-
公开(公告)号：CN115205147A
公开(公告)日：2022-10-18
申请号：CN202210828621.3
申请日：2022-07-13
Applicant: 福州大学
Abstract: 本发明涉及一种基于Transformer的多尺度优化低照度图像增强方法。包括：将数据进行数据预处理；构建基于Transformer的多任务恢复和增强子网络；设计基于Transformer的多尺度优化低照度图像增强网络，该网络由多尺度浅层特征提取子网络、多尺度特征融合子网络、基于Transformer的低照度图像特征增强子网络和多尺度低照度图像增强子网络组成；根据网络结构设计损失函数，指导网络模型的参数优化；用图像块数据训练网络，优化网络模型参数，收敛到平衡状态；将低照度图像进行切块处理，然后将图像块分别输入训练好的图像增强网络，得到相应增强后的图像块后，将图像块拼接成增强后的完整图像。本发明能对低照度图像进行增强，综合解决低照度图像存在的退化问题。
-
公开(公告)号：CN112767280B
公开(公告)日：2022-06-14
申请号：CN202110134465.6
申请日：2021-02-01
Applicant: 福州大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于循环迭代机制的单幅图像雨滴去除方法。包括：对原始附着雨滴退化图像和干净图像的训练图像对进行预处理，得到原始附着雨滴退化图像和干净图像的训练图像对组成的图像块数据集；利用不断迭代去雨的动机，设计一个单幅图像雨滴去除的卷积神经网络；设计一个用于优化网络的目标损失函数loss，以图像块数据集为训练数据，根据所设计的目标损失函数loss，利用反向传播方法计算所设计的图像雨滴去除卷积神经网络中各参数的梯度，并利用随机梯度下降方法更新参数，最终学习到模型的最优参数；将待测图像输入，利用训练好的模型预测生成雨滴去除之后的干净图像。本发明方法能显著提高图像雨滴去除的性能，同时大大减少了其网络参数大小。
-
公开(公告)号：CN111951207B
公开(公告)日：2022-06-14
申请号：CN202010861879.4
申请日：2020-08-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度增强学习和语义损失的图像质量增强方法，步骤S1：构造两种数据集，分别为单一程度单一失真类型数据集和不同程度混合失真类型的数据集；步骤S2：设计一种卷积神经网络模型和一个深度增强学习网络，并为深度增强学习网络设计一种包含综合失真损失和语义损失的损失函数；训练深度增强学习网络，得到训练好的图像质量增强模型；步骤S3：将待测的失真图像划分为图像块，利用训练好的图像质量增强模型恢复待测失真图像的质量，得到最终的图像质量增强结果。本发明利用预训练好的应对单一失真类型的工具集合，通过找出使恢复结果最佳的工具及其使用顺序，最终显著增强混合失真类型图像的质量。
-
公开(公告)号：CN111127460B
公开(公告)日：2022-06-14
申请号：CN201911413370.7
申请日：2019-12-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于块连接的图像显示适应评估方法，包括以下步骤：利用显著性检测算法对原始图像进行显著性检测，并生成显著性图；计算待评估的显示适应图像块与原始图像块之间的相似性分数；对待评估的显示适应图像块的相似性分数进行块连接操作；对块连接操作结果进行加权池化，得到图像质量分数。本发明有利于提高图像显示适应评估方法的性能。
-
公开(公告)号：CN109978859B
公开(公告)日：2022-06-14
申请号：CN201910237280.0
申请日：2019-03-27
Applicant: 福州大学
Abstract: 本发明涉及一种基于可见失真池化的图像显示适应质量评估方法。包括以下步骤：S1：读取原始图像，使用显著物体检测算法生成显著性图S；S2：使用图像配准方法建立原始图像与显示适应图像的像素级映射关系；S3：使用像素级映射关系计算图像的块级保真度F；S4：使用可见失真池化策略池化显著性图S和图像保真度F，计算显示适应图像的整体客观评估质量Q。本发明可有效地模拟显示适应图像客观质量评估中的人眼评估机制，解决重要度加权池化策略在组间比较时的不足，并有助于提升客观评估方法的评估分数与主观评分之间的一致性，可应用于显示适应图像的客观质量评估领域，以及其他需要采用池化策略结合局部信息评估整体质量的应用领域。
-
Patent Agency Ranking
公开(公告)号：CN108491883B
公开(公告)日：2022-03-22
