CN110278415B - 一种网络摄像机视频质量提升方法 - Google Patents
一种网络摄像机视频质量提升方法 Download PDFInfo
- Publication number
- CN110278415B CN110278415B CN201910589896.4A CN201910589896A CN110278415B CN 110278415 B CN110278415 B CN 110278415B CN 201910589896 A CN201910589896 A CN 201910589896A CN 110278415 B CN110278415 B CN 110278415B
- Authority
- CN
- China
- Prior art keywords
- video
- network
- algorithm
- video quality
- quality
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明提出了一种网络摄像机视频质量提升方法,主要包括以下步骤:(1)初步视频的获取;(2)对初步视频的内容进行评估,采集视频数据,标定构建数据集,使用卷积神经网络和全连接网络训练,并使用显著性算法进行特征的融合,得到符合人的感官的视频质量评价模型,实时判断相机获取的视频质量;(3)对视频质量满足要求的视频直接输出,对不满足要求的视频进行基于超像素的多帧视频优化处理,进行降帧优化;(4)将步骤(3)处理完的视频通过网络输出。本发明的优点在于:能够对视频质量进行符合人的评价标准的高准确性的评价,并更加关注重要的目标,使用了超分辨率和多帧拼接的方式实现实时降帧优化,提升了相机原始输出的视频质量。
Description
技术领域
本发明涉及安防监控技术领域,主要涉及一种网络摄像机视频质量提升方法。
背景技术
网络摄像机(IPC)由网络编码模块和模拟摄像机组合而成,是传统摄像机与网络技术结合所产生的新一代摄像机,该摄像机将摄像机采集到的模拟视频信号编码压缩成数字信号并通过网络总线传送到Web服务器,使用户可以直接用浏览器实时观看摄像机视频,授权用户还可控制摄像机云台转动镜头或对系统配置进行操作,使得远程监控实施以及施工、维护更简单。近年来,随着政治、经济、社会的不断发展,影响国家安全、公共安全、环境安全的不稳定因素日益增多,作为有效的监控手段,网络摄像机IPC使用越来越广泛,已在城市安防、公共交通管理、银行金融、教育系统等多方面发挥了不可替代的作用。目前,许多城市和大型安防单位都设有独立的IPC视频监控指挥系统,其核心在于构建稳定、可靠地IPC接入平台对其海量视频进行有效管理。但是由于IPC为降低成本,其使用的环境多在光线不稳定,天气多变等不稳定的较恶劣环境下,所以采集到的视频往往质量很差,难以辨认。并且由于操作者的水平不足,更影响网络摄像机的使用效果。
发明内容
本发明的目的是为了解决现有技术应用中网络摄像机采集到的视频质量较低的问题,而提出的一种提升采集视频质量的算法系统平台,目的是提升视频质量,提升使用效果。
为了实现上述目的,本发明采用如下技术方案:一种网络摄像机视频质量提升方法,包括如下步骤:
(1)初步视频的获取;
(2)对初步视频的内容进行评估,采集视频数据,标定构建数据集,使用卷积神经网络和全连接网络训练,并使用显著性算法进行特征的融合,得到符合人的感官的视频质量评价模型,实时判断相机获取的视频质量;
(3)对视频质量满足要求的视频直接输出,对不满足要求的视频进行基于超像素的多帧视频优化处理,进行降帧优化;
(4)将步骤(3)处理完的视频通过网络输出。
进一步的,所述步骤1包括如下子步骤:
(1.1)外界光线通过镜头模组到达感光芯片模组,使光信号转化为电信号,产生视频信号
(1.2)初始视频信号通过图像处理算法,获得初步的视频。
进一步的,所述步骤(1.2)中,图像处理算法为:自动曝光、自动白平衡、宽动态算法。
进一步的,所属步骤(2)包括如下子步骤:
(2.1)采集获得视频序列,对其进行不同程度和种类的降质处理,将处理后的视频序列制作成数据集,对视频序列质量进行标定;
(2.2)将步骤(2.1)的数据集进行分块,得到多个小块视频,使用全参考图像质量评价算法对小块视频进行评分;
(2.3)使用深度卷积神经网络框架对步骤(2.2)处理后的数据进行训练,获得网络参数;
(2.4)使用步骤(2.3)训练获得的网络求取小块视频的特征,使用显著性算法求取每个小块视频的显著性分数,使用显著性分数将小块视频特征进行加权融合为大视频的特征;
