-
公开(公告)号：CN110211126A
公开(公告)日：2019-09-06
申请号：CN201910507275.7
申请日：2019-06-12
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于直觉模糊C均值聚类的图像分割方法。主要解决图像分割中对噪声敏感、容易陷入局部最优、聚类数目需要设定的问题，其方案是：使用基于开关均值策略构造对噪声鲁棒的直觉模糊集 对图像的灰度值分布进行曲线拟合，筛选拟合曲线所有峰值点作为聚类中心初始值范围集合，并统计最大聚类中心数量；在的基础上，利用像素的位置信息和灰度信息构造直觉模糊目标函数中的线性加权函数系数，得到隶属度矩阵U；根据分级距离指数评价指标评价U，得到最优的隶属度矩阵，并对其使用检错策略筛选错分像素进行正确分类。本发明增强了对噪声的鲁棒性，能自适应地确定图像聚类数目，可用于图像识别和计算机视觉的预处理。
-
公开(公告)号：CN108416736A
公开(公告)日：2018-08-17
申请号：CN201810236623.7
申请日：2018-03-21
Applicant: 西安邮电大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于二次锚点邻域回归的图像超分辨率重建方法，步骤包括：进行离线训练，包括低分辨率字典、正映射矩阵和逆映射矩阵的训练；提取低分辨率测试图像的特征图像块；选择一次锚点，对低分辨率测试图像进行一次超分辨率重建，获得一次重建高分辨率图像；将获得的一次重建高分辨率图像映射成不同的低分辨率图像，选取与原始的所述低分辨率测试图像分辨率最接近的低分辨率图像，将对应锚点定为二次锚点；根据二次锚点进行二次超分辨率重建，获得最终的高分辨率图像。本发明通过训练低、高分辨率空间的逆映射，能够选择到更好的锚点，进而能够超分辨率重建出质量更好，纹理更清晰，细节更丰富的高分辨率图像。
-
-
公开(公告)号：CN103440380B
公开(公告)日：2016-02-24
申请号：CN201310379441.2
申请日：2013-08-27
IPC: G06F17/50
Abstract: 本发明公开了一种基于表面粗糙度的三层纸张模型建模方法，用于解决现有三层纸张模型建模方法所建模型效果差的技术问题。技术方案是通过构造具有高度域信息的虚拟纸张从而获得纸张表面粗糙度信息，弥补了传统分层纸张模型缺乏纸张表面粗糙度信息的不足；通过构造均匀联通网格吸收层对纸张吸水物理特性建模，使得虚拟纸张模型可针对具体的纸张建立相应的模型参数；通过构造水分蒸发沉积层描述不同类型纸张的水分蒸发沉积过程，从而有效的将墨水在纸张上的扩散、渗透、蒸发沉积过程分离，便于后期墨水渲染模拟时的GPU并行处理，提高了三层纸张模型建模效果。
-
公开(公告)号：CN103440380A
公开(公告)日：2013-12-11
申请号：CN201310379441.2
申请日：2013-08-27
IPC: G06F17/50
Abstract: 本发明公开了一种基于表面粗糙度的三层纸张模型建模方法，用于解决现有三层纸张模型建模方法所建模型效果差的技术问题。技术方案是通过构造具有高度域信息的虚拟纸张从而获得纸张表面粗糙度信息，弥补了传统分层纸张模型缺乏纸张表面粗糙度信息的不足；通过构造均匀联通网格吸收层对纸张吸水物理特性建模，使得虚拟纸张模型可针对具体的纸张建立相应的模型参数；通过构造水分蒸发沉积层描述不同类型纸张的水分蒸发沉积过程，从而有效的将墨水在纸张上的扩散、渗透、蒸发沉积过程分离，便于后期墨水渲染模拟时的GPU并行处理，提高了三层纸张模型建模效果。
-
Patent Agency Ranking
公开(公告)号：CN111932461B
公开(公告)日：2023-07-25
申请号：CN202010802461.6
申请日：2020-08-11
Applicant: 西安邮电大学
IPC: G06T3/40 , G06N3/0464 , G06N3/084
