-
公开(公告)号：CN114240808B
公开(公告)日：2025-05-16
申请号：CN202111097327.1
申请日：2021-09-18
Applicant: 海南大学
Abstract: 本发明提供基于联合双边滤波和非下采样剪切波的图像融合算法，能够对来自不同传感器的遥感图像数据进行信息处理、分析，从而获得兼具不同来源的遥感图像的特征信息。处理过后的图像通常情况下比起源遥感图像的信息更丰富、更全面、更加符合人眼的视觉特性或机器的信息处理方式，以便于后续处理和更好地满足应用要求。
-
公开(公告)号：CN113793289A
公开(公告)日：2021-12-14
申请号：CN202111063980.6
申请日：2021-09-10
Applicant: 海南大学
Abstract: 本发明提供一种基于CNN和NSCT的多光谱图像和全色图像模糊融合方法，所述方法使用NSCT分别提取DUMS和MLPAN图像的多尺度多方向的低频子带图像和高频方向子带图像，再使用ResNet中残差模块及非线性特性构建浅层的细节提取网络以提取更丰富的细节信息，并使用模糊融合规则将提取的细节信息和MLPAN的第一层高频子带进行融合得到注入细节，最后利用ResNet模块的非线性构建细节注入网络，以注入细节和DUMS图像为输入，MS图像为输出，对其进行训练，得到最终的融合图像。本发明的融合模型设计的网络结构简单，容易训练，防止过拟合，泛化能力强，能够在保留光谱信息的同时提高空间分辨率，从而获得同时具有高空间分辨率和高光谱分辨率的图像。
-
公开(公告)号：CN113362350A
公开(公告)日：2021-09-07
申请号：CN202110846744.5
申请日：2021-07-26
Applicant: 海南大学
IPC: G06T7/11
Abstract: 本申请提供了一种癌症病历图像的分割方法、终端设备和计算机可读存储介质，获取待识别癌症病历DWI图像；将待识癌症病历DWI图像输入至预先训练的癌症区域分割模型，分别分割出待识别癌症病历DWI图像中的癌症区域和非癌症区域；其中，癌症区域分割模型是采用标记的不同尺度的癌症病历DWI图像样本对改进的神经网络进行训练得到的，改进的神经网络包括注意力网络；该方法可以采用一个模型快速分割出癌症和非癌症区域，减少了操作，提高了识别的效率。另外，该方法采用了改进的神经网络，识别准确率高。
-
公开(公告)号：CN112215814A
公开(公告)日：2021-01-12
申请号：CN202011084213.9
申请日：2020-10-12
Applicant: 海南大学
Abstract: 本发明提供一种基于3DHOG辅助卷积神经网络的前列腺图像分割方法，包括：S1、获取并分析前列腺MRI图像信息，对3D前列腺MRI图像进行预处理；S2、将预处理后的3D前列腺MRI图像的2D HOG特征扩展为3D HOG特征，并进行特征提取；S3、将3D前列腺MRI图像输入卷积神经网络获取深度特征图；S4、将步骤S2获得的3D HOG特征和步骤S3获得的深度特征进行融合，训练得到最终分割模型；S5、通过最终分割模型对测试图像进行处理，获取前列腺MRI分割概率图。本发明可以有效缓解MRI中前列腺边界模糊不清带来的问题，并有效提高分割的准确率。
-
公开(公告)号：CN112215814B
公开(公告)日：2023-12-22
申请号：CN202011084213.9
申请日：2020-10-12
Applicant: 海南大学
IPC: G06V10/26 , G06V10/80 , G06V10/44 , G06V10/50 , G06V10/82 , G06V10/774 , G06V10/776 , G06N3/0464 , G06T7/00 , G06N3/048
Abstract: 本发明提供一种基于3DHOG辅助卷积神经网络的前列腺图像分割方法，包括：S1、获取并分析前列腺MRI图像信息，对3D前列腺MRI图像进行预处理；S2、将预处理后的3D前列腺MRI图像的2D HOG特征扩展为3D HOG特征，并进行特征提取；S3、将3D前列腺MRI图像输入卷积神经网络获取深度特征图；S4、将步骤S2获得的3D HOG特征和步骤S3获得的深度特征进行融合，训练得到最终分割模型；S5、通过最终分割模型对测试图像进行处理，获取前列腺MRI分割概率图。本发明可以有效缓解MRI中前列腺边界模糊不清带来的问题，并有效提高分割的准确率。
-
Patent Agency Ranking
公开(公告)号：CN113793289B
公开(公告)日：2023-06-20
申请号：CN202111063980.6
申请日：2021-09-10
