-
公开(公告)号：CN109064478B
公开(公告)日：2021-06-11
申请号：CN201810785592.0
申请日：2018-07-17
Applicant: 暨南大学
IPC: G06T7/13
Abstract: 本发明属于图像处理领域，涉及一种基于极限学习机的天文图像轮廓提取方法，包括以下步骤：图像预处理、特征选取、极限学习机ELM模型建立、ELM模型训练及使用训练好的模型对像素进行分类。极限学习机ELM模型建立根据ELM算法搭建单层前向反馈神经网络，进行迭代训练，直至迭代次数达到阈值或分类正确率达到期望值时终止训练，得到一个用于区分天文图像轮廓像素与非轮廓像素的二分类器模型；导入训练好的二分类器模型，对测试集每幅图像的每个像素进行分类，将分类结果组合成二值图像，得到天体图像轮廓。本发明提取出的天文图像轮廓，内部噪声远远少于使用传统算子提取出的轮廓，且准确性高，可用于天文图像的轮廓提取。
-
公开(公告)号：CN109064478A
公开(公告)日：2018-12-21
申请号：CN201810785592.0
申请日：2018-07-17
Applicant: 暨南大学
IPC: G06T7/13
CPC classification number: G06T7/13 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明属于图像处理领域，涉及一种基于极限学习机的天文图像轮廓提取方法，包括以下步骤：图像预处理、特征选取、极限学习机ELM模型建立、ELM模型训练及使用训练好的模型对像素进行分类。极限学习机ELM模型建立根据ELM算法搭建单层前向反馈神经网络，进行迭代训练，直至迭代次数达到阈值或分类正确率达到期望值时终止训练，得到一个用于区分天文图像轮廓像素与非轮廓像素的二分类器模型；导入训练好的二分类器模型，对测试集每幅图像的每个像素进行分类，将分类结果组合成二值图像，得到天体图像轮廓。本发明提取出的天文图像轮廓，内部噪声远远少于使用传统算子提取出的轮廓，且准确性高，可用于天文图像的轮廓提取。
-
公开(公告)号：CN108509775A
公开(公告)日：2018-09-07
申请号：CN201810128524.7
申请日：2018-02-08
Applicant: 暨南大学
Abstract: 本发明提出了基于机器学习的恶意PNG图像识别方法，属于网络空间安全技术领域，首先建立PNG图像特征库和数字隐写识别模型；在服务端对上传图片文件请求进行审查，依据PNG图像特征库进行特征匹配识别，初步识别PNG图片是否合法，若合法则调用数字隐写识别模型挖掘PNG图片是否存在信息隐藏，若不合法或存在信息隐藏则拒绝上传；在客户端监测网页传输过程中的PNG图片格式文件数据，依据PNG图像特征库进行特征匹配识别，若合法则调用数字隐写识别模型挖掘PNG图片是否存在信息隐藏，若不合法或存在信息隐藏则禁止访问该图片资源。本发明可以在服务端禁止不合法图片的上传，在客户端禁止对不合法图片的访问，加强了网络安全。
-
公开(公告)号：CN108509775B
公开(公告)日：2020-11-13
申请号：CN201810128524.7
申请日：2018-02-08
Applicant: 暨南大学
Abstract: 本发明提出了基于机器学习的恶意PNG图像识别方法，属于网络空间安全技术领域，首先建立PNG图像特征库和数字隐写识别模型；在服务端对上传图片文件请求进行审查，依据PNG图像特征库进行特征匹配识别，初步识别PNG图片是否合法，若合法则调用数字隐写识别模型挖掘PNG图片是否存在信息隐藏，若不合法或存在信息隐藏则拒绝上传；在客户端监测网页传输过程中的PNG图片格式文件数据，依据PNG图像特征库进行特征匹配识别，若合法则调用数字隐写识别模型挖掘PNG图片是否存在信息隐藏，若不合法或存在信息隐藏则禁止访问该图片资源。本发明可以在服务端禁止不合法图片的上传，在客户端禁止对不合法图片的访问，加强了网络安全。
-
-
-
Search Results
4
records
(took 0.02 seconds)
