-
公开(公告)号：CN104182734A
公开(公告)日：2014-12-03
申请号：CN201410405891.9
申请日：2014-08-18
Applicant: 桂林电子科技大学
IPC: G06K9/00
Abstract: 本发明公开一种基于LRC和协同表示的两阶段人脸识别方法，第一阶段，运用LRC人脸识别算法计算测试样本与每类训练样本的误差，根据它们之间的相似度量与误差的关系对误差进行排序，并对数据库中的目标进行有效的筛选，筛选出S类训练样本用于下一阶段的识别。第二阶段，用筛选出的S类训练集作CRC人脸识别算法的编码字典，并利用其做精确的分类识别。这样可以在保证方法识别率较高，鲁棒性较好的同时，大大能降低了识别时间，当新目标加入数据库时，不用更新整个人脸数据模型，只需更新某一子类模型，从而减少训练时间；并且，通过第一阶段的训练样本的筛选，大大减小了第二阶段识别中数据字典的大小，节约了全局搜索的时间。
-
公开(公告)号：CN108399608B
公开(公告)日：2021-10-15
申请号：CN201810172326.0
申请日：2018-03-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量字典及全变分的高维图像去噪方法，在高维图像处理研究的基础上，将张量字典学习结合全变分正则项，提出一种张量字典学习结合TV正则项的高维图像去噪模型，然后用交替迭代方法求解模型，得到迭代更新后重建的MSI图像。本发明的优点是将高维图像看成一个张量整体处理，不会损失图像的立体结构信息，同时也考虑了各波段之间的相关性，并且张量字典学习的方式提高了算法的精确度；在不失高维图像空间结构的前提下，利用高阶TV正则项，很好地保存了较完善的边缘信息，取得良好的重建效果。实验结果在主观视觉和客观评价指标两方面均取得较好的效果，能够保留较多的纹理信息和轮廓信息。
-
公开(公告)号：CN107292855B
公开(公告)日：2020-08-07
申请号：CN201710651882.1
申请日：2017-08-02
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种结合自适应非局部样本和低秩的图像去噪方法，首先用对数变换将图像转换到对数域，将乘性噪声模型转换成加性噪声模型；将图像分块并且按照相似度分组，得到具有相似块的图像组；然后对图像组做低秩逼近处理，得到初始的估计值；再对初始的估计值用自适应非局部样本模型处理，得到对数域恢复结果；最后用指数变换将对数域图像还原到实数域并且进行修正，得到最终去噪图像。实验结果表明，本发明对乘性噪声有较好的鲁棒性，针对含有乘性噪声的图像不仅能得到很好的峰值信噪比和结构相似度，还较好地改善图像的视觉质量。
-
公开(公告)号：CN107220594B
公开(公告)日：2020-06-12
申请号：CN201710316806.5
申请日：2017-05-08
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于相似度保留堆叠自编码器的人脸姿态重建与识别方法，其特征是，包括如下步骤：1）多角度人脸图像的姿态角度步进减小；2）目标姿态特征提取；3）构建相似度保留自编码器的总损失函数；4）堆叠相似度保留自编码器；5）训练并微调网络；6）重建与识别：将重建好的正脸图像和网络的最高隐含层特征分别使用线性判别分析法，即LDA法进行降维来提取具有判别性的人脸特征，并用最近邻分类器完成人脸识别。这种方法能够消除人脸图像的姿态角度偏转影响、能够提取到人脸对于多姿态变化更具鲁棒性的特征，且提取到的姿态特征能和原始正脸图像的特征相匹配，从而提高识别率。
-
公开(公告)号：CN106504276B
公开(公告)日：2019-02-19
申请号：CN201610938472.0
申请日：2016-10-25
Applicant: 桂林电子科技大学
IPC: G06T7/33
