CN108182694A - 一种基于插值的运动估计与自适应视频重建方法 - Google Patents

一种基于插值的运动估计与自适应视频重建方法 Download PDF

Info

Publication number
CN108182694A
CN108182694A CN201711480559.9A CN201711480559A CN108182694A CN 108182694 A CN108182694 A CN 108182694A CN 201711480559 A CN201711480559 A CN 201711480559A CN 108182694 A CN108182694 A CN 108182694A
Authority
CN
China
Prior art keywords
image
amount
exercise
sample
obtains
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
Application number
CN201711480559.9A
Other languages
English (en)
Other versions
CN108182694B (zh
Inventor
冯华君
唐超影
陈跃庭
徐之海
李奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201711480559.9A priority Critical patent/CN108182694B/zh
Publication of CN108182694A publication Critical patent/CN108182694A/zh
Application granted granted Critical
Publication of CN108182694B publication Critical patent/CN108182694B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • 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
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于插值的运动估计与自适应视频重建方法。在基于压缩感知的时间超分辨率视频重建过程中，针对样本学习的重建算法，考虑到视频图像重建质量与训练样本紧密相关，提出根据物体运动量大小进行自适应分类重建。本发明方法首先通过像素连续等长的曝光模式获取编码图像，然后利用一种基于编码图像散粒特征的方法分割出运动区域，并使用插值方法快速获取初始视频图像，再由这些初始图像估计出各区域的运动量，最后根据运动量不同选择对应的训练参数进行分类重建。本发明方法能在图像重建之前快速获取场景运动信息，同时提高视频图像重建质量。

