-
公开(公告)号：CN113409335A
公开(公告)日：2021-09-17
申请号：CN202110693319.7
申请日：2021-06-22
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于强弱联合半监督直觉模糊聚类的图像分割方法，主要解决现有图像分割对初始值敏感、容易陷入局部最优，且对低维数据线性不可分的问题。其方案是：输入待分割图像并设置初始参数和人工划线；对图像进行直觉模糊化处理；设计强弱联合半监督策略，得到强监督隶属度、弱监督隶属度和初始聚类中心；将核函数、强监督隶属度、弱监督隶属度引入到直觉模糊聚类目标函数中，得到强弱联合半监督核直觉模糊聚类目标函数；采用拉格朗日乘子法最小化目标函数计算聚类最优解；根据最大隶属度原则得到图像像素点的分类结果。本发明改善了对初始值的敏感，防止陷入局部最优，提高了对线性不可分数据的分割准确率，可用于自然图像的识别。
-
公开(公告)号：CN107392921B
公开(公告)日：2020-12-08
申请号：CN201710577141.3
申请日：2017-07-14
Applicant: 西安邮电大学
Abstract: 一种基于切比雪夫距离的半监督多目标聚类图像分割方法，标记数据样本点，然后计算标记数据样本点的相应类均值，并对彩色图像数据进行基于切比雪夫距离的半监督多目标进化聚类，利用闵可夫斯基得分指标从得到的近似帕累托最优的非支配解集中选择一个最优个体；根据最优个体对彩色图像中的像素进行类别划分，得到图像的最终分割结果。该方法可以同时对不同的聚类准则函数进行优化，且使本发明不易陷入局部最优。使用闵可夫斯基得分指标根据监督信息从最终得到的非支配解集中选取合适的最优个体，继而得到较为理想的图像分割效果，使目标可以较完整的分割出来。本发明能够有效地利用监督信息获得较理想的图像分割结果且算法实现简单。
-
公开(公告)号：CN106097351A
公开(公告)日：2016-11-09
申请号：CN201610423850.1
申请日：2016-06-13
Applicant: 西安邮电大学
IPC: G06T7/00
CPC classification number: G06T2207/10024
Abstract: 本发明公开了一种基于多目标的自适应阈值图像分割方法，包括以下步骤：1.输入待分割的图像，如果是彩色图像，需转换为灰度图像；2.设置多目标进化自适应目阈值图像分割的参数，将最大阈值分割数设置为5；3.对输入的图像数据分别进行1～5阈值的多目标阈值图像分割；4.通过步骤2将得到1～5阈值下的Parato最优解，利用F函数分别求得1～5阈值下的最优解，5.通过比较F函数值间的差值选择最合适的解作为图像的最佳分割阈值；6.通过选择出来的最佳阈值来对原图像进行类别划分来得到最终的分割结果。本发明能够实现自适应阈值图像分割，分割结果精确，算法实现简单。
-
公开(公告)号：CN117788293B
公开(公告)日：2024-09-10
申请号：CN202410112529.6
申请日：2024-01-26
Applicant: 西安邮电大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种特征聚合图像超分辨率重建方法及系统，包括：获取待重建图像的训练样本，并以生成网络为基础网络构建卷积神经网络；基于训练样本对卷积神经网络进行训练，获得训练好的重建神经网络；利用训练好的重建神经网络对待重建图像进行超分辨率迭代重建直至达到预设要求，得到最终的目标图像。本发明既能有效解决对抗性训练的训练不稳定以及信息丢失的现象；同时，可以获得峰值信噪比更高，视觉效果更好的高分辨率图像。
-
公开(公告)号：CN113408628A
公开(公告)日：2021-09-17
申请号：CN202110693333.7
申请日：2021-06-22
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于多模型联合学习网络的PolSAR图像分类方法，主要解决现有PolSAR图像分类方法分类结果不理想的问题。其方案是：输入待分类的PolSAR图像，并对其进行数据预处理；从预处理后的数据中选取5％的数据得到两个训练样本集s1T、s2T和标记矩阵slT；构建全卷积神经网络FCN模型，并将s1T和slT输入到该模型；分别构建复值全卷积神经网络CVFCN模型和复值堆栈空洞全卷积神经网络CVSDFCN模型，并将s2T和slT均输入到这两个模型；对所述的三个模型通过前向传播和反向传播进行特征学习，得到三种不同的期望结果矩阵xa，xb，xc，再将这三者融合，得到最终的分类结果。本发明有效地提高了PolSAR图像分类的准确率，可用于图像识别。
-
Patent Agency Ranking
公开(公告)号：CN111932461A
公开(公告)日：2020-11-13
申请号：CN202010802461.6
