-
公开(公告)号：CN111008956B
公开(公告)日：2024-06-28
申请号：CN201911103773.1
申请日：2019-11-13
Applicant: 武汉工程大学
IPC: G06T7/00 , G06T3/4038 , G06T7/60
Abstract: 本发明涉及一种基于图像处理的梁底裂纹检测方法、系统、装置和介质，方法包括获取桥梁底面的多个原始裂纹图像，并对所有原始裂纹图像进行预处理，得到多个处理裂纹图像；从所有处理裂纹图像中获取多个待拼接裂纹图像，基于SURF图像处理方法，将所有待拼接裂纹图像进行拼接，得到待检测裂纹图像；获取预设的神经网络裂纹检测模型，并利用所述神经网络裂纹检测模型对所述待检测裂纹图像进行检测，得到目标裂纹图像；对所述目标裂纹图像进行分析，得到裂纹检测数据。本发明能避免图像拍摄距离对梁底裂纹识别和检测的影响，提高裂纹检测精度，能够避免微小裂纹的图像被当做噪声过滤掉，极其适用于微小裂纹的检测。
-
公开(公告)号：CN109886869B
公开(公告)日：2022-12-20
申请号：CN201811199243.7
申请日：2018-10-15
Applicant: 武汉工程大学
IPC: G06T3/40 , G06V10/774 , G06V10/772
Abstract: 本发明公开了一种基于上下文信息的非线性拓展的人脸超分辨率方法，该方法首先通过上下文块对上下文信息进行抽样，以丰富人脸图像表示的先验信息，并在正则化目标函数时利用设置阈值对上下文字典进行降维，然后利用高斯核函数将原始数据转化为核空间，通过协作表示建立高低分辨率图像之间的非线性关系，最后采用上下文残差学习重建出待测图像。本方法通过高斯核函数建立高低分辨率图像之间的非线性映射，并将高维特征空间中的非线性问题表示为线性问题。此外，它还使用上下文残差学习来获得更准确的图像表示的先验信息，提高了重建的性能。
-
公开(公告)号：CN114781125A
公开(公告)日：2022-07-22
申请号：CN202210286545.8
申请日：2022-03-22
Applicant: 武汉工程大学
IPC: G06F30/20
Abstract: 本发明提供了一种提高Hong‑Ou‑Mande干涉度的方法，通过对泵浦光进行强聚焦，使泵浦光的入射角变多，不同入射角对应的双光子联合频谱分布不同；把这些不同的分量叠加到一起，明显改善了双光子光谱的交换对称性，实现了极大地提高了干涉可见度的功能。本发明采用强聚焦的方法来提高光谱的对称性，保证了光源的高度不被衰减。本发明建立了一个立体数学模型用于精确计算泵浦光光斑的不同光点所对应的入射角，由此集合不同入射角处的联合频谱强度(JSI)分布得到聚焦后总的JSI分布。
-
公开(公告)号：CN110458758A
公开(公告)日：2019-11-15
申请号：CN201910687010.X
申请日：2019-07-29
Applicant: 武汉工程大学
Abstract: 本发明涉及一种图像超分辨率重建方法、系统及计算机存储介质，其方法包括以下步骤，S1，将原始图像重塑为固定大小尺寸的图像，得到原始高分辨率图像，将原始高分辨率图像进行插值下采样，得到低分辨率图像；S2，基于生成网络对低分辨率图像进行基于边缘增强的超分辨率重建，得到超分辨率图像；S3，基于判别网络和原始高分辨率图像对超分辨率图像进行真伪判别。本发明其将单一的低分辨图像通过边缘细节信息增强表达，在原始超分辨率重建生成网络中加入边缘增强融合网络提高了图像超分辨率重建性能，获得更清晰的重建图像；另外，判别网络也可以提升边缘增强生成对抗网络的重建性能。
-
公开(公告)号：CN117934869B
公开(公告)日：2024-06-18
申请号：CN202410331986.4
申请日：2024-03-22
Applicant: 中铁大桥局集团有限公司 , 中铁大桥科学研究院有限公司 , 武汉工程大学
IPC: G06V10/46 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种目标检测方法、系统、计算设备以及介质。方法包括：获取高空监控视角的目标数据域和无人机视角的源数据域，并将所述目标数据域和所述源数据域作为训练集输入到初始模型中进行训练；在训练过程中确定所述判别损失值、对抗损失值和回归损失值；基于所述判别损失值对所述判别网络的参数进行调整，基于所述对抗损失值和所述回归损失值对初始模型的参数进行调整；直至迭代预设次轮后，获得训练完成的目标检测模型；获取高空监控视角的数据并将其输入到所述目标检测模型，获得检测结果。能够使目标检测模型较为准确地识别高空监控场景中不同尺度的待检测目标，以提高在面向实际高空监控场景中，目标检测模型的性能表现。
-
Patent Agency Ranking
公开(公告)号：CN110458758B
公开(公告)日：2022-04-29
