-
公开(公告)号：CN106780383A
公开(公告)日：2017-05-31
申请号：CN201611149210.2
申请日：2016-12-13
Applicant: 长春理工大学
CPC classification number: G06T5/002 , G06T3/4007 , G06T3/4023 , G06T3/403
Abstract: 本发明涉及一种TOF相机的深度图像增强方法，属于深度图像处理方法。将深度图像首先进行噪声抑制处理，然后利用图像中的像素间距离和边缘方向信息，对低分辨率的TOF深度图像进行插值放大。本发明提高了深度图像分辨率，改善了深度图像视觉质量，可以应用于TOF相机等采集的深度图像增强场合，其中的深度图像插值算法也可推广应用于其它图像的插值放大场合。
-
公开(公告)号：CN106651781A
公开(公告)日：2017-05-10
申请号：CN201610850521.5
申请日：2016-09-26
Applicant: 长春理工大学
IPC: G06T5/00
CPC classification number: G06T5/002 , G06T2207/10044 , G06T2207/10048 , G06T2207/20036 , G06T2207/20192
Abstract: 本发明涉及一种激光主动成像的图像噪声抑制方法，属于图像噪声抑制方法。采用不同尺度结构元素，分别对激光主动成像的图像进行形态开‑闭和形态闭‑开滤波运算，根据图像局部区域的匀质性，将多尺度形态学滤波结果融合；多尺度形态学的图像去噪是将各个尺度结构元素的形态滤波结果进行加权平均。本发明基于形态学的滤波方法易于硬件逻辑结构实现，具有能实时处理和较好地保持图像边缘，采用多个尺度的结构元素进行形态学滤波去噪，利用图像局部区域的匀质性，作为各尺度结构元素滤波图像的融合依据，可以获得更好的激光图像去噪效果。可以应用于激光主动成像系统、合成孔径雷达、红外医学成像等存在散斑噪声的图像去噪场合。
-
公开(公告)号：CN104063847A
公开(公告)日：2014-09-24
申请号：CN201410272948.2
申请日：2014-06-18
Applicant: 长春理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于FPGA的引导滤波器及其实现方法，该基于FPGA的引导滤波器包括：信号控制器、均值滤波模块、参数计算模块、寻址取值模块、状态判别器、数据缓存器、综合运算模块；该基于FPGA的引导滤波器实现方法通过结合FPGA芯片，充分利用了FPGA易于实现大规模并行运算的特点，在保证滤波效果的同时提高运算速度，降低了引导滤波器硬件设计的复杂度。本发明从总体上给出了滤波处理的并行结构，提高了滤波的速度；通过寻址取值的方式改进了二进制除法运算，便于硬件实现，提高了系统运行时间；通过判别器设置改进了二进制减法算法，提高了系统可靠性。
-
公开(公告)号：CN102750674B
公开(公告)日：2014-06-18
申请号：CN201210125321.5
申请日：2012-04-26
Applicant: 长春理工大学
Abstract: 本发明涉及一种基于自适应容差的视频图像去雾方法，属于视频图像处理领域。建立单帧图像雾天退化模型，利用暗原色先验估计粗略透射图，利用引导滤波器得到细化后的透射图，判定图像中是否含有大面积明亮区域，求取修正后的透射图，复原无雾图像。本发明不仅适用于像视频监控这样的场景基本不变的视频图像，也可用于场景动态变换的视频图像。本发明可以广泛应用于户外监控、遥感和智能交通等方面。
-
公开(公告)号：CN119628659A
公开(公告)日：2025-03-14
申请号：CN202411668224.X
申请日：2024-11-21
Applicant: 长春理工大学
Abstract: 本发明提出了一种FSO系统中基于RS‑卷积码级联编译码方法。属于大气激光通信技术领域。该方法首先将源数据序列输入稀疏码编码器进行分块和RS编码，生成含纠错冗余的RS码字。然后，使用交织技术对RS码字进行重新排列，减少连续错误的发生。接着，将交织后的RS码字并串转换后输入动态调整的卷积编码器，根据当前的通信环境动态调整编码参数，生成冗余增强的编码序列。发送和接收信号后，通过迭代译码恢复交织后的RS码字，最后，RS译码器使用动态调整的译码参数纠正符号错误并恢复源数据。整个过程通过RS‑卷积码级联编译码方法实现了在FSO系统中的数据传输，提高了数据的传输的可靠性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN119474679A
公开(公告)日：2025-02-18
申请号：CN202411569343.X
申请日：2024-11-05
Applicant: 长春理工大学
IPC: G06F18/10 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0442 , G06N3/0455 , G06N3/0895 , G06N3/09
