CN115866151A - 一种图像通信方法 - Google Patents

一种图像通信方法 Download PDF

Info

Publication number
CN115866151A
CN115866151A CN202310169200.9A CN202310169200A CN115866151A CN 115866151 A CN115866151 A CN 115866151A CN 202310169200 A CN202310169200 A CN 202310169200A CN 115866151 A CN115866151 A CN 115866151A
Authority
CN
China
Prior art keywords
image
clustering
frequency
communication method
feature
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
CN202310169200.9A
Other languages
English (en)
Other versions
CN115866151B (zh
Inventor
余天水
顾嘉浩
涂冬华
连鑫耀
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.)
Nanchang Yijing Information Technology Co ltd
Original Assignee
Nanchang Yijing Information Technology Co ltd
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 Nanchang Yijing Information Technology Co ltd filed Critical Nanchang Yijing Information Technology Co ltd
Priority to CN202310169200.9A priority Critical patent/CN115866151B/zh
Publication of CN115866151A publication Critical patent/CN115866151A/zh
Application granted granted Critical
Publication of CN115866151B publication Critical patent/CN115866151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像通信技术领域,尤其为一种图像通信方法,包括如下步骤:从发送端接收图像信号;对接收的图像信号进行压缩感知处理;对接收的图像数据进行图像压缩重建;对压缩重建后的图像进行沉浸式制作;将沉浸式制作的图像发送至接收端。本发明基于接收的图像信号进行压缩感知处理,提升了图像传输的效率,通过压缩重构处理,保证了传输图像的质量,再基于自适应的图像分割方法对图像进行分割、融合,能够结合图像呈现环境进行自适应调节,获得更为清晰的图像。采用小波变换方法较好地保护了图像中的各项信息,将小波变换方法与HIS转换方法结合,可以充分保护图像的信息完整性,从而提升了图像融合的视觉效果。

