CN106600540A - 一种分块rbf插值高速相机压缩图像重建方法 - Google Patents
一种分块rbf插值高速相机压缩图像重建方法 Download PDFInfo
- Publication number
- CN106600540A CN106600540A CN201710027156.2A CN201710027156A CN106600540A CN 106600540 A CN106600540 A CN 106600540A CN 201710027156 A CN201710027156 A CN 201710027156A CN 106600540 A CN106600540 A CN 106600540A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- block
- coordinate
- rbf
- 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.)
- Pending
Links
- 238000007906 compression Methods 0.000 title claims abstract description 46
- 230000006835 compression Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 5
- 238000012887 quadratic function Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000012888 cubic function Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 238000002372 labelling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
为进一步提升高速相机压缩图像重建质量，本发明公开一种分块RBF插值高速相机压缩图像重建方法。先对压缩图像中已知像素进行重排序，得到重排序图像；然后对重排序图像进行分块；以图像块为单位、采用RBF插值方法进行未知像素重建；并通过增大RBF模型参数估计中参考邻域尺寸，来消除图像分块产生的块效应。试验结果表明，本发明方法可有效提升高速相机压缩图像重建质量和效率。
Description
技术领域
本发明涉及高速成像技术领域，特指一种分块RBF插值高速相机压缩图像重建方法。
背景技术
在空气动力学、流体力学、爆炸力学等诸多学科研究领域中，通常需要使用高速摄像机观测快速变化的物理或化学现象。在实际应用中，受相机数据传输接口带宽限制，高速相机拍摄的海量图像数据只能存储于相机内存中。高速相机在极短时间内产生海量图像数据，通常高达10GB，而高速相机内存容量有限，难以实现大容量图像数据存储，从而导致无法长时间拍摄高分辨率视频。
目前，在实际应用中，通常采取循环录制方式进行拍摄，这种拍摄方式会覆盖已拍摄图像，而产生信息丢失问题。为实现高速相机长时间拍摄，高速相机厂商提供了“thin-out”拍摄模式，通过降低成像分辨率或帧率，以减小相同拍摄时间内图像数据、增加录像时间。但是，这种以牺牲成像分辨率或帧率，来延长拍摄时间的“thin-out”模式，带来的直接后果是：当分辨率过低时，不能满足定量或定性分析需求；当帧率过低时，无法完整地捕捉快速变化对象。因此，从延长高速相机拍摄时长角度，非常有必要对高速相机拍摄图像进行压缩后，再存储或传输。
图像数据是高度冗余的，这决定了其具有可压缩性。通过图像压缩，可以在保证一定信息量前提下，大大降低图像数据量，有利于图像存储和传输。现有的图像压缩方法，多采用JPEG、MPEG、H.264、H.265等压缩算法或标准，这些算法或标准的优点是能够极大降低图像数据量，缺点是算法复杂非常高，即便采用专用硬件也只能实现低帧率视频（1920*1080,120@fps）压缩，难以应用于帧率为1000fps以上的高速相机中。
近期，申请号为201510717618.4的发明专利《一种延长高速相机拍摄时长的方法》提出了一种可在FPGA上进行高速相机图像实时压缩以延长高速相机拍摄时长的方法。该方法为解决高速相机图像压缩提供了一条新思路。其基本方法是：如图1所示，在摄像机端进行图像压缩(a)、在计算机端进行图像重建(b)。
具体步骤如下：
