-
公开(公告)号：CN115424102A
公开(公告)日：2022-12-02
申请号：CN202210953758.1
申请日：2022-08-10
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于各向异性引导滤波的多聚焦图像融合方法。该发明首先对源图像提取显著性特征，针对传统特征提取方法中易引入噪声的缺陷，采用基于差异性引导框架的显著性特征提取方法，然后针对融合权重构造过程中聚焦区域连续性差的问题，联合梯度特征与强度方差算子对图像进行复合聚焦度测量，得到粗融合权重图，再采用形态学滤波与各向异性引导滤波对其进行优化以使聚焦区域边界与散焦区域边界对齐，得到最终融合权重图，最后进行多聚焦图像融合。
-
公开(公告)号：CN115424028A
公开(公告)日：2022-12-02
申请号：CN202211029799.8
申请日：2022-08-25
Applicant: 西安电子科技大学
IPC: G06V10/40 , G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明公开了一种基于特征增强的轻量化SSD的红外目标检测方法，构建用于提取特征的基础网络结构；该方法包括：将原始图像输入预设网络，经过多个卷积层逐层卷积，在不同的卷积层分别获得图像的低层特征图和高层特征图；通过在低层特征分支后添加设计构建的PAC特征增强模块进行处理来进行特征加强，获得语义信息丰富的低层特征图；对所述语义信息丰富的低层特征图和高层特征图分别预测该特征图上每个网格对应的每个预测框所属的分类与边界框；通过非极大值抑制算法合并边界框，输出整个网络最终的预测结果。本发明在提高检测算法速度的同时，有效地提高了检测精度。
-
公开(公告)号：CN113902630A
公开(公告)日：2022-01-07
申请号：CN202111019818.4
申请日：2021-09-01
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多尺度纹理特征分支的生成对抗网络图像修复方法，构建包含缺失区域的待修复图像与真实图像对数据集；构建基于多尺度纹理特征分支的生成对抗网络模型；对所述基于多尺度纹理特征分支的生成对抗网络模型进行训练，获得最优的生成对抗网络模型；将包含缺失区域的待修复图像输入到最优的生成器网络模型中，输出最终的修复结果图像。本发明针对图像不规则随机缺失和大面积缺失情况都能得到较好的修复效果，修复图像具有较好的结构和纹理特征。
-
公开(公告)号：CN120032245A
公开(公告)日：2025-05-23
申请号：CN202510043019.2
申请日：2025-01-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于联合特征与三边滤波引导的高光谱异常检测方法，包括：构建AE网络；通过所述基于三边滤波的引导模块对待检测图像进行进行背景纯化，获得引导特征图；通过基于空谱联合的注意力机制模块将所述引导特征图与学习到的通道权重进行逐元素相乘，得到经过通道注意力加权后的特征图；通过基于空谱联合的注意力机制模块将所述引导特征图与学习到的空间权重相乘，得到经过空间注意力加权后的特征图；将所述经过通道注意力加权后的特征图和经过空间注意力加权后的特征图相乘获得最终的特征表示；对所述最终的特征表示进行差分检测，获得检测结果图像。
-
公开(公告)号：CN115439431A
公开(公告)日：2022-12-06
申请号：CN202211041079.3
申请日：2022-08-29
Applicant: 西安电子科技大学
Abstract: 本申请公开了一种基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，该方法针对高光谱图像数据量大且冗余信息多的问题，以不影响算法检测精度为前提，对高光谱图像进行特征提取，本发明通过对自编码器的网络结构与损失函数进行改进优化，提升网络对高光谱图像的特征提取能力，并选取自编码器网络的中间隐藏层结果作为输出来降低冗余计算量，最后使用协同表示算法得到最终异常检测结果。与多种代表算法相比，该方法具有更好的检测性能。
-
Patent Agency Ranking
公开(公告)号：CN115330844A
公开(公告)日：2022-11-11
申请号：CN202210964839.1
申请日：2022-08-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于双向匹配的改进SURF图像配准算法。首先，在生成特征点描述符阶段，通过将SURF算法原来的特征点方形邻域替换为圆形邻域，降低了原算法特征点描述符的维度，解决了原算法特征点描述符的计算区域会随着特征点的主方向分配存在偏差而相应地发生变化的问题，从而提高算法的抗旋转性和实时性；然后在特征点匹配阶段创造一种新的双向匹配的方法替换原算法中的单向匹配方法，对匹配点对进行进一步提纯操作，从而进一步提升算法的准确性和稳定性。
