-
公开(公告)号：CN111754447A
公开(公告)日：2020-10-09
申请号：CN202010638215.1
申请日：2020-07-06
Applicant: 江南大学
Abstract: 本发明公开了基于多状态上下文隐马尔科夫模型的红外和可见光图像融合方法，主要解决红外和可见光图像融合时细节丢失和对比度不高的问题。其实现步骤是：1)对待融合图像进行NSST变换，得到低频和高频子带；2)低频子带采用区域能量差异度的加权融合规则；3)高频子带设计了上下文隶属度，并建立MCHMM，根据多状态统计特征设计融合规则；4)融合后的高、低频系数执行NSST逆变换获得融合图像。本发明充分考虑了系数之间的相关性，精确地表示源图像的纹理、细节等特征，充分提取红外图像的目标信息，增强图像的对比度，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN110084774A
公开(公告)日：2019-08-02
申请号：CN201910288177.9
申请日：2019-04-11
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种增强的梯度传递和总变差最小化融合图像的方法，属于图像融合领域。主要解决红外和可见光图像融合时目标和背景纹理信息不详细的问题。通过将融合图像约束为具有与红外图像、可见光图像相似的像素强度和与红外图像、可见光图像相似的梯度。我们将融合问题转化为L1-TV最小化问题，使用m、λ1和λ2三个参数控制数据保真项和正则化项之间的关系，以达到同时保持源图像中的热辐射和外观信息的效果。本发明能充分整合红外和可见光图像的目标纹理细节信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN108596228A
公开(公告)日：2018-09-28
申请号：CN201810330707.7
申请日：2018-04-13
Applicant: 江南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于无监督模糊系统的脑功能磁共振图像分类方法，它涉及自闭症计算机辅助诊断技术领域。其步骤为：采集静息状态下的功能磁共振成像数据并进行预处理，选择AAL模板将大脑皮层分区，提取每个脑区的平均时间序列信号，使用皮尔逊相关系数计算得到低阶功能连接矩阵；基于低阶功能连接矩阵计算皮尔逊相关系数得到高阶功能连接矩阵，将每个对象的低阶和高阶脑功能连接矩阵分别拉直，使用基于流形正则化约束的无监督模糊系统进行降维，对降维后的低阶和高阶功能连接矩阵进行线性组合，使用SVM进行分类。本发明对静息态脑功能磁共振图像进行分类，将其应用于自闭症的计算机辅助诊断中，分类准确率高、泛化性能好、可解释性强。
-
公开(公告)号：CN106023122A
公开(公告)日：2016-10-12
申请号：CN201610291857.2
申请日：2016-05-05
Applicant: 江南大学
IPC: G06T5/50
CPC classification number: G06T5/50 , G06T2207/10004 , G06T2207/20081 , G06T2207/20221
Abstract: 一种基于多通道分解的图像融合方法。(1)对源图像多通道分解的特征提取：对源图像进行多通道分解，得到图像的结构分量和纹理分量；(2)对基于稀疏表示的融合规则进行设置：图像经多通道分解后进行分块向量化，对向量化后的多个分块进行稀疏表示，学习超完备字典，然后计算各列向量在字典下的稀疏表示系数；(3)系数融合：把每幅图像相对应的图像块的稀疏表示系数按照一定的融合规则进行融合，分别获得结构图像和纹理的融合后的稀疏系数。(4)图像重构：重构是稀疏分解的逆过程，结合超完备字典与融合稀疏系数进行重构，进一步进行结构和纹理的重构，得到最后的融合图像。
-
公开(公告)号：CN104463084A
公开(公告)日：2015-03-25
申请号：CN201310442638.6
申请日：2013-09-24
Applicant: 江南大学
CPC classification number: G06K9/00161 , G06K9/6269
Abstract: 本发明公开了一种基于非负矩阵分解的离线手写体签名识别方法，所需步骤包括：(一)采集签名数据，并对所有签名图像进行预处理，获得所有预处理后的训练集签名图像的数据矩阵A以及需识别的测试集签名图像的数据矩阵B；(二)对训练集签名图像特征的提取：将A进行非负矩阵分解(NMF)，得到对应的基图像矩阵W和每张签名图像对应的权重向量即特征向量构成的特征矩阵H；(三)对测试集签名图像特征的提取：将测试集签名图像的数据矩阵B在基图像上做投影，得到投影系数矩阵H’；(四)采用支持向量机进行训练并分类决策，判断是真签名还是假签名。
-
Patent Agency Ranking
公开(公告)号：CN104103063A
