CN108491876B - 基于二次拟合光度变换的群体图像编码方法 - Google Patents
基于二次拟合光度变换的群体图像编码方法 Download PDFInfo
- Publication number
- CN108491876B CN108491876B CN201810228770.XA CN201810228770A CN108491876B CN 108491876 B CN108491876 B CN 108491876B CN 201810228770 A CN201810228770 A CN 201810228770A CN 108491876 B CN108491876 B CN 108491876B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- spanning tree
- coded
- minimum spanning
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提出了一种基于二次拟合光度变换的群体图像编码方法,旨在降低群体图像编码的比特数,实现步骤为:获取待编码图像集中两两图像间的SIFT匹配点及SIFT匹配距离;获取待编码图像集的最小生成树;计算最小生成树中每对参考图像与目标编码图像之间的透视变换矩阵H;对待编码图像集的最小生成树中的参考图像进行几何变形;对多个几何变形后图像进行二次拟合光度变换;获取参考图像对应的YUV码流;对目标编码图像进行基于块的运动补偿编码。本发明充分利用了图像间的冗余信息,有效降低群体图像编码比特数,提高群体图像编码效率,可用于个人相册压缩、云端图像存储等。
Description
技术领域
本发明属于图像处理技术领域,涉及一种群体图像编码的方法,具体是一种基于二次拟合光度变换的群体图像编码方法,可用于个人相册、云端图像集的压缩等。
背景技术
目前随着技术的发展,人们经常拍照并发送到网络上保存,使得网络上的图像数量出现几何增长,图像存储的成本不断增大。传统的技术对于这些图像以单张的形式编码存储,常见的格式有JPEG、TIF等,虽然存储方便,但同时也造成了存储空间大、编码效率低的缺点。为了降低存储的比特数,提高图像的压缩编码效率,降低存储成本,群体图像编码被提出。群体图像编码的框架是利用图像之间的相似性进行编码,首先利用相关图像处理的算法定量的描述图像之间的相似性,根据图像之间的相似性生成对应的参考编码结构,确定待编码图像集中每张待编码图像即目标编码图像的参考照片;然后进一步进行几何变形和光度变换,使变换后的图像与目标图像更加接近;最后采用基于块的运动补偿编码。
研究提高群体图像编码效率是当前群体图像编码领域的一个重要课题,例如,Zhongbo Shi,Xiaoyan Sun,and Feng Wu在2014年IEEE Journal on Emerging andSelected Topica in Circuits and Systems上发表的论文“Photo Album Compressionfor Cloud Storage Using Local Features”中,公开的一种基于局部特征的云端存储图像集的压缩编码方法。该方法使用基于内容的SIFT即尺度不变特征变换(Scale-invariantfeature transform,SIFT)来描述图像之间的相关性,通过最小化预测代价,将相关图像作为伪序列组织起来;采用多透视变换矩阵H产生多个几何变形后图像;用线性的光度变换减少每个几何变形后图像和目标图像之间的光照差,产生光度变换后图像;最后,对待编码图像集使用基于块的运动补偿编码。但在该方法中使用的光度变换是简单的线性拟合,对于光度变换不够准确,使每个光度变换后图像和目标图像之间的光度差较大,仍存在较多的冗余信息,导致之后使用基于块的运动补偿编码的比特数变大,图像集的编码效率较低。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷,提出了一种基于二次拟合光度变换的群体图像编码方法,旨在降低群体图像编码的比特数。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)获取待编码图像集中两两图像间的SIFT匹配点及SIFT匹配距离:
提取待编码图像集中每张图像的SIFT特征点,并对两两图像之间进行SIFT匹配,并根据匹配结果计算两两图像间的SIFT匹配距离;
(2)获取待编码图像集的最小生成树:
(2a)将待编码图像集中每张图像抽象为节点,将两两图像间的SIFT匹配距离抽象为两两节点之间的权值,构造带权值有向图;
(2b)将带权值有向图作为有向图的最小生成树算法的输入,得到待编码图像集的父节点为参考图像、子节点为目标编码图像的最小生成树;
(3)计算最小生成树中每对参考图像与目标编码图像之间的透视变换矩阵H:
通过最小生成树中各对参考图像和目标编码图像的SIFT匹配对,计算各参考图像与目标编码图像对对应的透视变换矩阵,得到多个透视变换矩阵H;
(4)对待编码图像集的最小生成树中的参考图像进行几何变形:
利用多个透视变换矩阵H,对待编码图像集的最小生成树中的透视变换矩阵H对应的参考图像进行几何变形,得到多个几何变形后图像;
(5)对多个几何变形后图像进行二次拟合光度变换:
(5a)计算二次拟合公式系数a、b和c:
计算二次拟合公式的系数a、b和c,计算公式为:
其中,i代表待编码图像集的最小生成树中参考图像,j代表待编码图像集的最小生成树中目标编码图像,F代表图像i和图像j的SIFT匹配点坐标集,pi(k)代表图像i中第k个图像i与图像j匹配点的坐标,pj(k)代表图像j中第k个图像i与图像j匹配点的坐标,代表pi(k)坐标经过几何变形后的对应坐标即Ij(pj(k))代表图像j在坐标pj(k)上的光度值,代表图像i经过几何变形后图像坐标上的光度值;
(5b)获得二次拟合光度变换后图像:
采用二次拟合公式,使用每个几何变形后图像的每个像素点计算每个光度变换后图像的每个像素点的光度值,计算公式为:
(6)获取参考图像对应的YUV码流:
对待编码图像集的最小生成树中每个参考图像对应的多个光度变换后图像进行YUV转换,得到每个参考图像对应的多个YUV码流;
(7)对目标编码图像进行基于块的运动补偿编码:
通过待编码图像集的最小生成树中每个参考图像对应的多个YUV码流,对参考图像所对应的目标编码图像进行HEVC帧间编码,得到编码文件。
本发明与现有的技术相比,具有以下优点:
本发明在进行基于块的运动补偿编码获得编码文件时,使用二次拟合光度变换获得光度变换后图像,使光度变换后图像更加接近目标编码图像,充分的利用了图像间的冗余信息,与现有技术在进行基于块的运动补偿编码获得编码文件时,使用线性拟合获得光度转换后图像对比,降低了图像集的编码比特数,仿真结果表明,本发明有效地提升了群体图像的编码效率。
附图说明
图1是本发明的实现流程框图;
图2是本发明和现有技术对图像集进行编码仿真适用的图像集,其中,图2(a)为待编码图像集1,图2(b)为待编码图像集2;
图3是本发明和现有技术对图像集进行编码仿真的编码效率曲线对比图,其中,图3(a)为本发明和现有技术对待编码图像集1进行编码仿真的编码效率曲线对比图,图3(b)为本发明和现有技术对待编码图像集2进行编码仿真的编码效率曲线对比图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细描述:
参照图1,一种基于二次拟合光度变换的群体图像编码方法,包括如下步骤:
步骤1)提取待编码图像集中每张图像的SIFT特征点:
提取SIFT特征点使用opencv2.4库中提供的现有SIFT提取函数进行SIFT特征提取,保存每张图像提取到的对应SIFT特征点;
步骤2)获取待编码图像集中两两图像间的SIFT匹配点及SIFT匹配距离:
对两两图像之间进行SIFT匹配,并根据匹配结果计算两两图像间的SIFT匹配距离,两张图像之间SIFT匹配并计算两张图像之间的SIFT匹配距离步骤如下:
步骤2a1)对于两张图像:i图像对j图像进行SIFT匹配,首先设置i图像和j图像的SIFT匹配点集合Fi,j;
步骤2a2)从图像i的SIFT特征点集中依次取出一个未匹配的SIFT特征点ki,与图像j的每一个未匹配的SIFT特征点计算SIFT特征点距离值d(ki,kj),使用如下公式计算:
其中vi(ki)表示i图像的第ki个SIFT特征向量,vj(kj)表示j图像第kj个SIFT特征向量;
步骤2a3)在图像j中选取和图像i第ki个SIFT特征点匹配最小距离的特征点k′j距离值为d′i(ki,k′j)和次小距离的特征点k″j距离值为d″i(ki,k″j),当满足时确定为i图像中第ki个SIFT特征点和j图像中第k′j个SIFT特征点匹配成功,将匹配点对保存到集合Fi,j中,并将这一对匹配点标注为已匹配点,否则认为匹配失败,只将i图像中第ki个SIFT特征点标注为已匹配点;
步骤2a4)判断是否i图像中所有SIFT特征点已经标注为已匹配点,是进行步骤2a5),否重复步骤2a2)到2a4);
步骤2a5)计算两张图像i和j之间SIFT距离ei,j:
|Fi,j|表示Fi,j集合中匹配点对的个数,fi(k)和fj(k)表示在Fi,j集合中第k个匹配点对,试验中对于|Fi,j|中匹配对个数小于20的图像间距离设置为65535,表示距离为无穷大,两张图像不相关;
即最终获得两张图像i图像对j图像的SIFT匹配点集合Fi,j,和SIFT距离ei,j,这里的距离都是有方向的,上述计算的距离是i图像对j图像的距离,对图像集所有图像两两间都进行如上的计算,获得两两图像间的SIFT匹配点集合Fi,j和SIFT距离ei,j;
步骤3)获取待编码图像集的最小生成树:
步骤3a1)将待编码图像集中每张图像抽象为节点,将两两图像间的SIFT匹配距离抽象为两两节点之间的权值,构造带权值有向图;