Abstract: 本发明公开了一种非局部立体匹配方法的组合匹配代价方法和视差联合填充方法，该方法使用基于最小生成树的代价聚合的非局部立体匹配方法，在预处理阶段使用基于改进的最小生成树的方法去除原始图像的噪音，增强纹理信息，获得增强图像。然后在匹配代价阶段不仅使用原始图像的信息，还使用增强图像的信息。这样即得到了图像的局部信息，也能获得全局信息，在后期的代价聚合起一定的作用。在最后的视差细化部分，针对视差不连续和误匹配问题，提出了联合权重填充方法。实验表明，与其他的非局部立体匹配方法相比，该方法的误匹配率低，对边缘区域，重复纹理和遮挡区域有很强的鲁棒性。实验结果证明了本发明方法的有效性。
-
Patent Agency Ranking
公开(公告)号：CN107358589A
公开(公告)日：2017-11-17
申请号：CN201710581668.3
申请日：2017-07-17
Applicant: 桂林电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种结合梯度直方图与低秩约束的去噪方法，其在稀疏先验和其他非局部自相似先验的基础上，利用稀疏表示的优势，加入非局部正则项，梯度正则项和低秩约束项去除乘性噪声。本发明的优点是把乘性噪声模型通过对数变换变成对数域中的加性噪声模型，利用噪声图像在对数域中训练的字典，把图像的梯度直方图估计和低秩约束相结合，增强了图像局部和非局部之间的联系，在有效去噪的同时，更好的保留了图像的纹理信息。实验结果在主观视觉和客观评价指标两方面均取得较好的效果，很大程度上保存了图像的精细纹理结构，使得去噪后的图像更加清晰。
-
公开(公告)号：CN106504276A
公开(公告)日：2017-03-15
申请号：CN201610938472.0
申请日：2016-10-25
Applicant: 桂林电子科技大学
IPC: G06T7/33
Abstract: 本发明公开了一种非局部立体匹配算法的组合匹配代价算法和视差联合填充算法，该算法使用基于最小生成树的代价聚合的非局部立体匹配算法，在预处理阶段使用基于改进的最小生成树的算法去除原始图像的噪音，增强纹理信息，获得增强图像。然后在匹配代价阶段不仅使用原始图像的信息，还使用增强图像的信息。这样即得到了图像的局部信息，也能获得全局信息，在后期的代价聚合起一定的作用。在最后的视差细化部分，针对视差不连续和误匹配问题，提出了联合权重填充算法。实验表明，与其他的非局部立体匹配算法相比，该算法的误匹配率低，对边缘区域，重复纹理和遮挡区域有很强的鲁棒性。实验结果证明了本发明算法的有效性。
-
公开(公告)号：CN106204482A
公开(公告)日：2016-12-07
申请号：CN201610538475.5
申请日：2016-07-08
Applicant: 桂林电子科技大学
CPC classification number: G06T5/002 , G06K9/6201 , G06K9/6215 , G06K9/6223 , G06K9/6255 , G06T2207/20081
Abstract: 本发明公开一种基于加权稀疏的混合噪声去除方法，其在加权稀疏表示非局部训练字典的基础上加入变分法，对非局部相似块进行匹配，然后用对偶的方法求解混合去噪图像，能更好的保存图像的边缘信息。本发明的去噪效果优于现有算法，其具有很高的峰值信噪比和图像特征相似度，对混合噪声有很好的抑制作用，特别是能够很好的保存图像的边缘信息，对图像特征的保留有一定的改善。
-
公开(公告)号：CN104700376A
公开(公告)日：2015-06-10
申请号：CN201410685191.X
申请日：2014-11-25
Applicant: 桂林电子科技大学
IPC: G06T5/40
Abstract: 本发明公开了一种基于伽马校正和平滑滤波的图像直方图均衡化增强方法，首先对原直方图进行伽马校正，抑制原直方图中峰值过高的问题；其次对伽马矫正后的直方图进行滑动窗口平滑滤波，消除直方图中的突变；最后在上述修正直方图基础上应用传统直方图增强的方法得到目标增强的图像。本发明的优点是:均衡增强：对图像各部分都能有效均衡增强，能有效避免过度增强而产生“洗白”效果；有效保留图像特征：本发明能高效增强图像并保持图像细节信息和平均亮度，避免亮度饱和、亮度大幅度改变和细节丢失。实验证明本发明方法能高质量增强图像。
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.023 seconds)