Description

一种图像通信方法
技术领域
本发明涉及图像通信技术领域,尤其是一种图像通信方法。
背景技术
随着二维图像压缩技术的逐步成熟,图像压缩标准得以完善建立,使压缩算法进一步有了重大突破,目前正在开展的压缩编码方法研究种类繁多,倘若将现实中已经实现的有效压缩比以成倍的比例提高,那么其产生的研究价值将是巨大的,二维压缩技术的成熟也使三维图像的立体式存储及其压缩技术树立了更高的起点标准。随着网络资源的进一步丰富扩展,人们获取信息的欲望越来越强烈,对图像的清晰度、处理逼真性也提出了更高的要求。而信息量传递需求的增加同时又使网络化的数据传输以成倍的速度增长,从而导致了网络资源的紧张,时常出现网络高峰、拥堵的现象,因此实现图像通信高效传输以及保证图像的高质量则是现有通信技术中研究的关键问题。现提出一种图像通信方法,实现图像通信的高效传输,同时保证图像的质量。
发明内容
本发明的目的是通过提出一种图像通信方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种图像通信方法,包括如下步骤:
S1:从发送端接收图像信号;
S2:对接收的图像信号进行压缩感知处理;
S3:对接收的图像数据进行图像压缩重建;
S4:对压缩重建后的图像进行沉浸式制作;
S5:将沉浸式制作的图像发送至接收端。
作为本发明的一种优选技术方案:所述S1中经过解码器进行数字量转换后,获得一维离散信号。
作为本发明的一种优选技术方案:所述S2中,将一维离散信号划分成多个大小相等的子块,引入正交独立高斯分布矩阵,对子块进行变换,将图像的一维离散信号转换成二维图像块信号。
作为本发明的一种优选技术方案:所述S3中的图像压缩重建步骤如下:
基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
作为本发明的一种优选技术方案:所述S4中图像沉浸式内容制作步骤包括图像的沉浸式分割处理及融合处理。
作为本发明的一种优选技术方案:所述沉浸式分割处理中,设重建的图像大小为
Figure SMS_1
,像素点/>
Figure SMS_2
,图像的低频、高频部分的图像信息主成分分别为/>
Figure SMS_3
、/>
Figure SMS_4
,计算每个波段的纹理特征/>
Figure SMS_5
Figure SMS_6
其中,
Figure SMS_7
为波段参数;
像素点
Figure SMS_8
的位置特征为:
Figure SMS_9
Figure SMS_10
Figure SMS_11
分别为像素点/>
Figure SMS_12
对应/>
Figure SMS_13
、/>
Figure SMS_14
的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域/>
Figure SMS_15
中。
作为本发明的一种优选技术方案:所述沉浸式分割处理步骤中,通过MeanShift算法对图像进行自动调节,得到多维特征自适应向量
Figure SMS_16
为:
Figure SMS_17
其中,
Figure SMS_18
,/>
Figure SMS_24
分别为像素点/>
Figure SMS_26
的位置特征向量及纹理特征向量,/>
Figure SMS_21
的近邻像素点的位置特征向量及纹理特征向量分别为/>
Figure SMS_22
和/>
Figure SMS_28
,位置带宽与纹理带宽分别为/>
Figure SMS_30
和/>
Figure SMS_20
,/>
Figure SMS_25
为像素点/>
Figure SMS_27
的第/>
Figure SMS_29
个近邻像素点,/>
Figure SMS_19
为像素点/>
Figure SMS_23
的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,根据区域合并准则实施区域合并。
作为本发明的一种优选技术方案:所述区域合并准则如下:
S3.1:两个近邻聚类区的空间距离低于
Figure SMS_31
,两个聚类区合并;
S3.2:两个近邻聚类区的纹理距离低于
Figure SMS_32
,两个聚类区合并;
S3.3:将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割。
作为本发明的一种优选技术方案:所述融合处理步骤中,融合低频分量时,将图像低频分量设为
Figure SMS_33
,需要融合的高频分量设为/>
Figure SMS_34
,将/>
Figure SMS_35
和/>
Figure SMS_36
实施融合操作,得到融合分量/>
Figure SMS_37
Figure SMS_38
生成融合图像新的低频分量
Figure SMS_39
Figure SMS_40
式中,
Figure SMS_41
为小波块标准差;
作为本发明的一种优选技术方案:所述融合处理步骤中,融合高频分量时,
Figure SMS_42
其中,
Figure SMS_43
为像素集;/>
Figure SMS_44
、/>
Figure SMS_45
为分别为经过小波分解获取的新的高频分量和方差。
本发明提供的图像通信方法,与现有技术相比,其有益效果有:
本发明基于接收的图像信号进行压缩感知处理,提升了图像传输的效率,通过压缩重构处理,保证了传输图像的质量,再基于自适应的图像分割方法对图像进行分割、融合,能够结合图像呈现环境进行自适应调节,获得更为清晰、逼真的图像。采用小波变换方法较好地保护了图像中的各项信息,将小波变换方法与HIS转换方法结合,可以充分保护图像的信息完整性,从而提升了图像融合的视觉效果。
附图说明
图1为本发明优选实施例的方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,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。
参照图1,本发明优选实施例提供了一种图像通信方法,包括如下步骤:
S1:从发送端接收图像信号;
S2:对接收的图像信号进行压缩感知处理;
S3:对接收的图像数据进行图像压缩重建;
S4:对压缩重建后的图像进行沉浸式制作;
S5:将沉浸式制作的图像发送至接收端。
所述S1中经过解码器进行数字量转换后,获得一维离散信号。
所述S2中,将一维离散信号划分成多个大小相等的子块,引入正交独立高斯分布矩阵,对子块进行变换,将图像的一维离散信号转换成二维图像块信号。
所述S3中的图像压缩重建步骤如下:
基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
所述S4中图像沉浸式内容制作步骤包括图像的沉浸式分割处理及融合处理。
所述沉浸式分割处理中,设重建的图像大小为
Figure SMS_46
,像素点/>
Figure SMS_47
,图像的低频、高频部分的图像信息主成分分别为/>
Figure SMS_48
、/>
Figure SMS_49
,计算每个波段的纹理特征/>
Figure SMS_50
Figure SMS_51
