-
公开(公告)号：CN118154568A
公开(公告)日：2024-06-07
申请号：CN202410342048.4
申请日：2024-03-25
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06T7/10 , G06T7/136 , G06V10/764 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种基于图像增强和弱监督学习的脑血肿图像分割方法，属于数字图像处理领域。该方法包括：采集分类图数据和分割图数据，通过阈值处理法提取分类图和分割图中的脑血肿伪标签，同时生成伪正常图，通过原图减去所述伪正常图得到出血区域残差增强图；构建脑血肿图像分割模型，并采用残差增强图进行训练；该脑血肿图像分割模型结构以TransUnet为主干网络，在其编码器后添加有分类器模块和激活图提取器模块，在其解码器后添加有分割模块；通过训练好的脑血肿图像分割模型对脑出血图片的血肿区域进行分割。本发明使用大量的分类数据和少量的分割数据集，使得模型能学习大量的分类特征，可增强模型分割的鲁棒性。
-
公开(公告)号：CN114758131A
公开(公告)日：2022-07-15
申请号：CN202210457964.3
申请日：2022-04-27
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于空间特征传导的脑组织图像分割方法，属于数字图像处理领域。该方法包括S1：获取并预处理脑组织图像，然后将预处理后的图像划分为训练集和验证集；S2：构建图像分割网络模型，通过改进的卷积长短期记忆，逐切片地提取并传导空间特征，同时通过上采样和下采样操作，在整个分割网络中传导并优化空间特征；S3：将训练集输入图像分割网络模型训练，然后将验证集输入训练好的图像分割网络模型得到图像中每个像素属于每个类别的概率。本发明能够从各向异性分辨率的三维医学图像中，提取更准确的空间特征。另外，本发明提出的空间特征传导模块可以很容易地嵌入到现有的网络模型中，提升网络性能。
-
公开(公告)号：CN113516671B
公开(公告)日：2022-07-01
申请号：CN202110902377.6
申请日：2021-08-06
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于U‑net和注意力机制的婴幼儿脑组织图像分割方法，属于图像处理领域。该方法包括如下步骤：对训练样本按照32×32×32像素大小随机取一定的样本组成训练集；搭建Dense‑Unet网络模型；使用Dense‑Unet网络模型对训练集进行训练、调参，得到最佳分割模型并保存；比较模型预测结果和手工标签的结果，得到易分错区域的分布图；使用高斯函数对每个样本的易分错区域的分布图进行模糊化，并求平均值；对训练样本按照一定比例组成训练集；设计一个包含空间和易分错区域的自注意力机制加入到网络模型中；使用新的网络模型对训练集进行训练、调参，得到最佳分割模型并保存。
-
公开(公告)号：CN110866565B
公开(公告)日：2022-06-24
申请号：CN201911176738.2
申请日：2019-11-26
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62
Abstract: 本发明涉及一种基于卷积神经网络的多分支图像分类方法，属于图像处理领域，该方法包含如下步骤：S1：提取主干神经网络中的各个尺度的特征图；S2：对相邻的特征图相加形成多个分支并且每个分支设置单独的一个输出；S3：结合主干网络的输出，通过投票各个输出的结果得到一个辅助输出，最后选取所有输出中准确率最高的。最后，本发明方法能够准确的对图像分类，在各个数据库上都有较高的识别效果。
-
公开(公告)号：CN114581453A
公开(公告)日：2022-06-03
申请号：CN202210251549.2
申请日：2022-03-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于多轴面特征融合二维卷积神经网络的医学图像分割方法，属于图像处理领域。该方法包括：对训练集数据进行灰度归一化处理和分块随机取样；搭建多轴面特征融合网络模型；将同一图像块分别沿X轴和Y轴旋转90°，得到同一区域的三个输入图像块，对三个图像块进行切片，然后输入对应的网络分支进行特征融合；在上采样的最后一次双线性插值操作后进行概率图融合；在三个分支的最后一次卷积操作后，将三个概率图进行平均求值，再经过激活函数得到最终的分割结果图。本发明实现对图像空间特征的充分利用，使得分割结果更加精准。
-
Patent Agency Ranking
公开(公告)号：CN111274967A
公开(公告)日：2020-06-12
申请号：CN202010067549.8
