CN104301722A - 一种基于频域的视频流模糊检测方法 - Google Patents
一种基于频域的视频流模糊检测方法 Download PDFInfo
- Publication number
- CN104301722A CN104301722A CN201410607582.XA CN201410607582A CN104301722A CN 104301722 A CN104301722 A CN 104301722A CN 201410607582 A CN201410607582 A CN 201410607582A CN 104301722 A CN104301722 A CN 104301722A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- video
- frame
- block
- calculated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
一种基于频域的视频流模糊检测方法，包括如下步骤：对输入视频流按照场景不同进行分割，计算运动矢量；计算视频块的DCT系数，并统计出整帧各个频率分量的非零DCT系数个数矩阵A1；计算视频块的主导方向角度；计算视频块主导方向的后验概率密度；计算出权重值，构造初始权重矩阵，对初始权重矩阵中的各个参数作对应调整，得到权重矩阵；计算帧清晰指数和块清晰指数，并对和作归一化；由和归一化后的清晰指数求出模糊指数，确定整个场景的全局模糊阀值，判断出全局模糊帧和局部模糊帧。本发明大大减少了算法运算复杂度与所需内存空间，能准确检测出全局模糊帧和局部模糊帧并定量判断模糊程度；适用于各种视频流尤其是体育运动视频流的模糊检测。
Description
技术领域
本发明属于计算机软件算法领域，涉及视频图像处理技术，特别是一种基于频域的视频流模糊检测方法。
背景技术
随着三网融合的最主要应用——“泛视频”产业的蓬勃发展，大量非专业摄影视频数据如泉水般突涌出来，并被广泛地应用于手机视频、CMMB（中国移动多媒体广播）手机电视、IPTV（Internet Protocol Television）和互联网视频业务。然而由于普通摄影器材的局限性以及广大摄影爱好者拍摄技术的参差不齐，使得非专业摄影采集到的视频流质量差异巨大，难于只经过简单的常规后期处理就直接应用于节目制作、压缩存储、视频传输和视频搜索等业务。
模糊，尤其运动模糊是泛视频中最常见最头痛的问题；竞技体育视频中，运动模糊更是最普遍的现象。因此作为视频预处理技术之一的自动模糊检测技术倍受关注。该技术能为视频编辑、视频搜索和视频压缩等技术的实施带来方便，并为上述技术改进提供素材、开辟创新观点。视频模糊检测是一项判断视频帧是否模糊、模糊程度是多少的技术。在视频非线性编辑领域模糊检测技术能协助视频预处理人员丢弃模糊程度大的视频帧，提高编辑效率；在视频搜索领域模糊检测技术能提高关键帧和重要区域检测与提取效能，从而大大改进搜索技术的准确性和实时性；在视频压缩领域模糊检测技术能检测出模糊帧与模糊区域，针对模糊帧和模糊区域的特殊编码模式（如：模糊帧不能作为参考帧编码、模糊区域采用大量化步长）能进一步推动基于视频内容的智能压缩技术的深化改革与日趋成熟；在视频传输领域模糊检测能协助预测编码后的码率，从而为实现泛视频在通信网络和数字终端的智能高效传输添砖加瓦。
现有的视频模糊检测技术大多是基于视频帧像素的统计参数判断，比如像素的自相关函数、熵、灰度值变化情况、梯度值、能量、密度函数。其中Stefan Roth和Zhu提出的用整帧图像的灰度梯度呈现出的重尾分布（如图1所示，大量灰度梯度值集中于小值区域形成比后重的拖尾，少量灰度梯度值具有显著的大值形成尖峰。 当图像清晰时灰度梯度分布会呈现出后重宽大的拖尾，图像越模糊拖尾越窄越薄）进行模糊检测能有效地判断出两个视频帧谁更具有全局模糊，用视频帧中各物体部分的灰度梯度的重尾分布进行模糊检测能有效地判断出两个视频帧中相同物体部分谁更具局部模糊。该方案首先对同一场景的视频流进行背景建模，然后提取运动目标，当运动目标区域比例s(s=前景物体区域大小/视频帧大小)小于阀值T0时认为该视频帧没有运动目标而结束模糊检测；当s大于T1时认为整个视频帧都是运动目标，从而用整帧图像灰度梯度的重尾分布确定该视频帧是否具有全局模糊；当s小于T1大于T0时认为该视频帧有部分运动目标，从而用部分运动目标的重尾分布确定该视频帧是否具有局部模糊。
在频域进行模糊检测的方法中Karl S. Ni和Hanghang Tong提出的方法具有代表性，该方案通过哈尔小波变换来分析整幅视频图像的边缘类型和尖锐程度，并与清晰的参考图像进行比较从而判断被检测视频图像是否模糊，及模糊程度如何。
