-
公开(公告)号：CN113538242B
公开(公告)日：2024-06-21
申请号：CN202110830807.8
申请日：2021-07-22
Applicant: 苏州大学
IPC: G06T3/4007 , G06T5/50 , G06T5/70
Abstract: 本申请公开了一种基于残差引导策略的图像插值模型训练方法、基于残差引导策略的图像插值方法、计算机设备及可读存储介质。基于随机森林层级结构的特点，利用残差引导策略来构建并训练图像插值模型。使用预插值图像作为特征数据并使用残差作为标签数据对随机森林进行训练，训练过程中随机森林按层同步生长，初始残差是高分辨率图像与预插值图像的差值，往后的残差则是上一级残差与估计残差的差值，由于残差能够在迭代中更新，每一级的估计残差均是对前一级残差的优化，随着训练层级的增加，图像残差收敛于零，最终得到各层级映射关系均确定的图像插值模型，利用其对低分辨率图像进行插值，能够取得很好的插值效果。
-
公开(公告)号：CN117994224A
公开(公告)日：2024-05-07
申请号：CN202410134055.5
申请日：2024-01-31
Applicant: 苏州大学
Abstract: 本发明提供一种基于各向异性结构边缘的椭圆检测方法及系统，涉及椭圆检测技术领域，该方法包括输入数字图像，使用各向异性高斯方向导数计算多个方向的灰度变化，选取特定区域内变化强度最大的方向作为梯度方向，相应的变化强度作为梯度强度，计算得到图像的梯度图；计算各向异性结构描述子，结合所述梯度图和所述各向异性结构描述子，计算得到图像的结构梯度图；基于所述结构梯度图，计算得到图像的结构边缘图；从所述结构边缘图中提取椭圆弧段，将所述椭圆弧段进行组合并拟合，生成候选椭圆；使用各向异性自适应椭圆验证所述候选椭圆，输出椭圆检测结果。本发明相对于现有的椭圆检测方法具有精确率高、召回率高、时间复杂度低等特点。
-
公开(公告)号：CN114677412A
公开(公告)日：2022-06-28
申请号：CN202210270582.X
申请日：2022-03-18
Applicant: 苏州大学
Abstract: 本发明公开了一种光流估计的方法、装置、设备以及计算机可读存储介质，包括：提取相邻两帧图像的特征，构建每一帧图像的特征矩阵；将每一帧图像的浅层特征矩阵输入多尺度通道注意力网络和多尺度空间注意力网络中进行处理，得到高鲁棒的每一帧图像的空间特征矩阵；计算相邻两帧图像的空间特征矩阵的相似度编码，根据相似度编码进行Encoder操作得到运动特征；利用上下文编码器提取第一帧图像的上下文特征；将运动特征和上下文特征进行融合输入GRU模块中得到光流残差；基于光流残差进行迭代运算，输出光流估计结果。本发明引入多尺度通道和空间注意力网络，增强网络的鲁棒性和对小物体的表征能力，提高小物体的光流估计结果。
-
公开(公告)号：CN107993196B
公开(公告)日：2021-08-31
申请号：CN201711315661.3
申请日：2017-12-12
Applicant: 苏州大学
Abstract: 本发明公开了一种基于预测校验的图像插值方法及系统，方法包括利用图像插值算法对已知的LR图像进行插值，得到预插值的高分辨率图像HR1；计算每个像素在θ方向上的梯度得到各梯度对应的扩散梯度根据每个像素的扩散梯度判断出高分辨率图像HR1中每个未知像素的性质，得到高分辨率图像HR1上的边缘像素信息；对高分辨率图像HR1上的边缘像素信息进行校正，对边缘像素信息内的边缘像素进行更新，得到新的高分辨率图像HR2，关键点在于图像边缘像素的处理，得到视觉效果更好的高分辨率图像，具有良好的应用前景。
-
公开(公告)号：CN110288624A
公开(公告)日：2019-09-27
申请号：CN201910577980.4
申请日：2019-06-28
Applicant: 苏州大学
Abstract: 本申请公开了一种图像中直线段的检测方法，包括当接收到待检测图像时，根据矢量梯度法对所述待检测图像进行梯度计算，获得各像素点的梯度幅度和梯度方向；通过预设边缘检测算法对所述待检测图像进行边缘检测，获得各边缘线段；结合各所述像素点的梯度幅度和梯度方向对各所述边缘线段进行链接处理或分裂处理，获得各候选直线段；根据预设筛选规则对各所述候选直线段进行筛选，获得直线段；该图像中直线段的检测方法可直接对彩色图像的直线段进行检测，有效避免了由于图像灰度转换导致的直线段丢失或不准确的问题。本申请还公开了一种图像中直线段的检测装置、系统及计算机可读存储介质，均具有上述有益效果。
-
Patent Agency Ranking
公开(公告)号：CN109934293A
公开(公告)日：2019-06-25
