-
公开(公告)号：CN110189318B
公开(公告)日：2022-12-06
申请号：CN201910465182.2
申请日：2019-05-30
Applicant: 江南大学附属医院(无锡市第四人民医院) , 苏州科技大学 , 江南大学
Abstract: 本发明涉及一种带有语义特征得分的肺结节检测方法和系统。主要包括：构建特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络，对所述特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络进行训练；将待评测的胸部CT图像输入训练好的特征提取器网络，并由分类网络获得肺结节位置以及所述肺结节的分类，由第二语义特征网络获得肺结节的语义特征得分。上述方法可通过相应网络对胸部CT图像进行处理，并由分类网络获得肺结节位置以及所述肺结节的分类，由第二语义特征网络获得肺结节的语义特征得分。可自动获取肺结节的语义特征得分。
-
公开(公告)号：CN110189318A
公开(公告)日：2019-08-30
申请号：CN201910465182.2
申请日：2019-05-30
Applicant: 江南大学附属医院(无锡市第四人民医院) , 苏州科技大学 , 江南大学
Abstract: 本发明涉及一种带有语义特征得分的肺结节检测方法和系统。主要包括：构建特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络，对所述特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络进行训练；将待评测的胸部CT图像输入训练好的特征提取器网络，并由分类网络获得肺结节位置以及所述肺结节的分类，由第二语义特征网络获得肺结节的语义特征得分。上述方法可通过相应网络对胸部CT图像进行处理，并由分类网络获得肺结节位置以及所述肺结节的分类，由第二语义特征网络获得肺结节的语义特征得分。可自动获取肺结节的语义特征得分。
-
公开(公告)号：CN108596228B
公开(公告)日：2022-08-23
申请号：CN201810330707.7
申请日：2018-04-13
Applicant: 江南大学
IPC: G06V10/774 , G06V10/764 , G06V10/771 , G06K9/62
Abstract: 本发明公开了一种基于无监督模糊系统的脑功能磁共振图像分类方法，它涉及自闭症计算机辅助诊断技术领域。其步骤为：采集静息状态下的功能磁共振成像数据并进行预处理，选择AAL模板将大脑皮层分区，提取每个脑区的平均时间序列信号，使用皮尔逊相关系数计算得到低阶功能连接矩阵；基于低阶功能连接矩阵计算皮尔逊相关系数得到高阶功能连接矩阵，将每个对象的低阶和高阶脑功能连接矩阵分别拉直，使用基于流形正则化约束的无监督模糊系统进行降维，对降维后的低阶和高阶功能连接矩阵进行线性组合，使用SVM进行分类。本发明对静息态脑功能磁共振图像进行分类，将其应用于自闭症的计算机辅助诊断中，分类准确率高、泛化性能好、可解释性强。
-
公开(公告)号：CN110060226A
公开(公告)日：2019-07-26
申请号：CN201910287992.3
申请日：2019-04-11
Applicant: 江南大学
Abstract: 基于人类视觉梯度转化和全变差参数自适应图像融合方法，属于图像融合技术领域。其实现的步骤是：将融合问题转化为TV-L1模型最小化问题，其中的数据保真项保存图像结构信息的主要强度分布，正则项保存图像纹理信息的梯度变化，通过数值迭代得到中间结果图像，再通过相加获得融合图像。为了保证算法求解的收敛性，分析了相关参数的取值范围，在模型参数选择方面，运用全局方差估计法自适应地选择调整参数，可以有效地保护图像特征并提高运算效率。本发明能充分整合源图像的结构和功能信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN104268833B
公开(公告)日：2018-06-22
申请号：CN201410470345.3
申请日：2014-09-15
Applicant: 江南大学
Abstract: 本发明公开了一种基于平移不变剪切波变换(SIST)的图像融合方法。其实现步骤为：首先通过SIST对源图像进行多尺度多方向分解，获得低频子带及高频子带系数。其次，低频子带反映了图像的轮廓信息，通过局部结构张量奇异值分解方法得到辨识图像清晰度的局部结构描述子，以此作为融合策略中的活动测度函数，采用取大的策略融合。高频子带体现了图像的细节信息，本发明提出了一种改进的边缘强度度量方式，并构造了一种基于sigmoid函数与边缘强度度量的多策略融合规则用于高频子带融合。最后，对得到的融合系数进行逆SIST变换得到最终融合图像。本发明克服了传统图像融合方法容易造成边缘失真的缺陷，融合图像保留了更多的边缘和细节信息。
-
Patent Agency Ranking
公开(公告)号：CN107610165A
公开(公告)日：2018-01-19
