-
公开(公告)号：CN108550115A
公开(公告)日：2018-09-18
申请号：CN201810380243.0
申请日：2018-04-25
Applicant: 中国矿业大学
Abstract: 本发明涉及一种图像超分辨率重建方法，属于图像处理技术领域，解决了现有技术生成图像边缘信息模糊、不能适用多种放大倍数以及重建效果差的问题。所述方法包括如下步骤：构造训练和学习的卷积神经网络，所述卷积神经网络从上到下依次包括LR特征提取层、非线性映射层、HR重建层；用该卷积神经网络对输入的成对的LR图像和HR图像进行训练，同时进行至少两个放大尺度的训练，求得卷积神经网络的最优参数集和相应放大尺度下的尺度调节因子；训练完成后，将目标LR图像和目标放大倍数输入所述卷积神经网络，可得到目标HR图像。本发明卷积神经网络训练速度快，训练完成后可以实时得到训练尺度中任意放大倍数的HR图像。
-
公开(公告)号：CN107784651A
公开(公告)日：2018-03-09
申请号：CN201711047982.X
申请日：2017-10-31
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于模糊检测加权的模糊图像质量评价方法。包括以下步骤：对待评价图像进行边缘检测，得到边缘像素点；对上述图像进行分块，并将划分的图像块分为边缘块和平滑块；利用上述各边缘像素点的局部标准差和权值，得到整个图像的质量分数。本发明利用反映人眼视觉信息的模糊检测概率对各边缘像素点的局部标准差进行加权，能够很好得反映人眼视觉信息，提高了客观评价方法与主观图像质量评价方法的一致性，同时将低于最小可见模糊的边缘像素点权值设为零，评价指标具有更强的针对性，质量评价的准确度更高。
-
公开(公告)号：CN110232703B
公开(公告)日：2023-07-25
申请号：CN201910506528.9
申请日：2019-06-12
Applicant: 中国矿业大学
IPC: G06T7/246
Abstract: 本发明提出一种基于颜色和纹理信息的运动目标识别装置及方法，包括视频采集单元、显示单元、目标识别单元和PC控制单元，所述目标识别单元包括FPGA模块和数字信号处理模块，所述数字信号处理模块对FPGA模块预处理后的图像数据进行特征提取、信息融合以及进行目标识别计算，并将识别计算结果通过PC控制单元传输至显示单元；本发明通过利用在HSV颜色空间中对光照变化不敏感的H和S分量进行颜色特征信息的提取，可以提高对目标识别过程中对非均匀光照的鲁棒性，通过利用微分几何中的图像几何表面曲率结构对运动目标进行纹理特征信息的提取，可以提高照明不均匀、颜色背景相似条件下的运动目标的识别率。
-
公开(公告)号：CN109359594B
公开(公告)日：2022-06-21
申请号：CN201811209503.4
申请日：2018-10-17
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于视频处理的矿井皮带异常检测方法及装置，在皮带机之间的落煤口处架设高清摄像机，摄像机拍摄画面正对落煤口，实时采集落煤口视频信息，处理过程可视化；该方法包括：对落煤口监控视频提取的帧图像进行预处理，所述预处理包括图像灰度化和滤波处理；计算经预处理后的图像中煤颗粒像素数nc和划定检测区域总像素数n的比值，得到相对面积λs；当所述相对面积λs大于第一阈值Ts1时，确定所述图像中存在大煤块或堆煤情况；所述第一阈值Ts1取值范围：0
-
公开(公告)号：CN107784651B
公开(公告)日：2021-03-02
申请号：CN201711047982.X
申请日：2017-10-31
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于模糊检测加权的模糊图像质量评价方法。包括以下步骤：对待评价图像进行边缘检测，得到边缘像素点；对上述图像进行分块，并将划分的图像块分为边缘块和平滑块；利用上述各边缘像素点的局部标准差和权值，得到整个图像的质量分数。本发明利用反映人眼视觉信息的模糊检测概率对各边缘像素点的局部标准差进行加权，能够很好得反映人眼视觉信息，提高了客观评价方法与主观图像质量评价方法的一致性，同时将低于最小可见模糊的边缘像素点权值设为零，评价指标具有更强的针对性，质量评价的准确度更高。
-
Patent Agency Ranking
公开(公告)号：CN109636722B
公开(公告)日：2023-09-05
申请号：CN201811483016.7
申请日：2018-12-05
Applicant: 中国矿业大学
IPC: G06T3/40 , G06F18/2136 , G06F18/27 , G06F18/28
