-
公开(公告)号：CN108537806A
公开(公告)日：2018-09-14
申请号：CN201810342811.8
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于累积能量的立体图像线裁剪重定向方法，包括以下步骤：1、输入立体图像和对应的视差图，初始化输入图像的能量矩阵和能量累积矩阵；2、采用动态规划的方法找到左、右视图的最优缝组并记录其路径；3、将最优缝组路径上的每个像素的能量累积到其相邻的8个像素上；4、检测并沿着最大边缘信息的方向继续向相邻的2个像素进行能量累积；5、删除最优缝组，更新图像的能量矩阵、能量累积矩阵M及对应的视差图；6、迭代上述步骤直至目标尺寸，获得重定向后的左、右视图和对应的视差图。该方法能够有效减少由于缝操作集中在图像某一区域从而引起的立体图像的视觉失真，并能保持左右图像的几何一致性，提高立体图像线裁剪的性能。
-
公开(公告)号：CN108510574A
公开(公告)日：2018-09-07
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：CN108416756A
公开(公告)日：2018-08-17
申请号：CN201810255379.9
申请日：2018-03-26
Applicant: 福州大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于机器学习的区域感知图像去噪方法，包括以下步骤：1、对噪声图像采用加噪标准差σ和k种缩小率缩小后的标准差rj×σ分别作为去噪参数，获得不同去噪结果集；2、将采用σ分别与采用rj×σ的去噪结果相结合，获得最优缩小率和图像块对于采用σ和这两种去噪参数的偏好；3、对噪声图像和采用两种去噪参数的去噪结果进行特征提取；4、将获得的偏好特征集作为机器学习算法的特征集，学习获得图像块的去噪参数偏好模型；5、采用去噪参数偏好模型对测试集中噪声图像进行预测，获得每个图像块预测的偏好概率值；6、通过阈值处理并结合两种去噪参数的去噪结果，获得最终的去噪结果。该方法能够有效提高图像去噪方法的性能。
-
公开(公告)号：CN105574885A
公开(公告)日：2016-05-11
申请号：CN201610017544.8
申请日：2016-01-13
Applicant: 福州大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/20081 , G06T2207/30168
Abstract: 本发明涉及一种基于机器学习并融合视觉特征的全参考图像质量评估方法，包括以下步骤：分别采用客观全参考图像质量评估方法、结合图像显著性分布的客观全参考图像质量评估方法、结合局部图像质量排序的客观全参考图像质量评估方法、结合局部图像质量数据统计的客观全参考图像质量评估方法对目标图像提取特征，获得特征集F1、F2、F3和F4；综合特征集F1、F2、F3和F4，将其作为机器学习算法的特征集T，通过机器学习算法和三等分交叉验证方法学习得出客观评估模型；采用客观评估模型对图像进行质量评估，得到客观全参考图像质量评估得分值。该方法可有效的对全参考图像的质量进行评估，与用户主观评分之间具有较好的相关性与准确性。
-
公开(公告)号：CN116310693B
公开(公告)日：2025-05-20
申请号：CN202310356445.2
申请日：2023-04-06
Applicant: 福州大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于边缘特征融合和高阶空间交互的伪装目标检测方法。包括：进行数据预处理，包括数据配对、数据增强处理，得到训练数据集；设计基于边缘特征融合和高阶空间交互的伪装目标检测网络，该网络由边缘感知模块、边缘增强模块、边缘特征融合模块、高阶空间交互模块、上下文聚合模块组成；设计损失函数，指导步骤B所设计网络的参数优化；使用步骤A得到的训练数据集训练步骤B中的基于边缘特征融合和高阶空间交互的伪装目标检测网络，收敛到纳什平衡，得到训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型；将待测图像输入训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型，输出伪装目标的掩码图像。
-
Patent Agency Ranking
公开(公告)号：CN116363011B
公开(公告)日：2025-05-13
申请号：CN202310356172.1
