一种基于维度重排序降低平行坐标可视化视觉杂乱的方法

    公开(公告)号:CN108319569A

    公开(公告)日:2018-07-24

    申请号:CN201810045719.5

    申请日:2018-01-17

    Abstract: 本发明公开了一种基于维度重排序降低平行坐标可视化视觉杂乱的方法,包括如下步骤:首先计算样本在任意两个属性轴间的杂乱度,得到杂乱度矩阵;其次,根据杂乱度矩阵,寻找使得杂乱度之和最小的属性轴排列方式;最后按照得到的属性轴排列顺序将平行坐标轴绘制出来,得到杂乱度最低的平行坐标可视化视图。本发明有效地降低了平行坐标可视化因维度次序排列不当所产生的视觉杂乱,通过减少曲线的交叉点数量,为用户提供了更直观地了解、分析数据的功能。

    一种日冕物质抛射多伴随现象的检测方法

    公开(公告)号:CN104597523B

    公开(公告)日:2016-10-05

    申请号:CN201410841340.7

    申请日:2014-12-30

    Abstract: 本发明公开了一种日冕物质抛射多伴随现象的检测方法,包括如下步骤:首先根据事件catalog数据得到CME的发生时间和中央位置角,根据其发生时间选取某一时间段,记录该时间段内其发生的伴随现象作为此CME的类别标签集合;其次,在所选择的时间段中按顺序随机选择k张图像,提取每张图像的纹理特征,组成CME的特征向量;最后使用多标记学习的方法构建多标签模型,当产生新的CME现象时,相应提取其纹理特征向量,检测其伴随现象。本发明有效地解决了当CME发生时,其多伴随现象的检测问题,同时检测多种伴随现象的发生情况。

    一种基于跨模态双推理的弱监督语义分割方法

    公开(公告)号:CN118314340A

    公开(公告)日:2024-07-09

    申请号:CN202410378957.3

    申请日:2024-03-29

    Inventor: 彭博 张佳 吴锡

    Abstract: 本发明公开了一种基于跨模态双推理的弱监督语义分割方法,包括:S1、获取待分割图像的2D图像,并生成对应的词嵌入节点和关系矩阵;S2、构建跨模态双推理模型CDGR,包括空间图推理模块、标签图推理模块以及图交互注意模块;S3、将2D图像输入至空间图推理模块进行语义推理,生空间图;S4、将词嵌入节点和关系矩阵输入至标签图推理模块进行标签推理,生成关系图;S5、通过图交互注意模块对空间图和关系图进行对齐匹配并融合,获得语义分割结果。本发明通过空间图推理模块、标签图推理模块和图交互注意模块等组件的协同作用,有效融合了语义信息,使模型更好地理解图像内容增强视觉特征进而发现更多的判别特征的位置。

    一种基于多视图学习的困难气道识别方法

    公开(公告)号:CN117975139A

    公开(公告)日:2024-05-03

    申请号:CN202410150004.1

    申请日:2024-02-01

    Abstract: 本发明公开了一种基于多视图学习的困难气道识别方法,包括以下步骤:S1、收集非困难气道样本与困难气道样本作为原始数据集;S2、对原始数据集中的图像数据进行数据预处理,得到预处理后的数据集;S3、使用预处理后的数据集训练多视图分类模型,得到训练好的多视图分类模型;S4、将待识别的气道图像样本输入多视图分类模型,使用训练好的多视图分类模型完成困难气道图像的识别,本发明基于多视图数据之间信息的一致性与互补性特性以及数据集不同类别之间图像的差异很小的特点,提出一种新的多视图分类模型,来充分提取并融合不同视图间有助于识别困难气道的信息。

    一种基于图割和均值偏移的证件照人像分割方法

    公开(公告)号:CN111210452B

    公开(公告)日:2023-04-07

    申请号:CN201911396763.1

    申请日:2019-12-30

    Inventor: 彭博 盛凯

    Abstract: 本发明基于图割和均值偏移的证件照人像分割方法,步骤如下:1、建立人像图像训练数据集,搜集正面人像原始图像,标记半身人像外轮廓区域,计算人像外轮廓区域概率图;2、获取轮廓分布图的内外轮廓,使用255分别填充此内外轮廓,沿外轮廓向内侧腐蚀W1像素得图像A,沿内轮廓向外膨胀W2像素得图像B,二者差值C为未知区域。将B和C分别映射到模板M中,作为最终分割模板。3、基于人像模板图M使用图割方法得人像分割结果label_a;4、通过均值偏移方法对图像进行区域分割,得到分割区域图像label_b;5、根据图割结果和均值偏移结果建立分割的概率图layer;6、根据概率图layer的分布,优化label_a的分割结果,获取最终结果R。本发明能有效提高人像分割的准确率。

