-
公开(公告)号：CN110110807B
公开(公告)日：2023-01-03
申请号：CN201910404623.8
申请日：2019-05-16
Applicant: 福州大学
IPC: G06V20/69 , G06V10/764 , G06V10/762 , G06V10/82 , G06V10/26 , G06N3/04
Abstract: 本发明涉及一种基于改进K‑means及卷积神经网络的白细胞提取和分类方法。首先，根据细胞图像灰度分布来选定初始聚类中心，对图像所有像素按就近原则进行初始聚类；接着，对FWSA‑KM算法的欧式距离进行改进；白细胞提取之前，先进行颜色空间分解，采用有利于白细胞分割的颜色分量和改进的K‑means算法进行细胞核和细胞质的提取；接着采用分水岭算法来分离复杂粘连的部分；最后，基于卷积神经网络进行分类。本发明方法使得白细胞细胞核和细胞质分割精度分别为95.81％和91.28％，较传统分割方法有较大提高；分类准确度最大能达到98.96%，分类平均时间为0.39s，相对于现有的白细胞分类算法，CNN分类方法不仅有明显优势，同时还有很大的提升空间。
-
公开(公告)号：CN112541926A
公开(公告)日：2021-03-23
申请号：CN202011489941.8
申请日：2020-12-15
Applicant: 福州大学
Abstract: 本发明涉及一种基于改进FCN和DenseNet的歧义像素优化分割方法，包括以下步骤：步骤S1：选取分割数据集，完成分割数据集的预处理，然后进一步完成分割数据集到分类数据集的转换制作；步骤S2：提出了一种新的语义分割网络Atrous‑ResFCN‑8s/16s/32s，并且将两个不同层次的Atrous‑ResFCN网络结合起来，用于确定语义分割的歧义像素；步骤S3：提出了一种新的图像分类网络MFR‑DenseNet，用于优化判断确定的歧义像素；将优化判断的歧义像素进行逐像素的比对还原，实现最终的分割结果。本发明有效地提高了图像分割分类精度，具有非常广泛的应用前景。
-
公开(公告)号：CN111767964A
公开(公告)日：2020-10-13
申请号：CN202010649381.1
申请日：2020-07-08
Applicant: 福州大学
Abstract: 本发明涉及一种基于改进的DenseNet的多通道特征重标记图像分类方法，包括以下步骤：步骤S1:采集训练数据集，并进行预处理，得到预处理后的训练数据集；步骤S2：基于多通道特征重标记密集型连接网络，搭建分类模型；步骤S3:根据训练数据集训练分类模型，并引入训练效果评价指标Acc和F1-Score，对模型训练过程进行实时评价，实时保存训练模型和数据，并根据最终迭代结果画图，得到训练后的分类模型；步骤S4：将待分类数据集输入训练后的分类模型，得到分类结果。本发明有效地提高了图像识别分类检测精度。
-
Patent Agency Ranking
公开(公告)号：CN110032662A
公开(公告)日：2019-07-19
申请号：CN201910405257.8
申请日：2019-05-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于改进的dice损失函数的视频图像失真效应模型构建方法。首先，基于Dice损失函数进行函数改进，加入权重因子和平滑因子更好的适应样本数据集特征；其次，在DenseNet的密集型卷积神经网络采用改进的损失函数对数据进行训练，实现模型的分类构建；最后，利用训练好的模型对现有的视频图像进行分类预测，判断视频图像是否失真。本发明方法较采用传统的损失函数训练模型相比，改进的损失函数在六种常见的视频图像失真效应数据集里识别检测的精度有所提高，优势明显。
-
公开(公告)号：CN111711816B
公开(公告)日：2022-11-11
申请号：CN202010649273.4
申请日：2020-07-08
Applicant: 福州大学
IPC: H04N19/154 , G06V10/774 , G06V10/82 , G06N3/04 , H04N17/00
Abstract: 本发明涉及一种基于可察知编码效应强度的视频客观质量评价方法，包括以下步骤：步骤S1:每类可察知编码效应的正负样本输入DenseNet卷积神经网络，训练得到相应的可察知编码效应的检测和识别模型；步骤S2:根据训练后的基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，得到视频的可察知编码效应强度；步骤S3:计算基于可察知编码效应强度的客观质量指标Q;步骤S4:通过主观测试，计算视频的平均主观意见分，建立基于可察知编码效应强度的客观质量指标Q与视频平均主观意见分的映射关系;步骤S5：根据客观质量指标Q与视频平均主观意见分的映射关系，构建基于可察知编码效应的视频质量评价模型。本发明能够精确的获得视频图像质量的评价结果。
-
公开(公告)号：CN112541926B
公开(公告)日：2022-07-01
申请号：CN202011489941.8
申请日：2020-12-15
Applicant: 福州大学
IPC: G06T7/11 , G06N3/04 , G06K9/62 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于改进FCN和DenseNet的歧义像素优化分割方法，包括以下步骤：步骤S1：选取分割数据集，完成分割数据集的预处理，然后进一步完成分割数据集到分类数据集的转换制作；步骤S2：提出了一种新的语义分割网络Atrous‑ResFCN‑8s/16s/32s，并且将两个不同层次的Atrous‑ResFCN网络结合起来，用于确定语义分割的歧义像素；步骤S3：提出了一种新的图像分类网络MFR‑DenseNet，用于优化判断确定的歧义像素；将优化判断的歧义像素进行逐像素的比对还原，实现最终的分割结果。本发明有效地提高了图像分割分类精度，具有非常广泛的应用前景。
-
公开(公告)号：CN110110807A
公开(公告)日：2019-08-09
申请号：CN201910404623.8
申请日：2019-05-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于改进K-means及卷积神经网络的白细胞提取和分类方法。首先，根据细胞图像灰度分布来选定初始聚类中心，对图像所有像素按就近原则进行初始聚类；接着，对FWSA-KM算法的欧式距离进行改进；白细胞提取之前，先进行颜色空间分解，采用有利于白细胞分割的颜色分量和改进的K-means算法进行细胞核和细胞质的提取；接着采用分水岭算法来分离复杂粘连的部分；最后，基于卷积神经网络进行分类。本发明方法使得白细胞细胞核和细胞质分割精度分别为95.81％和91.28％，较传统分割方法有较大提高；分类准确度最大能达到98.96%，分类平均时间为0.39s，相对于现有的白细胞分类算法，CNN分类方法不仅有明显优势，同时还有很大的提升空间。
-
公开(公告)号：CN111711816A
公开(公告)日：2020-09-25
申请号：CN202010649273.4
申请日：2020-07-08
Applicant: 福州大学
IPC: H04N19/154 , G06K9/62 , G06N3/04 , H04N17/00
Abstract: 本发明涉及一种基于可察知编码效应强度的视频客观质量评价方法，包括以下步骤：步骤S1:每类可察知编码效应的正负样本输入DenseNet卷积神经网络，训练得到相应的可察知编码效应的检测和识别模型；步骤S2:根据训练后的基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，得到视频的可察知编码效应强度；步骤S3:计算基于可察知编码效应强度的客观质量指标Q;步骤S4:通过主观测试，计算视频的平均主观意见分，建立基于可察知编码效应强度的客观质量指标Q与视频平均主观意见分的映射关系;步骤S5：根据客观质量指标Q与视频平均主观意见分的映射关系，构建基于可察知编码效应的视频质量评价模型。本发明能够精确的获得视频图像质量的评价结果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.027 seconds)