Abstract: 本发明涉及一种基于稀疏表示的在线字典学习超分辨率重建的方法，包括三个部分：先验信息、字典学习、稀疏重建；其中，在字典训练部分采用在线字典学习，不仅有效利用外部图像库信息，更加入图像本身信息更新字典；此外，在稀疏先验的基础之上，同时加入局部自回归模型和非局部自相似性作为先验信息，建立了非局部正则化的超分辨率重建模型，重建图像的各种结构特征；在稀疏重建阶段，利用多尺度自相似稀疏表示确定稀疏系数，不同尺度相似块间的对应关系构建非局部约束项，在图像重建模型中将多尺度自相似结构的附加信息引入到重建过程；该方法不仅能够减小测试图像对训练图像集的依赖，而且能够克服重建过程中图像块出现的局部失真或模糊，进一步提高重建图像的质量。
-
公开(公告)号：CN108550115B
公开(公告)日：2020-06-16
申请号：CN201810380243.0
申请日：2018-04-25
Applicant: 中国矿业大学
Abstract: 本发明涉及一种图像超分辨率重建方法，属于图像处理技术领域，解决了现有技术生成图像边缘信息模糊、不能适用多种放大倍数以及重建效果差的问题。所述方法包括如下步骤：构造训练和学习的卷积神经网络，所述卷积神经网络从上到下依次包括LR特征提取层、非线性映射层、HR重建层；用该卷积神经网络对输入的成对的LR图像和HR图像进行训练，同时进行至少两个放大尺度的训练，求得卷积神经网络的最优参数集和相应放大尺度下的尺度调节因子；训练完成后，将目标LR图像和目标放大倍数输入所述卷积神经网络，可得到目标HR图像。本发明卷积神经网络训练速度快，训练完成后可以实时得到训练尺度中任意放大倍数的HR图像。
-
公开(公告)号：CN110232703A
公开(公告)日：2019-09-13
申请号：CN201910506528.9
申请日：2019-06-12
Applicant: 中国矿业大学
IPC: G06T7/246
Abstract: 本发明提出一种基于颜色和纹理信息的运动目标识别装置及方法，包括视频采集单元、显示单元、目标识别单元和PC控制单元，所述目标识别单元包括FPGA模块和数字信号处理模块，所述数字信号处理模块对FPGA模块预处理后的图像数据进行特征提取、信息融合以及进行目标识别计算，并将识别计算结果通过PC控制单元传输至显示单元；本发明通过利用在HSV颜色空间中对光照变化不敏感的H和S分量进行颜色特征信息的提取，可以提高对目标识别过程中对非均匀光照的鲁棒性，通过利用微分几何中的图像几何表面曲率结构对运动目标进行纹理特征信息的提取，可以提高照明不均匀、颜色背景相似条件下的运动目标的识别率。
-
公开(公告)号：CN109636722A
公开(公告)日：2019-04-16
申请号：CN201811483016.7
申请日：2018-12-05
Applicant: 中国矿业大学
CPC classification number: G06T3/4076 , G06K9/6249 , G06K9/6255 , G06T3/4023 , G06T2207/20081
Abstract: 本发明涉及一种基于稀疏表示的在线字典学习超分辨率重建的方法，包括三个部分：先验信息、字典学习、稀疏重建；其中，在字典训练部分采用在线字典学习，不仅有效利用外部图像库信息，更加入图像本身信息更新字典；此外，在稀疏先验的基础之上，同时加入局部自回归模型和非局部自相似性作为先验信息，建立了非局部正则化的超分辨率重建模型，重建图像的各种结构特征；在稀疏重建阶段，利用多尺度自相似稀疏表示确定稀疏系数，不同尺度相似块间的对应关系构建非局部约束项，在图像重建模型中将多尺度自相似结构的附加信息引入到重建过程；该方法不仅能够减小测试图像对训练图像集的依赖，而且能够克服重建过程中图像块出现的局部失真或模糊，进一步提高重建图像的质量。
-
公开(公告)号：CN109410255A
公开(公告)日：2019-03-01
申请号：CN201811209548.1
申请日：2018-10-17
Applicant: 中国矿业大学
IPC: G06T7/33
Abstract: 本发明涉及一种基于改进的SIFT与哈希算法的图像配准方法及装置，该方法包括：将待匹配的至少两个图像分别构建高斯尺度空间；在所述高斯尺度空间中，检测出多个局部极值点；从多个所述局部极值点中选取多个关键点，对多个所述关键点分别进行72维的特征描述；通过缩小选取的特征点邻域范围降低了传统SIFT描述子的维度，降低了计算复杂度，提高了匹配速度；然后通过增加比较特征点向量之间的余弦距离这一过程，更好更有效的计算两个待匹配特征向量之间的相似度，提高匹配精度；最后通过对匹配点对进行均值感知哈希运算剔除一部分误匹配点对，减少了样本数据集中的无效数据，使得在匹配点数据集中迭代寻找最优参数矩阵更加高效。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