申请号：CN201910198639.8
申请日：2019-03-15
Applicant: 苏州大学
Abstract: 本发明实施例公开了一种图像识别方法、装置、设备、计算机可读存储介质及混淆感知卷积神经网络。其中，混淆感知卷积神经网络包括利用训练样本集训练的传统卷积神经网络分类器作为的预测分类器、混淆感知模型、校正分类器组及概率平均层。混淆感知模型基于预测分类器在训练样本集上进行交叉验证获取的混淆矩阵进行构建；各校正分类器为使用混淆感知模型为决策系统，利用训练样本集中具有模糊边界的易混淆类别样本数据训练所得；概率平均层根据预测分类器输出的类别概率和目标校正分类器输出的类别概率输出待识别图像的分类结果，目标校正分类器为混淆感知模型根据预测分类器的预测类别选择的校正分类器。本申请有利于提升图像识别的准确性。
-
公开(公告)号：CN108399626A
公开(公告)日：2018-08-14
申请号：CN201810174952.3
申请日：2018-03-02
Applicant: 苏州大学
Abstract: 本申请公开了一种图像中直线段的检测方法，包括：获取受检图像；对受检图像进行多种不同尺度大小的尺度变换，以便生成受检图像的多个变换图像；采用预设直线段检测算法，分别对各个变换图像进行直线段检测，并分别根据检测到的直线段生成各个变换图像的直线段二值图；分别计算各个直线段二值图与对应于预设尺度邻域范围内的其他直线段二值图的图像余弦相似度的平均值；将图像余弦相似度的平均值最大的直线段二值图所对应的直线段确定为受检图像的直线段。本申请通过择优策略从多尺度图像检测结果中选出最优结果，可保障检测结果的精确度和稳定性。本申请还公开了一种图像中直线段的检测装置、设备及计算机可读存储介质，也具有上述有益效果。
-
公开(公告)号：CN107993196A
公开(公告)日：2018-05-04
申请号：CN201711315661.3
申请日：2017-12-12
Applicant: 苏州大学
Abstract: 本发明公开了一种基于预测校验的图像插值方法及系统，方法包括利用图像插值算法对已知的LR图像进行插值，得到预插值的高分辨率图像HR1；计算每个像素在θ方向上的梯度得到各梯度对应的扩散梯度 根据每个像素的扩散梯度 判断出高分辨率图像HR1中每个未知像素的性质，得到高分辨率图像HR1上的边缘像素信息；对高分辨率图像HR1上的边缘像素信息进行校正，对边缘像素信息内的边缘像素进行更新，得到新的高分辨率图像HR2，关键点在于图像边缘像素的处理，得到视觉效果更好的高分辨率图像，具有良好的应用前景。
-
公开(公告)号：CN107730506A
公开(公告)日：2018-02-23
申请号：CN201710602633.3
申请日：2017-07-21
Applicant: 苏州大学
CPC classification number: G06T7/11 , G06F17/30247 , G06T7/136 , G06T7/194 , G06T2207/10024
Abstract: 本发明涉及一种图像分割方法，包括：将图像处理为图像显著图；用SC算法从图像显著图中提取显著性目标区域；判断用SC算法从图像显著图中提取显著性目标区域的次数是否小于等于预设值；若是，将图像显著图中显著性目标区域的显著性值置为0，继续返回到SC算法从图像显著图中提取显著性目标区域。利用迭代调取用SC算法，依次获取不同的显著性目标区域，从而实现分割多个显著性目标。还涉及一种图像检索方法。
-
公开(公告)号：CN116797456B
公开(公告)日：2024-11-26
申请号：CN202310534807.2
申请日：2023-05-12
Applicant: 苏州大学
IPC: G06T3/4053 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像超分辨率重建方法、系统、设备和计算机可读存储介质，包括将低分辨率图像映射高维空间，提取图像浅层特征；利用稀疏注意力结构处理图像浅层特征，得到多尺度深度特征；利用移位卷积结构加强多尺度深度特征，得到强化多尺度深度特征；将强化多尺度深度特征进行上采样操作，得到超分辨率特征图；利用最小绝对偏差损失函数训练由稀疏注意力结构和移位卷积结构组成的高分辨率网络；利用高分辨率网络，将超分辨率特征图与待重建的低分辨率图像对应的高分辨率标签图像进行迭代更新运算，得到完成训练的图像超分辨率重建模型。能够充分利用图像的多尺度特征，同时减少冗余特征，增强图像特征表征能力，从而提高图像超分辨率的重建性能。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.033 seconds)