Stefan Roth和Zhu提出的灰度梯度重尾分布方案有如下缺点：1. 运算复杂耗时 对同一场景的视频流进行背景建模需要几十到上百幅视频帧进行大量的迭代运算，有时算法会不收敛从而得不到该场景的背景图像，最终导致检测方案失败。2. 所需内存大、成本高 背景重构和运动目标提取工作需要将几十至上百幅未压缩的视频帧放入内存进行处理，以CIF大小（352×288）的视频为例所需存储空间100MB，而普通高清视频（1920×1080）则需要1.6GB的存储空间。3. 检测准确度不够高 不同内容不同清晰度的视频帧可能会有近似的灰度梯度分布4．仅适用于固定摄像头的监测视频的模糊检测，不适用于普通视频尤其是体育竞技视频的模糊检测。
Karl S. Ni和Hanghang Tong提出的哈尔小波变换分析方案有如下缺点：1. 只能检测视频帧的全局模糊，不能检测出视频帧的局部模糊。2. 需要清晰的内容相同或相近的视频帧作为参考判断。
发明内容
为克服现有视频图像模糊检测方法运算量大，所需占用硬件存储设备容量巨大，需要清晰参考帧的技术缺陷，本发明公开了一种基于频域的视频流模糊检测方法。
本发明所述基于频域的视频流模糊检测方法一种基于频域的视频流模糊检测方法，包括如下步骤：
S1. 对输入视频流按照场景不同进行分割，对同一场景的视频帧按照从左到右、从上到下的顺序分为若干Bx×By大小的视频块，Bx、By分别表示水平和垂直方向视频块中像素点个数，计算视频块的DCT系数，并统计出整帧各个频率分量的非零DCT系数个数矩阵A1；按照（1）式，计算视频块的主导方向特征，并取与（1）式计算值最接近的划分角度作为主导方向角度；
-----（1）
其中F(0,j)与F(i,0)为 DCT系数，所述划分角度为：
0，1*360°/B，2* 360°/B，…（B-1）*360°/B；B为角度划分参数；
S2.按照（2）式计算视频块主导方向的后验概率密度；
----（2）
其中为针对内容content的概率，为该主导方向角度θ的概率；根据按内容和主导角度对视频帧的每个块进行分类，统计得到各种分类各个频率分量下的非零DCT系数个数矩阵A2；
按照（3）式对同一场景不同视频帧的分块进行运动矢量计算找出同一场景视频帧中各类块的匹配块；
------（3）
其中s表示当前视频帧的像素值，c表示参考视频帧的像素值，MVx、MVy分别表示水平或垂直运动矢量 ，Bx、By分别表示水平和垂直方向视频块中像素点个数，SAD（）表示对括号内的内容计算绝对误差和；min（）表示取最小值；
S3.按照（4）式计算出权重值，
---（4）
其中为权重调整函数；
构造B阶矩阵作为初始权重矩阵，将根据（4）式得到的权重值对初始权重矩阵中的各个参数作对应调整，得到最终权重矩阵；
S4. 用步骤S1统计出的整帧各个频率分量的非零DCT系数个数矩阵A1乘以该帧的权重矩阵得到帧清晰指数；用步骤S2统计出的各类视频块各个频率分量下的非零DCT系数个数矩阵A2乘以其相应的权重矩阵得到各视频块的块清晰指数，并对和作归一化；
S5. 由和归一化后的清晰指数求出模糊指数，根据模糊指数分布将场景中的各个帧分为清晰帧与非清晰帧两类，以非清晰帧中的最大模糊指数作为该整个场景的全局模糊阀值DTA；
再根据各类匹配块的模糊指数分布分为清晰块和非清晰块，以非清晰块中的最大模糊指数作为该类视频块的局部模糊阀值DTP；
对每一个视频帧的模糊指数与全局模糊阀值DTA进行比较，超过DTA阀值则视为全局模糊帧，模糊指数与模糊阀值的比值计为全局模糊程度；对每一类视频块的模糊指数与该类的局部模糊阀值DTP进行比较，超过DTP阀值视为模糊块，当模糊块的个数超过占整个视频帧总块数的C%时，视该帧为局部模糊帧，所述C为预设的局部模糊帧比例判断阀值，各块模糊指数与对应的局部模糊阀值比值的平均值计为局部模糊程度。
具体的，所述步骤S1、S3中角度划分参数B=8，所述划分角度为0°、45°、90°、135°、180°、225°、270°、315°；所述（4）式为：
。
具体的，所述步骤S2中根据按内容和主导角度对视频帧的每个块进行分类。
优选的，所述步骤S5中将清晰帧与非清晰帧、清晰块与非清晰块的模糊指数分成两类的方法为K-中心点聚类法。
具体的，所述C=15至40。
本发明通过DCT系数的特征提取确定视频块的主导方向从而计算清晰度权重矩阵，能自动有效地增加代表轮廓信息的DCT系数分量的权重，减少包含次要信息的DCT系数分量的权重，从而能准确地计算出各帧或各块的模糊度；并能通过统计方法自适应地计算每段视频（同一场景）的模糊阀值。 由于DCT系数和运动矢量大都可以从输入码流中直接提取，从而大大减少了算法的运算复杂度与所需的内存空间。