1）在摄像机端，设置1个标记矩阵F，如图2所示，标记矩阵F大小为w*h，元素取值为0或1，w是采集图像宽度、h是采集图像高度；根据标记矩阵F中元素取值，对输入图像Io进行压缩：当F(u,v)=0时，不采集像素p(u,v,q)，当F(u,v)=1时，采集像素p(u,v,q)，得到压缩图像Ic，下标c表示Ic为压缩图像，(u,v)是标记矩阵坐标，也是图像像素坐标；如图1所示，Io上画“X”的像素被丢弃、不采集，未画“X”的像素被采集，Io中的下标o表示Io为输入图像；
2）在计算机端，创建大小为w*h的空白图像I。根据标记矩阵F，构建如图3所示查找表L。根据查找表L将压缩图像Ic中像素填充到空白图像I对应像素位置，得到重排序图像Is，下标s表示Is为重排序图像。在重排序图像Is中，已填充的像素来源于压缩图像Ic，未填充的像素是需要估计其像素值的。在《一种延长高速相机拍摄时长的方法》专利中，采用开关中值滤波估计未填充像素的像素值，完成压缩图像重建，得到重建图像Ir。
《一种延长高速相机拍摄时长的方法》专利中的仿真试验证明了上述方法的有效性，但是，该专利的图像重建算法，在图像重建质量、速度方面，还需进一步提升。特别是，当压缩率较高时，比如等于99%时，该专利的图像重建算法需要选择较大的图像滤波窗口，才能保证所有未采集像素被恢复出来。然而，较大尺寸滤波窗口，不但引起图像模糊问题、导致重建图像质量下降，而且明显增加图像重建时间。
为提升高速相机压缩图像重建质量和效率，本发明公开一种分块RBF插值高速相机压缩图像重建方法。试验结果表明，该方法在压缩图像重建质量方面，明显优于“一种延长高速相机拍摄时长的方法”中方法。
发明内容
本发明的目的是提升高速相机压缩图像重建质量，提供一种分块RBF插值高速相机压缩图像重建方法。本发明采用的技术方案是：
第一步：根据压缩标记矩阵F，对压缩图像Ic进行像素重排序，得到重排序图像Is：
第1.1步：根据相机拍摄图像宽度w、高度h、像素深度b，图像宽度、高度单位为像素，取值范围为（0,10000000），像素深度b单位为bits，取值范围为（1~100），生成一幅空白图像I，空白图像I的宽度为w、高度为h、像素深度为b，空白图像I中任意像素可表示为p(u,v,q)，u、v分别为像素行坐标、列坐标, q为像素值，q的取值范围为(0~2b-1)；
第1.2步：对压缩标记矩阵F，从左上角开始按“Z”字型扫描，当F(u,v)=1时，在查找表L中记录F(u,v)的行坐标u、列坐标v，得到大小为2*K的查找表L，K是压缩图像Ic中像素数量，K的取值范围为(0~w*h)；
第1.3步，根据查找表L，把压缩图像Ic中像素填充到空白图像I对应位置，得到重排序图像Is；
第二步：对重排序图像Is进行分块
把重排序图像Is，划分为M*N个、大小为d*l的图像块，d、l的单位为像素，取值范围为[0~1000000000]，M=[h/d+0.4999999999]，N=[w/l+0.4999999999]，其中“/”表示除法操作，“[]”表示按四舍五入取整数操作；优选地，d、l的取值关系，满足d/l=h/w，且使h/d、w/l可整除；
第三步：以图像块为单位估计重排序图像Is内未知像素取值，得到重建图像Ir
第3.1步：以图像块为单位，在重排序图像Is中，以第(m,n)个图像块为中心，取(2*a+1)*(2*a+1)个图像块构成大尺寸图像块作为参考邻域，其中a的取值范围为0~50，位于参考邻域中心；m、n分别是图像块的横、纵坐标，m取值范围为1~M，n取值范围为1~N；
第3.2步：将大尺寸图像块中已填充像素标记为已知像素t，构成已知像素集，像素值为：，将大尺寸图像块内未填充像素标记为未知像素e，构成未知像素集，T中元素个数为x，E中元素个数为y；令像素图像坐标为，已知像素集T的图像坐标为：，未知像素集E的图像坐标为：；
第3.3步：在上，构建RBF散乱点插值模型f，使用已知像素集训练RBF插值模型参数；
第3.3.1步：构建RBF插值模型：
式（1）
其中，是第k个未知像素的估计像素值，k的取值范围为[1~y]，是第i个未污染像素的图像坐标，i的取值范围为[1~x]，是模型参数，是插值函数，插值函数包括：
高斯函数：
式（2）
二次函数：
式（3）
线性函数：
式（4）
立方函数：
式（5）
三角函数：
式（6）
其中，是第i个已知像素与第k个未知像素的图像像素坐标欧式距离，是高斯、二次函数参数，取值范围为[0~100]；
第3.3.2步：使用已知像素集T计算RBF插值模型参数：
使用已知像素集T的图像坐标Gt、像素值Qt，构建n个线性方程：
式（7）
估计式(7)的最优参数：；
第3.4步：对图像块内未知像素E进行基于RBF散乱点插值估计其像素值；
把未知像素集的像素坐标依次代入式(8)的RBF插值模型，计算污染像素的像素值
式（8）
