-
公开(公告)号：CN107103331A
公开(公告)日：2017-08-29
申请号：CN201710211621.8
申请日：2017-04-01
Applicant: 中北大学
IPC: G06K9/62
Abstract: 本发明涉及图像融合方法，具体为一种基于深度学习的图像融合方法，本方法按如下步骤进行：基于自动编码器利用卷积层构建基本单元；将多个基本单元堆叠起来训练得到深度堆叠神经网络，并采用端对端的方式调整堆叠网络；利用该堆叠网络分解输入图像，得到各自的高频和低频特征映射图，分别利用局部方差取大和区域匹配度合并高频和低频特征映射图；并将高频融合特征映射图和低频融合特征映射图放回最后一层网络，得到最终的融合图像。本方法可以对图像进行自适应分解和重构，融合时只需高频和低频特征映射图各一幅，不需要人工定义滤波器个数和类型，也不需要选择图像的分解层数和滤波方向数，可以极大改善融合算法对先验知识的依赖性。
-
公开(公告)号：CN104978745A
公开(公告)日：2015-10-14
申请号：CN201510359498.5
申请日：2015-06-25
Applicant: 中北大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/20021 , G06T2207/20221
Abstract: 本发明属于图像变化检测技术领域，具体涉及一种高分辨率可见光图像目标变化检测方法。本发明主要解决现有方法直接对全局进行检测导致目标误检率高的问题。本发明高分辨率可见光图像目标变化检测方法包括以下步骤：(1)：输入图像I1和图像I2；(2)：对图像I1、I2处理得到结构图像I′1、I′2；(3)：将图像I1、I2、I′1、I′2分为方形块；(4)：计算I′1、I′2分块后相同位置间的熵值差；(5)：计算I1、I2分块后相同位置间的结构相似度；(6)：将熵值差和结构相似度分别按各自的判断条件判定，确定出存在变化目标的图像块；(7)：计算图像块的对数比差异图与均值比差异图，并将两幅图融合获得融合差异图；(8)：将融合差异图处理得到最终变化目标图像；(9)：保存并输出。
-
公开(公告)号：CN101799915B
公开(公告)日：2011-12-07
申请号：CN201010118062.4
申请日：2010-02-26
Applicant: 中北大学
Abstract: 本发明涉及图像融合技术，具体为一种双色中波红外图像融合方法。解决现有的双色中波红外图像融合方法因第一个细分波段的成像受太阳辐射影响严重，因而融合效果不甚理想的问题，以及不能直接在双色中波成像仪中实现融合的问题。把红外中波分为第一细分波段和第二细分波段两个波段，按如下步骤进行：对第一细分波段图像分割，以选择面积大的饱和区；区分太阳照射饱和区和非太阳照射饱和区：对第一细分波段图像中的所选太阳照射饱和区进行融合像素值替换；将处理后的第一细分波段图像和第二细分波段图像，采用支持度变换法(SVT法)进行融合。该方法在FPGA和DSP芯片或单一的FPGA芯片上实现，可嵌入双色中波成像仪中。
-
公开(公告)号：CN118736577A
公开(公告)日：2024-10-01
申请号：CN202410822208.5
申请日：2024-06-25
Applicant: 中北大学
IPC: G06V20/70 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/082 , G06N3/0499 , G06N3/0442 , G06N3/0895
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描述生成方法，具体为基于自监督学习和特征解耦的多波段图像描述生成方法。提取红外和可见光图像粗粒度融合特征的基础上，首先，利用所构建的特征解耦模块，基于两个结构相同的行、列级注意力机制解耦该两波段图像的不同粒度特征；然后，利用所构建的特征交叉融合模块，将解耦所得的不同粒度特征在多个特征子空间中进行融合增强，得到细粒度的融合特征图；最后，将融合好的特征输入到注意力机制增强的语言模型中进行解码生成描述，可用于安防监控和军事侦察等复杂场景理解。
-
公开(公告)号：CN118736364A
公开(公告)日：2024-10-01
申请号：CN202410799468.5
申请日：2024-06-20
Applicant: 中北大学
IPC: G06V10/80 , G06V10/26 , G06V10/82 , G06V10/764 , G06N3/0464
Abstract: 本发明涉及红外图像弱小目标检测领域，具体为一种稀疏注意力和多尺度特征融合的红外小目标检测网络框架，在网络下采样、感知中引入特征图组，增强小目标特征图组的权重，提高小目标的表征能力；在跳连接中引入全连接层，从全局感受野中抑制结构相似的背景，从而提高目标与背景的对比度；利用Biformer模块学习小目标和背景之间的远程关系，有效弥补细节纹理特征匮乏的不足，提高了特征的表达能力；采用自适应非对称融合模块，充分挖掘红外弱小目标的浅层空间特征和深层语义特征，从高、低层特征中融合多尺度上下文信息。完成对真实目标和背景噪声的像素分类，得到真实目标检测结果。
