-
公开(公告)号：CN109215003B
公开(公告)日：2021-09-28
申请号：CN201810746129.5
申请日：2018-07-09
Applicant: 上海海事大学
Abstract: 本发明公开了一种图像融合方法，包括：利用滑动窗口，计算第一图像和第二图像的滑动窗口中心像素点的结构相似度，并得到与所计算得到的结构相似度所对应的结构相似度矩阵图；采用超像素分割法将所述结构相似度矩阵图分为预设数量个像素块，并对所述预设数量个像素块进行聚类，得到第一图像区域和第二图像区域；将第一图像和第二图像分别进行多尺度和多方向的分解，得到第一图像的NSCT系数、第二图像的NSCT系数；根据所述第一图像的NSCT系数、所述第二图像的NSCT系数所述第一图像区域和所述第二图像区域，确定融合图像的NSCT系数；通过NSCT逆变换，得到融合图像。应用本发明实施例提供了图像融合方法和装置，提高图像融合效果。
-
公开(公告)号：CN110110745A
公开(公告)日：2019-08-09
申请号：CN201910250090.2
申请日：2019-03-29
Applicant: 上海海事大学
Abstract: 本发明提出了一种基于生成对抗网络半监督X光自动标注方法，基于现有的生成对抗网络方法，改进了传统训练方法，利用监督损失和无监督损失相结合的半监督训练方法进行基于少量标注样本的图像分类识别。围绕X光图像标注数据稀缺性的问题进行研究，首先在传统无监督生成对抗网络基础上用softmax替换最后输出层，扩展成为半监督生成对抗网络，其次对生成样本定义额外类别标签引导训练，然后采用半监督训练对网络参数进行优化，最后采用训练好的判别网络对X光图像进行自动标注。该方法在医学X光图像自动标注方面，相比于传统监督学习和其他半监督学习算法性能得到了提高。
-
公开(公告)号：CN107967474A
公开(公告)日：2018-04-27
申请号：CN201711194989.4
申请日：2017-11-24
Applicant: 上海海事大学
CPC classification number: G06K9/4671 , G06K9/3233 , G06K9/4652 , G06N3/0454
Abstract: 本发明公开了一种基于卷积神经网络的海面目标显著性检测方法，该方法包含如下步骤：S1，将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图，并对多尺度特征图进行显著性计算得到对应的第一显著图；S2，同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像，对通道图像进行空间域的显著性计算得到对应的第二显著图；S3，对第一显著图和第二显著图进行融合得到最终显著图。本发明能够改善现有的显著性检测存在的特征提取不充分和鲁棒检测效果不好的问题，从而使显著性区域显著性提高，提高显著结果的精确度。
-
公开(公告)号：CN109360179B
公开(公告)日：2022-09-02
申请号：CN201811214128.2
申请日：2018-10-18
Applicant: 上海海事大学
Abstract: 本发明公开了一种图像融合方法、装置及可读存储介质，应用于图像处理技术领域，图像融合方法包括：首先得到配准后的第一图像和第二图像；经过卷积神经网络训练后分类输出第一得分图和第二得分图；对第一得分图和第二得分图的对应像素进行比较，得到二值图；得到第一融合图像；计算第一结构相似度图，以及计算第二结构相似度图；获得第一结构相似度图和第二结构相似度图的差异图；基于差异图、第一图像和第二图像，得到第二融合图像。应用本发明实施例，通过双通道卷积神经网络得到红外与可见光图像的融合图像，卷积神经网络作为深度学习的算法，可以自动选择图像特征，改善特征提取的单一性，避免了现有红外图像与可见光图像融合方法的缺陷。
-
公开(公告)号：CN107330405A
公开(公告)日：2017-11-07
申请号：CN201710526744.0
申请日：2017-06-30
Applicant: 上海海事大学
CPC classification number: G06K9/0063 , G06K9/6256 , G06K9/6268
