-
公开(公告)号：CN112070696B
公开(公告)日：2024-11-05
申请号：CN202010926365.2
申请日：2020-09-07
Applicant: 上海大学
Abstract: 本发明提供了一种基于纹理与结构分离的图像修复方法及系统，采用相对总变分图像平滑模型对待修复图像进行分离，得到待修复图像的纹理图像和结构图像；对于结构图像，使用张量投票模型，预测待修复结构图像缺失区域边缘信息；基于预测得到的缺失区域边缘信息，优化基于样本块修复算法的优先级函数，进而对结构图像进行修复，得到结构修复结果；对于纹理图像，采用多样本块融合的次优匹配块修复方法，对纹理图像进行修复，得到纹理修复结果；结合结构修复结果和纹理修复结果，实现对图像的修复。本发明充分利用图像的已知信息，在保持修复结果结构性连续的同时，合理的恢复出图像的纹理部分，在修复结果的主观质量和客观指标上都得到了明显的提升。
-
公开(公告)号：CN111787187B
公开(公告)日：2021-07-02
申请号：CN202010747063.9
申请日：2020-07-29
Applicant: 上海大学
Abstract: 本发明提供了一种利用深度卷积神经网络进行视频修复的方法、系统、终端，包括：对原始视频数据集进行预处理，形成训练集；构建特征提取网络模型；构建损失函数；联合利用训练集和损失函数对构建的特征提取网络模型进行训练，通过训练生成的结果，对模型进行调参，得到最终的视频修复模型；利用得到的视频修复模型对视频进行修复。本发明提供的利用深度卷积神经网络进行视频修复的方法、系统、终端，改变了传统方法依靠人工定义和提取特征的弊端，利用深度卷积神经网络强大的特征提取能力，加上帧间的边缘信息作为修复引导，使得视频帧在空域和时域上的特征得到尽可能多的利用，同时提升了视频修复的主、客观质量评价指标。
-
公开(公告)号：CN111787187A
公开(公告)日：2020-10-16
申请号：CN202010747063.9
申请日：2020-07-29
Applicant: 上海大学
Abstract: 本发明提供了一种利用深度卷积神经网络进行视频修复的方法、系统、终端，包括：对原始视频数据集进行预处理，形成训练集；构建特征提取网络模型；构建损失函数；联合利用训练集和损失函数对构建的特征提取网络模型进行训练，通过训练生成的结果，对模型进行调参，得到最终的视频修复模型；利用得到的视频修复模型对视频进行修复。本发明提供的利用深度卷积神经网络进行视频修复的方法、系统、终端，改变了传统方法依靠人工定义和提取特征的弊端，利用深度卷积神经网络强大的特征提取能力，加上帧间的边缘信息作为修复引导，使得视频帧在空域和时域上的特征得到尽可能多的利用，同时提升了视频修复的主、客观质量评价指标。
-
公开(公告)号：CN112070696A
公开(公告)日：2020-12-11
申请号：CN202010926365.2
申请日：2020-09-07
Applicant: 上海大学
IPC: G06T5/00
Abstract: 本发明提供了一种基于纹理与结构分离的图像修复方法及系统，采用相对总变分图像平滑模型对待修复图像进行分离，得到待修复图像的纹理图像和结构图像；对于结构图像，使用张量投票模型，预测待修复结构图像缺失区域边缘信息；基于预测得到的缺失区域边缘信息，优化基于样本块修复算法的优先级函数，进而对结构图像进行修复，得到结构修复结果；对于纹理图像，采用多样本块融合的次优匹配块修复方法，对纹理图像进行修复，得到纹理修复结果；结合结构修复结果和纹理修复结果，实现对图像的修复。本发明充分利用图像的已知信息，在保持修复结果结构性连续的同时，合理的恢复出图像的纹理部分，在修复结果的主观质量和客观指标上都得到了明显的提升。
-
-
-
Search Results
4
records
(took 0.022 seconds)