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/90 , G06T5/70 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于频域分频的多分支低照度图像增强方法。包括：对输入图像进行预处理，包括数据配对、数据随机裁切、数据增强处理，得到训练数据集；设计基于频域分频的多分支低照度图像增强网络，该网络由基准分支、高频分支和低频分支三个分支组成，每个分支均包含浅层图像增强模块和基于多尺度特征协同注意力模块的UNet结构；设计用于指导步骤B所设计网络参数优化的损失函数；使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照度图像增强网络，得到训练好的基于频域分频的多分支低照度图像增强模型；将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强模型中，预测生成正常照度图像。本发明能增强低照度图像，解决低照度图像细节丢失、噪声多、亮度不足等问题。
-
公开(公告)号：CN119941601A
公开(公告)日：2025-05-06
申请号：CN202510044777.6
申请日：2025-01-10
Applicant: 福州大学
IPC: G06T5/94 , G06T5/60 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于光照分组和掩码注意力的低照度图像增强方法，属于图像和视频处理以及计算机视觉领域。所述方法，包括：对输入图像进行预处理，图像数据配对、数据裁切和图像增强等操作，得到训练数据集；设计基于光照分组和掩码注意力的低照度图像增强网络，该网络包含图像增亮模块、基于多尺度光照分组和掩码注意力特征重构的退化恢复模块、特征输出模块；设计用于网络参数更新的损失函数；对基于光照分组和掩码注意力的低照度图像增强网络进行训练，获得训练好的低照度图像增强网络；将训练好的网络利用测试集进行测试，获得预测后的正常照度图像。本发明能够对低光图像进行增亮，并解决局部细节缺失、局部暗光和图片增亮后的噪声问题。
-
公开(公告)号：CN119941581A
公开(公告)日：2025-05-06
申请号：CN202510037210.6
申请日：2025-01-09
Applicant: 福州大学
IPC: G06T5/77 , G06T5/92 , G06T5/60 , G06T5/50 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种基于多状态视角RWKV模型的低光图像复原方法。包括：对输入图像进行预处理，包括图像配对以及数据增强操作，以构建训练数据集；设计一个多状态视角RWKV模型的低光图像复原网络，由输入映射层、若干RWKV块组成的三阶段编码器、状态感知选择性融合模块、若干RWKV块组成的三阶段解码器、以及输出映射层构成；设计用于优化步骤B中所述复原网络的损失函数；使用步骤A中构建的训练数据集，训练基于多状态视角RWKV模型的低光图像复原网络；将待测图像输入已训练好的复原网络，生成正常光照条件下的复原图像。本发明利用多状态视角RWKV模型，通过阶段内和阶段间多种状态的协同感知与分析，实现了对低光图像中复杂耦合退化的灵活处理。
-
公开(公告)号：CN119477733A
公开(公告)日：2025-02-18
申请号：CN202411664186.0
申请日：2024-11-20
Applicant: 福州大学
Abstract: 本发明提出一种基于自适应亮度提升与高保真色彩校正的低照度图像增强方法。包括：构建训练数据集，对成对的低照度/正常照度图像进行数据增强，得到用于训练的图像数据集；设计基于自适应亮度提升与高保真色彩校正的低照度图像增强网络；设计用于训练所设计网络的损失函数；并使用训练数据集训练所设计网络；将待测低照度图像输入到训练好的网络中，生成正常照度图像。本发明利用自适应亮度提升策略以及多色彩空间约束下的色彩校正，能够在自适应增强图像亮度，并将图像色彩进行高保真校正，得到亮度合适且色彩高保真的高质量图像，有效解决了低照度图像亮度不均匀、色彩失真以及细节丢失等问题。
-
公开(公告)号：CN114693930B
公开(公告)日：2024-09-06
申请号：CN202210333902.1
申请日：2022-03-31
Applicant: 福州大学
IPC: G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于多尺度特征和上下文注意力的实例分割方法及系统，该方法包括以下步骤：对训练集中图像进行包括数据增强和标准化处理的数据预处理；构建多尺度特征融合和上下文注意力聚合模块，以利用金字塔结构加强特征表示，并聚焦金字塔特征图中的小目标物体；构建基于多尺度特征融合和上下文注意力聚合的实例分割网络；利用训练集中图像对实例分割网络进行训练，生成实例分割结果并计算损失函数，反向传播优化整个网络的参数，得到训练好的实例分割网络；将待处理图像输入训练好的实例分割网络，得到实例分割结果。该方法及系统不仅能够提高大目标和中等目标的分割精度，同时也聚焦小目标物体，提升小目标的分割性能。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.022 seconds)
