-
-
公开(公告)号：CN109325931A
公开(公告)日：2019-02-12
申请号：CN201810962126.5
申请日：2018-08-22
Applicant: 中北大学
Abstract: 本发明涉及图像融合方法，尤其涉及多模态图像融合方法，具体为基于生成对抗网络和超分辨率的多模态图像融合方法，本方法按如下步骤进行：设计并构建生成对抗网络，网络结构采用构思的深度残差神经网络，通过生成器和判别器的动态平衡训练得到一个生成模型；构建基于卷积层的超分辨率网络；将多波段/多模态源图像输入生成模型，得到初步融合图像；再将图像输入到训练好的超分辨率网络，得到高质量的最终融合图像。本方法实现了多波段/多模态图像端到端的神经网络融合，避免了依据先验知识进行图像多尺度多方向分解和融合规则设计的困难，实现了网络自适应融合。
-
公开(公告)号：CN103729836B
公开(公告)日：2016-05-11
申请号：CN201410039233.2
申请日：2014-01-27
Applicant: 中北大学
IPC: G06T5/50
Abstract: 本发明涉及图像融合方法，尤其涉及多波段图像融合方法，具体为基于多尺度变换和可能性理论的多波段图像融合方法，本方法按如下步骤进行：对多波段图像分别进行支持度变换，得到低频图像和支持度序列图像；用四叉树法分解灰度值最分散的最后一层低频成分图像；以四叉树分解结果为依据分别分解其它波段图像的最后一层低频成分图像；采用析取模式分别融合多波段低频成分对应的块图像，得到低频融合块图像；拼接融合的达到块图像，获得低频融合图像；对低频融合图像和用取大法合成的支持度序列图像进行支持度逆变换得到最终的合成图像，该合成图像的边缘强度、对比度、熵得到有效提升，同时，运行时间极大下降。
-
公开(公告)号：CN103093448B
公开(公告)日：2015-06-03
申请号：CN201310025721.3
申请日：2013-01-24
Applicant: 中北大学
IPC: G06T5/50
Abstract: 本发明涉及图像融合技术，具体为双色中波红外图像变换域多规则融合方法。解决现有的双色中波红外图象融合方法因采用单一融合规则不能适应探测动态变化的需要和不能直接在双色中波成像仪中实现的问题。把红外中波分为3.4~4.1μm、4.5~5.3μm两个波段，然后按如下步骤进行：对两个细分波段图像分别进行支持度变换，得到低频图像和支持度序列图像；对最后一层低频图像用单一规则合成、在对合成图像用模糊隶属函数融合；对支持度序列图像先用单一规则合成在用模糊隶属函数合成图像再次合成；对合成的低频图像和合成的支持度图像采用支持度变换法进行融合。该方法在FPGA和DSP芯片或单一的FPGA芯片上实现，芯片可容易地嵌入双色中波成像仪中。
-
公开(公告)号：CN119693276A
公开(公告)日：2025-03-25
申请号：CN202411745698.X
申请日：2024-12-02
Applicant: 中北大学
Abstract: 本发明属于图像修复领域，即利用一个基于即插即用分裂算法的扩散模型实现对退化模型未知的非线性或盲修复任务，具体为一种面向盲图像修复的即插即用分裂算法。一种面向盲图像修复的即插即用分裂算法，通过设计一种间接引导策略在缩小现行即插即用图像修复方法修复结果与真实图像之间偏差，提高修复质量的同时拓展了即插即用图像修复方法的应用领域。此外，本发明还提出了一个未知退化模型预测模块，用于非线性或盲任务中未知退化模型的预测，从而确保了本发明所提出的间接引导策略可以顺利执行。
-
Patent Agency Ranking
公开(公告)号：CN114998566B
公开(公告)日：2024-10-15
申请号：CN202210503167.4
申请日：2022-05-09
Applicant: 中北大学
IPC: G06V10/143 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 针对复杂背景下红外弱小目标检测鲁棒性较低的难题，本发明提出了一种可解释的多尺度红外弱小目标检测网络设计方法。本发明网络模型首先对输入红外源图像进行细节特征提取和目标增强，经过多个多尺度目标增强模块级联处理后得到低层细节特征和高层语义特征；然后利用全局目标响应结构对低层细节特征和高层语义特征进行上下文建模，获取真实目标像素长距离依赖；接着利用多层特征融合结构对低层细节特征、深层语义特征、局部特征及全局特征进行重复性、冗余性融合，在高维数据中完成了对真实目标和背景噪声的像素分类；最后通过多损失联合约束结构联合多个损失函数约束网络输出，使其接近真实目标数据分布，得到真实目标检测结果。