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：CN115861758A
公开(公告)日：2023-03-28
申请号：CN202211672837.1
申请日：2022-12-26
Applicant: 西安邮电大学
IPC: G06V10/80 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明提供一种基于双模态融合网络的目标检测方法，包括获取图像对数据集，建立双模态图像数据集，构建模块分别对红外图像和可见光图像编码，构建双路门控融合网络，将融合特征输入至基准方法YOLOv5‑s网络第三层，得到最终检测网络，处理好的图像对数据集，输入至最终检测网络中，得到检测结果；还包括一种基于本发明方法的目标检测装置；本发明方法采用嵌入门控融合网络，使模型能够确定两种模态图像在不同场景中对检测的贡献；引入多任务学习的思想，自适应调节权重分配，实现跨模态特征融；面对黑夜等复杂环境本发明具有较好的鲁棒性。
-
公开(公告)号：CN108764368B
公开(公告)日：2021-11-30
申请号：CN201810582440.0
申请日：2018-06-07
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于矩阵映射的图像超分辨率重建方法，包括：通过聚类的方法对训练样本图像进行分类；将训练样本图像归类，获得每个类别的映射矩阵；提取图像的低分辨率特征图像块；找到各低分辨率特征图像块对应类别的映射矩阵，将对应的各低分辨率特征图像块映射为高分辨率图像块；获取各高分辨率图像块对应的类别的映射矩阵，完成映射矩阵的二次选择；进行二次映射获得各低分辨率特征图像块的二次映射高分辨率图像块；将各低分辨率特征图像块与对应的高分辨率图像块组合重构，获得最终的超分辨率重建后的图像。本发明既能有效保持高频细节，又能较好的避免因模糊产生的图像重建质量的降低。
-
公开(公告)号：CN108076060B
公开(公告)日：2020-12-08
申请号：CN201711361681.4
申请日：2017-12-18
Applicant: 西安邮电大学
Abstract: 基于动态k‑means聚类的神经网络态势预测方法，包括以下步骤：1）收集某系统网络安全基础数据，数据指标即感染网络病毒主机数量，被篡改网络数，被植入后门的网络数量，安全事件报告数,仿冒页面数量,以及安全漏洞和高危漏洞数量，对网络安全基础数据归一化处理；2）对归一化后的网络安全基础数据，利用动态k‑means聚类算法进行聚类，确定RBF神经网络中心神经元参数和个数N；3）使用归一化后的数据参与RBF神经网络训练，计算RBF神经元宽度并确定神经元输出；4）在训练过程中，对RBF神经网络的输出权值进行编码，使用PSO算法得到最优权值，使网络态势预测精度提高；5）使用已训练的RBF神经网络对某月网络态势进行预测，并与当月网络态势评估值作对比，计算误差；具有预测精度高的特点。
-
公开(公告)号：CN110162654A
公开(公告)日：2019-08-23
申请号：CN201810086988.6
申请日：2018-01-30
Applicant: 西安邮电大学
IPC: G06F16/583 , G06K9/46 , G06K9/52 , G06K9/62
Abstract: 本发明公开了一种基于融合特征与检索结果优化的现勘图像检索算法，它涉及数字图像处理技术领域。它包括以下六个模块：HSV颜色直方图特征提取模块；DCT纹理特征提取模块；GIST特征提取模块；特征融合模块；利用融合特征训练分类器模型模块；利用街区距离对融合特征进行相似度计算与排序，得出初步检索结果，对初步检索的结果进行优化，选择不同的检索分支，得出最终检索结果模块。本发明可对多种类复杂内容的数据库图像有效特征描述，消除语义鸿沟，进一步提高检索效率，易于推广使用。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.019 seconds)