申请号：CN201710815872.7
申请日：2017-09-12
Applicant: 江南大学
Abstract: 本发明公开了一种基于多特征的3-D剪切波域多模态医学序列图像融合方法，主要解决2-D分解工具无法处理3-D图像以及单特征融合方法易引入错误信息的问题。其实现步骤是：1)待融合序列图像进行3-D剪切波变换，得到高频、低频系数；2)低频子带系数采用基于区域能量取大的融合规则，高频子带系数采用综合多特征的融合规则；3)融合后的高、低频系数执行3-D剪切波逆变换获得融合后的序列图像。本发明能充分考虑了系数之间的相关性，精确地表示源图像的纹理、细节等特征，从而能有效避免将错误信息引入融合图像中，提高视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN107316285A
公开(公告)日：2017-11-03
申请号：CN201710541159.8
申请日：2017-07-05
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种面向苹果品质检测的图像融合方法，主要解决传统的水果品质检测有效性不高的问题。其实现步骤是：1)对苹果的可见光图像和红外图像分别使用四元数小波变换得到低频子带与高频子带；2)对低频子带使用基于局部平均梯度与局部标准差的加权平均方法进行融合；3)对高频子带采用基于导向滤波的绝对值取大的融合规则实现融合；4)最后，将融合后的高频系数与低频系数使用逆四元数小波变换得到融合后图像。本发明能很好的保留可见光图像中表皮的细节纹理和红外图像中检测到的次表面损伤信息。因此，所提方法能够提高苹果品质检测的准确性。
-
公开(公告)号：CN106803242A
公开(公告)日：2017-06-06
申请号：CN201611216386.5
申请日：2016-12-26
Applicant: 江南大学
CPC classification number: G06T5/50 , G06T5/001 , G06T5/007 , G06T5/10 , G06T2207/10004 , G06T2207/20064 , G06T2207/20192 , G06T2207/20221
Abstract: 本发明公开了一种基于四元数小波变换的多聚焦图像融合方法，主要是为了更准确地将源图像中的信息融入融合图像中。其实现步骤是：1)对待融合的两幅多聚焦图像进行四元数小波变换，分解得到一个低频子带(LL)及每层三个高频子带(LH、HL、HH)，其中每个子带对应四个四元数系数子带，通过四元数代数运算，这四个系数子带可以转换为一个幅值子带和三个相位子带；2)低频子带采用基于改进的相位梯度特征值取大的融合规则进行融合，高频子带采用基于四元数矩阵综合多特征的融合方法；4)对融合后的高、低频子带系数进行四元数小波逆变换获得融合后的图像。本发明能充分提取源图像的特征，精确地表示源图像，从而能有效避免将错误信息引入融合图像中，改善视觉效果，相比传统的融合方法极大的提高了融合图像的质量。
-
公开(公告)号：CN104104943A
公开(公告)日：2014-10-15
申请号：CN201310123323.5
申请日：2013-04-10
Applicant: 江南大学
IPC: H04N17/00 , H04N19/154
Abstract: 一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于按如下步骤进行：(一)选择LIVE2数据库中的JPEG2000图像作为训练样本；(二)将该库中的图像转化为相位一致图像；(三)计算相位一致图像的信息熵、对比度和同质性；(四)把图像的信息熵、对比度和同质性3个参数作为输入，DMOS的值作为输出，在LIVE2数据库上对广义回归神经网络进行训练学习；(五)用训练好的广义回归神经网络对待评价图像质量进行预测，得分作为图像的质量评价指标。本发明是一种不需要参考图像，评价JPEG2000图像质量好坏的方法，并且评价结果符合人类视觉主观认识结果。
-
公开(公告)号：CN110555823B
公开(公告)日：2023-04-07
申请号：CN201910287905.4
申请日：2019-04-11
Applicant: 江南大学
Abstract: 本发明公开了一种基于TVL结构纹理分解的图像融合质量评价方法，属于图像融合领域。其主要测试两幅源图像经过某种融合方法融合之后融合质量的好坏，以此来说明融合方法的优劣。其实现的主要步骤为：(1)选择恰当的系数利用TVL将图像一级分别分解为一级结构图像、一级纹理图像；(2)利用相同的系数将一级纹理图像继续分解为二级结构图像以及二级纹理图像，再根据相应的系数给每幅分解图像分配相应的系数；(3)利用边缘梯度指标QG来计算一级结构图像、二级结构图像、二级纹理图像的融合得分；(4)最后结合(2)中的权重以及(3)中的融合得分来得出每种融合方法的总得分，根据总得分来评价融合方法的好坏。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.032 seconds)
