-
公开(公告)号：CN106056602B
公开(公告)日：2019-06-28
申请号：CN201610365605.X
申请日：2016-05-27
Applicant: 中国人民解放军信息工程大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于CNN的fMRI视觉功能数据目标提取方法，首先被试在复杂场景自然图像刺激下采集到的fMRI视觉功能数据，训练一个由刺激图像到fMRI视觉功能数据的深度卷积神经网络模型，同时训练一个由fMRI视觉功能数据到关注目标类别的线性映射模型；在深度卷积神经网络模型中加入反馈层，将训练好的线性映射模型与其复合，对一幅测试图像中的不同目标类别分别得到类别评分映射；利用类别评分映射，分析被试观看全新测试图像的fMRI视觉功能数据，提取被试所关注的目标。本发明能够对被试观看复杂场景自然图像时所引发的fMRI视觉功能数据进行解析，提取出被试在图像中所关注的目标，提高提取关注目标的准确性。
-
公开(公告)号：CN104134206B
公开(公告)日：2017-03-15
申请号：CN201410336591.X
申请日：2014-07-15
Applicant: 中国人民解放军信息工程大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于三维二值特征描述子的CT体数据快速匹配方法，含有如下步骤：1：输入待拼接的两个CT体数据，并完成对其的特征点检测；2：确定特征点邻域内采样点的固定采样样式；3：将特征点邻域内的采样点组合成点对，并根据点对之间的灰度大小关系计算每个特征点的主方向；4：计算特征点在二维平面上的主方向，并以此二维平面上的主方向作为辅方向；5：根据特征点的主方向和辅方向对其进行方向规定化；6：在进行方向规定化后的特征点邻域内，计算特征点的二值特征描述，得到对应每个特征点的两种描述子；7：对两个CT体数据中的特征点进行匹配。本发明有效地提高了CT体数据中三维特征点匹配的准确率和效率。
-
公开(公告)号：CN104240272A
公开(公告)日：2014-12-24
申请号：CN201410338497.8
申请日：2014-07-16
Applicant: 中国人民解放军信息工程大学
IPC: G06T11/00
Abstract: 本发明公开了一种基于伪极坐标TV最小化直线轨迹CT图像重建方法，克服了现有技术中，直线轨迹计算机断层成像（linearcomputedtomography,LCT）技术的有限角度图像重建的问题。该发明包含以下步骤——步骤1：建立TV最小化重建模型；步骤2：利用ADM最小化TV模型；步骤3：利用PPFFT实现图像空-频域变换；步骤4：实现并运行算法，获得重建图像。该LCT重建技术基于交替方向法设计了TV最小化模型的求解算法，具有稳定的收敛性；并且，由于采用了伪极快速傅里叶变换，该算法具有优异的重建精度和计算效率。基于伪极坐标TV最小化LCT图像重建技术，在LCT技术投入实用化中具有重要意义。
-
公开(公告)号：CN104134206A
公开(公告)日：2014-11-05
申请号：CN201410336591.X
申请日：2014-07-15
Applicant: 中国人民解放军信息工程大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于三维二值特征描述子的CT体数据快速匹配方法，含有如下步骤：1：输入待拼接的两个CT体数据，并完成对其的特征点检测；2：确定特征点邻域内采样点的固定采样样式；3：将特征点邻域内的采样点组合成点对，并根据点对之间的灰度大小关系计算每个特征点的主方向；4：计算特征点在二维平面上的主方向，并以此二维平面上的主方向作为辅方向；5：根据特征点的主方向和辅方向对其进行方向规定化；6：在进行方向规定化后的特征点邻域内，计算特征点的二值特征描述，得到对应每个特征点的两种描述子；7：对两个CT体数据中的特征点进行匹配。本发明有效地提高了CT体数据中三维特征点匹配的准确率和效率。
-
公开(公告)号：CN106709924B
公开(公告)日：2019-11-22
申请号：CN201611020101.0
申请日：2016-11-18
Applicant: 中国人民解放军信息工程大学
Abstract: 本发明公开了一种基于深度卷积神经网络和超像素的图像语义分割方法，克服了现有技术中，现有语义分割方法的精度仍待提高的问题。该发明含有如下步骤：1：在图像分类数据集上训练一个由图像到类别标签的深度卷积网络分类模型；2：在深度卷积神经网络分类模型中加入反卷积层，在图像语义分割数据集上进行微调训练，实现从图像到图像语义分割结果的映射；3：将测试图像输入深度卷积神经网络语义分割模型中，得到各个像素的语义标签，同时将测试图像送入超像素分割算法，得到若干超像素区域；4：把超像素和语义标签进行融合，得到最终改善的语义分割结果。本方法改善现有图像语义分割方法的精度，在图像识别和应用中具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN106446890B
