-
公开(公告)号：CN116433508B
公开(公告)日：2023-10-27
申请号：CN202310255192.X
申请日：2023-03-16
Applicant: 湖北大学
Abstract: 本发明公开一种基于Swin‑Unet的灰度图像着色校正方法，包括：获取原始图像，对所述原始图像预处理得到预处理数据集，其中，所述预处理数据集包括训练集和测试集；构建灰度图像着色校正模型，将所述训练集输入到所述灰度图像着色校正模型进行训练，得到训练好的灰度图像着色校正模型；将所述测试集输入到所述训练好的灰度图像着色校正模型，得到最终的彩色图片。本发明利用Swin‑Unet对灰度图像进行颜色预测，并通过卷积神经网络对预估颜色进行颜色校正，确保颜色校正效果，并且泛化性强。
-
公开(公告)号：CN117745593A
公开(公告)日：2024-03-22
申请号：CN202311852854.8
申请日：2023-12-29
Applicant: 湖北大学
IPC: G06T5/77 , G06T5/70 , G06T5/20 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T5/60
Abstract: 本发明公开了一种基于扩散模型老照片划痕修复方法与系统，方法包括以下步骤：S1：建立扩散模型，基于所述扩散模型的加噪方式，对待修复划痕老照片进行加噪，获得完全高斯噪声图；S2：基于所述待修复划痕老照片，建立划痕去噪空间；S3：建立噪声预测网络，对所述完全高斯噪声图以及所述划痕去噪空间进行噪声预测，分别获得对应的纯噪声图，并计算各个所述纯噪声图的分数；S4：加权计算各个所述纯噪声图的分数，获得一个状态图；基于所述扩散模型的去噪方式，对所述状态图进行反向迭代去噪处理，获得无划痕干净老照片。本发明方法更完善，获得干净照片整体观感会更好。
-
公开(公告)号：CN119006338A
公开(公告)日：2024-11-22
申请号：CN202410915044.0
申请日：2024-07-09
Applicant: 湖北大学
Abstract: 本发明公开了一种划痕老照片综合修复的方法，通过训练深度学习模型网络，通过不同的检测器检测出照片中划痕和人脸并通过不同的技术方案分别对其进行修复；通过小目标人脸检测算法和面部生成恢复网络，即使是面部破损的人像照片也能有观感比较好的修复效果。
-
公开(公告)号：CN116433508A
公开(公告)日：2023-07-14
申请号：CN202310255192.X
申请日：2023-03-16
Applicant: 湖北大学
Abstract: 本发明公开一种基于Swin‑Unet的灰度图像着色校正方法，包括：获取原始图像，对所述原始图像预处理得到预处理数据集，其中，所述预处理数据集包括训练集和测试集；构建灰度图像着色校正模型，将所述训练集输入到所述灰度图像着色校正模型进行训练，得到训练好的灰度图像着色校正模型；将所述测试集输入到所述训练好的灰度图像着色校正模型，得到最终的彩色图片。本发明利用Swin‑Unet对灰度图像进行颜色预测，并通过卷积神经网络对预估颜色进行颜色校正，确保颜色校正效果，并且泛化性强。
-
公开(公告)号：CN118823344A
公开(公告)日：2024-10-22
申请号：CN202410871458.8
申请日：2024-07-01
Applicant: 湖北大学
IPC: G06V10/26 , G06V10/82 , G06V10/80 , G06V10/771 , G06V10/77 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了基于通道和空间注意力机制医学图像语义分割方法及系统，方法包括：收集历史医学图像数据集，对数据集进行预处理；使用CSAB‑UNet模型进行对预处理后的医学图像进行语义分割，所述CSAB‑UNet模型为：使用U‑Net网络的卷积层和U‑Net网络的池化层对预处理后的数据进行特征提取和下采样操作，得到尺寸与通道数修改后的特征图；使用U‑Net网络的反卷积层、桥式通道注意模块和桥式空间注意力模块对所述特征图进行上采样，恢复所述特征图的尺寸和通道数；采用混合损失函数对所述CSAB‑UNet模型进行优化，使用优化好的CSAB‑UNet模型对实时的医学图像进行语义分割，得到分割结果。
-
Patent Agency Ranking
公开(公告)号：CN118608788A
公开(公告)日：2024-09-06
申请号：CN202410825245.1
申请日：2024-06-25
Applicant: 湖北大学
