CN117478929A - 一种基于ai大模型的新媒体精品影像处理系统 - Google Patents
一种基于ai大模型的新媒体精品影像处理系统 Download PDFInfo
- Publication number
- CN117478929A CN117478929A CN202311832798.1A CN202311832798A CN117478929A CN 117478929 A CN117478929 A CN 117478929A CN 202311832798 A CN202311832798 A CN 202311832798A CN 117478929 A CN117478929 A CN 117478929A
- Authority
- CN
- China
- Prior art keywords
- video
- image
- frame
- unit
- information
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 98
- 238000004458 analytical method Methods 0.000 claims description 74
- 238000011156 evaluation Methods 0.000 claims description 72
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000005282 brightening Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
- H04N21/234309—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by transcoding between formats or standards, e.g. from MPEG-2 to MPEG-4 or from Quicktime to Realvideo
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
- H04N21/440218—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by transcoding between formats or standards, e.g. from MPEG-2 to MPEG-4
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AI大模型的新媒体精品影像处理系统，涉及图像处理技术领域，该系统运行时，收集视频流和视频文件在内的原始影像数据，在校验后组成影像数据包，并对影像数据包进行解析和转换，组成解析数据包，通过AI提取模块进行特征提取，获取时间戳信息、运动信息、色彩信息和纹理信息，并进行帧率分析算法，获取帧率第一数据集，和视频质量评估算法，获取影像第二数据集，通过处理模块对第一数据集和第二数据集进行计算，评估指数Pgzs，并和预设评估指数阈值P进行对比，获取等级处理方案，通过执行模块对等级处理方案内容进行具体执行，进而达到自动接收、解析和转换原始影像数据，达到持续处理原始影像数据的目的。
Description
技术领域
本发明涉及图像处理技术领域，具体为一种基于AI大模型的新媒体精品影像处理系统。
背景技术
随着人工智能技术的快速发展，AI大模型作为其最前沿的应用之一，在数字媒体技术和影视制作领域展现出了巨大的潜力，其引入为影像处理带来了新的变革，通过深度学习和机器学习技术，AI大模型能够对影像数据进行智能分析和处理，提取关键特征信息，为后续的处理和优化提供有力支持，在新媒体精品影像制作中发挥着重要作用。
然而，在当前许多数字媒体处理场景中，仍然依赖人工处理，特别是在视频图像质量调整和优化的过程中，对于视频帧率的提升以及色彩画质的调整，仍然需要大量人工干预和专业技术支持，然而，由于人工处理的主观性和工作量大，不可避免地存在一定程度上的效率低下和成本增加的问题，尤其在面对大规模视频内容处理的场景下，人工处理需要投入大量的人力和时间成本，长时间的工作可能导致处理效率低下和时间成本的增加。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于AI大模型的新媒体精品影像处理系统，解决了背景技术中提到的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于AI大模型的新媒体精品影像处理系统，包括影像接收模块、解析模块、AI提取模块、帧率分析模块、影像分析模块、处理模块和执行模块；
所述影像接收模块负责接收包括视频流和视频文件在内的原始影像数据，并对其完整性和格式进行校验，进而组成完整的影像数据包；
所述解析模块对影像数据包进行解析和格式转换，包括解析视频编码格式、分离视频流和音频流，进而转换为可处理的统一的数据格式，组成解析数据包；
所述AI提取模块通过AI大数据对解析数据包进行特征提取，获取时间戳信息、运动信息、色彩信息和纹理信息；
所述帧率分析模块对时间戳信息和运动信息使用帧率分析算法计算视频帧率，以获取视频帧率相关信息，组成帧率第一数据集；
所述影像分析模块对色彩信息和纹理信息使用视频质量评估算法对影像质量进行评估，以获取影像质量相关信息，组成影像第二数据集；
所述处理模块对第一数据集和第二数据集进行计算，获取：评估指数Pgzs，并和预设评估指数阈值P进行对比，获取等级处理方案；
所述评估指数Pgzs通过以下计算公式获取：