第3.5步：用代替重排顺序图像Is中对应位置处像素，完成图像块内未知像素填充；
第3.6步：以图像块为处理单位，遍历重排序图像Is中图像块，完成所有未知像素估计，得到重建图像Ir。
本发明的有益效果是：相比“一种延长高速相机拍摄时长的方法”专利，通过RBF插值提升了高速相机压缩图像重建质量，通过图像分块解决了以整幅图像进行RBF模型构建计算复杂度高的问题，通过构建大尺寸图像块用于RBF模型训练，再对图像块进行RBF插值，可增加图像块间重建图像平滑性，减小突兀，有效消除图像分块带来的块效应问题。如图6所示，A是Lena原始图像；B是“一种延长高速相机拍摄时长的方法”在压缩率为90%时重建结果；C是“一种延长高速相机拍摄时长的方法”在压缩率为99%时重建结果；D是本发明方法采用线性插值函数、在压缩率为90%、图像块尺寸为d=16、l=16，a=0时，重建结果；E是本发明方法采用线性插值函数、在压缩率为99%、图像块尺寸为d=16、l=16，a=0时，重建结果；F是本发明方法采用线性插值函数、在压缩率为90%、图像块尺寸为d=16、l=16，a=1时，重建结果；G是本发明方法采用线性插值函数、在压缩率为99%、图像块尺寸为d=16、l=16，a=1时，重建结果。可以看出，F、G重建效果明显优于“一种延长高速相机拍摄时长的方法”专利方法，F、G与D、E相比，扩展RBF模型参数估计时的图像块尺寸，可有效消除了重建图像块效应。
附图说明
图1 高速压缩图像压缩及重建处理流程。
图中，Io是输入图像，方格中数值为像素值，Ic是压缩图像，F是图像压缩标记矩阵，Is是重排序图像，L是重排序用查找表，Ir是重建图像，Io图像上画“X”的像素为被丢弃像素。
图2 标记矩阵F示意图。
图中，方格表示矩阵F中元素，取值为1表示在图像压缩过程中当前位置像素被保留；取值为0表示在图像压缩过程中当前位置像素被丢弃，“……”是省略符。
图3 查找表L示意图。
图中，第一行为F中取值为1的元素的行坐标，第二行为F中取值为1的元素的列坐标，“……”是省略符。
图4 填充图像中划分已知像素、未知像素示意图。
图中，t为已知像素，e为未知像素。
图5 构建参考邻域示意图。
图6 压缩图像重建效果对比。
图中，A是Lena原始图像；B是“一种延长高速相机拍摄时长的方法”在压缩率为90%时重建结果；C是“一种延长高速相机拍摄时长的方法”在压缩率为99%时重建结果；D是本发明方法采用线性插值函数、在压缩率为90%、图像块尺寸为d=16、l=16，a=0时，重建结果；E是本发明方法采用线性插值函数、在压缩率为99%、图像块尺寸为d=16、l=16，a=0时，重建结果；F是本发明方法采用线性插值函数、在压缩率为90%、图像块尺寸为d=16、l=16，a=1时，重建结果；G是本发明方法采用线性插值函数、在压缩率为99%、图像块尺寸为d=16、l=16，a=1时，重建结果。
具体实施方式
实施例1
对w=1024、h=1024像素，像素深度b=8bits的压缩图像进行重建处理，压缩率为90%，压缩标记矩阵F大小为1024*1024。
第一步：根据压缩标记矩阵F，对压缩图像进行像素重排序，得到重排序图像：
第1.1步：根据相机拍摄图像宽度w、高度h、像素深度b，生成空白图像I；
第1.2步：从左上角开始，对压缩标记矩阵F，按“Z”字型扫描，当F（u，v）=1时，在查找表L中记录F（u,v）的行坐标u、列坐标v，得到大小为2*K的查找表L；
第1.3步，根据查找表L，把压缩图像Ic中像素填充到空白图像I对应位置，得到重排序图像Is；
第二步：对重排序图像Is进行分块
设定图像块尺寸为:d=16，l=16，把重排序图像Is，划分成大小为16*16的图像块；
第三步：设定a=1，以图像块为单位估计重排序图像Is内未知像素，得到重建图像Ir
第3.1步：以图像块为单位，在重排序图像Is中，如图5所示，以第(m,n)个图像块为中心，取(2*a+1)*(2*a+1)个图像块构成大尺寸图像块作为参考邻域，位于参考邻域中心；
第3.2步：将大尺寸图像块中已填充像素标记为已知像素t，构成已知像素集，像素值为：，将图像块内未填充像素标记为未知像素e，构成未知像素集，T中元素个数为x，E中元素个数为y；令像素图像坐标为，已知像素集T的图像坐标为：，未知像素集E的图像坐标为：；
第3.3步：在上，构建RBF散乱点插值模型f，使用已知像素集训练RBF插值模型参数；
第3.3.1步：构建RBF插值模型：
式（1）
其中，是第k个未知像素的估计像素值，k的取值范围为[1~y]，是第i个未污染像素的图像坐标，i的取值范围为[1~x]，是模型参数，是插值函数，插值函数选择线性函数，是第i个已知像素与第k个未知像素的图像像素坐标欧式距离；
