-
公开(公告)号：CN112037145A
公开(公告)日：2020-12-04
申请号：CN202010899828.0
申请日：2020-08-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于自适应局部转向核的MRI图像上采样方法，方法包括：输入准备好需要进行上采样和去噪的待处理MRI图像，首先用计算得到的局部转向核LSK来调整插值权值以适应图像的几何结构；再通过自适应锐化来增强噪声图像上LSK分布的趋势，有助于去除噪声和增强边缘细节；最后使用Rician偏差校正，校正直接将加权平均框架应用于MRI数据集时，Rician噪声分布的不对称性而产生的偏差,经过此重建过程得到的上采样结果图像能够在去噪的同时保留更多的上下文细节。
-
公开(公告)号：CN111127532A
公开(公告)日：2020-05-08
申请号：CN201911413634.9
申请日：2019-12-31
Applicant: 成都信息工程大学
Abstract: 本发明属于图像处理技术领域，公开了一种基于深度学习特征光流的医学图像形变配准方法及系统，提取像素所在图像块，用训练好的Siamese网络提取像素所在图像块的深度学习特征，基于该特征求解光流场。本发明通过Siamese特征提取良好的特征描述符，提高像素点的匹配精度；通过对比损失函数学习到的映射关系，使得在高维空间中相同类别但距离较远的点在特征维空间中距离更近；而不同类别但距离较近的点在特征维空间中距离更远；基于对比损失函数训练的Siamese卷积神经网络提取的Siamese特征比SIFT特征以及一般的深度学习特征等区分度更高、更稳定，更适宜于差异计算和得到更加准确的计算结果。
-
公开(公告)号：CN108962267B
公开(公告)日：2019-11-15
申请号：CN201810742980.0
申请日：2018-07-09
Applicant: 成都信息工程大学
IPC: G10L19/018
Abstract: 本发明涉及一种基于哈希特征的加密语音内容认证方法，其包括：输入原始语音后，通过Logistic映射和流密码RC4对原始语音进行加密以生成加密语音，对加密语音进行分帧并对每帧加密语音执行整数小波变换和离散余弦变换，通过比较低频DCT系数的均值和方差来计算哈希特征，利用差分扩展将哈希特征作为水印嵌入到IWT的细节系数的高位比特中；然后对IWT近似系数和含哈希特征的细节系数执行逆IWT变换来获得含水印的加密语音，从含水印的加密语音中提取哈希特征与重构的哈希特征进行对比来对加密语音进行内容认证。本发明提高了云计算中的语音内容认证的鲁棒性，可以准确定位篡改语音帧，在实际应用中适用范围更广。
-
公开(公告)号：CN110427928A
公开(公告)日：2019-11-08
申请号：CN201910652768.X
申请日：2019-07-19
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于深卷积神经网络的自然场景图像文本检测方法，该方法具体包括以下步骤：制作数据集，将所有图片按照VOC格式制作成数据集，文件夹Annotation用于存放xml文件，每一个xml文件对应一张图像，并且每个xml文件中存放的是标记的各个目标的位置和类别信息。将自然图像通过ResNet网络从底层像素点获取更多的高级特征，然后利用BLSTM层提取字符序列的上下文特征，找到检测文本的边界框，有效地提高了文本检测的效果。本发明的有益效果：本发明使用自动学习，结合上下文特征替换人工定义的特征；本发明避免字符分割问题，实现端到端的无约束字符检测。提高了检测效率和精度，实现了对自然场景图像的文本检测。
-
公开(公告)号：CN109325514A
公开(公告)日：2019-02-12
申请号：CN201810872957.3
申请日：2018-08-02
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于改进CNN的简单学习框架的图像分类方法，其包括：输入图像I；将图像I分为大小为m×m的图像块集合；将图像Ii输入到卷积神经网络中进行训练；通过三层全连接层处理得到一维的矩阵，使用dropout正则化操作以避免过拟合；将神经网络中的输出结果输入到分类器里，输出得到分类结果。本发明提出了一种基于卷积神经网络的简单学习框架，表示为Brief–Net，并将其应用于图像分类，减少了训练的时间同时也提高了分类的精度。Brief–Net包括三个卷积层和最大池化层，接着是三个全连接层。采用softmax分类器来识别图像分类。本发明的方法能够有效减少训练时间和存储成本，具有较高的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN109284765A
