-
公开(公告)号：CN113221844A
公开(公告)日：2021-08-06
申请号：CN202110632231.4
申请日：2021-06-07
Applicant: 山东建筑大学 , 山东博昂信息科技有限公司 , 山东大学
Abstract: 本公开公开了基于深度学习的掌纹细节点真伪甄别方法及系统，包括：获取待识别的掌握图像；对待识别的掌纹图像进行预处理，得到待识别掌纹图像的细节点描述信息和细节点邻域图像；将待识别掌纹图像的细节点描述信息和细节点邻域图像，输入到训练后的卷积神经网络中，得到掌纹细节点真伪甄别结果。输入一幅高分辨率掌纹图像，提取细节点(获得细节点位置和方向信息)，然后通过本发明的方法，自动判定细节点是真细节点还是伪细节点。用去除伪细节点后的细节点集进行掌纹身份匹配，可以从精度和速度两个方面明显提高掌纹身份识别性能。
-
公开(公告)号：CN107506761B
公开(公告)日：2020-01-17
申请号：CN201710763727.9
申请日：2017-08-30
Applicant: 山东大学
Abstract: 本发明公开了基于显著性学习卷积神经网络的脑部图像分割方法及系统，首先提出了一种显著性学习方法，来获取MR图像的显著性映射图。基于显著性映射图，进行显著性增强变换，获得显著性增强的图像。将显著性增强的图像分成若干图像块，训练卷积神经网络，作为最后的分割模型。在本发明中，显著性学习模型能够产生显著性映射图，该类信息是基于目标的空间位置获取的，与图像的灰度信息无关，显著性信息能够明显的加强目标的显著性，提高目标类和背景类的区分性，对于灰度不同质性具有一定的鲁棒性。因此，基于显著性增强图训练出的卷积神经网络能够学到显著性增强图的区分性信息，从而较为有效地解决脑部MR图像中的灰度不同质性问题。
-
公开(公告)号：CN107506761A
公开(公告)日：2017-12-22
申请号：CN201710763727.9
申请日：2017-08-30
Applicant: 山东大学
Abstract: 本发明公开了基于显著性学习卷积神经网络的脑部图像分割方法及系统，首先提出了一种显著性学习方法，来获取MR图像的显著性映射图。基于显著性映射图，进行显著性增强变换，获得显著性增强的图像。将显著性增强的图像分成若干图像块，训练卷积神经网络，作为最后的分割模型。在本发明中，显著性学习模型能够产生显著性映射图，该类信息是基于目标的空间位置获取的，与图像的灰度信息无关，显著性信息能够明显的加强目标的显著性，提高目标类和背景类的区分性，对于灰度不同质性具有一定的鲁棒性。因此，基于显著性增强图训练出的卷积神经网络能够学到显著性增强图的区分性信息，从而较为有效地解决脑部MR图像中的灰度不同质性问题。
-
-
Search Results
13
records
(took 0.023 seconds)
