-
公开(公告)号：CN114742721A
公开(公告)日：2022-07-12
申请号：CN202210278183.8
申请日：2022-03-21
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于多尺度STL‑SRU残差网络的定标红外非均匀性校正方法，所述定标红外非均匀性校正方法包括：步骤1、获取第一温度和第二温度下的黑体的第一温度图像和第二温度图像，所述第一温度小于所述第二温度；步骤2、利用所述第一温度图像和所述第二温度图像对目标场景图像进行校正处理，得到预处理校正图像；步骤3、将所述预处理校正图像输入训练好的多尺度STL‑SRU残差网络进行深度特征表示提取，将提取的特征表示作为最终的非均匀性校正结果。本发明的定标红外非均匀性校正方法在去除非均匀性噪声的基础上减少校正后图像的细节及对比度损失。
-
公开(公告)号：CN110954884B
公开(公告)日：2022-05-13
申请号：CN201911170802.6
申请日：2019-11-26
Applicant: 西安电子科技大学
Abstract: 本发明属于雷达信号处理领域，公开了一种基于StOMP的捷变频雷达稀疏场景目标重构方法，该方法改进了已有的OMP算法，在捷变频雷达针对稀疏场景目标重构中，引入了压缩感知模型，减少了数据量的传输和存储；针对捷变频雷达在稀疏重构中无法先验知道目标个数的问题，提出使用分段正交匹配追踪算法，无需先验地知道场景目标个数，更加符合实际应用。
-
公开(公告)号：CN108665423B
公开(公告)日：2022-04-29
申请号：CN201711436807.X
申请日：2017-12-26
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于引导滤波和高通滤波的红外图像非均匀性校正方法，将带有非均匀性的原始图像序列第一帧图像的高频成分赋值为第一个固定图案噪声f1；依次载入带有非均匀性的原始图像序列中第N帧图像作为当前帧图像，确定当前帧图像和第N‑1帧图像的差值获得第N‑1帧差值图像，根据第N‑1帧差值图像获得所述第N‑1帧图像每个像元的相对变化幅度；结合当前帧图像的高频成分和第N‑1帧差值图像每个像元的变化幅度进行高通滤波获得第n个固定图案噪声fn，根据第n个固定图案噪声fn对当前帧图像进行非均匀性校正，获得当前帧图像的校正结果；其中，N≥2，n≥2。本发明能够实现对由非均匀性引起的红外图像序列的固定图案噪声进行有效地去除。
-
公开(公告)号：CN111157114B
公开(公告)日：2022-01-28
申请号：CN201911361649.5
申请日：2019-12-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于波长转换的长波红外多光谱成像方法及装置，将原始长波红外光谱图像进行分光获得不同光谱通道的长波红外光谱图像；再将所述不同光谱通道的长波红外光谱图像转换成近红外光谱图像；通过基于随机高斯矩阵设计的编码模板对近红外光谱图像完成编码获得光谱图像；通过压缩感知原理从所述光谱图像恢复出原始长波红外光谱图像；通过基于深度学习的SRCNN网络对恢复出的原始长波红外光谱图像WP×Q×l进行超分重建，获得高质量的具有目标长波特性的近红外光谱图像WNP×NQ×l。本发明利用基于深度学习的算法对光谱进行重构和超分，基于深度学习的神经网络能更好的提取光谱图像的空间相关性和谱间相关性，得到更高分辨率和信噪比的光谱图像。
-
公开(公告)号：CN113902972A
公开(公告)日：2022-01-07
申请号：CN202111122569.1
申请日：2021-09-24
Applicant: 西安电子科技大学
Abstract: 本申请公开了一种基于低维流形建模和协同表示的高光谱图像异常检测方法，该方法包括：获取原始高光谱图像的采样图像；根据采样图像，确定背景图像；基于原始高光谱图像的每一个像元，在背景图像对应位置像元的周围构建背景字典；基于背景字典，确定原始高光谱图像的每一个像元的重构像元；确定重构像元与原始高光谱图像对应像元的残差，根据残差与预设阈值判定像元类别，得到检测结果。该方案的基于低维流形建模和协同表示的高光谱图像异常检测方法可以有效检测出高光谱图像中的异常点目标，并且可以更高的抑制背景信息。
-
Patent Agency Ranking
公开(公告)号：CN113902896A
公开(公告)日：2022-01-07