式中，Zlxs表示帧率差值系数，Yxxs表示影像质量系数，A和B分别表示帧率差值系数Zlxs和影像质量系数Yxxs的比例系数，C表示修正常数；
所述帧率差值系数Zlxs通过第一数据集计算获取；
所述影像质量系数Yxxs通过第二数据集计算获取；
所述执行模块根据等级处理方案内容，进行具体执行，进而对原始影像数据进行处理。
优选的，所述影像接收模块包括接收单元和校验单元；
所述接收单元负责接收来自不同来源的原始影像数据，包括视频流和视频文件；
所述校验单元对接收到的原始影像数据进行校验，包括数据完整性和影像数据的格式，防止数据传输过程中的丢失或损坏，以及数据格式的不统一。
优选的，所述解析模块包括解析单元、分离单元和转换单元；
所述解析单元解析接收到的影像数据包中的视频编码格式，识别视频编码的类型和编码参数；
所述分离单元对解析的影像数据包进行分离，提取出视频流和音频流；
所述转换单元将分类后的视频流和音频流进行转换，使其成为可处理的统一数据格式，同时，将视频编码的类型、编码参数、视频流和音频流进行集成，组成解析数据包。
优选的，所述AI提取模块包括时间单元、运动单元和视觉单元；
所述时间单元通过AI大数据模型对解析数据包进行分析，进而提取出视频中与视频帧相关的时间信息特征，组成时间戳信息；
所述运动单元通过AI大数据模型对解析数据包进行分析，进而提取出视频中与运行相关的信息特征，组成运动信息；
所述视觉单元通过AI大数据模型对解析数据包进行分析，进而提取出视频影像中的视觉信息特征，组成色彩信息和纹理信息。
优选的，所述帧率分析模块包括时间分析单元和运行分析单元；
所述时间分析单元用于处理视频数据中的时间戳信息，计算视频帧之间的时间的间隔，时间的间隔方式如下，T1、T2、T3至Tn，其中n为视频中的帧数，时间戳信息获取方式如下：Ti表示第i帧的时间戳；
所述运行分析单元用于处理视频数据中的运行信息，通过对视频中T1、T2、T3至Tn帧数之间的变化进行检测，识别出移动对象或运动区域，进行标记移动对象或运动区域对应的帧数，并记录运动帧数总数Ydmax，并与Tn总帧数关联，获取运动帧数比例值Ydbl；
运动帧数比例值Ydbl通过以下公式获取：
；
帧率第一数据集包括：帧数Tn和帧数时间戳Ti。
优选的，所述影像分析模块包括色彩通道分析单元；
所述色彩通道分析单元负责从色彩信息和纹理信息中提取色彩信息，包括色彩分布和对比度，利用色彩分析算法来获取视频中不同区域的色彩信息，并将其转换为可评估的色彩特征数据，并通过AI大模型进行建立图像模型以获取包括红色、绿色和蓝色通道的像素分布，再进行统计红色、绿色和蓝色通道的分布平均值、方差、偏度和峰度数据；
影像第二数据集包括：红色通道平均值RPjz、红色通道方差值RFcz和红色通道偏度值RPdz，绿色通道平均值GPjz、绿色通道方差值GFcz和绿色通道偏度值GPdz，蓝色通道平均值BPjz、蓝色通道方差值BFcz和蓝色通道偏度值BPdz。
优选的，所述处理模块包括计算单元和评估单元；
所述计算单元通过第一次计算第一数据集与第二数据集，获取：帧率差值系数Zlxs和影像质量系数Yxxs，再进行第二次计算帧率差值系数Zlxs和影像质量系数Yxxs，获取：评估指数Pgzs；
其中，第一次计算具体表示帧率差值系数Zlxs和影像质量系数Yxxs的计算公式进行计算，第二次计算具体表示评估指数Pgzs的计算公式进行计算；
所述评估单元通过预设的评估指数阈值P与运动指数阈值S，与计算获取的评估指数Pgzs和运动帧数比例值Ydbl进行对比，获取等级处理方案。
优选的，所述帧率差值系数Zlxs通过以下公式获取：
；
式中，Tn表示视频的帧数总数，Ti和Ti-1分别表示视频中的第i帧和第i-1帧的时间戳，通过计算视频中相邻帧的帧数时间戳Ti和Ti-1的差异绝对值之和，并除以帧数Tn-1，得到视频帧率的帧率差值系数Zlxs；
所述影像质量系数Yxxs通过以下公式获取：
；
；
；
；
式中，Fbjz表示分布均值因子，Fcz表示方差因子，Pdz表示偏度因子，RPj、GPj和BPj分别表示红色、绿色和蓝色通道的预设平均值，Rfc、Gfc和Bfc分别表示红色、绿色和蓝色通道的预设方差值，Rpd、Gpd和Bpd分别表示红色、绿色和蓝色通道的预设偏度值，RPjz、GPjz和BPjz分别表示红色通道平均值、绿色通道平均值和蓝色通道平均值，RFcz、GFcz和BFcz分别表示红色通道方差值、绿色通道方差值和蓝色通道方差值，RPdz、GPdz和BPdz分别表示红色通道偏度值、绿色通道偏度值和蓝色通道偏度值。
优选的，所述等级处理方案通过以下对比方式获取：
当评估指数Pgzs＜评估指数阈值P，且运动帧数比例值Ydbl＜运动指数阈值S，获取一级评价，对视频图像的帧率不做调整，对视频图像的清晰度不做调整；
当评估指数Pgzs＜评估指数阈值P，且运动帧数比例值Ydbl≥运动指数阈值S，获取二级评价，对视频图像的帧率不做调整，对视频图像的清晰度以及画质进行调整，包括去除噪点、图片清洗和图像稳定，以及调整视频图像的色彩画质，包括调整饱和度、色调、对比度和平衡度，使视频图像中的运动区域、图像边缘显示、图像边缘勾勒线条以及微小的物体、文字和图案，达到轮廓模糊调整至轮廓清晰的目的；
当评估指数Pgzs≥评估指数阈值P，且运动帧数比例值Ydbl＜运动指数阈值S，获取三级评价，对视频图像的帧率进行调整，进而使视频图像帧率进行提升，包括使用插帧技术、调整采样率和视频压缩优化，达到快速移动的物体轨迹或者高速动作中的细节轮廓变的清晰不再模糊的目的，对视频图像的清晰度以及画质不做调整；