-
公开(公告)号：CN118470303A
公开(公告)日：2024-08-09
申请号：CN202410617924.X
申请日：2024-05-17
Applicant: 中北大学
IPC: G06V10/25 , G06V10/80 , G06V10/42 , G06V10/44 , G06V10/82 , G06N3/0455 , G06N3/045 , G06N3/0464 , G06N3/0499 , G06N3/084
Abstract: 针对复杂背景条件下红外弱小目标特征信息易在编码阶段丢失、真实目标易受背景干扰物影响的问题，本发明提出了基于特征补偿的红外弱小目标检测网络设计方法。本发明网络模型首先将输入的红外图像传入级联特征提取模块进行浅层和深层特征提取；然后利用多级特征补偿模块对编码阶段下采样后的特征图进行特征补偿，将弱小目标的特征传递至网络深层；接着通过全局特征交互模块对特征图中的目标特征和背景特征进行全局建模，实现目标增强和背景抑制；最后通过跨层特征融合模块将浅层特征和深层特征进行重复性融合，完成对真实目标和背景噪声的像素分类，实现目标解码，得到真实目标检测结果。
-
公开(公告)号：CN111915545A
公开(公告)日：2020-11-10
申请号：CN202010784272.0
申请日：2020-08-06
Applicant: 中北大学
Abstract: 本发明涉及多波段图像融合方法，具体为基于多判别器生成对抗网络的多波段图像自监督融合方法，本方法按如下步骤进行：设计并构建生成对抗网络，网络由一个生成器和多个判别器组成，且标签图像为多波段源图像自身；生成器网络结构采用构思的特征增强模块、特征融合模块两部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到多波段图像融合结果。本发明实现了多波段图像端到端自监督融合的神经网络，结果具有更好的清晰度、信息量，细节信息更丰富，更符合人眼视觉特性。
-
公开(公告)号：CN107103331B
公开(公告)日：2020-06-16
申请号：CN201710211621.8
申请日：2017-04-01
Applicant: 中北大学
IPC: G06K9/62
Abstract: 本发明涉及图像融合方法，具体为一种基于深度学习的图像融合方法，本方法按如下步骤进行：基于自动编码器利用卷积层构建基本单元；将多个基本单元堆叠起来训练得到深度堆叠神经网络，并采用端对端的方式调整堆叠网络；利用该堆叠网络分解输入图像，得到各自的高频和低频特征映射图，分别利用局部方差取大和区域匹配度合并高频和低频特征映射图；并将高频融合特征映射图和低频融合特征映射图放回最后一层网络，得到最终的融合图像。本方法可以对图像进行自适应分解和重构，融合时只需高频和低频特征映射图各一幅，不需要人工定义滤波器个数和类型，也不需要选择图像的分解层数和滤波方向数，可以极大改善融合算法对先验知识的依赖性。
-
公开(公告)号：CN107016658B
公开(公告)日：2020-05-19
申请号：CN201710265351.9
申请日：2017-04-21
Applicant: 中北大学
Abstract: 本发明涉及青铜器文物虚拟复原方法，尤其涉及青铜器孔洞虚拟修补方法，具体为基于回溯双向波前法的青铜器点云孔洞修补方法，本方法按如下步骤进行：对青铜器点云三角网格化并提取其孔洞边界，再依据边界点集曲率波动幅度去除伪孔洞边界；以边界回溯结果为初始点集，对凹、凸点分别采用正反向波前法逐圈新增点集直至补全；用孔洞边界替换该点集的第一圈后，从第二圈开始利用最小二乘法拟合曲面微调新增点集，获得修补结果，该方法在结构相似度和曲率连续性均得到了显著提高，可有效修补青铜器点云孔洞。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.024 seconds)
