-
公开(公告)号：CN114926383A
公开(公告)日：2022-08-19
申请号：CN202210545079.0
申请日：2022-05-19
Applicant: 南京邮电大学
Abstract: 本发明是一种基于细节增强分解模型的医学图像融合方法，包括：步骤1、数据集获取；步骤2、将彩色图像转换为YUV信道；步骤3、设计细节增强分解模型，对医学图像进行分解，得到基本层B和细节层L，所述基本层B包含图像的基本内容信息，所述细节层L包含纹理细节与边缘轮廓信息；步骤4、使用不同的融合规则对步骤3中获得的基本层B和细节层L分别进行融合，步骤5、根据融合后的图像进行重构。本发明能在较短的处理时间内提供更清晰的边缘细节和优越的色彩，为现代医学图像融合提供了一定的应用价值。
-
公开(公告)号：CN114882231A
公开(公告)日：2022-08-09
申请号：CN202210572822.1
申请日：2022-05-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多角度先验分析的红外小目标检测方法，具体步骤为：步骤1，将原始图像进行预处理获得灰度图像，构建原始图像的分片张量模型；步骤2，将灰度图像通过其对应的方向导数模型进行滤波，并构建对应的分片张量；步骤3，对灰度图像增加局部结构权重；步骤4，目标和背景分离；步骤5，图片重建、目标检测。本发明提出了多方向先验分析，利用重新加权的方式对目标进行增强，实现了在缺乏纹理信息和空间结构信息的恶劣环境下，对红外图像中目标进行精确检测，从而降低误警率。该方法在小目标检测过程中着重处理抑制背景和增强目标之间的平衡关系，即在获取背景边缘并抑制的同时，保留目标边缘的信息。
-
公开(公告)号：CN114842324A
公开(公告)日：2022-08-02
申请号：CN202210257144.X
申请日：2022-03-16
Applicant: 南京邮电大学
IPC: G06V20/10 , G06V10/26 , G06V10/44 , G06V10/74 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了伪装目标检测领域的一种基于学习神经网络的伪装目标检测方法及系统，采集检测图像输入至预先训练好的目标搜索模型，获得低级到高级依次设置的多层伪装目标表征；由各层伪装目标表征中提取伪装表征分片，并输入至预先训练好的目标识别模型获得相应等级的多个伪装识别特征；将各伪装识别特征进行卷积获得伪装识别层级图像，将各伪装识别层级图像进行叠加获得伪装识别图像；本发明通过感受野网络对提取的伪装表征f进行感受野放大，通过多尺度提取伪装表征分片输入目标识别模型中，重新拼接出伪装表征，捕获全局局部的上下文细节信息，可以更好识别边缘纹理结构，从而获得更高的识别准确率。
-
公开(公告)号：CN114842053A
公开(公告)日：2022-08-02
申请号：CN202210545083.7
申请日：2022-05-19
Applicant: 南京邮电大学
Abstract: 本发明是一种基于相对熵的相关滤波跟踪方法，包括步骤1：读取视频第一帧图像与待跟踪目标的位置信息，加入训练集；步骤2：提取当前训练集中的特征，训练相关滤波器，进行初始化，使用相对熵的度量方法对响应图进行拟合；步骤3：以上一帧目标位置为中心提取图像块用于目标检测，对当前帧图像的候选样本提取特征；步骤4：模型优化，生成优化更新后的基于相对熵的相关滤波器；步骤5：使优化更新后的相关滤波器与候选的图像块在频域上进行卷积操作，得到的结果通过逆傅里叶变换到时域的响应图；步骤6：重复步骤3‑5直至读取视频所有帧结束。该方法具有较高的识别精度，能够在光照变化，目标遮挡、变形和快速运动等复杂环境下稳定的跟踪目标。
-
公开(公告)号：CN109858483B
公开(公告)日：2022-08-02
申请号：CN201910056298.0
申请日：2019-01-22
Applicant: 南京邮电大学
IPC: G06V10/25 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于共生滤波形态学和局部熵的小目标检测方法，该方法包括如下步骤：步骤1：提取原图像共生矩阵；步骤2：图像进行共生滤波形态学腐蚀，使用带局部熵的自适应结构元素进行取最小值操作；步骤3：提取腐蚀后图像共生矩阵；步骤4：对腐蚀后图像进行共生滤波形态学膨胀，使用带局部熵的自适应结构元素进行取最大值操作；步骤5：将原图像矩阵减去膨胀之后的图像，得到原图像Top‑Hat变换后的滤波图像；步骤6：将滤波灰度图像转换为双精度，提升显示效果，显示目标图像。本发明解决了现有方法中目标突出效果不明显，以及对噪声敏感的问题。
-
Patent Agency Ranking