步骤3a2)将带权值有向图作为有向图的最小生成树算法的输入,实现中使用的有向图的最小生成树算法是朱刘算法,得到待编码图像集的父节点为参考图像、子节点为目标编码图像的最小生成树:
步骤4)计算最小生成树中每对参考图像与目标编码图像之间的透视变换矩阵H:
透视变换的公式为:pj(k)=pi(k)×H,pi(k)为生成树的父节点代表的图像的SIFT匹配点对应点坐标,pj(k)为对应的子节点代表的图像对应SIFT匹配点坐标,通过两个图像已经匹配的SIFT匹配点找到一一对应的点,每对父子节点图像通过透视变换公式会计算出多个透视变换矩阵H,然后使用能量最优化算法来计算出满足匹配点数最多的多个透视变换矩阵H,根据实验测试选择满足匹配点数最多的前4个透视变换矩阵H进行试验仿真,即每对图像都会产生H1,H2,H3,H4;
步骤5)对待编码图像集的最小生成树中的参考图像进行几何变形:
将每对参考关系中参考图像乘以每个透视变换矩阵H映射产生图像作为几何变形后图像,I代表参考图像像素点坐标,代表几何变形后图像像素点坐标,H为步骤4中计算出的对应的3*3的变换矩阵,使用4个透视变换矩阵H每个参考图像依次产生四个对应的几何变形后图像,如附图中图2流程所示对应每个透视变换矩阵H产生对应的几何变形后图像,公式如下所示:
步骤6)对多个几何变形后图像进行二次拟合光度变换:
步骤6a1)计算二次拟合公式系数a、b和c:
计算二次拟合公式的系数a、b和c,计算公式为:
其中,i代表待编码图像集的最小生成树中参考图像,j代表待编码图像集的最小生成树中目标编码图像,F代表图像i和图像j的SIFT匹配点坐标集,pi(k)代表图像i中第k个图像i与图像j匹配点的坐标,pj(k)代表图像j中第k个图像i与图像j匹配点的坐标,代表pi(k)坐标经过几何变形后的对应坐标即所以对于每一个H对应不同的几何变形的坐标点,也会产生不同的二次拟合的光度变换系数,Ij(pj(k))代表图像j在坐标pj(k)上的光度值,代表图像i经过几何变形后图像坐标上的光度值,将求解抽象为三元函数Q(a,b,c)在minQ(a,b,c)下系数a、b和c的取值,根据多元函数极值原理,在Q(a,b,c)偏导数为零时取得minQ(a,b,c)值,推导出三个线性方程组,然后将值与Ij(pj(k))值带入三个线性方程组并求解,获得每个几何变形后图像对应的二次拟合公式系数a、b和c,在Q(a,b,c)偏导数为零时推导出的三个线性方程组如下:
本实例中采用4个透视变换矩阵H,即得到:H1对应计算出系数a1,b1,c1,H2对应计算出系数a2,b2,c2,H3对应计算出系数a3,b3,c3,H4对应计算出系数a4,b4,c4;
步骤6a2)获得二次拟合光度变换后图像:
采用二次拟合公式,计算光度转换后图像,计算公式为:
其中,代表每张几何变形后图像各像素点对应的光度值,代表光度变换后图像各像素点对应的光度值,由每张几何变形后图像的计算出的构成了每张几何变形后图像对应的光度变换后图像,本实例中采用4个透视变换矩阵H,所以对应4张几何变形后图像,也对应4组光度转换系数,即会产生4张光度转换后图像,所以每个参考图像对应如下四个光度变换后图像:
步骤7)获取参考图像对应的YUV码流:
对待编码图像集的最小生成树中每个参考图像对应的多个光度变换后图像进行YUV转换,得到每个参考图像对应的多个YUV码流;
步骤8)对目标编码图像进行基于块的运动补偿编码:
最小生成树根节点图像由于没有参考图像所以使用HEVC帧内编码,编码其他图像时,将当前目标编码图像对应的参考图像的多个YUV码流传入HEVC帧间编码器编码缓冲区,对当前目标编码图像使用HECV帧间编码进行编码,得到编码文件,完成图像集编码。
以下结合仿真试验,对本发明的效果作进一步说明:
1)仿真条件:
本发明仿真实验是在windows7系统,处理器Inter(R)Core(Tm)i3-530CPU,主频2.93GHz,RAM 4GB的环境下进行的,编程软件为Microsoft Visual Studio 2013。图2为待编码的两个图像集,每个图像集包含图像数目为4,图像分辨率为1024×1024,图像集1为建筑物在一天不同时刻自然光线不同产生光度差异,具体图像如图2(a)所示;图像集2为使用软件不同滤镜下产生较大光度差异的图像,具体图像如图2(b)所示。
2)仿真内容和结果分析:
采用本发明和现有的基于局部特征的云端存储图像集的压缩编码方法,对图2(a)和图2(b)中的图像集1和图像集2分别进行编码仿真,其结果如图3所示,两张图像的横轴都是单位像素编码的比特数,单位是比特/像素(bpp),纵轴都是峰值信噪比(PSNR),其中图3(a)为本发明和现有技术对图像集1编码仿真的编码效率曲线对比图,图3(b)为本发明和现有技术对图像集2编码仿真的编码效率曲线对比图,从图中数据可以直观看出当在同一图像质量下,本发明比现有技术单位像素的编码比特数小,所以本发明比现有技术具有较高的编码效率。
