-
公开(公告)号：CN117710674A
公开(公告)日：2024-03-15
申请号：CN202311763232.8
申请日：2023-12-20
Applicant: 西安邮电大学
IPC: G06V10/26 , G06V10/764 , G06V10/766 , G06N3/006
Abstract: 本发明公开了一种多代理辅助多目标粒子群优化粗糙聚类的图像分割方法，主要解决现有图像分割方法信息利用不充分、不能多维度评估分割结果及分割效率低的问题。其实现方案是：输入待分割图像X并设置初始参数；获取图像的密度信息的度量；生成初始种群；利用密度和距离信息构造粗糙类内紧致性函数，利用粗糙体积比构造类间可分性函数；训练回归代理模型，选择分类代理模型，用其对当前种群进行预测；根据预测结果选择精英集群对种群更新；结合对种群的预测结果选择粒子，计算其类内紧致性函数和类间可分性函数更新回归模型；从最后一代更新后的种群中选出最优粒子进行图像分割。本发明在保证图像分割精度的同时提升了图像分割效率，可用于自然图像处理。
-
公开(公告)号：CN113723449B
公开(公告)日：2023-08-11
申请号：CN202110808514.X
申请日：2021-07-16
Applicant: 西安邮电大学
IPC: G06V10/762 , G06V10/26 , G06N3/006
Abstract: 本发明公开了一种基于偏好信息的代理驱动多目标进化模糊聚类方法，主要解决现有彩色图像分割性能不理想、计算成本高的问题。方案包括：输入待分割图像并设置初始参数值；构造融合图像区域信息的适应度函数，引入粗细代理模型以及基于参考点、偏好角度的支配关系设计多目标进化聚类框架，得到非支配解集；采用模糊隶属度函数的信息熵构造聚类有效性指标，并利用该指标从非支配解集中选择最优染色体对其进行解码，得到最优聚类中心；用最优聚类中心更新全局隶属度矩阵，并根据最大隶属度原则得到像素点的分类结果。本发明针对背景复杂且对比度不高的图像，能够有效提升图像的分割效果且耗时较短；可用于自然图像的识别。
-
公开(公告)号：CN114797079A
公开(公告)日：2022-07-29
申请号：CN202210466697.6
申请日：2022-04-29
Applicant: 西安邮电大学
Abstract: 本申请提供一种象棋棋子识别与自动摆棋装置及方法，本申请的象棋棋子识别与自动摆棋装置，包括象棋棋子、象棋棋盘、控制开关、摄像头、控制装置以及机械臂，无需高性能的硬件资源，可在性能较低的嵌入式设备上实现，从而降低成本，并且，保证机械臂自动摆棋时的稳定运动，提高摆棋精确度，同时，通过棋子识别过程中优化图像处理和改进摆棋策略提高了象棋棋子的检测速度和识别率，实现了准确恢复棋盘上随机摆放的棋子。
-
公开(公告)号：CN113469270A
公开(公告)日：2021-10-01
申请号：CN202110806823.3
申请日：2021-07-16
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于分解多目标差分进化超像素的半监督直觉聚类方法，主要解决现有图像分割效果不佳、算法时效性较差的问题。方案包括：输入待分割图像并设置初始参数；对图像进行基于分解多目标差分进化的超像素分割，并将该超像素区域的边缘定义为图像的弱边缘；利用canny算子提取图像的强边缘，并对图像进行基于强弱边缘的超像素区域合并；提取合并后每个超像素区域的代表特征，对图像进行分解多目标进化模糊聚类；对聚类结果进行类标签修正，得到最终图像分割结果。本发明通过融合图像的区域信息和部分监督信息、采用分解进化策略优化适应度函数，从而有效改善了图像分割性能、解决了多目标进化模糊聚类算法时效性较差的问题。
-
公开(公告)号：CN110245666B
公开(公告)日：2021-06-08
申请号：CN201910495205.4
申请日：2019-06-10
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于双隶属度驱动的多目标区间值模糊聚类图像分割方法，主要解决图像分割中对噪声敏感、容易陷入局部最优的问题，其方案是：输入待分割图像并设置初始参数值；构造区间值模糊图像；构建双隶属度驱动的全局区间值模糊紧致性函数JLN和双隶属度驱动的区间值模糊可分性函数SLN，并对这两个目标函数进行多目标进化，得到非支配解集P；计算双隶属度驱动的区间值选解指标W指标，用该指标从非支配解集P中选择出最优染色体对其进行解码，得到最优聚类中心；用最优聚类中心更新联合隶属度矩阵，并根据最大隶属度原则得到像素点的分类结果。本发明能有效地抑制噪声，防止陷入局部最优，提高了分割准确率，可用于自然图像的识别。
-
Patent Agency Ranking
公开(公告)号：CN110245666A
公开(公告)日：2019-09-17
申请号：CN201910495205.4
申请日：2019-06-10
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于双隶属度驱动的多目标区间值模糊聚类图像分割方法，主要解决图像分割中对噪声敏感、容易陷入局部最优的问题，其方案是：输入待分割图像并设置初始参数值；构造区间值模糊图像；构建双隶属度驱动的全局区间值模糊紧致性函数JLN和双隶属度驱动的区间值模糊可分性函数SLN，并对这两个目标函数进行多目标进化，得到非支配解集P；计算双隶属度驱动的区间值选解指标W指标，用该指标从非支配解集P中选择出最优染色体对其进行解码，得到最优聚类中心；用最优聚类中心更新联合隶属度矩阵，并根据最大隶属度原则得到像素点的分类结果。本发明能有效地抑制噪声，防止陷入局部最优，提高了分割准确率，可用于自然图像的识别。
-
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：CN105678798A
公开(公告)日：2016-06-15
申请号：CN201610137127.7
申请日：2016-03-10
Applicant: 西安邮电大学
CPC classification number: G06K9/6222 , G06N3/123
Abstract: 本发明公开了一种结合局部空间信息的多目标模糊聚类图像分割方法，包括以下步骤：1.输入待分割的图像；2.计算非线性加权和图像；3.对步骤2得到的加权图像进行多目标模糊聚类；4.通过上面的进化，得到一组Pareto解集，采用聚类指标I从中选择一个最优个体。5.然后利用最优个体即一组最优聚类中心对加权和图像像素进行聚类，最后对加权和图像中的像素进行类别标记，得到图像的最终分割结果。本发明能够有效地将目标和背景分离开，分割结果精确，算法实现简单。
-
公开(公告)号：CN117788293A
公开(公告)日：2024-03-29
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：CN117710819A
公开(公告)日：2024-03-15
申请号：CN202311760963.7
申请日：2023-12-20
Applicant: 西安邮电大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于动态卷积Transformer的高光谱图像分类方法及系统。该方法通过联合动态卷积和高斯加权技术，将高光谱图像数据转换为适用于Transformer模型的序列格式，实现内容自适应的特征提取。具体步骤包括利用动态卷积提取浅层空谱特征，并在空间维度上展开生成Token序列，然后采用高斯加权方法对不同Token进行加权并降低序列长度。最后，利用Transformer编码器挖掘特征之间长距离依赖关系并提取深度特征后，通过全连接层进行分类，实现高光谱图像分类任务。经过在两个公共高光谱数据集上的实验验证，本发明的方法展现出较好的分类性能。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.026 seconds)