公开(公告)号：CN114677293A
公开(公告)日：2022-06-28
申请号：CN202210227879.8
申请日：2022-03-08
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于深度子空间嵌入的全色锐化方法及装置，其主要步骤概括为：步骤1：从遥感卫星数据集中获得全色图像（PAN）和多光谱图像（MS），并进行像素匹配；步骤2：对通过步骤一得到的MS数据进行子空间表征，得到子空间基；步骤3：根据步骤一得到的MS图与PAN图，将它们输入由杨俊峰博士设计的用于全色锐化的神经网络PanNet，得到一份该网络输出的高分辨率多光谱图像；步骤4：将以上步骤得到的数据输入本算法的数学模型中，根据替代方向乘数方法进行迭代，迭代计算得到高分辨率多光谱图像。提出的发明方法能够通过观测到的全色图像与多光谱图像得到噪声更少、光谱失真更少、纹理更加清晰的高分辨率多光谱图像。
-
公开(公告)号：CN114418967A
公开(公告)日：2022-04-29
申请号：CN202111638196.3
申请日：2021-12-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于空间感知的非局部低秩红外小目标检测方法，旨在解决现有技术中红外小目标检测过程中可辨别性的问题。其包括：建立非局部低秩检测模型，并获取多幅连续采集的待检测红外图像；根据待检测红外图像为非局部低秩检测模型设置参数权重；对每一幅待检测红外图像进行去噪、图像分割和相似块分类，得到分类后的红外补丁块；根据分类后的红外补丁块，利用非局部低秩检测模型计算目标图像并进行迭代优化，得到最优目标图像。本发明方法能够更好的概括非局部空间稀疏限制，避免低秩矩阵的偏离近似值，能够更好的恢复出目标结构更加明确、纹理更加清晰的干净红外目标图像。
-
公开(公告)号：CN113298136A
公开(公告)日：2021-08-24
申请号：CN202110556609.7
申请日：2021-05-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于alpha散度的孪生网络跟踪方法，旨在解决现有技术难以实现高鲁棒性和准确性的视觉跟踪的技术问题。其包括：获取待跟踪图像和训练好的孪生网络，所述孪生网络基于alpha散度进行训练；利用ResNet50提取待跟踪图像的深度特征；利用目标中心回归分支处理待跟踪图像的深度特征，获得待跟踪图像的预测目标位置；利用目标框回归分支分别处理待跟踪图像的深度特征，获得待跟踪图像的预测目标框。本发明能够从概率角度解释了人工标注带来的噪声、不确定度，具有更高的准确性和鲁棒性。
-
公开(公告)号：CN110443209A
公开(公告)日：2019-11-12
申请号：CN201910729259.2
申请日：2019-08-08
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于矩阵恢复的红外小目标检测方法，将红外小目标检测作为低秩和稀疏矩阵的恢复优化问题，采用截断核范数代替传统的核范数，只对矩阵的秩以外的数据约束最小化，避免了所有奇异值被同时最小化而不能很好地近似秩的缺点；在优化稀疏矩阵恢复问题上采用lq-norm代替传统的l1-norm，避免了因稀疏约束松弛而导致结果偏离实际的问题；本发明采用交替方向乘数(ADMM)给出了一种详细的算法来解决这种具有两个非平滑分量的非凸问题，通过选取信号杂波比增益和背景抑制因子两种指标，对4种不同模型进行对比实验，可以得出本发明提出的方法具有更高的准确性和鲁棒性。
-
公开(公告)号：CN109753912A
公开(公告)日：2019-05-14
申请号：CN201811620045.3
申请日：2018-12-27
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明揭示了一种基于张量的多光谱掌纹匹配方法，该方法包括如下步骤：S1：得到目标掌纹图像，S2：预处理步骤；对S1步骤中得到的目标掌纹图像中的感兴趣图像进行预处理；S3：特征提取步骤；对经S2步骤预处理后的灰度图像上的掌纹兴趣点提取；S4：存储步骤；将S3步骤提取到的掌纹特征存储至掌纹信息库，再对掌纹信息库中的信息进行提取；S5：特征点匹配步骤；对S4步骤提取到的掌纹信息进行特征点匹配；S6：图像匹配分数计算，根据匹配点对间的结构信息构建张量，求解匹配分数判断匹配结果。本发明利用了一种新的算法实现了在颜色空间上的去相关，使得各层色彩空间之间的对比度更强，同时各层图片也具有了更为丰富的特征信息。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.028 seconds)