本发明既能检测出全局模糊帧又能检测出局部模糊帧并定量判断模糊程度，且检测精度高达90%以上；本发明不仅适用于固定摄像头的监控视频流，而且适用于普通视频流尤其是体育运动视频流的模糊检测。
附图说明
图1为现有图像处理技术中所述重尾分布的示意图；
图2示出本发明所述视频流模糊检测方法的一种具体实施方式流程示意图；
图3示出本发明所述全局模糊帧和局部模糊帧的提取对比示意图；
图4示出本发明对全局模糊帧的检测结果示意图；
图5示出本发明对局部模糊帧的检测结果示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步的详细说明。
本发明所述的基于频域的视频流模糊检测方法，一种基于频域的视频流模糊检测方法，其特征在于，包括如下步骤：
S1. 对输入视频流按照场景不同进行分割，对同一场景的视频帧按照从左到右、从上到下的顺序分为若干Bx×By大小的视频块，Bx、By分别表示水平和垂直方向视频块中像素点个数，计算视频块的DCT系数，并统计出整帧各个频率分量的非零DCT系数个数矩阵A1；DCT(离散余弦变换)是广泛应用于视频图像数字化处理的一种常见方法，DCT系数体现了DCT运算结果。例如前述对每一帧画面分块为8乘8，则每一块DCT系数的可以构成1个8阶矩阵，为非零DCT系数个数矩阵A1。
按照场景不同，即拍摄镜头的切换将视频数据流分割成若干段，每段包含一个镜头的全部内容，每段包含若干个视频帧，对每一帧画面分为若干视频块， Bx、By分别表示该视频块水平和垂直方向视频块中像素点个数。
按照（1）式，计算视频块的主导方向特征，并取与（1）式计算值最接近的划分角度作为主导方向角度；
-----（1）
其中F(0,j)与F(i,0)为 DCT系数，所述划分角度为：
0，1*360°/B，2* 360°/B，…（B-1）*360°/B；B为角度划分参数。
优选的实施方式中，为控制计算量的大小，并保证数据精度，针对本发明的视频流模糊检测方法，选择B=8，则划分角度为0°、45°、90°、135°、180°、225°、270°、315°。例如根据（1）式计算出的结果为38°，则最后取值主导方向角度为45°。
S2.按照（2）式计算视频块主导方向的后验概率密度；
----（2）
其中为针对内容content的概率，内容是该视频块的拍摄图像信息，为该主导方向角度θ的概率；根据按内容和主导方向角度对视频帧的每个块进行分类，统计得到各种分类各个频率分量下的非零DCT系数个数矩阵A2。
分块完成后对同一场景不同帧的视频块进行视频匹配块分组，例如某块视频块显示了一辆公共汽车的反光镜，则其他各帧的包含了该公共汽车反光镜的视频块与该视频块在很大程度上会成为一组匹配视频块。具体实现过程如(3)式:
------（3）
其中s表示当前视频帧的像素值，c表示参考视频帧的像素值，MVx、MVy分别表示水平或垂直运动矢量 ，Bx、By分别表示水平和垂直方向视频块中像素点个数，SAD（）表示对括号内的内容计算绝对误差和；min（）表示取最小值；根据（2）式中的运动矢量，可以直接找到各类块的匹配块并对其进行分组。计算运动矢量时，视频处理中常用最小绝对误差算法。
S3.按照（4）式计算出权重值，
---（4）
其中为权重调整函数；例如对于B=8，(4)式具体为
构造B阶矩阵作为初始权重矩阵，例如对于B=8，初始权重矩阵可以为
----（5）
对于DCT系数的初始权重矩阵，本领域技术人员知晓应符合以下特征，矩阵（5）的行向量中，元素值从左向右逐渐减小，列向量中，各个元素值从上到下逐渐减小，例如（5）式给出了一种符合上述特征的初始权重矩阵。
将根据（4）式得到的权重值对初始权重矩阵中的各个参数作对应调整，得到最终的权重矩阵；
S4. 用步骤S1统计出的整帧各个频率分量的非零DCT系数个数矩阵A1乘以该帧的权重矩阵得到帧清晰指数；用步骤S2统计出的各类视频块各个频率分量下的非零DCT系数个数矩阵A2乘以其相应的权重矩阵得到各视频块的块清晰指数，并对和作归一化。
S5. 根据清晰指数+模糊指数=1，利用和归一化后的清晰指数求出模糊指数，根据模糊指数分布将场景中的各个帧分为清晰帧与非清晰帧两类，以非清晰帧中的最大模糊指数作为该整个场景的全局模糊阀值DTA；
再根据S2中得到的各类匹配视频块的模糊指数分布分为清晰块和非清晰块，以非清晰块中的最大模糊指数作为该类视频块的局部模糊阀值DTP； 上述根据模糊指数对帧和视频块的分类方法优选采用K-中心点聚类法。
对每一个视频帧的模糊指数与全局模糊阀值DTA进行比较，超过DTA阀值则视为全局模糊帧，模糊指数与模糊阀值的比值计为全局模糊程度；对每一类视频块的模糊指数与该类的局部模糊阀值DTP进行比较，超过DTP阀值视为模糊块，当模糊块的个数超过占整个视频帧总块数的C%时，视该帧为局部模糊帧，所述C为预设的局部模糊帧比例判断阀值。C值越大，则可以给出更清晰的视频流，但由于删除了大量原始视频信息，视频流可能遗漏较多内容。综合考虑，C一般取15-40范围内的值，各块模糊指数与对应模糊阀值比值的平均值计为局部模糊程度。
