一种任意取向条件下图像几何扭曲自定标方法

    公开(公告)号:CN117830175B

    公开(公告)日:2024-06-07

    申请号:CN202410244558.8

    申请日:2024-03-05

    Applicant: 暨南大学

    Abstract: 本发明公开了一种任意取向条件下图像几何扭曲自定标方法,涉及天体测量技术领域,包括:基于抖动观测获取的图像得到星象像素坐标(x0,y0);获取参考星表中的天球坐标(#imgabs0#),并得到(#imgabs1#)和(x0,y0)的匹配列表;通过心射投影,得到天球坐标对应的标准坐标理论值;将星象的像素坐标减去当前扭曲,得到观测位置像素坐标,结合标准坐标理论值,拟合出四常数模型的参数,计算出每个星象对应的标准坐标观测值,进一步得出每个星象在标准坐标下的残差;多图像联合,求解当前的扭曲增量;若扭曲增量大于阈值则根据扭曲增量更新当前扭曲,进行迭代,直至小于阈值输出扭曲模型。本发明可求解任意取向条件下的高精度几何扭曲,提高天体测量精度。

    一种基于循环网络的图像超分辨率和去雾融合方法及系统

    公开(公告)号:CN114581304A

    公开(公告)日:2022-06-03

    申请号:CN202210207233.3

    申请日:2022-03-03

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于循环网络的图像超分辨率和去雾融合方法及系统,该方法步骤为:获取无需配对的低分辨率有雾图像和高分辨率无雾图像;构建无监督循环网络系统;训练该循环网络系统;在循环网络的第一分支,低分辨率有雾图像L输入到第一生成网络GL2H得到估计的高分辨率去雾图像图像又输入到第二生成网络GH2L,得到重建的低分辨率有雾图像~L;在循环网络的第二分支,高分辨率无雾图像H经过类似的估计、重建逆过程。该系统包括图像样本获取模块、循环网络系统构建模块和循环网络系统训练模块,本发明网络采用无监督学习方式,无需配对数据,在对退化的有雾图像进行去雾的同时加入超分辨率重建模块,增强了图像的细节,使还原的图像更加清晰。

    一种基于循环网络的图像超分辨率和去雾融合方法及系统

    公开(公告)号:CN114581304B

    公开(公告)日:2024-06-28

    申请号:CN202210207233.3

    申请日:2022-03-03

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于循环网络的图像超分辨率和去雾融合方法及系统,该方法步骤为:获取无需配对的低分辨率有雾图像和高分辨率无雾图像;构建无监督循环网络系统;训练该循环网络系统;在循环网络的第一分支,低分辨率有雾图像L输入到第一生成网络GL2H得到估计的高分辨率去雾图像#imgabs0#图像#imgabs1#又输入到第二生成网络GH2L,得到重建的低分辨率有雾图像~L;在循环网络的第二分支,高分辨率无雾图像H经过类似的估计、重建逆过程。该系统包括图像样本获取模块、循环网络系统构建模块和循环网络系统训练模块,本发明网络采用无监督学习方式,无需配对数据,在对退化的有雾图像进行去雾的同时加入超分辨率重建模块,增强了图像的细节,使还原的图像更加清晰。

    一种任意取向条件下图像几何扭曲自定标方法

    公开(公告)号:CN117830175A

    公开(公告)日:2024-04-05

    申请号:CN202410244558.8

    申请日:2024-03-05

    Applicant: 暨南大学

    Abstract: 本发明公开了一种任意取向条件下图像几何扭曲自定标方法,涉及天体测量技术领域,包括:基于抖动观测获取的图像得到星象像素坐标(x0,y0);获取参考星表中的天球坐标(#imgabs0#),并得到(#imgabs1#)和(x0,y0)的匹配列表;通过心射投影,得到天球坐标对应的标准坐标理论值;将星象的像素坐标减去当前扭曲,得到观测位置像素坐标,结合标准坐标理论值,拟合出四常数模型的参数,计算出每个星象对应的标准坐标观测值,进一步得出每个星象在标准坐标下的残差;多图像联合,求解当前的扭曲增量;若扭曲增量大于阈值则根据扭曲增量更新当前扭曲,进行迭代,直至小于阈值输出扭曲模型。本发明可求解任意取向条件下的高精度几何扭曲,提高天体测量精度。

    基于图像特征融合的PM2.5浓度估计方法、系统、介质和设备

    公开(公告)号:CN116309283A

    公开(公告)日:2023-06-23

    申请号:CN202211683181.3

    申请日:2022-12-27

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于图像特征融合的PM2.5浓度估计方法、系统、介质和设备,该方法包括下述步骤:获取雾霾图像和PM2.5浓度真实测量值的匹配数据集并进行数据预处理;估计雾霾图像的暗通道图和饱和度图,将饱和度图进行逆转,构建双分支网络,双分支网络包括主分支网络和辅助分支网络,将暗通道图和逆转饱和度图拼接后输入辅助分支网络进行自学习的特征提取;特征融合注意力模块将双分支网络输出的特征进行融合,并输出PM2.5浓度估计值,训练得到基于图像特征融合的网络模型,雾霾图像输入至训练好的的网络模型,输出PM2.5浓度值。本发明对双分支网络提取到的信息进行自适应融合,具有更好的泛化性能和健壮性能,且在部署上更为方便灵活,易于拓展。

Patent Agency Ranking