Claims (2)
1.一种基于二次拟合光度变换的群体图像编码方法,其特征在于,包括如下步骤:
(1)获取待编码图像集中两两图像间的SIFT匹配点及SIFT匹配距离:
提取待编码图像集中每张图像的SIFT特征点,并对两两图像之间进行SIFT匹配,并根据匹配结果计算两两图像间的SIFT匹配距离;
(2)获取待编码图像集的最小生成树:
(2a)将待编码图像集中每张图像抽象为节点,将两两图像间的SIFT匹配距离抽象为两两节点之间的权值,构造带权值有向图;
(2b)将带权值有向图作为有向图的最小生成树算法的输入,得到待编码图像集的父节点为参考图像、子节点为目标编码图像的最小生成树;
(3)计算最小生成树中每对参考图像与目标编码图像之间的透视变换矩阵H:
通过最小生成树中各对参考图像和目标编码图像的SIFT匹配对,计算各参考图像与目标编码图像对对应的透视变换矩阵,得到多个透视变换矩阵H;
(4)对待编码图像集的最小生成树中的参考图像进行几何变形:
利用多个透视变换矩阵H,对待编码图像集的最小生成树中的透视变换矩阵H对应的参考图像进行几何变形,得到多个几何变形后图像;
(5)对多个几何变形后图像进行二次拟合光度变换:
(5a)计算二次拟合公式系数a、b和c:
计算二次拟合公式的系数a、b和c,计算公式为:
其中,i代表待编码图像集的最小生成树中参考图像,j代表待编码图像集的最小生成树中目标编码图像,F代表图像i和图像j的SIFT匹配点坐标集,pi(k)代表图像i中第k个图像i与图像j匹配点的坐标,pj(k)代表图像j中第k个图像i与图像j匹配点的坐标,代表pi(k)坐标经过几何变形后的对应坐标即Ij(pj(k))代表图像j在坐标pj(k)上的光度值,代表图像i经过几何变形后图像坐标上的光度值;
(5b)获得二次拟合光度变换后图像:
采用二次拟合公式,使用每个几何变形后图像的每个像素点计算每个光度变换后图像的每个像素点的光度值,计算公式为:
(6)获取参考图像对应的YUV码流:
对待编码图像集的最小生成树中每个参考图像对应的多个光度变换后图像进行YUV转换,得到每个参考图像对应的多个YUV码流;
(7)对目标编码图像进行基于块的运动补偿编码:
通过待编码图像集的最小生成树中每个参考图像对应的多个YUV码流,对参考图像所对应的目标编码图像进行HEVC帧间编码,得到编码文件。
2.根据权利要求1所述的基于二次拟合光度变换的群体图像编码方法,其特征在于,步骤(5a)中所述的计算二次拟合公式系数a、b和c,实现步骤为:
(5a1)将的求解抽象为三元函数Q(a,b,c)在minQ(a,b,c)下系数a、b和c的取值,其中,i代表待编码图像集的最小生成树中参考图像,j代表待编码图像集的最小生成树中目标编码图像,F代表图像i和图像j的SIFT匹配点坐标集,pi(k)代表图像i中第k个图像i与图像j匹配点的坐标,pj(k)代表图像j中第k个图像i与图像j匹配点的坐标,代表pi(k)坐标经过几何变形后的对应坐标即Ij(pj(k))代表图像j在坐标pj(k)上的光度值,代表图像i经过几何变形后图像坐标上的光度值;
(5a2)求解Q(a,b,c)在minQ(a,b,c)下系数a、b和c的取值:
根据多元函数极值原理,在Q(a,b,c)偏导数为零时取得minQ(a,b,c)值,推导出三个线性方程组,然后将值与Ij(pj(k))值带入三个线性方程组并求解,获得每个几何变形后图像对应的二次拟合公式系数a、b和c,在Q(a,b,c)偏导数为零时推导出的三个线性方程组如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810228770.XA CN108491876B (zh) | 2018-03-20 | 2018-03-20 | 基于二次拟合光度变换的群体图像编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810228770.XA CN108491876B (zh) | 2018-03-20 | 2018-03-20 | 基于二次拟合光度变换的群体图像编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491876A CN108491876A (zh) | 2018-09-04 |
CN108491876B true CN108491876B (zh) | 2021-10-29 |
Family
ID=63318560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810228770.XA Active CN108491876B (zh) | 2018-03-20 | 2018-03-20 | 基于二次拟合光度变换的群体图像编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491876B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957919A (zh) * | 2010-09-22 | 2011-01-26 | 上海交通大学 | 基于图像局部特征检索的文字识别方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索系统 |
