-
公开(公告)号：CN109858483A
公开(公告)日：2019-06-07
申请号：CN201910056298.0
申请日：2019-01-22
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于共生滤波形态学和局部熵的小目标检测方法，该方法包括如下步骤：步骤1：提取原图像共生矩阵；步骤2：图像进行共生滤波形态学腐蚀，使用带局部熵的自适应结构元素进行取最小值操作；步骤3：提取腐蚀后图像共生矩阵；步骤4：对腐蚀后图像进行共生滤波形态学膨胀，使用带局部熵的自适应结构元素进行取最大值操作；步骤5：将原图像矩阵减去膨胀之后的图像，得到原图像Top-Hat变换后的滤波图像；步骤6：将滤波灰度图像转换为双精度，提升显示效果，显示目标图像。本发明解决了现有方法中目标突出效果不明显，以及对噪声敏感的问题。
-
公开(公告)号：CN104655135A
公开(公告)日：2015-05-27
申请号：CN201510084399.0
申请日：2015-02-09
Applicant: 南京邮电大学
CPC classification number: G01C11/08 , G01C21/16 , G01C25/005
Abstract: 本发明公开了一种基于地标识别的飞行器视觉导航方法，属于飞行器视觉导航领域。该方法具体包括：通过对成像传感器采集待处理图像序列中的地标进行识别，利用序列图像中相邻两帧图像中识别出的地标位置和飞行器的飞行参数信息解算出地标到当前帧图像对应的飞行器的距离，进而解算出飞行器在地球坐标系下的坐标信息；最后，根据解算出的飞行器在地球坐标系下的坐标信息和飞行器的规划的航迹进行航迹校正。本发明在成像制导、飞行器视觉导航等方面提供了技术支撑，该发明具有可靠性好、实用价值高等特点。
-
公开(公告)号：CN104166962A
公开(公告)日：2014-11-26
申请号：CN201410365880.2
申请日：2014-07-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种使用散射核方法的锥束CT散射校正方法，其步骤为：步骤一：测量遮挡板下的散射信号；步骤二：自适应散射核参数的计算；步骤三：估计扩散函数的参数；步骤四：通过扩散函数对图像进行散射校正；步骤五：图像遮挡区域的修复；步骤六：锥束CT的重建。本发明不需要获取模型参数的先验数据，不增加图像获取及重建的复杂度，添加的设备复杂度不高，且不需要重复扫描被测物体，能高效的进行锥束CT散射校正。
-
公开(公告)号：CN104036473A
公开(公告)日：2014-09-10
申请号：CN201410239703.X
申请日：2014-05-30
Applicant: 南京邮电大学
Abstract: 本发明属于数字图像处理领域，提供了一种基于分裂Bregman迭代的快速鲁棒图像运动去模糊方法，通过直接利用图像梯度与运动模糊核的L0范数并结合其各自的L2范数，构建运动模糊核估计的非凸非光滑能量泛函；通过耦合算子分裂和增广拉格朗日方法，设计运动模糊核的分裂Bregman迭代求解格式；利用基于全变差先验的图像非盲去模糊方法，实现图像的快速去模糊。本发明通过引入支撑连续性先验，提高了运动模糊核的估计精度；设计了一种新的基于分裂Bregman迭代的快速解法，大幅提高了运动模糊核的估计效率。
-
公开(公告)号：CN114926383B
公开(公告)日：2024-11-15
申请号：CN202210545079.0
申请日：2022-05-19
Applicant: 南京邮电大学
IPC: G06T5/50 , G06T5/94 , G06N3/0464 , G06T5/70
Abstract: 本发明是一种基于细节增强分解模型的医学图像融合方法，包括：步骤1、数据集获取；步骤2、将彩色图像转换为YUV信道；步骤3、设计细节增强分解模型，对医学图像进行分解，得到基本层B和细节层L，所述基本层B包含图像的基本内容信息，所述细节层L包含纹理细节与边缘轮廓信息；步骤4、使用不同的融合规则对步骤3中获得的基本层B和细节层L分别进行融合，步骤5、根据融合后的图像进行重构。本发明能在较短的处理时间内提供更清晰的边缘细节和优越的色彩，为现代医学图像融合提供了一定的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN114897737B
公开(公告)日：2024-11-12
申请号：CN202210572277.6