申请号：CN201910687010.X
申请日：2019-07-29
Applicant: 武汉工程大学
Abstract: 本发明涉及一种图像超分辨率重建方法、系统及计算机存储介质，其方法包括以下步骤，S1，将原始图像重塑为固定大小尺寸的图像，得到原始高分辨率图像，将原始高分辨率图像进行插值下采样，得到低分辨率图像；S2，基于生成网络对低分辨率图像进行基于边缘增强的超分辨率重建，得到超分辨率图像；S3，基于判别网络和原始高分辨率图像对超分辨率图像进行真伪判别。本发明其将单一的低分辨图像通过边缘细节信息增强表达，在原始超分辨率重建生成网络中加入边缘增强融合网络提高了图像超分辨率重建性能，获得更清晰的重建图像；另外，判别网络也可以提升边缘增强生成对抗网络的重建性能。
-
公开(公告)号：CN111105354A
公开(公告)日：2020-05-05
申请号：CN201911349902.5
申请日：2019-12-24
Applicant: 武汉工程大学 , 武汉烽火技术服务有限公司
Abstract: 本发明公开了一种基于多源深度残差网络的深度图像超分辨率方法及装置，属于深度图像超分辨率领域。由于彩色图像拥有丰富的纹理信息，本发明利用纹理信息丰富的彩色图像引导深度图像进行重建。因为残差信息代表图像的高频信息，因此本发明首先将高分辨率图像下采样至目标低分辨率图像，并且在双分支网络中分别提取输入的低分辨率彩色图像和深度图像的残差信息，然后将提取到的彩色图像和深度图像的残差信息在融合网络中进行融合，最后利用融合后的残差信息和输入的低分辨率深度图像对高分辨率深度图像进行重建。通过本发明提升了网络的重建性能，使得重建后的深度图像有较高质量的纹理信息。
-
公开(公告)号：CN110930309A
公开(公告)日：2020-03-27
申请号：CN201911140189.3
申请日：2019-11-20
Applicant: 武汉工程大学 , 武汉烽火技术服务有限公司
Inventor： 卢涛 , 王宇 , 张彦铎 , 姚全锋 , 杨泳 , 吴昊 , 石子慧 , 石仝彤 , 陈冲 , 许若波 , 周强 , 郝晓慧 , 魏博识 , 郎秀娟 , 吴志豪 , 王彬 , 陈中婷 , 王布凡 , 刘奥琦 , 陈润斌
Abstract: 本发明公开了一种基于多视图纹理学习的人脸超分辨率方法及装置，属于人脸图像超分辨率领域，该方法包括：首先将高分辨率人脸图像对下采样至目标低分辨率人脸图像对，将目标低分辨率人脸图像对进行分块操作，分出相互重叠的图像块后，使用残差池化模块网络提取脸部纹理多尺度特征。然后，将提取的脸部多尺度特征发送到纹理注意力模块，以通过计算注意图来融合补偿纹理信息，收集最相似的特征，以更有效的提高SR性能。最后，通过特征融合来更新目标视图图像的特征图以产生高分辨率结果。本发明所提出的网络优于其他最新的人脸图像超分辨率算法，能生成更高质量的人脸图像。
-
公开(公告)号：CN110580680A
公开(公告)日：2019-12-17
申请号：CN201910849721.2
申请日：2019-09-09
Applicant: 武汉工程大学 , 武汉烽火技术服务有限公司
IPC: G06T3/40
Abstract: 本发明公开了一种基于组合学习的人脸超分辨率方法及装置，属于人脸图像超分辨率领域，该方法包括：对下采样得到的低分辨率人脸图像进行组件分割；将低分辨率人脸图像和分割后的人脸组件图像块进行分块操作，分出相互重叠的图像块；将图像块输入各组件生成对抗网络产生高分辨率组件图像块，由上采样后的低分辨率人脸背景图像生成高分辨率人脸背景图像；通过融合网络提取高分辨率图像块特征及人脸背景图像组件特征；将两种特征进行融合后，重建得到目标人脸组件图像块；通过人脸组件在人脸图像中的坐标点，将目标人脸组件图像块对应合并至高分辨率人脸背景图像中，形成高分辨率人脸图像。本发明可以提高网络的重建性能，产生更高质量的人脸图像。
-
公开(公告)号：CN109886869A
公开(公告)日：2019-06-14
申请号：CN201811199243.7
申请日：2018-10-15
Applicant: 武汉工程大学
Abstract: 本发明公开了一种基于上下文信息的非线性拓展的人脸超分辨率方法，该方法首先通过上下文块对上下文信息进行抽样，以丰富人脸图像表示的先验信息，并在正则化目标函数时利用设置阈值对上下文字典进行降维，然后利用高斯核函数将原始数据转化为核空间，通过协作表示建立高低分辨率图像之间的非线性关系，最后采用上下文残差学习重建出待测图像。本方法通过高斯核函数建立高低分辨率图像之间的非线性映射，并将高维特征空间中的非线性问题表示为线性问题。此外，它还使用上下文残差学习来获得更准确的图像表示的先验信息，提高了重建的性能。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.03 seconds)
