-
公开(公告)号：CN104457986B
公开(公告)日：2016-09-28
申请号：CN201410573157.3
申请日：2014-10-23
Applicant: 南京邮电大学
IPC: G01J3/28
Abstract: 本发明公开了一种基于自适应正则化的光谱分辨率增强方法，该方法的分辨率是光谱测量中至关重要的指标，然而由于在光谱的测量过程中，光谱测量仪器本身会引入一些导致测量的谱线位置偏移、轮廓增宽和畸变等因素，从而导致分辨率降低。本发明提出的基于自适应正则化的光谱分辨率增强方法，既能在抑制噪声的同时保留光谱细节，又能自适应地估计模糊核函数的宽度，适用于不同模糊程度下的光谱分辨率增强。本发明充分利用了噪声对光谱强度受的影响远小于对光谱强度一阶导数的影响的特点，对光谱信息的正则项施加了自适应权系数，更好的保存光谱峰值。本发明在光谱用于质量检测和材料分析等方面提供了技术支撑，具有较强的实用价值。
-
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。
-
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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN117809055A
公开(公告)日：2024-04-02
申请号：CN202311846657.5
申请日：2023-12-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于结构化背景张量估计的红外小目标检测方法，属于红外图像小目标检测领域，其主要步骤概括为：将原始红外小目标图像分为目标张量和背景张量，对背景张量进行建模，利用线性过程模拟真实的背景退化过程；构建结构化背景张量估计的低秩学习模型，对背景张量结构化分解得到的子空间张量和系数张量进行正则化约束，将核心系数张量以级联的方式分解和反演；采用交替方向乘子法对得到的公式进行优化；根据对子空间和系数张量的求解，训练整个模型，实现红外小目标检测。采用本发明，可以充分利用图像的背景信息，提高小目标检测的精度。
-
公开(公告)号：CN117710732A
公开(公告)日：2024-03-15
申请号：CN202311716026.1
申请日：2023-12-14
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/77 , G06V10/30 , G06N3/045
Abstract: 本发明属于医学图像分类领域，本发明公开一种基于张量链式分解的频域降噪网络多模态医学图像分类方法，包括：步骤1：将两个模态的训练集图像输入至两个主干网络中提取图像特征；步骤2：将图像特征分别输入张量链式分解模块得到核心特征张量；步骤3：将两个模态图像的核心特征张量加权求和得到核心特征融合张量，随后将其输入频域降噪模块来减轻融合产生的噪声和提高跨域泛化能力；步骤4：将核心特征融合张量按照张量链式分解公式相乘得到融合特征；步骤5：将融合特征输入分类器得到分类结果，并通过分类标签对其进行监督学习。本发明的医学图像分类网络能够有效防止过拟合和维数灾难，并有着很好的泛化能力。
-
公开(公告)号：CN116205815A
公开(公告)日：2023-06-02
申请号：CN202310150308.3
申请日：2023-02-22
Applicant: 南京邮电大学
IPC: G06T5/00
Abstract: 本发明属于图像去噪领域，具体地说，是一种三维点云去噪的装置及方法，该装置及方法基于拉普拉斯正则化子空间非局部低秩学习，将先前提出的像素块的低维流模型扩展到点云中的表面块，使用面片的图拉普拉斯正则化器得到3D点云图像的流形维度，然后基于图像点云的高维信息位于低维子空间的原理，采用子空间非局部低秩因子研究子空间的非局部自相似性，估计由非局部相似三维面片生成的三维张量，最后使用三维张量构建去噪模型，得到视觉和量化指标更优的去噪图像，该方法得到的去噪后的图像点云可以更好地保留了视觉上显著的结构特征，量化指标也很好。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.023 seconds)