(2.5)将步骤(2.4)中的大视频特征输入全连接网络中,训练输出最后的评价分数;
(2.6)将步骤(2.3)和步骤(2.5)中的两个网络联合训练,优化获得最后的网络模型。
进一步的,所述步骤(2.2)中,全参考图像质量评价算法选自:特征相似度(FSIM)、结构相似性(SSIM)、梯度幅度相似性偏差(GMSD)。
进一步的,所述步骤(2.3)中,深度卷积神经网络选自:AlexNet网络、VGG网络、ResNet网络。
进一步的,所述步骤(2.4)中,显著性算法选自:谱残差(SR)、基于图形的流形排序(GBMR)。
进一步的,所述步骤(3)中,降帧优化包括如下子步骤:
(3.1)对于不满足视频质量的视频序列,对于每一帧图像使用超分辨率算法进行优化图像质量;
(3.2)对于步骤(3.1)优化后的视频序列,使用步骤(2)提出的视频质量评价算法,进行二次评价,评价大块视频中,每一小块的视频质量;
(3.3)对于步骤(3.2)中再评价后仍不满足要求的视频块,使用图像拼接算法,将相邻帧之间相同位置质量最好的视频块相互拼接在一起,多帧图像组成一帧图像,实现降帧优化视频。
进一步的,所述步骤(3.1)的超分辨率优化算法选自:超分辨率卷积神经网络(SRCNN),高效亚像素卷积神经网络(ESPCN),超分辨率对抗生成网络(SRGAN)。
进一步的,所述步骤(3.3)的图像拼接算法选自:基于Harris角点检测器的拼接、基于FAST角点检测器的拼接、基于SIFT特征检测器的拼接、以及基于SURF特征检测器的拼接。
本发明与现有技术相比的优点在于:
1本发明提出的新型基于深度学习的视频质量评价模型,能够对视频质量进行高准确性得评价,得到符合人的主观的评价分数;
2.本发明的质量评价模型中融入了显著性评价算法,使得视频质量评价模型能够更加关注重要的目标物体,提升视频质量评价的准确性;
3.本发明使用多帧图像的拼接的方式来实现降帧优化,考虑了视频帧间的相似性,确保最后输出的视频是最优的;
4.本发明将整个视频质量提升方法直接在网络摄像机中实现,保证了网络摄像机一次视频输出质量,无二次优化的麻烦,确保了实时性。
附图说明
图1为本发明的网络视频质量提升方法整体流程;
图2为本发明的视频质量评价模型的训练流程;
图3为视频质量评价模块的结构图;
图4为视频质量提升模块的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的与本申请的一些方面相一致的方法的例子。
如图1所示,本发明提供一种网络摄像机视频质量提升方法,包含如下步骤:
(1)初步视频的获取;
(2)对初步视频的内容进行评估,采集视频数据,标定构建数据集,使用卷积神经网络和全连接网络训练,并使用显著性算法进行特征的融合,得到符合人的感官的视频质量评价模型,实时判断相机获取的视频质量;
(3)对视频质量满足要求的视频直接输出,对不满足要求的视频帧使用超分辨率算法进行逐帧视频优化,再通过拼接算法进行降帧拼接优化,得到优化最终优化视频;
(4)将步骤(3)处理完的视频进行编码通过网络输出。
在本申请一实施例中,所述步骤1包括如下子步骤:
(1.1)外界光线通过镜头模组到达感光芯片模组,使光信号转化为电信号,产生视频信号
(1.2)初始视频信号通过图像处理算法,获得初步的视频。其中图像处理算法包括自动曝光,自动白平衡,宽动态算法。自动曝光保证了在外界光线不停变化时保证图像的亮度稳定,对于室外的长时间应用场景自动曝光十分重要;自动白平衡避免了色温对视频图像的影响;宽动态平衡了视频画面中的光线亮度差异,如在汽车灯的强光直射下依然能拍摄到其他物体。
在本申请一实施例中,如图2所示,所述步骤(2)包括如下子步骤:
(2.1)采集获得视频序列,分别添加高斯噪声,脉冲噪声,高斯模糊,压缩传输错误噪声,对比度变化5种噪声模式,每种分5种噪声强度对视频序列进行降质处理,制作不同质量的视频序列,将处理后的视频序列制作成数据集,对视频序列质量进行标定。标定方式为请1000位来自不同地区的志愿者,对视频序列进行主观打分,分数为100分制,对每个视频序列的分数求取平均值,作为最终的标准评分,此标定方式为行业标准标定方式,选择来自不同地区的多名志愿者共同评分来消除个体差异而导致的打分偏差;
(2.2)如图3中的深度卷积神经网络所示,由于标定视频较为耗时,为了扩充训练数据,将步骤(2.1)的数据集进行分块,得到多个小块视频,使用全参考图像质量评价算法对小块视频进行评分,分数作为小块视频的分数真实值,即图3中的第一步。这里全参考质量评价方式选自:特征相似度(FSIM)、结构相似性(SSIM)、梯度幅度相似性偏差(GMSD);
