-
公开(公告)号：CN110097528A
公开(公告)日：2019-08-06
申请号：CN201910288058.3
申请日：2019-04-11
Applicant: 江南大学
Abstract: 一种基于联合卷积自编码网络的图像融合方法，属于图像融合领域。主要解决图像融合时数据集和标签不足，图像经过联合卷积自编码网络得到端到端的融合结果等问题。本发明首先，在训练过程中用联合卷积自编码网络模型同时训练待融合图像集，设计适用于图像融合的多任务损失函数进行训练。测试过程中，两幅待融合图像输入到网络模型中，经过网络编码层得到公共特征和私有特征，根据其特征的冗余和互补的特性设计融合规则，实现特征层的融合，融合后的特征映射经解码重构后得到融合图像。本发明能充分利用自编码神经网络的特点整合待融合图像的互补与冗余信息制定融合策略，有效保护图像细节，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：CN106897999A
公开(公告)日：2017-06-27
申请号：CN201710107672.6
申请日：2017-02-27
Applicant: 江南大学
CPC classification number: G06T7/0004 , G06T2207/30128
Abstract: 本发明公开了一种基于尺度不变特征变换的图像融合方法，主要解决苹果质量无损检测的问题。其实现步骤是：1)利用非下采样轮廓波变换NSCT将待融合图像分解为低频子带和高频子带；2)对低频子带利用尺度不变特征变换SIFT寻找到特征描述子并记录下每个特征描述子在低频子带中的位置，利用特征描述子构造了一种内容匹配度指标；3)利于一种基于内容匹配度的混合融合策略来融合低频子带，利用绝对值取大的融合策略实现高频子带系数的融合；5)利用非下采样轮廓波逆变换生成融合图像。本发明能充分融合红外与可见光苹果图像的有用信息，有效保护源图像细节，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，能够有效的实施苹果的无损质量检测。
-
公开(公告)号：CN106897987A
公开(公告)日：2017-06-27
申请号：CN201710053310.3
申请日：2017-01-18
Applicant: 江南大学
CPC classification number: G06T5/50 , G06T9/00 , G06T2207/10048 , G06T2207/10052 , G06T2207/10081 , G06T2207/10088 , G06T2207/20048 , G06T2207/20221
Abstract: 本发明公开了一种基于平移不变剪切波和栈式自编码的图像融合方法。其实现步骤为：首先用平移不变剪切波变换将待融合图像分解成低频子带系数和高频子带系数；其次，低频子带系数反映了图像的基础轮廓，利用加权取平均的方法进行融合；高频子带系数反映了图像的边缘和纹理信息，本发明提出了一种基于栈式自编码特征的融合方法，利用滑动分块的方法将高频子带分块，以小块作为输入训练栈式自编码网络，利用训练好的网络再对小块进行编码得到特征，并利用空间频率进行特征增强得到活动测度，最后利用此活动测度数值取大的融合规则进行高频子带系数小块的融合，所有小块融合后利用滑动窗口逆变换得到高频子带；最后利用平移不变剪切波逆变换得到融合后的图像。本发明相比于传统的融合方法能更好地保留原图像中的边缘和纹理信息。
-
公开(公告)号：CN103985105B
公开(公告)日：2016-11-23
申请号：CN201410058550.9
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统计建模的Contourlet域多模态医学图像融合方法，主要解决医学图像融合时空间分辨率和光谱信息难以均衡的问题。其实现步骤是：1)待融合图像进行IHS变换，得到亮度、色调和饱和度；2)分别对亮度分量执行Contourlet变换，并采用EM算法估计高频子带的上下文隐马尔科夫模型CHMM参数；3)低频子带采用区域绝对值和取大的融合规则，高频子带基于CHMM和改进的脉冲耦合神经网络M‑PCNN设计融合规则；4)融合后的高、低频系数执行Contourlet逆变换重构新的亮度分量；5)利用IHS逆变换获得融合图像。本发明能充分整合医学图像的结构和功能信息，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。
-
Patent Agency Ranking
公开(公告)号：CN118887103A
公开(公告)日：2024-11-01
申请号：CN202410989040.7
申请日：2024-07-23
Applicant: 江南大学
IPC: G06T5/50 , G06T5/60 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种基于变形卷积和轻量级视觉状态空间结构的红外和可见光图像融合方法，属于图像融合处理技术领域。本发明的变形卷积结构旨在提取更有效的深度特征，能够将先验知识整合到网络结构中，采用具有固定形状和可学习值的内核，从而在提取详细特征时提供了增强的相关性和灵活性。本发明还引入基于VSS Block的轻量级网络LWVB，用于压缩和提取重要的全局信息，同时保持较低的存储和计算成本。针对红外和可见光图像的融合，使用MConv和LWVB的样本高效融合网络MVF。该网络利用变形卷积核和LWVB，通过基于先验知识的卷积层提取多向深度特征。与目前最先进的融合方法相比，本发明的融合网络取得了更好的融合性能。
-
公开(公告)号：CN118627540A
公开(公告)日：2024-09-10
申请号：CN202410743700.3
申请日：2024-06-11
Applicant: 江南大学
IPC: G06N3/0442 , G06N3/082 , G06N3/045 , G06F18/27
Abstract: 一种基于非平稳特征聚焦LSTM网络模型的有害藻类水华时空预测方法，属于时空预测领域，HabLSTM网络由多个HabLSTM单元堆叠而成，每个单元都包含一个隐藏状态空间差分块HSSD和一个联合状态时间差分块CSTD；HSSD块利用门控机制和隐藏状态的差异来生成相邻帧之间的差分特征，通过控制HabLSTM单元中隐藏状态的特征更新，引导网络学习短期非平稳特征；CSTD块利用门控机制和联合状态的差异来生成当前输入序列的差分特征，通过控制HabLSTM单元中记忆状态的特征更新，引导网络学习长期非平稳特征；这两种差分特征共同引导HabLSTM网络聚焦于学习非平稳时空特征，来对有害藻类水华进行时空预测。
-
-
公开(公告)号：CN110084774B
公开(公告)日：2023-05-05
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：CN110097528B
公开(公告)日：2023-04-18
申请号：CN201910288058.3
申请日：2019-04-11
Applicant: 江南大学
IPC: G06T5/50 , G06N3/0464 , G06N3/08
Abstract: 一种基于联合卷积自编码网络的图像融合方法，属于图像融合领域。主要解决图像融合时数据集和标签不足，图像经过联合卷积自编码网络得到端到端的融合结果等问题。本发明首先，在训练过程中用联合卷积自编码网络模型同时训练待融合图像集，设计适用于图像融合的多任务损失函数进行训练。测试过程中，两幅待融合图像输入到网络模型中，经过网络编码层得到公共特征和私有特征，根据其特征的冗余和互补的特性设计融合规则，实现特征层的融合，融合后的特征映射经解码重构后得到融合图像。本发明能充分利用自编码神经网络的特点整合待融合图像的互补与冗余信息制定融合策略，有效保护图像细节，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)