下表1给出了将本发明与现有技术的模糊检测方法比较结果：
表1
下表2给出了将本发明与现有技术所需硬件设备存储空间的比较结果(输入为DCT压缩编码视频)
综合表1和表2，可见本发明相对现有技术，提高检测准确率的同时，降低了硬件设备要求。
本发明的优越性和技术效果如下：
1.本发明提出了一种通过DCT系数的特征提取确定视频块的主导方向从而计算清晰度权重矩阵的方法，该方法能自动有效地增加代表轮廓信息的DCT系数分量的权重，减少包含次要信息的DCT系数分量的权重，从而能准确地计算出各帧或各块的模糊度；并能通过统计方法自适应地计算每段视频（同一场景）的模糊阀值。
2.本发明适用于普通视频流尤其是体育运动视频流的模糊检测，而不仅仅是固定摄像头的监控视频流。
3.本发明既能检测出全局模糊帧又能检测出局部模糊帧，且检测精度高达90%以上。
4．本发明能充分利用视频中的DCT系数和运动矢量作为模糊检测依据，一般视频流均是以压缩形式存储与传输的，因此DCT系数和运动矢量大都可以从输入码流中直接提取从而大大减少了算法的运算复杂度与所需的内存空间。
前文所述的为本发明的各个优选实施例，各个优选实施例中的优选实施方式如果不是明显自相矛盾或以某一优选实施方式为前提，各个优选实施方式都可以任意叠加组合使用，所述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。
Claims (5)
1.一种基于频域的视频流模糊检测方法，其特征在于，包括如下步骤：
S1. 对输入视频流按照场景不同进行分割，对同一场景的视频帧按照从左到右、从上到下的顺序分为若干Bx×By大小的视频块，Bx、By分别表示水平和垂直方向视频块中像素点个数，计算视频块的DCT系数，并统计出整帧各个频率分量的非零DCT系数个数矩阵A1；按照（1）式，计算视频块的主导方向特征，并取与（1）式计算值最接近的划分角度作为主导方向角度；
-----（1）
其中F(0,j)与F(i,0)为 DCT系数，所述划分角度为：
0，1*360°/B，2* 360°/B，…（B-1）*360°/B；B为角度划分参数；
S2.按照（2）式计算视频块主导方向的后验概率密度；
----（2）
其中为针对内容content的概率，为该主导方向角度θ的概率；根据按内容和主导角度对视频帧的每个块进行分类，统计得到各种分类各个频率分量下的非零DCT系数个数矩阵A2；
按照（3）式对同一场景不同视频帧的分块进行运动矢量计算找出同一场景视频帧中各类块的匹配块；
------（3）
其中s表示当前视频帧的像素值，c表示参考视频帧的像素值，MVx、MVy分别表示水平或垂直运动矢量 ，Bx、By分别表示水平和垂直方向视频块中像素点个数，SAD（）表示对括号内的内容计算绝对误差和；min（）表示取最小值；
S3.按照（4）式计算出权重值，
---（4）
其中为权重调整函数；
构造B阶矩阵作为初始权重矩阵，将根据（4）式得到的权重值对初始权重矩阵中的各个参数作对应调整，得到最终权重矩阵；
S4. 用步骤S1统计出的整帧各个频率分量的非零DCT系数个数矩阵A1乘以该帧的权重矩阵得到帧清晰指数；用步骤S2统计出的各类视频块各个频率分量下的非零DCT系数个数矩阵A2乘以其相应的权重矩阵得到各视频块的块清晰指数，并对和作归一化；
S5. 由和归一化后的清晰指数求出模糊指数，根据模糊指数分布将场景中的各个帧分为清晰帧与非清晰帧两类，以非清晰帧中的最大模糊指数作为该整个场景的全局模糊阀值DTA；
再根据各类匹配块的模糊指数分布分为清晰块和非清晰块，以非清晰块中的最大模糊指数作为该类视频块的局部模糊阀值DTP；
对每一个视频帧的模糊指数与全局模糊阀值DTA进行比较，超过DTA阀值则视为全局模糊帧，模糊指数与模糊阀值的比值计为全局模糊程度；对每一类视频块的模糊指数与该类的局部模糊阀值DTP进行比较，超过DTP阀值视为模糊块，当模糊块的个数超过占整个视频帧总块数的C%时，视该帧为局部模糊帧，所述C为预设的局部模糊帧比例判断阀值，各块模糊指数与对应的局部模糊阀值比值的平均值计为局部模糊程度。
2.如权利要求1所述的基于频域的视频流模糊检测方法，其特征在于，所述步骤S1、S3中角度划分参数B=8，所述划分角度为0°、45°、90°、135°、180°、225°、270°、315°；所述（4）式为：
。
3.如权利要求1所述的基于频域的视频流模糊检测方法，其特征在于，所述步骤S2中根据按内容和主导角度对视频帧的每个块进行分类。
4.如权利要求1所述的基于频域的视频流模糊检测方法，其特征在于，所述步骤S5中将清晰帧与非清晰帧、清晰块与非清晰块的模糊指数分成两类的方法为K-中心点聚类法。