第3.3.2步：使用已知像素集计算RBF插值模型参数：
使用已知像素集的图像坐标、像素值，构建n个线性方程：
式（7）
估计式7的最优；
第3.4步：对图像块内未知像素E进行基于RBF散乱点插值估计其像素值；
把未知像素集的像素坐标依次代入式(8)的RBF插值模型，计算污染像素的像素值
式（8）
第3.5步：用代替重排顺序图像Is中对应位置处像素，完成图像块内未知像素填充；
第3.6步：以图像块为处理单位，遍历重排序图像Is中图像块，完成所有未知像素估计，得到重建图像Ir。
实施例2
与实施例1不同之处，像素深度为b=10bits。
实施例3
与实施例1不同之处，像素深度为b=12bits。
实施例4
与实施例1不同之处，像素深度为b=14bits。
实施例5
与实施例1不同之处，像素深度为b=16bits。
实施例6
与实施例1不同之处，像素深度为b=18bits。
实施例7
与实施例1不同之处，像素深度为b=20bits。
实施例8
与实施例1不同之处，像素深度为b=22bits。
实施例9
与实施例1不同之处，像素深度为b=24bits。
实施例10
与实施例1不同之处，插值函数选择二次函数，。
实施例11
与实施例1不同之处，插值函数选择高斯函数，。
实施例12
与实施例1不同之处，插值函数选择立方函数。
实施例13
与实施例1不同之处，插值函数选择三角函数。
实施例14
与实施例1不同之处，设定a=2。
实施例15
与实施例1不同之处，设定a=3。
Claims (1)
1.一种分块RBF插值高速相机压缩图像重建方法，其特征在于：包括以下步骤：
第一步：根据压缩标记矩阵F，对压缩图像Ic进行像素重排序，得到重排序图像Is：
第1.1步：根据相机拍摄图像宽度w、高度h、像素深度b，图像宽度、高度单位为像素，取值范围为（0,10000000），像素深度b单位为bits，取值范围为（1~100），生成一幅空白图像I，空白图像I的宽度为w、高度为h、像素深度为b，空白图像I中任意像素可表示为p(u,v,q)，u、v分别为像素行坐标、列坐标, q为像素值，q的取值范围为(0~2b-1)；
第1.2步：对压缩标记矩阵F，从左上角开始按“Z”字型扫描，当F(u,v)=1时，在查找表L中记录F(u,v)的行坐标u、列坐标v，得到大小为2*K的查找表L，K是压缩图像Ic中像素数量，K的取值范围为(0~w*h)；
第1.3步，根据查找表L，把压缩图像Ic中像素填充到空白图像I对应位置，得到重排序图像Is；
第二步：对重排序图像Is进行分块
把重排序图像Is，划分为M*N个、大小为d*l的图像块，d、l的单位为像素，取值范围为[0~1000000000]，M=[h/d+0.4999999999]，N=[w/l+0.4999999999]，其中“/”表示除法操作，“[]”表示按四舍五入取整数操作；优选地，d、l的取值关系，满足d/l=h/w，且使h/d、w/l可整除；
第三步：以图像块为单位估计重排序图像Is内未知像素取值，得到重建图像Ir
第3.1步：以图像块为单位，在重排序图像Is中，以第(m,n)个图像块为中心，取(2*a+1)*(2*a+1)个图像块构成大尺寸图像块作为参考邻域，其中a的取值范围为0~50，位于参考邻域中心；m、n分别是图像块的横、纵坐标，m取值范围为1~M，n取值范围为1~N；
第3.2步：将大尺寸图像块中已填充像素标记为已知像素t，构成已知像素集 ，像素值为： ，将大尺寸图像块内未填充像素标记为未知像素e，构成未知像素集 ，T中元素个数为x，E中元素个数为y；令像素图像坐标为 ，已知像素集T的图像坐标为： ，未知像素集E的图像坐标为： ；
第3.3步：在上，构建RBF散乱点插值模型f，使用已知像素集 训练RBF插值模型参数；
第3.3.1步：构建RBF插值模型 ：
其中，是第k个未知像素的估计像素值，k的取值范围为[1~y]， 是第i个未污染像素的图像坐标，i的取值范围为[1~x]， 是模型参数，是插值函数，插值函数包括：
高斯函数：
二次函数：
线性函数：
立方函数：
式（5）
三角函数：
式（6）
其中， 是第i个已知像素与第k个未知像素的图像像素坐标欧式距离，是高斯、二次函数参数，取值范围为[0~100]；
第3.3.2步：使用已知像素集T计算RBF插值模型参数：
使用已知像素集T的图像坐标Gt、像素值Qt，构建n个线性方程：
估计式(7)的最优参数： ；
第3.4步：对图像块 内未知像素E进行基于RBF散乱点插值估计其像素值；
把未知像素集 的像素坐标依次代入式(8)的RBF插值模型，计算污染像素的像素值
第3.5步：用 代替重排顺序图像Is中对应位置处像素，完成图像块 内未知像素填充；
