-
公开(公告)号：CN103679664B
公开(公告)日：2016-07-06
申请号：CN201310743733.X
申请日：2013-12-30
Applicant: 北京航空航天大学
IPC: G06T5/00
Abstract: 本发明涉及一种利用数学形态学交替滤波器的能够保留图像细节的增强方法，它有四大步骤：设有n个尺度不同的结构元素参与计算，首先，利用数学形态学中的交替滤波器提取图像的亮区域和暗区域；然后，改变结构元素的尺度大小，分别提取n个不同尺度结构元素交替滤波器所对应图像的亮区域和暗区域；随后，分别取所有亮区域和暗区域的最大值作为所有尺度结构元素交替滤波器提取的亮区域和暗区域；最后，通过在保留原始图像基本信息的图上分别加上提取的亮区域并减去提取的暗区域，增大原始图像的对比度从而达到保留图像细节的图像增强。本发明广泛应用于各类基于图像的应用系统，具有广阔的市场前景与应用价值。
-
公开(公告)号：CN101567087B
公开(公告)日：2012-05-23
申请号：CN200910085469.9
申请日：2009-05-25
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种复杂天空背景下红外序列图像弱小目标检测与跟踪方法，包括以下步骤：(1)采用结合图像弱小目标特征和Top-hat变换的自适应背景剔除算法进行自适应背景剔除，抑制复杂背景和部分噪声对弱小目标检测的影响；(2)利用适合暗背景图像的迭代阈值算法分割背景剔除后的暗背景图像中的可能目标区域；(3)根据目标在连续多帧中的运动规律构造膨胀累加算法，区分可能的虚警目标区域；(4)用基于轮廓结构元素的CB运算和逻辑与操作抑制虚警目标；(5)将虚警目标抑制后的区域作为可能的目标区域与步骤(7)轨迹预测的结果进行比较，实现轨迹更新；(6)进行轨迹判决；(7)进行轨迹预测。
-
公开(公告)号：CN102289806A
公开(公告)日：2011-12-21
申请号：CN201110167446.X
申请日：2011-06-21
Applicant: 北京航空航天大学
IPC: G06T7/00
Abstract: 本发明涉及一种利用多尺度形态学特征的图像清晰度度量方法，它包括以下步骤：1：利用高帽变换通过多尺度结构元素分别提取图像的多尺度亮特征和暗特征；2：利用提取的多尺度亮特征和暗特征计算综合多尺度特征的最终亮特征和暗特征；3：通过最大值运算由最终亮特征和暗特征得到用于清晰度计算的最终多尺度特征；4：计算最终多尺度特征的灰度均值，并将之作为图像清晰度的度量。本发明不仅可以正确度量图像的清晰度，而且对清晰度的变化更为敏感，具有更好的清晰度分辨能力，本发明可以广泛应用于各类基于图像的应用系统，具有广阔的市场与应用价值。
-
公开(公告)号：CN102095394A
公开(公告)日：2011-06-15
申请号：CN201010543842.3
申请日：2010-11-15
Applicant: 北京航空航天大学
IPC: G01B21/06
Abstract: 一种高精度滚动位移检测装置，它是由滚动轮辊、滚动轴承、摩擦轮、码盘和位移输出部件构成；滚动轮辊与滚动轴承和摩擦轮连接，在滚动轴承的支撑下带动摩擦轮转动；摩擦轮前方通过滚动轴承与滚动轮辊的小轴部分相连接，后方与码盘相连接，并以摩擦力的形式传递输出滚动位移给码盘；码盘与摩擦轮和位移输出部件通过信号线相连接；滚动轮辊、滚动轴承、摩擦轮之间的连接通过滚动轮辊的小轴部分实现；该装置构思科学，构造简单，采用码盘以脉冲方式检测滚动位移，兼顾了低成本和快速高精度的特点。本发明可应用于工业扫描成像设备、高精度传动设备等工业与控制领域，具有广阔的市场前景与应用价值。
-
公开(公告)号：CN100444803C
公开(公告)日：2008-12-24
申请号：CN200610113402.8
申请日：2006-09-27
Applicant: 北京航空航天大学
Abstract: 一种基于立体视觉的三维B超装置，是由CCD摄像机、B超机、同步器、标记器、多路输入图像采集卡、采集触发器、计算机和系统软件，CCD摄像机的行同步信号线和场同步信号线、视频信号线、B超视频信号线、触发信号线和PCI总线组成；该CCD摄像机通过行同步信号线和场同步信号线与同步器连接，同时通过视频信号线与多路输入图像采集卡连接；B超机通过B超视频信号线与同步器以及多路输入图像采集卡连接；采集触发器通过触发信号线与多路输入图像采集卡连接；多路输入图像采集卡通过PCI总线与计算机连接；标记器直接固定在B超机的探头上。该装置在保证可以徒手自由移动探头的前提下，将定位器与三维重建系统整合在一起，大幅节约成本，定位精度高，使用方便。
-
Patent Agency Ranking
公开(公告)号：CN119138913A
公开(公告)日：2024-12-17
申请号：CN202411343000.1
申请日：2024-09-25
Applicant: 北京航空航天大学
IPC: A61B6/03 , A61B6/40 , A61B6/42 , A61B34/20 , A61B6/00 , A61B6/46 , G06T17/00 , G06N3/08 , G06N3/045 , G06N3/0464 , G16H30/20 , G16H40/63
