-
公开(公告)号：CN114998566A
公开(公告)日：2022-09-02
申请号：CN202210503167.4
申请日：2022-05-09
Applicant: 中北大学
IPC: G06V10/143 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 针对复杂背景下红外弱小目标检测鲁棒性较低的难题，本发明提出了一种可解释的多尺度红外弱小目标检测网络设计方法。本发明网络模型首先对输入红外源图像进行细节特征提取和目标增强，经过多个多尺度目标增强模块级联处理后得到低层细节特征和高层语义特征；然后利用全局目标响应结构对低层细节特征和高层语义特征进行上下文建模，获取真实目标像素长距离依赖；接着利用多层特征融合结构对低层细节特征、深层语义特征、局部特征及全局特征进行重复性、冗余性融合，在高维数据中完成了对真实目标和背景噪声的像素分类；最后通过多损失联合约束结构联合多个损失函数约束网络输出，使其接近真实目标数据分布，得到真实目标检测结果。
-
公开(公告)号：CN111696168B
公开(公告)日：2022-08-23
申请号：CN202010538650.7
申请日：2020-06-13
Applicant: 中北大学
Abstract: 本发明涉及MRI加速采集方法，具体为基于残差自注意力图像增强的高倍速采MRI重建方法。本方法采用生成对抗网络构建本发明的网络结构，将基于残差自注意力的特征增强模块内嵌至U‑NET收缩路径底部；将高倍欠采样图像输入生成器，经U‑NET收缩路径提取高级特征图后输入特征增强模块得到特征增强图，再经U‑NET扩展路径解码，并与收缩路径对应的特征图合并，融合扩展时对应级别收缩层的特征，补充缺失的边界信息，准确预测边缘信息，得到重建图像。本方法可以捕获图像更抽象、更丰富的纹理细节特征，融合局部信息和非局部信息以增强全局信息量，整个过程由网络自动选择有效特征，能实现关键区域纹理细节的自适应提取与重构，可以很好地重建高倍速采MR图像。
-
公开(公告)号：CN113111878B
公开(公告)日：2022-03-18
申请号：CN202110480586.6
申请日：2021-04-30
Applicant: 中北大学
Abstract: 本发明提出了一种复杂背景下的红外弱小目标检测方法，涉及红外目标检测领域。首先，定义滑动窗口并将其划分为多个单元，将中心单元的像素灰度值降序排列后计算其前K个灰度均值；其次，分别构建中心单元的相接邻域和相隔邻域并计算它们各自的灰度均值；再次，分别提取相接邻域和相隔邻域的显著图；然后，通过点乘两显著图抑制复杂背景并增强弱小目标；最后自适应提取目标，以实现复杂背景下红外弱小目标的高效准确检测。
-
公开(公告)号：CN114119983A
公开(公告)日：2022-03-01
申请号：CN202111375716.6
申请日：2021-11-19
Applicant: 中北大学
Abstract: 本发明涉及图像融合方法，尤其涉及红外与可见光图像融合方法，具体为基于侧窗滤波和多尺度变换的红外与可见光图像同步融合降噪方法，本方法按如下步骤进行：用改进的侧窗滤波分解红外与可见光图像，分别得到其所对应的基层与细节层信息；以基于自适应的幂次变换方法进行红外图像基层显著区域提取；对提取到的红外图像基层区域和可见光图像基层应用融合规则进行融合，得到基层融合图像；采用基于全变分的方法对细节层图像进行同步融合降噪处理，得到基层融合图像；对得到的基层融合图像和细节层融合图像进行重建，得到最终融合图像，该融合图像的对比度明显，显著区域突出，噪声大幅下降。
-
Patent Agency Ranking
公开(公告)号：CN113111878A
公开(公告)日：2021-07-13
申请号：CN202110480586.6
申请日：2021-04-30
Applicant: 中北大学