第3.6步：以图像块为处理单位，遍历重排序图像Is中图像块，完成所有未知像素估计，得到重建图像Ir。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710027156.2A CN106600540A (zh) | 2017-01-15 | 2017-01-15 | 一种分块rbf插值高速相机压缩图像重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710027156.2A CN106600540A (zh) | 2017-01-15 | 2017-01-15 | 一种分块rbf插值高速相机压缩图像重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106600540A true CN106600540A (zh) | 2017-04-26 |
Family
ID=58585438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710027156.2A Pending CN106600540A (zh) | 2017-01-15 | 2017-01-15 | 一种分块rbf插值高速相机压缩图像重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106600540A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107465879A (zh) * | 2017-09-25 | 2017-12-12 | 成都精益技术检测服务有限公司 | 一种摄像机图像快速压缩方法 |
| CN107509035A (zh) * | 2017-09-25 | 2017-12-22 | 成都精益技术检测服务有限公司 | 一种摄像机时空域图像快速压缩方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732585A (zh) * | 2015-03-23 | 2015-06-24 | 腾讯科技（深圳）有限公司 | 一种人体体型重构的方法及装置 |
| CN105407272A (zh) * | 2015-10-29 | 2016-03-16 | 中国空气动力研究与发展中心设备设计及测试技术研究所 | 一种延长高速相机拍摄时长的方法 |
| CN105611288A (zh) * | 2015-12-28 | 2016-05-25 | 电子科技大学 | 一种基于有约束插值技术的低码率图像编码方法 |
| CN105976409A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 一种基于压缩感知理论的图像压缩方法 |
| CN106101725A (zh) * | 2016-06-28 | 2016-11-09 | 电子科技大学 | 一种基于压缩感知理论和空域下采样技术的图像压缩方法 |
| CN106204670A (zh) * | 2016-07-18 | 2016-12-07 | 电子科技大学 | 一种基于优化下采样算法和压缩感知理论的图像压缩方法 |
-
2017
- 2017-01-15 CN CN201710027156.2A patent/CN106600540A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732585A (zh) * | 2015-03-23 | 2015-06-24 | 腾讯科技（深圳）有限公司 | 一种人体体型重构的方法及装置 |
| CN105407272A (zh) * | 2015-10-29 | 2016-03-16 | 中国空气动力研究与发展中心设备设计及测试技术研究所 | 一种延长高速相机拍摄时长的方法 |
| CN105611288A (zh) * | 2015-12-28 | 2016-05-25 | 电子科技大学 | 一种基于有约束插值技术的低码率图像编码方法 |
| CN105976409A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 一种基于压缩感知理论的图像压缩方法 |
| CN106101725A (zh) * | 2016-06-28 | 2016-11-09 | 电子科技大学 | 一种基于压缩感知理论和空域下采样技术的图像压缩方法 |