当评估指数Pgzs≥评估指数阈值P，且运动帧数比例值Ydbl≥运动指数阈值S，获取四级评价，对视频图像的帧率进行调整，进而使视频图像帧率进行提升，包括使用插帧技术、调整采样率和视频压缩优化，达到快速运动或者快速变化的场景视频连贯不卡顿的效果，以及运动区域的图像边缘和轮廓变得清晰和完整，对视频图像的清晰度以及画质进行调整，包括色彩校正和图像处理，色彩校准包括：饱和度、色调、对比度和平衡度，图像处理包括：去噪处理、局部对比增强和图像清晰，达到对视频图像的图像轮廓清晰化，图像色彩鲜艳化，图像局部明亮化和图像局部立体化的目的。
优选的，所述执行模块包括调整单元；
所述调整单元根据等级处理方案内容指定的具体调整方案，对视频进行帧率、清晰度以及色彩画质的调整，根据具体的处理方案内容调整视频的帧率、去噪、图像清洗和图像稳定。
（三）有益效果
本发明提供了一种基于AI大模型的新媒体精品影像处理系统，具备以下有益效果：
（1）系统运行时，收集视频流和视频文件在内的原始影像数据，在校验后组成影像数据包，对影像数据包进行解析和转换，组成解析数据包，通过AI提取模块进行特征提取，获取时间戳信息、运动信息、色彩信息和纹理信息，并进行帧率分析算法，获取帧率第一数据集，和视频质量评估算法，获取影像第二数据集，通过处理模块对第一数据集和第二数据集进行计算，评估指数Pgzs，并和预设评估指数阈值P进行对比，获取等级处理方案，对等级处理方案内容进行具体执行，进而达到自动接收、解析和转换原始影像数据，以及持续处理原始影像数据，提高处理的效率和成本效益，降低人力资源和时间成本的开支。
（2）通过预设的评估指数阈值P与运动指数阈值S，与计算获取的评估指数Pgzs和运动帧数比例值Ydbl进行对比，获取多个等级的等级处理方案，自动判断视频需要的处理方式，进而根据等级处理方案的内容，进行执行，对影像视频进行处理，优化视频处理流程，提高处理的准确性和效率，从而有效节省人力资源和时间成本。
附图说明
图1为本发明一种基于AI大模型的新媒体精品影像处理系统框图流程示意图。
具体实施方式
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、完整的描述，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。
随着人工智能技术的快速发展，AI大模型作为其最前沿的应用之一，在数字媒体技术和影视制作领域展现出了巨大的潜力，其引入为影像处理带来了新的变革，通过深度学习和机器学习技术，AI大模型能够对影像数据进行智能分析和处理，提取关键特征信息，为后续的处理和优化提供有力支持，在新媒体精品影像制作中发挥着重要作用。
然而，在当前许多数字媒体处理场景中，仍然依赖人工处理，特别是在视频图像质量调整和优化的过程中，对于视频帧率的提升以及色彩画质的调整，仍然需要大量人工干预和专业技术支持，然而，由于人工处理的主观性和工作量大，不可避免地存在一定程度上的效率低下和成本增加的问题，尤其在面对大规模视频内容处理的场景下，人工处理需要投入大量的人力和时间成本，长时间的工作可能导致处理效率低下和时间成本的增加。
实施例1
本发明提供一种基于AI大模型的新媒体精品影像处理系统，请参阅图1，包括影像接收模块、解析模块、AI提取模块、帧率分析模块、影像分析模块、处理模块和执行模块；
所述影像接收模块负责接收包括视频流和视频文件在内的原始影像数据，并对其完整性和格式进行校验，进而组成完整的影像数据包；
所述解析模块对影像数据包进行解析和格式转换，包括解析视频编码格式、分离视频流和音频流，进而转换为可处理的统一的数据格式，组成解析数据包；
所述AI提取模块通过AI大数据对解析数据包进行特征提取，获取时间戳信息、运动信息、色彩信息和纹理信息；
所述帧率分析模块对时间戳信息和运动信息使用帧率分析算法计算视频帧率，以获取视频帧率相关信息，组成帧率第一数据集；
所述影像分析模块对色彩信息和纹理信息使用视频质量评估算法对影像质量进行评估，以获取影像质量相关信息，组成影像第二数据集；
所述处理模块对第一数据集和第二数据集进行计算，获取：评估指数Pgzs，并和预设评估指数阈值P进行对比，获取等级处理方案；
所述评估指数Pgzs通过以下计算公式获取：
式中，Zlxs表示帧率差值系数，Yxxs表示影像质量系数，A和B分别表示帧率差值系数Zlxs和影像质量系数Yxxs的比例系数，C表示修正常数；
其中，，，且，；
所述帧率差值系数Zlxs通过第一数据集计算获取；
所述影像质量系数Yxxs通过第二数据集计算获取；
所述执行模块根据等级处理方案内容，进行具体执行，进而对原始影像数据进行处理。
本实例中，通过影像接收模块接收集视频流和视频文件在内的原始影像数据，在校验后组成影像数据包，通过解析模块对影像数据包进行解析和转换，组成解析数据包，通过AI提取模块进行特征提取，获取时间戳信息、运动信息、色彩信息和纹理信息，并通过帧率分析模块进行帧率分析算法，获取帧率第一数据集，和影像分析模块进行视频质量评估算法，获取影像第二数据集，通过处理模块对第一数据集和第二数据集进行计算，评估指数Pgzs，并和预设评估指数阈值P进行对比，获取等级处理方案，通过执行模块对等级处理方案内容进行具体执行，进而达到自动接收、解析和转换原始影像数据，以及持续处理原始影像数据，提高处理的效率和成本效益，降低人力资源和时间成本的开支。
实施例2
本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述影像接收模块包括接收单元和校验单元；
所述接收单元负责接收来自不同来源的原始影像数据，包括视频流和视频文件；
所述校验单元对接收到的原始影像数据进行校验，包括数据完整性和影像数据的格式，防止数据传输过程中的丢失或损坏，以及数据格式的不统一。
所述解析模块包括解析单元、分离单元和转换单元；
所述解析单元解析接收到的影像数据包中的视频编码格式，识别视频编码的类型和编码参数；
所述分离单元对解析的影像数据包进行分离，提取出视频流和音频流；
