-
公开(公告)号：CN111738956B
公开(公告)日：2021-06-01
申请号：CN202010589835.0
申请日：2020-06-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于特征调制的图像去噪系统，涉及图像处理领域。解决了现有技术中将噪声水平图和噪声图像简单联结后对噪声图像进行去噪的方式，忽略了噪声水平图在后续层的影响，导致噪声图像去噪效果差的问题。本发明考虑用噪声水平图对原始噪声图像去噪进行多层引导，先对原始噪声图像和噪声水平图进行特征提取，获得提取完成的特征图，再对相应的特征图进行多尺度的多级调制，从而获得残差图像特征图，通过残差图像特征图用于实现对原始噪声图像的去噪，整个去噪过程挖掘了原始噪声图像和噪声水平图之间的复杂关系，并对噪声图像特征提取图不断的进行多尺度调制，使得去噪的效果更好。本发明主要用于对噪声图像进行去噪。
-
公开(公告)号：CN111768354A
公开(公告)日：2020-10-13
申请号：CN202010779169.7
申请日：2020-08-05
Applicant: 哈尔滨工业大学
Abstract: 一种基于多尺度人脸部位特征字典的人脸图像复原系统，属于人脸图像复原技术领域。本发明针对现有人脸图像复原技术中，由真实低质量人脸图像获得高质量人脸图像需要依赖本人的高清人脸图像作引导，使其应用受限的问题。包括人脸特征字典离线生成模块：用于由高清人脸图像数据集中的每幅样本图像分别提取高清人脸部位特征，并对提取结果采用k均值聚类的方式得到人脸部位特征字典；人脸图像复原模块：用于对待复原退化人脸图像进行特征提取，并将特征提取结果与所述人脸部位特征字典进行融合，得到部位增强后的待复原人脸特征；再对待复原人脸特征进行重建，获得引导复原结果图像。本发明用于低质量图像的复原。
-
公开(公告)号：CN111640061A
公开(公告)日：2020-09-08
申请号：CN202010398858.3
申请日：2020-05-12
Applicant: 哈尔滨工业大学
Abstract: 一种自适应图像超分辨率系统，属于图像复原领域。本发明为解决现有图像超分辨率系统无法根据应用场景和需要进行自适应调整的问题。本发明包括网络深度预测模块、特征提取模块、处理模块、加法器、上采样模块和图像复原模块；通过特征提取模块，用于对原始低分辨率图像进行特征提取获得特征提取图；网络深度预测模块，根据预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作，预测出网络深度图；处理模块，用于根据接收的网络深度图对特征提取图进行处理，获得特征提取图中所有特征点的残差特征；加法器，用于将所有特征点的残差特征叠加在特征提取图中的相应特征点上，从而对特征提取图进行调整，获得调整后的特征提取图，通过上采样模块对特征提取图进行放大，再通过图像复原模块进行修复，完成图像的修复。本发明主要用于对低分辨率图像进行复原。
-
公开(公告)号：CN111260577A
公开(公告)日：2020-06-09
申请号：CN202010039493.5
申请日：2020-01-15
Applicant: 哈尔滨工业大学
Abstract: 基于多引导图和自适应特征融合的人脸图像复原系统，涉及图像复原处理技术领域，为解决现有技术中无法有效的复原真实低质量图像的问题，包括最优引导图选择模块、最优引导图特征提取模块、退化图特征提取模块、退化图人脸关键点特征提取模块、最优引导图特征姿态纠正模块、光照分布纠正模块、逐级自适应特征融合模块和复原结果重建模块，本发明所述的基于多引导图和自适应特征融合的人脸图像复原系统能够有效地对低质量人脸图像进行增强，可以有效的复原真实低质量图像。
-
公开(公告)号：CN110689071A
公开(公告)日：2020-01-14
申请号：CN201910912143.2
申请日：2019-09-25
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于结构化高阶特征的目标检测系统及方法，它属于图像目标检测技术领域。本发明解决了现有方法在进行目标检测时仅仅使用了简单的判别信息少的一阶特征，导致无法准确地检测出图像中包含目标的问题。本发明的目标检测系统包括多尺度特征提取模块，结构化高阶特征提取模块，特征加权模块，特征融合模块，预选框生成模块，特征映射模块、分类及回归模块。多尺度特征提取模块用于提取多尺度的输出特征；结构化高阶特征提取模块用于获得结构化高阶特征，特征加权模块输出特征权重，特征融合模块将结构化高阶特征与特征权重进行按位点积，输出加权后的结构化高阶特征；再利用加权后的结构化高阶特征进行目标检测。本发明可以应用于图像目标检测。
-
Patent Agency Ranking
公开(公告)号：CN109684973A
公开(公告)日：2019-04-26
申请号：CN201811549357.X
申请日：2018-12-18