    基于纹理梯度调节的视觉仿生边缘检测方法

    公开(公告)号:CN115830051A

    公开(公告)日:2023-03-21

    申请号:CN202211509815.3

    申请日:2022-11-29

    Inventor: 彭博 杨代鹏 吴锡

    Abstract: 本发明提供了基于纹理梯度调节的视觉仿生边缘检测方法,属于图像边缘检测技术领域。其关注于引入纹理梯度来检测显著边缘并抑制纹理,首先对视网膜建模,对图像进行编码,获得多个信息通道,在此基础上,设计了一种新的周围调节机制,包括同向促进、侧抑制和全向抑制,以调节初级视觉皮层简单细胞的反应,同时,利用纹理信息提取纹理梯度来结合简单细胞的响应以突出纹理区域的边界和减弱纹理边缘的响应,接着,建模第二级视觉皮层中的端点细胞来进一步调节边缘响应,最后,建模第四级视觉皮层,以整合所有信息通道的边缘线索来得到最终的边缘检测结果。本发明解决了现有边缘检测方法纹理区域边界不突出、噪声明显的问题。

    基于深度种子的图像多层次分割的目标尺度选择方法

    公开(公告)号:CN111161282A

    公开(公告)日:2020-05-15

    申请号:CN201911389370.8

    申请日:2019-12-30

    Abstract: 本发明公开了基于深度种子的图像多层次分割的目标尺度选择方法,包括步骤:利用多层次图像分割算法将输入图像分割成若干层次;构建多层次分割树;以颜色直方图、纹理直方图和区域几何尺寸表示图像特征,对分割区域的质量进行评价得到分割质量分数;找到最优分割树;对输入图像的前景类和背景类进行深度种子定位;利用最优分割树中的图像分割区域,建立一个图,通过求图的最小分割得到分割结果。本发明通过改进VGG-19网络定位前景种子和显著性检测算法定位背景种子,生成深度种子处理图像多层次分割;设计了一个图模型,基于多层次分割结果中包含的多尺度分割区域,利用深度学习模型提供的语义信息,实现了图像目标的最优尺度选择。

    一种基于树结构的图像分割评价方法

    公开(公告)号:CN110264477B

    公开(公告)日:2020-04-21

    申请号:CN201910535547.4

    申请日:2019-06-20

    Inventor: 彭博 王超 李天瑞

    Abstract: 本发明公开了一种基于树结构的图像分割评价方法,其包括以下步骤:S1、根据数据库中的图像数据得到一个包含所有区域节点的集合A;S2、更新集合A得到更新后的集合B;S3、获取集合B中每个节点与其他节点的父子关系;S4、根据节点的父子关系建立树的初始层次结构;S5、通过将叶子结点向下一层进行复制得到与之相同的子节点,使每一分支的层次数均等于最大层次数,得到树结构;S6、获取树结构中节点个数与待评价对象的分割区域个数最相近的层次layer;S7、将layer层中所有分割区域的标准作为评价标准,对待评价对象进行分割质量评价。本方法减少了评价过程中使用手工标记的参考分割带来的主观性,提高评价过程的客观性。

    一种融合文字图像中文字区域边缘信息的文字检测方法

    公开(公告)号:CN110738207A

    公开(公告)日:2020-01-31

    申请号:CN201910855189.5

    申请日:2019-09-10

    Abstract: 本发明公开了一种融合文字图像中文字区域边缘信息的文字检测方法(Fusing Text Edge Semantics,FTES)。该方法将一幅图像划分成文字区域、边缘区域和背景区域。FTES使用FTES-Net语义分割网络对包含文字的图像多次进行迭代学习,学习完成的FTES-Net语义分割网络把一幅输入图像映射到包含文字语义区域、边缘语义区域和背景语义区域的语义分割图。从语义分割图中提取文字语义区域分割图,通过连通区域分析和孔洞分析,删除文字语义区域分割图中面积较小的连通区域和孔洞区域,在对文字语义区域分割图进行图像扩张运算和轮廓检测,获取到文字边缘轮廓。与现有技术相比,提出了一种新图像文字检测方法可以检测图像中任意形状的文字区域。

    一种沥青路面图像的裂缝检测方法

    公开(公告)号:CN109767423B

    公开(公告)日:2019-12-10

    申请号:CN201811515968.2

    申请日:2018-12-11

    Abstract: 本发明公开了一种沥青路面图像的裂缝检测方法。首先将标记好的训练数据输入到Crack‑Faster‑RCNN模型;其次,训练深度残差卷积神经网络ResNet101提取图像特征的能力、区域建议网络RPN对裂缝和背景的分类能力、分类网络Classifier对裂缝的分类以及边框位置回归的能力;最后保存训练好的Crack‑Faster‑RCNN模型参数。将训练好的Crack‑Faster‑RCNN模型用于检测新的路面裂缝图像,首先加载模型的参数,提取图像的特征;然后对其进行裂缝的检测;最后标记裂缝的位置信息。本发明通过构建路面裂缝检测的深度神经网络框架,实现了可应用于实际场景的沥青路面裂缝检测方法。

Patent Agency Ranking