所述转换单元将分类后的视频流和音频流进行转换，使其成为可处理的统一数据格式，同时，通过对视频编码类型、编码参数以及视频流和音频流的统一处理和集成，确保在后续处理过程中降低出现格式不兼容或信息丢失的情况，将视频编码的类型、编码参数、视频流和音频流进行集成，组成解析数据包。
所述AI提取模块包括时间单元、运动单元和视觉单元；
所述时间单元通过AI大数据模型对解析数据包进行分析，对视频帧的时间戳信息的精准提取和分析，捕捉视频中每一帧的时间间隔和时间信息，利用时间戳信息，分析视频帧之间的时间间隔，并检测出时间戳异常或不连续情况，进而提取出视频中与视频帧相关的时间信息特征，组成时间戳信息；
所述运动单元通过AI大数据模型对解析数据包进行分析，包括对视频中移动对象和运动区域的识别和标记，使用运动分析算法，识别出视频中的移动对象和运动区域，并对其进行标记和记录，进而提取出视频中与运行相关的信息特征，组成运动信息；
所述视觉单元通过AI大数据模型对解析数据包进行分析，包括对视频影像中的色彩信息进行分析，以捕捉不同区域的色彩特征和变化情况，同时采用色彩分析算法，以获取视频中各个区域的色彩分布、色彩对比度以及色彩变化趋势信息，采用纹理分析算法，以获取视频中各个区域的纹理分布、纹理对比度以及纹理变化趋势信息，进而提取出视频影像中的视觉信息特征，组成色彩信息和纹理信息。
所述帧率分析模块包括时间分析单元和运行分析单元；
所述时间分析单元用于处理视频数据中的时间戳信息，计算视频帧之间的时间的间隔，时间的间隔方式如下，T1、T2、T3至Tn，其中n为视频中的帧数，时间戳信息获取方式如下：Ti表示第i帧的时间戳；
所述运行分析单元用于处理视频数据中的运行信息，通过对视频中T1、T2、T3至Tn帧数之间的变化进行检测，识别出移动对象或运动区域，进行标记移动对象或运动区域对应的帧数，并记录运动帧数总数Ydmax，并与Tn总帧数关联，获取运动帧数比例值Ydbl；
运动帧数比例值Ydbl通过以下公式获取：
；
帧率第一数据集包括：帧数Tn和帧数时间戳Ti。
所述影像分析模块包括色彩通道分析单元；
所述色彩通道分析单元负责从色彩信息和纹理信息中提取色彩信息，包括色彩分布和对比度，利用色彩分析算法来获取视频中不同区域的色彩信息，并将其转换为可评估的色彩特征数据，同时针对色彩对比度进行分析，通过比较不同区域的色彩对比度差异，来判断视频中的色彩对比度情况，从而为后续的调整和优化提供依据，并通过AI大模型进行建立图像模型以获取包括红色、绿色和蓝色通道的像素分布，再进行统计红色、绿色和蓝色通道的分布平均值、方差、偏度和峰度数据；
影像第二数据集包括：红色通道平均值RPjz、红色通道方差值RFcz和红色通道偏度值RPdz，绿色通道平均值GPjz、绿色通道方差值GFcz和绿色通道偏度值GPdz，蓝色通道平均值BPjz、蓝色通道方差值BFcz和蓝色通道偏度值BPdz。
实施例3
本实施例是在实施例1中进行的解释说明，请参照图1，具体的：
所述处理模块包括计算单元和评估单元；
所述计算单元通过第一次计算第一数据集与第二数据集，获取：帧率差值系数Zlxs和影像质量系数Yxxs，再进行第二次计算帧率差值系数Zlxs和影像质量系数Yxxs，获取：评估指数Pgzs；
其中，第一次计算具体表示帧率差值系数Zlxs和影像质量系数Yxxs的计算公式进行计算，第二次计算具体表示评估指数Pgzs的计算公式进行计算；
所述评估单元通过预设的评估指数阈值P与运动指数阈值S，与计算获取的评估指数Pgzs和运动帧数比例值Ydbl进行对比，获取等级处理方案。
所述帧率差值系数Zlxs通过以下公式获取：
；
式中，Tn表示视频的帧数总数，Ti和Ti-1分别表示视频中的第i帧和第i-1帧的时间戳，通过计算视频中相邻帧的帧数时间戳Ti和Ti-1的差异绝对值之和，并除以帧数Tn-1，得到视频帧率的帧率差值系数Zlxs；
所述影像质量系数Yxxs通过以下公式获取：
；
；
；
；
式中，Fbjz表示分布均值因子，Fcz表示方差因子，Pdz表示偏度因子，RPj、GPj和BPj分别表示红色、绿色和蓝色通道的预设平均值，Rfc、Gfc和Bfc分别表示红色、绿色和蓝色通道的预设方差值，Rpd、Gpd和Bpd分别表示红色、绿色和蓝色通道的预设偏度值，RPjz、GPjz和BPjz分别表示红色通道平均值、绿色通道平均值和蓝色通道平均值，RFcz、GFcz和BFcz分别表示红色通道方差值、绿色通道方差值和蓝色通道方差值，RPdz、GPdz和BPdz分别表示红色通道偏度值、绿色通道偏度值和蓝色通道偏度值。
所述等级处理方案通过以下对比方式获取：
当评估指数Pgzs＜评估指数阈值P，且运动帧数比例值Ydbl＜运动指数阈值S，获取一级评价，对视频图像的帧率不做调整，对视频图像的清晰度不做调整，保持视频的原有特色和质量，同时减少处理过程对视频的潜在影响；
当评估指数Pgzs＜评估指数阈值P，且运动帧数比例值Ydbl≥运动指数阈值S，获取二级评价，对视频图像的帧率不做调整，对视频图像的清晰度以及画质进行调整，包括去除噪点、图片清洗和图像稳定，以及调整视频图像的色彩画质，包括调整饱和度、色调、对比度和平衡度，使视频图像中的运动区域、图像边缘显示、图像边缘勾勒线条以及微小的物体、文字和图案，达到轮廓模糊调整至轮廓清晰的目的，以增强图像的视觉效果和色彩表现力，这些处理手段共同作用于视频图像的各个方面，以确保视频的最终呈现效果更加清晰以及生动，并增强整体的视觉冲击力；