其中,
Figure SMS_52
为波段参数;
像素点
Figure SMS_53
的位置特征为:
Figure SMS_54
Figure SMS_55
Figure SMS_56
分别为像素点/>
Figure SMS_57
对应/>
Figure SMS_58
、/>
Figure SMS_59
的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域/>
Figure SMS_60
中。
所述沉浸式分割处理步骤中,通过MeanShift算法对图像进行自动调节,得到多维特征自适应向量
Figure SMS_61
为:
Figure SMS_62
其中,
Figure SMS_64
,/>
Figure SMS_69
分别为像素点/>
Figure SMS_72
的位置特征向量及纹理特征向量,/>
Figure SMS_66
的近邻像素点的位置特征向量及纹理特征向量分别为/>
Figure SMS_68
和/>
Figure SMS_71
,位置带宽与纹理带宽分别为/>
Figure SMS_74
和/>
Figure SMS_63
,/>
Figure SMS_67
为像素点/>
Figure SMS_73
的第/>
Figure SMS_75
个近邻像素点,/>
Figure SMS_65
为像素点/>
Figure SMS_70
的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,根据区域合并准则实施区域合并。
所述区域合并准则如下:
S3.1:两个近邻聚类区的空间距离低于
Figure SMS_76
,两个聚类区合并;/>
S3.2:两个近邻聚类区的纹理距离低于
Figure SMS_77
,两个聚类区合并;
S3.3:将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割。
所述融合处理步骤中,融合低频分量融合时,将图像低频分量设为
Figure SMS_78
,需要融合的高频分量设为/>
Figure SMS_79
,将/>
Figure SMS_80
和/>
Figure SMS_81
实施融合操作,得到融合分量/>
Figure SMS_82
Figure SMS_83
生成融合图像新的低频分量
Figure SMS_84
Figure SMS_85
式中,
Figure SMS_86
为小波块标准差;
所述融合处理步骤中,融合高频分量时,
Figure SMS_87
其中,
Figure SMS_88
为像素集;/>
Figure SMS_89
、/>
Figure SMS_90
为分别为经过小波分解获取的新的高频分量和方差。
本实施例中,从接收端接收图像信号,对接收的图像进行压缩感知处理进行传输,传输完成后,对压缩处理的图像进行图像压缩重建,基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
对重建后的图像进行沉浸式内容制作以获取更为清晰、高质量的图像。图像多光谱由多个光谱波段和一个全色波段构成,波段信息不仅具有关联性,而且信息量具有冗余性。由于主成分分析法的线性转换性能较好,可去除波段间关联性,因此,将图像低频、高频部分的多光谱信息含量依次设成两个主成分
Figure SMS_91
、/>
Figure SMS_92
。图像中的差异地物会存在较为类似的光谱表象,只通过光谱特征实施MeanShift滤波操作,便能将光谱存在类似性的差异样本收敛至特征空间一致的模态点中,此时地物光谱不可分,因此,进行航测内业遥感图像分割时,需要导入纹理特征,以此来优化图像分割的稳定度。
设重建的图像大小为
Figure SMS_93
,像素点/>
Figure SMS_94
,图像的低频、高频部分的图像信息主成分分别为/>
Figure SMS_95
、/>
Figure SMS_96
,计算像素点/>
Figure SMS_97
的纹理特征/>
Figure SMS_98
Figure SMS_99
像素点
Figure SMS_100
的位置特征为:
Figure SMS_101
/>
Figure SMS_102
Figure SMS_103
分别为像素点/>
Figure SMS_104
对应/>
Figure SMS_105
、/>
Figure SMS_106
的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域/>
Figure SMS_107
中。
设像素点
Figure SMS_108
的近邻像素点数量为50个,通过MeanShift算法对图像进行自动调节,得到像素点/>
Figure SMS_109
的多维特征自适应向量/>
Figure SMS_110
为:
Figure SMS_111
其中,
Figure SMS_113
,/>
Figure SMS_116
分别为像素点/>
Figure SMS_120
的位置特征向量及纹理特征向量,/>
Figure SMS_115
的近邻像素点的位置特征向量及纹理特征向量分别为/>
Figure SMS_117
和/>
Figure SMS_122
,位置带宽与纹理带宽分别为/>
Figure SMS_123
和/>
Figure SMS_114
,/>
Figure SMS_119
为像素点/>
Figure SMS_121
的第/>
Figure SMS_124
个近邻像素点,/>
Figure SMS_112
为像素点/>
Figure SMS_118
的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,实施区域合并,分别设定位置带宽
Figure SMS_125
,纹理带宽/>
Figure SMS_126
,若两个近邻聚类区的空间距离低于阈值/>
Figure SMS_127
,将两个聚类区合并;两个近邻聚类区的纹理距离低于阈值/>
Figure SMS_128
,将两个聚类区合并;将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割。
通过融合处理分别融合低频分量和高频分量,并循环高频分量和低频分量的融合步骤,每个分解层水平、垂直、斜向三种方位的高频分量均实现融合再停止,将获取的新的低频、高频分量实时小波逆变换,重构获取新的图像;将新的图像与原始图像H、S分量实施HIS逆转换,得到经深度融合后的图像。
同样可以通过图像分割方法提取图像中的局部图像数据信息,并通过融合准则融合至其他场景中,如通过图像分割方法提取图像中的某个人物模型,通过融合准则融合至现实环境中,可以此实现虚拟与现实相结合的场景。
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。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
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 (10)

