-
公开(公告)号：CN108335319A
公开(公告)日：2018-07-27
申请号：CN201810116898.7
申请日：2018-02-06
Applicant: 中南林业科技大学
IPC: G06T7/32
Abstract: 本发明公开了一种基于自适应阈值及RANSAC的图像角点匹配方法，首先，采用自适应方式抑制非极大值的方法对角点进行预筛选。其次，采用Forstner算子对角点进行二次筛选。接着采用归一化互相关匹配算法对检测的Harris角点进行粗匹配。最后采用随机抽样一致算法对图像进行精确匹配。实验结果证明改进的方法不仅缩短角点检测和图像匹配时间，而且能有效提高图像的匹配精度。该基于自适应阈值及RANSAC的图像角点匹配方法处理效率高，匹配准确率高。
-
公开(公告)号：CN119580920A
公开(公告)日：2025-03-07
申请号：CN202411622518.9
申请日：2024-11-14
Applicant: 中南林业科技大学
IPC: G16H15/00 , G06T7/00 , G06F40/126 , G06F40/216 , G06N3/0455
Abstract: 本发明公开了一种基于状态空间模型的医学图像描述方法，包括：获取目标图像和文本报告；将所述目标图像输入至图像编码模型，获取全局信息，其中，所述图像编码模型包括：自注意曼巴块和归一化层；将所述文本报告和全局信息输入至文本编码模型，获取文本单词概率，其中，所述文本编码模型包括：自注意力层、归一化层、交叉曼巴块和全连接层；基于所述文本单词概率，获取图像描述。本发明的自注意曼巴块通过全局信息建模来提取目标图像中异常区域的特征，交叉曼巴块通过优化医学图像与放射学报告之间的跨模态交互能力，增强了两者的一致性，损失函数利用其稀疏性，缓解了正负样本不平衡的问题。
-
公开(公告)号：CN117978931A
公开(公告)日：2024-05-03
申请号：CN202410169905.5
申请日：2024-02-06
Applicant: 中南林业科技大学
IPC: H04N1/44 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/084
Abstract: 本申请公开了一种无载体隐写方法、系统、装置、设备及介质，属于隐写的技术领域。在本申请中，在第一载体图像上对秘密信息进行隐写，得到载体图像；在与第一载体图像风格不同的第二载体图像上对秘密图像进行隐写，得到风格图像。然后，通过将载体图像和风格图像输入预训练生成器中，得到隐写图像，通过传输隐写图像，利用隐写图像代替在传输载体图像中可能遭受的攻击，遭受攻击的隐写图像还可以复原为重构图像，以此进一步根据重构图像还原得到秘密信息和秘密图像，从而在同时传输秘密信息和秘密图像的高效传输基础上，避免安全风险，实现安全传输。另外，由于不需要构建映射规则，因此，复原为重构图像的恢复速度也会更快。
-
公开(公告)号：CN111797409B
公开(公告)日：2024-03-26
申请号：CN202010226686.1
申请日：2020-03-26
Applicant: 中南林业科技大学
IPC: G06F21/60 , G06F16/31 , G06F16/33 , G06F16/35 , G06F40/289
Abstract: 本发明公开了一种大数据中文文本无载体信息隐藏方法，首先，对大数据中文文本进行预处理，主要包括对文本的分词、计算分词后词语的词频及TF‑IDF特征信息、对文本进行LDA主题模型聚类。然后，发送方对秘密信息进行切分，然后通过词语索引表转换为关键词ID，并在大数据文本中搜索包含秘密信息关键词的文本。其次，将搜索到的文本根据对应文本的主题分布和对应文本中的关键词的TF‑IDF特征作为索引标签，同时引入随机数控制秘密信息关键词顺序，最后将随机数与索引一起作为标签加密发送给接收方。实验表明，该方法在提升隐藏容量的同时，提高了秘密信息的隐蔽性与安全性。
-
公开(公告)号：CN111797409A
公开(公告)日：2020-10-20
申请号：CN202010226686.1
申请日：2020-03-26
Applicant: 中南林业科技大学
IPC: G06F21/60 , G06F16/31 , G06F16/33 , G06F16/35 , G06F40/289
Abstract: 本发明公开了一种大数据中文文本无载体信息隐藏方法，首先，对大数据中文文本进行预处理，主要包括对文本的分词、计算分词后词语的词频及TF-IDF特征信息、对文本进行LDA主题模型聚类。然后，发送方对秘密信息进行切分，然后通过词语索引表转换为关键词ID，并在大数据文本中搜索包含秘密信息关键词的文本。其次，将搜索到的文本根据对应文本的主题分布和对应文本中的关键词的TF-IDF特征作为索引标签，同时引入随机数控制秘密信息关键词顺序，最后将随机数与索引一起作为标签加密发送给接收方。实验表明，该方法在提升隐藏容量的同时，提高了秘密信息的隐蔽性与安全性。