当评估指数Pgzs≥评估指数阈值P，且运动帧数比例值Ydbl＜运动指数阈值S，获取三级评价，对视频图像的帧率进行调整，进而使视频图像帧率进行提升，包括使用插帧技术、调整采样率和视频压缩优化，达到快速移动的物体轨迹或者高速动作中的细节轮廓变的清晰不再模糊的目的，对视频图像的清晰度以及画质不做调整，虽然在此过程中不对视频图像的清晰度和画质进行调整，但通过提升帧率和优化视频压缩等措施，系统将运用视频压缩算法，以提高视频数据的传输和存储效率，降低存储和传输成本，同时保证视频图像的质量和稳定性，进而将通过调整帧率、优化采样率以及视频压缩优化手段，来提高视频的观赏性和用户体验，使得视频内容的播放更加流畅自然，同时保持视频图像的清晰度和画质稳定；
当评估指数Pgzs≥评估指数阈值P，且运动帧数比例值Ydbl≥运动指数阈值S，获取四级评价，对视频图像的帧率进行调整，进而使视频图像帧率进行提升，包括使用插帧技术、调整采样率和视频压缩优化，达到快速运动或者快速变化的场景视频连贯不卡顿的效果，以及运动区域的图像边缘和轮廓变得清晰和完整，对视频图像的清晰度以及画质进行调整，包括色彩校正和图像处理，色彩校准包括：饱和度、色调、对比度和平衡度，图像处理包括：去噪处理、局部对比增强和图像清晰，达到对视频图像的图像轮廓清晰化，图像色彩鲜艳化，图像局部明亮化和图像局部立体化的目的，运用噪处理技术、局部对比增强算法和图像清晰度提升方法，以提升视频图像的细节展现和清晰度，使得视频画面更加逼真生动，通过这些多方位、多维度的调整方式和方法，系统将实现对视频图像处理的全面优化，提高视频的观赏价值和用户体验；
其中，边缘模糊、边缘不清晰和轮廓不清晰：指的是图像中物体或结构的边界线不够明显、不连贯和大小宽度不一致，导致细节不够清晰或辨识度降低。
所述执行模块包括调整单元；
所述调整单元根据等级处理方案内容指定的具体调整方案，对视频进行帧率、清晰度以及色彩画质的调整，根据具体的处理方案内容调整视频的帧率、去噪、图像清洗和图像稳定。
本实例中，通过预设的评估指数阈值P与运动指数阈值S，与计算获取的评估指数Pgzs和运动帧数比例值Ydbl进行对比，获取多个等级的等级处理方案，自动判断视频需要的处理方式，进而根据等级处理方案的内容，进行执行，对影像视频进行处理，优化视频处理流程，提高处理的准确性和效率，从而有效节省人力资源和时间成本。
具体示例：某某传媒公司使用的一种基于AI大模型的新媒体精品影像处理系统，将使用一些具体的参数和值来演示如何计算：评估指数Pgzs、帧率差值系数Zlxs和影像质量系数Yxxs；
假设拥有以下参数值：
有一个视频，其中前5帧的时间戳分别为：1,2,3,4,5秒，获取：T1帧数，T2帧数，T3帧数，T4帧数，T5帧数，同时Ti与1,2,3,4,5秒，获取T1=1秒，T2=2秒，T3=13秒，T4=4秒，T5=5秒，
运动帧数总数Ydmax：2；
根据运动帧数比例值Ydbl获取：
Ydbl=(2/5)*100%=40%；
根据帧率差值系数Zlxs的计算公式获取：
Zlxs=1/(5-1)*(|1/(2-1)|+|1/(3-2)|+|1/(4-3)|+|1/(5-4)|)=1；
红色通道像素分布：[30,20,10,5,15,20,25,40,50,45]；
绿色通道像素分布：[10,15,25,20,35,40,50,45,30,20]；
蓝色通道像素分布：[20,25,30,35,40,45,50,40,30,20]；
获取：红色通道平均值RPjz：27.5、红色通道方差值RFcz：30和红色通道偏度值RPdz：34，绿色通道平均值GPjz：174、绿色通道方差值绿色Fcz：190和绿色通道偏度值绿色Pdz：91，蓝色通道平均值BPjz：0.22、蓝色通道方差值BFcz：0.09和蓝色通道偏度值BPdz：0.23；
RPj：28、GPj：32和BPj：36分别表示红色、绿色和蓝色通道的预设平均值；
Rfc：180、Gfc：180和Bfc：180分别表示红色、绿色和蓝色通道的预设方差值；
Rpd：0.2、Gpd：0.1和Bpd：0.2分别表示红色、绿色和蓝色通道的预设偏度值；
根据影像质量系数Yxxs的计算公式获取：
Fbjz=[(28-27.5)+(32-30)+(36-34)]/3=1.5；
Fcz=[(180-174)+(180-190)+(180-91)]/3=28.3；
Pdz=[(0.2-0.22)+(0.1-0.09)+(0.2-0.23)]/0.03=1.3；
Zlxs=(1.5+28.3+1.3)/3=10.36；
修正常数C：0.91，比例系数A：0.43和B：45：
根据评估指数Pgzs的计算公式获取：
Pgzs=[(0.43*1)+(0.45*10.36)]+0.91=6；
将评估指数阈值P设置为10，运动指数阈值S设置为25%，与评估指数Pgzs和运动帧数比例值Ydbl进行对比，当评估指数Pgzs＜评估指数阈值P，且运动帧数比例值Ydbl≥运动指数阈值S，获取二级评价，对视频图像的帧率不做调整，对视频图像的清晰度以及画质进行调整，包括去除噪点、图片清洗和图像稳定，以及调整视频图像的色彩画质，包括调整饱和度、色调、对比度和平衡度。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于AI大模型的新媒体精品影像处理系统，其特征在于：包括影像接收模块、解析模块、AI提取模块、帧率分析模块、影像分析模块、处理模块和执行模块；
所述影像接收模块负责接收包括视频流和视频文件在内的原始影像数据，并对其完整性和格式进行校验，进而组成完整的影像数据包；
所述解析模块对影像数据包进行解析和格式转换，包括解析视频编码格式、分离视频流和音频流，进而转换为可处理的统一的数据格式，组成解析数据包；
所述AI提取模块通过AI大数据对解析数据包进行特征提取，获取时间戳信息、运动信息、色彩信息和纹理信息；
所述帧率分析模块对时间戳信息和运动信息使用帧率分析算法计算视频帧率，以获取视频帧率相关信息，组成帧率第一数据集；