1.一种图像通信方法,其特征在于:包括如下步骤:
S1:从发送端接收图像信号;
S2:对接收的图像信号进行压缩感知处理;
S3:对接收的图像数据进行图像压缩重建;
S4:对压缩重建后的图像进行沉浸式制作;
S5:将沉浸式制作的图像发送至接收端。
2.根据权利要求1所述的图像通信方法,其特征在于:所述S1中经过解码器进行数字量转换后,获得一维离散信号。
3.根据权利要求2所述的图像通信方法,其特征在于:所述S2中,将一维离散信号划分成多个大小相等的子块,引入正交独立高斯分布矩阵,对子块进行变换,将图像的一维离散信号转换成二维图像块信号。
4.根据权利要求3所述的图像通信方法,其特征在于:所述S3中的图像压缩重建步骤如下:
基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
5.根据权利要求1所述的图像通信方法,其特征在于:所述S4中图像沉浸式内容制作步骤包括图像的沉浸式分割处理及融合处理。
6.根据权利要求5所述的图像通信方法,其特征在于:所述沉浸式分割处理中,设重建的图像大小为
Figure QLYQS_1
,像素点/>
Figure QLYQS_2
,图像的低频、高频部分的图像信息主成分分别为/>
Figure QLYQS_3
、/>
Figure QLYQS_4
,计算每个波段的纹理特征/>
Figure QLYQS_5
Figure QLYQS_6
其中,
Figure QLYQS_7
为波段参数;
像素点
Figure QLYQS_8
的位置特征为:
Figure QLYQS_9
Figure QLYQS_10
Figure QLYQS_11
分别为像素点/>
Figure QLYQS_12
对应/>
Figure QLYQS_13
、/>
Figure QLYQS_14
的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域/>
Figure QLYQS_15
中。
7.根据权利要求6所述的图像通信方法,其特征在于:所述沉浸式分割处理中,通过MeanShift算法对图像进行自动调节,得到多维特征自适应向量
Figure QLYQS_16
为:/>
Figure QLYQS_17
其中,
Figure QLYQS_21
,/>
Figure QLYQS_25
分别为像素点/>
Figure QLYQS_28
的位置特征向量及纹理特征向量,/>
Figure QLYQS_18
的近邻像素点的位置特征向量及纹理特征向量分别为/>
Figure QLYQS_23
和/>
Figure QLYQS_26
,位置带宽与纹理带宽分别为/>
Figure QLYQS_29
和/>
Figure QLYQS_19
,/>
Figure QLYQS_22
为像素点
Figure QLYQS_27
的第/>
Figure QLYQS_30
个近邻像素点,/>
Figure QLYQS_20
为像素点/>
Figure QLYQS_24
的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,根据区域合并准则实施区域合并。
8.根据权利要求7所述的图像通信方法,其特征在于:所述区域合并准则如下:
S3.1:两个近邻聚类区的空间距离低于
Figure QLYQS_31
,两个聚类区合并;
S3.2:两个近邻聚类区的纹理距离低于
Figure QLYQS_32
,两个聚类区合并;
S3.3:将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割。
9.根据权利要求5所述的图像通信方法,其特征在于:所述融合处理步骤中,融合低频分量时,将图像低频分量设为
Figure QLYQS_33
,需要融合的高频分量设为/>
Figure QLYQS_34
,将/>
Figure QLYQS_35
和/>
Figure QLYQS_36
实施融合操作,得到融合分量/>
Figure QLYQS_37
Figure QLYQS_38
生成融合图像新的低频分量
Figure QLYQS_39
Figure QLYQS_40
式中,
Figure QLYQS_41
为小波块标准差。
10.根据权利要求9所述的图像通信方法,其特征在于:所述融合处理步骤中,融合高频分量时,
Figure QLYQS_42
其中,
Figure QLYQS_43
为像素集;/>
Figure QLYQS_44
、/>
Figure QLYQS_45
为分别为经过小波分解获取的新的高频分量和方差。/>
CN202310169200.9A 2023-02-27 2023-02-27 一种图像通信方法 Active CN115866151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310169200.9A CN115866151B (zh) 2023-02-27 2023-02-27 一种图像通信方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310169200.9A CN115866151B (zh) 2023-02-27 2023-02-27 一种图像通信方法

