-
公开(公告)号：CN119399621A
公开(公告)日：2025-02-07
申请号：CN202411384831.3
申请日：2024-09-30
Applicant: 无锡学院
IPC: G06V20/10 , G06V10/764 , G06T7/11 , G06T7/136 , G06T7/90 , G06V10/80 , G06V10/82 , G06N3/0455
Abstract: 本发明公开一种基于自适应波段加权聚合的高光谱目标跟踪方法，在第t、t‑1帧高光谱灰度图像上确定目标区域的形心为中心的3×3像素区域Lt，确定Lt内的局部光谱曲线Cl，遍历St中每个像素，确定其对应的光谱曲线Cj，根据Cl和Cj生成光谱先验掩膜Mj，确定每个波段之间的相似性系数Sm,n，得到光谱相似系数矩阵图，通过Sm,n确定自适应波段阈值ThB，通过ThB对光谱相似系数矩阵图进行二值化处理和分类，得到分类波段图像，再通过光谱权重进行加权聚合，获得最后的降维单通道灰度图R，将R送入ResNet50进行特征提取，将提取到的目标特征向量和搜索特征向量通过融合光谱先验掩膜得到融合特征向量XD，根据XD得到分类向量和回归向量，由此确定预测框位置，获得跟踪的目标。
-
公开(公告)号：CN115908199B
公开(公告)日：2024-11-26
申请号：CN202211700123.7
申请日：2022-12-28
Applicant: 无锡学院
Abstract: 本发明公开了一种基于深度去噪器的压缩红外图像复原方法，首先原始红外图像经过编码测量后获得原始测量值，复原原始红外图像时在传统基于优化的算法中插入深度网络学习获得的深度去噪器，然后通过设计基于空间注意力和通道注意力的特征提取网络得到深度去噪器，最后迭代求解两个子过程得到复原的红外图像，从而同时具有基于模型的优化算法的可解释性和基于卷积神经网络的鲁棒性和快速性，提高了图像复原的质量。
-
公开(公告)号：CN116523967B
公开(公告)日：2024-10-18
申请号：CN202310585827.2
申请日：2023-05-23
Applicant: 无锡学院
Abstract: 本发明公开了基于空间光谱相似性降维的高光谱目标跟踪方法，获得归一化后第1帧和第t帧高光谱图像，确定局部光谱曲线Cl，目标光谱曲线Ct，像素Hi,j的光谱曲线Ci,j，根据光谱角距离公式计算Cl和Ct确定分割阈值，通过分割阈值确定降维结果图Ir和掩膜，通过DenseNet提取Ir的深度特征，通过方差确定纹理特征的融合权重，并进行融合得到重组纹理特征，利用掩膜覆盖重组纹理特征，得到融合纹理特征，并对深度特征和融合纹理特征进行判别式相关滤波，得到对应响应图峰值坐标，对其进行计算欧式距离，再进行阈值判断，来确定是否更新滤波器参数，然后对响应图进行尺度估计并获得当前帧高光谱图像的跟踪目标。
-
公开(公告)号：CN118229547A
公开(公告)日：2024-06-21
申请号：CN202410326677.8
申请日：2024-03-21
Applicant: 无锡学院
IPC: G06T5/50 , H04N7/01 , G06T3/4053 , G06V20/40
Abstract: 本发明公开了基于光流引导的循环网络的高分辨率视频复原方法及系统，属于视频处理的技术领域；该方法使用低分辨率视频序列生成高分辨率视频序列，方便进行高分辨率显示和识别；该方法提出了一个轻量化的光流网络用于估计帧与帧之间的运动信息，并采用光流引导的可变形卷积模块进行视频帧之间的对齐；该方法利用双向循环传播的方法保证特征信息的有效传播和图像特征的时空融合。本发明构建了一个端到端的网络实现高分辨率视频的复原，在不提高硬件资源的情况下有效地完成了高分辨率视频的复原，能够为超清电视显示、视频压缩、目标识别等领域提供帮助。
-
公开(公告)号：CN116128925A
公开(公告)日：2023-05-16
申请号：CN202310086475.6
申请日：2023-02-09
Applicant: 无锡学院
IPC: G06T7/246
Abstract: 本发明公开了基于自适应权重和置信度的高光谱图像目标跟踪方法，获得归一化后第一帧、第t帧和相邻帧高光谱图像，再通过主成分分析法对图像降维分别获得三张单波段的灰度图像Z1、Zt和根据双孪生网络以第一帧和相邻帧为模板图像，第t帧为搜索图像，分别提取它们降维后图像的深度特征，将模板图像与搜索图像的特征俩俩朴素相关，获得初始响应图R1和相邻响应图采用自适应权重w1和w2将俩个响应图融合获得融合响应图分别对其进行置信度确定和尺度估计并获得当前帧高光谱图像的跟踪目标，再依据置信度确定来判断是否让第t帧的相邻帧高光谱图像对第t帧高光谱图像进行更新。
-
Patent Agency Ranking
公开(公告)号：CN115457286A
公开(公告)日：2022-12-09
申请号：CN202211235788.5
申请日：2022-10-10
Applicant: 无锡学院