-
Patent Agency Ranking
公开(公告)号：CN110659379A
公开(公告)日：2020-01-07
申请号：CN201910902185.8
申请日：2019-09-24
Applicant: 中南林业科技大学
IPC: G06F16/583 , G06F21/60 , G06N3/04 , G06N3/08 , H04L9/08
Abstract: 本发明公开了一种基于深度卷积网络特征的可搜索加密图像检索方法，在数据拥有设备端，将图像加密并将加密后的图像集存储在服务器端；在服务器端，由服务器提供CBIR服务；根据用户的查询请求对加密的查询图像提取特征，再计算相似度，最后将检索到的检索结果返回给查询用户；在授权查询业务端，向服务器提出查询请求，由服务器返回检索结果后，用户使用密钥对检索结果对应的图像进行解密还原。该基于深度卷积网络特征的可搜索加密图像检索方法具有更高的安全性和检索精度。
-
公开(公告)号：CN110245720B
公开(公告)日：2023-05-26
申请号：CN201910546589.8
申请日：2019-06-22
Applicant: 中南林业科技大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的柑橘病虫害智能诊断方法及系统，该方法的步骤：步骤1：基于专家经验建立黄龙病、炭疽病、溃疡病、黑星病、砂皮病和疮痂病这6类柑橘病害的图像数据集；步骤2：使用五种数据增强的方法扩充训练集和测试集；利用增强后的训练集和验证集对简化的DenseNet网络进行训练，保存模型至系统中；利用测试集对模型的性能进行评价。步骤3：在微信小程序的基础上建立了柑橘病诊断系统，用户通过手机使用小程序拍照/上传图像，通过上传的训练好的卷积网络模型进行诊断，再返回智能诊断结果及病虫害防治建议给用户，实现柑橘病虫害智能诊断。
-
公开(公告)号：CN108959478B
公开(公告)日：2021-06-22
申请号：CN201810642032.X
申请日：2018-06-21
Applicant: 中南林业科技大学
IPC: G06F16/583 , G06K9/46 , G06K9/62
Abstract: 本发明公开了一种云环境下的密文图像检索方法及系统，首先，从自适应阈值和特征点预筛选两方面优化Harris算法，并提取图像特征。其次，采用SURF算法和词袋模型生成每一幅图像的Harris角点特征向量。然后，采用局部敏感哈希(Locality Sensitive Hashing,LSH)算法对特征向量构建可搜索索引，并用传统加密方案对图像以及索引进行加密，最后，在云服务器上进行安全的相似性检索。实验结果证明，通过对Harris角点优选及SURF与词袋模型的特征描述，并对局部敏感哈希算法的参数进行了优化，本发明提出的检索方案与现有加密检索方案对比，不仅缩短了特征提取时间，而且有效提高了加密图像检索效率。
-
公开(公告)号：CN112779159A
公开(公告)日：2021-05-11
申请号：CN202110057810.0
申请日：2021-01-15
Applicant: 中南林业科技大学
Abstract: 本发明公开了一种生物培养智能监控系统及方法，生物培养智能监控系统包括MCU、动物培养系统、微生物培养系统、云服务器、RFID模块和无线通信模块；无线通信模块为WiFi模块和远程通信模块，MCU通过无线通信模块与手机通信连接；远程通信模块为GSM、3G、4G或5G通信模块；动物培养系统、微生物培养系统、云服务器、RFID模块和无线通信模块均与MCU相连；微生物培养系统中具有与MCU相连的培养瓶动作模块、温控模块、CO2浓度控制模块和显微监测模块。该生物培养智能监控系统及方法集成度高，功能丰富，构思巧妙，易于实施。
-
公开(公告)号：CN110264465A
公开(公告)日：2019-09-20
申请号：CN201910564318.5
申请日：2019-06-25
Applicant: 中南林业科技大学
IPC: G06T7/00
Abstract: 主动脉夹层(Aortic dissection(AD))是一种危险的心血管疾病，具有极高的临床死亡率，而且近年来发生率激增；本发明公开了一种基于形态学和深度学习的主动脉夹层动态检测方法，步骤1：建立CTA样本集合；步骤2：基于CTA样本集合中的CTA图像进行深度学习并实施疾病检测；2.1基于感兴趣区域进行深度学习，获得学习后的卷积神经网络；2.2针对新的CTA图像，基于学习后的卷积神经网络并结合感兴趣区域进行疾病检测。该基于形态学和深度学习的主动脉夹层动态检测方法易于实施，检测效率高。实验表明采用深度学习方法远远优于传统方法，而且基于DenseNet121的方法更优。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.033 seconds)
