-
公开(公告)号：CN103905815A
公开(公告)日：2014-07-02
申请号：CN201410099933.0
申请日：2014-03-19
Applicant: 西安电子科技大学
IPC: H04N17/00
Abstract: 本发明公开了一种基于高阶奇异值分解的视频融合性能评价方法，主要解决现有技术不能对含噪声视频图像的融合性能进行评价的问题。其实现步骤为：分别输入已配准的两个参考视频和一个融合视频；将已输入的视频组成一个四阶张量，并对其进行高阶奇异值分解，得到各自的空间几何特征背景图像和时间运动特征图像；再通过阈值化方法将时间运动特征图像划分为运动目标区域和噪声区域；然后分别设计不同的评价指标对各区域进行评价；最后通过幂指数乘法构建出整体性能评价指标，从而实现对视频图像整体融合性能的评价。本发明能够对噪声环境下视频的融合性能进行有效、准确和客观地评价，可用于监控融合视频图像质量。
-
公开(公告)号：CN103745472A
公开(公告)日：2014-04-23
申请号：CN201410018003.8
申请日：2014-01-15
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于条件三重马尔可夫场的SAR图像分割方法，主要解决现有技术中分割区域一致性不足的问题。其实现步骤是：1.输入SAR图像，并初始化标记场和辅助场；2.提取SAR图像的纹理特征，构建标记场和辅助场联合作用下的联合后验分布；3.利用Gibbs采样对联合后验分布采样，得到标记场和辅助场的几个样本；4.利用最大后验边缘概率MPM准则更新样本，得到更新的标记场和辅助场；5.利用更新前的标记场和辅助场进行参数训练，并判断更新的标记场是否满足退出条件，若满足则输出最终的分割结果，否则返回第3步继续迭代。本发明提高了SAR图像分割区域的一致性及边缘定位的准确性，可用于SAR图像目标检测与识别。
-
公开(公告)号：CN103095996A
公开(公告)日：2013-05-08
申请号：CN201310047223.9
申请日：2013-01-25
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于时空显著性检测的多传感器视频融合方法。其步骤为：1、分别输入两个已配准的视频；2、利用三维均匀离散曲波3D-UDCT分解获得子带系数；3、将视频区域划分为三种不同的区域；4、对于不同的区域，按照不同的融合策略进行组合，得到融合后视频的高通方向子带系数；5、将低通子带系数进行加权平均，得到融合后视频的低通子带系数；6、进行三维均匀离散曲波3D-UDCT逆变换，得到融合后视频。本发明克服了现有技术中受限于空间信息提取和时空一致性的缺陷，可以更好地提取输入视频图像中的显著的时空特征信息，使得视频具有更高的时空一致性和稳定性，对噪声鲁棒性好，可以用于静态背景的视频图像融合。
-
公开(公告)号：CN102231191A
公开(公告)日：2011-11-02
申请号：CN201110199503.2
申请日：2011-07-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于ASIFT的多模态特征提取与匹配方法，主要解决现有技术所不能解决的多模态图像的点特征提取与匹配问题。其实现步骤是：对ASIFT仿射变换模型倾斜量参数和经度参数进行采样，得到两幅输入图像的两组视图；在这两组视图上，采用高斯差分DoG特征检测方法检测特征点的位置与尺度信息；用平均平方梯度的方法设置特征的主方向且特征向量的幅值采用计数方式设定；计算特征的对称性ASIFT描述符；采用最近邻域方法对特征的对称性ASIFT描述符进行粗匹配以及使用优化随机采样方法去除误匹配特征。本发明能够在多种传感器感知的图像中提取和匹配特征，并且具有完全仿射不变特性，可以应用于目标识别与跟踪，图像配准等领域。
-
公开(公告)号：CN101930598A
公开(公告)日：2010-12-29
申请号：CN201010252202.7
申请日：2010-08-11
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于shearlet域非局部均值的图像去噪方法，主要解决现有的非局部均值方法对被高噪声腐蚀的自然图像去噪效果不佳的问题。其实现步骤为：输入一幅测试图像，加入噪声标准差为50的高斯白噪声；利用拉普拉斯金字塔方法将图像分解为3层，第一层采用非局部均值方法进行去噪处理，第二、第三层先利用shearlet方向滤波器组分别分解成四组shearlet系数，再对每组shearlet系数进行β值的估计，之后，对各组shearlet系数进行广义高斯模型下的非局部均值方法的去噪处理；对去噪结果进行重构，得到最终去噪结果。本发明具有对高噪声腐蚀的自然图像去噪效果好的优点，能恢复出图像原有的特征，可用于变化检测，目标识别时对图像的预处理。
-
Patent Agency Ranking
公开(公告)号：CN101339653B
公开(公告)日：2010-06-02
申请号：CN200810017443.6