Abstract: 本发明属于医学信息预测技术领域，具体为一种基于半监督深度学习的EEG癫痫发作预测的方法。首先使用28s窗口长度的短时傅里叶变换将EEG信号进行预处理。其次，通过对抗自编码器(AAE)模型学习数据的特征，自编码器通过最小化重建误差，确保潜在表示能够有效地保留输入数据的关键信息，在对抗阶段引入判别器使潜在表示符合预定义的目标分布。最后，将无监督训练后的特征提取器与基于Bi‑LSTM的分类网络相连接，利用少量有标签的EEG信号指导无标签数据生成伪标签，共同训练分类器，通过分类器得到癫痫预测数据。本发明在癫痫预测方面表现出了优于其他传统方法的性能。
-
公开(公告)号：CN119274204A
公开(公告)日：2025-01-07
申请号：CN202411215334.0
申请日：2024-09-02
Applicant: 长春理工大学
IPC: G06V40/10 , G06T7/70 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于空间感知标签的人体姿态估计方法。本发明通过构建HigherHRNet网络生成多分辨率的特征图，并利用高斯核生成关键点热图。同时，采用初始嵌入标签和坐标编码相结合的方式，生成包含空间信息的多维嵌入标签，以确保关键点的空间结构在标签生成过程中得以保留。在模型训练过程中，设计了多重损失函数，包括标签相似性损失和空间一致性损失，以优化模型的性能。最终，通过匈牙利算法对关键点进行分组，从而实现了对不同人体的精确关键点检测。本发明的方法在保持模型准确性的同时，能够更好地利用空间信息，提高了关键点检测的稳定性和鲁棒性。最后在CrowdPose数据集上验证了本发明方法的有效性。
-
公开(公告)号：CN118660292A
公开(公告)日：2024-09-17
申请号：CN202410903206.9
申请日：2024-07-08
Applicant: 长春理工大学
IPC: H04W12/121 , H04W12/122 , H04B7/185
Abstract: 本发明涉及一种低轨卫星网络恶意节点内部攻击检测方法，该方法选择可靠度信任和能量信任作为指标，应用层次分析法和变权模糊综合评判算法计算评价节点对被评价节点的直接信任值；基于评价相似度、通信相似度和诚信度等维度的指标，利用基于K‑Means均值的推荐过滤算法过滤掉不可靠的推荐节点，使用中心度指标作为权重计算总的推荐信任值；对直接信任值和总的推荐信任值进行信任聚合，得到总信任值；更新总信任值；通过更新后的总信任值更新评价节点对于被评价节点的直接信任值，并将低轨卫星网络中总信任值低于阈值的卫星节点排除，从而实现安全路。本发明不受网络拓扑动态变化的影响，能够抵御低轨卫星网络内部攻击，保护卫星节点的安全。
-
公开(公告)号：CN118644394A
公开(公告)日：2024-09-13
申请号：CN202410788924.6
申请日：2024-06-19
Applicant: 长春理工大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/60 , G06T5/50
Abstract: 本发明设计红外图像超分辨率重建技术领域，具体涉及一种多尺度红外图像超分辨率重建方法、系统及存储介质；一种多尺度红外图像超分辨率重建方法、系统及存储介质包括以下步骤：用红外相机拍摄自然场景，获得红外图像FLS数据集，将数据集划分为训练集和测试集两部分；超分辨率重建网络由浅层特征提取块、深层特征提取块和重建块三部分构成；先用ImageNet数据集对网络进行预训练，然后用红外图像数据集FLS对网络进行训练，最后使用一种复合损失函数，对网络训练加以约束，使之重建出纹理、边缘清晰的高分辨率红外图像；本发明使得红外图像超分辨率重建能够在保持超分辨率精度不降低的情况下拥有更小的计算量、参数量和更快的重建速度，更符合实际应用。
-
公开(公告)号：CN118229750A
公开(公告)日：2024-06-21
申请号：CN202211628782.4
申请日：2022-12-19
Applicant: 长春理工大学
Abstract: 本发明提供一种基于监督学习的单目图像深度估计方法，属于三维信息成像领域，所述单目图像深度估计方法中包含共享参数网络模型、语义分割模型以及训练步骤，共享参数网络模型利用语义分割信息指导深度估计学习额外信息，降低所估计的深度图像精度对于网络深度的依赖，缓解所需的硬件负担；语义分割模型通过多尺度特征融合模块充分利用编码过程中的高级语义特征对图像区域进行类别识别，利用低级视觉特征生成清晰的边界，从而实现大景深场景、不同物体间界限和局部细节的完整表现；对于深度估计网络的训练步骤，利用混合的不同源深度数据集进行训练，增加数据的互补性，以解决现有的数据量缺乏和混合数据间不兼容的问题，实现模型的可泛化目标。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.024 seconds)
