-
公开(公告)号：CN109037450B
公开(公告)日：2020-09-22
申请号：CN201810592160.8
申请日：2018-06-11
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于CH3NH3PbI3和MoSe2材料的光敏器件及其制备方法，包括以下步骤：选取Si衬底；在Si衬底上表面生长绝缘层；在绝缘层表面制备MoSe2材料形成导通层；在导通层表面溅射Au材料形成叉指电极层；在叉指电极层上生长CH3NH3PbI3材料形成光吸收层，从而形成所述基于CH3NH3PbI3和MoSe2材料的光敏器件。利用CH3NH3PbI3材料和MoSe2材料的特性来制备光敏器件，使其具有高光灵敏度、高电子迁移率的特点。
-
公开(公告)号：CN110570365A
公开(公告)日：2019-12-13
申请号：CN201910720005.4
申请日：2019-08-06
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于先验信息的图像去雾方法，根据暗通道先验结合远景浓雾区域像素点估计大气光值；根据色彩衰减先验分别确定远景浓雾区域像素点和近景薄雾区域像素点对应的大气透射率；根据暗通道先验确定近景薄雾区域像素点对应的大气透射率；确定去雾后的远景浓雾区域像素点对应的像素值和近景薄雾区域像素点对应的像素值；将所述去雾后的远景浓雾区域像素点对应的像素值和去雾后的近景薄雾区域像素点对应的像素值进行区域组合获得去雾后的图像。本发明通过改进暗通道先验和色彩衰减先验去雾算法在去雾应用中的不足，对于多种场景下的薄雾图像均有良好的去雾效果。
-
公开(公告)号：CN108171676B
公开(公告)日：2019-10-11
申请号：CN201711248987.9
申请日：2017-12-01
Applicant: 西安电子科技大学 , 中国电子科技集团公司第五十四研究所
IPC: G06T5/50
Abstract: 本发明公开了一种基于曲率滤波的多聚焦图像融合方法，其实现步骤为：(1)输入待融合多聚焦图像；(2)对远聚焦图像I1进行曲率滤波；(3)对近距离聚焦图像I2进行曲率滤波；(4)获取曲率滤波后的图像F1和F2；(5)生成特征图像矩阵；(6)获取聚焦度参量；(7)生成临时矩阵；(8)生成进阶矩阵；(9)生成融合图像。本发明利用了同一场景拍摄的聚焦距离远近不同的两幅多聚焦图像进行融合，在提取了图像边缘的清晰特征的同时，保留了聚焦度更高的清晰区域，克服了现有多聚焦图像融合技术中局部像素突变以及局部模糊的缺点。
-
公开(公告)号：CN109709843A
公开(公告)日：2019-05-03
申请号：CN201811522435.7
申请日：2018-12-13
Applicant: 西安电子科技大学
IPC: G05B19/042 , G06T7/136
Abstract: 本发明公开了一种列车注水口检测定位方法，采集列车注水口视频图像，同时对列车注水口视频图像进行阈值分割获得二值化的列车注水口视频图像；对所述二值化的列车注水口视频图像进行处理并且与列车注水口模板图像进行匹配，检测出注水口在列车注水口视频图像中的位置，并与注水口所在的预设位置范围进行比较，如果已经匹配则将匹配有效信号传输至机械装置控制模块控制机械装置移动停止，以及开始注水与停止注水。本发明能够实现对火车注水口的自动化检测识别，可24小时实时对停靠的列车进行检测，节省大量人工成本且工作效率高。
-
公开(公告)号：CN109037451A
公开(公告)日：2018-12-18
申请号：CN201810592174.X
申请日：2018-06-11
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于CH3NH3PbI3和Y2O3材料的MOS电容光敏器件及其制备方法，包括以下步骤：选取Si衬底；在Si衬底上表面生长Y2O3材料形成栅介质层；在栅介质层上表面生长CH3NH3PbI3材料形成光吸收层；在光吸收层上表面溅射Au材料形成第一电极；在Si衬底下表面溅射Al材料形成第二电极，从而形成基于CH3NH3PbI3材料和Y2O3材料的MOS电容光敏器件。利用CH3NH3PbI3材料作为光吸收层和Y2O3材料作为栅介质层来制备光敏器件，对改善现有光敏器件的性能具有很大的作用，本发明的光敏器件具有低功耗、高灵敏度的特点。
-
Patent Agency Ranking
公开(公告)号：CN108665425A
公开(公告)日：2018-10-16
申请号：CN201810282156.1
申请日：2018-03-28
