CN113112557B - 一种基于字典学习的分块自适应纸箱图像压缩方法 - Google Patents
一种基于字典学习的分块自适应纸箱图像压缩方法 Download PDFInfo
- Publication number
- CN113112557B CN113112557B CN202110200762.6A CN202110200762A CN113112557B CN 113112557 B CN113112557 B CN 113112557B CN 202110200762 A CN202110200762 A CN 202110200762A CN 113112557 B CN113112557 B CN 113112557B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- carton
- adaptive
- coefficient matrix
- 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.)
- Expired - Fee Related
Links
- 230000006835 compression Effects 0.000 title claims abstract description 55
- 238000007906 compression Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/20—Contour coding, e.g. using detection of edges
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种基于字典学习的分块自适应纸箱图像压缩方法,该方法是使用学习字典、图像分割、边缘检测、自适应设定误差、二次优化稀疏系数矩阵进行编码压缩;通过使用K‑SVD算法对纸箱图像样本集训练出离线字典,将图像分块后利用改进的Canny边缘检测得到轮廓面积,确定图像块的结构复杂度后分块自适应设定稀疏表示模型的误差,同时采用OMP算法在原始误差下计算出图像块初始稀疏系数矩阵,然后根据自适应误差二次优化稀疏系数矩阵,最后提取稀疏系数矩阵的非零值及其索引,进行编码压缩,本设计可以完成图像数据稀疏和重构,减少图像数据所占的计算机存储资源,降低存储成本。
Description
技术领域
本发明涉及图像处理技术领域,具体是一种基于字典学习的分块自适应纸箱图像压缩方法。
背景技术
随着图像采集技术在监控、医学、遥感等领域的快速发展,采集的图像数据大幅度增加,所以研究图像的压缩以便于图像的传输、存储具有重要的意义,自JPEG图像压缩标准提出以来的短短几年时间就获得了广泛的应用。目前我们日常生活中使用的大部分电子设备内置的图像压缩方法都是JEPG;
近年来,在压缩感知的基础上使用稀疏系数矩阵和过完备字典压缩图像已经受到相当大的关注,现有的方法都是基于字典学习的图像压缩,通过改进匹配追踪算法、优化学习字典等方法提高稀疏矩阵稀疏度来实现图像的高倍压缩,但在求解稀疏系数矩阵时未充分利用图像的结构特征,容易存在以下不足:
1、以纸箱图片为例,对纸箱图像重构时,更多考虑的是图片上的货物品牌等文字信息,因此使用相同的压缩比对特征稀少的区域,压缩存储是对物理资源的浪费;
2、图像特征丰富的区域需要保留更多的细节信息,早在2012年就有人提出了针对特定类型的图像使用针对性的字典对图像进行自适应压缩,在经过专门训练的字典上对每个输入图像进行编码,该方案基于稀疏字典结构,结构的紧凑表示形式使得字典和压缩数据的传输成本相对较低,但是此方法将字典和压缩数据一起传输,增大了图像压缩率;
3、随后,在之前的基础上又有人又提出了基于局部补丁字典的多视图图像压缩方法,将图像划分为小块,并将稀疏编码应用于每个小块,用字典原子构建为所选区域的矢量表示重叠小块,这种技术不需要存储或传输字典原子,此方法其压缩性能优于JPEG2000,但是只针对具有连续帧的视频图像,且不能够自适应压缩图像。因此,本领域技术人员提供了一种基于字典学习的分块自适应纸箱图像压缩方法,以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种基于字典学习的分块自适应纸箱图像压缩方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于字典学习的分块自适应纸箱图像压缩方法,该方法是使用学习字典、图像分割、边缘检测、自适应设定误差、二次优化稀疏系数矩阵进行编码压缩,具体操作为以下步骤:
