-
公开(公告)号：CN102737115B
公开(公告)日：2014-08-06
申请号：CN201210168825.5
申请日：2012-05-28
Applicant: 哈尔滨工业大学
IPC: G06F17/30
Abstract: 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法，属于图像处理领域，本发明为解决现有还原图像技术时利用压缩感知的测量矩阵存在的问题。本发明的测量矩阵包括以下步骤：步骤一：建立两个膨胀图，G1和G2，步骤二：将G1中每一个顶点都用G2替换，形成连接图G＝G1⊙G2，步骤三：获取连接图G的第二列顶点和第三列顶点的关联矩阵步骤四：根据公式Φ＝K1*K*K2获取压缩感知测量矩阵Φ。利用该矩阵恢复原始信号，增加步骤五：根据步骤四获取压缩感知测量矩阵Φ观测原始信号，从而得到测量值，用得到的测量值和压缩感知测量矩阵Φ按f＝Φx恢复原始信号。
-
公开(公告)号：CN102622611B
公开(公告)日：2014-02-19
申请号：CN201210065533.9
申请日：2012-01-13
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 基于特征扩展和模糊支持向量机的多分组图像分类方法，属于图像处理领域，本发明为解决现有多分组图像分类方法无法有效提取图像本质特征，分类精度较低的问题。本发明方法为：先去掉被噪声等严重污染而无法使用的波段，对剩下的波段依次进行二维经验模态分解，得到一些二维本征模态函数，将这些二维本征模态函数进行有机组合，扩展为多分组图像的特征，最后用模糊支持向量机分类器分类。本发明充分发挥了二维经验模态分解能自适应地提取复杂图像本质特征的优势，有效获取多分组图像特征；采用模糊支持向量机作为分类器，兼具支持向量机和模糊函数二者的优势，有利于提高分类精度。
-
公开(公告)号：CN103473785A
公开(公告)日：2013-12-25
申请号：CN201310455290.4
申请日：2013-09-29
Applicant: 哈尔滨工业大学
IPC: G06T7/00
Abstract: 一种基于三值化图像聚类的快速多目标分割方法，涉及图像处理领域的分割方法。本发明是要解决现有的分割算法无法有效解决相互靠近的多目标分割的技术问题。本发明的分割方法为：一、计算彩色图像的梯度；二、结合梯度信息进行阈值处理得到三值化图像；三、在三值化图像中进行基于形态学的聚类；四、结合聚类结果图像进行目标区域修复及目标分割。本发明通过在对彩色图像进行三值化的时候，创新性地结合了图像中的轮廓信息和色彩信息，将图像映射为“前景、轮廓、背景”三个值，然后采用基于形态学的搜索方法完成聚类，进而实现目标图像的快速分割。本发明应用于实时性要求比较高的彩色多目标检测或者跟踪中的分割处理。
-
公开(公告)号：CN101887407B
公开(公告)日：2012-12-12
申请号：CN201010228743.6
申请日：2010-07-16
Applicant: 哈尔滨工业大学
IPC: G06F17/14
Abstract: 一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法，涉及设备或系统机内测试的关键处理技术，解决了传统机内测试特征提取方法难以实现自适应特征提取的问题，本发明具体过程如下：１．对输入的机内测试信号进行经验模态分解，得到一阶本征模态函数分量IMF1和残差函数RES；２．对IMF1进行希尔伯特变换，得到其幅值和瞬时频率；３．计算IMF1瞬时频率的一阶差分；４．对一阶差分进行信号处理，确定潜在故障特征出现的时刻集合；５．在机内测试信号的基础上生成最终特征时刻集合，并依照最终特征时刻集合截取特征信号。本发明适用于机内测试信号特征提取领域。
-
公开(公告)号：CN102737115A
公开(公告)日：2012-10-17
申请号：CN201210168825.5
申请日：2012-05-28
Applicant: 哈尔滨工业大学
IPC: G06F17/30
Abstract: 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法，属于图像处理领域，本发明为解决现有还原图像技术时利用压缩感知的测量矩阵存在的问题。本发明的测量矩阵包括以下步骤：步骤一：建立两个膨胀图，G1和G2，步骤二：将G1中每一个顶点都用G2替换，形成连接图G＝G1⊙G2，步骤三：获取连接图G的第二列顶点和第三列顶点的关联矩阵步骤四：根据公式Φ＝K1*K*K2获取压缩感知测量矩阵Φ。利用该矩阵恢复原始信号，增加步骤五：根据步骤四获取压缩感知测量矩阵Φ观测原始信号，从而得到测量值，用得到的测量值和压缩感知测量矩阵Φ按f＝Φx恢复原始信号。
-
Patent Agency Ranking
公开(公告)号：CN101847210B
公开(公告)日：2012-10-03
申请号：CN201010209877.3
申请日：2010-06-25