所述影像分析模块对色彩信息和纹理信息使用视频质量评估算法对影像质量进行评估，以获取影像质量相关信息，组成影像第二数据集；
所述处理模块对第一数据集和第二数据集进行计算，获取：评估指数Pgzs，并和预设评估指数阈值P进行对比，获取等级处理方案；
所述评估指数Pgzs通过以下计算公式获取：
；
式中，Zlxs表示帧率差值系数，Yxxs表示影像质量系数，A和B分别表示帧率差值系数Zlxs和影像质量系数Yxxs的比例系数，C表示修正常数；
所述帧率差值系数Zlxs通过第一数据集计算获取；
所述影像质量系数Yxxs通过第二数据集计算获取；
所述执行模块根据等级处理方案内容，进行具体执行，进而对原始影像数据进行处理。
2.根据权利要求1所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述影像接收模块包括接收单元和校验单元；
所述接收单元负责接收来自不同来源的原始影像数据，包括视频流和视频文件；
所述校验单元对接收到的原始影像数据进行校验，包括数据完整性和影像数据的格式，防止数据传输过程中的丢失或损坏，以及数据格式的不统一。
3.根据权利要求1所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述解析模块包括解析单元、分离单元和转换单元；
所述解析单元解析接收到的影像数据包中的视频编码格式，识别视频编码的类型和编码参数；
所述分离单元对解析的影像数据包进行分离，提取出视频流和音频流；
所述转换单元将分类后的视频流和音频流进行转换，使其成为可处理的统一数据格式，同时，将视频编码的类型、编码参数、视频流和音频流进行集成，组成解析数据包。
4.根据权利要求3所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述AI提取模块包括时间单元、运动单元和视觉单元；
所述时间单元通过AI大数据模型对解析数据包进行分析，进而提取出视频中与视频帧相关的时间信息特征，组成时间戳信息；
所述运动单元通过AI大数据模型对解析数据包进行分析，进而提取出视频中与运行相关的信息特征，组成运动信息；
所述视觉单元通过AI大数据模型对解析数据包进行分析，进而提取出视频影像中的视觉信息特征，组成色彩信息和纹理信息。
5.根据权利要求4所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述帧率分析模块包括时间分析单元和运行分析单元；
所述时间分析单元用于处理视频数据中的时间戳信息，计算视频帧之间的时间的间隔，时间的间隔方式如下，T1、T2、T3至Tn，其中n为视频中的帧数，时间戳信息获取方式如下：Ti表示第i帧的时间戳；
所述运行分析单元用于处理视频数据中的运行信息，通过对视频中T1、T2、T3至Tn帧数之间的变化进行检测，识别出移动对象或运动区域，进行标记移动对象或运动区域对应的帧数，并记录运动帧数总数Ydmax，并与Tn总帧数关联，获取运动帧数比例值Ydbl；
运动帧数比例值Ydbl通过以下公式获取：
；
帧率第一数据集包括：帧数Tn和帧数时间戳Ti。
6.根据权利要求4所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述影像分析模块包括色彩通道分析单元；
所述色彩通道分析单元负责从色彩信息和纹理信息中提取色彩信息，包括色彩分布和对比度，利用色彩分析算法来获取视频中不同区域的色彩信息，并将其转换为可评估的色彩特征数据，并通过AI大模型进行建立图像模型以获取包括红色、绿色和蓝色通道的像素分布，再进行统计红色、绿色和蓝色通道的分布平均值、方差、偏度和峰度数据；
影像第二数据集包括：红色通道平均值RPjz、红色通道方差值RFcz和红色通道偏度值RPdz，绿色通道平均值GPjz、绿色通道方差值GFcz和绿色通道偏度值GPdz，蓝色通道平均值BPjz、蓝色通道方差值BFcz和蓝色通道偏度值BPdz。
7.根据权利要求5所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述处理模块包括计算单元和评估单元；
所述计算单元通过第一次计算第一数据集与第二数据集，获取：帧率差值系数Zlxs和影像质量系数Yxxs，再进行第二次计算帧率差值系数Zlxs和影像质量系数Yxxs，获取：评估指数Pgzs；
其中，第一次计算具体表示帧率差值系数Zlxs和影像质量系数Yxxs的计算公式进行计算，第二次计算具体表示评估指数Pgzs的计算公式进行计算；
所述评估单元通过预设的评估指数阈值P与运动指数阈值S，与计算获取的评估指数Pgzs和运动帧数比例值Ydbl进行对比，获取等级处理方案。
8.根据权利要求7所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述帧率差值系数Zlxs通过以下公式获取：
；
式中，Tn表示视频的帧数总数，Ti和Ti-1分别表示视频中的第i帧和第i-1帧的时间戳，通过计算视频中相邻帧的帧数时间戳Ti和Ti-1的差异绝对值之和，并除以帧数Tn-1，得到视频帧率的帧率差值系数Zlxs；
所述影像质量系数Yxxs通过以下公式获取：
；
；
；
；
式中，Fbjz表示分布均值因子，Fcz表示方差因子，Pdz表示偏度因子，RPj、GPj和BPj分别表示红色、绿色和蓝色通道的预设平均值，Rfc、Gfc和Bfc分别表示红色、绿色和蓝色通道的预设方差值，Rpd、Gpd和Bpd分别表示红色、绿色和蓝色通道的预设偏度值，RPjz、GPjz和BPjz分别表示红色通道平均值、绿色通道平均值和蓝色通道平均值，RFcz、GFcz和BFcz分别表示红色通道方差值、绿色通道方差值和蓝色通道方差值，RPdz、GPdz和BPdz分别表示红色通道偏度值、绿色通道偏度值和蓝色通道偏度值。
