-
公开(公告)号：CN107038730A
公开(公告)日：2017-08-11
申请号：CN201710200185.4
申请日：2017-03-30
Applicant: 湖北工业大学
Abstract: 本发明提供一种基于高斯尺度结构块分组的稀疏表示图像重建方法，包括如下步骤：利用从自然图像中训练出的非局部自相似模型，将非局部相似块混合进用先验模型方法所得的分组里，利用搜索方法提取出最优块分组模型；联合块分组模型与非局部扩展高斯尺度混合模型，利用交替最小化方法进行同步稀疏编码，求解更新图像块；将块分组模型和高斯尺度混合模型联合到编码框架中，利用选择的训练字典来计算联合模型所求得的图像重建更新解，并将此更新解值送回到块分组模型中再次进行步骤一和步骤二流程操作，如此反复迭代，直到最优解生成，则输出重建图像的最优解。该方法所获得的重建图像具有较好的边缘、纹理等细节保持性能和更好的峰值信噪比质量。
-
Patent Agency Ranking
公开(公告)号：CN107230188B
公开(公告)日：2019-12-24
申请号：CN201710257764.2
申请日：2017-04-19
Applicant: 湖北工业大学
IPC: G06T5/00
Abstract: 本发明公开一种视频运动阴影消除的方法，通过传统的混合高斯背景建模提取的前景使用HSV颜色空间变换，确定参数对视频中运动目标的阴影都可以完全去除，然后再将提取的前景分别通过LBP算子和大津阈值(OTSU)提取部分运动目标，两者相加可以得出完整的运动目标，最后再与前面HSV提取的运动目标再次相加，即可达到消除阴影的效果。将本方法应用于不同的环境下有阴影的视频中，实验结果表明，本发明方法对不同环境下的阴影消除只用确定同一个参数，能够准确地提取出运动目标，适用性和鲁棒性更好。
-
公开(公告)号：CN107169504B
公开(公告)日：2019-06-18
申请号：CN201710200172.7
申请日：2017-03-30
Applicant: 湖北工业大学
Abstract: 本发明公开一种基于扩展非线性核残差网络的手写字符识别方法，在利用深度网络的结构特点上，提供一种新型深度学习方法—基于扩展非线性核残差网络算法。并将该深度学习算法应用在手写字符识别中，提出基于扩展非线性核残差网络的手写字符识别方法。该方法能深度地描述样本数据和期望数据的相关性，能高效的从原始数据中自动地学习数字图像特征；其次，该方法引入了合适的类内无监督聚类算法，克服了深度学习网络在手写字符识别领域现有的技术不足。本发明简单且易于实现，提升手写字符识别性能的同时，也提高了网络的训练效率。
-
公开(公告)号：CN107038730B
公开(公告)日：2020-09-11
申请号：CN201710200185.4
申请日：2017-03-30
Applicant: 湖北工业大学
Abstract: 本发明提供一种基于高斯尺度结构块分组的稀疏表示图像重建方法，包括如下步骤：利用从自然图像中训练出的非局部自相似模型，将非局部相似块混合进用先验模型方法所得的分组里，利用搜索方法提取出最优块分组模型；联合块分组模型与非局部扩展高斯尺度混合模型，利用交替最小化方法进行同步稀疏编码，求解更新图像块；将块分组模型和高斯尺度混合模型联合到编码框架中，利用选择的训练字典来计算联合模型所求得的图像重建更新解，并将此更新解值送回到块分组模型中再次进行步骤一和步骤二流程操作，如此反复迭代，直到最优解生成，则输出重建图像的最优解。该方法所获得的重建图像具有较好的边缘、纹理等细节保持性能和更好的峰值信噪比质量。
-
公开(公告)号：CN107230188A
公开(公告)日：2017-10-03
申请号：CN201710257764.2
申请日：2017-04-19
Applicant: 湖北工业大学
IPC: G06T5/00
Abstract: 本发明公开一种视频运动阴影消除的方法，通过传统的混合高斯背景建模提取的前景使用HSV颜色空间变换，确定参数对视频中运动目标的阴影都可以完全去除，然后再将提取的前景分别通过LBP算子和大津阈值(OTSU)提取部分运动目标，两者相加可以得出完整的运动目标，最后再与前面HSV提取的运动目标再次相加，即可达到消除阴影的效果。将本方法应用于不同的环境下有阴影的视频中，实验结果表明，本发明方法对不同环境下的阴影消除只用确定同一个参数，能够准确地提取出运动目标，适用性和鲁棒性更好。
-
公开(公告)号：CN107169504A
公开(公告)日：2017-09-15
申请号：CN201710200172.7
申请日：2017-03-30
Applicant: 湖北工业大学
CPC classification number: G06K9/6218 , G06K9/6273 , G06K2209/01 , G06N3/0454 , G06N3/084
Abstract: 本发明公开一种基于扩展非线性核残差网络的手写字符识别方法，在利用深度网络的结构特点上，提供一种新型深度学习方法—基于扩展非线性核残差网络算法。并将该深度学习算法应用在手写字符识别中，提出基于扩展非线性核残差网络的手写字符识别方法。该方法能深度地描述样本数据和期望数据的相关性，能高效的从原始数据中自动地学习数字图像特征；其次，该方法引入了合适的类内无监督聚类算法，克服了深度学习网络在手写字符识别领域现有的技术不足。本发明简单且易于实现，提升手写字符识别性能的同时，也提高了网络的训练效率。
-
-
-
-
-
Search Results
6
records
(took 0.084 seconds)