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于帧间配准和自适应步长的红外图像非均匀性校正方法，首先计算第n帧和第n-1帧带有非均匀性的原始红外图像的归一化互功率谱，然后求得第n帧和第n-1帧带有非均匀性的原始红外图像的水平相对位移和垂直相对位移；再求出第n帧带有非均匀性的原始红外图像的每一个像元的空间方差和时间方差，利用得到的空间方差和时间方差计算第n帧带有非均匀性的原始红外图像的每一个像元的自适应迭代步长，使用迭代步长更新增益校正系数和偏置校正系数；最后对第n帧和第n-1帧带有非均匀性的原始红外图像的重叠区域的像元进行非均匀性校正。
-
公开(公告)号：CN120063501A
公开(公告)日：2025-05-30
申请号：CN202510235285.5
申请日：2025-02-28
Applicant: 西安电子科技大学
IPC: G01J5/70
Abstract: 本发明公开了一种用于红外辐射定标系统中的漂移快速补偿方法，基于两环境温度定标和基于两测试距离定标，分别对温度漂移和路径衰减进行修正，设定黑体温度、环境温度和测试距离三种因子分别至少有两种取值；在红外辐射定标系统的探测器线性响应区间，固定其中两种因子的取值，获取第三种因子在两种取值时黑体的红外图像灰度值，得到至少四个红外图像灰度值；联立四个红外图像灰度值的表达方程，求解黑体辐射亮度响应，温度漂移补偿系数，距离漂移系数和探测器响应偏置；根据求解结果，实现对环境温度和测试距离变化导致的灰度值衰减的快速补偿。
-
公开(公告)号：CN113902973B
公开(公告)日：2025-04-08
申请号：CN202111122594.X
申请日：2021-09-24
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种自编码器和低维流形建模的高光谱异常检测方法，通过原始高光谱图像对栈式自编码器进行训练，获得训练好的栈式自编码器；通过所述训练好的栈式自编码器对原始高光谱图像进行主要特征提取，以完成数据降维，获得降维后高光谱图像Y；对所述降维后高光谱图像Y进行L次随机采样，获得采样图像#imgabs0#l＝1,2,…,L；通过低维流形建模对所得每一个采样图像#imgabs1#进行重构，获得每一个特征采样图像#imgabs2#的重构背景子图像Xl；将所得重构背景子图像Xl求取平均值#imgabs3#作为原始高光谱图像的重构背景图像#imgabs4#；通过l2范数确定原始高光谱图像和重构背景图像#imgabs5#之间的残差r，以残差r作为最后的异常检测结果。本发明有效减少了冗余计算，提升了算法的整体性能，加快了算法速度。
-
公开(公告)号：CN116958792A
公开(公告)日：2023-10-27
申请号：CN202310867989.5
申请日：2023-07-14
Applicant: 西安电子科技大学
IPC: G06V10/98 , G01S7/41 , G01S13/90 , G01S13/86 , G06V10/80 , G06V10/766 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06V10/26
Abstract: 本发明公开了一种辅助SAR车辆目标检测的去虚警方法，涉及雷达目标检测技术领域，解决了现有技术中对目标进行检测时，虚警率较高，且容易出现低质量的检测框，难以对目标进行精准检测的问题；方法包括：获取相互配准的SAR图像和光学遥感图像；将SAR图像输入至训练好的目标检测网络中，得到初步目标检测结果；将光学遥感图像输入至训练好的目标分割网络，得到目标分割结果；将目标检测结果中边界框位置映射至分割图像上，计算处于边界框内部的所有非车辆目标像素点之和，根据一定阈值，去除初步目标检测结果中的虚警。本发明在原有目标检测框架基础上增强了预测特征层的特征表示能力，实现了复杂场景下去除虚警的功能，提升了SAR图像目标检测效果。
-
公开(公告)号：CN109583456B
公开(公告)日：2023-04-28
申请号：CN201811386234.9
申请日：2018-11-20
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于特征融合和稠密连接的红外面目标检测方法，构建包含所需识别目标的红外图像数据集，在所述红外图像数据集中标定所需识别目标的位置与种类，获得原有已知的标签图像；将所述红外图像数据集分为训练集和验证集两部分；对训练集中的图像进行图像增强的预处理并且进行特征提取和特征融合，通过回归网络获得分类结果和边界框；将所述分类结果和边界框与原有已知的标签图像进行损失函数计算，更新卷积神经网络的参数值；重复对卷积神经网络参数进行迭代更新，直至误差足够小或迭代次数达到设定的上限为止；通过训练完成的卷积神经网络参数对验证集中的图像进行处理，获取目标检测的准确度和所需时间，以及最终目标检测结果图。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.038 seconds)