9.根据权利要求7所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述等级处理方案通过以下对比方式获取：
当评估指数Pgzs＜评估指数阈值P，且运动帧数比例值Ydbl＜运动指数阈值S，获取一级评价，对视频图像的帧率不做调整，对视频图像的清晰度不做调整；
当评估指数Pgzs＜评估指数阈值P，且运动帧数比例值Ydbl≥运动指数阈值S，获取二级评价，对视频图像的帧率不做调整，对视频图像的清晰度以及画质进行调整，包括去除噪点、图片清洗和图像稳定，以及调整视频图像的色彩画质，包括调整饱和度、色调、对比度和平衡度，使视频图像中的运动区域、图像边缘显示、图像边缘勾勒线条以及微小的物体、文字和图案，达到轮廓模糊调整至轮廓清晰的目的；
当评估指数Pgzs≥评估指数阈值P，且运动帧数比例值Ydbl＜运动指数阈值S，获取三级评价，对视频图像的帧率进行调整，进而使视频图像帧率进行提升，包括使用插帧技术、调整采样率和视频压缩优化，达到快速移动的物体轨迹或者高速动作中的细节轮廓变的清晰不再模糊的目的，对视频图像的清晰度以及画质不做调整；
当评估指数Pgzs≥评估指数阈值P，且运动帧数比例值Ydbl≥运动指数阈值S，获取四级评价，对视频图像的帧率进行调整，进而使视频图像帧率进行提升，包括使用插帧技术、调整采样率和视频压缩优化，达到快速运动或者快速变化的场景视频连贯不卡顿的效果，以及运动区域的图像边缘和轮廓变得清晰和完整，对视频图像的清晰度以及画质进行调整，包括色彩校正和图像处理，色彩校准包括：饱和度、色调、对比度和平衡度，图像处理包括：去噪处理、局部对比增强和图像清晰，达到对视频图像的图像轮廓清晰化，图像色彩鲜艳化，图像局部明亮化和图像局部立体化的目的。
10.根据权利要求9所述的一种基于AI大模型的新媒体精品影像处理系统，其特征在于：
所述执行模块包括调整单元；
所述调整单元根据等级处理方案内容指定的具体调整方案，对视频进行帧率、清晰度以及色彩画质的调整，根据具体的处理方案内容调整视频的帧率、去噪、图像清洗和图像稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311832798.1A CN117478929B (zh) | 2023-12-28 | 2023-12-28 | 一种基于ai大模型的新媒体精品影像处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311832798.1A CN117478929B (zh) | 2023-12-28 | 2023-12-28 | 一种基于ai大模型的新媒体精品影像处理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117478929A true CN117478929A (zh) | 2024-01-30 |
| CN117478929B CN117478929B (zh) | 2024-03-08 |
Family
ID=89638353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311832798.1A Active CN117478929B (zh) | 2023-12-28 | 2023-12-28 | 一种基于ai大模型的新媒体精品影像处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117478929B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149495A (zh) * | 2020-08-07 | 2020-12-29 | 中国矿业大学(北京) | 一种基于视差追踪的视频关键帧提取方法 |
| US20210319809A1 (en) * | 2020-04-10 | 2021-10-14 | Sunday Morning Technology (Guangzhou) Co., Ltd. | Method, system, medium, and smart device for cutting video using video content |
| WO2021237616A1 (zh) * | 2020-05-28 | 2021-12-02 | 深圳市大疆创新科技有限公司 | 图像传输方法、可移动平台及计算机可读存储介质 |
| CN114900692A (zh) * | 2022-04-28 | 2022-08-12 | 有半岛(北京)信息科技有限公司 | 视频流帧率调整方法及其装置、设备、介质、产品 |
| CN115147288A (zh) * | 2021-03-31 | 2022-10-04 | 华为技术有限公司 | 图像处理方法及电子设备 |
| WO2023016039A1 (zh) * | 2021-08-12 | 2023-02-16 | 荣耀终端有限公司 | 视频处理方法、装置、电子设备和存储介质 |
| CN116055802A (zh) * | 2022-07-21 | 2023-05-02 | 荣耀终端有限公司 | 图像帧处理方法及电子设备 |
| CN117119175A (zh) * | 2023-10-23 | 2023-11-24 | 常州海图信息科技股份有限公司 | 一种煤矿井下风门ai视频安全管理控制系统 |
-
2023