Description

一种基于插值的运动估计与自适应视频重建方法
技术领域
本发明属于图像处理领域，尤其涉及一种基于插值的运动估计与自适应时间超分辨率视频重建方法。
背景技术
基于压缩感知的时间超分辨率视频重建技术，是通过对像素进行单像素曝光编码得到经过编码的观测图像，再利用重建算法对观测图像重建获得一系列视频序列图像，即由二维图像获取三维视频的时间分辨率拓展技术。由于压缩感知是对低于奈奎斯特采样率的采样信号进行恢复重建，因此重建视频图像的精确程度是人们关注的重点。目前重建效果最好的一类算法为基于样本学习的算法，这类算法首先通过对已有样本学习得到重建模型参数，然后利用训练好的参数重建信号。常见的学习类算法包括利用KSVD(K-means与奇异值分解(SVD))训练字典的正交匹配追踪(OMP)算法，基于混合高斯模型(GMM)的算法，以及基于深度学习的算法等。学习类算法的一个共有的问题是，重建结果的质量受待重建信号与已知训练样本内容的相关程度影响，即样本内容与带重建信号内容越相似，重建质量越高，反之则低。
实际的视频中往往有多个不同运动速度的物体，因此若根据不同运动量分别训练并重建，可以提高重建图像质量。然而如何从单帧编码图像中准确快速分割不同运动量的区域是首先需要解决的，传统的方法包括根据编码图像中运动区域的散粒特征分割，以及通过初步重建的序列图像估计运动量，前者的问题是只能分割出运动与静止区域，无法进一步分辨运动区域的准确运动量，后者则耗时较高且运动量估计精度不够。
发明内容
本发明的目的是在基于压缩感知的时间超分辨率视频重建过程中，利用插值方法快速获取初始视频序列图像，然后估算场景中各物体的运动量大小，并根据运动信息针对性地重建图像，从而提高重建视频质量。
本发明的目的是通过以下技术方案来实现的：一种基于插值的运动估计与自适应视频重建方法，该方法包括以下步骤：
(1)样本分类，具体是：
(1.1)利用光流法计算样本视频中相邻帧图像的运动量图；
(1.2)对样本视频进行随机采样，样本块大小为8×8×T，T为视频帧数；
(1.3)根据步骤(1.1)中的运动量图计算各个样本块的平均运动量，并依据运动量将样本块分类，得到不同运动量的样本集其中l为样本集个数，N为样本个数；
(2)参数训练，具体是：
针对不同运动量的样本集分别训练重建算法参数；
(3)获取观测图像，具体是：
(3.1)构建像素连续等长曝光编码S：要求像素曝光片段连续，即在曝光阶段内仅有一次曝光区间，且所有像素曝光时间相同；
(3.2)使用步骤(3.1)构建的编码对动态场景成像，获得曝光编码图像，即观测图像Y；
(4)运动区域分割，具体是：
(4.1)计算观测图像各像素8邻域中与自身灰度差值大于灰度阈值h(例如h可以取30)的个数N，将数值N作为相似性图J中对应位置的像素值；
(4.2)利用搜索框对步骤(4.1)得到的相似性图J进行遍历搜索，构建区域加权图像W，区域加权图像W各像素的值为以该像素为中心的搜索框在相似性图J上所涵盖区域的像素值加权，权重为距离函数的高斯权；
(4.3)依次对步骤(4.2)得到的区域加权图像W进行归一化和二值化，得到二值化图像B，再对二值化图像B进行开操作，去除边缘毛刺，最后去除图像中面积小于面积阈值的区域，得到最终运动区域
(5)图像插值，具体是：
(5.1)将步骤(3.2)获得的观测图像Y分别乘上各帧曝光编码St，t∈[1,T]为帧序号，得到It＝Y·St；
(5.2)对于It中每个零值点x，定义其局部搜索块即在St中包含非零点的最小正方形区域；
(5.3)对于It中属于步骤(4.3)得到的运动区域的零值点x，在其局部搜索块内进行加权插值：
其中为归一化系数。
(6)运动量估计：根据步骤(5.3)中插值得到的视频图像，利用光流法估计相邻帧图像的运动量，得到T-1帧运动量估计图；
(7)分类重建，具体是：