Abstract: 本发明涉及一种基于卷积神经网络的遥感图像飞机目标识别方法，包含：S1、建立飞机图像库，包括训练图像和测试图像；S2、初始化设置卷积神经网络，并设置该卷积神经网络的训练过程；S3、初始化设置卷积神经网络中的参数；S4、读取训练图像数据，根据卷积神经网络的训练过程对训练图像数据进行卷积和池化的训练操作，得到训练图像的实际输出；S5、调整卷积神经网络的参数，使得训练图像数据的指定目标输出和实际输出之间的误差值满足精度要求；S6、读取测试图像，采用测试网络，输出遥感图像飞机目标识别结果。本发明对旋转、尺度缩放或者其他形变具有稳定性，增强通用性，提高识别精度及抗噪性。
-
Patent Agency Ranking
-
公开(公告)号：CN111539314A
公开(公告)日：2020-08-14
申请号：CN202010319025.3
申请日：2020-04-21
Applicant: 上海海事大学
Abstract: 本发明披露了一种面向海面云雾遮挡的显著性目标检测方法。本方法针对海面云雾遮挡的情况并且其数据量十分有限的情况下，提出了一种基于深度学习网络模型的海面显著性目标检测方法。使用残差网络进行初步特征处理，并且通过空洞卷积进行进一步的特征提取。为了更好的联系上下文信息和海面云雾非刚性影响，使用金字塔并行结构和全局注意力算法来有效的学习不规则目标的形变，最后使用导向滤波进行云雾特征约束，得到显著性特征矩阵。该方法解决了海面显著性检测易受到云雾遮挡的影响，能够把显著性区域较为准确、完整的提取出来，作为海面图像预处理的重要步骤，可以为接下来具体的图像处理任务提供一定的效率提升。
-
公开(公告)号：CN110222615A
公开(公告)日：2019-09-10
申请号：CN201910451241.0
申请日：2019-05-28
Applicant: 上海海事大学
Abstract: 本发明针对云雾遮挡问题，提出一种改进InceptionV3网络模型InceptionV3-FC的遥感图像舰船目标识别方法。首先，InceptionV3-FC通过引入一层全连接层用来学习新的目标函数，用该目标函数对清晰样本和遮挡样本进行训练；其次，通过目标函数的约束项对清晰样本以及遮挡样本的特征进行约束，进而使得训练的遮挡样本和清晰样本的特征映射彼此接近，共享它们的特征，提高被遮挡舰船目标识别的鲁棒性。
-
公开(公告)号：CN113222072A
公开(公告)日：2021-08-06
申请号：CN202110645538.8
申请日：2021-06-10
Applicant: 上海海事大学
Abstract: 本发明提出基于K‑means聚类和GAN的肺部X光图像分类方法。首先，使用ResNet‑20网络提取图像特征信息，学习每类带有标签的肺部X光图像的特征，将提取的每类图像的特征取平均值作为图像聚类的中心，再提取无标签图像的特征与聚类中心计算带权重的欧几里得距离进行标签预测为无标签的图像粗分类。最后将粗分类的结果与少量的标签图像，生成器生成的图像及大量的无标签图像送入鉴别器网络进行细分类。实验结果表明，与最先进的肺部X光图像分类方法(准确度94％)相比，我们的方法使用了不到30％的标记样本，可实现高效的性能(准确度93.15％)。实验证明该方法很好的做到了使用少量标签数据进行肺部X光图像分类。
-
公开(公告)号：CN112699833A
公开(公告)日：2021-04-23
申请号：CN202110034668.8
申请日：2021-01-12
Applicant: 上海海事大学
Abstract: 本发明提出基于卷积神经网络复杂光照环境下的舰船目标识别方法。首先使用残差网络提取图像特征信息并对光照变化前后的特征进行特征损失约束；然后使用灰度直方图计算特征统计矩的方法得到光照对比度，亮度等六种特征并生成新的特征向量对光照变化前后的特征再次进行特征损失约束，使变化前后特征对光照因素的影响进行削弱；最后将二者约束加入损失函数中进行训练，使用贝叶斯自适应超参数优化训练最佳权重。结果针对舰船光照变化数据库的平均识别率达90.47％，本发明对光照变化有着很好的约束作用，对识别率有显著提升。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.021 seconds)
