一种面向字轮字符的全字半字识别方法

    公开(公告)号:CN110991449B

    公开(公告)日:2023-04-28

    申请号:CN201911188416.X

    申请日:2019-11-28

    Abstract: 本发明公开了一种面向字轮字符的全字半字识别方法,包括如下步骤:(1)读取全字轮的特征模板曲线F=fwheel(k),0≤k≤M;读取10个字符位置特征值Q(i),i=0,1,2,…,9;(2)采集字轮视窗图像并提取其特征曲线G=gwindow(l),0≤l≤N;(3)将字轮视窗图像特征曲线在全字轮模板曲线上以步长为1滑动,计算每个位置p处的匹配度Hit(p),0≤p≤(M‑N),匹配度最大的位置记为pmax;(4)取为视窗特征曲线G在全字轮特征曲线F上的命中位置;(5)比较phit和字符位置特征值Q(i),i=0,1,2,…,9,如果phit落入区间[Q(r),Q(r+1)),则字轮视窗图像的读数为r。本发明对全字、半字仅需要做一次判定,计算复杂度低,适用于资源受限的嵌入式系统环境,误判率低,有实用价值。

    一种面向光场图像的深度估计方法

    公开(公告)号:CN110120071B

    公开(公告)日:2023-03-24

    申请号:CN201910401869.X

    申请日:2019-05-15

    Abstract: 本发明公开了一种面向光场图像的深度估计方法,包括如下步骤:解码光场图像得到4D光场数据、中心子孔径图像;由4D光场数据生成焦点堆栈图像序列;对中心子孔径图像上的每个像素,绘制聚焦曲线;检测聚焦曲线的局部对称中心,得视差图D1;由4D光场数据生成每个像素对应的水平方向、垂直方向的EPI图像;检测EPI图像上直线的斜率,得到视差图D2;基于中心子孔径图像和两个视差图,对每个像素绘制两种聚焦曲线片段;计算两种聚焦曲线片段与聚焦曲线的匹配度,由匹配度确定最终视差图D;执行基于能量最小化的深度优化。本发明的深度估计结果具有较高准确度,对室外噪声场景、复杂遮挡场景等具有较强鲁棒性。

    一种面向字轮字符的全字半字识别方法

    公开(公告)号:CN110991449A

    公开(公告)日:2020-04-10

    申请号:CN201911188416.X

    申请日:2019-11-28

    Abstract: 本发明公开了一种面向字轮字符的全字半字识别方法,包括如下步骤:(1)读取全字轮的特征模板曲线F=fwheel(k),0≤k≤M;读取10个字符位置特征值Q(i),i=0,1,2,…,9;(2)采集字轮视窗图像 并提取其特征曲线G=gwindow(l),0≤l≤N;(3)将字轮视窗图像特征曲线在全字轮模板曲线上以步长为1滑动,计算每个位置p处的匹配度Hit(p),0≤p≤(M-N),匹配度最大的位置记为pmax;(4)取 为视窗特征曲线G在全字轮特征曲线F上的命中位置;(5)比较phit和字符位置特征值Q(i),i=0,1,2,…,9,如果phit落入区间[Q(r),Q(r+1)),则字轮视窗图像的读数为r。本发明对全字、半字仅需要做一次判定,计算复杂度低,适用于资源受限的嵌入式系统环境,误判率低,有实用价值。

    一种光流法和深度网络结合的视频高时空分辨率信号处理方法

    公开(公告)号:CN110634105A

    公开(公告)日:2019-12-31

    申请号:CN201910906175.1

    申请日:2019-09-24

    Abstract: 一种光流法和深度网络结合的视频高时空分辨率信号处理方法,采用基于信号与信息处理算法的方式恢复和重构出高空间和高时间分辨视频序列,即一种视频超分辨率重建方法。其步骤为:将视频按顺序取其帧序列;从视频的第3帧开始,每一帧都与其前后两帧做光流法运动估计;将产生的4副运动估计图像与中间帧合成为5副图像的高维图像块;构建OF深度卷积超分辨率网络,浅层网络提取图像信息,最后一层亚像素卷积层进行重建超分辨率图像;将高维图像块送入深度卷积网络进行训练;最终将降质后或者分辨率较低的视频帧送入网络进行重建。本发明实现重建质量好、重建速度快,相比传统视频超分辨率模型重构效果好,能够进行视频实时重建。