(7.1)对观测图像进行有叠加的块重建，每次移动1个像素，图像块大小为8×8；
(7.2)在步骤(6)所得的运动量估计图中找到对应位置的小块，定义每个小块的运动量为该小块包含的所有点中运动量值前10％的平均值，待重建小块的运动量则定义为T-1个运动量估计图中对应小块运动量的平均值；
(7.3)根据待重建小块的运动量选择步骤(2)得到的对应的重建算法参数，重建T帧小块；
(7.4)所有图像小块重建完毕后，叠加得到最终视频序列图像。
进一步地，步骤(2)中的重建算法为OMP算法，所需训练的参数为稀疏基(字典)；利用K-SVD算法对不同运动量的样本集分别进行训练，得到对应于不同运动量的过完备字典Dl。
进一步地，步骤1.3中，所述样本个数N＝40000。
进一步地，步骤2中，所述不同运动量为[0],(0,1],(1,2],(2,3]四个区域。
进一步地，步骤4.3中，所述面积阈值为16。
本发明的有益效果：在基于压缩感知的时间超分辨率视频重建过程中，考虑到视频图像中各运动物体运动速度不一致的情况，首先通过样本分类训练的方式，得到对应不同运动速度的字典，使字典更具针对性；其次，在运动量估计时，不同于传统初步重建序列图像的方法，本方法利用插值方法获取序列图像，因此更加快速准确；根据估计的运动量结果选择字典，更有针对性地重建视频，从而可提高重建图像质量；本方法可用于任意样本学习类算法。
附图说明
图1为本发明方法示意图。
图2(a)为示例样本视频。
图2(b)为示例样本视频由光流法计算得到的帧间运动量图。
图3为时间超分辨率视频重建过程示意图。
图4为运动区域分割图。
图5(a)为时间超时间分辨成像观测图像。
图5(b)为图5(a)所示观测图像点乘上某一帧编码后的结果。
图5(c)为图5(b)所示图像经过本方法提出的插值法得到的结果。
图6(a)为由原视频图像得到的运动量图。
图6(b)为由插值图像得到的运动量估计图。
图7(a)为本方法重建得到的视频图像的第4帧图像。
图7(b)为本方法重建得到的视频图像的第10帧图像。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明提供的一种基于信号相关性的自适应重建方法，主要包括样本分类、参数训练、初步分块重建、运动量估计和视频重建等几个步骤，如图1所示。
步骤1.样本分类
1-1利用光流法计算样本视频中相邻帧图像的运动量图，如图2所示，对于T帧的视频，则有T-1张运动量图，这里T＝16；
1-2对样本视频进行随机采样，样本块大小为8×8×T；
1-3根据1-1中的运动量图计算各个样本块的平均运动量：
其中Bi∈R1×64为第i张运动量图中对应采样区域(8×8)内的运动量值按照递减顺序排列得到的向量，这里取Bi前32项的均值作为采样区域在第i张运动量图上的运动量。依据运动量将样本块分类，得到对应不同运动量的样本集其中l＝1,2,3,4为样本集个数，N为样本个数。这里将运动量分为[0],(0,1],(1,2],(2,3]三个区域，样本个数为40000。
步骤2.参数训练
针对不同运动量的样本集分别训练重建算法参数，本实施例中使用的重建算法为OMP算法，所需训练的参数为稀疏基(字典)。利用K-SVD算法对不同运动量的样本集分别进行训练，得到对应于不同运动量的过完备字典Dl。
信号稀疏分解理论的数学模型是：给定一个集合D＝{dk,k＝1,2,…,K}，其中D为字典，D中的每一个元素dk称为字典原子。对于任意给定的信号z，可以将其分解为字典下各个原子的线性组合形式：
其中α为稀疏表示系数。
字典训练的目的是选择尽可能逼近样本数据的基函数作为字典的原子。KSVD字典学习算法是一种迭代算法，通过简单而有效地逐列更新的方式，实现字典的整体更新。定义码集C＝[c1,c2,…,cK]，当C给定时，样本信号Z＝{z1,z2,…,zN}可用其最近的码字表示，即zi＝Cαij，其中αij为一稀疏基中的向量，该向量仅在第j项为1，其余项全为0。j由式(3)得到：
