-
公开(公告)号：CN110309699A
公开(公告)日：2019-10-08
申请号：CN201910219874.9
申请日：2019-03-22
Applicant: 浙江工业大学
IPC: G06K9/00
Abstract: 一种基于OCT的皮下汗孔图提取方法，包括如下步骤：1)对每张OCT图像的每个像素进行灰度值差分运算，并选择结果大于阈值的点作为初始特征点集；2)应用霍夫变换，将角质层特征点集从初始特征点集中分离出来，并对其进行二次多项式拟合得到角质层轮廓，同时去除位于角质轮廓周围附近以及上方的特征点；3)由远及近地去除乳头层轮廓外的特征点，得到准确的乳头层特征点集，并对其进行三次插值拟合得到乳头层轮廓；4)据两条轮廓的位置获得汗腺切线，然后将所有OCT图像中获得的汗腺切线拼接成大小为W×N皮下汗孔图，再经过图像增强获得最后结果。本发明能够得到正确的汗腺切线，最后获得清晰的皮下汗孔图。
-
公开(公告)号：CN118781018A
公开(公告)日：2024-10-15
申请号：CN202411239305.8
申请日：2024-09-05
Applicant: 浙江工业大学
IPC: G06T5/73 , G06T5/50 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的红外图像辅助图像去雾方法，包括获取待去雾的有雾图像和对应的红外图像。在图像去雾模型中引入红外图像进行辅助去雾，使得在极端条件下也能表现出很好的去雾效果，同时在图像去雾模型中将红外图像作为雾霾密度相关的先验信息，引入了Transformer模块与改进的CNN网络结合提取特征，Transformer可以提取包含烟雾密度的全局特征信息，与CNN网络提取的局部特征信息互补，提高去雾性能；图像去雾模型的注意力模块中设计通道注意力和空间注意力，通道注意力帮助模型更好地关注图像中的重要特征通道，从而提高模型的准确性，空间注意力帮助模型更好地关注图像中的重要区域，进而提高去雾性能。
-
公开(公告)号：CN118506411A
公开(公告)日：2024-08-16
申请号：CN202410969840.2
申请日：2024-07-19
Applicant: 浙江工业大学
IPC: G06V40/12 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于滑动窗口变换器的深浅特征融合的掌纹识别方法，包括获取预处理后的掌纹图像，并输入至训练好的掌纹识别模型中，得到掌纹图像的特征；将掌纹图像的特征分别与数据库中所有参考掌纹图像的特征进行比对，将比对成功的参考掌纹图像筛选出作为匹配成功的掌纹。结合Swin Transformer网络和多尺度特征增强模块，实现了对掌纹图像的高效特征提取和自适应融合，将Swin Transformer网络中的第一阶段模块、第二阶段模块和第四阶段模块的输出，经过多尺度特征增强模块不仅将深层信息和浅层特征信息进行融合，而且强化了各层特征的空间信息，以提高对低分辨率掌纹图像的适应能力，从而实现更高的掌纹识别准确率。
-
公开(公告)号：CN118444477A
公开(公告)日：2024-08-06
申请号：CN202410904632.4
申请日：2024-07-08
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于FPGA的同步信号控制系统，包括上位机、FPGA模块、振镜、光学图像传感器和采集卡，其中FPGA模块包括BRAM模块、帧解析器、3D扫描模块和2D扫描模块，且3D扫描模块和2D扫描模块均包括操作单元，以及与振镜、光学图像传感器和采集卡依次对应的第一子控制单元、第二子控制单元和第三子控制单元。本发明通过FPGA实现对OCT外设振镜、CCD和采集卡的时序控制，实现了对外设的通用同步控制，解决了传统OCT系统由于控制精度不足导致的图像畸变问题；本发明通过单独配置外设振镜、CCD和采集卡的延迟，在几乎不消耗任何资源的情况下实现了对外设固有延迟的精确补偿，解决了采集的OCT图像的错位问题，且简单有效。
-
公开(公告)号：CN116763301A
公开(公告)日：2023-09-19
申请号：CN202310835550.4
申请日：2023-07-07
Applicant: 浙江工业大学
IPC: A61B5/1172
Abstract: 基于压电陶瓷可自动对焦的FF‑OCT皮下指纹自动采集系统设计，包括如下部分：1)设计基于压电陶瓷自动调焦FF‑OCT系统，包括空间低相干光源、科勒照明模块、分束立方棱镜、样品臂模块、参考臂模块、探测臂模块、信号发生装置、控制系统、中继系统，并按照光路依次搭建。2)手指置于样品臂玻璃上，对基于压电陶瓷自动对焦的FF‑OCT系统。使用PZT压电陶瓷进行对手指皮下指纹进行自动聚焦，调节PZT压电陶瓷使物镜缓慢下移，期间不断对图像质量进行评估，当指纹图像质量出现极大值时为最佳位置，并采集不同聚焦深度断层图。
