-
公开(公告)号：CN102368332B
公开(公告)日：2013-04-17
申请号：CN201110366475.9
申请日：2011-11-17
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于NSCT域局部高斯模型的SAR图像降斑方法，它涉及SAR图像处理技术领域，包括如下步骤：1.输入待降斑SAR图像；2.非下采样Contourlet变换；3.高频系数收缩；4.对低频子带系数和估计的无噪图像Contourlet高频各方向子带系数进行非下采样Contourlet逆变换，得到降斑后SAR图像；5.输出降斑后SAR图像。本发明对SAR图像同质区域抑斑效果优良，同时能够有效保持图像结构和纹理信息以及SAR图像的辐射特性。
-
公开(公告)号：CN102368332A
公开(公告)日：2012-03-07
申请号：CN201110366475.9
申请日：2011-11-17
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于NSCT域局部高斯模型的SAR图像降斑方法，它涉及SAR图像处理技术领域，包括如下步骤：1.输入待降斑SAR图像；2.非下采样Contourlet变换；3.高频系数收缩；4.对低频子带系数和估计的无噪图像Contourlet高频各方向子带系数进行非下采样Contourlet逆变换，得到降斑后SAR图像；5.输出降斑后SAR图像。本发明对SAR图像同质区域抑斑效果优良，同时能够有效保持图像结构和纹理信息以及SAR图像的辐射特性。
-
公开(公告)号：CN109241972B
公开(公告)日：2021-10-01
申请号：CN201810947587.5
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于深度学习的图像语义分割方法，涉及图像语义分割和深度学习领域，包括如下步骤：选择训练数据集；构建基于深度学习的语义分割模型；语义分割模型包括：语义监督模块、语义嵌入分值模块、特征重校正模块、上采样层和卷积层；通过分类模型对训练数据集进行预处理，并将分类模型的中间层输出的不同尺度的特征图输入构建好的语义分割模型中的语义监督模块中；对整个图像语义分割模型进行训练；步骤5：输入新的图像，在已训练好的深度神经网络模型中进行一次前向传播，端到端地输出预测的语义分割结果。本发明解决了现有技术中的图像语义分割准确率较低的问题。
-
公开(公告)号：CN109087298A
公开(公告)日：2018-12-25
申请号：CN201810941074.3
申请日：2018-08-17
Applicant: 电子科技大学
CPC classification number: G06T7/0012 , G06K9/6267 , G06T2207/10088 , G06T2207/20081 , G06T2207/30016
Abstract: 本发明公开了一种阿尔兹海默病MRI图像的分类方法。发明使用度量学习的思想构造损失函数并用于训练一组卷积神经网络。一方面，对于每一个3D数据在Axial、Sagittal、coronal三个方向上得到多个2D形式切片，同时输入到一组卷积神经网络中，既在一定程度上保留了3D的数据信息，又避免了使用3D卷积神经网络难以找到合适的数据集进行预训练而过拟合严重的问题；另一方面，以度量学习的思想构造损失函数训练得到的深度学习模型提取出的特征更具有可分性。最终可以得到更好的分类结果。
-
Patent Agency Ranking
公开(公告)号：CN107506797A
公开(公告)日：2017-12-22
申请号：CN201710739140.4
申请日：2017-08-25
Applicant: 电子科技大学
CPC classification number: G06K9/6256 , G06K2209/05 , G06N3/084
Abstract: 本发明公开了一种基于深度神经网络和多模态影像阿尔兹海默病分类方法，以判别阿尔兹海默病的N种类别的影像的2D和3D形式作为输入层，以分类结果的概率作为输出层，构建深度神经网络；对N种已知类别的影像进行预处理，得到训练样本；利用训练样本对所述深度神经网络进行训练，优化网络连接权重，得到最终的深度神经网络；将预处理后待分类的影像输入所述最终的深度神经网络，输出分类结果；为了充分发掘AD患者脑部特征信息，本发明在传统使用单一模态的医学图像进行分类的基础上，引入多模态影像信息MRI图像、PET图像和DTI图像，同时融合了非影像特征CSF信息和基因信息。
-
公开(公告)号：CN102323989A
公开(公告)日：2012-01-18
申请号：CN201110276231.1
申请日：2011-09-16
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于奇异值分解非局部均值的极化SAR数据相干斑抑制方法，主要解决现有极化SAR滤波技术不能很好的滤除同质区域的相干斑噪声和不能有效保持边缘细节信息的缺点。其实现过程为：(1)输入极化SAR数据的协方差矩阵C；(2)对协方差矩阵C进行亮目标保持；(3)由span矩阵获得对数化特征矩阵并进行奇异值分解；(4)对协方差矩阵C的逐个元素进行奇异值分解非局部均值滤波；(5)通过Sinclair向量方法将滤波后的协方差矩阵C生成伪彩图，以显示观察滤波的效果。本发明与现有技术相比显著提高了极化SAR数据的相干斑噪声抑制的能力，能够有效的平滑同质区域和保持边缘细节信息，可用于极化SAR数据的预处理过程。
-
公开(公告)号：CN109242910A
公开(公告)日：2019-01-18
申请号：CN201810952873.0
申请日：2018-08-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于任意已知平面形状的单目相机自标定方法。本发明充分利用目标中已知平面形状信息，对目标与相机间位姿关系无任何要求，适应尺度、旋转及射影变换，且对遮挡、杂波具有一定的鲁棒性；无需额外标定物及相机特殊运动，大大降低相机标定过程的复杂度；解决了自标定结果实时性、准确性差的技术问题。
-
公开(公告)号：CN102306379B
公开(公告)日：2013-04-03
申请号：CN201110276344.1
申请日：2011-09-16
Applicant: 西安电子科技大学
IPC: G06T5/10
Abstract: 本发明公开了基于形状自适应非局部均值的极化SAR数据相干斑抑制方法，主要解决现有极化SAR相干斑抑制技术不能很好的滤除同质区域的相干斑噪声和不能有效保持边缘细节信息以及完整的保持极化信息的缺点。其实现过程为：(1)输入极化SAR数据的协方差矩阵C；(2)对协方差矩阵C进行亮目标保持；(3)对协方差矩阵C的非亮目标元素进行形状自适应的非局部均值滤波；(4)对不同形状块估计的结果进行加权平均；(5)通过Sinclair向量方法将去斑后的协方差矩阵C生成伪彩图，以显示观察滤波的效果。本发明与现有技术相比显著提高了极化SAR数据的相干斑抑制的能力，能够有效的平滑同质区域和保持边缘细节信息，可用于极化SAR数据的预处理过程。
-
公开(公告)号：CN102306379A
公开(公告)日：2012-01-04
申请号：CN201110276344.1
申请日：2011-09-16
Applicant: 西安电子科技大学
IPC: G06T5/10
Abstract: 本发明公开了基于形状自适应非局部均值的极化SAR数据相干斑抑制方法，主要解决现有极化SAR相干斑抑制技术不能很好的滤除同质区域的相干斑噪声和不能有效保持边缘细节信息以及完整的保持极化信息的缺点。其实现过程为：(1)输入极化SAR数据的协方差矩阵C；(2)对协方差矩阵C进行亮目标保持；(3)对协方差矩阵C的非亮目标元素进行形状自适应的非局部均值滤波；(4)对不同形状块估计的结果进行加权平均；(5)通过Sinclair向量方法将去斑后的协方差矩阵C生成伪彩图，以显示观察滤波的效果。本发明与现有技术相比显著提高了极化SAR数据的相干斑抑制的能力，能够有效的平滑同质区域和保持边缘细节信息，可用于极化SAR数据的预处理过程。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.022 seconds)
