-
公开(公告)号：CN108449596A
公开(公告)日：2018-08-24
申请号：CN201810342793.3
申请日：2018-04-17
Applicant: 福州大学
CPC classification number: H04N17/004 , G06T7/0002 , G06T7/13 , G06T7/90 , G06T2207/10012 , G06T2207/30168 , H04N2013/0081
Abstract: 本发明涉及一种融合美学和舒适度的3D立体图像质量评估方法，包括以下步骤：步骤S1：对训练图像集合和待预测图像集合中的每幅立体图像提取左、右视图的美学特征及左、右视图美学一致性特征，获得美学特征集F1；步骤S2：对训练图像集合和待预测图像集合中的每幅立体图像提取舒适度特征，获得舒适度特征集F2；步骤S3：对训练图像集合中的所有图像，结合美学特征集F1和舒适度特征集F2，将其作为机器学习特征集T1，训练得到立体图像质量评估模型；步骤S4：利用训练好的质量评估模型评估每幅待预测图像，得到所有待预测图像的最终质量评估分数。该方法有利于提高评估结果与用户主观分数的一致性。
-
Patent Agency Ranking
公开(公告)号：CN109816592A
公开(公告)日：2019-05-28
申请号：CN201910077583.0
申请日：2019-01-26
Applicant: 福州大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于卷积神经网络的单帧图像连续尺度超分辨率方法。首先，输入待超分辨率的低分辨率图像和放大尺度因子t；其次，根据输入的放大尺度因子确定其对应的最优整数放大尺度因子s，利用双三次插值算法将输入的低分辨率图像放大s倍；再而，利用现有的基于卷积神经网络的超分辨率算法的网络模型，放大图像进行特征提取及重建，得到放大了s倍的高分辨率图像；最后，对得到的高分辨率图像，使用双三次插值缩放至目标分辨率，得到最终的放大了t倍的高分辨率图像。本发明能够有效地提高已有基于卷积神经网络的超分辨率算法在连续放大尺度超分辨率上的性能，可应用于图像处理、计算机视觉等领域。
-
公开(公告)号：CN109685772B
公开(公告)日：2022-06-14
申请号：CN201811502584.7
申请日：2018-12-10
Applicant: 福州大学
Abstract: 本发明涉及一种基于配准失真表示的无参照立体图像质量评估方法。包括：对训练图像和待预测图像集合中的图像，计算配准图和左视图的差分图像作为图像的配准失真表示；对训练图像和待预测图像集合中的左视图和右视图进行局部归一化处理，左视图、右视图和配准失真表示划分成有重叠的图像块；训练图像集合中的左视图、右视图和配准失真表示的特征，并输入到全连接层来学习图像块的质量评估分数和失真类型识别；预测待预测图像的所有图像块的质量评估分数，计算待预测图像块的最多数投票失真类型作为图像最终的失真类型和加权平均质量分数作为最终的质量评估分数。本发明方法解决了左右视图的场景差异问题，能显著提高无参照立体图像质量评估的性能。
-
公开(公告)号：CN108449596B
公开(公告)日：2020-09-01
申请号：CN201810342793.3
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种融合美学和舒适度的3D立体图像质量评估方法，包括以下步骤：步骤S1：对训练图像集合和待预测图像集合中的每幅立体图像提取左、右视图的美学特征及左、右视图美学一致性特征，获得美学特征集F1；步骤S2：对训练图像集合和待预测图像集合中的每幅立体图像提取舒适度特征，获得舒适度特征集F2；步骤S3：对训练图像集合中的所有图像，结合美学特征集F1和舒适度特征集F2，将其作为机器学习特征集T1，训练得到立体图像质量评估模型；步骤S4：利用训练好的质量评估模型评估每幅待预测图像，得到所有待预测图像的最终质量评估分数。该方法有利于提高评估结果与用户主观分数的一致性。
-
公开(公告)号：CN109816592B
公开(公告)日：2022-05-13
申请号：CN201910077583.0
申请日：2019-01-26
Applicant: 福州大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于卷积神经网络的单帧图像连续尺度超分辨率方法。首先，输入待超分辨率的低分辨率图像和放大尺度因子t；其次，根据输入的放大尺度因子确定其对应的最优整数放大尺度因子s，利用双三次插值算法将输入的低分辨率图像放大s倍；再而，利用现有的基于卷积神经网络的超分辨率算法的网络模型，放大图像进行特征提取及重建，得到放大了s倍的高分辨率图像；最后，对得到的高分辨率图像，使用双三次插值缩放至目标分辨率，得到最终的放大了t倍的高分辨率图像。本发明能够有效地提高已有基于卷积神经网络的超分辨率算法在连续放大尺度超分辨率上的性能，可应用于图像处理、计算机视觉等领域。
-
公开(公告)号：CN109685772A
公开(公告)日：2019-04-26
申请号：CN201811502584.7
申请日：2018-12-10
Applicant: 福州大学
CPC classification number: G06T7/0002 , G06N3/0454 , G06N3/08 , G06T7/32 , G06T2207/10012 , G06T2207/20021 , G06T2207/30168
Abstract: 本发明涉及一种基于配准失真表示的无参照立体图像质量评估方法。包括：对训练图像和待预测图像集合中的图像，计算配准图和左视图的差分图像作为图像的配准失真表示；对训练图像和待预测图像集合中的左视图和右视图进行局部归一化处理，左视图、右视图和配准失真表示划分成有重叠的图像块；训练图像集合中的左视图、右视图和配准失真表示的特征，并输入到全连接层来学习图像块的质量评估分数和失真类型识别；预测待预测图像的所有图像块的质量评估分数，计算待预测图像块的最多数投票失真类型作为图像最终的失真类型和加权平均质量分数作为最终的质量评估分数。本发明方法解决了左右视图的场景差异问题，能显著提高无参照立体图像质量评估的性能。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
