-
公开(公告)号：CN113724146A
公开(公告)日：2021-11-30
申请号：CN202110795952.7
申请日：2021-07-14
Applicant: 北京理工大学
Abstract: 本发明公开的基于即插即用先验的单像素成像方法，涉及一种基于即插即用先验的欠采样条件下的单像素成像方法，属于计算摄像学领域。本发明结合基于模型方法和基于深度学习方法的优点，将现代图像降噪算法隐式作为先验替换到成像方法中，提高欠采样条件下单像素图像成像质量。本发明在即插即用同一构思下，提供欠采样条件下无噪声单像素成像方法和欠采样条件下考虑噪声的单像素成像方法。本发明公开的欠采样条件下无噪声的单像素成像方法，能够在不考虑噪声的情况下，实现欠采样条件下高质量单像素图像重建。本发明公开的欠采样条件下考虑噪声的单像素成像方法，能够在考虑噪声的情况下，实现欠采样条件下高质量单像素图像重建，对噪声具有鲁棒性。
-
公开(公告)号：CN110717947B
公开(公告)日：2021-04-27
申请号：CN201910911701.3
申请日：2019-09-25
Applicant: 北京理工大学
Abstract: 本发明公开的一种基于外部和内部训练的高质量光谱重构方法，属于计算摄像学领域。本发明应用于基于编码孔径快照光谱成像系统和基于全色相机的双相机光谱成像系统，在高光谱图像的重构过程中充分利用外部高光谱数据库的信息和内部输入图像及成像模型的信息；使用外部训练和内部训练更新网络参数；并使用GPU完成对整个网络的优化求解。本发明能够高质量地完成CASSI和DCCHI光谱成像系统的高光谱图像重建，在保证重建结果具备高空间分辨率和高光谱保真性的同时，大幅度提高高光谱图像重建的效率，扩展高光谱图像的应用范围。本发明可用于地质勘探、农业生产和生物医学等多个领域。
-
公开(公告)号：CN107239781B
公开(公告)日：2020-07-28
申请号：CN201710304707.5
申请日：2017-05-03
Applicant: 北京理工大学
Abstract: 本发明公开的一种基于RGB图像的超光谱反射率重建方法，涉及一种超光谱反射率重建方法，属于计算摄像学领域。本发明分为训练阶段和使用阶段。训练阶段在训练集中，把超光谱反射率映射到RGB颜色空间，根据RGB值求解每个像素的色度；根据每个像素的色度对像素进行聚类；对每个聚类的像素反射率使用字典学习得到反射率稀疏字典；把稀疏字典映射到RGB空间得到RGB字典。使用阶段对采集的RGB图像白平衡；求解图像每个像素点色度，根据色度寻找每个像素点所属聚类；对于每个聚类中的像素点，使用该聚类RGB字典进行有约束稀疏编码；根据聚类的反射率字典和稀疏编码，重建像素的超光谱反射率。本发明能够在不需要特殊设备、具有较快重建速度的前提下提高重建精度。
-
公开(公告)号：CN109741407A
公开(公告)日：2019-05-10
申请号：CN201910018073.6
申请日：2019-01-09
Applicant: 北京理工大学
IPC: G06T9/00
Abstract: 本发明公开的一种基于卷积神经网络的光谱成像系统的高质量重构方法，属于计算摄像学领域。本发明应用于基于编码孔径快照光谱成像系统，在高光谱图像的重构过程中分别考虑图像间的空间相关性和光谱相关性，使用残差学习加速网络的训练速度和收敛速率，并使用GPU完成对整个网络的优化求解；使用随机梯度下降法更新网络参数；逐块处理完成高光谱图像的重建。本发明能够高质量地完成CASSI光谱成像系统的高光谱图像重建，在保证重建结果具备高空间分辨率和高光谱保真性的同时，大幅度提高高光谱图像重建的效率，扩展高光谱图像的应用范围。本发明可用于地质勘探、农业生产和生物医学等多个领域。
-
公开(公告)号：CN119000565B
公开(公告)日：2025-01-24
申请号：CN202411430138.5
申请日：2024-10-14
Applicant: 北京理工大学
IPC: G01N21/25 , G01N21/84 , G06T5/70 , G06T5/60 , G06N3/0464
Abstract: 本发明涉及一种基于本征分解的光谱反射率图像获取方法与系统，属于计算机视觉技术领域。首先进行光谱图像细节梯度提取，生成光谱本征图像的细节梯度信息。然后进行光谱图像邻域自相关性矩阵提取。根据光谱图像细节梯度图像和邻域自相关性矩阵，构建光谱图像本征分解模型，使用自监督学习方法进行迭代优化。系统包括光谱图像细节梯度图像提取子系统、光谱图像邻域自相关性矩阵提取子系统、光谱图像本征分解自监督学习子系统、损失函数计算子系统，以及生成结果评价子系统。本发明通过引入相关细节梯度生成和光谱图像自相关性约束，基于无监督学习，实现了从纯噪声到光谱反射率图像的生成，解决了光谱图像同物异谱、同谱异物等问题。
-
Patent Agency Ranking
公开(公告)号：CN119152250A
公开(公告)日：2024-12-17
申请号：CN202411058129.8
申请日：2024-08-02
