-
公开(公告)号：CN112051247B
公开(公告)日：2022-10-18
申请号：CN202010847763.5
申请日：2020-08-21
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于叠层成像的无透镜成像装置及其相位恢复方法。装置包括激光、样本、样本夹持装置、电机、散射层以及图像传感器。在成像过程中不断使用电机在水平方向上移动样本的位置，散射层用于调制激光照射样本后产生的出射光。同时保持样本和图像传感器之间的相对距离保持不变，用图像传感器记录下样本在不同位置下所成的图像，采集200张图像后，使用二维互相关算法和rPIE算法恢复散射层的轮廓以及样本的轮廓。二维互相关算法和rPIE算法使用MATLAB 2018a软件实现。本发明在样本和图像传感器间添加一个散射层，可以用来计算样本在不同位置下的位移，分辨率可以达到的极限从9‑1提升到9‑4。
-
公开(公告)号：CN110720888A
公开(公告)日：2020-01-24
申请号：CN201910968469.7
申请日：2019-10-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的眼底图视网膜黄斑水肿病变预测的方法。本发明采用的数据集来自法国在2004年TECHNO-VISION项目中资助的Messidor研究项目，该项目采用眼底图中的硬性渗出物来用于评估黄斑水肿的风险。对数据集中的眼底图进行预处理之后，只需将拍得的眼底图进行裁剪统一图片的大小，然后进行高斯模糊提取细节特征，将简单处理后的图像作为卷积神经网络的输入进行训练。本发明能够获得更高的预测病变的准确性，同时进行检测的时间也可以大大缩短。其分类的准确性和检测所用的时间较之于传统的检测方法有了很大的提升。
-
公开(公告)号：CN111127386B
公开(公告)日：2023-04-18
申请号：CN201910610718.5
申请日：2019-07-08
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/40 , G06V10/766 , G06V10/772 , G06V10/82
Abstract: 本发明公开了一种基于深度学习的图像质量评价方法，包括如下步骤：步骤1：提取结构性特征图；步骤2：提取自然性特征图；步骤3：提取自由能特征图；步骤4：根据每张图对应的所有特征图设计神经网络框架。计算图像梯度做为图像的结构性特征，其次基于自然性特性提取图像的归一化特性做为自然性特征，最后基于大脑的自由能原理，对输入图像和大脑对它的预测图像之间的差异做为图像的高级特征。在特征提取完之后，利用一组无失真图像学习出一个模型并利用该模型来预测图像的质量。失真图像的质量被定义为它的模型与学习到的无失真模型之间的距离。
-
公开(公告)号：CN111127386A
公开(公告)日：2020-05-08
申请号：CN201910610718.5
申请日：2019-07-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的图像质量评价方法，包括如下步骤：步骤1：提取结构性特征图；步骤2：提取自然性特征图；步骤3：提取自由能特征图；步骤4：根据每张图对应的所有特征图设计神经网络框架。计算图像梯度做为图像的结构性特征，其次基于自然性特性提取图像的归一化特性做为自然性特征，最后基于大脑的自由能原理，对输入图像和大脑对它的预测图像之间的差异做为图像的高级特征。在特征提取完之后，利用一组无失真图像学习出一个模型并利用该模型来预测图像的质量。失真图像的质量被定义为它的模型与学习到的无失真模型之间的距离。
-
公开(公告)号：CN110236483A
公开(公告)日：2019-09-17
申请号：CN201910520291.X
申请日：2019-06-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度残差网络的糖尿病性视网膜病变检测的方法。本发明步骤如下：步骤1：数据集的筛选；步骤2：眼底图像的预处理，步骤3：数据集扩充，将部分样本较少的类中的图像做图像扩充处理，具体操作包括将图像镜像和旋转；步骤4：数据集标签的制作；步骤5：训练集和测试集的构建；步骤6：卷积神经网络的搭建；步骤7：网络训练；步骤8：网络测试。本发明能够获得更高的检测病变的准确性，同时进行检测的时间也可以大大缩短。
-
Patent Agency Ranking
公开(公告)号：CN111612746B
公开(公告)日：2023-10-13