这可以看作稀疏表示的一种极限情况：稀疏系数仅有一项，且必须为1。整体误差可以表示为：
通过求解式(5)在最近邻域中找到最佳的编码集来表示训练样本：
求解主要包括两个过程，首先利用K-means聚类将训练样本Z以接近的程度为依据，分为K组
然后对C(J-1)中的每一列按照式(7)更新，并令J＝J+1。重复上述步骤直到收敛。
最终得到训练后的字典D＝{dk,k＝1,2,…,K}，
步骤3.获取观测图像
3-1基于压缩感知的时间超分辨过程如图3所示
设视频信号为三维数据体X(x,y,t)，S(x,y,t)为每个像素在全部曝光时间上的采样函数(S(x,y,t)∈{0,1})，那么获得的观测图像Y(x,y)表示为：
二维观测图像Y是通过对时间连续场景编码曝光后累计得到，因此曝光编码函数S直接影响了观测图像Y的特性。为了使通过插值获取序列图像成为可能，首先构建像素连续等长曝光编码S。
所谓编码曝光，即将曝光时间分为T个等长片段，通过控制每个片段的曝光与否对曝光进行调制。在时间超分辨成像中，需要对于各个像素编码曝光，本方法中要求像素曝光片段连续，即在曝光阶段内仅有一次曝光区间。此外，还要求所有像素曝光时间相同(曝光片段数相等)，如图3中间所示。依据此要求构建像素连续等长曝光编码S。
3-2使用3-1构建的编码对动态场景成像，获得曝光编码图像(观测图像)Y。
步骤4.运动区域分割
4-1计算观测图像各像素8邻域中与自身灰度差值大于灰度阈值30的个数N：
Ni,j＝||ε(|Y(i′,j′)-Y(i,j)|-30)||0for(i′,j′)∈N8(i,j) (9)
其中，ε(x)为单位阶跃函数：
||x||0为x的零阶范数，即非零元素个数。N8(i,j)为(i,j)的8邻域。
将数值N作为相似性分析图J(x,y)中对应位置的像素值，J(i,j)＝Ni,j，
4-2选取大小为11×11的搜索框，对步骤4-1得到的相似性图J进行遍历搜索，构建区域加权图像W，其各像素的值为以该像素为中心的搜索框在相似性图J上所涵盖区域的像素值加权，权重为距离函数的高斯权：
4-3对步骤4-2得到的加权图像W归一化，设定阈值对图像W二值化，再对二值化图像B进行开操作，去除边缘毛刺，最后去除图像中面积小于面积阈值的区域，得到最终运动区域如图4所示。
步骤5.图像插值
5-1将3-2获得的观测图像Y分别乘上各帧曝光编码St，t∈[1,T]为帧序号，得到It＝Y·St，如图5(b)所示；
5-2对于It中每个零值点x，定义其局部搜索块即在St中包含非零点的最小正方形区域；
5-3对于It中属于步骤4-3得到的运动区域的零值点x，在其局部搜索块内进行加权插值：
其中为归一化系数。插值结果如图5(c)所示。
步骤6.运动量估计
根据步骤5-3中插值得到的视频图像I，利用光流法估计相邻帧图像的运动量，得到T-1帧运动量估计图，如图6(b)所示。
步骤7.分类重建
7-1式(8)可写作矩阵形式Y＝SX。由于观测信号要远少于视频信号，因此该方程为一欠定方程。根据压缩感知理论，视频信号的重构问题可表示为：
其中X又可以写成某一字典D的稀疏表示，即X＝Dθ，其中θ为稀疏系数，可由重建算法求解。选择OMP算法对观测图像进行有叠加的块重建，每次移动1个像素，图像块大小为8×8；
7-2在步骤6所得的运动量估计图中找到对应位置的小块，定义每个小块的运动量为该小块包含的所有点中运动量值前10％的平均值，待重建小块的运动量则定义为T-1个运动量估计图中对应小块运动量的平均值。
7-3根据待重建小块的运动量选择步骤2中得到的对应的字典，并重建T帧小块；
7-4所有图像小块重建完毕后，叠加得到最终视频序列图像，如图7所示。