(2.3)如图3中的第二步的训练深度卷积神经网络所示,使用深度卷积神经网络框架对步骤(2.2)处理后的数据进行训练,获得网络参数,训练的损失函数为;
L=|STrue-SPredict|
STrue为步骤(2.2)中求得的小块视频质量分数和所属的大块视频质量分数加权求和而来,作为真实质量分数,SPredict为网络预测的视频质量分数。通过求解L得最小值,来优化深度卷积神经网络的参数,获得最优模型。这里深度卷积神经网络选自:AlexNet网络,VGG网络,ResNet网络,根据步骤(2.1)采集的数据量决定选用的网络,500段2分钟视频以下选用AlexNet网络,500到1000段2分钟视频选用VGG网络,1000段以上选用ResNet网络,ResNet网络的参数最多,拟合能力越强,所以数据量越多,推荐选用ResNet网络。
(2.4)使用步骤(2.3)训练获得的网络,取网络最后输出层的前一全连接层的输出作为小块视频的特征,使用显著性算法求取每个小块视频的显著性分数,使用显著性分数将属于同一大块视频的小块视频特征进行加权融合为大视频的特征。这里显著性算法选自:谱残差(SR)、基于图形的流形排序(GBMR),从速度考虑,优先选用SR算法;
(2.5)如图3中的第二步的全连接网络所示,将步骤(2.4)中的大视频特征输入5层的全连接网络中,训练输出最后的评价分数;
(2.6)如图3中的第三步,将步骤(2.3)和步骤(2.5)中的两个网络联合训练,舍弃步骤(2.3)的输出层,将两个网络拼接,优化获得最后的网络模型。
在本申请一实施例中,所述步骤(3)中,降帧优化包括如下子步骤:
(3.1)使用步骤2提出的视频质量评价算法对视频序列进行评价,对于评价结果小于60分的视频,界定为不满足视频质量的视频序列,此视频存在人眼难以辨别的内容。如图4所示,对于这些视频的每一帧图像使用超分辨率算法进行优化图像质量,将低分辨率优化为高分辨率,超分辨率优化算法选自:超分辨率卷积神经网络(SRCNN)、高效亚像素卷积神经网络(ESPCN)、超分辨率对抗生成网络(SRGAN),优先选用SRGAN,对于不同场景的适应性更好。
(3.2)对于步骤(3.1)优化后的视频序列,使用步骤(2)提出的视频质量评价算法,进行二次评价,评价大块视频中,每一小块的视频质量;
(3.3)对于步骤(3.2)中优化再评价后视频质量低于80分的视频认为仍不满足要求,使用图像拼接算法,如图4所示,高分辨率视频序列中标注1,2,3,4的图像小块为相同位置相邻帧之间质量最好的,将它们相互拼接在一起,多帧图像组成一帧图像,实现降帧优化视频。要求原视频帧率要达到60fps,才能满足优化要求。最后将降帧优化视频和不需优化视频连接,作为最后输出视频。图像拼接算法选自:基于Harris角点检测器的拼接、基于FAST角点检测器的拼接、基于SIFT特征检测器的拼接、以及基于SURF特征检测器的拼接。
以上具体实施示例用以解释说明本发明,但应当理解所用术语是说明和示例性的术语,不是对本发明进行限制。在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (8)
1.一种网络摄像机视频质量提升方法,其特征在于,包括如下步骤:
(1)初步视频的获取;
(2)对初步视频的内容进行评估,采集视频数据,标定构建数据集,使用卷积神经网络和全连接网络训练,并使用显著性算法进行特征的融合,得到符合人的感官的视频质量评价模型,实时判断网络摄像机获取的视频质量;
所述步骤(2)包括如下子步骤:
(2.1)采集获得视频序列,对其进行不同程度和种类的降质处理,将处理后的视频序列制作成数据集,对视频序列质量进行标定;
(2.2)将步骤(2.1)的数据集进行分块,得到多个小块视频,使用全参考图像质量评价算法对小块视频进行评分;
(2.3)使用深度卷积神经网络框架对步骤(2.2)处理后的数据进行训练,获得网络参数;
(2.4)使用步骤(2.3)训练获得的网络求取小块视频的特征,使用显著性算法求取每个小块视频的显著性分数,使用显著性分数将小块视频特征进行加权融合为大视频的特征;
(2.5)将步骤(2.4)中的大视频特征输入全连接网络中,训练输出最后的评价分数;
(2.6)将步骤(2.3)和步骤(2.5)中的两个网络联合训练,优化获得最后的网络模型;
(3)对视频质量满足要求的视频直接输出,对不满足要求的视频进行基于超像素的多帧视频优化处理,进行降帧优化,所述降帧优化包括如下子步骤:
(3.1)对于不满足视频质量的视频序列,对于每一帧图像使用超分辨率算法进行优化图像质量;
