-
公开(公告)号：CN119581824A
公开(公告)日：2025-03-07
申请号：CN202411691602.6
申请日：2024-11-22
Applicant: 天津大学 , 首都医科大学附属北京友谊医院
Abstract: 本发明公开了一种圆极化智能超材料射频增强器及包含该射频增强器的双乳磁共振成像系统。本发明通过单个圆极化智能超材料射频增强器而不是两个单独的线极化超材料射频增强器来实现射频磁场的圆极化增强，具有开口的导体环和可调电容主要用于增强射频线圈轴向射频磁场的线性极化，射频线圈横向射频磁场的线性极化增强则由连接在导体环上的导体柱实现，此设计有效增强了射频磁场的强度和集中性，从而能显著提高成像信噪比。可调电容智能可调谐的应用，不仅实现了动态调谐，而且可使成对使用的圆极化智能超材料射频增强器具备单侧(单乳)和双侧(双乳)成像模式灵活智能切换的能力，满足不同临床需求。
-
公开(公告)号：CN119619945A
公开(公告)日：2025-03-14
申请号：CN202411738109.5
申请日：2024-11-29
Applicant: 天津大学 , 首都医科大学附属北京友谊医院
Abstract: 本发明公开了一种视野外布满超材料单元的磁共振射频增强成像方法和系统，超材料单元包括：多个条状的导体，多个导体依次堆叠设置，任意相邻的两个导体的两端相连接，每个导体均朝一侧弯折或者弯曲，任意相邻的两个导体朝相反的方向弯曲或者弯折；视野外布满超材料单元的磁共振射频增强成像方法包括在磁共振成像系统的射频线圈中的视野外区域布满如上所述的超材料单元；磁共振成像系统包括，磁共振成像系统的射频线圈及在射频线圈中的视野外区域布设的如上所述的超材料单元。本发明能够增强磁共振成像的成像效果。
-
公开(公告)号：CN109658447B
公开(公告)日：2023-03-28
申请号：CN201811314688.5
申请日：2018-11-06
Applicant: 天津大学
Abstract: 本发明涉及一种基于边缘细节保持的夜间图像去雾方法，包括：对夜间有雾图像进行分层，求解出结构层图像：求解结构层图像的局部对比度函数，局部饱和度函数和局部显著度函数；求解两个局部环境光；利用多尺度融合方法进行运算，得到环境光；构建加权L0正则化模型估计环境光散射函数；利用分离变量法进行转化；对转化后的加权L0正则化模型进行求解，得到环境光散射函数；得到环境光散射函数和环境光后，即可求解出结构层复原图像；分别对去噪后纹理层图像和纹理层图像利用Robert算子进行运算；将通过权重系数恢复的纹理信息量叠到去噪后纹理层图像中，得到最终纹理层图像；将最终纹理层图像和结构层复原图像相加。
-
公开(公告)号：CN111161161A
公开(公告)日：2020-05-15
申请号：CN201911230405.3
申请日：2019-12-04
Applicant: 天津大学
Abstract: 本发明公开一种颜色保持的特征融合去雾方法，包括以下步骤：(1)获取总训练集和测试集；所述总训练集包括室外训练集和室内训练集，所述室外训练集、室内训练集和测试集内均由清晰图像和有雾图像组成；(2)基于卷积神经网络实现单幅图像去雾；卷积神经网络包括特征提取、特征融合和图像复原三部分；特征提取包括内容信息提取模块和风格信息提取模块，内容信息提取模块和风格信息提取模块分别采用七个级联的残差块RB1～RB7和三个级联的密集残差块RDB1～RDB3作为主体框架；特征融合部分通过残差块输出的特征图进行加权堆叠得到加权的内容特征图；图像复原部分包括一个卷积层，用于得到清晰的无雾图像。
-
公开(公告)号：CN106570839A
公开(公告)日：2017-04-19
申请号：CN201610970572.1
申请日：2016-11-04
Applicant: 天津大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于Red Channel先验的水下图像清晰化方法，首先，基于New Optical模型和Red Channel先验的水下图像复原方法建立图像清晰化模型；然后，针对输入的水下图像选取红通道最大值所在的点作为图像最亮点，从而得到该水下图像的背景光；其次，将水下图像由RGB颜色空间转换到CIE Lab颜色空间，并判断光照环境中是否存在人工光源，进而得到局部域内恒定的散射比；并计算水下图像RGB三个通道的衰减比，最终利用所建模型将水下图像复原为清晰图像。经过本发明方法处理后的复原图像不但能有效增强图像的对比度，还能很好地处理三通道透射率估计不准确带来的色偏问题。
-
Patent Agency Ranking
公开(公告)号：CN111161360B
公开(公告)日：2023-04-28
申请号：CN201911304471.0
申请日：2019-12-17
Applicant: 天津大学