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 基于二维经验模态分解和小波降噪的多分组图像分类方法，属于图像处理领域，本发明为解决传统分类方法对图像本质特征利用不充分，分类精度低的问题，本发明包括如下步骤：一：对多分组图像中各波段分别进行二维经验模态分解，得到前K个二维分量IMF和1个残差；二：对前K个二维分量IMF求和作为特征值，小波降噪后获取降噪后特征值；三：多个多分组图像的降噪后特征值按比例任意选取作为支持向量机的训练样本和测试样本，对训练样本进行支持向量机参数训练，再进行归属判定，形成多个支持向量机子分类器；四：利用多个支持向量机子分类器构建基于一对一策略的多分类器，并依据决策函数对测试样本的归属类别做出决策，完成多分组图像的分类。
-
公开(公告)号：CN101853401B
公开(公告)日：2012-05-30
申请号：CN201010209876.9
申请日：2010-06-25
Applicant: 哈尔滨工业大学
IPC: G06K9/66
Abstract: 一种基于二维经验模态分解的多分组图像分类方法，属于图像处理领域，本发明为解决传统分类方法对图像本质特征利用不充分，分类精度低的问题，本发明包括如下步骤：1.对多分组图像中各波段分别进行二维经验模态分解，得到前K个频率由高到低依次递减的二维本征模态函数分量IMF和1个残差；2.对前K个二维分量IMF求和作为特征值；3.多个多分组图像的特征值按比例任意选取作为支持向量机的训练样本和测试样本，对训练样本进行支持向量机参数训练，再进行归属判定，形成多个支持向量机子分类器；4.利用多个支持向量机子分类器构建基于一对一策略的多分类器，并依据决策函数对测试样本的归属类别做出决策，完成多分组图像的分类。
-
公开(公告)号：CN101853242B
公开(公告)日：2011-10-19
申请号：CN201010207247.2
申请日：2010-06-23
Applicant: 哈尔滨工业大学
Abstract: 基于经验模态分解的设备或系统机内测试信号虚警滤波方法，它涉及到机内测试的关键处理技术。提供了一种在不借助任何先验知识的情况下降低设备或系统机内测试信号虚警率的滤波方法。本发明的步骤为：一：对输入的机内测试信号进行经验模态分解，提取3个本征模态函数分量和1个残差；二：对提取的第2阶本征模态函数分量IMF2进行自适应衰减处理，获取衰减后分量DIMF2；步骤三：对衰减后分量DIMF2进行信号叠加处理，获得机内测试信号的滤波信号，完成对机内测试信号的虚警滤波。本发明从采样信号本身出发，克服以往滤波方法无法同时从频率和幅值两方面入手联合排除虚警信号的问题，适用于设备或系统的机内测试信号滤波。
-
公开(公告)号：CN116091832B
公开(公告)日：2023-10-20
申请号：CN202310124577.2
申请日：2023-02-16
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06T7/00 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于自编码器网络的肿瘤细胞切片高光谱图像分类方法，所述方法包括如下步骤：步骤一：通过显微镜和高光谱成像仪得到肿瘤细胞切片的高光谱图像；步骤二：基于高光谱图像数据，分别进行基于线性回归的最小二乘拟合估计和基于非线性回归的高斯拟合估计，通过滑动窗口设置和三次样条插值法，将混合像元按线性和非线性混合程度进行区域划分；步骤三：基于变精度粗糙集方法处理高光谱图像解混数据，构建稀疏自编码器网络进行解混；步骤四：基于优化的卷积神经网络，对解混得到的端元及丰度结果进行分类，实现肿瘤细胞切片高光谱图像分类。本发明可以降低图像在空间分辨率上的精度要求，提高切片扫描效率，进一步缩短分析诊断时间。
-
公开(公告)号：CN116188423B
公开(公告)日：2023-08-08
申请号：CN202310151695.2
申请日：2023-02-22
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06T7/11 , G06V10/762 , G06N3/126
Abstract: 本发明公开了一种基于病理切片高光谱图像的超像素稀疏解混检测方法，所述方法包括如下步骤：步骤一：利用基于差分方程的超像素分割算法对高光谱图像进行聚类；步骤二：从检测端元库A中选择端元矩阵M，采用基于精英解选择的改进的多目标并行优化稀疏解混算法对分割后的图像进行解混，得到多个候选端元解集；步骤三：引入效用函数法用于多目标优化问题Pareto前沿拐点的判定，获取最优解，再利用全约束最小二乘法计算出相应的丰度矩阵S；步骤四：结合超像素分割子块及其丰度值较大的几个端元收集各类组织特征的模板，并对待检测切片进行逐分割子块的匹配检测。该方法具有解混速度快、鲁棒性强、检测精度高的特点。
-
-
-
-
-
-
-
-
-
Search Results
132
records
(took 0.035 seconds)