申请号：CN201810256988.6
申请日：2018-03-26
Applicant: 福州大学
IPC: G06K9/62 , G06V10/762 , G06V10/74 , G06V10/771
Abstract: 本发明涉及一种基于条件随机场的显著性检测优化方法，其特征在于，包括以下步骤：步骤S1：提取输入图像集合中各图像的全局深度卷积特征；步骤S2：根据全局深度卷积特征计算输入图像集合中两两图像之间的相似性；步骤S3：根据图像之间的相似性对输入图像集合进行K‑means聚类，形成k个相互独立的图像簇；步骤S4：采用网格搜索方法计算每个图像簇的全连接条件随机场最优参数；步骤S5：对于新的输入图像，判断其所属的图像簇，采用所属图像簇的全连接条件随机场最优参数对所述新的输入图像的显著性图进行优化。该方法适用于多种显著性检测算法的优化，且优化效果好。
-
公开(公告)号：CN108550119B
公开(公告)日：2021-11-02
申请号：CN201810262921.3
申请日：2018-03-27
Applicant: 福州大学
Abstract: 本发明涉及一种结合边缘信息的图像去噪方法，包括以下步骤：步骤S1：对噪声图像采用加噪标准差σ作为去噪参数进行去噪，获得第一去噪结果；步骤S2：对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数进行去噪，获得第二去噪结果；步骤S3：对第一去噪结果计算图像边缘信息，得到边缘图像；步骤S4：对边缘图像进行膨胀操作，得到膨胀后的边缘图像；步骤S5：采用膨胀后的边缘图像作为权重图，将第一去噪结果与第二去噪结果相结合，获得最终的去噪结果。该方法有利于提高图像去噪方法的性能，可应用于图像和视频处理、计算机视觉等领域。
-
公开(公告)号：CN108510574B
公开(公告)日：2021-09-28
申请号：CN201810342814.1
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于样例学习并增强视觉质量的3D图像裁剪方法，包括：计算专业3D立体图像库中每幅图像的GIST特征和HIST特征；输入待裁剪图像和目标尺寸，采用采样方法获得候选裁剪窗口集合；计算每个候选裁剪窗口与图像库中每幅图像的GIST特征和HIST特征的相似性，并获得与其最相似的n幅图像，组合形成学习的样例集合；利用样例评估各候选裁剪窗口的构图和深度信息分布质量，及信息丢失和立体图像视觉舒适规则遵守情况，计算左视图的裁剪窗口；通过学习样例，对右视图的裁剪窗口水平移动获得与学习样例最相似的深度分布，从而获得最终的裁剪结果。该方法有利于获得视觉舒适的裁剪结果，可应用于图像处理及计算机视觉等领域。
-
公开(公告)号：CN111669563B
公开(公告)日：2021-06-25
申请号：CN202010563773.6
申请日：2020-06-19
Applicant: 福州大学
IPC: H04N13/106 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于强化学习的立体图像视觉舒适度增强方法，首先构造两种数据集，然后设计立体图像几何校正网络，依次采用不同的单一变换数据集训练该网络分别得到不同的立体图像几何校正工具；接着设计视觉舒适度增强模型，利用混合变化数据集并采用强化学习算法来训练该视觉舒适度增强模型；最后将待调整的立体图像输入训练好的视觉舒适度增强模型中，以提高其视觉舒适度。本发明可以显著提高视觉不适的立体图像的质量，给予观看者舒适的观看体验。
-
公开(公告)号：CN109523590B
公开(公告)日：2021-05-18
申请号：CN201811227681.X
申请日：2018-10-22
Applicant: 福州大学
Abstract: 本发明涉及一种基于样例的3D图像深度信息视觉舒适度评估方法，包括以下步骤：步骤S1:输入待评估的3D图像，将左视图作为输入图像；步骤S2:利用基于深度学习特征的图像检索技术，在专业3D图像数据库中检索与待评估的3D图像场景相似的n幅高质量的3D图像作为对比样例图像；步骤S3:对输入图像和对比样例图像依次进行3D图像显著性检测和前景对象分割处理，并计算得到每幅图像的前景和背景的深度信息分布直方图；步骤S4:计算输入图像与n个样例图像分别对比的前景和背景的深度信息视觉舒适度；步骤S5:综合得到待评估的3D图像的综合深度信息视觉舒适度。本发明能够考虑到深度信息视觉舒适度，对3D图像深度信息视觉舒适度进行评估。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.025 seconds)