-
公开(公告)号：CN113936136A
公开(公告)日：2022-01-14
申请号：CN202111122583.1
申请日：2021-09-24
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06V10/143 , G06V10/80 , G06K9/62 , G06N3/04
Abstract: 本申请公开了一种基于深度学习融合通道混洗的红外目标检测方法，该方法包括：将原始图像输入预设网络，提取原始图像的特征图；将特征图输入候选框生成层；将特征图输入RPN网络，确定候选框，并输出候选框至候选框生成层；候选框生成层将候选框在输入特征图进行映射，得到候选框特征图；将候选框特征图通过池化层调整为固定大小的固定特征图；将固定特征图输入至完全连接层，固定特征图通过softmax层输出类别，固定特征图通过线性回归层输出对应的边界框，得到原始图像的目标检测结果图。该方案在提高检测速度的同时保证了检测的精度。
-
公开(公告)号：CN119992125A
公开(公告)日：2025-05-13
申请号：CN202411862089.2
申请日：2024-12-17
Applicant: 西安电子科技大学
IPC: G06V10/62 , G06V10/80 , G06V10/52 , G06V10/44 , G06V10/46 , G06V10/50 , G06V10/56 , G06V10/762 , G06V10/764 , G06V10/766 , G06V10/25 , G06V20/40 , G06V40/20
Abstract: 本发明公开了一种基于多尺度联合特征自适应融合的目标跟踪方法，输入第1帧图像，对模型进行初始化；输入第t帧图像，得到最终的候选边框，从所述最终的候选边框中提取候选目标区域；对每个候选目标区域提取特征，确定每个候选目标区域的HOG特征、颜色直方图特征、Haar局部特征和LBP特征响应；计算自适应融合参数，进行自适应响应融合，求得最终响应结果；根据所述最终响应结果的最大值，确定最终目标预测候选区域，返回最大响应对应的候选目标区域，将该目标区域尺度确定为当前帧的目标尺度；使用第t帧图像的最终目标预测候选区域构造基础训练样本，对模型进行训练更新，获得下一帧图像的滤波器模型、颜色直方图模型。
-
公开(公告)号：CN119919799A
公开(公告)日：2025-05-02
申请号：CN202411882606.2
申请日：2024-12-19
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/25 , G06V10/42 , G06V10/44 , G06V10/58 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/045
Abstract: 本发明实施例公开了一种全局和局部特征学习的高光谱异常检测方法、系统及介质，方法包括：利用两层卷积层提取高光谱数据的潜层特征；潜层特征通过一层卷积层后通过两个残差块和一次卷积操作提取局部特征；对潜层特征进行全局平均池化获取下采样特征，根据下采样特征的全局信息获取图卷积模块输出特征，基于图卷积模块输出特征获取全局特征；基于潜层特征与记忆矩阵间的相似矩阵获取低秩表示特征；根据局部特征、全局特征以及低秩表示特征获取融合特征；融合特征经过一层卷积层后再进行一次卷积和批归一化获取重构高光谱数据；根据高光谱数据与重构高光谱数据的差值确定残差图像，在该图像上进行异常检测获取最终的二维检测图，提高异常检测精度。
-
公开(公告)号：CN119887527A
公开(公告)日：2025-04-25
申请号：CN202411950656.X
申请日：2024-12-27
Applicant: 西安电子科技大学
IPC: G06T3/4069 , G06T3/4046 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于混合卷积的自注意力红外图像超分辨重建方法，对初始的待重建红外图像进行像素嵌入，获取其浅层特征F0；利用级联的N个Swin Transformer混合卷积组和1个卷积层，对浅层特征F0进行深层特征提取，获取深层特征FDF；其中每个Swin Transformer混合卷积组由级联的L个Swin‑CNN融合处理块和1个卷积层组成；基于浅层特征F0和深层特征FDF，利用重建函数进行红外图像超分辨重建。本发明融合了Swin Transformer和CNN的优势，从融合处理全局和局部信息的层面上提高了对红外图像细节及特征的重建性能，在准确性和鲁棒性方面展现出了显著优势，并最终实现了高质量的红外图像重建。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.027 seconds)