Abstract: 本发明公开了一种快速CT成像装置及方法，包括：第一探测器和第一辐射源设置在第一滑轨上，第二探测器设置在第二滑轨上，第二辐射源设置在第三滑轨上；滑动模块安装在圆环支架底端，滑动模块滑动设置在导轨上；操作台安装在旋转升降模块的输出端；利用第一探测器和第一辐射源采集X射线螺旋投影数据；利用第二探测器和第二辐射源采集X射线锥束投影数据；还包括四维CT重建模块和快速三维CT重建模块；四维CT重建模块重建多个三维CT的四维CT数据；快速三维CT重建模块得到对应的预测三维CT和肿瘤标签。本发明避免了患者在手术中被流转于不同设备之间，减少了手术准备时间，无需移动患者，避免了对患者的二次伤害。
-
公开(公告)号：CN118570439A
公开(公告)日：2024-08-30
申请号：CN202410455122.3
申请日：2024-04-16
Applicant: 北京航空航天大学
IPC: G06V10/25 , G06V10/143 , G06V10/52 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提出一种注意力引导混合双分支空间分解神经网络红外弱小目标检测方法，具体步骤为：步骤一：构造基于高斯分布特性的自适应选择多尺度感受野模块，对多尺度输入信息进行感受野的自适应选择；步骤二：构造基于稀疏低秩特性的跨注意力背景估计模块，将目标增强后和目标淹没处理后的特征图通过跨注意力进行背景估计；步骤三：构造前景背景特征融合模块，将上述两步骤中的特征图进行差分，并补充细节信息，经过分割头得到整幅图像像素级别的概率预测图；步骤四：将步骤一、二中的两个模块并联后与步骤三中的前景背景特征融合模块进行串联，完成神经网络，并构造损失函数对网络进行训练；使用预测结果与像素级标签进行损失计算，实现对网络参数的训练。
-
公开(公告)号：CN114970862B
公开(公告)日：2024-05-28
申请号：CN202210460006.1
申请日：2022-04-28
Applicant: 北京航空航天大学
IPC: G06N5/025 , G06N3/0464 , G06N3/08 , G16H10/60
Abstract: 本发明为一种基于多实例知识蒸馏模型的PDL1表达水平预测方法，步骤如下：步骤一：利用基于多实例学习的教师‑学生卷积神经网络模型对数字病理进行图像块级别PDL1表达水平预测；步骤二：构造加权蒸馏损失函数约束学生网络S优化过程，合理配置PDL1弱标签监督信息；步骤三：利用深度随机模型对全局聚合特征进行分类，实现数字病理图像级别PDL1表达水平预测。本发明可构建组织病理学图像形态学特征与PDL1分子表型间的关联，同时针对弱标签问题设计了一种结合多实例学习与知识蒸馏模型的特征提取框架，保证了PDL1表达水平预测结果的可靠性和稳定性。本发明可以与医疗系统和病理分析相关领域应用密切结合，具有广阔的市场前景与应用价值。
-
公开(公告)号：CN114881206B
公开(公告)日：2024-05-28
申请号：CN202210421322.8
申请日：2022-04-21
Applicant: 北京航空航天大学
IPC: G06N3/0495 , G06N3/096
Abstract: 本发明公开一种通用神经网络蒸馏公式方法，步骤如下：1)输入数据数据增强，利用增强数据集训练基线网络模型；2)特征递归消除模块对训练好的模型针对输入特征进行重要性分析，丢掉不重要的特征，直到不能丢弃任意特征；3)特征递归解耦消除模块交替地对训练好的模型针对输入特征进行耦合性分析和重要性分析，不断对输入特征进行解耦和丢弃，直到不能解耦和丢弃任意特征；4)将k‑分支神经网络拆分成k个子问题，使用符号回归方法获得子问题符号模型。并将子问题符号模型进行Stacking集成得到整个问题的符号模型。本发明提出的神经网络公式转换器NNFC是第一个通用地、在无任何先验情况下将神经网络蒸馏成可解释公式方法，可以在物理、化学、材料、矿物、地质等自然科学甚至社会科学领域发挥重要作用。
-
公开(公告)号：CN116246108A
公开(公告)日：2023-06-09
申请号：CN202310136661.6
申请日：2023-02-20
Applicant: 北京航空航天大学
IPC: G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06N3/09 , G06N3/084 , G06V10/82
Abstract: 本发明为一种基于深度学习的多材料基物质分解方法，步骤如下：步骤一：根据具有优先级的三元基物质组列表对双能CT影像数据集的一部分数据进行逐像素分解，获得一系列对应的多基物质分解图像；步骤二：将步骤一得到的基物质分解图像作为分解的标签，用基物质分解网络进行监督学习；步骤三：基于步骤二的预训练网络权重，使用全部双能CT影像数据对分解网络进行自监督训练，提高网络的基物质分解效果。本发明针对多基物质分解的特点设计了对应的网络结构、损失函数与训练策略，解决了基物质分解缺少真值的问题，保证了分解结果的准确性与可靠性。本发明可以生成不同物质的分布信息，能够对待测组织的化学组成进行精确评估，弥补了常规CT图像无法区别相似密度物质的缺陷。
-
-
-
-
-
-
-
-
-
Search Results
135
records
(took 0.044 seconds)