    一种微光增强相机成像增强方法及系统

    公开(公告)号:CN119624827B

    公开(公告)日:2025-05-13

    申请号:CN202510167860.2

    申请日:2025-02-17

    Abstract: 本发明提供了一种微光增强相机成像增强方法及系统,方法包括获取微阵列复眼透镜相机拍摄的目标视频,对目标视频进行逐帧拆分处理,以得到若干目标视频帧,将对应的目标视频帧进行预处理,以得到若干目标图像;建立初始滤波器,对初始滤波器进行更新处理,以得到更新滤波器,基于更新滤波器对目标图像进行自适应滤波处理,以得到滤波图像;识别滤波图像的噪声水平,基于噪声水平确定微光图像帧;对微光图像帧进行高斯滤波处理与细节增强;对初始增强图像帧进行插值增强处理,以得到增强视频帧,本发明以图像的噪声水平确定相应的微光图像,并针对微光图像进行增强处理,显著降低了计算复杂度,且实现了对微光图像的超分辨率增强。

    深度卷积神经网络结合形态学检测图像变化的方法

    公开(公告)号:CN108805863B

    公开(公告)日:2022-02-22

    申请号:CN201810417006.7

    申请日:2018-05-02

    Abstract: 本发明公开了一种深度卷积神经网络结合形态学检测图像变化的方法,对已配准的不同时相的遥感图像进行分割;对分割后的图像进行旋转和镜像,然后将不同时相对应位置的遥感图像合并为8通道的图像;将得到的8通道的图像数据输入到SegNet网络模型中进行训练,输出2通道的图像;对图像采用并操作对图像进行孔洞填充,然后采用腐蚀操作去除噪声信息,得到图像处理模型;对待预检测数遥感图像进行分割后输入到上一步模型中进行处理,输出图像;把输出的图像合并为原始待检测遥感图像的大小,即完成图像变化检测。本发明采用深度卷积神经网络结合形态学的方法,检测精度高,有效去噪,方法简单,对建筑物变化检测具有较高的准确性和鲁棒性。

    多时相差异影像模值计算及变化检测方法

    公开(公告)号:CN109934799B

    公开(公告)日:2021-06-25

    申请号:CN201910073498.7

    申请日:2016-09-09

    Abstract: 本发明公开了多时相差异影像模值计算及变化检测方法,首先计算多时相多光谱影像的差异影像,在此基础上,计算影像上每一个点的CST值,根据致信水平获取阈值,得到初步的变化检测结果,然后再对该初步结果进行众数滤波(嵌入空间信息),并根据滤波结果重新计算非变化区域的均值和方差矩阵。重复上述过程直到检测结果没有变化为止。其中检测过程中置信水平的选择是通过伪训练样本集来选择的,在最优的置信水平基础上,获取最终的变化检测结果。本发明解决了多时相多光谱遥感影像背景信息复杂、噪声干扰严重的问题。

    一种基于深度卷积神经网络的光场图像深度估计方法

    公开(公告)号:CN112116646A

    公开(公告)日:2020-12-22

    申请号:CN202011007828.1

    申请日:2020-09-23

    Abstract: 本发明公开了一种基于深度卷积神经网络的光场图像深度估计方法,由场景的4D光场数据提取中心子孔径图像;由4D光场数据计算生成水平EPI合成图像和垂直EPI合成图像;设计以中心子孔径图像、水平EPI合成图像和垂直EPI合成图像为输入,视差图为输出的深度卷积神经网络;以平均绝对误差为损失函数,训练所涉及的深度卷积神经网络;利用训练成功的深度卷积神经网络,接收由给定场景4D光场数据生成的中心子孔径图像、水平EPI合成图像、垂直EPI合成图像,计算得到场景的视差图。本发明所设计的深度卷积神经网络采用了多流输入、跳层连接体系结构,有利于多源输入信息、浅层深层特征信息融合,提高了深度估计的鲁棒性。

    一种微光增强相机成像增强方法及系统

    公开(公告)号:CN119624827A

    公开(公告)日:2025-03-14

    申请号:CN202510167860.2

    申请日:2025-02-17

    Abstract: 本发明提供了一种微光增强相机成像增强方法及系统,方法包括获取微阵列复眼透镜相机拍摄的目标视频,对目标视频进行逐帧拆分处理,以得到若干目标视频帧,将对应的目标视频帧进行预处理,以得到若干目标图像;建立初始滤波器,对初始滤波器进行更新处理,以得到更新滤波器,基于更新滤波器对目标图像进行自适应滤波处理,以得到滤波图像;识别滤波图像的噪声水平,基于噪声水平确定微光图像帧;对微光图像帧进行高斯滤波处理与细节增强;对初始增强图像帧进行插值增强处理,以得到增强视频帧,本发明以图像的噪声水平确定相应的微光图像,并针对微光图像进行增强处理,显著降低了计算复杂度,且实现了对微光图像的超分辨率增强。

Patent Agency Ranking