-
公开(公告)号：CN106204449B
公开(公告)日：2019-09-10
申请号：CN201610528420.6
申请日：2016-07-06
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于对称深度网络的单幅图像超分辨率重建方法，属于图像处理技术领域。本发明主要包括以下步骤：1、制作高分辨率图像块与低分辨率图像块训练集；2、构建一个对称的卷积‑反卷积深度网络用于模型训练；3、基于构建的深度网络和制作的数据集，进行网络模型的训练；4、依据学习的模型参数，输入一幅低分辨率图像，得到的输出即为重建的高分辨率图像。本发明通过结合卷积层和反卷积层，同时增加网络深度，利用网络深度提升网络性能，加强了图像细节部分的重建能力，获得了更好的图像超分辨率重建效果，在图像高清显示、医学成像、遥感图像等领域中有着广泛的应用前景。
-
公开(公告)号：CN106204570A
公开(公告)日：2016-12-07
申请号：CN201610527860.X
申请日：2016-07-05
Applicant: 安徽工业大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于非因果分数阶梯度算子的角点检测方法，属于图像处理技术领域。本发明是利用因果、反因果分数阶次积分和因果、反因果分数阶次微分的组合来实现待检测灰度图像的非因果分数阶次梯度运算的，具体步骤为：首先读取图像，生成灰度矩阵f(x,y)；再计算f(x,y)在x和y两个方向的非因果分数阶梯度Dx，Dy；计算梯度方向的乘积 DxDy；使用高斯核分别对 DxDy滤波；计算角点强度量；最后进行非极大值抑制，即得到精确的图像角点。本发明基于非因果分数阶梯度的新颖算法进行梯度和角点能量运算，能够更好地提高角点检测精度，适用于图像配准与匹配、图像融合以及目标识别等计算机视觉领域。
-
公开(公告)号：CN105869133A
公开(公告)日：2016-08-17
申请号：CN201610356503.1
申请日：2016-05-20
Applicant: 安徽工业大学
IPC: G06T5/00
CPC classification number: G06T5/003 , G06T2207/20024
Abstract: 本发明公开了一种基于非因果分数阶次微分的图像锐化方法，属于图像处理技术领域。本发明利用因果分数阶次微分和反因果分数阶次微分的组合来实现对待锐化图像的非因果分数阶次微分，通过调节微分阶次的值来调节最终的幅频增益，进而调节对噪声的抵抗性以及对图像细节信息的敏感度，然后将最终的非因果分数阶次微分图像以一定形式加入到原始待锐化图像中，得到最终的锐化图像。本发明基于非因果分数阶次微分的新颖算法进行微分运算，在增强图像细节信息的同时，能够有效地抑制噪声，在抑制噪声影响的同时，能够极大地增强图像的细节，能广泛应用于图像分析和自动目标识别等领域。
-
公开(公告)号：CN120088133A
公开(公告)日：2025-06-03
申请号：CN202510154703.8
申请日：2025-02-12
Applicant: 安徽工业大学
IPC: G06T3/4053 , G06V20/40 , G06V10/80
Abstract: 本发明公开了一种基于扩散模型的任意尺度视频超分辨率方法，属于技术领域。本发明通过时空特征融合以及任意尺度隐式神经上采样的任意尺度超分辨率方式，能够有效解决现有视频超分辨方法在任意尺度方面的不足；不仅能够解决现有方法的只能进行整数倍数以及单一倍数限制，可以生成任意大小的高分辨率视频序列，同时也能保证视频序列之间的前后一致性，丰富了视频超分辨的应用场景，拓展了该领域的技术边界。
-
Patent Agency Ranking
公开(公告)号：CN118038054A
公开(公告)日：2024-05-14
申请号：CN202410293116.2
申请日：2024-03-14
Applicant: 安徽工业大学