Abstract: 本发明公开了一种基于全局和局部光谱加权的高光谱图像序列降维方法，载入高光谱图像序列中的第t帧高光谱图像，并对第t帧高光谱图像进行灰度归一化得到归一化后第t帧高光谱图像，确定归一化后第t帧高光谱图像的目标区域Tt；确定所述归一化后第t帧高光谱图像的目标区域Tt的第i个波段图像Tit的光谱平均值；根据所述Tt的第i个波段图像Tit的光谱平均值确定归一化后第t帧高光谱图像的目标区域Tt的全局光谱；确定Tt的局部光谱；将所述Tt的全局光谱与局部光谱加权融合成最终光谱；根据所述最终光谱确定降维之后的高光谱图像；依次载入高光谱图像序列中的所有帧高光谱图像完成高光谱图像序列降维。
-
公开(公告)号：CN119991575A
公开(公告)日：2025-05-13
申请号：CN202411991906.4
申请日：2024-12-31
Applicant: 无锡学院
Abstract: 本发明提供一种基于光谱立方特征和梯度对比度的高光谱图像异常检测方法，涉及图像处理的技术领域。首先，提取高光谱图像的光谱立方特征，计算光谱梯度曲线，构建光谱立方特征图。对采用内外双窗口结构，将每个像素点设置为外部窗口和内部窗口的中心，且使内部窗口成为外部窗口的中心块，并确定去除中心块的剩余外部窗口块。根据光谱梯度曲线，计算外部窗口和内部窗口的光谱梯度测量值，利用外部窗口的光谱梯度测量值、内部窗口的光谱梯度测量值和光谱梯度测量值c计算梯度对比度，基于梯度对比度获得高光谱异常检测图像。本发明更准确判断像素点是否属于异常区域，提高了高光谱图像异常检测的准确率。
-
公开(公告)号：CN115965553B
公开(公告)日：2023-12-19
申请号：CN202310003338.1
申请日：2023-01-03
Applicant: 无锡学院
IPC: G06T5/00 , G06T5/20 , G06T5/40 , G06V40/16 , G06V10/26 , G06V10/44 , G06V10/74 , G06V10/80 , G06V10/764 , G06T7/11 , G06T7/62 , G06T7/60
Abstract: 本发明公开了一种基于多特征融合的人脸图像局部增强方法，建立人脸图像训练集；对所述人脸图像训练集中的每张图像进行人脸检测、人脸对齐和人脸分割，获得每张分割后的图像；获得分割后的偏正脸图像集、并且确定分割后的偏正脸图像集中每张图像的面积比例相近度、分割后的偏正脸图像集中每张图像的长宽比相近度、分割后的偏正脸图像集中每张图像的方脸相近度；将三个特征加权融合，获得多特征融合模板系数；根据其确定平均人脸轮廓模板，并且结合待识别人脸的图像，获得局部图像增强后的人脸图像。本发明能够取代人脸图像增强中的人脸分割步骤，在不改变人脸图像增强准确性的前提下，提高了人脸图像增强的效率和质量，简化冗繁的操作过程。
-
公开(公告)号：CN116091545A
公开(公告)日：2023-05-09
申请号：CN202310060920.1
申请日：2023-01-13
Applicant: 无锡学院
Abstract: 本发明公开了基于深度光谱级联纹理特征的高光谱视频目标跟踪方法，获得第t帧高光谱图像局部区域的光谱曲线，将未知区域像素的光谱曲线与局部区域的光谱曲线做差，将图像分割为目标区域与背景区域，导入第t+1帧，获得搜索区域每个像素点的光谱曲线，对其进行降维处理得到降维后一波段图像，提取该图像的深度特征与纹理特征，根据图像信噪比曲线获得每个光谱通道的权重，与对应纹理特征相乘进而获得光谱级联特征，将其覆盖上设置好的掩膜，获得光谱级联纹理预测特征，将其与深度特征进行逐像素卷积获得深度平均光谱级联纹理特征Uk，将第一帧图像的Uk送入DCF滤波器训练好模板，将t+1帧图像的Uk送入滤波器模板获得响应图，根据分布策略估计目标尺度，确定预测框位置，获得跟踪的目标。
-
公开(公告)号：CN116012403A
公开(公告)日：2023-04-25
申请号：CN202310079879.2
申请日：2023-01-13
Applicant: 无锡学院
Abstract: 本发明公开了一种基于目标和背景分割的高光谱图像序列降维方法，确定归一化后第t帧高光谱图像的目标局部区域Lt和搜索区域St；确定光谱平均值；确定局部光谱曲线Cl，并确定局部光谱平均值Cli；利用St减去Lt获得未知区域Rt；确定Rt内的未知像素的光谱曲线Cu，并确定灰度值Cuij；利用Cuij减去Cli获得误差εij；利用误差εij和灰度阈值β确定问题波段，并统计问题波段的数量；将问题波段数量小于带宽阈值η的像素标记为目标像素，并将目标像素的集合定义为目标区域Ot；计算Ot的目标平均光谱曲线Co，并确定目标平均光谱值Coi，载入第t+1帧搜索区域St+1，获得St+1上各像素点的光谱曲线Cs，并确定光谱值Csi；计算Csi和Coi的欧氏距离Dj，Dj即为降维后St+1上各像素点的灰度值，依次处理高光谱图像序列中的每一帧高光谱图像序列。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.02 seconds)
