-
公开(公告)号：CN104318520A
公开(公告)日：2015-01-28
申请号：CN201410510938.8
申请日：2014-09-28
Applicant: 南通大学
Abstract: 本发明提供一种像素局部区域方向检测方法，包括以下步骤：确定方向滤波算子；确定滤波算子的至少一个方向参数；依次采用滤波算子的方向参数对图像进行滤波，得到至少一个滤波值；选择图像滤波值中的最大值对应的方向参数所指示的方向为每个像素的方向。本发明有益效果是：在确定像素局部区域方向后，可以为多向中值滤波提供选择滤波模板的参考，以便保留中值滤波保留细节，同时进一步加强了保护边缘和纹理的能力。
-
公开(公告)号：CN104299191A
公开(公告)日：2015-01-21
申请号：CN201410507742.3
申请日：2014-09-28
Applicant: 南通大学
Abstract: 本发明提供一种超声图像去噪方法，包括以下步骤：使用多个方向滤波器确定每一像素的局部区域方向θd，基于确定的局部区域方向进行中值滤波；判断每个像素位置滤波后的值和原值的差距，当相差不超过预定阈值时，不对像素进行滤波，否则使用滤波后的值作为去噪结果。本发明还提供一种多向中值滤波方法，包括以下步骤：获取至少一个带方向特性的中值滤波模板；根据确定的像素方向，选择非对称结构的中值滤波模板对每个象素进行滤波。本发明有益效果是：在去除超声图像噪声的同时，保留有助于诊断的边缘和纹理区域细节，增强图像的视觉效果，进一步提高通过超声诊断的准确程度。
-
公开(公告)号：CN119832012A
公开(公告)日：2025-04-15
申请号：CN202510086100.9
申请日：2025-01-20
Applicant: 南通大学
IPC: G06T7/11 , G06T7/00 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/82 , G06V10/80 , G06T3/4007 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/09 , G06N3/084
Abstract: 本发明提供了一种融合SAM全局建模与U‑Net局部优化的医学图像分割方法，属于图像分割的医学图像分割技术领域。解决了传统方法在分割过程中无法同时兼顾全局语义特征与局部细节特征而导致分割精度不足及边缘细节丢失的技术问题。其技术方案为：包括以下步骤：步骤一，对医学图像进行预处理；步骤二，构建融合视觉Transformer和卷积网络的分割模型；步骤三，使用带有二元交叉熵损失函数的监督学习方法对分割模型进行训练；步骤四，将待分割图像输入训练好的模型，生成医学图像的分割结果。本发明的有益效果为：通过结合SAM的全局建模能力和U‑Net的局部优化能力，有效提升医学图像分割的准确性与鲁棒性。
-
公开(公告)号：CN119478316A
公开(公告)日：2025-02-18
申请号：CN202411650891.5
申请日：2024-11-19
Applicant: 南通大学
IPC: G06T19/20 , G06N3/045 , G06N3/042 , G06V10/82 , G06T5/70 , G06T3/40 , G06N3/0464 , G06N3/048 , G06V10/764 , G06N3/08 , G06T5/30 , G06T7/00 , G06N3/098
Abstract: 本发明提供了一种基于图注意力神经网络的三维冠状动脉自动分割方法，属于图像分割的医学图像分割技术领域。解决了传统方法没有充分考虑医学图像的高噪声和灰度不均的技术问题。其技术方案为：包括以下步骤：步骤一、对图像进行窗宽窗位的处理；步骤二、将图像缩小到128×128×64大小；步骤三、对步骤二得到的图像进行膨胀运算；步骤四、基于步骤二得到的图像建立图结构；步骤五、使用Vnet3D网络对块图像进行分割；步骤六、将步骤四与步骤五分割得到的冠状动脉图像进行融合得到最终的冠状动脉分割图像。本发明的有益效果为：保证对于冠状动脉高的分割准确率和鲁棒性。
-
公开(公告)号：CN114861761B
公开(公告)日：2024-09-20
申请号：CN202210357834.2
申请日：2022-04-06
Applicant: 南通大学
IPC: G06V10/82 , G06N3/0464 , G06N3/045 , G06V10/42 , G06V10/44 , G06V10/74 , G06V10/764
Abstract: 本发明公开了一种基于孪生网络特征与几何验证的回环检测方法，属于计算机视觉图像技术领域，解决了传统方法在光照和视点变化下准确率较低的技术问题。其技术方案为：包括以下步骤：步骤1、获取输入的RGB‑D图像；步骤2、获取多维特征信息；步骤3、提取图像全局特征；步骤4、计算图像间的相似度得分，根据相似度得分得到回环候图像；步骤5、采用几何一致性检验对两幅图像的描述符进行匹配；步骤6、采用随机采样一致性算法消除误匹配；步骤7、采用时间一致性检验进一步进行误匹配的剔除。本发明的有益效果为：本发明的孪生网络特征具有光照不变性，几何验证又能获得图像间的几何拓扑信息，提高了回环检测的精确率和召回率。
