-
公开(公告)号：CN113935924A
公开(公告)日：2022-01-14
申请号：CN202111327728.1
申请日：2021-11-10
Applicant: 福州大学
IPC: G06T5/00 , G06K9/62 , G06V10/762
Abstract: 本发明涉及一种基于先验信息指导的子空间低秩正则图像复原方法，包括以下步骤：步骤S1:获取自然图像，并利用混合高斯模型学习图像块的多个子空间结构；步骤S2:将待复原图像进行重叠分块，利用学习得到的多个子空间结构对这些重叠块进行聚类，得到多个相似块组；步骤S3:针对每一个相似块组,利用该块组的子空间结构指导线性变换建立子空间；步骤S4:在每个子空间进行低秩矩阵近似；步骤S5:将所有的块组进行聚合，再结合ADMM得到复原后的图像，步骤S5:循环步骤S2‑S5，迭代至满足预设复原要求的结果，即最终的复原图像。本发明能够提升信息丢失或噪声污染严重图像的复原质量。
-
公开(公告)号：CN114821580B
公开(公告)日：2025-01-07
申请号：CN202210497742.4
申请日：2022-05-09
Applicant: 福州大学
Abstract: 本发明提供了一种分阶段融入去噪模块的含噪图像分割方法，首先将噪声图像输入到主干网络中，经过卷积运算，提取四个阶段的特征图；其次，将第四个阶段所提取到的特征图通过双重注意力机制，得到初步的语义分割结果。在此基础上，利用主干网络不同阶段的特征区别，通过迭代融合多阶段语义特征，形成去噪帮助分割，分割帮助去噪的模式；最后将得到的三个语义分割结果进行结合，形成最终的分割结果，通过混合交叉熵损失进一步优化参数。本发明利用协同去噪和分割来提高噪声图像的语义分割精度，解决了现有的针对带噪图像语义分割方法中去噪环节丢失语义信息，从而影响后续目标类别划分的准确性以及目标轮廓的分割完整度的问题。
-
公开(公告)号：CN114821580A
公开(公告)日：2022-07-29
申请号：CN202210497742.4
申请日：2022-05-09
Applicant: 福州大学
Abstract: 本发明提供了一种分阶段融入去噪模块的含噪图像分割方法，首先将噪声图像输入到主干网络中，经过卷积运算，提取四个阶段的特征图；其次，将第四个阶段所提取到的特征图通过双重注意力机制，得到初步的语义分割结果。在此基础上，利用主干网络不同阶段的特征区别，通过迭代融合多阶段语义特征，形成去噪帮助分割，分割帮助去噪的模式；最后将得到的三个语义分割结果进行结合，形成最终的分割结果，通过混合交叉熵损失进一步优化参数。本发明利用协同去噪和分割来提高噪声图像的语义分割精度，解决了现有的针对带噪图像语义分割方法中去噪环节丢失语义信息，从而影响后续目标类别划分的准确性以及目标轮廓的分割完整度的问题。
-
公开(公告)号：CN106447675B
公开(公告)日：2019-05-10
申请号：CN201610878522.0
申请日：2016-10-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于先验形状和循环移位的目标分割方法。该方法，首先将形状用概率的方式定义，建立一个先验目标的形状库并运用主成份分析进行降维，利用核密度估计拟合先验形状分布建立先验形状约束项。然后利用先验形状的循环移位，将目标位移和旋转变换，看作循环卷积运算，通过快速傅里叶变换，提高运算速度。将目标形变与底层灰度特征相结合建立数据约束项。接着将数据约束项和先验形状约束项线性组合建立总的能量函数，最后通过能量极小化完成目标的分割。本发明利用高层先验形状的循环移位辅助底层目标分割，解决了现有目标分割方法中对于目标形状发生形变时分割效果不佳的问题。
-
Patent Agency Ranking
公开(公告)号：CN106599901A
公开(公告)日：2017-04-26
申请号：CN201610878504.2
申请日：2016-10-09
Applicant: 福州大学
CPC classification number: G06K9/6256 , G06K9/6277
