检索结果

Select

1. 基于双通道卷积神经网络的图像单失真类型判定方法

闫钧华, 侯平, 张寅, 吕向阳, 马越, 王高飞

计算机应用 2021, 41 (6): 1761-1766. DOI: 10.11772/j.issn.1001-9081.2020091362

摘要（271）

PDF （1095KB）（346）

针对图像单失真类型判定算法对部分失真类型判定精度低的问题，提出了一种基于双通道卷积神经网络（CNN）的图像单失真类型判定方法。首先，对图像进行裁剪以得到固定尺寸的图像块，并对图像块进行Haar小波变换从而得到高频信息图；然后，将图像块与对应的高频信息图分别输入到不同通道卷积层中以提取深层特征图后，对深层特征进行融合并输入到全连接层中；最后，将全连接层最后一层的值输入到Softmax函数分类器中得到图像单失真类型概率分布。LIVE数据库上的实验结果表明，所提方法的图像单失真类型判定准确率达到了95.21%，并且对JPEG2000和快速衰落失真这两种失真类型的判定精度相较用于对比的其他五种图像单失真类型判定方法分别提升了至少6.69个百分点和2.46个百分点。所提方法能够准确地判定出图像中存在的单失真类型。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于多尺度多分类器卷积神经网络的混合失真类型判定方法

闫钧华, 侯平, 张寅, 吕向阳, 马越, 王高飞

《计算机应用》唯一官方网站 2021, 41 (11): 3178-3184. DOI: 10.11772/j.issn.1001-9081.2020121894

摘要（329）

HTML （9）

PDF （1034KB）（112）

针对图像混合失真类型判定难的问题，在深度学习多标签分类思想的基础上，提出了一种基于多尺度多分类器卷积神经网络（CNN）的混合失真类型判定方法。首先，从图像中截取得到含有高频信息的图像块，将该图像块输入到不同感受野的卷积层中以提取图像的浅层特征图；其次，将浅层特征图输入到各子分类器结构中以进行深层次的特征提取和融合，将融合的特征通过Sigmoid分类器得到判定结果；最后，将各子分类器的判定结果进行融合得到图像的混合失真类型。实验结果表明，在自然场景混合失真数据库（NSMDID）上，所提方法对图像中存在的混合失真类型的平均判定准确率可以达到91.4%，且对大部分类型的判定准确率都在96.8%以上，可见所提方法能够对混合失真图像中的失真类型进行有效的判定。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

3. 基于Matlab/Simulink的二维圆标定法

杨洁闫清东马越

计算机应用 2010, 30 (06): 1610-1612.

摘要（1433）

PDF （413KB）（1084）

为解决传统标定法难以处理比较灵活的标定环境,要求较低的标定精度但实时性要求较高的情况,以传统的二维平面标定法为基础,提出一种以小型地面无人机动平台的行驶环境为标定环境的改进的二维圆标定法。在Matlab/Simulink环境下实现,将传统的标定特征点由检测方块的角点改为特征圆的圆心,从而将计算量缩小为以方格角点为标定特征点的1/4,缩短了特征点的提取时间,提高了标定系统的实时性。实验结果表明,这种方法简便、高效、实用、灵活,应用环境可为任意背景。