- 2023-12-28 CN CN202311832798.1A patent/CN117478929B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210319809A1 (en) * | 2020-04-10 | 2021-10-14 | Sunday Morning Technology (Guangzhou) Co., Ltd. | Method, system, medium, and smart device for cutting video using video content |
| WO2021237616A1 (zh) * | 2020-05-28 | 2021-12-02 | 深圳市大疆创新科技有限公司 | 图像传输方法、可移动平台及计算机可读存储介质 |
| CN112149495A (zh) * | 2020-08-07 | 2020-12-29 | 中国矿业大学(北京) | 一种基于视差追踪的视频关键帧提取方法 |
| CN115147288A (zh) * | 2021-03-31 | 2022-10-04 | 华为技术有限公司 | 图像处理方法及电子设备 |
| WO2023016039A1 (zh) * | 2021-08-12 | 2023-02-16 | 荣耀终端有限公司 | 视频处理方法、装置、电子设备和存储介质 |
| CN114900692A (zh) * | 2022-04-28 | 2022-08-12 | 有半岛(北京)信息科技有限公司 | 视频流帧率调整方法及其装置、设备、介质、产品 |
| CN116055802A (zh) * | 2022-07-21 | 2023-05-02 | 荣耀终端有限公司 | 图像帧处理方法及电子设备 |
| CN117119175A (zh) * | 2023-10-23 | 2023-11-24 | 常州海图信息科技股份有限公司 | 一种煤矿井下风门ai视频安全管理控制系统 |
Non-Patent Citations (1)
| Title |
|---|
| 谢辛;: "AI补帧技术的影像化应用探析", 现代电影技术, no. 08, 11 August 2020 (2020-08-11) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117478929B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063694B (zh) | 一种视频目标检测识别方法 | |
| US8254677B2 (en) | Detection apparatus, detection method, and computer program | |
| US8279345B2 (en) | System and method for random noise estimation in a sequence of images | |
| US8189913B2 (en) | Method for detecting shadow of object | |
| KR101471199B1 (ko) | 영상을 전경과 배경으로 분리하는 방법 및 장치, 영상을전경과 배경으로 분리하여 배경을 대체하는 방법 및 장치 | |
| CN108347643A (zh) | 一种基于深度学习的字幕叠加截图的实现方法 | |
| CN102306307B (zh) | 一种彩色显微图像序列中固点噪声的定位方法 | |
| CN111476744B (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
| CN114596259A (zh) | 无参考的视频质量确定方法、装置、设备和存储介质 | |
| CN111428590B (zh) | 一种视频聚类切分方法和系统 | |
| CN109727198A (zh) | 一种基于肤色检测的图像亮度优化方法 | |
| JP2006270301A (ja) | シーンチェンジ検出装置およびシーンチェンジ検出プログラム | |
| CN117478929B (zh) | 一种基于ai大模型的新媒体精品影像处理系统 | |
| CN117058161B (zh) | 基于图像处理的电子烟雾化烟雾图像分割方法 | |
| CN111460964A (zh) | 一种广电传输机房低照度条件下运动目标检测方法 | |
| CN102427538B (zh) | 电影对比度色度自动增强方法 | |
| CN103379346A (zh) | 一种yuv格式图像的色度信息处理方法、装置及系统 | |
| CN102292724B (zh) | 匹配加权信息提取装置 | |
| CN111028181A (zh) | 一种图像增强处理方法、装置、设备及存储介质 | |
| US11516450B1 (en) | Method of regional color processing based on video content and system using the same | |
| CN115460462A (zh) | 一种粤语新闻视频中自动裁剪含主播的视听数据集的方法 | |
| CN102625028A (zh) | 对视频中存在的静态徽标进行检测的方法和设备 | |
| CN111402189B (zh) | 一种视频图像偏色检测装置及方法 | |
| CN113128512A (zh) | 一种基于颜色通道去红章的方法及工具 | |
| KR101337833B1 (ko) | 컨텐츠에 대한 관객 반응의 판단 방법 |
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 |