-
公开(公告)号：CN109118442A
公开(公告)日：2019-01-01
申请号：CN201810802538.2
申请日：2018-07-20
Applicant: 湖北工业大学
Abstract: 本发明公开一种基于Sobel算子滤波的图像增强算法，主要分为4个步骤，步骤1，先对图像进行预处理，步骤2，针对预处理之后的图像，得到一个突出原始图像边沿的图像，步骤3，得到一个初步的增强图像，步骤4是将步骤2和步骤3得到的结果进行处理得到最终的增强图像。本发明通过多步优化，一定程度上的提高了图像的质量，使其更加的清晰；并将平滑与锐化相结合，在增强图像清晰度的同时，有效的克服了失真、噪声等负面影响。此外，本发明引入三种客观分析图像质量的参数与主观评价相结合，有效的弥补了图像质量评价方法单一的不足。
-
公开(公告)号：CN108416783B
公开(公告)日：2021-04-02
申请号：CN201810103827.3
申请日：2018-02-01
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于全卷积神经网路的道路场景分割方法，包括：步骤1，利用KSW二维阈值及遗传算法对原始道路场景图像进行中值滤波处理获得训练集；步骤2，构建全卷积神经网络框架；步骤3，将步骤1得到训练样本和通过人眼识别判断标识的人工分割图像作为全卷积神经网络的输入数据，训练得到鲁棒性较高、准确度较好的深度学习神经网络分割模型；步骤4，将待分割的道路场景图像测试数据引入训练好的深度学习神经网络分割模型，得到最后的分割结果。实验结果表明，本发明能够有效地解决道路场景图像的分割问题，获得了比传统道路场景图像分割方法更高的鲁棒性和分割精度，可进一步应用于更复杂场景下道路图像分割。
-
公开(公告)号：CN108647741A
公开(公告)日：2018-10-12
申请号：CN201810478726.4
申请日：2018-05-18
Applicant: 湖北工业大学
IPC: G06K9/62
Abstract: 本发明公开一种基于迁移学习的图像分类算法方法和系统，包括：步骤1，通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B；步骤2，构造迁移学习网络；步骤3，将步骤1分类的训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；步骤4，将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。本发明克服了深度学习对普通RGB图像训练时需要大样本数据集作为输入的要求，避免了训练过程中过拟合和局部最优解问题，相比传统分类算法，一定程度上提高了分类精度。
-
公开(公告)号：CN109086801A
公开(公告)日：2018-12-25
申请号：CN201810735451.8
申请日：2018-07-06
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于改进LBP特征提取的图像分类方法，经典的LBP方法容易使得部分纹理缺失，倘若某中心像素值较大或者较小，就会失去其周围的部分纹理。为了避免这种情况的发生，本发明将阈值处理的方法进行改进，取九个像素值的最大与最小值，然后再取最大值与最小值的平均值作为其阈值，再与其周围八个像素值进行比较，重新计算LBP码，本发明通过新改进的方法将那些可能会失去的一些纹理特征更有可能的保留下来，使得其的鲁棒性更好，也能够将取得的特征效果提高。然后将提取出来的特征通过统计直方图显示出来，并且进一步形成特征向量，然后导入到分类器中，计算所提取特征的分类效果。
-
公开(公告)号：CN109325507B
公开(公告)日：2020-10-16
申请号：CN201811185997.7
申请日：2018-10-11
Applicant: 湖北工业大学
Abstract: 本发明公开一种结合超像素显著性特征与HOG特征的图像分类算法和系统，包括以下步骤：步骤1，将原始数据集进行HOG特征提取得到特征集A；步骤2，利用超像素分割对原始数据集进行处理，得到重构显著性图像数据集；步骤3，将重构后的显著性图像集利用SLBP编码方式得到新的特征集B，所述SLBP编码方式是对传统LBP编码方式的改进；步骤4，特征融合，将步骤1和步骤3所得到特征集A和特征集B进行相加；步骤5，结合步骤4得到的训练数据，利用KNN分类器对测试数据进行监督分类并计算分类精度。本发明方法较好地满足了小型工程设计对传统机器学习算法的要求，一定程度上提好了图像分类精度。
-