S1、取5000幅纸箱图像进行字典训练学习,使用K-SVD算法对图像训练,得到过完备字典;
S2、对原始图像进行旋转校正,采用螺旋回形分割法分割图像,从图像左上角开始顺时针分割;
S3、通过改进的Canny边缘检测法从45°和135°以及水平和垂直方向计算图像块梯度值,得到图像块边缘检测轮廓面积;
S4、在原始误差下采用正交匹配追踪算法计算出图像稀疏系数矩阵;
S5、根据自适应误差公式得到图像块最大优化误差,对稀疏系数矩阵进行二次优化;
S6、进一步的,对稀疏系数矩阵进行编码压缩,从而完成图像压缩。
作为本发明进一步的方案:所述S1中训练集的5000幅图像均来自于实际仓库的纸箱图像,与待压缩图像属于同一类型的纸箱图像,由现场仓库工作人员采集,并且从正面拍摄得到的纸箱图像。
作为本发明再进一步的方案:所述S2中图像分割前具体操作是:
A1、需要将图像转化为灰度图像,然后使用霍夫曼变换校正纸箱,且纸箱图像分块大小为8*8;
A2、再从图像左上角开始,每次向右移动一个像素点,完成周期循环后向下移动一个像素点再继续向右循环分割,直至最后的图像块中心像素点与整张图像中心像素点重合。
作为本发明再进一步的方案:所述S3中具体操作为以下步骤:
B1、利用改进的Canny边缘检测方法从45°、135°、水平和垂直方向检测图像边缘,充分考虑像素周围8个场的四个方向的梯度值,获得更多的图像边缘信息,边缘定位变得更加准确,大大降低错误检测率和漏检率;
且其计算公式为以下公式;
公式1:G45(x,y)=([I(x+1,y)+2I(x+1,y+1)+I(x,y+1)])-[I(x,y-1)+2I(x-1,y-1)+I(x-1,y)];
公式2:G135(x,y)=([I(x,y-1)+2I(x+1,y-1)+I(x+1,y)])-[I(x-1,y)+2I(x-1,y+1)+I(x,y+1)];
公式3:Gx(x,y)=([I(x-1,y+1)+2I(x,y+1)+I(x+1,y+1)])-[I(x-1,y-1)+2I(x,y-1)+I(x+1,y-1)];
公式4:Gy(x,y)=([I(x+1,y-1)+2I(x+1,y)+I(x+1,y+1)])-[I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)];
B2、设当前整幅图像边缘检测平均轮廓面积为A,待压缩图像块边缘检测轮廓面积与图像块的面积比值为S,使用A与S的比值可以判断出当前图像块的重要性;
若比值小于1时,说明当前图像块结构相对复杂,信息量比较多,需要降低误差,提高压缩率,保留更多细节信息;
若比值大于1时,当前图像块信息量低于整幅图像平均信息量,可以提高误差,降低压缩率。
其中,为了避免出现S接近于零时A与S的比值过大导致误差较大而出现图像失真的情况,根据多次试验结果设定A与S的比值不大于3,此时可以保证待压缩的图像块在信息量小的时候既能保持较高的压缩率又有较高的清晰度。
作为本发明再进一步的方案:在计算出自适应误差后,基于字典学习的分块自适应纸箱图像压缩模型为:
其中D为由样本集训练的过完备字典,Yi为当前需要稀疏表示的图像块,Xi为当前图像块在过完备字典下的稀疏系数。
作为本发明再进一步的方案:对稀疏系数矩阵进行二次优化选择时;
如果εT<ε,则重新使用稀疏表示模型计算稀疏系数矩阵。
作为本发明再进一步的方案:所述的稀疏系数矩阵编码时只计算非零系数的数值以及位置,非零系数按列为单位压缩,只有该列的第一个数值标记其列数和行数,后面同列的数值索引均只标记该数值的行数。
与现有技术相比,本发明的有益效果是:本发明设计的一种基于字典学习的分块自适应纸箱图像压缩方法,在实际操作时,使用K-SVD算法对纸箱图像样本集训练出离线字典,将图像分块后利用改进的边缘检测得到轮廓面积,确定图像块的结构复杂度后,分块自适应设定稀疏表示模型的误差,同时采用OMP算法在原始误差下,计算出图像块初始稀疏系数矩阵,然后根据自适应误差二次优化稀疏系数矩阵,最后提取稀疏系数矩阵的非零值及其索引,进行编码压缩,方便可以在保证纸箱图像压缩不失真的情况下,同时提高图像压缩质量,实现纸箱图像的高倍压缩,本设计的方法可以完成图像数据稀疏和重构,减少图像数据所占的计算机存储资源,降低存储成本。
附图说明
图1为一种基于字典学习的分块自适应纸箱图像压缩方法的流程框图。
具体实施方式