Claims (5)

1.一种基于插值的运动估计与自适应视频重建方法，其特征在于，该方法包括以下步骤：
(1)样本分类，具体是：
(1.1)利用光流法计算样本视频中相邻帧图像的运动量图；
(1.2)对样本视频进行随机采样，样本块大小为8×8×T，T为视频帧数；
(1.3)根据步骤(1.1)中的运动量图计算各个样本块的平均运动量，并依据运动量将样本块分类，得到不同运动量的样本集其中l为样本集个数，N为样本个数；
(2)参数训练，具体是：
针对不同运动量的样本集分别训练重建算法参数；
(3)获取观测图像，具体是：
(3.1)构建像素连续等长曝光编码S：要求像素曝光片段连续，即在曝光阶段内仅有一次曝光区间，且所有像素曝光时间相同；
(3.2)使用步骤(3.1)构建的编码对动态场景成像，获得曝光编码图像，即观测图像Y；
(4)运动区域分割，具体是：
(4.1)计算观测图像各像素8邻域中与自身灰度差值大于灰度阈值h(例如h可以取30)的个数N，将数值N作为相似性图J中对应位置的像素值；
(4.2)利用搜索框对步骤(4.1)得到的相似性图J进行遍历搜索，构建区域加权图像W，区域加权图像W各像素的值为以该像素为中心的搜索框在相似性图J上所涵盖区域的像素值加权，权重为距离函数的高斯权；
(4.3)依次对步骤(4.2)得到的区域加权图像W进行归一化和二值化，得到二值化图像B，再对二值化图像B进行开操作，去除边缘毛刺，最后去除图像中面积小于面积阈值的区域，得到最终运动区域
(5)图像插值，具体是：
(5.1)将步骤(3.2)获得的观测图像Y分别乘上各帧曝光编码St，t∈[1,T]为帧序号，得到It＝Y·St；
(5.2)对于It中每个零值点x，定义其局部搜索块即在St中包含非零点的最小正方形区域；
(5.3)对于It中属于步骤(4.3)得到的运动区域的零值点x，在其局部搜索块内进行加权插值：
其中为归一化系数。
(6)运动量估计：根据步骤(5.3)中插值得到的视频图像，利用光流法估计相邻帧图像的运动量，得到T-1帧运动量估计图；
(7)分类重建，具体是：
(7.1)对观测图像进行有叠加的块重建，每次移动1个像素，图像块大小为8×8；
(7.2)在步骤(6)所得的运动量估计图中找到对应位置的小块，定义每个小块的运动量为该小块包含的所有点中运动量值前10％的平均值，待重建小块的运动量则定义为T-1个运动量估计图中对应小块运动量的平均值；
(7.3)根据待重建小块的运动量选择步骤(2)得到的对应的重建算法参数，重建T帧小块；
(7.4)所有图像小块重建完毕后，叠加得到最终视频序列图像。
2.根据权利要求1所述一种自适应视频重建方法，其特征在于，步骤(2)中的重建算法为OMP算法，所需训练的参数为稀疏基(字典)；利用K-SVD算法对不同运动量的样本集分别进行训练，得到对应于不同运动量的过完备字典Dl。
3.根据权利要求1所述一种自适应视频重建方法，其特征在于，步骤1.3中，所述样本个数N＝40000。
4.根据权利要求1所述一种自适应视频重建方法，其特征在于，步骤2中，所述不同运动量为[0],(0,1],(1,2],(2,3]四个区域。
5.根据权利要求1所述一种自适应视频重建方法，其特征在于，步骤4.3中，所述面积阈值为16。
CN201711480559.9A 2017-12-29 2017-12-29 一种基于插值的运动估计与自适应视频重建方法 Expired - Fee Related CN108182694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711480559.9A CN108182694B (zh) 2017-12-29 2017-12-29 一种基于插值的运动估计与自适应视频重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711480559.9A CN108182694B (zh) 2017-12-29 2017-12-29 一种基于插值的运动估计与自适应视频重建方法