-
Patent Agency Ranking
公开(公告)号：CN113822352B
公开(公告)日：2024-05-17
申请号：CN202111078520.0
申请日：2021-09-15
Applicant: 中北大学
Abstract: 本发明提出了基于多特征融合的红外弱小目标检测方法，先基于红外弱小目标局部灰度值大的特性，利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制。其次，利用红外弱小目标自身灰度信息符合二维高斯分布的特性，通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显着图一。再次，利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显着图二。最后，将显着图一与显着图二进行点乘，通过融合红外弱小目标多种特性得到最终显着图，对最终显着图计算简单阈值进行分割得到最终检测结果。本发明有效抑制了红外图像中的复杂杂波，同时提升了弱小目标检测的精度。
-
公开(公告)号：CN116645666A
公开(公告)日：2023-08-25
申请号：CN202310594629.2
申请日：2023-05-25
Applicant: 中北大学
IPC: G06V20/70 , G06V10/80 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/0499 , G06N3/08
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描述生成方法，具体为基于特征融合的多波段图像描述生成方法。在将红外探测成像引入图像描述领域并建立可见光图像‑红外图像描述数据集的基础上，首先使用多层卷积神经网络分别对可见光图像和红外图像提取特征；再根据不同探测波段的互补性，设计特征融合增强模块在空间级和通道级实现特征的融合增强；最后，构建注意力机制增强模块，建立图像和文本的深度关系，消除传统加性注意力机制产生的噪声，实现多波段图像描述生成，可用于安防监控和军事侦察等复杂场景理解。
-
公开(公告)号：CN113822352A
公开(公告)日：2021-12-21
申请号：CN202111078520.0
申请日：2021-09-15
Applicant: 中北大学
Abstract: 本发明提出了基于多特征融合的红外弱小目标检测方法，先基于红外弱小目标局部灰度值大的特性，利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制。其次，利用红外弱小目标自身灰度信息符合二维高斯分布的特性，通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显着图一。再次，利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显着图二。最后，将显着图一与显着图二进行点乘，通过融合红外弱小目标多种特性得到最终显着图，对最终显着图计算简单阈值进行分割得到最终检测结果。本发明有效抑制了红外图像中的复杂杂波，同时提升了弱小目标检测的精度。
-
公开(公告)号：CN111696168A
公开(公告)日：2020-09-22
申请号：CN202010538650.7
申请日：2020-06-13
Applicant: 中北大学
Abstract: 本发明涉及MRI加速采集方法，具体为基于残差自注意力图像增强的高倍速采MRI重建方法。本方法采用生成对抗网络构建本发明的网络结构，将基于残差自注意力的特征增强模块内嵌至U-NET收缩路径底部；将高倍欠采样图像输入生成器，经U-NET收缩路径提取高级特征图后输入特征增强模块得到特征增强图，再经U-NET扩展路径解码，并与收缩路径对应的特征图合并，融合扩展时对应级别收缩层的特征，补充缺失的边界信息，准确预测边缘信息，得到重建图像。本方法可以捕获图像更抽象、更丰富的纹理细节特征，融合局部信息和非局部信息以增强全局信息量，整个过程由网络自动选择有效特征，能实现关键区域纹理细节的自适应提取与重构，可以很好地重建高倍速采MR图像。
-
公开(公告)号：CN111696066A
公开(公告)日：2020-09-22
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。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.018 seconds)
