-
公开(公告)号：CN103049767B
公开(公告)日：2015-07-15
申请号：CN201310028098.7
申请日：2013-01-25
Applicant: 西安电子科技大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于生物激发特征和流形学习的极光图像分类方法。其实现步骤为：（1）对输入的极光图像进行边缘去噪的预处理；（2）使用多尺度，多方向的Gabor滤波器组对预处理后的极光图像进行Gabor滤波，得到C1层特征图，取每幅特征图的像素灰度值之和作为极光图像的C1特征；（3）提取极光图像的Gist特征；（4）将C1特征和Gist特征融合，得到极光图像的BIFs特征；（5）对BIFs特征进行模糊c均值聚类后，利用流形学习算法DLA进行降维，得到BIFs在低维空间的表示；（6）利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。本发明能很好的模拟人脑视皮层的识别过程，减少了数据冗余，提高了分类正确率，可用于场景分类与目标识别。
-
公开(公告)号：CN102930273A
公开(公告)日：2013-02-13
申请号：CN201210388695.6
申请日：2012-10-15
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于亮度自适应水平集的极光卵分割方法，主要解决现有极光卵分割方法分割精度较低、鲁棒性较差和适用面较窄的缺陷。其实现步骤为：①采用形态学成分分析法对紫外极光图像进行预处理；②构建一个形态学显著性图作为极光卵的形状特征；③应用形态学显著性图的边缘曲线对水平集函数初始化；④计算亮度自适应的水平集演化速度和停止函数；⑤根据亮度自适应的水平集演化方程更新水平集函数；⑥提取更新完成后的零水平集曲线，并将其作为极光卵边界输出。本发明避免了现有分割方法出现的结果偏移和边缘泄漏现象，具有分割精度高和鲁棒性强的优点，可适用于各类紫外极光图像的分割。
-
公开(公告)号：CN119810537A
公开(公告)日：2025-04-11
申请号：CN202411882363.2
申请日：2024-12-19
Applicant: 西安电子科技大学杭州研究院
IPC: G06V10/764 , G06V10/40 , G06V10/80 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种质量自适应的图像跨域映射方法，包括以下步骤；步骤1：获取目标域图像s和源域图像c的数据，并进行预处理；步骤2：设计生成对抗网络模型，对抗网络模型以无监督图像翻译模型的网络结构为基础，将质量自适应卷积模块插入GLD生成器网络中；步骤3：利用步骤1预处理过的目标域图像s与源域图像c输入到步骤2中的生成对抗网络模型中训练；步骤4：利用步骤3训练好的生成对抗网络模型进行源域图像到目标域图像的映射。本发明对无监督图像翻译模型修改后实现了优于原模型更好的图像翻译结果。
-
Patent Agency Ranking
公开(公告)号：CN112950464A
公开(公告)日：2021-06-11
申请号：CN202110099913.3
申请日：2021-01-25
Applicant: 西安电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种不包含正则化层的二值超分辨率重建方法，包括：对低分辨率图像进行数据分布处理，获得处理后图像；将所述处理后图像输入二值深度神经网络模型进行特征提取，获得重构后的图像；对所述重构后的图像进行数据分布处理，获得最终重建后的超分图像；利用梯度下降算法迭代更新所述二值深度神经网络模型的参数，直至达到收敛。本发明的方法，通过一种有效的二值化训练机制，允许神经网络在不包含正则化层时取得较优异的网络性能，从而使网络以较低的计算复杂度获得更加优异的超分辨率图像重建效果。
-
公开(公告)号：CN107908646B
公开(公告)日：2019-12-17
申请号：CN201710937041.7
申请日：2017-10-10
Applicant: 西安电子科技大学
IPC: G06F16/583 , G06N3/04 , G06K9/46
Abstract: 本发明公开的基于分层卷积神经网络的图像检索方法，主要解决现有全天空极光图像检索中准确率较低的问题。其实现步骤为：①采用自适应极化栅栏法确定全天空极光图像的局部关键点；②提取全天空极光图像的局部SIFT特征并构建视觉字典；③对卷积神经网络进行预训练和微调并构建极化区域池化层；④提取全天空极光图像的区域CNN特征和全局CNN特征；⑤对所有特征进行二值化处理并构建分层特征；⑥构建倒排索引表并分开保存全局CNN特征；⑦提取查询图像的分层特征并计算其与数据库图像的相似度，输出检索结果。本发明使用分层特征实现了局部关键点之间的匹配，解决了现有图像检索方法中虚警率较高的问题，具有检索准确率高的优点，适用于实时图像检索。
-
公开(公告)号：CN110414600A
公开(公告)日：2019-11-05
申请号：CN201910685093.9
申请日：2019-07-27
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种识别准确率高的基于迁移学习的空间目标小样本识别方法，克服了现有技术中空间目标识别繁琐的手动特征提取和特征工程的问题。该发明含有以下步骤，步骤1、建立辅助样本空间目标数据集；步骤2、构建端到端的深度最近邻网络；步骤3、将辅助数据集送入深度最近邻网络进行训练；步骤4、构建空间目标数据集；步骤5、将目标数据集送入深度最近邻网络进行识别。该技术使用了两个损失联合训练，针对空间目标识别属于细粒度领域的识别，较小的类间差异和较大的类内方差，通过引入类内紧凑约束使得同一类样本在特征空间尽可能相近，使得本发明在空间目标图像类内方差比较大的情况下，仍能得到好的识别结果。
-
公开(公告)号：CN102930273B
公开(公告)日：2015-06-17
申请号：CN201210388695.6
申请日：2012-10-15
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于亮度自适应水平集的极光卵分割方法，主要解决现有极光卵分割方法分割精度较低、鲁棒性较差和适用面较窄的缺陷。其实现步骤为：①采用形态学成分分析法对紫外极光图像进行预处理；②构建一个形态学显著性图作为极光卵的形状特征；③应用形态学显著性图的边缘曲线对水平集函数初始化；④计算亮度自适应的水平集演化速度和停止函数；⑤根据亮度自适应的水平集演化方程更新水平集函数；⑥提取更新完成后的零水平集曲线，并将其作为极光卵边界输出。本发明避免了现有分割方法出现的结果偏移和边缘泄漏现象，具有分割精度高和鲁棒性强的优点，可适用于各类紫外极光图像的分割。
-
公开(公告)号：CN102129576B
公开(公告)日：2012-12-05
申请号：CN201110047076.6
申请日：2011-02-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种全天空极光图像占空比参数的提取方法，主要解决现有技术只能对具有明显形状和边界的光斑进行分割导致占空比参数误差较大的缺陷。其特定是根据极光在天空所呈现的不同形态采用相应分割方法，即首先对全天空极光图像进行预处理；然后确定光斑区域最优分割阈值，对光斑区域进行分割；接着根据光线区域与背景天空区域纹理结构的差异，对光线区域进行分割；最后根据光斑和光线区域的分割结果，计算占空比参数。本发明通过灰度特征确定光斑分割阈值，对无明显形状或边界的光斑也能精确分割，并根据纹理特征实现光线区域的成功分割，有效降低了占空比参数的误差，可用于复杂形态的极光区域从天空背景区域的分割。
-
-
-
-
-
-
-
Search Results
38
records
(took 0.086 seconds)