申请日：2020-08-11
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于卷积神经网络的自学习图像超分辨率重建方法及系统，所述方法包括：步骤1，获取待重建图像的训练样本；步骤2，构建卷积神经网络；所述卷积神经网络包括：特征提取单元、特征增强单元、残差单元和重建单元；步骤3，基于步骤1获得的训练样本对步骤2构建的卷积神经网络进行训练，获得训练好的重建卷积神经网络；步骤4，基于步骤3训练好的重建卷积神经网络对待重建图像进行超分辨率重建。本发明既能有效解决自学习算法训练样本不足的问题又能避免网络出现过拟合现象；同时，可以获得峰值信噪比更高，视觉效果更好的高分辨率图像。
-
公开(公告)号：CN107392921A
公开(公告)日：2017-11-24
申请号：CN201710577141.3
申请日：2017-07-14
Applicant: 西安邮电大学
Abstract: 一种基于切比雪夫距离的半监督多目标聚类图像分割方法，标记数据样本点，然后计算标记数据样本点的相应类均值，并对彩色图像数据进行基于切比雪夫距离的半监督多目标进化聚类，利用闵可夫斯基得分指标从得到的近似帕累托最优的非支配解集中选择一个最优个体；根据最优个体对彩色图像中的像素进行类别划分，得到图像的最终分割结果。该方法可以同时对不同的聚类准则函数进行优化，且使本发明不易陷入局部最优。使用闵可夫斯基得分指标根据监督信息从最终得到的非支配解集中选取合适的最优个体，继而得到较为理想的图像分割效果，使目标可以较完整的分割出来。本发明能够有效地利用监督信息获得较理想的图像分割结果且算法实现简单。
-
公开(公告)号：CN107220978A
公开(公告)日：2017-09-29
申请号：CN201710433916.X
申请日：2017-06-09
Applicant: 西安邮电大学
CPC classification number: G06T7/10 , G06N3/126 , G06T7/136 , G06T2207/20004
Abstract: 本发明公开了融合区间模糊信息和统计信息的多目标阈值图像分割方法，包括以下步骤：输入待分割的图像，并且将图像转换为灰度图像；设置图像的初始种群数目N，最大迭代次数G和最大阈值数目Smax，然后将种群按照阈值数目分成若干个大小相同的分组种群Qs；将得到的分组种群Qs采用同时优化区间模数熵函数和基于直线截距直方图的类间方差函数进行多目标进化，使每个分组种群得到一组非支配解集通过类间差异与类间差异的加权比值在每个分组种群的非支配解集中选择一个最优解，该最优解为最优阈值数目和最优阈值；根据得到的最优解对原图像中的像素点进行标记赋值，得到最终的分割结果。该方法能够实现自适应阈值图像分割，对含噪图像也可获得满意的分割结果。
-
公开(公告)号：CN117710216B
公开(公告)日：2024-06-28
申请号：CN202410110938.2
申请日：2024-01-26
Applicant: 西安邮电大学
IPC: G06T3/4053 , G06T3/4007 , G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于变分自编码器的图像超分辨率重建方法，包括：获取待重建图像的训练样本，并进行预处理；构建生成式对抗网络和变分自编码器网络，基于预处理后的训练样本对所述生成式对抗网络和变分自编码器网络进行交叉训练，获得图像超分辨率模型；基于所述图像超分辨率模型对待重建图像进行超分辨率重建，获得目标图像。本发明提出一种将变分自动编码器和生成对抗网络进行结合的超分辨率模型，并采用变分自编码器和生成式对抗网络交替训练的策略，能够恢复出清晰、真实的高分辨率图像。
-
公开(公告)号：CN117710818A
公开(公告)日：2024-03-15
申请号：CN202311760700.6
申请日：2023-12-20
Applicant: 西安邮电大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于轻量级多尺度Transformer网络的高光谱图像分类方法及系统，包括：对输入的高光谱图像进行数据预处理，提取带有标签的图像块；划分训练集和测试集，构建高光谱图像分类模型，包括：提取图像块的初步特征，通过不同尺度的轻量级Transformer编码器提取特征，利用全局平均池化操作将特征转换为一维向量，进而利用全连接层进行分类；训练高光谱图像分类模型，进而根据高光谱图像分类模型，精确识别高光谱图像中的地物目标。本发明的基于轻量级多尺度Transformer网络的高光谱图像分类方法，能够降低模型的参数量，在缓解过拟合现象的同时取得相似甚至更好的性能，以实现更加快速、高精度的地物识别。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.021 seconds)
