和图像块裁剪处理，有效减少了数据量，提升了算法效率；采用基于ResNet18的特征提取网络，提升了网络的训练效果，使网络能够有效提取图像特征；充分考虑人眼的视觉特点，对图像质量分数进行了空域池化和时域池化。
-
公开(公告)号：CN114598864A
公开(公告)日：2022-06-07
申请号：CN202210239824.9
申请日：2022-03-12
Applicant: 中国传媒大学
Abstract: 本发明公开了一种基于深度学习的全参考超高清视频质量客观评价方法，被测超高清视频及对应的参考视频分别经过抽帧和图像块裁剪操作，得到被测视频图像块序列和对应的参考视频图像块序列。将被测视频图像块和对应的参考视频图像块成对输入到训练好的图像质量评价网络，得到被测视频图像块的质量分数。对图像块的质量分数进行空域池化和时域池化，得到被测视频的客观质量分数。本发明对超高清视频进行抽帧和图像块裁剪处理，有效减少了数据量，提升了算法效率；采用基于ResNet18的特征提取网络，提升了网络的训练效果，使网络能够有效提取图像特征；充分考虑人眼的视觉特点，对图像质量分数进行了空域池化和时域池化。
-
公开(公告)号：CN108074239B
公开(公告)日：2021-12-17
申请号：CN201711488518.4
申请日：2017-12-30
Applicant: 中国传媒大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于先验感知质量特征图的无参考图像质量客观评价方法，本发明通过待评价图像先由全卷积网络生成感知质量特征图，再由深度网络对感知质量特征图进行池化得到主观分数的方法，实现图像的无参考质量评价。由全参考图像质量评价方法生成的感知质量特征图做为标签训练基于U‑net的相似质量图生成全卷积网络，由主观评价分数作为标签训练感知质量特征图质量分数池化网络，失真图通过训练好的质量特征图生成全卷积网络和质量分数池化网络生成质量特征图和质量评价分数。本发明在得到失真图像质量分数的同时，还可以得到一张反映失真区域及程度的感知质量特征图，能更好的反应失真图像的失真程度和失真信息。
-
Patent Agency Ranking
公开(公告)号：CN113784113A
公开(公告)日：2021-12-10
申请号：CN202110992742.7
申请日：2021-08-27
Applicant: 中国传媒大学
Abstract: 本发明公开了一种基于短时时空融合网络和长时序列融合网络的无参考视频质量评价方法，将视频帧依次通过两种计算不同时间长度的网络来实现质量的预测。短时时空融合网络用于提取并融合当前帧的时空特征，得到当前帧中时间特征作用于空间特征后的结果。长时序列融合网络用于在先验知识的指导下对一段时间内各帧之间相互作用的结果进行建模并预测视频的质量分数。本方法以视频帧作为输入，通过在帧级别上设计网络从而融合时间和空间特征，在序列级别上考虑帧间关系从而进一步细化当前帧特征的方式，利用深度学习预测一段视频中各帧的质量，最终完成对视频整体质量评价的任务。本发明由于细化且丰富了视频帧的特征，因此在模型性能上有了显著提高。
-
公开(公告)号：CN111784694A
公开(公告)日：2020-10-16
申请号：CN202010841520.0
申请日：2020-08-20
Applicant: 中国传媒大学
Abstract: 本发明公开了一种基于视觉注意力机制的无参考视频质量评价方法，本方法通过生成视频帧的光流场，使用其筛选深度神经网络中的中间特征，通过注意力机制模拟了人眼对于失真视频的感知过程，以此完成视频的质量评价任务。本发明利用了人眼在观察失真视频时的感知效应，即视频中的运动信息会吸引人眼的注意力，使人眼更关注此区域而影响了对视频整体质量的判断。另外，运动具有掩蔽效应，运动区域的失真不易被人眼所觉察。本发明设计了视觉注意力机制模型模拟了人眼感知失真的这一过程，通过光流场逐像素地表示视频帧的运动信息，作为视觉注意力图，并将其作用于深度神经网络中，以此提高视频质量评价模型的性能。
-
公开(公告)号：CN108090902A
公开(公告)日：2018-05-29
申请号：CN201711492127.X
申请日：2017-12-30
Applicant: 中国传媒大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于多尺度生成对抗网络的无参考图像质量客观评价方法，通过多尺度生成对抗网络产生失真图像对应的相似质量图，再将不同尺度的相似质量图通过卷积神经网络进行回归得到图像质量分数。训练多尺度生成对抗网络，通过全参考图像质量评价方法对失真图像生成图像质量相似图，并将其作为判别网络的真实数据集。将三组不同尺度的相似质量图作为数据集，主观评价分数作为标签，对图像质量分数回归网络进行训练。失真图像通过生成网络产生多张不同尺度的相似质量图，然后通过图像质量分数回归网络生成图像质量分数。本发明将整体失真程度和局部失真细节结合，从而进一步确定失真图像的质量分数，更全面准确地体现了失真图像质量。
-
公开(公告)号：CN113784113B
公开(公告)日：2024-11-08
申请号：CN202110992742.7
申请日：2021-08-27
Applicant: 中国传媒大学
Abstract: 本发明公开了一种基于短时时空融合网络和长时序列融合网络的无参考视频质量评价方法，将视频帧依次通过两种计算不同时间长度的网络来实现质量的预测。短时时空融合网络用于提取并融合当前帧的时空特征，得到当前帧中时间特征作用于空间特征后的结果。长时序列融合网络用于在先验知识的指导下对一段时间内各帧之间相互作用的结果进行建模并预测视频的质量分数。本方法以视频帧作为输入，通过在帧级别上设计网络从而融合时间和空间特征，在序列级别上考虑帧间关系从而进一步细化当前帧特征的方式，利用深度学习预测一段视频中各帧的质量，最终完成对视频整体质量评价的任务。本发明由于细化且丰富了视频帧的特征，因此在模型性能上有了显著提高。
-
公开(公告)号：CN114915777A
公开(公告)日：2022-08-16
申请号：CN202210239819.8
申请日：2022-03-12
Applicant: 中国传媒大学
Abstract: 本发明公开了一种基于深度强化学习的无参考超高清视频质量客观评价方法，被测超高清视频经过抽帧和下采样处理后，得到低分辨率的帧图像序列。将该帧图像序列逐帧送入基于深度学习的空域失真特征提取网络，得到与每一帧对应的空域失真特征。将上述特征逐帧送入基于深度强化学习的超高清视频质量评价网络，该网络根据输入的每帧空域失真特征对视频质量分数进行动态调整。当图像帧序列的最后一帧输入模型后，可得到整个视频的质量评价分数。本发明利用深度学习网络全面感知并提取超高清视频的空域失真特征，对超高清视频的失真信息进行全局融合并模拟人类视觉感知过程对视频质量进行评分。本发明性能优于传统的无参考视频质量客观评价方法。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.02 seconds)
