CN109672885B - 一种用于矿井智能监控的视频图像编解码方法 - Google Patents
一种用于矿井智能监控的视频图像编解码方法 Download PDFInfo
- Publication number
- CN109672885B CN109672885B CN201910014069.2A CN201910014069A CN109672885B CN 109672885 B CN109672885 B CN 109672885B CN 201910014069 A CN201910014069 A CN 201910014069A CN 109672885 B CN109672885 B CN 109672885B
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- image
- mine
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000010606 normalization Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000004913 activation Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 3
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 description 8
- 230000006835 compression Effects 0.000 description 8
- 239000003245 coal Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
-
- 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
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- 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
- H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种用于矿井智能监控的视频图像编解码方法,该方法采用基于机器视觉的卷积神经网络算法,实现对矿井视频图像的编码和解码功能,包含以下步骤:(1)利用矿井视频图像采集设备采集图像,据此制作训练集和测试集;(2)构建矿井视频图像的编码器网络和解码器网络:编码器网络包括降采样层,解码器网络包括升采样层、二分支卷积层、标准化层、非线性激活层和深度变换层;(3)训练网络;(4)用训练好的网络完成矿井视频图像的编码和解码。该方法解决了矿井视频监控系统的编解码和信号重建时间过长的问题,提高了矿井智能视频监控系统的性能。
Description
技术领域
本发明属于智能监控与图像处理领域的信号编码、解码技术,具体涉及一种用于矿井智能监控的视频图像编解码方法。
背景技术
实现井下工作面的少人乃至无人作业是安全开采和智慧矿山建设最重要的目标之一,研究矿井智能视频监视系统优化方法及其关键技术,对促进矿井智能安全开采技术发展及智慧矿山建设具有十分重要的意义。传统的视频监视系统中图像压缩方法采用经典的奈奎斯特采样定理来解决视频图像的信号采集、编码和解码问题。然而,矿井视频图像信号的数据量大,采用传统的压缩方法不仅浪费了大量的采样资源,而且给图像的压缩、存储和传输带来了巨大的困难。在井下通信环境带宽资源有限条件下,使用以奈奎斯特定理为基础的图像处理与压缩方法使得系统开销较大,采用常规的图像编解码方法难以解决视频图像压缩处理时出现的图像模糊、视频传输延迟等问题,直接影响矿井视频图像信号的实时传输和智能监控性能。
近年来提出的压缩感知理论认为,对稀疏信号或者在某个字典基中有稀疏表达的信号而言,采样个数完全可以取少于奈奎斯特采样定理要求的数量,而重构信号仍能保持无失真或仅有较少失真,该理论突破了传统奈奎斯特采样定理的瓶颈,为采集高分辨率信号提供了理论基础。另一方面,多数图像信号完全可以在傅里叶变换基下得到其稀疏表达,这为矿井视频图像信号的编解码提供了新的手段。
在压缩感知的框架下,已知信号的测量值y=Φx,压缩感知的核心问题是基于观测值y如何重构出原始的信号x。既有的解决方法或把稀疏信号的重构看成是凸优化问题,或是通过稀疏逼近间接解决稀疏信号的重构问题。虽然这些方法对视频图像具有较好的重构效果,但凸优化问题本身耗时巨大,稀疏逼近则要求在重构时进行多次迭代计算,重构的时间长,若是应用在矿井监控系统中必然带来实时性的损失。
近年流行的数据驱动的深度学习方法,为解决压缩感知中的稀疏信号恢复问题提供了新的技术思路。在深度学习的框架中,编码器、解码器的参数均通过大量数据学习得出。其优势在于一旦模型训练完成,其重构用时短,且能得到不输于压缩感知传统重构方法能得到的图像复原质量。
发明内容
本发明主要解决传统压缩感知方法重构时实时性差的问题,提出一种用于矿井智能监控的视频图像编解码方法。该方法采用基于机器视觉的卷积神经网络算法,实现对矿井视频图像的编码和解码功能,其实现步骤包括:
步骤1,制作训练集和测试集:利用矿井视频图像采集设备采集图像,据此制作训练集和测试集;
步骤2,构建矿井视频图像的编码器网络和解码器网络:编码器网络包括拉伸层、降采样层,解码器网络包括升采样层、反拉伸层、3×3卷积层、二分支卷积层、标准化层、非线性激活层和深度变换层;
步骤3,网络训练:将训练集输入所述编码器网络,将所述编码器网络的输出作为所述解码器网络的输入,完成网络参数的训练;
步骤4,矿井视频图像的编码和解码:利用步骤3中训练好的网络,将步骤1中所述测试集中矿井视频图像输入步骤3中所述编码器网络,矿井视频图像经编码后传输至步骤3中所述解码器网络进行解码,输出矿井视频图像的重构结果;
步骤2中所述的编码器网络首先在拉伸层将图像矩阵拉伸成待编码的图像,然后通过以下公式对信号进行降采样:
y=Φx
进一步地,步骤2中所述的解码器网络由升采样层、反拉伸层、3×3卷积层、标准化层、非线性激活层、两个“升采样层-二分支卷积层”、深度变换层顺次连接而成,其中,所述二分支卷积层由两个分支分别连接到加法器,所述两个分支的第一分支由两个或两个以上的分支单元级联后连接至所述加法器,所述两个分支的第二分支直接连接至所述加法器,或通过单个分支单元后连接至所述加法器,所述分支单元由3×3卷积层、标准化层和非线性激活层顺次连接构成。这里3×3卷积层指的是:卷积核大小为3×3,深度为64,卷积时采用的步长为1,边缘补零为1的卷积层;
步骤2中所述的升采样层采用双线性插值法对图像进行升采样,得到第k个升采样层输出的图像的像素个数为Pk:
其中,n表示整个解码器网络中升采样层的数量,k=1,2,…,n,M表示解码器网络输入图像的像素个数,N表示来自数据集的原始输入图像的像素个数,符号表示向上取整。如果遇到升采样输出尺寸与原图尺寸不能匹配的情况,则在上式计算结果的基础上就近取能匹配原图尺寸的值进行修正;
步骤2中所述的标准化层采用批标准化对输入的图像进行标准化;
步骤2中所述的非线性激活层采用LeakyReLU函数对输入的信号进行激活,得到:
其中,x表示图像批标准化后的特征图,a为满足0<a<1的常数,本发明取a=0.01;
步骤2中所述的深度变换层是一种卷积层,该卷积层的卷积核大小为1×1,卷积时采用的步长为1,边缘不补零,其深度与原始图像的深度一致;以及,
步骤3中所述的训练过程包含以下子步骤:
步骤3-1,设定训练的最大迭代次数和训练停止所需的损失阈值,设定输入所述编码器网络和解码器网络的每批次样本的数量;
步骤3-2,采用Adam方法作为梯度下降方法,反向传播对网络参数进行训练;
步骤3-3,重复执行步骤3-2,直到达到步骤3-1所设定的最大迭代次数或达到步骤3-1所设定的损失阈值为止。
本发明采用以下公式计算解码后的重构图像与原始图像的误差损失:
其中,MSE表示均方误差,m、n分别表示图像矩阵的行数和列数,I(i,j)表示原始图像中第i行第j列的像素值,K(i,j)表示重构图像中第i行第j列的像素值。
步骤2所述的标准化层采用的批标准化过程包括:
1)训练时,对当前输入训练数据标准化:
其中,xi表示当前批次的样本中的第i个样本,表示对当前输入训练数据的标准化,μB表示当前批次的样本均值,表示当前批次的样本方差,ε为防止除以零的正常数,本发明取为ε=1×10-5,μB和通过以下公式获得:
其中,m表示当前批次的样本数量;
2)输出标准化层的训练结果:
其中,γ和β为网络训练的更新权值;
3)测试时,对当前输入测试数据标准化:
4)输出标准化层的测试结果:
本发明所述矿井视频图像采集设备包括矿用本安型视觉传感器、矿用本安型相机和矿用本安型摄像机。
本发明的有益效果在于:
编码图像的重构用时较传统压缩感知方法明显缩短,有助于改善矿井智能视频监控系统实时性能,使用数据驱动的深度学习方法训练编码器网络和解码器网络的参数,提高了矿井智能监控系统的性能。
附图说明
图1为一种用于矿井智能监控的视频图像编解码方法实施流程图
图2为编码器网络编码过程示意图
图3为解码器网络的一种具体实施的结构示意图
图4为分支单元的结构示意图
具体实施方式
下面结合附图及具体实施例对本发明进行详细描述。
参照图1,为用于矿井智能监控的视频图像编解码方法实施流程图。首先利用既有的矿井图像监控系统采集35000张1000像素×1000像素的井下场景图像。随机选取30000张图像生成训练集,剩余5000张图像生成测试集。
设置训练的批次大小为64张图像/批次,并设置最大迭代次数为20000次。将训练集输入编码器网络和解码器网络进行训练,当在训练集上取得的重构图像与原图像的平均均方误差小于0.001时或达到最大迭代次数时,认为训练完成,否则继续训练。下面的公式给出了单幅图像重构时,重构的图像与原图像的均方误差的计算方法:
式中,MSE表示均方误差,m、n分别表示图像矩阵的行数和列数,I(i,j)表示原始图像中第i行第j列的像素值,K(i,j)表示重构图像中第i行第j列的像素值。
测试时,将测试集中的矿井视频图像输入编码器网络,此编码器网络的输出即为压缩过的图像,可用比原图像更少的带宽传输至解码器网络进行解码,解码器网络的输出即为重构的图像。
参照图2,为编码器网络编码过程的示意图。编码器网络首先将数据集中数字化了的图像矩阵拉伸成待编码信号x。这里的拉伸指的是将图像矩阵的所有行向量顺次拼接成一个向量的过程。然后采用以下公式进行降采样:
y=Φx
其中为待编码信号,为测量矩阵,是编码器网络的待学习参数,M<N,Φ中的元素在训练开始前按服从均值为0、方差为1的高斯分布随机初始化,为降采样后的编码值。N的大小为原图像中的像素个数,M的大小为降采样后图像编码的元素个数。定义压缩率r为:
r=M/N
参照图3,为解码器网络的结构示意图。本实施例中,解码器网络首先对输入的编码信号进行一维升采样,并对其进行反拉伸得到图像矩阵。反拉伸是拉伸的逆过程。
然后,图像矩阵通过3×3卷积层和标准化层。接着,图像矩阵通过非线性激活层,随后通过2个“升采样层-二分支卷积层”级联结构。其中,所述二分支卷积层由两个分支分别连接到加法器,所述两个分支的第一分支由两个或两个以上的分支单元级联后连接至所述加法器,所述两个分支的第二分支直接连接至所述加法器,或通过单个分支单元后连接至所述加法器。所述分支单元的结构如图4所示,每个分支单元由3×3卷积层、标准化层和非线性激活层顺次连接构成。
最后,图像矩阵通过深度变换层,得到重构图像。深度变换层是一种卷积层,该卷积层的卷积核大小为1×1,卷积时采用的步长为1,边缘不补零,其深度与原始图像的深度一致。
本实施例的解码器网络中,所有3×3卷积层均是指卷积核大小为3×3,深度为64,卷积时采用的步长为1,边缘补零为1的卷积层;
本实施例的解码器网络中,升采样层采用双线性插值法对图像进行升采样,得到第k个升采样层输出的图像的像素个数为Pk:
其中,n表示整个解码器网络中升采样层的数量,k=1,2,…,n,M表示解码器网络输入图像编码的像素个数,N表示来自数据集的原始输入图像的像素个数,符号表示向上取整。实例所用解码器网络共有3个升采样层,它们的输出图像的像素个数分别是P1=400000,P2=700000,P3=1000000。由于本实例的输入图像的高宽比为1:1,为了保证输出图像的尺寸与输入一致,需要确保每个升采样层的输出图像的像素个数是一个平方数。而P1、P2并非平方数,因此本实例修正取
解码器网络中的标准化层采用的批标准化过程如下:
1)训练时,对当前输入训练数据标准化:
其中,xi表示当前批次的样本中的第i个样本,表示对当前输入训练数据的标准化,μB表示当前批次的样本均值,表示当前批次的样本方差,ε为防止除以零的正常数,本发明取为ε=1×10-5,μB和通过以下公式获得:
其中,m表示当前批次的样本数量;
2)输出标准化层的训练结果:
其中,γ和β为网络训练的更新权值;
3)测试时,对当前输入测试数据标准化:
4)输出标准化层的测试结果:
解码器网络中的非线性激活层采用LeakyReLU函数对输入的信号进行激活,得到:
其中,x为图像通过所述标准化层后的特征图,a为满足0<a<1的常数,本实施例取a=0.01;
显然,本领域的技术人员应该明白,本发明及上述实施例所涉及的方法,除应用于煤矿井下环境外,通过适当改进后也适用于非金属和金属等非煤矿山的视频监控系统的数据压缩和解压缩。这样本发明不限制除煤矿监控系统之外的非煤矿山、智能工作面移动监控和物联网设备图像数据获取与重构等通信技术领域。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明设计思路的前提下,所进行的简单的替换和更改,都应当视为属于本发明所提交的权利要求书所涉及的保护范围。
Claims (3)
1.一种用于矿井智能监控的视频图像编解码方法,其特征在于,采用基于机器视觉的卷积神经网络算法,实现对矿井视频图像的编码和解码功能,包括如下步骤:
步骤1,制作训练集和测试集:利用矿井视频图像采集设备采集图像,据此制作训练集和测试集;
步骤2,构建矿井视频图像的编码器网络和解码器网络:编码器网络包括拉伸层、降采样层,解码器网络包括升采样层、反拉伸层、3×3卷积层、二分支卷积层、标准化层、非线性激活层和深度变换层;
步骤3,网络训练:将训练集输入所述编码器网络,将所述编码器网络的输出作为所述解码器网络的输入,完成网络参数的训练;
步骤4,矿井视频图像的编码和解码:利用步骤3中训练好的网络,将步骤1中所述测试集中矿井视频图像输入步骤3中所述编码器网络,矿井视频图像经编码后传输至步骤3中所述解码器网络进行解码,输出矿井视频图像的重构结果;
其特征还在于,步骤2中所述的编码器网络首先在拉伸层将图像矩阵拉伸成待编码的图像,然后通过以下公式对信号进行降采样:
y=Φx
进一步地,步骤2中所述的解码器网络由升采样层、反拉伸层、3×3卷积层、标准化层、非线性激活层、两个“升采样层-二分支卷积层”、深度变换层顺次连接而成,其中,所述二分支卷积层由两个分支分别连接到加法器,所述两个分支的第一分支由两个或两个以上的分支单元级联后连接至所述加法器,所述两个分支的第二分支直接连接至所述加法器,或通过单个分支单元后连接至所述加法器,所述分支单元由3×3卷积层、标准化层和非线性激活层顺次连接构成;
步骤2中所述的升采样层采用双线性插值法对图像进行升采样,得到第k个升采样层输出的图像的像素个数为Pk:
步骤2中所述的标准化层采用批标准化对非线性激活层的输入数据的分布进行优化,以加快训练时的收敛速度,所述批标准化的过程如下:
1)训练时,对当前输入数据标准化:
其中,m表示当前批次的样本数量;
2)输出标准化层的训练结果:
其中,γ和β为网络训练的更新权值;
3)测试时,对当前输入测试数据标准化:
4)输出标准化层的测试结果:
步骤2中所述的非线性激活层采用LeakyReLU函数对输入的信号进行激活,得到:
其中,x表示图像批标准化后的特征图,a为满足0<a<1的常数;
步骤2中所述的深度变换层是一种卷积层,该卷积层的卷积核大小为1×1,卷积时采用的步长为1,边缘不补零,其深度与原始图像的深度一致;以及,
其特征还在于,步骤3中所述的训练过程包含以下子步骤:
步骤3-1,设定训练的最大迭代次数和训练停止所需的损失阈值,设定输入所述编码器网络和解码器网络的每批次样本的数量;
步骤3-2,采用Adam方法作为梯度下降方法,反向传播对网络参数进行训练;
步骤3-3,重复执行步骤3-2,直到达到步骤3-1所设定的最大迭代次数或达到步骤3-1所设定的损失阈值为止。
3.如权利要求1所述的方法,其特征在于,其中,所述矿井视频图像采集设备包括矿用本安型视觉传感器、矿用本安型相机和矿用本安型摄像机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910014069.2A CN109672885B (zh) | 2019-01-08 | 2019-01-08 | 一种用于矿井智能监控的视频图像编解码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910014069.2A CN109672885B (zh) | 2019-01-08 | 2019-01-08 | 一种用于矿井智能监控的视频图像编解码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109672885A CN109672885A (zh) | 2019-04-23 |
CN109672885B true CN109672885B (zh) | 2020-08-04 |
Family
ID=66150215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910014069.2A Active CN109672885B (zh) | 2019-01-08 | 2019-01-08 | 一种用于矿井智能监控的视频图像编解码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109672885B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197477A (zh) * | 2019-05-07 | 2019-09-03 | 北京邮电大学 | 路面裂缝检测的方法、装置及系统 |
CN110289083A (zh) * | 2019-06-26 | 2019-09-27 | 苏州泓迅生物科技股份有限公司 | 一种图像重构方法及装置 |
CN115375600B (zh) * | 2022-10-20 | 2023-04-07 | 福建亿榕信息技术有限公司 | 一种基于自编码器的重构图像质量衡量方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101312529A (zh) * | 2007-05-24 | 2008-11-26 | 华为技术有限公司 | 生成上下采样滤波器及实现编码的方法、系统和装置 |
CN104811664A (zh) * | 2015-04-27 | 2015-07-29 | 中国矿业大学(北京) | 矿井视频图像压缩与传输方法及装置 |
CN108205804A (zh) * | 2016-12-16 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置及电子设备 |
US10043113B1 (en) * | 2017-10-04 | 2018-08-07 | StradVision, Inc. | Method and device for generating feature maps by using feature upsampling networks |
US10133964B2 (en) * | 2017-03-28 | 2018-11-20 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction system and method |
CN109068174A (zh) * | 2018-09-12 | 2018-12-21 | 上海交通大学 | 基于循环卷积神经网络的视频帧率上变换方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011063397A1 (en) * | 2009-11-23 | 2011-05-26 | General Instrument Corporation | Depth coding as an additional channel to video sequence |
WO2014055222A1 (en) * | 2012-10-01 | 2014-04-10 | Vidyo, Inc. | Hybrid video coding techniques |