下面将结合本发明实施例中,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中,一种基于字典学习的分块自适应纸箱图像压缩方法,该方法是使用学习字典、图像分割、边缘检测、自适应设定误差、二次优化稀疏系数矩阵进行编码压缩,具体操作为以下步骤:
S1、取5000幅纸箱图像进行字典训练学习,使用K-SVD算法对图像训练,得到过完备字典;
其中,训练集的5000幅图像均来自于实际仓库的纸箱图像,与待压缩图像属于同一类型的纸箱图像,由现场仓库工作人员采集,并且从正面拍摄得到的纸箱图像;
S2、对原始图像进行旋转校正,采用螺旋回形分割法分割图像,从图像左上角开始顺时针分割;
其中,图像分割前具体操作是:
A1、需要将图像转化为灰度图像,然后使用霍夫曼变换校正纸箱,且纸箱图像分块大小为8*8;
A2、再从图像左上角开始,每次向右移动一个像素点,完成周期循环后向下移动一个像素点再继续向右循环分割,直至最后的图像块中心像素点与整张图像中心像素点重合;
S3、通过改进的Canny边缘检测法从45°和135°以及水平和垂直方向计算图像块梯度值,得到图像块边缘检测轮廓面积;其具体操作为:
B1、利用改进的边缘检测方法从45°、135°、水平和垂直方向检测图像边缘,充分考虑像素周围8个场的四个方向的梯度值,获得更多的图像边缘信息,边缘定位变得更加准确,大大降低错误检测率和漏检率;
且其计算公式为以下公式;
公式1:G45(x,y)=([I(x+1,y)+2I(x+1,y+1)+I(x,y+1)])-[I(x,y-1)+2I(x-1,y-1)+I(x-1,y)];
公式2:G135(x,y)=([I(x,y-1)+2I(x+1,y-1)+I(x+1,y)])-[I(x-1,y)+2I(x-1,y+1)+I(x,y+1)];
公式3:Gx(x,y)=([I(x-1,y+1)+2I(x,y+1)+I(x+1,y+1)])-[I(x-1,y-1)+2I(x,y-1)+I(x+1,y-1)];
公式4:Gy(x,y)=([I(x+1,y-1)+2I(x+1,y)+I(x+1,y+1)])-[I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)];
B2、设当前整幅图像边缘检测平均轮廓面积为A,待压缩图像块边缘检测轮廓面积与图像块的面积比值为S,使用A与S的比值可以判断出当前图像块的重要性;
若比值小于1时,说明当前图像块结构相对复杂,信息量比较多,需要降低误差,提高压缩率,保留更多细节信息;
若比值大于1时,当前图像块信息量低于整幅图像平均信息量,可以提高误差,降低压缩率;
S4、在原始误差下采用正交匹配追踪算法(即OMP算法)计算出图像稀疏系数矩阵;
其中,为了避免出现S接近于零时A与S的比值过大导致误差较大而出现图像失真的情况,根据多次试验结果设定A与S的比值不大于3,此时可以保证待压缩的图像块在信息量小的时候既能保持较高的压缩率又有较高的清晰度;
在计算出自适应误差后,基于字典学习的分块自适应纸箱图像压缩模型为:
其中D为由样本集训练的过完备字典,Yi为当前需要稀疏表示的图像块,Xi为当前图像块在过完备字典下的稀疏系数;
S5、根据自适应误差公式得到图像块最大优化误差,对稀疏系数矩阵进行二次优化;
进一步的,对稀疏系数矩阵进行二次优化选择时;
如果εT<ε,则重新使用稀疏表示模型计算稀疏系数矩阵;
S6、进一步的,对稀疏系数矩阵进行编码压缩,从而完成图像压缩;其中,稀疏系数矩阵编码时,只计算非零系数的数值以及位置,非零系数按列为单位压缩,只有该列的第一个数值标记其列数和行数,后面同列的数值索引均只标记该数值的行数。
综上所述,需要说明的是使用K-SVD算法对纸箱图像样本集训练出离线字典,将图像分块后利用改进的边缘检测得到轮廓面积,确定图像块的结构复杂度后,分块自适应设定稀疏表示模型的误差,同时采用OMP算法在原始误差下,计算出图像块初始稀疏系数矩阵,然后根据自适应误差二次优化稀疏系数矩阵,最后提取稀疏系数矩阵的非零值及其索引,进行编码压缩,由此一来,可以在保证纸箱图像压缩不失真的情况下,同时提高图像压缩质量,实现纸箱图像的高倍压缩。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于字典学习的分块自适应纸箱图像压缩方法,其特征在于,该方法是使用学习字典、图像分割、边缘检测、自适应设定误差、二次优化稀疏系数矩阵进行编码压缩,具体操作为以下步骤:
S1、取5000幅纸箱图像进行字典训练学习,使用K-SVD算法对图像训练,得到过完备字典;
