-
公开(公告)号：CN101799873B
公开(公告)日：2011-10-19
申请号：CN201010102438.2
申请日：2010-01-28
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于经验模态分解的多分组图像有监督分类方法，属于图像处理领域，本发明为解决现有的有监督分类方法对特征利用不充分，分类精度低的问题。本发明方法包括以下步骤：一、对各像素的特征向量进行经验模态分解，得到扩展特征向量；二、将各像素的原始特征向量及其扩展特征向量按统一规则结合，得到扩维特征向量；三、对支持向量机进行训练，然后对扩维测试特征向量的类别进行归属判定，形成多个支持向量机子分类器；四、构建基于一对一策略的多分类器对各像素的归属类别作出决策，完成多分组图像的分类。本发明用于需要高精度分类的多分组图像模式识别应用。
-
公开(公告)号：CN101909165A
公开(公告)日：2010-12-08
申请号：CN201010240009.1
申请日：2010-07-29
Applicant: 哈尔滨工业大学
Abstract: 一种基于混合测度的视频数据宽景成像方法，属于图像处理领域，本发明为解决现有针对两幅图像的配准拼接提出的宽景成像算法在处理视频数据的时候存在执行效率低、宽景成像精度低等问题，提供了一种基于混合测度的视频数据宽景成像方法。本发明：一、采样，配准帧图像，二、再次采样，待配准帧图像，三、有效性评估，四、获取配准参数，五、分别判断横向配准位移量和纵向配准位移量是否超出阈值范围，六、采用缝隙渐变加权融合的方法将获取配准参数的的配准帧图像和待配准帧图像进行拼接，将本次拼接后的图像作为下一次的配准帧图像，然后返回二，进行下一次图像采样和拼接，直到视频数据采样过程结束，退出循环，完成一个宽景图像的拼接过程。
-
公开(公告)号：CN101853242A
公开(公告)日：2010-10-06
申请号：CN201010207247.2
申请日：2010-06-23
Applicant: 哈尔滨工业大学
Abstract: 基于经验模态分解的设备或系统机内测试信号虚警滤波方法，它涉及到机内测试的关键处理技术。提供了一种在不借助任何先验知识的情况下降低设备或系统机内测试信号虚警率的滤波方法。本发明的步骤为：一：对输入的机内测试信号进行经验模态分解，提取3个本征模态函数分量和1个残差；二：对提取的第2阶本征模态函数分量IMF2进行自适应衰减处理，获取衰减后分量DIMF2；步骤三：对衰减后分量DIMF2进行信号叠加处理，获得机内测试信号的滤波信号，完成对机内测试信号的虚警滤波。本发明从采样信号本身出发，克服以往滤波方法无法同时从频率和幅值两方面入手联合排除虚警信号的问题，适用于设备或系统的机内测试信号滤波。
-
公开(公告)号：CN101847210A
公开(公告)日：2010-09-29
申请号：CN201010209877.3
申请日：2010-06-25
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 基于二维经验模态分解和小波降噪的多分组图像分类方法，属于图像处理领域，本发明为解决传统分类方法对图像本质特征利用不充分，分类精度低的问题，本发明包括如下步骤：一：对多分组图像中各波段分别进行二维经验模态分解，得到前K个二维分量IMF和1个残差；二：对前K个二维分量IMF求和作为特征值，小波降噪后获取降噪后特征值；三：多个多分组图像的降噪后特征值按比例任意选取作为支持向量机的训练样本和测试样本，对训练样本进行支持向量机参数训练，再进行归属判定，形成多个支持向量机子分类器；四：利用多个支持向量机子分类器构建基于一对一策略的多分类器，并依据决策函数对测试样本的归属类别做出决策，完成多分组图像的分类。
-
公开(公告)号：CN101303769B
公开(公告)日：2010-08-04
申请号：CN200810064897.9
申请日：2008-07-10
Applicant: 哈尔滨工业大学
IPC: G06T7/60
Abstract: 本发明提供了一种基于先验知识测地几何流的二维序列医学图像分割方法，首先对某一层二维图像应用分水岭算法进行初步分割，以初始层的粗分割结果为初始边界，然后由初始层开始分别向上下两侧的邻层图像逐一采用水平集方法进行细分割，其中每一层的细化分割结果作为下一层的初始边界，且以邻层梯度参考项的形式为下一层提供梯度先验信息，逐层分割，直到分割完所有的图层，最后合并所有图层的分割结果。本发明通过在边缘检测函数中引入邻层先验信息对曲线演化的停止条件进行改进，将层间梯度相似性作为先验知识引入测地几何流，改善了几何活动轮廓模型对于图层中的间断边缘或弱边缘时出现的边缘泄漏现象，提高了三维医学图像分割的精确性和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN100589761C