IPC: G06V10/26 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06V40/10 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种基于特征‑模态双级别融合的缺失模态下MRI肿瘤分割方法，包括如下步骤：S1、获取多模态肿瘤数据集，并将数据集中MRI影像进行预处理；S2、构建一个基于特征‑模态双级别融合的分割网络用于模型训练；S3、基于构建的深度网络和预处理的数据集对网络模型进行训练，保存训练参数；S4、依据学习的模型参数，将一例完整模态或者缺失部分模态的MRI影像作为网络输入，得到肿瘤分割标注。本发明通过类U型网络和基于注意力的特征‑模态双级别融合，获得了精准的肿瘤分割结果，在医学影像辅助诊断领域有着广泛的应用场景。
-
公开(公告)号：CN116912455A
公开(公告)日：2023-10-20
申请号：CN202310888120.9
申请日：2023-07-19
Applicant: 安徽工业大学
IPC: G06T17/20
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于三维模型集的多类型浮雕建模方法，包括：以三维网格模型集为输入介质，在法向域对网格曲面模型进行分解，设计离散几何处理框架，在统一能量方程驱动下进行保结构高浮雕建模、保细节超浅浮雕建模；针对混合浮雕建模，首先确定视觉消失点、视口和浮雕底板；其次在三维模型集中选择视觉衰减点，并把这些点投射到浮雕底板周围；最后用这些点作为软约束对模型集进行保微分坐标的拉普拉斯网格变形，完成混合浮雕建模。本发明利用数字建模软件建模的三维网格曲面模型集进行处理分析，可以准确有效的完成对多类型浮雕的建模，且构思合理，可在浮雕设计等场景中实现自动化应用。
-
公开(公告)号：CN115952424A
公开(公告)日：2023-04-11
申请号：CN202310001650.7
申请日：2023-01-03
Applicant: 安徽工业大学
IPC: G06F18/23 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多视图结构的图卷积神经网络聚类方法，属于数据分析技术领域。本发明主要包括以下步骤：1、通过数据增强操作对图结构数据集进行预处理，获得图在多个视图下的结构信息；2、构建一个基于多视图结构的图自编码器网络用于模型训练；3、基于构建的多视图网络和预处理的数据集对模型进行训练；4、根据学习的模型参数，将图的节点属性和结构信息作为输入，得到最终的聚类结果。本发明通过多视图网络结构训练数据增强后的图数据，提高模型鲁棒性，在图结构数据分析等领域有着广泛的应用前景。
-
公开(公告)号：CN108960171B
公开(公告)日：2021-03-02
申请号：CN201810762885.7
申请日：2018-07-12
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于特征迁移学习的转换手势识别到身份识别的方法，属于模式识别和生物识别技术领域。本发明的主要步骤包括：步骤1、制作同时包含手势类型标签和用户身份标签的手势训练集；步骤2、构建手势识别网络和特征迁移网络模型；步骤3、基于制作的数据集，训练手势识别网络；步骤4、基于制作的数据集，训练特征迁移网络；步骤5、依据学习的特征迁移网络模型参数，输入一个动态手势，识别出对应的用户身份。本发明提出基于双向门限循环网络的手势识别网络，并采用特征迁移网络将手势识别转换到身份识别，在信息安全、医学防尘等领域有着广泛的应用前景。
-
公开(公告)号：CN106204449A
公开(公告)日：2016-12-07
申请号：CN201610528420.6
申请日：2016-07-06
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于对称深度网络的单幅图像超分辨率重建方法，属于图像处理技术领域。本发明主要包括以下步骤：1、制作高分辨率图像块与低分辨率图像块训练集；2、构建一个对称的卷积-反卷积深度网络用于模型训练；3、基于构建的深度网络和制作的数据集，进行网络模型的训练；4、依据学习的模型参数，输入一幅低分辨率图像，得到的输出即为重建的高分辨率图像。本发明通过结合卷积层和反卷积层，同时增加网络深度，利用网络深度提升网络性能，加强了图像细节部分的重建能力，获得了更好的图像超分辨率重建效果，在图像高清显示、医学成像、遥感图像等领域中有着广泛的应用前景。
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.022 seconds)