S2、对原始图像进行旋转校正,采用螺旋回形分割法分割图像,从图像左上角开始顺时针分割;
S3、通过改进的Canny边缘检测法从45°和135°以及水平和垂直方向计算图像块梯度值,得到图像块边缘检测轮廓面积;具体操作为以下步骤:
B1、利用改进的Canny边缘检测方法从45°、135°、水平和垂直方向检测图像边缘,充分考虑像素周围8个场的四个方向的梯度值,获得更多的图像边缘信息,边缘定位变得更加准确,大大降低错误检测率和漏检率;
且其计算公式为以下公式;
公式1:G45(x,y)=([I(x+1,y)+2I(x+1,y+1)+I(x,y+1)])-[I(x,y-1)+2I(x-1,y-1)+I(x-1,y)];
公式2:G135(x,y)=([I(x,y-1)+2I(x+1,y-1)+I(x+1,y)])-[I(x-1,y)+2I(x-1,y+1)+I(x,y+1)];
公式3:Gx(x,y)=([I(x-1,y+1)+2I(x,y+1)+I(x+1,y+1)])-[I(x-1,y-1)+2I(x,y-1)+I(x+1,y-1)];
公式4:Gy(x,y)=([I(x+1,y-1)+2I(x+1,y)+I(x+1,y+1)])-[I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)];
B2、设当前整幅图像边缘检测平均轮廓面积为A,待压缩图像块边缘检测轮廓面积与图像块的面积比值为S,使用A与S的比值可以判断出当前图像块的重要性;
若比值小于1时,说明当前图像块结构相对复杂,信息量比较多,需要降低误差,提高压缩率,保留更多细节信息;
若比值大于1时,当前图像块信息量低于整幅图像平均信息量,可以提高误差,降低压缩率;
S4、在原始误差下采用正交匹配追踪算法计算出图像稀疏系数矩阵;
其中,为了避免出现S接近于零时A与S的比值过大导致误差较大而出现图像失真的情况,根据多次试验结果设定A与S的比值不大于3,此时可以保证待压缩的图像块在信息量小的时候既能保持较高的压缩率又有较高的清晰度;
S6、进一步的,对稀疏系数矩阵进行编码压缩,从而完成图像压缩。
2.根据权利要求1所述的一种基于字典学习的分块自适应纸箱图像压缩方法,其特征在于,所述S1中训练集的5000幅图像均来自于实际仓库的纸箱图像,与待压缩图像属于同一类型的纸箱图像,由现场仓库工作人员采集,并且从正面拍摄得到的纸箱图像。
3.根据权利要求1所述的一种基于字典学习的分块自适应纸箱图像压缩方法,其特征在于,所述S2中图像分割前具体操作是:
A1、需要将图像转化为灰度图像,然后使用霍夫曼变换校正纸箱,且纸箱图像分块大小为8*8;
A2、再从图像左上角开始,每次向右移动一个像素点,完成周期循环后向下移动一个像素点再继续向右循环分割,直至最后的图像块中心像素点与整张图像中心像素点重合。
6.根据权利要求1所述的一种基于字典学习的分块自适应纸箱图像压缩方法,其特征在于,所述的稀疏系数矩阵编码时只计算非零系数的数值以及位置,非零系数按列为单位压缩,只有该列的第一个数值标记其列数和行数,后面同列的数值索引均只标记该数值的行数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200762.6A CN113112557B (zh) | 2021-02-23 | 2021-02-23 | 一种基于字典学习的分块自适应纸箱图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200762.6A CN113112557B (zh) | 2021-02-23 | 2021-02-23 | 一种基于字典学习的分块自适应纸箱图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112557A CN113112557A (zh) | 2021-07-13 |
CN113112557B true CN113112557B (zh) | 2022-05-24 |
Family
ID=76709314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110200762.6A Expired - Fee Related CN113112557B (zh) | 2021-02-23 | 2021-02-23 | 一种基于字典学习的分块自适应纸箱图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112557B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114428873B (zh) * | 2022-04-07 | 2022-06-28 | 源利腾达(西安)科技有限公司 | 一种胸外科检查数据整理方法 |
