-
公开(公告)号：CN111667422A
公开(公告)日：2020-09-15
申请号：CN202010449004.3
申请日：2020-05-25
Applicant: 东华大学
Abstract: 本发明涉及一种基于综合滤波器的图像/视频目标检测结果增强方法，包括：对任意目标检测算法获取的初步检测图进行前景目标区域提取：在提取的前景目标区域的基础上进行前景破碎区域拼接的操作；对前景区域外的区域进行噪声去除；根据提取的前景区域，进行综合滤波。在滤波后对滤波区域进行二值化。本发明首先利用全局时空树型滤波器汇聚短期历史内同一前景目标的所有像素内容对当前时刻的检测图像进行改进和增强。本发明结合了局部引导滤波和全局时空树型滤波各自的优势，既能实现较好的保边效果又考虑了所有前景目标像素之间的稠密时空相关性，从而使增强后的前景检测目标内部完整，轮廓清晰，噪声明显减少。
-
公开(公告)号：CN111814874B
公开(公告)日：2024-04-02
申请号：CN202010650114.6
申请日：2020-07-08
Applicant: 东华大学
IPC: G06V10/80 , G06V10/82 , G06V10/762 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种用于点云深度学习的多尺度特征提取增强方法及模块，本发明首先在世界坐标系上寻找每个点在三个不同尺度上的邻近点。再分别通过多层感知机和最大池化提取该尺度下的最大特征，并将不同尺度下的最大特征拼接在一起作为该点的多尺度特征。然后将多尺度信息融合到多尺度局部特征空间并在该空间中再次寻找每个点的邻近点，将每个点的局部和全局信息进行融合。为了进一步约束和加强特征学习，引入了一个损失函数，让不同类别的点相互远离，相同类别的点相互聚集。本发明能够有效地增强多种深度学习网络对三维点云的特征特征提取性能及学习能力，从根本上提升网络的性能和分割分类精度。
-
公开(公告)号：CN111915617A
公开(公告)日：2020-11-10
申请号：CN202010459773.1
申请日：2020-05-27
Applicant: 东华大学
Abstract: 本发明涉及一种抗重叠的植物点云单叶片分割方法，包括：对植物点云数据进行预处理，即滤除植物点云中存在的检测噪声以及非植物叶片的信息(如茎干，周围背景)；对获得的植物冠层点云进行3D联合滤波过程。将联合滤波算子去除的叶片外缘点云部分进行面片过分割，然后添加回已经分割后的叶片中心点云，以标记后的叶片中心向外进行基于面片的区域生长。生长后的结果即为最终的植物冠层单叶片分割结果。与现有技术相比，本发明可以对多种成像方式获取的点云进行单个叶片分割，并解决植物点云中因叶片重叠现象而难以进行准确、高效地自动单叶片分割的难题，具有单个叶片分割精准度高、适普性高等优点。
-
公开(公告)号：CN111666946A
公开(公告)日：2020-09-15
申请号：CN202010452581.8
申请日：2020-05-26
Applicant: 东华大学
Abstract: 本发明涉及一种基于点云过分割与面片生长的植株点云单叶片分割方法，包括：对植物点云数据进行预处理。根据点云中每个点的空间特征对滤波后的植物点云数据进行基于3D面片的过分割。基于面片的区域生长，根据面片的邻接关系和面片之间的共面特性进行区域生长，生长后的多个面片将拼接为一个大的空间结构，如果其覆盖的点数超过一定数量则被认为是一个分割出的单片叶片。与现有技术相比，本发明可以有效地对多种稠密的三维植物点云进行单个叶片分割，适用于双目立体视觉成像系统以及Kinect v2变结构光传感器获取的三维植物点云，具有适普性高、分割精准度高等优点。
-
-
-
Search Results
14
records
(took 0.013 seconds)
