-
公开(公告)号：CN115330635B
公开(公告)日：2023-08-15
申请号：CN202211027579.1
申请日：2022-08-25
Applicant: 苏州大学
Abstract: 本发明提出了一种新的基于参考图像的图像压缩伪迹移除方法，利用高质量的参考图像来提供有用的信息，以便于去除伪迹和细节重建。首先将压缩后图像和参考图像作为输入，生成多尺度特征对作为输出。然后，在特征空间中全局匹配特征并将参考图像中的相关特征转换到压缩图像中，最后，从特征全局转换后的多尺度输出中重建图像信息，得到最终的目标图像，本发明所提供的方法更好地恢复了图像结构信息，有效提高了伪迹移除的效果，重建所得的目标图像质量更高。
-
公开(公告)号：CN115330825B
公开(公告)日：2023-08-11
申请号：CN202210960548.5
申请日：2022-08-09
Applicant: 苏州大学
Abstract: 本发明涉及一种折反射图像边缘检测方法，在待检测图像原平面上直接构造边缘检测算子，利用黎曼流形上的各向异性图像滤波进行边缘检测。通过求解嵌入黎曼度量的各向异性方向导数，推导出了黎曼流形上的各向异性高斯核；利用该高斯核，构造了一种新的各向异性边缘检测算子；将各向异性边缘检测算子与数字化折反射图像卷积获取图像边缘梯度图，再进行对比度均衡处理、非极大值抑制操作与双阈值法二值化操作获取边缘图。该各向异性边缘检测算子更适合于折反射图像，在检测过程中该各向异性边缘检测算子会考虑到折反射图像的几何结构信息，同时，在保留图像边缘方面具有更高的效率，从而可以产生更多的真正边缘，使输出的边缘图边缘更加清晰。
-
公开(公告)号：CN109934293B
公开(公告)日：2023-06-13
申请号：CN201910198639.8
申请日：2019-03-15
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
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：CN115578260A
公开(公告)日：2023-01-06
申请号：CN202211222173.9
申请日：2022-10-08
Applicant: 苏州大学
Abstract: 本发明涉及图像处理领域，公开一种针对图像超分辨率的方向解耦的注意力方法和系统，方法包括：获取输入图像并提取特征得到初始特征图，构建包括多个方向解耦的注意力机制的超分辨率重建网络；将初始特征图输入所述包括多个方向解耦的注意力机制的超分辨率重建网络，在每个方向解耦的注意力机制中进行水平方向和垂直方向的信息提取，多次进行水平方向和垂直方向的信息提取后得到最终的输出特征图；结合初始特征图和最终的输出特征图得到输入图像对应的高分辨率图像；系统包括数据获取模块、超分辨率重建网络模块和图像输出模块。本发明可以在提升信息捕获能力的同时降低计算复杂度，实现对低分辨率图像的高清还原，并且方便迁移扩展。
-
公开(公告)号：CN113674156B
公开(公告)日：2022-12-30
申请号：CN202111039803.4
申请日：2021-09-06
Applicant: 苏州大学
Abstract: 本发明涉及一种图像超分辨率重建的方法及系统，包括以下步骤：输入的低分辨率图像，从低分辨率图像中提取基础图像特征；以基础图像特征作为初始输入，使用多个顺序执行的AMB模块依次提取更高层次的特征，获得多个高层次特征输出；将基础图像特征与多个高层次特征输出融合，获得融合特征；通过融合特征重建图像，获得重建的高分辨率的图像输出。其能够以更高的效率得到与现有MSRN相似的单帧图像超分辨率重建性能，所使用的参数少，运算速度快,其亦可增加使用AMB模块的数量，从而与现有MSRN具有相似的计算复杂度，但是能够得到更好的单帧图像超分辨率重建性能。
-
Patent Agency Ranking
公开(公告)号：CN115330825A
公开(公告)日：2022-11-11
申请号：CN202210960548.5
申请日：2022-08-09
Applicant: 苏州大学
Abstract: 本发明涉及一种折反射图像边缘检测方法，在待检测图像原平面上直接构造边缘检测算子，利用黎曼流形上的各向异性图像滤波进行边缘检测。通过求解嵌入黎曼度量的各向异性方向导数，推导出了黎曼流形上的各向异性高斯核；利用该高斯核，构造了一种新的各向异性边缘检测算子；将各向异性边缘检测算子与数字化折反射图像卷积获取图像边缘梯度图，再进行对比度均衡处理、非极大值抑制操作与双阈值法二值化操作获取边缘图。该各向异性边缘检测算子更适合于折反射图像，在检测过程中该各向异性边缘检测算子会考虑到折反射图像的几何结构信息，同时，在保留图像边缘方面具有更高的效率，从而可以产生更多的真正边缘，使输出的边缘图边缘更加清晰。
-
公开(公告)号：CN110633746A
公开(公告)日：2019-12-31
申请号：CN201910865706.7
申请日：2019-09-12
Applicant: 苏州大学
Abstract: 本发明公开了一种图像分类方法、装置、设备及计算机可读存储介质，包括预先利用经过多尺度图像演化的正常训练图像对分类器进行训练；将经过多尺度图像演化后的待分类图像输入分类器，得到各尺度下的待分类图像被分类到的各个类别的概率分布结果；根据所有的概率分布结果，确定待分类图像被分类到的各个类别的平均概率；将平均概率最大的类别作为待分类图像的类别。本申请在能够成功地将对抗图像进行分类的基础上，由于在对分类器的训练过程中采用了经过多尺度图像演化的正常训练图像进行训练，因此即使待分类图像为正常图像，分类器也不会受到图像演化的干扰，能够具有较高的分类成功率。
-
公开(公告)号：CN108320286A
公开(公告)日：2018-07-24
申请号：CN201810167901.8
申请日：2018-02-28
Applicant: 苏州大学
Abstract: 本申请公开了一种图像显著性检测方法、系统、设备及计算机可读存储介质，其中，该方法包括利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；利用目标检测模型检测待检测数据，得到相应的检测结果；基于显著性分割方法对检测结果进行优化，以提高图像显著性检测的精度。可见，本申请提供的上述方法，利用全卷积网络进行图像待训练模型的创建，原因是全卷积网络具有更高效的优点；并基于条件随机场，利用获取的训练样本对上述待训练模型进行迭代训练，尽可能提高检测精度，得到目标图像检测模型；接着，对相应的检测结果利用显著性分割方法进行优化，进一步提高图像显著性检测的精度。
-
公开(公告)号：CN116797456A
公开(公告)日：2023-09-22
申请号：CN202310534807.2
申请日：2023-05-12
Applicant: 苏州大学
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。
-
公开(公告)号：CN115564649B
公开(公告)日：2023-07-28
申请号：CN202211181729.4
申请日：2022-09-27
Applicant: 苏州大学
Abstract: 本发明公开了一种图像超分辨率重建方法、装置及设备，涉及计算机视觉技术领域，包括将训练数据集中待重建的低分辨率图像嵌入高维空间，提取出图像浅层特征，利用多轴卷积结构提取图像浅层特征，得不同粒度的深度特征，将不同粒度的深度特征聚合，得聚合图像特征，将所述聚合图像特征进行通道注意力和空间注意力加权操作，得权重图像特征，将权重图像特征进行上采样操作，得超分辨率特征图，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，重建了更好的图像细节，提升了图像超分辨率的性能，实现了充分利用不同粒度图像特征完成图像超分辨率重建，提升重建后图像的清晰度。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.037 seconds)