5.如权利要求1所述的基于频域的视频流模糊检测方法，其特征在于，所述C=15至40。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410607582.XA CN104301722B (zh) | 2014-11-03 | 2014-11-03 | 一种基于频域的视频流模糊检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410607582.XA CN104301722B (zh) | 2014-11-03 | 2014-11-03 | 一种基于频域的视频流模糊检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104301722A true CN104301722A (zh) | 2015-01-21 |
| CN104301722B CN104301722B (zh) | 2016-08-24 |
Family
ID=52321255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410607582.XA Expired - Fee Related CN104301722B (zh) | 2014-11-03 | 2014-11-03 | 一种基于频域的视频流模糊检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104301722B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111282A (zh) * | 2019-05-09 | 2019-08-09 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 一种基于运动矢量和cnn的视频去模糊方法 |
| CN111091526A (zh) * | 2018-10-23 | 2020-05-01 | 广州弘度信息科技有限公司 | 一种视频模糊的检测方法和系统 |
| CN113411571A (zh) * | 2021-06-16 | 2021-09-17 | 福建师范大学 | 一种基于滑窗梯度熵的视频帧清晰度检测方法 |
| CN117437635A (zh) * | 2023-12-21 | 2024-01-23 | 杭州海康慧影科技有限公司 | 一种生物组织类图像的预标注方法、装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065118A (zh) * | 2011-10-21 | 2013-04-24 | 索尼公司 | 图像模糊检测方法和装置 |
| CN103413311A (zh) * | 2013-08-19 | 2013-11-27 | 厦门美图网科技有限公司 | 一种基于边缘的模糊检测方法 |
-
2014
- 2014-11-03 CN CN201410607582.XA patent/CN104301722B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065118A (zh) * | 2011-10-21 | 2013-04-24 | 索尼公司 | 图像模糊检测方法和装置 |
| CN103413311A (zh) * | 2013-08-19 | 2013-11-27 | 厦门美图网科技有限公司 | 一种基于边缘的模糊检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| NIRANJAN D. NARVEKAR ET AL: "A No-Reference Image Blur Metric Based on the Cumulative Probability", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 潘生军: "基于后验概率的图像模糊检测方法", 《计算机工程与应用》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091526A (zh) * | 2018-10-23 | 2020-05-01 | 广州弘度信息科技有限公司 | 一种视频模糊的检测方法和系统 |
| CN111091526B (zh) * | 2018-10-23 | 2023-06-13 | 广州弘度信息科技有限公司 | 一种视频模糊的检测方法和系统 |