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0495 , G06N3/08 , G06N5/04
Abstract: 本发明涉及一种基于全量化VGG风格卷积神经网络的图像分类方法，属于人工智能与图像处理技术领域。首先预训练全精度图像分类网络，为低比特量化提供具有高精度、量化友好的良好初始化权值。然后进行低比特量化感知训练，获取性能优异的低比特量化VGG风格卷积神经网络权值。将量化后网络中的低精度‑高精度数转换映射、批正则化层和激活层进行融合合并为查找表参数，并将剩余的卷积层网络参数从浮点数表示低伪低精度整数转换为真正的低精度整数网络参数，用于部署。利用转换后的图像分类网络，进行图像分类。本发明极大改善了低比特量化的VGG风格卷积神经网络的性能，提升了图像分类的精确度和推理速度，具有较高的实际应用价值。
-
公开(公告)号：CN119006305A
公开(公告)日：2024-11-22
申请号：CN202411430013.2
申请日：2024-10-14
Applicant: 北京理工大学
Abstract: 本发明提出了平滑掩码引导的高动态范围遥感图像数据合成方法及系统，属于图像信息处理技术领域。本发明针对正常遥感图像数据，通过乘以亮度系数参数来生成过曝图像。针对正常遥感图像数据，通过全元物理量噪声模型和针对传感器标定得到的参数，模拟图像信号处理的逆向过程，将RGB遥感图像逆处理为RAW图像，再调低亮度并使用噪声模型加噪来合成低光带噪数据。本方法提高了数据集质量，使图像增强模型更加适合处理真实高动态范围遥感成像数据，为大规模遥感图像增强任务提供了更接近真实情况的高动态范围遥感图像数据合成方案。
-
公开(公告)号：CN117726541B
公开(公告)日：2024-06-28
申请号：CN202410176676.X
申请日：2024-02-08
Applicant: 北京理工大学
IPC: G06T5/70 , G06T5/60 , G06V20/40 , G06V10/80 , G06V10/98 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本申请提出了一种基于二值化神经网络的暗光视频增强方法及装置，该方法包括：获取Bayer阵列存储的RAW暗光带噪视频，对RAW暗光带噪视频进行重组处理和曝光增强处理，得到初步优化视频；构建候选二值化神经网络，根据候选二值化神经网络提取初步优化视频的浅层特征，对提取到的特征进行多帧融合以及从融合特征中重建出最终优化视频；基于最终优化视频和参考正常光照图像，计算损失值，并基于损失值对候选二值化神经网络的网络模型参数进行优化，得到训练好的二值化神经网络；将其他初步优化视频输入二值化神经网络得到重建视频，根据图像质量评价标准评价重建视频，得到客观评估指标。本申请能够增强暗光视频的亮度，去除暗光环境拍摄产生的严重噪声。
-
公开(公告)号：CN117765264B
公开(公告)日：2024-06-21
申请号：CN202410195602.0
申请日：2024-02-22
Applicant: 北京理工大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于频率自适应膨胀卷积的图像语义分割方法及系统，该方法包括，构建基于频率自适应膨胀卷积的语义分割网络模型；将输入特征图样本输入至语义分割网络模型中进行模型训练，以利用特征频率选择卷积对输入特征图样本的频率进行空间自适应加权得到特征加权结果，并利用自适应膨胀率卷积和自适应核模块分别根据特征加权结果预测膨胀率控制卷积核采样位置以及调制卷积核参数中高低频的比例以得到模型输出结果，得到训练好的语义分割网络模型；将实时输入特征图输入至训练好的语义分割网络模型进行图像语义分割以输出得到图像语义分割结果。本发明可以大幅度提高语义分割模型在特征过程中保留高频细节信息的能力。
-
公开(公告)号：CN115063434B
公开(公告)日：2024-06-04
申请号：CN202210516256.2
申请日：2022-05-12
Applicant: 北京理工大学
IPC: G06T7/11 , G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于特征去噪的低弱光图像实例分割方法及系统，属于计算机视觉技术领域。首先根据图像传感器特性进行标定，构建全元物理量噪声模型。然后使用噪声扰动抑制损失函数以及实例分割任务损失函数，对实例分割深度卷积网络进行训练。用卷积神经网络对低弱光图像进行实例分割，且无需对低弱光图像进行预处理。最后利用训练好的检测分割子网络，在去噪后的特征上进行目标检测分割，得到最终实例分割结果。本发明实现简单、性能高、鲁棒性强，应对低弱光的额外计算量开销极低，有利于实现低延迟、高速度的低弱光实例分割。本方法只需利用现有的自然图像数据集即可合成高质量仿真低弱光图像数据集，降低了低弱光图像数据生成成本。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.025 seconds)
