-
公开(公告)号：CN105469432B
公开(公告)日：2019-03-08
申请号：CN201510811247.6
申请日：2015-11-20
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于改进树状部分模型的医学图像分割方法，涉及医学图像分割领域，所述方法主要包括以下步骤：对输入图像进行预处理；对预处理之后的图像获得特征点；然后利用凹凸点(Convex Concave Point)算法获得最能表现器官特征的关键点；最后利用树状部分模型训练出器官的模型，利用此模型进行分割。本发明通过CCP算法对医学图像进行分割，能够准确、自动的提取肝脏轮廓，将分割结果显示出来为医学辅助诊断提供参考。
-
公开(公告)号：CN109141714A
公开(公告)日：2019-01-04
申请号：CN201810904325.0
申请日：2018-08-09
Applicant: 重庆邮电大学
CPC classification number: G01L5/00 , A61B5/1038 , A61B2503/04 , A61B2562/0247
Abstract: 本发明涉及一种婴幼儿足底压力数据测量和处理方法，属于数据处理领域，该方法包含如下步骤：S1：通过婴幼儿足底压力数据采集装置对婴儿脚型压力数据进行采集；S2：记录下婴幼儿足底压力数据采集装置所采集到的数据；S3：对所采集到的数据进行数据处理，并根据处理结果绘制婴幼儿脚型压力数据的热力分布图。本发明方法能够准确的测量婴幼儿的足底压力数据，并做出处理可视化的显示出结果。
-
公开(公告)号：CN108108699A
公开(公告)日：2018-06-01
申请号：CN201711422702.9
申请日：2017-12-25
Applicant: 重庆邮电大学
Abstract: 本发明为一种深度神经网络模型和二进制哈希相结合的人体动作识别方法，属于模式识别技术领域。该方法包括:首先对动作识别数据库进行预处理切分成帧序列，计算光流图，并使用姿态估计算法计算人体关节点的坐标，使用结果坐标提取视频区域帧；其次利用预训练的VGG‑16网络模型对视频的RGB流与光流分别提取FC(Full‑Convolutional)特征,在视频帧序列中选取关键帧，对这些关键帧对应的FC特征取差值；对差值做二值化处理；再用binary‑hashing方法得到每个视频的统一特征表示；与PCNN特征融合后使用L1,L2等多种归一化方法得到视频的特征表示；最后使用支持向量机算法训练分类器人体动作视频进行识别。本发明具有较高的动作识别正确率。
-
公开(公告)号：CN107909019A
公开(公告)日：2018-04-13
申请号：CN201711085240.6
申请日：2017-11-07
Applicant: 重庆邮电大学
CPC classification number: G06K9/00221 , G06K9/56 , G06K9/6256
Abstract: 本发明请求保护一种基于TI-SPCA的自动人脸对齐及识别方法，属于模式识别技术领域。所述方法主要包括以下步骤：首先针对训练集中的样本生成镜像图像，再利用数学中的奇偶分解原理生成奇偶对称图像；对奇偶图像集分别使用对称主成分分析，根据特征值大小选取相应的特征向量，形成初始的特征空间；利用该特征空间初始化下一阶段的迭代学习，结合同时反向合成算法，交替迭代更新扭曲参数和编码参数，最终得到一个旋转不变的特征空间，对平面内旋转的人脸图像进行自动对齐，进而可进行人脸识别。本发明具有更为鲁棒的性能。此外，本发明所提方法还可与其它特征提取算子相结合，取得优异的识别率。
-
公开(公告)号：CN103208012B
公开(公告)日：2016-12-28
申请号：CN201310166997.3
申请日：2013-05-08
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明请求保护一种光照人脸识别方法，涉及计算机模式识别领域。将光照变化对人脸识别造成的影响从预处理﹑特征提取﹑分类器的设计三方面进行了改进，有效降低了光照变化对人脸识别性能的影响。本发明利用粗粒度区化算法，结合光照变化信息将连续对比度值域区间非线性划分成若干离散的子区间，并提取局部非线性多层对比度特征LNMCP作为人脸特征，有效弥补了局部二值模式LBP和LMCP的缺陷；并引入了模糊隶属函数存储被测试本属于各类的概率，最后通过信息熵计算各层权重，精确的融合各层分类子结果。本发明有效提高了人脸识别率。
-
Patent Agency Ranking
公开(公告)号：CN105931209A
公开(公告)日：2016-09-07
申请号：CN201610213236.2
申请日：2016-04-07
Applicant: 重庆邮电大学
IPC: G06T5/50
CPC classification number: G06T5/50 , G06T2207/20021 , G06T2207/20221