公开(公告)日：2010-02-17
申请号：CN200810063966.4
申请日：2008-02-01
Applicant: 哈尔滨工业大学
Abstract: 一种自适应波束形成器，属于医学超声成像领域。本发明针对传统的波束形成器不能充分抑制通道间随机相位误差引起的旁瓣效应和不能随探测位置动态调整影响聚焦效果的困难，提供一种基于相关性分析的自适应波束形成技术，该技术将各通道获取的回波信号分成若干段，针对每一段，首先利用经典的波束形成方法获取基准信号，然后将每个通道的信号与基准信号做互相关，再利用相关性系数对通道在该分段内的权重作动态调整，最后利用调整后的权重对各通道信号合成得到最终的波束输出。本发明用动态变迹方法适应探测环境的变化，抑制了随机相位误差引起的旁瓣效应。本发明在超声成像领域有着广泛的应用前景。
-
公开(公告)号：CN101599174A
公开(公告)日：2009-12-09
申请号：CN200910071641.5
申请日：2009-08-13
Applicant: 哈尔滨工业大学
IPC: G06T7/00
Abstract: 本发明提供了一种基于边缘和统计特征的水平集医学超声图像区域轮廓自动提取方法，本发明针对医学超声图像对比度低、信噪比小的特点，设计了一种基于边缘和统计特征的水平集区域轮廓提取方法。该方法分三个步骤：第一步，区域轮廓粗提取，完成图像取反、自适应高斯函数背景抑制、运用otsu图像自动阈值算法把图像转化为二值图像、图像去脂肪干扰操作、封闭区域轮廓提取工作；第二步采用一种选择性各向异性医学超声图像平滑算法，对原始图像进行预处理；第三步是基于边缘和统计特征的水平集图像区域轮廓精确提取。实验结果表明本发明方法和已有方法相比，能够获得更准确的分割结果。
-
公开(公告)号：CN101599126A
公开(公告)日：2009-12-09
申请号：CN200910071856.7
申请日：2009-04-22
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 本发明提供了一种利用全局互信息加权的支持向量机分类器，本发明的步骤为：一、利用全局互信息度量同维数据的重要信息含量；二、利用加权型支持向量机融合同维数据的重要信息含量，完成加权型支持向量机的训练及测试样本的类别判定任务；三、构建分类器，并对测试样本的最终类别作出决策。本发明利用全局互信息定量分析各维数据的重要信息量指数，并作为系数加权于SVM的核函数之中，使得处于重要性较强维的数据在分类中发挥更加重要的作用，从而提高分类精度。本发明充分挖掘输入向量同维数据之间隐含的关联信息并据此来指导SVM的分类过程，进而获得分类精度上的提升。
-
公开(公告)号：CN100498836C
公开(公告)日：2009-06-10
申请号：CN200610156538.7
申请日：2006-12-20
Applicant: 哈尔滨工业大学(威海)
IPC: G06T3/40
Abstract: 一种基于支持向量机的图像插值算法，属于图像处理技术领域。本发明首先确定待插值像素的周围最邻近6个已知像素区域；然后进行支持向量机训练，根据要插入像素的情况确定支持向量机的个数，对每个支持向量机分别训练，训练中原图像中的每个像素都是支持向量机的输入样本，输入模式包括选定区域中相邻6个已知像素的灰度值，以及相邻6个已知像素的灰度平均值、灰度差等局部空间特性；最后使用完成训练的支持向量机对每个待估计的像素进行插值计算，计算中的支持向量机输入模式和训练的输入模式相同，支持向量机的输出就是插值结果。本发明显著提高了插值结果图像的准确性，适用于图像的整数倍放大，有着广泛的应用前景。
-
公开(公告)号：CN101238993A
公开(公告)日：2008-08-13
申请号：CN200810063967.9
申请日：2008-02-01
Applicant: 哈尔滨工业大学
Abstract: 一种非刚体图像配准方法，属于医学超声图像处理领域。本发明针对以往非刚体超声图像配准计算复杂、内存需求量大的困难，提供一种基于整数提升小波的多分辨分析分层实现的超声图像配准方法，该方法利用整数提升小波对待配准图像进行两层分解，然后对分解后的近似图像进行低分辨率的全局刚体配准，再利用整数提升小波对分解配准后的图像进行图像原分辨率重构，最后在图像原分辨率级下进行局部非刚体配准，从而得到最终的配准图像。本发明用整数提升小波多分辨分析的方法来减少计算量，用多层分解、粗精结合的方法在计算复杂度和配准准确性方面取得统一，从而实现了不降低配准精度条件下，计算量的减少。本发明在图像处理领域有着广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
385
records
(took 0.033 seconds)