申请日：2022-05-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于非配对无监督神经网络的高光谱图像去噪方法，具体包括：高光谱图像通过仿真生成含噪数据集，并进行矩阵分解操作形成低维投影矩阵；基于对低维投影矩阵最小化均方误差的无偏风险估计，进行无监督网络损失函数的计算；针对低维投影矩阵构建U‑net网络；取另外高质量干净数据集，构建三维小波变换网络；将上述构建的U‑net网络与三维小波变换网络联合，基于U‑net网络的损失函数和三维小波变换网络的重构损失函数得到总损失函数，训练非配对无监督神经网络模型。本发明通过输入不同内容的数据形成非配对输入，利用额外信息引导增强恢复出的高光谱图像，能够恢复出边缘更加清晰的干净图像，解决了无监督方法较难学习良好映射的问题。
-
公开(公告)号：CN115100406B
公开(公告)日：2024-07-09
申请号：CN202210568085.8
申请日：2022-05-24
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/762 , G06V10/44
Abstract: 本发明属于聚类算法领域，具体地说，是一种基于超像素处理的权重信息熵模糊C均值聚类方法，其分割步骤概括为：首先，对输入的图像使用超像素算法得到预分割结果；然后根据预分割结果得到聚类数并初始化隶属度矩阵和聚类中心矩阵；最后采用一种基于权重信息熵的模糊C均值聚类算法得到分割结果。公开的聚类方法基于图像超像素处理，因此大大减少了图像分割的时间。该方法还对目标函数使用了权重信息熵，提高了图像分割的分割准确度，降低了分割的边界位移误差和全局一致性错误。
-
公开(公告)号：CN117934814A
公开(公告)日：2024-04-26
申请号：CN202410105195.X
申请日：2024-01-25
Applicant: 南京邮电大学
IPC: G06V10/25 , G06V10/143 , G06V10/52 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于分散注意力挖掘网络的红外小目标识别方法，属于红外小目标检测领域，具体包括：将训练集图像输入至主干网络提取含有红外小目标图像的多尺度特征；将主干网络的特征提取层Stage1、Stage2、Stage3、Stage4输出的特征分别输入进特征增强模块中；将特征增强模块输出的特征分别输入到分散注意力消除模块中；通过逐步细化分割得到最终的预测图，并通过红外小目标的二值标签图对其进行深度监督。本发明的红外小目标检测方法能够更有效的探测红外小目标，具有较好的可靠性和鲁棒性，提高了红外小目标的检测性能。
-
公开(公告)号：CN117934305A
公开(公告)日：2024-04-26
申请号：CN202410117738.X
申请日：2024-01-29
Applicant: 南京邮电大学
IPC: G06T5/50 , G06T5/20 , G06V10/772
Abstract: 本发明公开了一种基于共享多维成分张量字典学习的医学图像融合方法，属于医学图像融合技术领域；方法为：从全脑图谱数据库获取医学图像，构建多模态融合实验组，并对其中的彩色图像进行YUV处理；采用NSST变换对医学图像进行处理，得到对应的高频张量和低频张量；采用共享多维成分张量字典学习方法将需要交叉融合的张量得到对应的稀疏系数张量；对经过张量字典学习获得的融合频率信息进行滤波增强，得到增强后的融合频率的系数张量；对增强后融合频率的系数张量经过字典重构和逆NSST运算，得到最终的融合图像。本发明通过采用NSST变换对医学图像进行处理，使得图像的频率张量保留更多的边缘信息，解决字典包含的大量冗余信息；利用p‑拉普拉斯算子提高字典的泛化特性，解决过完备字典影响图像质量的问题，提高融合结果图像的质量和准确性。
-
公开(公告)号：CN114998125B
公开(公告)日：2024-04-05
申请号：CN202210568874.1
申请日：2022-05-24
Applicant: 南京邮电大学
Abstract: 本发明属于红外光谱去卷积处理技术领域，具体地说，是一种基于深度神经网络非配对学习的红外光谱盲去卷积方法，包括自监督学习和知识提取的两阶段去卷积方，从一组未配对的干净和有噪声的红外光谱中学习去卷积网络。卷积盲点网络从真实红外光谱中学习去卷积，采用1×1卷积层叠加的网络来估计每条红外光谱的噪声特性，联合训练卷积盲点网络和红外光谱特定噪声模型。将学习到的噪声模型应用于红外光谱去卷积，合成一组成对的训练红外光谱，并在第一阶段使用真实的噪声红外光谱和相应的去卷积结果形成另一组成对的训练红外光谱。通过使用这两个配对集训练基于U‑Net的去卷积网络。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.021 seconds)