申请日：2020-01-20
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于颜色分析的人脸欺骗检测方法，属于数字图像处理和模式识别领域。该方法包括以下步骤：图像预处理阶段：从视频中将人脸区域裁剪成128×128大小的图像块；特征提取阶段：通过局部二值模式和颜色距提取图像的特征；分类阶段：把局部二值模式与颜色距特征向量融合，然后用支持向量机进行分类得出结果。本发明方法能够在纹理特征的基础上添加颜色信息，应用在人脸欺骗检测中可以更好的帮助系统学习真实人脸和仿冒人脸之间的颜色信息。同时与其他引入颜色信息的方法相比我们的方法拥有更小的计算量，更快的计算速度。
-
公开(公告)号：CN117711044A
公开(公告)日：2024-03-15
申请号：CN202311690172.1
申请日：2023-12-11
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06V10/82 , G06N3/0475 , G06N3/08
Abstract: 本发明涉及一种基于图像质量先验的多姿态人脸生成方法，属于数字图像处理领域，包括以下步骤：S1：预处理人脸数据集，构建训练集和测试集，并提取人脸图像的质量信息和标记点图像；S2：构建基于生成对抗网络的人脸生成模型，包括生成器、解码器和判别器，以及人脸特征提取器和分类器；S3：使用预处理的标记点图像作为目标姿态，使用质量信息划分出高质量的人脸图像作为真实图像集；在训练过程中采用自重建约束中间合成结果，并使低质量人脸身份特征往高质量人脸身份特征对齐；S4：将对齐后的测试图像和目标姿态作为模型输入，得到测试集合成结果。
-
公开(公告)号：CN116524285A
公开(公告)日：2023-08-01
申请号：CN202310334760.5
申请日：2023-03-31
Applicant: 重庆邮电大学
IPC: G06V10/77 , G06V10/80 , G06V10/26 , G06V10/774 , G06N20/20
Abstract: 本发明涉及一种引入先验信息与特征融合的脑组织图像分割方法，属于数字图像处理和模式识别领域。该方法包含如下步骤：预处理脑组织图像，将数据划分为训练集和验证集；通过密集连接模块和瓶颈模块提取数据块的特征；在每个主干网络的跳跃连接部分融合不同层级的编码阶段特征，并传递到解码层；使用残差连接模块和上采样构建解码层；使用三个主干网络分别分割三个脑组织，将三个分割结果作为先验信息，引入到网络中。本发明引入特征融合可以应对复杂结构的特征提取，引入先验信息可以使网络更关注易错区域，从而提高网络的分割精度。
-
公开(公告)号：CN111242078A
公开(公告)日：2020-06-05
申请号：CN202010067547.9
申请日：2020-01-20
Applicant: 重庆邮电大学
IPC: G06K9/00
Abstract: 本发明涉及一种基于自注意力机制的人脸正脸化生成方法，属于数字图像处理和模式识别领域。该方法包括：数据预处理阶段：利用人脸检测网络裁剪出原始图像中处于非限制姿态下的人脸部分，将裁剪后切块的尺寸重新拉伸；人脸生成阶段：将输入的任意姿态下人脸图像正脸化；人脸判别阶段：判别器网络将输入的图片按照人脸的五官特征区域进行切分，并得到一组切块，每个切块对应各自的自注意力子判别器，并根据输入图像输出一个概率值；判别结果整合阶段：根据人脸特征分块图像的尺度，每个子判别器的结果与一个对应的权值相乘，得到整个判别器组的输出。本发明结合自注意力机制与人脸的几何结构特征，使得正脸化图片能更好的保持人脸的正脸结构信息。
-
公开(公告)号：CN106650669A
公开(公告)日：2017-05-10
申请号：CN201611227125.3
申请日：2016-12-27
Applicant: 重庆邮电大学
IPC: G06K9/00
CPC classification number: G06K9/00228 , G06K9/00268 , G06K9/00906
Abstract: 本发明请求保护一种鉴别仿冒照片欺骗的人脸识别方法，属于数字图像处理和模式识别领域。识别方法通过分析真、假人脸图像的成像差异，采用图像颜色分布、反射比率和模糊度特征实现鉴别人脸仿冒照片欺骗。首先，将彩色图像转换到HSV颜色空间后提取色彩分布特征；将彩色图像转换到YUV颜色空间图像后提取镜面反射特征；使用灰度共生矩阵提取模糊度特征。然后，综合颜色分布特征、镜面反射特征和模糊度特征作为真假人脸图像的判别信息，使用支持向量机算法分类得出真假人脸图像的判断。该方法可以作为独立模块融入到现有的人脸识别算法中，提供人脸识别系统的安全性和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.022 seconds)