CN115841486B (zh) * | 2023-02-20 | 2023-04-25 | 深圳市特安电子有限公司 | 一种气体感知红外图像处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489203A (zh) * | 2013-01-31 | 2014-01-01 | 清华大学 | 基于字典学习的图像编码方法及系统 |
CN106227015B (zh) * | 2016-07-11 | 2019-04-26 | 中国科学院深圳先进技术研究院 | 一种基于压缩感知理论的全息图像高分辨率重建方法及系统 |
-
2021
- 2021-02-23 CN CN202110200762.6A patent/CN113112557B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
一种基于压缩感知的改进的缺失数据修复算法;陈泽墅等;《科技展望》;20150410(第07期);112-113 * |
Also Published As
Publication number | Publication date |
---|---|
CN113112557A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112557B (zh) | 一种基于字典学习的分块自适应纸箱图像压缩方法 | |
CN112150521B (zh) | 一种基于PSMNet优化的图像立体匹配方法 | |
CN110120019B (zh) | 一种基于特征增强的残差神经网络及图像去块效应方法 | |
CN107844779A (zh) | 一种视频关键帧提取方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN110532928B (zh) | 基于面部区域规范化和可变形沙漏网络的面部关键点检测方法 | |
CN102902961A (zh) | 基于k近邻稀疏编码均值约束的人脸超分辨率处理方法 | |
CN109949217B (zh) | 基于残差学习和隐式运动补偿的视频超分辨率重建方法 | |
CN107833182A (zh) | 基于特征提取的红外图像超分辨率重建方法 | |
CN115131675A (zh) | 一种基于参考影像纹理迁移的遥感影像压缩方法及系统 | |
CN114170088A (zh) | 一种基于图结构数据的关系型强化学习系统及方法 | |
CN115131214A (zh) | 基于自注意力的室内老人图像超分辨率重构方法及系统 | |
CN114821100B (zh) | 基于结构组稀疏网络的图像压缩感知重建方法 | |
CN115862131A (zh) | 一种用于人体运动识别的视频数据筛选方法 | |
CN108492252A (zh) | 基于二次重建的人脸图像超分辨率重建方法 | |
CN111723735B (zh) | 一种基于卷积神经网络的伪高码率hevc视频检测方法 | |
CN107682699B (zh) | 一种近无损图像压缩方法 | |
CN116523985B (zh) | 一种结构和纹理特征引导的双编码器图像修复方法 | |
CN112102379A (zh) | 一种无人机多光谱影像配准方法 | |
CN116311052A (zh) | 一种人群计数方法、装置、电子设备及存储介质 | |
CN113344786B (zh) | 基于几何生成模型的视频转码方法、装置、介质和设备 | |
CN113240589A (zh) | 一种多尺度特征融合的图像去雾方法及系统 | |
CN114638748A (zh) | 图像处理方法、图像修复方法、计算机设备、存储介质 | |
CN111738926A (zh) | 恢复图像的方法及其系统 | |
CN113688752B (zh) | 人脸色素检测模型训练方法、装置、设备及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220524 |