公开(公告)日：2019-01-29
申请号：CN201810789885.6
申请日：2018-07-18
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于负值特征的卷积神经网络的自然图像分类方法，其包括以下步骤：S1输入一张图像I；S2将图像I分为大小为m×m的图像块集合，每一块用Ii(i＝1,2,…,n)表示；S3将Ii输入到卷积神经网络中进行训练，其包括：用大小为k×k的卷积核对图像Ii做卷积处理，然后将卷积之后得到的特征取反，再和原来的特征一起作用Leaky ReLU激活函数，再将得到的结果传递到下一层做池化采样；S4经过多次提取特征，最后通过全连接层，得到一维的矩阵；S5将神经网络中的输出结果输入到分类器里，最终得到分类结果。本发明能够增强有效特征的学习，从而提高图像分类的效果，并且对不同的数据有良好的泛化能力。
-
公开(公告)号：CN108921202A
公开(公告)日：2018-11-30
申请号：CN201810601416.7
申请日：2018-06-12
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于数据结构的异常点检测方法，其包括：输入数据集；根据数据集构建一棵多维二叉树，利用二叉树搜索算法搜索距离树中每个节点最近的k个邻居；基于一棵多维二叉树构建数据点的数据结构图，结合树中各节点的邻居关系，计算数据点之间的欧氏距离；考虑到数据点之间的相似性和数据点在树中的邻居关系，通过对计算出的欧氏距离进行排序，并设定阈值p自动确定异常点。本发明提高了异常点检测的性能，更好的反应了数据集的结构特征。此外，本发明受数据分布和数据维度影响较弱，在实际应用中适用范围更广，解决了现有技术对特殊点的检测精度和对高维数据检测性能不佳的不足。
-
公开(公告)号：CN108921192A
公开(公告)日：2018-11-30
申请号：CN201810517949.7
申请日：2018-05-25
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于测地线距离的异常点检测方法，其包括：输入数据集X；针对数据集X构建邻接图G，利用Dijkstra算法创建测地距离矩阵；针对各样本点计算测地距离ηi以及各点的度deg(xi)；计算平均测地距离设定阈值τ，计算样本点的实际度Rdeg(xi)；判断特殊点和异常点。本发明提高了异常点检测的性能，更好的反应了数据集的结构特征，且可同时检测到异常点和边缘点。此外，本发明的方法受数据分布和数据维度影响较弱，在实际应用中适用范围更广，解决了现有技术对异常点的检测精度不高和对高维数据检测性能不佳的缺陷。
-
公开(公告)号：CN108427966A
公开(公告)日：2018-08-21
申请号：CN201810201133.3
申请日：2018-03-12
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于PCA-LDA的医学图像处理系统及方法，采用PCA-LAD算法对预处理后的特征进行降维处理，首先采用PCA算法对预处理后的特征向量进行降维，使得降维后的特征冗余度降低，且线性无关，再采用LDA算法进行降维，得到最具判别能力的低维特征向量。采用PCA-LDA算法对提取的特征进行降维处理、特征优选，实现有监督的特征选择，且降维后的低维特征向量更具可识别性，更好地展示分类的效果，得到更好的分类模型，使得分类更加准确可靠。
-
公开(公告)号：CN107369189A
公开(公告)日：2017-11-21
申请号：CN201710600369.X
申请日：2017-07-21
Applicant: 成都信息工程大学
CPC classification number: G06T11/008 , G06T3/4046 , G06T3/4053 , G06T2207/10081 , G06T2207/10088 , G06T2207/30016
Abstract: 本发明公开了基于特征损失的医学图像超分辨率重建方法，包括图像转换网络fw，所述图像转换网络fw是前馈全连接神经网络，所述前馈全连接神经网络将网络中各个神经元，按接收信息的先后分为不同的组，每一组看作是一个网络层，每一层中的神经元接收前一层神经元的数输出作为自己的输入，再将自己的输出输入到下一层，整个网络中的信息是朝一个方向传播；图像转换网络fw接收前馈神经网络发送的H/4×W/4大小的低分辨率医学图像，将H/4×W/4大小的低分辨率医学图像转换成H×W大小的高分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
175
records
(took 0.051 seconds)