Publications (2)

Publication Number Publication Date
CN108182694A true CN108182694A (zh) 2018-06-19
CN108182694B CN108182694B (zh) 2020-06-16

Family

ID=62549078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711480559.9A Expired - Fee Related CN108182694B (zh) 2017-12-29 2017-12-29 一种基于插值的运动估计与自适应视频重建方法

Country Status (1)

Country Link
CN (1) CN108182694B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533604A (zh) * 2019-07-25 2019-12-03 安徽农业大学 用于复原病猪反光器官图像的方法、系统及存储介质
CN111489292A (zh) * 2020-03-04 2020-08-04 北京思朗科技有限责任公司 视频流的超分辨率重建方法及装置
CN111654723A (zh) * 2020-05-14 2020-09-11 北京百度网讯科技有限公司 视频质量提升方法、装置、电子设备和存储介质
CN111898604A (zh) * 2020-08-10 2020-11-06 北京邮电大学 一种视频辐射信号的监测还原装置、系统与方法
CN116708793A (zh) * 2023-08-09 2023-09-05 腾讯科技（深圳）有限公司 视频的传输方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682442A (zh) * 2012-04-28 2012-09-19 东南大学 基于光流场的运动目标超分辨率图像重建方法
CN103489173A (zh) * 2013-09-23 2014-01-01 百年金海科技有限公司 一种视频图像超分辨率重建方法
US20140003505A1 (en) * 2012-07-02 2014-01-02 Nokia Corporation Method and apparatus for video coding
US20140301463A1 (en) * 2013-04-05 2014-10-09 Nokia Corporation Method and apparatus for video coding and decoding
CN105427243A (zh) * 2015-10-29 2016-03-23 中国科学院自动化研究所 基于自适应插值核学习的视频超分辨率重建方法
US20160163050A1 (en) * 2014-12-05 2016-06-09 General Electric Company Method and apparatus for measuring rotation parameters of a spine on medical images
CN105894485A (zh) * 2016-04-20 2016-08-24 浙江大学 一种基于信号相关性的自适应视频重建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682442A (zh) * 2012-04-28 2012-09-19 东南大学 基于光流场的运动目标超分辨率图像重建方法
US20140003505A1 (en) * 2012-07-02 2014-01-02 Nokia Corporation Method and apparatus for video coding
US20140301463A1 (en) * 2013-04-05 2014-10-09 Nokia Corporation Method and apparatus for video coding and decoding
CN103489173A (zh) * 2013-09-23 2014-01-01 百年金海科技有限公司 一种视频图像超分辨率重建方法
US20160163050A1 (en) * 2014-12-05 2016-06-09 General Electric Company Method and apparatus for measuring rotation parameters of a spine on medical images
CN105427243A (zh) * 2015-10-29 2016-03-23 中国科学院自动化研究所 基于自适应插值核学习的视频超分辨率重建方法
CN105894485A (zh) * 2016-04-20 2016-08-24 浙江大学 一种基于信号相关性的自适应视频重建方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533604A (zh) * 2019-07-25 2019-12-03 安徽农业大学 用于复原病猪反光器官图像的方法、系统及存储介质
CN111489292A (zh) * 2020-03-04 2020-08-04 北京思朗科技有限责任公司 视频流的超分辨率重建方法及装置
CN111654723A (zh) * 2020-05-14 2020-09-11 北京百度网讯科技有限公司 视频质量提升方法、装置、电子设备和存储介质
CN111654723B (zh) * 2020-05-14 2022-04-12 北京百度网讯科技有限公司 视频质量提升方法、装置、电子设备和存储介质
CN111898604A (zh) * 2020-08-10 2020-11-06 北京邮电大学 一种视频辐射信号的监测还原装置、系统与方法
CN111898604B (zh) * 2020-08-10 2022-09-27 北京邮电大学 一种视频辐射信号的监测还原装置、系统与方法
CN116708793A (zh) * 2023-08-09 2023-09-05 腾讯科技（深圳）有限公司 视频的传输方法、装置、设备及存储介质
CN116708793B (zh) * 2023-08-09 2024-01-30 腾讯科技（深圳）有限公司 视频的传输方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN108182694B (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN108182694A (zh) 一种基于插值的运动估计与自适应视频重建方法
CN110503680B (zh) 一种基于非监督的卷积神经网络单目场景深度估计方法
Xu et al. Sub-pixel mapping based on a MAP model with multiple shifted hyperspectral imagery
CN108537102B (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN108038435B (zh) 一种基于卷积神经网络的特征提取与目标跟踪方法
CN109035172B (zh) 一种基于深度学习的非局部均值超声图像去噪方法
CN108564025A (zh) 一种基于可变形卷积神经网络的红外图像物体识别方法
CN108509925B (zh) 一种基于视觉词袋模型的行人重识别方法
CN107680116A (zh) 一种监测视频图像中运动目标的方法
CN104091350B (zh) 一种利用运动模糊信息的物体跟踪方法
WO2023080921A1 (en) Neural radiance field generative modeling of object classes from single two-dimensional views
CN105488759B (zh) 一种基于局部回归模型的图像超分辨率重建方法
CN110490894B (zh) 基于改进的低秩稀疏分解的视频前背景分离方法
CN113947589A (zh) 一种基于对抗生成网络的弹载图像去模糊方法
CN108460400A (zh) 一种结合多种特征信息的高光谱图像分类方法
CN114897728A (zh) 图像增强方法、装置、终端设备以及存储介质
CN114049314A (zh) 一种基于特征重排和门控轴向注意力的医学图像分割方法
Chen et al. PDWN: Pyramid deformable warping network for video interpolation
CN116563682A (zh) 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法
CN109241981B (zh) 一种基于稀疏编码的特征检测方法
CN105894485B (zh) 一种基于信号相关性的自适应视频重建方法
CN109858326A (zh) 基于类别语义弱监督的在线视觉跟踪方法及系统
CN111401209B (zh) 一种基于深度学习的动作识别方法
CN115861384B (zh) 基于生成对抗和注意力机制的光流估计方法及系统
CN109558819B (zh) 一种用于遥感图像目标检测的深度网络轻量化方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200616

Termination date: 20201229

CF01 Termination of patent right due to non-payment of annual fee