IPC: G06T7/90 , G06T5/00 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于Retinex理论的端到端网络的图像去雾方法，主要是首先建立去雾网络，然后，将Retinex模型嵌入去雾网络中实现端到端的学习，从有雾图像中提取特征信息来估计亮度图和反射图，进而根据Retinex模型恢复出清晰图像。利用本发明中的网络可以联合估计图像的亮度图和反射图，然后依据Retinex模型来恢复无雾图像。本发明提出的去雾网络不依赖于大气散射模型，从而避免了不准确的传输图估计导致的去雾后图像质量下降的问题，并且Retinex理论是一种基于人类视觉的颜色感知模型，该网络通过估计亮度图和反射图来恢复无雾图像，更符合人眼的视觉规律，使得恢复的无雾图像更加清晰自然。
-
公开(公告)号：CN107590781B
公开(公告)日：2020-11-27
申请号：CN201710706994.2
申请日：2017-08-17
Applicant: 天津大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于原始对偶算法的自适应加权TGV图像去模糊方法，包括以下步骤：建立自适应加权TGV图像去模糊模型，基于原始‑对偶算法的对自适应加权TGV图像去模糊模型求解，根据步骤二得到的模型求解迭代公式，对观测图像进行处理，最终获得清晰图像。TGV能有效逼近任意阶多项式函数，能在去模糊的同时避免阶梯效应，可根据图像局部结构自适应调整权值，有效保持图像边缘并抑制噪声；同时，本发明基于原始‑对偶算法思想，推导基于原始对偶的自适应加权TGV去模糊迭代算法。实验结果表明，本发明提出的去模糊模型可获得高质量复原图像，所提出的求解算法收敛快，鲁棒性强。
-
公开(公告)号：CN110782399A
公开(公告)日：2020-02-11
申请号：CN201910780508.0
申请日：2019-08-22
Applicant: 天津大学
Abstract: 本发明公开一种基于多任务CNN的图像去模糊方法，包括以下步骤：(1)获取总训练集、测试集、预处理；(2)对图像进行多尺度缩放及参数设置；(3)基于多任务卷积神经网络去模糊；多任务卷积神经网络包括三个尺度，每个尺度分为图像去模糊模块、图像细节恢复模块和特征融合模块；图像去模糊模块包含图像编码块E和图像解码块D，图像编码块E提取图像特征并进行编码，然后经过图像解码块D得到去模糊图像；图像细节恢复模块只包含具有残差结构的卷积特征提取层，网络特征图大小与输入大小保持相同，只进行模糊图像高阶特征的提取和融合，为最终的图像恢复过程提供高频信息；特征融合模块包含一个图像合并模块和一个卷积层。
-
公开(公告)号：CN108154482A
公开(公告)日：2018-06-12
申请号：CN201711006179.1
申请日：2017-10-24
Applicant: 天津大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于暗通道先验和多方向加权TV的图像盲去模糊方法，主要包括构建图像盲复原模型及其求解，最终得到目标图像和模糊核。本发明方法针对全变差(TV)正则化图像复原其细节恢复能力有限且对噪声敏感等问题，利用多方向边缘检测，对传统TV模型进行改进，得到基于边缘检测的多方向加权TV模型；同时，为了使复原模型更具普适性且提高细节恢复能力，本发明将暗通道先验融入上述的多方向加权TV模型。实验证明，利用本发明方法复原后的目标图像视觉效果理想，不仅保留了图像的局部光滑特性，而且能较好恢复图像的边缘和纹理等细节信息，振铃效应明显减少，且模糊核估计更为准确。
-
公开(公告)号：CN107944493A
公开(公告)日：2018-04-20
申请号：CN201711241228.X
申请日：2017-11-30
Applicant: 天津大学
CPC classification number: G06K9/6267 , G06K2209/05 , G06N3/0454 , G06N3/084
Abstract: 本发明涉及一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤：步骤1：准备好训练的第一导联心电图心拍数据和相应的类别标签；步骤2：利用一维卷积神经网络，设计针对第一导联的心电图心拍的卷积神经网络结构，设定卷积层的个数以及每个卷积层特征图的个数和大小；步骤3：前向计算：将归一化到196长度的第一导联心拍训练数据输入到CNN，顺序经过各中间层，提取中间层特征；步骤4：误差反向传播：计算分类损失，并根据链式法则将损失进行反向传播；步骤5：采用梯度下降法对权重进行更新；步骤6：迭代训练。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.044 seconds)