-
Patent Agency Ranking
公开(公告)号：CN111666813B
公开(公告)日：2023-06-30
申请号：CN202010356352.6
申请日：2020-04-29
Applicant: 浙江工业大学
Abstract: 一种基于非局部信息的三维卷积神经网络的皮下汗腺提取方法，包括如下步骤：1)利用归一化算法图像增强后，通过截取局部数据和数据旋转进行数据增广；2)通过添加Non_local模块构建基于非局部信息的三维卷积神经网络模型，损失函数采用Dice损失函数；3)将步骤一获取的训练集输入神经网络进行训练；4)利用汗腺体的大小的一定规律和汗腺体上下端的位置偏差不会太大的特性从初步的三维汗腺体图像中筛选并去除伪汗腺体。本发明充分利用指纹切片之间的像素相关性，利用非局部的信息来增加信息量，增强汗腺体信息，提高了指汗腺体检测的准确率。
-
公开(公告)号：CN115619658A
公开(公告)日：2023-01-17
申请号：CN202211149964.3
申请日：2022-09-21
Applicant: 浙江工业大学
IPC: G06T5/00 , G06N3/0464 , G06N3/044 , G06N3/048 , G06N3/08
Abstract: 一种基于内容保证的循环生成式对抗网络手指OCT体数据去噪方法，包括如下步骤：1)通过人为方式制作一张高质量的干净手指B‑Scan图像；2)构建内容保证的循环生成式对抗网络模型，设定参数，进行训练；3)利用训练好的卷积神经网络模型，对OCT体数据进行去噪。本发明可以仅使用一张干净图像训练内容保证的循环生成式对抗网络模型，并对手指OCT体数据进行有效去噪。
-
公开(公告)号：CN114581962A
公开(公告)日：2022-06-03
申请号：CN202210176443.0
申请日：2022-02-25
Applicant: 浙江工业大学
Abstract: 一种基于多输入卷积神经网络的高分辨率掌纹识别的方法，包括如下步骤：1)对高分辨率掌纹ROI进行定义，包括中心ROI区域和边缘ROI区域(包括大鱼际ROI区域，小鱼际ROI区域，指间区ROI区域，简称ROI1,ROI2,ROI3)的裁剪。因此，一只手掌数据共可以裁剪出4块ROI区域图像，作为用于识别的数据；2)设计高分辨率掌纹识别的网络模型，用步骤1)裁剪的ROI样本,并对其进行数据增广以此生成更多的掌纹ROI数据来进行训练；3)运行多输入卷积神经网络模型并输出结果。本发明能够联合掌纹中心ROI区域和边缘ROI区域提取更全面的特征以达到更高的高分辨率掌纹识别率。
-
公开(公告)号：CN114581500A
公开(公告)日：2022-06-03
申请号：CN202210176451.5
申请日：2022-02-25
Applicant: 浙江工业大学
Abstract: 一种多视角三维指纹粗配准方法，包括如下步骤：1)读取两组不同视角的三维指纹数据，分别作为源指纹和目标指纹。每组数据包含一帧点云数据和对应同步拍摄的二维指纹图像。对二维指纹图像进行增强与细化，得到脊谷分明的二值化指纹图。2)对两幅二值化指纹图提取特征点，并进行特征描述。3)对两组特征点信息进行模糊匹配，获得初始模糊匹配对。4)使用不同特征点对之间的几何位置关系进行双重匹配验证，滤除错误的匹配点对。5)根据匹配的二维特征点对找到对应的源三维指纹点云数据和目标三维指纹点云数据的三维点云特征点对，进行粗配准，得到初始变换矩阵。本发明能够从非接触式二维指纹图像中提取匹配特征点对，以更高的准确性和鲁棒性实现多视角三维指纹点云粗配准。
-
公开(公告)号：CN114067169A
公开(公告)日：2022-02-18
申请号：CN202111203315.2
申请日：2021-10-15
Applicant: 浙江工业大学
IPC: G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于卷积神经网络的拉曼光谱识别的方法，包括以下步骤：1)通过拉曼光谱仪采集原始拉曼光谱,同时划分为训练集和验证集；2)建立神经网络模型,包括设定卷积层数，卷积核尺寸，训练参数和损失函数，将步骤1)中得到的图片输入至神经网络中，运行神经网络，获得最终识别结果。本发明使用卷积神经网络，能够从原始的拉曼光谱图像中直接辨别待测物质的种类，不需要对拉曼光谱进行复杂的预处理，从而降低了对硬件的要求，提高了效率并且降低了成本；利用GPU强大的计算能力和大量采集的原始拉曼光谱图,对卷积神经网络的训练，确定识别模型的各个参数，能够实现拉曼光谱图像的快速地自动识别待测物质的种类。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.049 seconds)