Abstract: 本发明请求保护一种基于离散正交多项式变换的多聚焦图像融合方法，本发明首先对需要融合的多幅图像进行分块处理，得到m个n×n的块。其次，分别对每一个块进行离散正交多项式变换，得到对应的变换系数，利用空间频率SF与离散正交多项式变换系数之间的关系得到每一个块的空间频率大小。然后，比较多幅图像对应的每一块的空间频率大小，根据空间频率最大的融合规则融合多幅图像。最后，将融合后的图像进行一致性验证，得到融合后的图像。相较于传统的多聚焦图像融合方法，该方法首创性的用到了离散多项式变换域，并将图像的空间频率与离散多项式变换系数建立了联系，节省了融合的时间，并有效的提高了图像的融合效果。
-
公开(公告)号：CN105389821A
公开(公告)日：2016-03-09
申请号：CN201510808682.3
申请日：2015-11-20
Applicant: 重庆邮电大学
IPC: G06T7/00
CPC classification number: G06T2207/20116
Abstract: 本发明请求保护一种基于云模型和图割相结合的医学图像分割方法。该方法首先对图像进行平滑处理，去除噪点；接着利用逆向云变换分别计算出图像前景和背景的云特征值，利用X条件云发生器计算出每个像素对于前景和背景的隶属度；并计算出数据项和光滑项；然后建立能量函数构造相应网络图并用最大流/最小割算法实现医学图像分割；最后判定分割结果是否满足迭代条件，若满足则输出结果，反之，则重新计算当前分割结果前景和背景的云特征值。本发明通过云模型与图割算法的结合，不但保留了图割方法优良的多特征约束融合能力和全局最优性，还引入云模型的模糊性和随机性，以及二者之间关联的不确定性，可以有效地提高医学图像分割的精度。
-
公开(公告)号：CN118505768B
公开(公告)日：2025-03-18
申请号：CN202410736969.9
申请日：2024-06-07
Applicant: 重庆邮电大学
IPC: G06T7/33 , G06V10/26 , G06V20/70 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0985
Abstract: 本发明属于点云配准领域，涉及一种基于语义和结构协同引导的点云配准方法，获取点云语义信息，点云语义信息包括室外雷达点云的语义信息和室内重建的点云语义信息；对点云进行采样，得到超点；提取超点的几何结构特征；对点云语义进行超点语义特征表征处理，得到超点语义特征；采用多模态特征融合模块对超点语义特征和几何结构特征进行融合，得到增强的超点特征；根据增强后的超点特征进行超点匹配，根据超点匹配结果进行点匹配，完成点云配准；本发明既考虑语义信息又考虑结构信息，并且在二者的协同作用下辅助点云配准，配准的性能有明显提升。
-
公开(公告)号：CN119599885A
公开(公告)日：2025-03-11
申请号：CN202411749491.X
申请日：2024-12-02
Applicant: 重庆邮电大学
IPC: G06T5/50 , G06V10/40 , G06V10/62 , G06V10/80 , G06N3/0464
Abstract: 本发明属于遥感图像处理技术领域，具体涉及一种用于遥感图像的时空融合方法，包括：将T0时刻的高时间低空间分辨率图像和T1时刻的低空间高时间分辨率图像转换为差分粗图像M12；将差分粗图像M12和T1时刻的高空间低时间分辨率图像拼接得到的图像输入到差分网络层；将T1时刻的高空间低时间分辨率图像输入特征提取网络对空间细节的特征进行提取；将差分网络层的输出特征图和特征提取网络的输出特征图进行融合得到T1时刻的高空间高时间分辨率图像，本发明能解决融合图像模糊的问题，自适应的平衡对时间和空间特征提取和学习的占比，生成高时间高空间的遥感图像。
-
公开(公告)号：CN119027995A
公开(公告)日：2024-11-26
申请号：CN202410899329.X
申请日：2024-07-05
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06V40/40 , G06V10/764 , G06V10/774
Abstract: 本发明请求保护一种基于跨域一致性学习的人脸伪造检测方法(CDCL)，旨在探索不同伪造方法生成图像的共同伪造特征，实现高泛化性的人脸伪造检测，属于计算机视觉技术领域。所述方法包括以下步骤：步骤1.本发明提出了一个跨域学习模块，该模块有助于提取到不同伪造方法生成图像的跨域一致性特征。步骤2.本发明设计了一个分流中心差分注意力，它可以通过聚合查询的像素级强度和梯度信息来生成键和值对，同时将异质感受野大小注入到标记中，从而捕获深层次的细粒度特征。步骤3.本发明利用一组特定伪造技术(源域)和不同伪造技术(目标域)生成的数据来诱导模型学习跨域一致性特征。步骤4.为了减少类内距离同时增大类间距离，本发明设计了一个跨域一致性中心损失，通过迭代对抗训练、更新参数得到最终的网络模型。
-
-
-
-
-
-
-
-
-
Search Results
178
records
(took 0.022 seconds)