-
2019
- 2019-01-08 CN CN201910014069.2A patent/CN109672885B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101312529A (zh) * | 2007-05-24 | 2008-11-26 | 华为技术有限公司 | 生成上下采样滤波器及实现编码的方法、系统和装置 |
CN104811664A (zh) * | 2015-04-27 | 2015-07-29 | 中国矿业大学(北京) | 矿井视频图像压缩与传输方法及装置 |
CN108205804A (zh) * | 2016-12-16 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置及电子设备 |
US10133964B2 (en) * | 2017-03-28 | 2018-11-20 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction system and method |
US10043113B1 (en) * | 2017-10-04 | 2018-08-07 | StradVision, Inc. | Method and device for generating feature maps by using feature upsampling networks |
CN109068174A (zh) * | 2018-09-12 | 2018-12-21 | 上海交通大学 | 基于循环卷积神经网络的视频帧率上变换方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于DFT 基的矿井视频监控图像分块压缩感知方;张帆;《传感技术学报》;20170131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109672885A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348487B (zh) | 一种基于深度学习的高光谱图像压缩方法及装置 | |
CN106910161B (zh) | 一种基于深度卷积神经网络的单幅图像超分辨率重建方法 | |
CN109672885B (zh) | 一种用于矿井智能监控的视频图像编解码方法 | |
CN102427527B (zh) | 基于分布式视频压缩感知系统非关键帧的重构方法 | |
CN110933429B (zh) | 基于深度神经网络的视频压缩感知与重构方法和装置 | |
CN108596841B (zh) | 一种并行实现图像超分辨率及去模糊的方法 | |
CN111861884B (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
CN113362223A (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN102332153B (zh) | 基于核回归的图像压缩感知重构方法 | |
CN109949222B (zh) | 基于语义图的图像超分辨率重建方法 | |
CN113379601A (zh) | 基于降质变分自编码器的真实世界图像超分辨方法及系统 | |
CN112365422B (zh) | 基于深层聚合网络的不规则缺失图像修复方法及其系统 | |
CN112365554A (zh) | 基于多尺度残差神经网络的压缩感知图像重建方法 | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
CN110099280B (zh) | 一种无线自组织网络带宽受限下的视频业务质量增强方法 | |
CN108960333A (zh) | 基于深度学习的高光谱图像无损压缩方法 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN109903351B (zh) | 基于卷积神经网络和传统编码相结合的图像压缩方法 | |
CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及系统 | |
CN111127325A (zh) | 基于循环神经网络的卫星视频超分辨率重建方法及系统 | |
CN115880158B (zh) | 一种基于变分自编码的盲图像超分辨率重建方法及系统 | |
CN111797891A (zh) | 基于生成对抗网络的非成对异质人脸图像生成方法、装置 | |
CN114463183A (zh) | 基于频域和空域的图像超分辨率方法 | |
CN113793265A (zh) | 一种基于深度特征关联性的图像超分辨率方法及系统 | |
CN114936977A (zh) | 一种基于通道注意力和跨尺度特征融合的图像去模糊方法 |
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 |