-
公开(公告)号：CN116664462A
公开(公告)日：2023-08-29
申请号：CN202310568133.8
申请日：2023-05-19
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于MS‑DSC和I_CBAM的红外和可见光图像融合方法，属于图像融合技术领域，该方法采用MS‑DSC对已配准的源图像进行特征提取，既克服单一尺度特征提取不足，又分别考虑了图像区域中的通道信息和空间信息，在减少参数的同时增强了网络表达能力，能更准确的提取目标对象的特征信息，将提取的特征信息采用I_CBAM从通道和空间两方面对图像的显著信息聚焦，抑制无用通道信息确保在融合时所有的显著特征都可以被利用，提升融合质量。本发明采用的I_CBAM算法是对原有算法的进一步改进，不仅展现了注意力机制在图像处理中的独特优势，而且在保留显著特征信息的同时降低了模型复杂度，通过与其他算法相结合，实现了纹理细节和场景信息清晰化，提升了融合质量。
-
公开(公告)号：CN118822867A
公开(公告)日：2024-10-22
申请号：CN202410953796.6
申请日：2024-07-16
Applicant: 兰州交通大学
IPC: G06T5/50 , G06T5/60 , G06T7/30 , G06V10/40 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/047 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于对比约束和IDFAM的多分支医学图像融合方法，涉及图像融合技术领域，包括在编码层阶段，将成对的源图像分别送入私有特征提取分支，在私有分支中，设计了多尺度残差模块和梯度密集连接模块，并将其交替利用，以有效提取各个模态的独有特征；同时将源图像放入公有特征提取分支提取互补信息，设计了信息交互的机制，以确保充分提取互补信息；其次，对公有分支和私有分支分别构建了融合深层特征的注意力机制，在融合层，我们将三条路径提取的特征采用Concatenation和卷积策略进行融合。在解码层，我们采用残差的解码器网络，通过解码器前三个卷积层重建公共和私有特征，最终的融合图像通过解码器的最后一层卷积重建。
-
公开(公告)号：CN116246067B
公开(公告)日：2023-10-27
申请号：CN202310038986.0
申请日：2023-01-12
Applicant: 兰州交通大学
IPC: G06V10/26 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于CoAUnet的医学图像分割方法，包括以下步骤：在原有实验数据集基础上数据增强处理扩充肝脏分割数据集‑使用DTC‑FCMSPCNN对肝脏分割数据集中的图片进行预处理，确定任务目标区域，并将无用部分进行遮盖处理‑将DTC‑FCMSPCNN处理好的肝脏分割数据集用于CoAUnet的训练和测试‑将CoAUnet的分割结果作为最终分割结果。本发明采用上述一种基于CoAUnet的医学图像分割方法，结合DTC‑FCMSPCNN和CoA Unet的端到端的医学图像分割方法，能显著缩短深度学习模型训练时间，提高分割精度及医学图像诊断速度，给出综合有效的治疗方案，改进临床决策准确性。
-
公开(公告)号：CN110677861A
公开(公告)日：2020-01-10
申请号：CN201910914792.6
申请日：2019-09-26
Applicant: 兰州交通大学
Abstract: 本发明公开了一种面向5G异构网络的网络选择方法，包括：根据业务类型和网络时变特性设定网络切换判决条件；根据业务需求，基于移动用户的QoS属性构建MDP模型及所述MDP模型的回报函数；采用层次分析法确定所述QoS属性的权重；当满足所述网络切换判决条件时，通过遗传-模拟退火算法对所述MDP模型进行求解；根据求解结果，选择长期期望回报值最大的网络。切实解决了5G超密集网络异构条件下的网络选择技术难题。
-
公开(公告)号：CN116664467A
公开(公告)日：2023-08-29
申请号：CN202310677578.X
申请日：2023-06-09
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于交叉神经网络和ECA‑S的多模态医学图像融合方法，属于医学图像分析领域，该方法在融合网络模型中以两种单模态医学图像作为输入，通过结构功能模块和功能结构模块交叉提取图像特征信息，能够实现结构信息和功能信息之间的交互，从而很好地提取医学图像的纹理细节信息，将提取的特征信息采用ECA‑S注意力机制通过不断调整结构信息和功能信息权重来融合图像，在分解网络模型中，由残差网络组成的分解网络迫使融合图像包含更丰富的信息。本发明采用交叉网络、改进注意力机制和分解网络的结合实现多模态医学图像融合，融合后的图像纹理细节和对比度处理更为细致，算法复杂度更低，实现了已有方法的优化和已有技术的升级。
-
Patent Agency Ranking
公开(公告)号：CN115222724A
公开(公告)日：2022-10-21
申请号：CN202210940365.7
申请日：2022-08-05
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于NSST域混合滤波与ED‑PCNN的医学图像融合方法，该方法将已配准好的彩色医学图像利用YUV空间转换分离出亮度通道Y、色度通道U、浓度通道V，对分离出的亮度通道的灰度图像和已配准好的MRI图像分别采用混合滤波进行增强，增强后的图像进行NSST分解，低频子带采用局部区域能量加权和与改进的拉普拉斯能量和，高频子带采用ED‑PCNN算法，最后经NSST重构得到最终融合图。本发明，混合滤波融合了两种图像增强算法，在保证图像对比度增强的同时不增加噪声和丢失细节信息。本发明，ED‑PCNN算法合并了多种图像融合相关算法，进一步发挥出PCNN模型较传统模型精确度高、复杂性低的优点，且能精确控制神经元的点火次数与点火频率，提高了模型对像素空间的描述能力。