Publications (2)

Publication Number Publication Date
CN115866151A true CN115866151A (zh) 2023-03-28
CN115866151B CN115866151B (zh) 2023-05-16

Family

ID=85659106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310169200.9A Active CN115866151B (zh) 2023-02-27 2023-02-27 一种图像通信方法

Country Status (1)

Country Link
CN (1) CN115866151B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102625124A (zh) * 2012-03-05 2012-08-01 北京交通大学 一种立体编码、解码装置及系统
CN104504740A (zh) * 2015-01-23 2015-04-08 天津大学 压缩感知框架下的图像融合方法
CN104822063A (zh) * 2015-04-16 2015-08-05 长沙理工大学 一种基于字典学习残差重建的压缩感知视频重建方法
US20160195597A1 (en) * 2013-09-05 2016-07-07 Koninklijke Philips N.V. Mri using spatially adaptive regularization for image reconstruction
US20160216372A1 (en) * 2015-01-23 2016-07-28 Mitsubishi Electric Research Laboratories, Inc. System and Method for 3D Imaging using Compressive Sensing with Hyperplane Multi-Baseline Data
CN107071383A (zh) * 2017-02-28 2017-08-18 北京大学深圳研究生院 基于图像局部分割的虚拟视点合成方法
CN216748998U (zh) * 2021-10-26 2022-06-14 上海市胸科医院 多人沉浸式支气管镜教学的处理系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102625124A (zh) * 2012-03-05 2012-08-01 北京交通大学 一种立体编码、解码装置及系统
US20160195597A1 (en) * 2013-09-05 2016-07-07 Koninklijke Philips N.V. Mri using spatially adaptive regularization for image reconstruction
CN104504740A (zh) * 2015-01-23 2015-04-08 天津大学 压缩感知框架下的图像融合方法
US20160216372A1 (en) * 2015-01-23 2016-07-28 Mitsubishi Electric Research Laboratories, Inc. System and Method for 3D Imaging using Compressive Sensing with Hyperplane Multi-Baseline Data
CN104822063A (zh) * 2015-04-16 2015-08-05 长沙理工大学 一种基于字典学习残差重建的压缩感知视频重建方法
CN107071383A (zh) * 2017-02-28 2017-08-18 北京大学深圳研究生院 基于图像局部分割的虚拟视点合成方法
CN216748998U (zh) * 2021-10-26 2022-06-14 上海市胸科医院 多人沉浸式支气管镜教学的处理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENLI MAO: "Video analysis of intelligent teaching based on machine learning and virtual reality technology" *
程亮;: "多帧影视图像真实性建模优化研究仿真" *

Also Published As

Publication number Publication date
CN115866151B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
US10552989B2 (en) Point cloud attribute compression method based on KD tree and optimized graph transformation
Chen et al. Single-image super-resolution algorithm based on structural self-similarity and deformation block features
US11126887B2 (en) Enhanced graph transformation-based point cloud attribute compression method
US9131163B2 (en) Efficient compact descriptors in visual search systems
Duan et al. Compact descriptors for visual search
CN107507253B (zh) 基于高阶张量近似的多属性体数据压缩方法
CN108028945A (zh) 通过使用单例系数更新执行变换的设备和方法
CN102970529A (zh) 一种基于对象的多视点视频分形编码压缩与解压缩方法
CN108257098A (zh) 基于最大后验概率译码和三维块匹配滤波的视频去噪方法
CN112270755A (zh) 三维场景构建方法、装置、存储介质与电子设备
CN112085031A (zh) 目标检测方法及系统
CN111402412A (zh) 数据采集方法及装置、设备、存储介质
CN102300095A (zh) 一种超谱信号的快速压缩编码方法及图像压缩方法
Xiang et al. Remote Sensing Image Compression Based on High-frequency and Low-frequency Components
CN115866151A (zh) 一种图像通信方法
CN103544717B (zh) 一种基于sift特征的二阶段三维图像压缩编码方法
CN113096015A (zh) 基于渐进式感知和超轻量级网络的图像超分辨率重建方法
Mulla et al. Comparison of Different Image Compression Techniques
Maugey et al. Luminance coding in graph-based representation of multiview images
CN114170379A (zh) 一种三维模型重建方法、装置及设备
Kumar et al. A comparative case study on compression algorithm for remote sensing images
García-Sobrino et al. Competitive segmentation performance on near-lossless and lossy compressed remote sensing images
CN116723305B (zh) 一种基于生成式对抗网络的虚拟视点质量增强方法
CN113487487B (zh) 一种异构立体图像的超分辨率重建方法及系统
Chaker et al. Exploiting disparity information for stereo image retrieval

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