-
公开(公告)号：CN111915545B
公开(公告)日：2022-07-05
申请号：CN202010784272.0
申请日：2020-08-06
Applicant: 中北大学
Abstract: 本发明涉及多波段图像融合方法，具体为基于多判别器生成对抗网络的多波段图像自监督融合方法，本方法按如下步骤进行：设计并构建生成对抗网络，网络由一个生成器和多个判别器组成，且标签图像为多波段源图像自身；生成器网络结构采用构思的特征增强模块、特征融合模块两部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到多波段图像融合结果。本发明实现了多波段图像端到端自监督融合的神经网络，结果具有更好的清晰度、信息量，细节信息更丰富，更符合人眼视觉特性。
-
公开(公告)号：CN111696066B
公开(公告)日：2022-04-19
申请号：CN202010538631.4
申请日：2020-06-13
Applicant: 中北大学
Abstract: 本发明涉及多波段图像同步融合与增强方法，即同步实现多波段图像融合和图像超分辨率，具体为基于改进WGAN‑GP的多波段图像同步融合与增强方法,本方法按如下步骤进行：设计并构建生成对抗网络，网络结构采用构思的特征提取（编码）网络、特征组合网络和解码网络三部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到融合增强结果。本发明实现了多波段图像端到端同步融合与增强的神经网络，使得低分辨率源图像融合出高质量融合结果。
-
公开(公告)号：CN110555458B
公开(公告)日：2022-04-19
申请号：CN201910672081.2
申请日：2019-07-24
Applicant: 中北大学
Abstract: 本发明涉及图像融合方法，尤其涉及多波段图像融合方法，具体为基于注意力机制生成对抗网络的多波段图像特征级融合方法。本方法按如下步骤进行：设计并构建生成对抗网络，生成器中包含混合注意力机制的特征增强模块，通过生成器和判别器的动态平衡训练得到一个生成模型；本方法实现了多波段图像端到端的神经网络融合，显著提高了融合图像的细节质量。
-
公开(公告)号：CN113112441A
公开(公告)日：2021-07-13
申请号：CN202110480624.8
申请日：2021-04-30
Applicant: 中北大学
Abstract: 本发明涉及多波段图像同步超分与融合方法，即同步实现多波段图像融合和图像超分辨率，具体为基于密集网络和局部亮度遍历算子的多波段低分辨率图像同步融合方法,本方法按如下步骤进行：设计并构建生成对抗网络，网络结构采用构思的特征提取模块、特征融合模块和图像超分辨率模块三部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到融合增强结果。损失函数中内容损失的亮度提取部分采用构造的局部亮度遍历算子。本发明实现了多波段图像端到端同步超分与融合神经网络，由于在网络最后一层才放大源图像，大大提升网络的效率，降低资源耗费。
-
公开(公告)号：CN106447605A
公开(公告)日：2017-02-22
申请号：CN201610894716.X
申请日：2016-10-13
Applicant: 中北大学
CPC classification number: G06T3/0068 , G06T19/20 , G06T2219/2004
Abstract: 本发明涉及青铜器文物虚拟复原方法，尤其涉及青铜器三维碎片特征匹配和拼接方法，具体为基于PCA和FFT的青铜器三维碎片虚拟拼接方法。本方法按如下步骤进行：提取碎片轮廓线；以轮廓曲线上局部曲率极大值点为角点，将轮廓曲线表示为由角点及其周围若干点组成的特征曲线段；将每个特征曲线段变换到利用主成分分析法建立的局部坐标系，进而投影到两个坐标平面；分别提取投影结果的特征函数，并计算各函数的傅里叶能量值在对应平面的差异，选择差异值较小的匹配对为粗匹配结果；将两个碎片轮廓分别通过平移旋转变换到与其粗匹配特征曲线段对应的局部坐标系中，以二者在第三个投影平面的公共曲线长度为度量进行精化匹配。
-
Patent Agency Ranking
公开(公告)号：CN103093448A
公开(公告)日：2013-05-08
申请号：CN201310025721.3
申请日：2013-01-24
Applicant: 中北大学
IPC: G06T5/50