(3.2)对于步骤(3.1)优化后的视频序列,使用步骤(2)提出的视频质量评价算法,进行二次评价,评价大块视频中,每一小块的视频质量;
(3.3)对于步骤(3.2)中再评价后仍不满足要求的视频块,使用图像拼接算法,将相邻帧之间相同位置质量最好的视频块相互拼接在一起,多帧图像组成一帧图像,实现降帧优化视频;
(4)将步骤(3)处理完的视频通过网络输出。
2.根据权利要求1所述的网络摄像机视频质量提升方法,其特征在于:所述步骤(1)包括如下子步骤:
(1.1)外界光线通过镜头模组到达感光芯片模组,使光信号转化为电信号,产生视频信号
(1.2)初始视频信号通过图像处理算法,获得初步的视频。
3.根据权利要求2所述的网络摄像机视频质量提升方法,其特征在于:所述步骤(1.2)中,图像处理算法为:自动曝光、自动白平衡、宽动态算法。
4.根据权利要求1所述的网络摄像机视频质量提升方法,其特征在于:所述步骤(2.2)中,全参考图像质量评价算法选自:特征相似度(FSIM)、结构相似性(SSIM)、梯度幅度相似性偏差(GMSD)。
5.根据权利要求1所述的网络摄像机视频质量提升方法,其特征在于:所述步骤(2.3)中,深度卷积神经网络选自:AlexNet网络、VGG网络、ResNet网络。
6.根据权利要求1所述的网络摄像机视频质量提升方法,其特征在于:所述步骤(2.4)中,显著性算法选自:谱残差(SR)、基于图形的流形排序(GBMR)。
7.根据权利要求1所述的网络摄像机视频质量提升方法,其特征在于:所述步骤(3.1)的超分辨率优化算法选自:超分辨率卷积神经网络(SRCNN),高效亚像素卷积神经网络(ESPCN),超分辨率对抗生成网络(SRGAN)。
8.根据权利要求1所述的网络摄像机视频质量提升方法,其特征在于:所述步骤(3.3)的图像拼接算法选自:基于Harris角点检测器的拼接、基于FAST角点检测器的拼接、基于SIFT特征检测器的拼接、以及基于SURF特征检测器的拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589896.4A CN110278415B (zh) | 2019-07-02 | 2019-07-02 | 一种网络摄像机视频质量提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589896.4A CN110278415B (zh) | 2019-07-02 | 2019-07-02 | 一种网络摄像机视频质量提升方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110278415A CN110278415A (zh) | 2019-09-24 |
CN110278415B true CN110278415B (zh) | 2020-04-28 |
Family
ID=67963912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910589896.4A Active CN110278415B (zh) | 2019-07-02 | 2019-07-02 | 一种网络摄像机视频质量提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110278415B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080528B (zh) * | 2019-12-20 | 2023-11-07 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
CN111263085A (zh) * | 2020-01-21 | 2020-06-09 | 中国航空无线电电子研究所 | 基于块式存储操作的航空显示任务旋转处理系统 |
CN111369477A (zh) * | 2020-05-27 | 2020-07-03 | 杭州微帧信息科技有限公司 | 一种针对视频恢复任务的预分析和工具自适应的方法 |
CN112866683B (zh) * | 2021-01-07 | 2022-05-17 | 中国科学技术大学 | 基于视频前处理及转码的质量评估方法 |
CN113034412B (zh) * | 2021-02-25 | 2024-04-19 | 北京达佳互联信息技术有限公司 | 视频处理方法及装置 |