公开(公告)日：2019-09-06
申请号：CN201610625310.1
申请日：2016-10-28
Applicant: 中国人民解放军信息工程大学
Abstract: 本发明属于图像中的目标检测技术领域，具体的涉及一种基于窗口打分和超像素分割的候选区域提取方法，包括窗口打分算法和超像素分割算法，该候选区域提取方法包含以下步骤：1采用超像素算法对图像进行分割获得初始区域集合；2依据真值区域和初始区域设定正负样本，提取特征训练SVM；3对图像根据1提取初始区域，提取初始区域特征，采用2中训练得到的SVM进行分类，得到最终的候选区域。GS算法对于目标边缘良好的捕捉能力，在结合进BING算法的32种尺度图像中以后，能够尽可能的帮助捕捉任意尺度大小的目标。另外，将BING算法和GS算法进行结合实现了自顶向下的学习分类算法和自底向上的分割算法的结合，这样学习到的结果更利于对目标与背景进行区分。
-
公开(公告)号：CN104240272B
公开(公告)日：2017-03-15
申请号：CN201410338497.8
申请日：2014-07-16
Applicant: 中国人民解放军信息工程大学
IPC: G06T11/00
Abstract: 本发明公开了一种基于伪极坐标TV最小化直线轨迹CT图像重建方法，克服了现有技术中，直线轨迹计算机断层成像（linear computed tomography,LCT）技术的有限角度图像重建的问题。该发明包含以下步骤——步骤1：建立TV最小化重建模型；步骤2：利用ADM最小化TV模型；步骤3：利用PPFFT实现图像空-频域变换；步骤4：实现并运行算法，获得重建图像。该LCT重建技术基于交替方向法设计了TV最小化模型的求解算法，具有稳定的收敛性；并且，由于采用了伪极快速傅里叶变换，该算法具有优异的重建精度和计算效率。基于伪极坐标TV最小化LCT图像重建技术，在LCT技术投入实用化中具有重要意义。
-
公开(公告)号：CN106446890A
公开(公告)日：2017-02-22
申请号：CN201610625310.1
申请日：2016-10-28
Applicant: 中国人民解放军信息工程大学
Abstract: 本发明属于图像中的目标检测技术领域，具体的涉及一种基于窗口打分和超像素分割的候选区域提取方法，包括窗口打分算法和超像素分割算法，该候选区域提取方法包含以下步骤：1采用超像素算法对图像进行分割获得初始区域集合；2依据真值区域和初始区域设定正负样本，提取特征训练SVM；3对图像根据1提取初始区域，提取初始区域特征，采用2中训练得到的SVM进行分类，得到最终的候选区域。GS算法对于目标边缘良好的捕捉能力，在结合进BING算法的32种尺度图像中以后，能够尽可能的帮助捕捉任意尺度大小的目标。另外，将BING算法和GS算法进行结合实现了自顶向下的学习分类算法和自底向上的分割算法的结合，这样学习到的结果更利于对目标与背景进行区分。
-
公开(公告)号：CN106709924A
公开(公告)日：2017-05-24
申请号：CN201611020101.0
申请日：2016-11-18
Applicant: 中国人民解放军信息工程大学
Abstract: 本发明公开了一种基于深度卷积神经网络和超像素的图像语义分割方法，克服了现有技术中，现有语义分割方法的精度仍待提高的问题。该发明含有如下步骤：1：在图像分类数据集上训练一个由图像到类别标签的深度卷积网络分类模型；2：在深度卷积神经网络分类模型中加入反卷积层，在图像语义分割数据集上进行微调训练，实现从图像到图像语义分割结果的映射；3：将测试图像输入深度卷积神经网络语义分割模型中，得到各个像素的语义标签，同时将测试图像送入超像素分割算法，得到若干超像素区域；4：把超像素和语义标签进行融合，得到最终改善的语义分割结果。本方法改善现有图像语义分割方法的精度，在图像识别和应用中具有重要意义。
-
公开(公告)号：CN106780496A
公开(公告)日：2017-05-31
申请号：CN201611023726.2
申请日：2016-11-17
Applicant: 中国人民解放军信息工程大学
IPC: G06T7/10
CPC classification number: G06T2207/10004 , G06T2207/20024
Abstract: 本发明公开了一种融合改进局部灰度不均匀模型和局部方差的水平集图像分割方法，克服了现有技术中，灰度不均匀图像分割效果仍需改进的问题。该发明含有如下步骤：1、针对灰度不均匀图像特性，建立灰度不均匀的数学模型；2、通过高斯分布函数刻画图像灰度分布；3、通过低通滤波对原始图像进行处理；4、根据3建立图像局部数据项，同时建立规则化项，并结合2建立的局部统计项构造总体水平集能量函数；5、根据欧拉‑拉格朗日定理将能量函数转化为偏微分方程，通过梯度下降实现能量函数最小化。该技术中改进的灰度不均匀模型考虑了原始图像与估计图像之间的差异，分析了传统图像灰度不均匀模型存在的问题及引入此种差异后对分割结果的改进。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.031 seconds)