Abstract: 本发明涉及一种基于深度玻尔兹曼机的协同目标分割与行为识别方法。该方法，首先利用深度玻尔兹曼机从目标行为训练库中学习行为与动作的多层结构特征，接着以底层图像分割为出发点，根据贝叶斯推理，将目标分割看作最大化条件概率，然后在学习得到的高层先验行为指导下，采用目标形状信息作为底层、中层和高层连接的纽带，并建立总的能量函数，最后通过能量极小化完成目标的同时分割与行为识别。本发明利用底层与高层的协同合作可以同时提高目标分割的精度和行为识别的准确性，解决了在低质量环境下由于噪声、遮挡、光照等多种因素影响下分割效果不佳的问题。
-
公开(公告)号：CN113935924B
公开(公告)日：2024-09-10
申请号：CN202111327728.1
申请日：2021-11-10
Applicant: 福州大学
IPC: G06T5/77 , G06T5/70 , G06V10/762
Abstract: 本发明涉及一种基于先验信息指导的子空间低秩正则图像复原方法，包括以下步骤：步骤S1:获取自然图像，并利用混合高斯模型学习图像块的多个子空间结构；步骤S2:将待复原图像进行重叠分块，利用学习得到的多个子空间结构对这些重叠块进行聚类，得到多个相似块组；步骤S3:针对每一个相似块组,利用该块组的子空间结构指导线性变换建立子空间；步骤S4:在每个子空间进行低秩矩阵近似；步骤S5:将所有的块组进行聚合，再结合ADMM得到复原后的图像，步骤S5:循环步骤S2‑S5，迭代至满足预设复原要求的结果，即最终的复原图像。本发明能够提升信息丢失或噪声污染严重图像的复原质量。
-
公开(公告)号：CN106599901B
公开(公告)日：2019-06-07
申请号：CN201610878504.2
申请日：2016-10-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度玻尔兹曼机的协同目标分割与行为识别方法。该方法，首先利用深度玻尔兹曼机从目标行为训练库中学习行为与动作的多层结构特征，接着以底层图像分割为出发点，根据贝叶斯推理，将目标分割看作最大化条件概率，然后在学习得到的高层先验行为指导下，采用目标形状信息作为底层、中层和高层连接的纽带，并建立总的能量函数，最后通过能量极小化完成目标的同时分割与行为识别。本发明利用底层与高层的协同合作可以同时提高目标分割的精度和行为识别的准确性，解决了在低质量环境下由于噪声、遮挡、光照等多种因素影响下分割效果不佳的问题。
-
公开(公告)号：CN106447675A
公开(公告)日：2017-02-22
申请号：CN201610878522.0
申请日：2016-10-09
Applicant: 福州大学
CPC classification number: G06T2207/20056 , G06T2207/30196
Abstract: 本发明涉及一种基于先验形状和循环移位的目标分割方法。该方法，首先将形状用概率的方式定义，建立一个先验目标的形状库并运用主成份分析进行降维，利用核密度估计拟合先验形状分布建立先验形状约束项。然后利用先验形状的循环移位，将目标位移和旋转变换，看作循环卷积运算，通过快速傅里叶变换，提高运算速度。将目标形变与底层灰度特征相结合建立数据约束项。接着将数据约束项和先验形状约束项线性组合建立总的能量函数，最后通过能量极小化完成目标的分割。本发明利用高层先验形状的循环移位辅助底层目标分割，解决了现有目标分割方法中对于目标形状发生形变时分割效果不佳的问题。
-
公开(公告)号：CN105894469A
公开(公告)日：2016-08-24
申请号：CN201610194833.5
申请日：2016-03-31
Applicant: 福州大学
IPC: G06T5/00
CPC classification number: G06T5/002
Abstract: 本发明涉及一种基于外部块自编码学习和内部块聚类的去噪方法，其具体做法是：首先利深度学习中的自动编码模型从外部干净自然图像块中学习块结构特征，并利用这些特征对带噪声图像块进行降维，然后采用由粗至细的策略实现整个图像范围内的块聚类，在每一个类别中构建低秩正则约束，在所有类别中构建全局约束，并建立总的能量函数，最后通过能量极小化完成目标图像的去噪。本发明利用外部自然图像块结构信息辅助待测图像内部块聚类去噪，解决了现有去噪方法中对被高斯白噪声腐蚀的自然图像去噪效果不佳的问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