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/00281 , G06T5/001 , G06T2207/20081 , G06T2207/20084 , G06T2207/30201
Abstract: 基于对称一致性的卷积神经网络的人脸图像填充系统，属于图像填充技术领域，解决了现有基于卷积神经网络的人脸图像填充系统因无法保证所填充人脸的对称一致性而填充效果差的问题。所述人脸图像填充系统：光流网络将部分遮挡人脸图像及其水平翻转图像作为输入，将得到的光流向量作为使该水平翻转图像变形的绝对坐标，并通过双线性插值的方式使该水平翻转图像变形为形变翻转图。光照网络将部分遮挡人脸图像及其水平翻转图像作为输入，并通过得到的光照纠正系数来纠正形变翻转图的光照分布。对称缺失像素填充子系统将光照分布纠正后的形变翻转图及其对应的剩余遮挡模板作为其输入，输出缺失像素填充后的人脸图像。
-
公开(公告)号：CN108765320A
公开(公告)日：2018-11-06
申请号：CN201810467098.X
申请日：2018-05-16
Applicant: 哈尔滨工业大学
CPC classification number: G06T5/001 , G06N3/0454 , G06T2207/20064
Abstract: 基于多级小波卷积神经网络的图像复原系统，属于图像复原领域，解决了现有基于卷积神经网络的图像复原系统无法兼顾图像复原质量和图像复原速度的问题。所述系统：小波变换层和卷积神经子网络交替排列，前者输出端与后者输入端相连。反卷积神经子网络和小波逆变换层交替排列，前者输出端与后者输入端相连。第一反卷积神经子网络输入端与第M卷积神经子网络输出端相连。第一小波变换层输出端还与第M小波逆变换层输入端相连。第一卷积神经子网络输出端～第M‑1卷积神经子网络输出端分别与第M反卷积神经子网络输入端～第二卷积神经子网络输入端相连。第一小波变换层的输入对象为待复原图像，第M小波逆变换层的输出结果为复原图像。M≥2。
-
公开(公告)号：CN105654492B
公开(公告)日：2018-09-07
申请号：CN201511029299.4
申请日：2015-12-30
Applicant: 哈尔滨工业大学
Abstract: 基于消费级摄像头的鲁棒实时三维重建方法，本发明涉及基于消费级摄像头的鲁棒实时三维重建方法。本发明是要解决现有方法计算成本高，重建的模型不精确并且不完整的问题。一、在摄像头移动的过程中，基于摄像头当前的视频帧作为输入，估计每一视频帧在场景坐标系下的相机姿态：二、在视频帧中选择最佳的关键帧用于深度估计；三、采用快速鲁棒的深度估计算法估计每一视频帧的深度信息得到每一视频帧的深度图：四、将每一视频帧的深度图转换为截断符号距离场，在体素上并行地执行TSDF的加权平均，增量地融合每一视频帧的深度图，并通过Marching cubes算法构建三角网格表面。本发明应用于图像处理领域。
-
公开(公告)号：CN101836852A
公开(公告)日：2010-09-22
申请号：CN201010179256.5
申请日：2010-05-21
Applicant: 哈尔滨工业大学
Abstract: 包含结构光三维成像系统的医用内窥镜，它涉及一种医用内窥镜，它解决了在扩张鼻内腔脑外科手术中，由于常规立体观测技术受空间限制而不能直接应用于医用内窥镜的问题。本发明的医用内窥镜，它包括工作镜管，所述工作镜管包括成像通道和照明通道，所述照明通道内置照明光纤，它还包括计算处理模块，所述计算处理模块的信号输入端连接成像通道的电信号输出端；它还包括结构光通道，所述结构光通道置于照明通道内，照明光纤的末端输出的光束由结构光通道接收，该光束经过结构光通道后产生结构光，且所述结构光由结构光通道输出至照明通道外。本发明克服了已有技术的不足，可用于扩张鼻内腔脑外科手术中。
-
公开(公告)号：CN101794351A
公开(公告)日：2010-08-04
申请号：CN201010120350.3
申请日：2010-03-09
Applicant: 哈尔滨工业大学
Abstract: 一种基于大间隔最近中心点的蛋白质二级结构的工程预测方法，属于蛋白质二级结构的工程预测方法领域，解决了现有蛋白质二级结构的预测方法在采用机器学习算法时，存在的数据权值存在局部极小值、预测效率低的问题。本发明所述的蛋白质二级预测方法是：首先基于PDB数据库构造非冗余蛋白质二级结构训练数据集，然后基于NCBI nr数据库为目标蛋白质链构造多序列比对特征，最后调用大间隔最近中心点算法来构建蛋白质二级结构预测模型。所述的大间隔最近中心点算法利用欧氏距离的K-means聚类算法确定每类样本的中心点，通过最小化目标损失函数学习输入空间的线性变换。本发明实现了快速、高效率、高精度的蛋白质二级结构预测，适用于蛋白质的二级结构预测。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.033 seconds)