CN113438451B (zh) * | 2021-06-21 | 2022-04-19 | 易成功(厦门)信息科技有限公司 | 用于多终端多源数据的统一标准化处理平台与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107016675A (zh) * | 2017-03-07 | 2017-08-04 | 南京信息工程大学 | 一种基于非局部时空特征学习的无监督视频分割方法 |
CN107122787A (zh) * | 2017-02-14 | 2017-09-01 | 北京理工大学 | 一种基于特征融合的图像缩放质量评价方法 |
CN107644429A (zh) * | 2017-09-30 | 2018-01-30 | 华中科技大学 | 一种基于强目标约束视频显著性的视频分割方法 |
CN109190520A (zh) * | 2018-08-16 | 2019-01-11 | 广州视源电子科技股份有限公司 | 一种超分辨率重建人脸图像方法及装置 |
CN109559310A (zh) * | 2018-11-30 | 2019-04-02 | 国网山东省电力公司电力科学研究院 | 基于显著性检测的输变电巡检图像质量评价方法及系统 |
CN109872305A (zh) * | 2019-01-22 | 2019-06-11 | 浙江科技学院 | 一种基于质量图生成网络的无参考立体图像质量评价方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5299308A (en) * | 1990-02-28 | 1994-03-29 | Ricoh Company, Ltd. | Graphic data processing apparatus for producing a tone for an edge pixel and reducing aliasing effects |
CN100559881C (zh) * | 2008-05-09 | 2009-11-11 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN101710993B (zh) * | 2009-11-30 | 2012-04-11 | 北京大学 | 基于块的自适应超分辨率视频处理方法及系统 |
CN106791927A (zh) * | 2016-12-23 | 2017-05-31 | 福建帝视信息科技有限公司 | 一种基于深度学习的视频增强与传输方法 |
CN107274347A (zh) * | 2017-07-11 | 2017-10-20 | 福建帝视信息科技有限公司 | 一种基于深度残差网络的视频超分辨率重建方法 |
CN108337504A (zh) * | 2018-01-30 | 2018-07-27 | 中国科学技术大学 | 一种评价视频质量的方法及装置 |
CN108510485B (zh) * | 2018-03-27 | 2022-04-05 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
CN108965842A (zh) * | 2018-07-16 | 2018-12-07 | 安徽国通亿创科技股份有限公司 | 一种基于低带宽的在线互动直播视频图像优化算法 |
CN108986050B (zh) * | 2018-07-20 | 2020-11-10 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
CN109379625B (zh) * | 2018-11-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 视频处理方法、装置、电子设备和计算机可读介质 |
-
2019
- 2019-07-02 CN CN201910589896.4A patent/CN110278415B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107122787A (zh) * | 2017-02-14 | 2017-09-01 | 北京理工大学 | 一种基于特征融合的图像缩放质量评价方法 |
CN107016675A (zh) * | 2017-03-07 | 2017-08-04 | 南京信息工程大学 | 一种基于非局部时空特征学习的无监督视频分割方法 |
CN107644429A (zh) * | 2017-09-30 | 2018-01-30 | 华中科技大学 | 一种基于强目标约束视频显著性的视频分割方法 |