-
Patent Agency Ranking
公开(公告)号：CN114494736B
公开(公告)日：2024-09-20
申请号：CN202210104480.0
申请日：2022-01-28
Applicant: 南通大学
IPC: G06V10/46 , G06V10/25 , G06V10/762 , G06V10/74 , G06V10/82 , G06F40/216 , G06N3/0464
Abstract: 本发明提供了一种基于显著性区域检测的室外地点重识别方法，属于计算机视觉、深度学习技术领域。其技术方案为：包括以下步骤：步骤一、SE‑ResNet特征图的提取；步骤二、显著性区域的检测；步骤三、训练视觉词袋模型；步骤四、图像之间的相似度匹配。本发明的有益效果为：本发明通过深度学习特征构建的视觉词袋模型，把显著性区域的局部特征融合成全局特征，提高匹配的准确度。
-
公开(公告)号：CN118606785A
公开(公告)日：2024-09-06
申请号：CN202410729231.X
申请日：2024-06-06
Applicant: 南通大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明提供一种构造原型特征进行人类活动识别的高效深度学习方法，属于深度学习技术领域。解决了测试域数据与训练域数据分布不同导致的性能下降与降低TransformerO(L^2)复杂度的技术问题。其技术方案为：计算QK特征与均值特征的距离构建两组一维矩阵并由这两个矩阵计算注意力矩阵降低复杂度、初始化原型特征池通过门网络决赋值权重并挑选原型样本与非关注特征进行融合，新构造出来的特征再与关注特征进行加权融合，原型损失函数的设计保证构造特征的有效性与识别的准确性。本发明的有益效果为：本发明方法与现有的一些基于深度学习方法相比，具有更高的识别准确率与鲁棒性。
-
公开(公告)号：CN118031960A
公开(公告)日：2024-05-14
申请号：CN202410133368.9
申请日：2024-01-31
Applicant: 南通大学
Abstract: 本发明提供了一种基于图像分块自适应gamma校正和改进信赖域的视觉SLAM方法，属于计算机视觉、深度学习，用于自主导航的视觉机器人定位方法技术领域。解决了视觉SLAM系统前端匹配精度因光线变化不稳定以及后端迭代算法计算开销过高的问题。其技术方案为：包含以下步骤：步骤一、图像分块后进行自适应gamma校正；步骤二、对极几何约束；步骤三、改进LM迭代算法。本发明的有益效果为：本发明通过提高视觉SLAM系统中前端图像匹配的精度来提高位姿跟踪计算的精度，同时在后端采取节约运算消耗的改进LM迭代算法，在不损失精度的情况下减少运算开销。
-
公开(公告)号：CN117437431A
公开(公告)日：2024-01-23
申请号：CN202311471625.1
申请日：2023-11-07
Applicant: 南通大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/86
Abstract: 本发明属于深度学习技术领域，具体涉及一种日常活动运动量检测和异常状况评估的深度学习方法。本发明包括以下步骤：图神经网络对传感器数据的增强、注意力特征编码与活动识别、对日常活动的评估、通道融合与残差连接。本发明通过图神经网络挖掘传感器数据不同变量之间相关关系，对存在相关关系的变量进行特征信息的传递，以丰富各个节点的信息量；其次，设计了一个神经控制微分方程网络配合卷积网络的模块以便对增强过后的数据进行特征编码与分类，然后对日常活动的识别结果进行运动量或是异常情况的评估，确定日常活动量的时间占比和是否出现与历史数据不符的异常状况，本发明方法与现有的一些深度学习方法相比，具有更好的识别准确性。
-
公开(公告)号：CN117077706A
公开(公告)日：2023-11-17
申请号：CN202310541789.0
申请日：2023-05-15
Applicant: 南通大学
IPC: G06K7/14
Abstract: 本发明公开了一种基于局部梯度的条形码检测方法及设备，包含：将条形码图像分成小区域，计算每个小区域中每个像素的梯度方向；调整梯度方向值；统计小区域中方向在每个π/4区间内的集中程度；选择集中程度高的区间，计算方向一致性并进一步判断区间是否集中，若集中将集中的区间一致的小区域连通起来，得到连通后区域，利用外形判断连通后区域是否为条形码区域，如果是进行步骤计算连通后区域的平均梯度方向并进行方向调整，获得纠正后的条形码图像；本发明方法将对条形码的判断分成两个步骤，只集中程度高的区域进行梯度方向的角度进行计算，并使用平均梯度方向来计算条形码方向，降低了计算量，提高了检测效率。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.022 seconds)