Abstract: 本发明涉及图像融合技术，具体为双色中波红外图像变换域多规则融合方法。解决现有的双色中波红外图象融合方法因采用单一融合规则不能适应探测动态变化的需要和不能直接在双色中波成像仪中实现的问题。把红外中波分为3.4~4.1μm、4.5~5.3μm两个波段，然后按如下步骤进行：对两个细分波段图像分别进行支持度变换，得到低频图像和支持度序列图像；对最后一层低频图像用单一规则合成、在对合成图像用模糊隶属函数融合；对支持度序列图像先用单一规则合成在用模糊隶属函数合成图像再次合成；对合成的低频图像和合成的支持度图像采用支持度变换法进行融合。该方法在FPGA和DSP芯片或单一的FPGA芯片上实现，芯片可容易地嵌入双色中波成像仪中。
-
公开(公告)号：CN118736576A
公开(公告)日：2024-10-01
申请号：CN202410822066.2
申请日：2024-06-25
Applicant: 中北大学
IPC: G06V20/70 , G06V10/82 , G06N3/0455 , G06N3/082 , G06N3/092 , G06N3/084 , G06N3/0985
Abstract: 本发明涉及图像描述方法和图像融合方法，尤其涉及多波段图像自动描述方法，具体为基于内存增强和软掩膜的多波段图像自动描述方法。将可见光图像特征、红外图像特征以及文本特征置于同一表征层级，在传统Transformer的基础上，构建内存增强模块用于存储多波段图像特征间的内在相关性以及语言上下文信息；同时，利用软掩膜机制筛选有效的视觉特征向量以及内存中存储的特征向量，以确保模型精确聚焦于关键视觉信息或语言上下文信息，可用于安防监控和军事侦察等复杂场景理解。
-
公开(公告)号：CN118736041A
公开(公告)日：2024-10-01
申请号：CN202410800028.7
申请日：2024-06-20
Applicant: 中北大学
Abstract: 针对现有实值Transformer难以作用于MRI复数数据，致使MRI数据结构被破坏或者丢弃重要的相位信息，限制模型重建性能的问题，本发明设计了多个双域数据重建块级联的网络模型，该模型以欠采样图像域和K空间数据为输入，在双域数据重建块中，通过图像域特征重建块和K空间特征重建块提取双域数据特征并实现双域数据重建，将重建后的双域数据通过数据一致性层，使模型专注于未采样数据的恢复，将经过数据一致性层后的双域数据通过各自的融合模块实现双域数据的交互融合，最后，将融合后的结果作为下一个双域数据重建块的输入。以最后一个双域数据重建块图像域融合块的输出经过幅值计算得到的图像作为网络最终的重建结果。
-
公开(公告)号：CN113112441B
公开(公告)日：2022-04-26
申请号：CN202110480624.8
申请日：2021-04-30
Applicant: 中北大学
Abstract: 本发明涉及多波段图像同步超分与融合方法，即同步实现多波段图像融合和图像超分辨率，具体为基于密集网络和局部亮度遍历算子的多波段低分辨率图像同步融合方法,本方法按如下步骤进行：设计并构建生成对抗网络，网络结构采用构思的特征提取模块、特征融合模块和图像超分辨率模块三部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到融合增强结果。损失函数中内容损失的亮度提取部分采用构造的局部亮度遍历算子。本发明实现了多波段图像端到端同步超分与融合神经网络，由于在网络最后一层才放大源图像，大大提升网络的效率，降低资源耗费。
-
公开(公告)号：CN107622507A
公开(公告)日：2018-01-23
申请号：CN201710676396.5
申请日：2017-08-09
Applicant: 中北大学
Abstract: 本发明涉及空中目标跟踪方法，具体为基于深度学习的空中目标跟踪方法，本方法按如下步骤进行：MDNet采集第一帧图像的正样本并进行随机取样，将随机取样后的样本作为数据集训练bounding-box模型；其次，训练利用最小信息准则和最小二乘法确定阶数和参数的AR模型，估计目标运动轨迹并预测目标位置；然后，将该目标位置作为MDNet的采样中心，再利用bounding-box回归模型调整目标位置，精确完成跟踪。本方法可以自适应提取空中目标特征，并结合AR模型有效利用目标的运动信息，可极大改善MDNet对目标特征的依赖性，在解决伪目标干扰的同时，提高跟踪精度。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.018 seconds)