申请号：CN202010364805.X
申请日：2020-04-30
Applicant: 杭州电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于图论的功能脑网络中枢节点的动态检测方法。本发明在多变量中枢节点检测方法的基础上进行了改进，使得能够检测出更加可靠的符合神经科学认知活动的中枢节点。首先，利用滑动窗口的技术，把血氧信号以时间为维度平均分成几段。在每一段时间的滑动窗口内，检测出对应时间窗口内的中枢节点，从而得到一条中枢节点随着滑动窗口移动的一条变化轨迹。最后，把这条变化轨迹作为一种约束作用在多变量检测的方法上，从而能够动态的检测出更加可靠准确的中枢节点。
-
公开(公告)号：CN110236483B
公开(公告)日：2021-09-28
申请号：CN201910520291.X
申请日：2019-06-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度残差网络的糖尿病性视网膜病变检测的方法。本发明步骤如下：步骤1：数据集的筛选；步骤2：眼底图像的预处理，步骤3：数据集扩充，将部分样本较少的类中的图像做图像扩充处理，具体操作包括将图像镜像和旋转；步骤4：数据集标签的制作；步骤5：训练集和测试集的构建；步骤6：卷积神经网络的搭建；步骤7：网络训练；步骤8：网络测试。本发明能够获得更高的检测病变的准确性，同时进行检测的时间也可以大大缩短。
-
公开(公告)号：CN110517222A
公开(公告)日：2019-11-29
申请号：CN201910619691.6
申请日：2019-07-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多图谱的大脑图像分割方法。本发明包括如下步骤：步骤1:掩模的计算，引入Mask函数，针对事先标注好的图谱的标签，通过Mask函数省略不需要计算体素点；用L张图谱的标签数据作为样本，进行标签融合时，实际处理的是L张图谱标记过的所有体素点；步骤2:提前设置一个搜索域；计算搜索域内块的相似度；向量标准化，计算最后得到权重值；步骤3：利用得出的权重值进行标签值的投票，得到最终的标签融合结果；步骤4：利用重叠度计算分割精度。本发明不仅考虑了对应位置的区域的相似度，同时还考虑了对应位置附近点位置的区域相似度，因此在一定的领域内搜索更相似的块可能会获得更好的效果。
-
公开(公告)号：CN110362107A
公开(公告)日：2019-10-22
申请号：CN201910520241.1
申请日：2019-06-17
Applicant: 杭州电子科技大学
IPC: G05D1/10
Abstract: 本发明公开了一种基于免疫优化算法的多无人机任务分配问题的求解方法。本发明步骤如下：1：问题的数学建模，假设在机场内有一批规格型号均一致的无人机，现在要将全部任务分配给机场内的全部无人机；一个任务只能被一台无人机所访问，但一台无人机能够访问多个任务；在全部任务均被访问的前提下，给出路径代价最小的多无人机分配方案；2：具体问题中变量的降维和分配；3：目标函数和约束条件的优化，由于给出了机场和任务之间的坐标并且完成了变量的分配，因此能够计算出机场和任务、任务和任务之间的距离，从而将目标函数和约束条件具体给出并且加以优化。本发明对多无人机任务分配问题建模后产生的未知变量进行迭代优化，从而获得最优解。
-
公开(公告)号：CN111127392B
公开(公告)日：2023-04-25
申请号：CN201911103031.9
申请日：2019-11-12
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/45 , G06T11/00 , G06V10/764 , G06N3/0475
Abstract: 本发明公开了一种基于对抗生成网络的无参考图像质量评价方法。本发明首先要对图像进行预处理，得到失真图对应的相似图‑SSIM_MAP，然后训练一个基于densenet网络的神经网络框架，对训练后的网络输入失真图，可得到失真图的相似图，通过相似图，也就可以得到对应的质量分数。本发明针对网络中的生成器和损失函数做出创新。首先，在生成网络部分，我们采用60层的densenet网络框架。在判别网络部分，采用简单的分类网络；损失函数部分，采用判别器的交叉熵加L1范数损失的方式。最后迭代训练出一个较好的生成网络模型，通过此网络，可以对输出图片，也就是失真图片进行相似图的生成。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.02 seconds)