申请号：CN202111122570.4
申请日：2021-09-24
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06V10/143 , G06V10/80 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于扩大感受野的红外目标检测方法，构建用于提取特征的基础网络结构；将图像输入所述基础网络结构，经过多个卷积层逐层卷积，在不同的卷积层分别获得图像的低层特征图和高层特征图；通过在低层特征分支后添加设计构建的感受野模块RFB‑d与RFB‑w进行处理来扩大感受野，获得语义信息丰富的低层特征图；对所述语义信息丰富的低层特征图和高层特征图分别预测该特征图上每个网格对应的每个预测框所属的分类与边界框；通过非极大值抑制算法合并边界框，输出整个网络最终的预测结果。本发明在提高检测算法速度的同时，有效地提高了检测精度。
-
公开(公告)号：CN110544205B
公开(公告)日：2021-05-07
申请号：CN201910719987.5
申请日：2019-08-06
Applicant: 西安电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于可见光与红外交叉输入的图像超分辨率重建方法，步骤1：图像超分辨网络的训练；步骤2：超分辨图像的重建网络测试。本发明利用可见光图像有的丰富信息的特点，将其送入特征提取模块提取特征图后将特征图再和经过图像重构模块中引导滤波层的红外图像进行图像融合；通过亚像素卷积增加图像尺寸，并逐步添加特征信息；在网络中引入视觉图像特征和引导滤波层实现提高图像分辨率的目的。
-
公开(公告)号：CN112668469A
公开(公告)日：2021-04-16
申请号：CN202011578521.7
申请日：2020-12-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的多目标检测识别方法，点云映射网络对已有的3D点云数据集进行二维图像特征映射，加入偏移量特征，获得以三维点云投影并离散成分辨率固定的二维网格；其次，通过条状池化对所述二维网格进行卷积处理，获得一维向量的特征图；再次，卷积网络中引入注意力机制对一维向量的特征图进行强化处理；最后，针对所述一维向量的特征图中每个网格单元设计预测边界框，并且确定目标的空间位置、大小、类别概率和方向信息。本发明首次在点云映射方法中加入偏移量特征，在卷积网络中引入注意力机制，让模型可以更加关注信息量最大的通道特征，而抑制那些不重要的通道特征。
-
公开(公告)号：CN112560907A
公开(公告)日：2021-03-26
申请号：CN202011392343.9
申请日：2020-12-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于混合域注意力的有限像素红外无人机目标检测方法，通过基于注意力机制的单步级联神经网络对红外图像进行特征提取，获得特征图；对所述特征图进行上采样获得多尺度特征图，并对所述多尺度特征图分别进行特征融合与预测，获得目标检测最终结果。采用注意力机制与多尺度特征融合预测方法，提高对有限像素目标的特征提取能力与检测准确性。
-
公开(公告)号：CN107194889B
公开(公告)日：2021-02-02
申请号：CN201710330617.3
申请日：2017-05-11
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明涉及分块双边全变分正则化图像噪声消除方法，其包括以下步骤：(1)获取污染图像X0，并用污染图像X0初始化第1次迭代的去噪图像然后进入步骤(2)；(2)计算第t次迭代去噪图像的分块双边结构相似距离矩阵DWt，然后进入步骤(3)；(3)构建第t次迭代去噪图像的分块双边全变分正则项然后进入步骤(4)；(4)构建由保真项和分块双边全变分正则项组成的能量泛函Et，进入步骤(5)；(5)采用最陡下降法求解能量泛函Et的最小化问题，获得第t+1次迭代的去噪图像进入步骤(6)；(6)判断迭代次数是否小于最大迭代次数N，如果迭代次数小于最大迭代次数N，令t＝t+1并进入步骤(2)；否则，输出第t+1次迭代的去噪图像结束本次操作。
-
-
-
-
-
-
-
-
-
Search Results
262
records
(took 0.068 seconds)