申请日：2008-01-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于彩色传递与熵信息的红外与彩色可见光图像融合方法。其过程为：对彩色可见光图像的R、G、B三个通道图像求均值，得到灰度可见光图像；采用非采样Contourlet变换对灰度可见光图像及红外图像进行分解；构建基于红外图像与可见光物理特征的低频子带系数融合规则，和基于局部区域方向信息熵与区域能量相结合的带通方向子带系数融合规则，对源图像的变换系数进行组合，并对组合后的变换系数进行非采样Contourlet逆变换得到灰度融合图像；采用基于1αβ颜色空间的彩色传递方法将可见光图像的彩色信息传递到融合图像中，得到彩色融合图像。本发明既可有效提取可见光图像中的丰富背景信息及红外图像中的目标信息，又能够保持可见光图像中的自然彩色信息。
-
公开(公告)号：CN100573584C
公开(公告)日：2009-12-23
申请号：CN200810017326.X
申请日：2008-01-18
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于成像机理与非采样Contourlet变换的图像融合方法。其过程为：首先，采用非采样Contourlet变换对源图像进行多尺度、多方向分解得到不同频域子带系数；其次，针对低频子带系数构建一种基于方向向量范数的融合规则，针对带通方向子带系数构建一种基于局部方向对比度和方向向量标准方差相结合的融合规则；然后，根据构建的融合规则分别对源图像的低频子带系数和各带通方向子带系数进行组合，得到融合图像的非采样Contourlet变换系数；最后，进行非采样Contourlet逆变换重构出融合图像。本发明具有融合效果好，配准误差对融合性能的影响少，能够有效避免将噪声传输到融合图像中之优点，可用于各种成像系统的后续处理和图像显示。
-
公开(公告)号：CN120068257A
公开(公告)日：2025-05-30
申请号：CN202510089991.3
申请日：2025-01-21
Applicant: 西安电子科技大学
IPC: G06F30/15 , G06F30/23 , G06F113/26
Abstract: 本发明公开了一种基于复模态扩展和卡尔曼滤波的飞机智能蒙皮损伤识别方法，实现步骤为获取光纤光栅应变传感器位置处的应变值；构建飞机智能蒙皮的有限元模型并提取模态特征；构建复模态扩展方程；基于复模态扩展方程求解飞机智能蒙皮的全场应变值；获取飞机智能蒙皮损伤识别结果。本发明通过根据飞机智能蒙皮实物建立的等比例三维模型进行离散化所得到的有限元模型求解飞机智能蒙皮的全场应变值采用有限的光纤光栅应变传感器实时扩展全场应变，并基于全场应变进行损伤识别，有限元模型的结构简单且无需进行迭代优化，在保证识别精度的前提下有效提高了识别效率和鲁棒性。
-
公开(公告)号：CN113780305B
公开(公告)日：2024-03-12
申请号：CN202110913570.X
申请日：2021-08-10
Applicant: 西安电子科技大学
IPC: G06V10/46 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供的一种基于两种线索交互的显著性目标检测方法，所述检测方法包括：获取待检测图像，并将所述待检测图像翻转，获得增强图像信息；根据所述增强图像信息构建动态分组胶囊子网络提取所述待测图像的部分‑对象关系线索；根据所述增强图像信息采用密集高分辨率网络提取细节的对比度线索；采用注意力机制整合所述部分‑整体关系线索和所述对比度线索获得级联特征；根据所述级联特征预测最终显著性图，获得显著性预测图；对所述显著性预测图采用监督学习模型得到网络模型参数。获得了完整且精细的显著性预测图。
-
公开(公告)号：CN113436115B
公开(公告)日：2023-09-19
申请号：CN202110874144.X
申请日：2021-07-30
Applicant: 西安热工研究院有限公司 , 西安电子科技大学
IPC: G06T5/00 , G06T7/00 , G06V10/764 , G06V10/44 , G06V10/82 , G06N3/048 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于深度无监督学习的图像阴影检测方法，包括：(1)使用多种不同的传统无监督阴影检测模型对无标签的训练样本集进行预测，生成相应的预测阴影图：(2)构建初始伪标签生成模块，利用多个预测阴影图生成初始伪标签；(3)构建课程学习模块，利用多个阴影图设计由简单到复杂的学习课程；(4)构建伪标签更新模块，利用伪标签阴影强度作为评估标准，来评估已训练模型的预测阴影图和初始伪标签阴影图的可靠性，进而将可靠性高的阴影图作为新的伪标签；(5)构建基于轻量级网络结构的阴影检测模型；(6)利用课程学习和伪标签更新模块对网络模型进行多阶段训练，获得最后一阶段的网络模型参数；(7)预测图像的阴影结果图。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.033 seconds)
