-
公开(公告)号：CN111043953B
公开(公告)日：2021-07-27
申请号：CN201910988106.X
申请日：2019-10-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习语义分割网络的二维相位解包裹方法。本发明包括如下步骤：步骤1、利用Zernike多项式产生网络训练数据并对网络进行训练；步骤2、用步骤1得到的训练数据对语义分割DeepLabV3+网络进行训练：步骤3、利用训练后的网络对包裹相位进行分割并和包裹相位相加，得到初步解包裹相位，并对初步解包裹相位进行后处理得到最终解包裹相位。本发明提出的方法的求解速度快，对噪声鲁棒，尤其针对于散斑干涉仪测到的大噪声相位图的相位解包裹。在光学成像研究领域有着很大的应用前景。
-
公开(公告)号：CN114140323A
公开(公告)日：2022-03-04
申请号：CN202111444549.6
申请日：2021-11-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于渐进残差生成对抗网络的图像超分方法。首先是对给定的真实目标图像进行下采样处理，获得一系列低分辨率图片集；搭建残差式生成对抗网络，从最低子网络层开始逐层训练，直至生成和原始真实图片相同分辨率的逼真的重构图片；最后，按照需要的超分辨率值对图像进一步上采样，叠加噪声输入至更上层子网络中迭代训练，最终得到所需要的超分辨率图像。本发明基于深度学习中的生成对抗网络模型，融入了加权的级联残差结构，能够高效充分利用输入图片的特征信息，拟合输入图片的数据特征，实现图片的超分辨率。相较于以往的方法，不仅成本低、容易实施，而且能够提升图像的超分辨率效果。
-
公开(公告)号：CN111158131A
公开(公告)日：2020-05-15
申请号：CN201911419444.8
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于傅里叶叠层成像的LED矩阵校正方法。本发明对成像系统及LED矩阵进行建模，明确每个LED的初始位置向量；根据捕获的低分辨率图像,计算代价函数；以求解代价函数全局最优解为目标，校正每个LED的位置偏差；按照傅里叶叠层成像方法，在校正LED照明矩阵的位置偏差后重构出目标样本的高分辨率图像。本发明根据光学计算成像理论与光学成像系统采集的数据完成照明光源的位置校正。对于一个多光源的成像系统，如果照明元件的位置排列不具合理性，就会对成像系统造成成像质量下降等许多不利影响，本发明通过进行光源位置校正，可以很好的改善系统成像的清晰度，削弱光源排列结构对图像造生的伪影等。
-
公开(公告)号：CN111043953A
公开(公告)日：2020-04-21
申请号：CN201910988106.X
申请日：2019-10-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习语义分割网络的二维相位解包裹方法。本发明包括如下步骤：步骤1、利用Zernike多项式产生网络训练数据并对网络进行训练；步骤2、用步骤1得到的训练数据对语义分割DeepLabV3+网络进行训练：步骤3、利用训练后的网络对包裹相位进行分割并和包裹相位相加，得到初步解包裹相位，并对初步解包裹相位进行后处理得到最终解包裹相位。本发明提出的方法的求解速度快，对噪声鲁棒，尤其针对于散斑干涉仪测到的大噪声相位图的相位解包裹。在光学成像研究领域有着很大的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN114140317A
公开(公告)日：2022-03-04
申请号：CN202111446222.2
申请日：2021-11-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于级联生成对抗网络的图像动漫化方法。首先分别对目标图片和参考图片进行预处理，获得低分辨率图片集；然后构建参考图片生成对抗网络，多次迭代训练参考图片生成对抗网络；再将经过下采样的目标图片输入到训练好的参考图片生成对抗网络模型当中，学习参考图片的风格特征；同时在每层子生成对抗网络中，设计额外的判别器，获得目标图片生成对抗网络，重复迭代训练目标图片生成对抗网络模型的每一层子生成对抗网络，直至训练结束，生成器生成含参考图片动漫风格的目标图片。本发明相较于传统方法，不仅成本低效率高，对于给定的目标图片，能够更好完成图片动漫风格的转换。
-
公开(公告)号：CN111158131B
公开(公告)日：2021-09-28
申请号：CN201911419444.8
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于傅里叶叠层成像的LED矩阵校正方法。本发明对成像系统及LED矩阵进行建模，明确每个LED的初始位置向量；根据捕获的低分辨率图像,计算代价函数；以求解代价函数全局最优解为目标，校正每个LED的位置偏差；按照傅里叶叠层成像方法，在校正LED照明矩阵的位置偏差后重构出目标样本的高分辨率图像。本发明根据光学计算成像理论与光学成像系统采集的数据完成照明光源的位置校正。对于一个多光源的成像系统，如果照明元件的位置排列不具合理性，就会对成像系统造成成像质量下降等许多不利影响，本发明通过进行光源位置校正，可以很好的改善系统成像的清晰度，削弱光源排列结构对图像造生的伪影等。
-
公开(公告)号：CN111121969B
公开(公告)日：2021-12-10
申请号：CN201911414668.X
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明是一种基于孔径扫描的多光谱叠层成像方法。本发明用孔径扫描替代LED矩阵，采用单束光照射，从样本出射的光波经过孔径，通过孔径循环扫描以及高光谱处理获得来自样本的不同位置的低分辨率图像，通过在傅里叶域内进行处理，最终获得样本的高分辨率图像。在实现叠层成像的前提上，克服了LED矩阵的缺点。还对瞳孔函数和样本光谱进行迭代更新，通过收敛瞳孔函数，使得获得的成像图片的分辨率更高。引入高光谱成像，通过高光谱成像进一步了解样本本质，从而构建出更加清晰的图像，能够对样本分析的更加透彻，为分析样本也提供了条件。
-
公开(公告)号：CN113538236A
公开(公告)日：2021-10-22
申请号：CN202110736530.2
申请日：2021-06-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的图像超分辨率重构方法。对目标图像进行预处理，提供GAN网络训练所需的图片信息；设计好GAN网络金字塔，使得网络可以以自监督的方式，从低分辨率到高分辨率不断的重建出逼近真实图像的虚假图像；在重构出原来分辨率大小的虚假图像的基础上，按照所需分辨率进行上采样；再次输入到原始分辨率的GAN网络层中进行迭代训练，得到超分辨图像。本发明采用注意力关注机制和自监督训练的方式重构图像，网络可在训练过程中根据需求调节对图片不同区域的关注度，生成更加逼真的重构图；同时自监督的方式在提升网络训练效果的同时避免了人工标注等繁杂操作，也杜绝了由于人工标注信息不准确对训练效果的影响。
-
公开(公告)号：CN111121969A
公开(公告)日：2020-05-08
申请号：CN201911414668.X
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明是一种基于孔径扫描的多光谱叠层成像方法。本发明用孔径扫描替代LED矩阵，采用单束光照射，从样本出射的光波经过孔径，通过孔径循环扫描以及高光谱处理获得来自样本的不同位置的低分辨率图像，通过在傅里叶域内进行处理，最终获得样本的高分辨率图像。在实现叠层成像的前提上，克服了LED矩阵的缺点。还对瞳孔函数和样本光谱进行迭代更新，通过收敛瞳孔函数，使得获得的成像图片的分辨率更高。引入高光谱成像，通过高光谱成像进一步了解样本本质，从而构建出更加清晰的图像，能够对样本分析的更加透彻，为分析样本也提供了条件。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