Abstract: 本发明提出了一种复杂背景下的红外弱小目标检测方法，涉及红外目标检测领域。首先，定义滑动窗口并将其划分为多个单元，将中心单元的像素灰度值降序排列后计算其前K个灰度均值；其次，分别构建中心单元的相接邻域和相隔邻域并计算它们各自的灰度均值；再次，分别提取相接邻域和相隔邻域的显著图；然后，通过点乘两显著图抑制复杂背景并增强弱小目标；最后自适应提取目标，以实现复杂背景下红外弱小目标的高效准确检测。
-
公开(公告)号：CN107622507B
公开(公告)日：2020-04-07
申请号：CN201710676396.5
申请日：2017-08-09
Applicant: 中北大学
Abstract: 本发明涉及空中目标跟踪方法，具体为基于深度学习的空中目标跟踪方法，本方法按如下步骤进行：MDNet采集第一帧图像的正样本并进行随机取样，将随机取样后的样本作为数据集训练bounding‑box模型；其次，训练利用最小信息准则和最小二乘法确定阶数和参数的AR模型，估计目标运动轨迹并预测目标位置；然后，将该目标位置作为MDNet的采样中心，再利用bounding‑box回归模型调整目标位置，精确完成跟踪。本方法可以自适应提取空中目标特征，并结合AR模型有效利用目标的运动信息，可极大改善MDNet对目标特征的依赖性，在解决伪目标干扰的同时，提高跟踪精度。
-
公开(公告)号：CN107016658A
公开(公告)日：2017-08-04
申请号：CN201710265351.9
申请日：2017-04-21
Applicant: 中北大学
Abstract: 本发明涉及青铜器文物虚拟复原方法，尤其涉及青铜器孔洞虚拟修补方法，具体为基于回溯双向波前法的青铜器点云孔洞修补方法，本方法按如下步骤进行：对青铜器点云三角网格化并提取其孔洞边界，再依据边界点集曲率波动幅度去除伪孔洞边界；以边界回溯结果为初始点集，对凹、凸点分别采用正反向波前法逐圈新增点集直至补全；用孔洞边界替换该点集的第一圈后，从第二圈开始利用最小二乘法拟合曲面微调新增点集，获得修补结果，该方法在结构相似度和曲率连续性均得到了显著提高，可有效修补青铜器点云孔洞。
-
公开(公告)号：CN104978745B
公开(公告)日：2017-07-07
申请号：CN201510359498.5
申请日：2015-06-25
Applicant: 中北大学
Abstract: 本发明属于图像变化检测技术领域，具体涉及一种高分辨率可见光图像目标变化检测方法。本发明主要解决现有方法直接对全局进行检测导致目标误检率高的问题。本发明高分辨率可见光图像目标变化检测方法包括以下步骤：(1)：输入图像I1和图像I2；(2)：对图像I1、I2处理得到结构图像I′1、I′2；(3)：将图像I1、I2、I′1、I′2分为方形块；(4)：计算I′1、I′2分块后相同位置间的熵值差；(5)：计算I1、I2分块后相同位置间的结构相似度；(6)：将熵值差和结构相似度分别按各自的判断条件判定，确定出存在变化目标的图像块；(7)：计算图像块的对数比差异图与均值比差异图，并将两幅图融合获得融合差异图；(8)：将融合差异图处理得到最终变化目标图像；(9)：保存并输出。
-
公开(公告)号：CN103530853A
公开(公告)日：2014-01-22
申请号：CN201310486819.9
申请日：2013-10-17
Applicant: 中北大学
Abstract: 本发明涉及图像融合技术，具体为红外光强图像和红外偏振图像增强融合方法，解决现有红外融合图像固有的边缘区域失真、对比度低的问题。本方法按如下步骤进行：对红外光强图像和红外偏振图像分别进行支持度变换，得到低频图像和支持度序列图像；用数学形态学的顶帽变换分别提取明亮信息和黯淡信息；对明亮信息图像和黯淡信息图像增强；对两个最后一层的低频平均图像和两增强图像融合，得到低频增强融合图像；对低频增强融合图像和用取大法合成的支持度序列图像进行支持度逆变换得到最终的合成图像，该合成图像目标与背景的对比度增强，边缘区域失真低。
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.019 seconds)