公开(公告)日：2014-10-15
申请号：CN201310123322.0
申请日：2013-04-10
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于自动调焦原理无参考噪声图像质量评价方法，其特征在于按如下步骤进行：(一)选择一幅噪声图像为被评价图像；(二)将该噪声图像转化为灰度图像；(三)对被评价噪声图像进行高斯低通滤波，生成的图像作为参考图像；(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解，得到奇异值向量S1和S2；(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise；(六)计算被评价图像的质量评价函数Noise的值，作为图像噪声指标。本发明是一种不需要参考图像，评价噪声图像质量的方法，并且评价结果符合人类视觉主观认识结果，Noise值越大，被评价图像的质量越好。
-
公开(公告)号：CN103985104A
公开(公告)日：2014-08-13
申请号：CN201410057924.5
申请日：2014-02-20
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于高阶奇异值分解和模糊推理的多聚焦图像融合方法。（1）对待融合的两幅多聚焦源图像分别进行滑动窗口分块，将分块后相互对应的源图像子块形成子张量；（2）对子张量进行高阶奇异值分解(HOSVD)，采用基于模糊推理的加权平均融合规则对分解系数进行融合，通过提取分解系数的方差，区域能量，匹配度三个特征设计模糊推理规则；（3）对融合后系数进行HOSVD逆变换得到融合后图像子块；（4）将融合后的图像子块组合生成最终融合图像。本发明克服了传统多聚焦图像融合方法容易造成边缘失真的缺陷，很好地解决了图像融合中源图像对融合图像贡献程度的不确定性问题，使融合后图像质量得到明显提高。
-
公开(公告)号：CN118229545A
公开(公告)日：2024-06-21
申请号：CN202410308413.X
申请日：2024-03-18
Applicant: 中国人民解放军63983部队 , 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于黎曼流形非欧表示的可见光与红外图像融合方法，采用流形注意力模块和卷积层级联结构模式；对源图像1和源图像2分别进行分块处理，得到每个图像块对应的行向量矩阵；行向量矩阵通过跨模态流形融合策略，融合为表示模态内及模态间协方差的协方差矩阵1，协方差矩阵1进入对称正定矩阵流形网络模块进行处理，最终训练得到用于加权的协方差矩阵2，将协方差矩阵2作为权重矩阵，通过矩阵乘法加权到行向量矩阵，得到加权后的生成特征图1和生成特征图2；卷积层级联通过维度变换得到最终融合图像，本发明能够充分保留图像当中的高频信息，揭示图像当中不同区域语义信息的潜在关联，有效实现了一种全局相关性关系融合学习。
-
公开(公告)号：CN113379666A
公开(公告)日：2021-09-10
申请号：CN202110764386.3
申请日：2021-07-06
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于区间二型模糊集和CHMM模型的图像融合方法，涉及图像融合领域，包括：对两幅待融合图像的低频子带进行活动测度度量，并根据低频活动测度进行低频子带系数融合得到低频融合子带；利用上下文隐马尔可夫模型描述高频子带系数之间的相关性，构建得到高频子带系数的T2‑FCHMM统计模型；将得到的高频子带系数的边缘概率密度和模糊熵结合起来作为T2‑FCHMM模型统计特征与高频子带系数的区域能量结合得到高频子带系数的活动测度，根据高频子带系数的活动测度进行高频子带系数融合得到高频融合子带；对低频融合子带和高频融合子带进行逆变换得到融合图像，从而增加了融合图像的可信度和可理解性。
-
公开(公告)号：CN107610165B
公开(公告)日：2020-10-23
申请号：CN201710815872.7
申请日：2017-09-12
Applicant: 江南大学
Abstract: 本发明公开了一种基于多特征的3‑D剪切波域多模态医学序列图像融合方法，主要解决2‑D分解工具无法处理3‑D图像以及单特征融合方法易引入错误信息的问题。其实现步骤是：1)待融合序列图像进行3‑D剪切波变换，得到高频、低频系数；2)低频子带系数采用基于区域能量取大的融合规则，高频子带系数采用综合多特征的融合规则；3)融合后的高、低频系数执行3‑D剪切波逆变换获得融合后的序列图像。本发明能充分考虑了系数之间的相关性，精确地表示源图像的纹理、细节等特征，从而能有效避免将错误信息引入融合图像中，提高视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.022 seconds)