CN105474642A (zh) * | 2014-05-22 | 2016-04-06 | 微软技术许可有限责任公司 | 使用频域差对图像集合进行重新编码 |
CN106445985A (zh) * | 2016-04-29 | 2017-02-22 | 上海交通大学 | 基于手绘运动轮廓的视频检索方法及系统 |
CN107194961A (zh) * | 2017-05-19 | 2017-09-22 | 西安电子科技大学 | 群体图像编码中多参考图像的确定方法 |
CN107426580A (zh) * | 2017-05-16 | 2017-12-01 | 西安电子科技大学 | 基于朱刘法和蚁群法的群体图像编码结构生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8878950B2 (en) * | 2010-12-14 | 2014-11-04 | Pelican Imaging Corporation | Systems and methods for synthesizing high resolution images using super-resolution processes |
US8774510B2 (en) * | 2012-09-11 | 2014-07-08 | Sharp Laboratories Of America, Inc. | Template matching with histogram of gradient orientations |
-
2018
- 2018-03-20 CN CN201810228770.XA patent/CN108491876B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957919A (zh) * | 2010-09-22 | 2011-01-26 | 上海交通大学 | 基于图像局部特征检索的文字识别方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索系统 |
CN105474642A (zh) * | 2014-05-22 | 2016-04-06 | 微软技术许可有限责任公司 | 使用频域差对图像集合进行重新编码 |
CN106445985A (zh) * | 2016-04-29 | 2017-02-22 | 上海交通大学 | 基于手绘运动轮廓的视频检索方法及系统 |
CN107426580A (zh) * | 2017-05-16 | 2017-12-01 | 西安电子科技大学 | 基于朱刘法和蚁群法的群体图像编码结构生成方法 |
CN107194961A (zh) * | 2017-05-19 | 2017-09-22 | 西安电子科技大学 | 群体图像编码中多参考图像的确定方法 |
Non-Patent Citations (8)
Title |
---|
Distinctive Image Features from Scale-Invariant Keypoints;David G. Lowe等;《International Journal of Computer Vision》;20041130;第60卷(第2期);91-110 * |
Photo Album Compression for Cloud Storage Using Local Features;zhongbo shi等;《IEEE JOURNAL ON EMERGING AND SELECTED TOPICS IN CIRCUITS AND SYSTEMS》;20140330;第4卷(第1期);17-28 * |
Region-based prediction for image compression in the cloud;Begaint, J.等;《IEEE Transactions on Image Processing》;20171229;1835-1846 * |
SIFT和旋转不变LBP相结合的图像匹配算法;郑永斌等;《计算机辅助设计与图形学学报》;20100228;第22卷(第2期);286-292 * |
Wide baseline correspondence extraction beyond local features;R. Lakemond等;《IET Computer Vision》;20110430;第5卷(第4期);222-231 * |