Applicant: 海南大学
IPC: G06T5/50 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种基于CNN和NSCT的多光谱图像和全色图像模糊融合方法，所述方法使用NSCT分别提取DUMS和MLPAN图像的多尺度多方向的低频子带图像和高频方向子带图像，再使用ResNet中残差模块及非线性特性构建浅层的细节提取网络以提取更丰富的细节信息，并使用模糊融合规则将提取的细节信息和MLPAN的第一层高频子带进行融合得到注入细节，最后利用ResNet模块的非线性构建细节注入网络，以注入细节和DUMS图像为输入，MS图像为输出，对其进行训练，得到最终的融合图像。本发明的融合模型设计的网络结构简单，容易训练，防止过拟合，泛化能力强，能够在保留光谱信息的同时提高空间分辨率，从而获得同时具有高空间分辨率和高光谱分辨率的图像。
-
公开(公告)号：CN114266795A
公开(公告)日：2022-04-01
申请号：CN202111083141.0
申请日：2021-09-15
Applicant: 海南大学
Abstract: 本发明提供一种基于金字塔池化U型网络的遥感图像海陆分割方法，包括下列步骤：获取高分遥感图像，对所述高分遥感图像进行裁剪，并绘制相对应的海陆分割真值图；将裁剪后的高分遥感图像依次进行分块以及图像刚性变换，并基于变换结果划分训练集以及测试集；建立金字塔U型卷积神经网络，将训练集输入金字塔U型卷积神经网络进行学习训练获得高分遥感影像海陆分割模型；将所述测试集中的数据输入金字塔U型卷积神经网络中，得到遥感图像海陆分割结果。
-
公开(公告)号：CN113642429A
公开(公告)日：2021-11-12
申请号：CN202110865502.0
申请日：2021-07-29
Applicant: 海南大学
Abstract: 本发明提供一种基于TPP‑TCCNN的海洋鱼类识别方法，包括下列步骤：采集包含多种鱼类的原始视频，将所述原始视频划分为训练集以及测试集，并对所述训练集的鱼类视频信息进行预处理；对预处理后的鱼类视频信息进行特征提取，获取光流图像；建立双通道卷积神经网络，以光流图像以及RGB图像输入带有金字塔池化层的双通道卷积神经网络中进行训练，获得输出特征，所述RGB图像中所包含的鱼类信息与所述原始视频中的一致；通过softmax分类模型对所述输出特征进行分类训练；将测试集中的鱼类视频信息输入到最终的softmax分类模型中，得到鱼类分类结果。
-
公开(公告)号：CN113870281B
公开(公告)日：2025-03-14
申请号：CN202111090101.9
申请日：2021-09-17
Applicant: 海南大学
IPC: G06T7/11 , G06N3/045 , G06N3/08 , G06N3/0464
Abstract: 本发明提供一种基于金字塔机制的遥感影像海洋与非海区域分割方法，所述方法包括下列步骤：获取高分遥感图像，并对所述高分遥感图像进行裁剪，并绘制相对应的海陆分割真值图；将裁剪后的高分遥感图像依次进行分块以及图像刚性变换，并基于变换结果划分训练集以及测试集；建立金字塔机制融合神经网络，将训练集中的数据输入金字塔机制融合神经网络进行学习训练获得海洋与非海区域分割模型；将所述测试集中的数据输入金字塔机制融合神经网络中，得到遥感图像海陆分割结果。
-
公开(公告)号：CN118840308A
公开(公告)日：2024-10-25
申请号：CN202410244746.0
申请日：2024-06-13
Applicant: 海南大学
IPC: G06T7/00 , G06T7/11 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于双模态多任务学习模型的前列腺肿瘤图像分析方法，所述方法包括下列步骤：获取待分割的前列腺区域图像，并对所述前列腺区域图像进行预处理，所述前列腺区域图像包括T2加权图像以及扩散加权图像；构建双模态多任务学习模型，提取训练数据集，训练双模态多任务学习模型，在所述双模态多任务学习模型包括了分割部分以及分级部分，分割部分包括编码器以及解码器，在编码器中构建了SPM模块来进行辅助特征提取，在解码器中构建了Transformer单元增强全局特征表示，在分级部分构建了PI‑RADS多尺度分级网络获取更精细的细节信息，并输出PI‑RADS分级结果；将预处理后的所述前列腺区域图像输入双模态多任务学习模型，获得前列腺肿瘤图像分割结果以及分级结果。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.018 seconds)