Patent Agency Ranking
公开(公告)号：CN109325507A
公开(公告)日：2019-02-12
申请号：CN201811185997.7
申请日：2018-10-11
Applicant: 湖北工业大学
Abstract: 本发明公开一种结合超像素显著性特征与HOG特征的图像分类算法和系统，包括以下步骤：步骤1，将原始数据集进行HOG特征提取得到特征集A；步骤2，利用超像素分割对原始数据集进行处理，得到重构显著性图像数据集；步骤3，将重构后的显著性图像集利用SLBP编码方式得到新的特征集B，所述SLBP编码方式是对传统LBP编码方式的改进；步骤4，特征融合，将步骤1和步骤3所得到特征集A和特征集B进行相加；步骤5，结合步骤4得到的训练数据，利用KNN分类器对测试数据进行监督分类并计算分类精度。本发明方法较好地满足了小型工程设计对传统机器学习算法的要求，一定程度上提好了图像分类精度。
-
公开(公告)号：CN108416783A
公开(公告)日：2018-08-17
申请号：CN201810103827.3
申请日：2018-02-01
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于全卷积神经网路的道路场景分割方法，包括：步骤1，利用KSW二维阈值及遗传算法对原始道路场景图像进行中值滤波处理获得训练集；步骤2，构建全卷积神经网络框架；步骤3，将步骤1得到训练样本和通过人眼识别判断标识的人工分割图像作为全卷积神经网络的输入数据，训练得到鲁棒性较高、准确度较好的深度学习神经网络分割模型；步骤4，将待分割的道路场景图像测试数据引入训练好的深度学习神经网络分割模型，得到最后的分割结果。实验结果表明，本发明能够有效地解决道路场景图像的分割问题，获得了比传统道路场景图像分割方法更高的鲁棒性和分割精度，可进一步应用于更复杂场景下道路图像分割。
-
公开(公告)号：CN109118442B
公开(公告)日：2021-08-03
申请号：CN201810802538.2
申请日：2018-07-20
Applicant: 湖北工业大学
Abstract: 本发明公开一种基于Sobel算子滤波的图像增强方法，主要分为4个步骤，步骤1，先对图像进行预处理，步骤2，针对预处理之后的图像，得到一个突出原始图像边沿的图像，步骤3，得到一个初步的增强图像，步骤4是将步骤2和步骤3得到的结果进行处理得到最终的增强图像。本发明通过多步优化，一定程度上的提高了图像的质量，使其更加的清晰；并将平滑与锐化相结合，在增强图像清晰度的同时，有效的克服了失真、噪声等负面影响。此外，本发明引入三种客观分析图像质量的参数与主观评价相结合，有效的弥补了图像质量评价方法单一的不足。
-
公开(公告)号：CN108932550B
公开(公告)日：2020-04-24
申请号：CN201810666946.X
申请日：2018-06-26
Applicant: 湖北工业大学
Abstract: 本发明提出了一种密集稀疏密集算法的优化方法，包括初始Dense训练阶段、Fuzzy阶段、最后Dense阶段，该方法使用隶属度来度量网络权重与整个网络的关联程度，确定每个数据信息与群集之间的关联程度。本发明有如下有点：1、与其他经典网络相比，本发明提出的优化网络是基于学习权重的价值，并且计算出哪些网络权重是更重要的连接，这种筛选过程更好地提高了分类精度。2、本发明的框架迁移性相比传统DSD得到提高，可用于继Alexnet后的VGG16、vgg19等其余新型网络。3、针对传统的深度神经网络所需上万次迭代分类问题，本发明在数百次迭代以内能有效提高分类精度。
-
公开(公告)号：CN109284781A
公开(公告)日：2019-01-29
申请号：CN201811049534.8
申请日：2018-09-10
Applicant: 湖北工业大学
IPC: G06K9/62
Abstract: 本发明公开一种基于流形学习的图像分类算法和系统，包括：步骤1，选取训练样本集和测试样本集；步骤2，利用sift算法提取两个样本集图像的特征点；步骤3，利用流形学习方法中的局部线性嵌入或拉布拉斯特征映射对分别对两个样本集中的特征点进行降维；步骤4，将训练样本集降维后的特征点输入到支持向量机分类器中进行训练；步骤5，利用训练好的支持向量机分类器对测试样本集进行分类。本发明将SIFT特征提取算法与非线性流形学习降维算法相结合，提取出图像的中层特征，然后再利用SVM分类器进行分类处理，可以有效的提高计算速度及其分类的精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.017 seconds)