| CN106204670A (zh) * | 2016-07-18 | 2016-12-07 | 电子科技大学 | 一种基于优化下采样算法和压缩感知理论的图像压缩方法 |
Non-Patent Citations (3)
| Title |
|---|
| 何琪等: ""基于径向基函数的超声体数据重建仿真研究"", 《系统仿真学报》 * |
| 宁贝佳: ""混合型图像超分辨率重建算法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 鹿乐: ""基于特征分块的三维人脸重建及在识别中的应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107465879A (zh) * | 2017-09-25 | 2017-12-12 | 成都精益技术检测服务有限公司 | 一种摄像机图像快速压缩方法 |
| CN107509035A (zh) * | 2017-09-25 | 2017-12-22 | 成都精益技术检测服务有限公司 | 一种摄像机时空域图像快速压缩方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105407272B (zh) | 一种延长高速相机拍摄时长的方法 | |
| CN105027565B (zh) | 视频处理方法及视频处理装置 | |
| CN102625106B (zh) | 场景自适应的屏幕编码码率控制方法及其系统 | |
| CN106911930A (zh) | 一种基于递归卷积神经网络进行压缩感知视频重建的方法 | |
| US8644626B2 (en) | Method for storing and processing image sequence and method for compressing, storing and processing image sequence | |
| CN105049728A (zh) | 一种拍摄图像的获取方法和装置 | |
| CN106851321A (zh) | 一种最小二乘回归高速相机压缩图像重建方法 | |
| CN105554506A (zh) | 基于多方式边界填充的全景视频编码、解码方法和装置 | |
| CN105933708B (zh) | 一种数据压缩和解压缩的方法和装置 | |
| CN109996023A (zh) | 图像处理方法和装置 | |
| CN109862208A (zh) | 视频处理方法、装置以及计算机存储介质 | |
| WO2004077357A1 (en) | Apparatus and method for producing thumbnail images and for improving image quality of re-sized images | |
| CN106600540A (zh) | 一种分块rbf插值高速相机压缩图像重建方法 | |
| CN104796649B (zh) | 一种三维投影的方法及装置 | |
| CN110495178A (zh) | 3d视频编码的装置和方法 | |
| CN106780638A (zh) | 一种高速相机压缩图像快速重建方法 | |
| CN106815816A (zh) | 一种rbf插值高速相机压缩图像重建方法 | |
| CN105069150B (zh) | 屏幕录像的压缩、存储、回放方法及压缩、存储系统 | |
| Akin et al. | Compressed look-up-table based real-time rectification hardware | |
| CN106408641A (zh) | 一种图像数据的缓存方法和装置 | |
| WO2019228219A1 (zh) | 一种去除视频抖动的方法及装置 | |
| CN106851322A (zh) | 一种分块最小二乘回归高速相机压缩图像重建方法 | |
| CN108540799A (zh) | 一种可以精确表示一个视频文件两帧图像之间差异的压缩方法 | |
| CN107547897A (zh) | 残值升采样装置、残值降采样装置以及电路 | |
| CN103034972B (zh) | 图像处理平台的实现方法及图像处理平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
| RJ01 | Rejection of invention patent application after publication |