IPC: G06V10/26 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于哈达马积的轻量化医疗图像分割系统及方法，系统包括：模型构建模块、模型改进模块、模型训练模块和图像分割模块；模型构建模块用于构建初始网络模型；模型改进模块用于对初始网络模型进行改进，得到改进后的HPGA‑UNet模型；模型训练模块用于对HPGA‑UNet模型进行训练，得到图像分割模型；图像分割模块基于图像分割模型对采集到的医疗图像进行分割，得到图像的语义分割结果。本发明改进后的图像分割模型，可以对于不同的输入图像自动学习全局特征、调整参数，具有一定的注意力和自适应性，有效降低了模型参数量和浮点计算量，相对于传统的卷积神经网络在医学图像分割精度上也有一定提升。
-
公开(公告)号：CN117745593B
公开(公告)日：2024-07-05
申请号：CN202311852854.8
申请日：2023-12-29
Applicant: 湖北大学
IPC: G06T5/77 , G06T5/70 , G06T5/20 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T5/60
Abstract: 本发明公开了一种基于扩散模型老照片划痕修复方法与系统，方法包括以下步骤：S1：建立扩散模型，基于所述扩散模型的加噪方式，对待修复划痕老照片进行加噪，获得完全高斯噪声图；S2：基于所述待修复划痕老照片，建立划痕去噪空间；S3：建立噪声预测网络，对所述完全高斯噪声图以及所述划痕去噪空间进行噪声预测，分别获得对应的纯噪声图，并计算各个所述纯噪声图的分数；S4：加权计算各个所述纯噪声图的分数，获得一个状态图；基于所述扩散模型的去噪方式，对所述状态图进行反向迭代去噪处理，获得无划痕干净老照片。本发明方法更完善，获得干净照片整体观感会更好。
-
公开(公告)号：CN118172431A
公开(公告)日：2024-06-11
申请号：CN202410235479.0
申请日：2024-03-01
Applicant: 湖北大学
IPC: G06T11/00 , G06T7/90 , G06N3/0455 , G06V10/44 , G06V10/82
Abstract: 本发明公开了一种基于先验索引的颜色标记重加权的灰度图像着色方法，包括：获取连续灰度图像特征，获取连续彩色图像特征并编码获得离散彩色图像特征；获取双向自注意力transformer网络，结合连续灰度图像特征、离散彩色图像特征获得颜色标记；统计真实数据集中不同亮度范围的颜色概率分布，结合灰度图像的亮度分布信息获得颜色候选值，基于颜色候选值获得合成图像，基于合成图像获得候选逻辑值的索引图，根据对应的灰度掩码选取候选的逻辑值索引，采用加权算法控制颜色标记的权重，获得最优颜色标记；将最优颜色标记和连续灰度图像特征解码实现灰度图像着色。
-
公开(公告)号：CN118172431B
公开(公告)日：2024-11-05
申请号：CN202410235479.0
申请日：2024-03-01
Applicant: 湖北大学
IPC: G06T11/00 , G06T7/90 , G06N3/0455 , G06V10/44 , G06V10/82
Abstract: 本发明公开了一种基于先验索引的颜色标记重加权的灰度图像着色方法，包括：获取连续灰度图像特征，获取连续彩色图像特征并编码获得离散彩色图像特征；获取双向自注意力transformer网络，结合连续灰度图像特征、离散彩色图像特征获得颜色标记；统计真实数据集中不同亮度范围的颜色概率分布，结合灰度图像的亮度分布信息获得颜色候选值，基于颜色候选值获得合成图像，基于合成图像获得候选逻辑值的索引图，根据对应的灰度掩码选取候选的逻辑值索引，采用加权算法控制颜色标记的权重，获得最优颜色标记；将最优颜色标记和连续灰度图像特征解码实现灰度图像着色。
-
公开(公告)号：CN211090925U
公开(公告)日：2020-07-28
申请号：CN201921838017.9
申请日：2019-10-28
Applicant: 湖北大学
Abstract: 本实用新型涉及农业数据采集技术领域，公开了一种移动式农业大棚数据采集装置及系统，其中装置包括滑块、滑轨、两根牵引缆索、两个卷筒、两个滑动电机以及数据采集器，所述滑轨安装于所述农业大棚内，所述滑轨可滑动地安装于所述滑轨上，两个所述卷筒分别安装于所述滑轨的两端，所述滑块的一端通过其中一所述牵引缆索与其中一所述卷筒连接，所述滑块的另一端通过另一所述牵引缆索与另一所述卷筒连接，两个所述滑动电机与两个所述卷筒一一对应传动连接，所述数据采集器安装于所述滑块上。本实用新型可以实现农业大棚内数据的移动采集，避免了大面积铺设数据采集装置，减少采集成本。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.016 seconds)