CN109190520A (zh) * | 2018-08-16 | 2019-01-11 | 广州视源电子科技股份有限公司 | 一种超分辨率重建人脸图像方法及装置 |
CN109559310A (zh) * | 2018-11-30 | 2019-04-02 | 国网山东省电力公司电力科学研究院 | 基于显著性检测的输变电巡检图像质量评价方法及系统 |
CN109872305A (zh) * | 2019-01-22 | 2019-06-11 | 浙江科技学院 | 一种基于质量图生成网络的无参考立体图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110278415A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110278415B (zh) | 一种网络摄像机视频质量提升方法 | |
KR101739432B1 (ko) | 구역 기반의 톤 매핑 | |
CN110675328B (zh) | 基于条件生成对抗网络的低照度图像增强方法及装置 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN110363716B (zh) | 一种基于条件生成对抗网络复合降质图像高质量重建方法 | |
Jin et al. | Statistical study on perceived JPEG image quality via MCL-JCI dataset construction and analysis | |
CN102884536B (zh) | 用于视频会议压缩的肤色与特征检测 | |
CN112954312B (zh) | 一种融合时空特征的无参考视频质量评估方法 | |
US20090317017A1 (en) | Image characteristic oriented tone mapping for high dynamic range images | |
CN107439012A (zh) | 高动态范围视频编码中的在环且基于块的图像再成形 | |
CN111047529B (zh) | 一种基于机器学习的视频处理方法 | |
CN111709265A (zh) | 基于注意力机制残差网络的摄像监控状态分类方法 | |
CN101953153A (zh) | 摄像装置,摄像方法和用于存储程序的计算机可读取介质 | |
CN111612722B (zh) | 基于简化Unet全卷积神经网络的低照度图像处理方法 | |
CN106993188B (zh) | 一种基于多人脸视频显著性的hevc压缩编码方法 | |
US20140086480A1 (en) | Signal processing apparatus, signal processing method, output apparatus, output method, and program | |
CN113706412A (zh) | 一种sdr到hdr转换方法 | |
CN105872496A (zh) | 一种超高清视频融合方法 | |
Liu et al. | Fast depth intra coding based on depth edge classification network in 3D-HEVC | |
Katsenou et al. | BVI-SynTex: A synthetic video texture dataset for video compression and quality assessment | |
Singh et al. | Low-light image enhancement for UAVs with multi-feature fusion deep neural networks | |
CN111667498A (zh) | 一种面向光学卫星视频的运动舰船目标自动检测方法 | |
Huang et al. | Image dehazing based on robust sparse representation | |
CN107306340A (zh) | 一种自动曝光和参考帧补偿参数计算装置及方法 | |
CA2784817C (en) | Filter setup learning for binary sensor |
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 |