基于支持向量回归的光度配准算法;左森等;《微电子学与计算机》;20061230;第23卷(第12期);47-49 * |
基于邻域投票和Harris-SIFT特征的低空遥感影像匹配;胡小青等;《测绘工程》;20160228;第25卷(第02期);33-37 * |
智智智能能制制制造造造装装装备备备视视视觉觉觉检检检测测测控控控制制制方方方法法法综综综述述述;王耀南等;《控制理论与应用》;20150330;第32卷(第3期);273-286 * |
Also Published As
Publication number | Publication date |
---|---|
CN108491876A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10499054B2 (en) | System and method for inter-frame predictive compression for point clouds | |
CN1245029C (zh) | 视频序列代码转换的运动矢量外推法 | |
CN111355956B (zh) | 一种hevc帧内编码中基于深度学习的率失真优化快速决策系统及其方法 | |
CN109257604A (zh) | 一种基于tmc3点云编码器的颜色属性编码方法 | |
CN108960333B (zh) | 基于深度学习的高光谱图像无损压缩方法 | |
CN107027025B (zh) | 一种基于宏像素块自适应预测的光场图像压缩方法 | |
CN108028941A (zh) | 用于通过超像素编码和解码数字图像的方法和装置 | |
CN110097605B (zh) | 一种基于支持向量机的点云压缩编码器关键参数优化方法 | |
Mital et al. | Neural distributed image compression with cross-attention feature alignment | |
CN115396669A (zh) | 一种基于兴趣区域增强的视频压缩方法及装置 | |
JP7482232B2 (ja) | 時間変形可能畳み込みによるディープループフィルタ | |
JP2002058031A (ja) | 画像符号化方法及び装置、並びに、画像復号化方法及び装置 | |
Bian et al. | Unsupervised domain adaptation for point cloud semantic segmentation via graph matching | |
CN108491876B (zh) | 基于二次拟合光度变换的群体图像编码方法 | |
Sha et al. | Novel image set compression algorithm using rate-distortion optimized multiple reference image selection | |
Antonio et al. | Learning-based compression of visual objects for smart surveillance | |
CN115665413A (zh) | 图像压缩最优量化参数的估计方法 | |
CN110032984B (zh) | 基于非对称映射半耦合字典对的低分辨率行人重学习方法 | |
CN109714602B (zh) | 一种基于背景模板和稀疏编码的无人机视频压缩方法 | |
CN115294010A (zh) | 一种基于支持向量机的降参考点云质量评估方法 | |
US11503292B2 (en) | Method and apparatus for encoding/decoding video signal by using graph-based separable transform | |
CN117676171B (zh) | 用于编码单元的三叉树划分处理方法、设备及存储介质 | |
Kathariya et al. | Embedded binary tree for dynamic point cloud geometry compression with graph signal resampling and prediction | |
Unno et al. | Lossless color image coding based on probability model optimization utilizing example search and adaptive prediction | |
CN115334314B (zh) | 一种高清晰度低秩电视高维信号数据的压缩及重建方法 |
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 |