| CN110111282A (zh) * | 2019-05-09 | 2019-08-09 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 一种基于运动矢量和cnn的视频去模糊方法 |
| CN113411571A (zh) * | 2021-06-16 | 2021-09-17 | 福建师范大学 | 一种基于滑窗梯度熵的视频帧清晰度检测方法 |
| CN113411571B (zh) * | 2021-06-16 | 2023-07-14 | 福建师范大学 | 一种基于滑窗梯度熵的视频帧清晰度检测方法 |
| CN117437635A (zh) * | 2023-12-21 | 2024-01-23 | 杭州海康慧影科技有限公司 | 一种生物组织类图像的预标注方法、装置 |
| CN117437635B (zh) * | 2023-12-21 | 2024-04-05 | 杭州海康慧影科技有限公司 | 一种生物组织类图像的预标注方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104301722B (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5524063B2 (ja) | ビデオ情報処理 | |
| JP5555221B2 (ja) | 着目物の適応的な色モデル・パラメータ推定に係る方法および装置 | |
| CN109493350A (zh) | 人像分割方法及装置 | |
| CN113011329B (zh) | 一种基于多尺度特征金字塔网络及密集人群计数方法 | |
| CN106358029B (zh) | 一种视频图像处理方法和装置 | |
| CN102395030A (zh) | 基于视频压缩码流的运动分析方法、码流转换方法及其装置 | |
| WO2012149296A2 (en) | Providing content aware video adaptation | |
| Diana Andrushia et al. | Saliency-based image compression using Walsh–Hadamard transform (WHT) | |
| CN104301722B (zh) | 一种基于频域的视频流模糊检测方法 | |
| CN110852964A (zh) | 一种基于深度学习的图像比特增强方法 | |
| JP2009147911A (ja) | 映像データ圧縮前処理方法およびこれを用いた映像データ圧縮方法と映像データ圧縮システム | |
| CN107454413B (zh) | 一种保留特征的视频编码方法 | |
| WO2013056200A1 (en) | Method and apparatus for video compression of stationary scenes | |
| KR101149522B1 (ko) | 장면 전환 검출 시스템 및 방법 | |
| CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
| CN105631854A (zh) | 一种基于fpga平台的自适应图像清晰度评价算法 | |
| WO2017004889A1 (zh) | 基于jnd因子的超像素高斯滤波预处理方法 | |
| CN109255752A (zh) | 图像自适应压缩方法、装置、终端及存储介质 | |
| WO2016033725A1 (zh) | 视频编码中的块分割方式处理方法和相关装置 | |
| CN112738533A (zh) | 一种机巡图像分区域压缩方法 | |
| WO2019223428A1 (zh) | 有损压缩编码方法、装置和系统级芯片 | |
| CN102510438B (zh) | 一种用于视频图像恢复增强的稀疏系数向量的获取方法 | |
| Aliouat et al. | An efficient low complexity region-of-interest detection for video coding in wireless visual surveillance | |
| Zhao et al. | Intelligent analysis oriented surveillance video coding | |
| CN110728173A (zh) | 基于感兴趣目标显著性检测的视频传输方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20201103 |