-
公开(公告)号：CN116664467B
公开(公告)日：2025-04-29
申请号：CN202310677578.X
申请日：2023-06-09
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于交叉神经网络和ECA‑S的多模态医学图像融合方法，属于医学图像分析领域，该方法在融合网络模型中以两种单模态医学图像作为输入，通过结构功能模块和功能结构模块交叉提取图像特征信息，能够实现结构信息和功能信息之间的交互，从而很好地提取医学图像的纹理细节信息，将提取的特征信息采用ECA‑S注意力机制通过不断调整结构信息和功能信息权重来融合图像，在分解网络模型中，由残差网络组成的分解网络迫使融合图像包含更丰富的信息。本发明采用交叉网络、改进注意力机制和分解网络的结合实现多模态医学图像融合，融合后的图像纹理细节和对比度处理更为细致，算法复杂度更低，实现了已有方法的优化和已有技术的升级。
-
公开(公告)号：CN116664462B
公开(公告)日：2024-01-19
申请号：CN202310568133.8
申请日：2023-05-19
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于MS‑DSC和I_CBAM的红外和可见光图像融合方法，属于图像融合技术领域，该方法采用MS‑DSC对已配准的源图像进行特征提取，既克服单一尺度特征提取不足，又分别考虑了图像区域中的通道信息和空间信息，在减少参数的同时增强了网络表达能力，能更准确的提取目标对象的特征信息，将提取的特征信息采用I_CBAM从通道和空间两方面对图像的显著信息聚焦，抑制无用通道信息确保在融合时所有的显著特征都可以被利用，提升融合质量。本发明采用的I_CBAM算法是对原有算法的进一步改进，不仅展现了注意力机制在图像处理中的独特(56)对比文件CN 116071281 A,2023.05.05US 2019080431 A1,2019.03.14US 2022044374 A1,2022.02.10Zhishe Wang et al.Infrared andVisible Image Fusion via InteractiveCompensatory Attention AdversarialLearning.arXiv.2022,全文.Hui Li et al.Infrared and visibleimage fusion using a novel deepdecomposition method.arXiv.2018,全文.邵毅明;屈治华;邓天民;宋晓华.基于加权密集连接卷积网络的快速交通标志检测.交通运输系统工程与信息.2020,(第02期),全文.赵斌;王春平;付强.显著性背景感知的多尺度红外行人检测方法.电子与信息学报.2020,(第10期),全文.陈潮起;孟祥超;邵枫;符冉迪.一种基于多尺度低秩分解的红外与可见光图像融合方法.光学学报.2020,(第11期),全文.
-
公开(公告)号：CN116246067A
公开(公告)日：2023-06-09
申请号：CN202310038986.0
申请日：2023-01-12
Applicant: 兰州交通大学
IPC: G06V10/26 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于CoAUnet的医学图像分割方法，包括以下步骤：在原有实验数据集基础上数据增强处理扩充肝脏分割数据集‑使用DTC‑FCMSPCNN对肝脏分割数据集中的图片进行预处理，确定任务目标区域，并将无用部分进行遮盖处理‑将DTC‑FCMSPCNN处理好的肝脏分割数据集用于CoAUnet的训练和测试‑将CoAUnet的分割结果作为最终分割结果。本发明采用上述一种基于CoAUnet的医学图像分割方法，结合DTC‑FCMSPCNN和CoA Unet的端到端的医学图像分割方法，能显著缩短深度学习模型训练时间，提高分割精度及医学图像诊断速度，给出综合有效的治疗方案，改进临床决策准确性。
-
公开(公告)号：CN115222725B
公开(公告)日：2023-04-18
申请号：CN202210940371.2
申请日：2022-08-05
Applicant: 兰州交通大学
IPC: G06T7/00 , G06N3/08 , G06N3/0464 , G06V10/82
Abstract: 本发明公开了一种基于NSCT域PCRGF与双通道PCNN医学图像融合方法，该方法内容如下：采用PCRGF将已配准好的CT源图像进行图像增强，提高骨骼区域清晰度的同时删除小尺度结构，最大程度上提高中心坐标提取的鲁棒性，将PCRGF增强的CT图像与MRI源图像经NSCT变换分解为高频子带和低频子带，采用加权求和修正拉普拉斯算法计算图像CT和图像MRI的高频系数，采用参数自适应双通道PCNN计算图像CT和图像MRI低频子带，最后通过逆NSCT变换得到最终的融合图像。本发明，采用PCRGF算法与参数自适应双通道PCNN算法，对原有RGF算法和双通道PCNN加以改进，进一步显现出RGF的快速的收敛性，而且保留其他内容的同时删除小规模结构，并与其他算法相结合，实现了纹理细节和轮廓结构清晰化。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.015 seconds)
