-
公开(公告)号：CN108846845B
公开(公告)日：2022-03-04
申请号：CN201810651494.8
申请日：2018-06-22
Applicant: 西安电子科技大学
IPC: G06T7/11 , G06T5/40 , G06V10/762 , G06K9/62
Abstract: 本发明公开了一种基于缩略图与分层模糊聚类的SAR图像分割方法，主要解决现有SAR图像分割方法受噪声影响较大，分割正确率较低，以及运算复杂度较高的问题。其实现方案为：1.输入一副待分割的SAR图像I；2.将图像分为大小相近的像素组，并利用相似近邻信息构造出待分割图像的缩略图It；3.利用模糊C均值算法结合缩略图It中的邻域信息对此缩略图中的像素点进行聚类；4.根据聚类结果得到缩略图的分割结果图Rt；5.利用缩略图的分割结果图Rt对原始SAR图像进行分层次的分割，得到输入图像的分割结果图R。本发明减少了噪声对图像分割结果的影响，提高了SAR图像分割的正确率，降低了运算复杂度，可用于遥感数据分析，城市规划和环境监测。
-
公开(公告)号：CN110533679B
公开(公告)日：2021-09-03
申请号：CN201910688034.7
申请日：2019-07-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于对数变换与伽柏卷积的SAR图像边缘检测方法，主要解决现有技术合成孔径雷达SAR图像边缘检测不准确以及耗时长的问题。其实现步骤如下：(1)生成含有48个伽柏卷积核的卷积核模型；(2)计算每个卷积核对应的卷积图；(3)通过计算卷积图获得图像的梯度边缘；(4)计算每个卷积核对应的对数变换卷积图；(5)通过计算对数变换边缘卷积图获得图像的比率边缘；(6)将梯度边缘和比率边缘进合并，从而得到最终的SAR图像边缘检测结果。本发明得到了良好SAR图像的边缘检测结果，可用于SAR图像的地形检测，灾害探测。
-
公开(公告)号：CN108830330A
公开(公告)日：2018-11-16
申请号：CN201810650236.8
申请日：2018-06-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自适应特征融合残差网的多光谱图像分类方法，主要解决现有技术中普适性不高以及不能充分利用多层次特征的问题。本发明的具体步骤如下：(1)输入多光谱图像；(2)对多光谱图像进行归一化处理；(3)选取训练样本和测试样本；(4)生成训练数据集；(5)搭建基础残差网；(6)搭建自适应特征融合网；(7)生成自适应特征融合残差网；(8)训练自适应特征融合残差网；(9)生成测试数据集；(10)对测试数据集进行分类。本发明能够自适应地融合多层次的特征，提取判别性更好、语义信息更丰富的特征，具有训练和测试过程简单、充分利用特征的优点。
-
公开(公告)号：CN109102512B
公开(公告)日：2021-03-09
申请号：CN201810885507.8
申请日：2018-08-06
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于DBN神经网络的MRI脑肿瘤图像分割方法，先从已有的病人脑MRI序列图像库中摘选出多幅作为训练样本，对其预处理并计算显著性图；然后下采样送入DBN神经网络先后进行无监督和有监督训练，针对训练样本极度不平衡的情况，对非肿瘤区域进行了下采样处理，提高了阳性样本的检出率；训练完成后，即可将待分割的测试图像送入到网络进行分割，引入视觉注意模型，增强了网络对较难分割区域的分割准确率，最后输出分割结果。
-
公开(公告)号：CN108921853A
公开(公告)日：2018-11-30
申请号：CN201810651506.7
申请日：2018-06-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素和免疫稀疏谱聚类的图像分割方法，主要解决现有图像分割方法的分割精确低和鲁棒性差的问题。其方法步骤是：首先，对纹理图像进行超像素划分，提取其纹理特征，作为特征数据集；然后，在谱聚类过程中结合免疫克隆算法和稀疏表示寻找最佳的特征数据集的相似度矩阵；最后，根据聚类标签结合超像素标记原始图像，实现对纹理图像的分割。本发明提取图像的超像素块作为特征数据集，用基于免疫稀疏谱聚类的图像分割方法对特征数据集进行划分，获得了更准确的分割结果。
-
Patent Agency Ranking
公开(公告)号：CN113971442B
公开(公告)日：2025-03-21
申请号：CN202111267097.9
申请日：2021-10-28
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于自步学习的生成通用对抗扰动方法及系统，准备训练数据集；对数据集添加扰动；判断扰动成功率；通过自步学习筛选需要扰动的样本；使用DeepFool算法产生扰动；更新扰动；返回通用扰动变量；能够自动地剔除或选择要扰动的样本，并对这些样本梯度求平均，更高效的生成对抗样本；本发明生成通用对抗扰动时，应尽可能多地提高通用扰动的成功攻击比例，为此应当放弃一小部分非常难以扰动，或者与大部分扰动成功的对抗样本扰动方向完全相反的样本。所以采用自步学习进行筛选样本，将容易被扰动的样本首先进行扰动，难样本进行舍弃，以达到高成功率的结果。
-
公开(公告)号：CN109190759A
公开(公告)日：2019-01-11
申请号：CN201810866365.0
申请日：2018-08-01
Applicant: 西安电子科技大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于{-1，+1}分解的神经网络压缩与加速方法，主要解决现有技术中无法将深度神经网络模型很好的用到手机与小型嵌入式设备的问题先构建神经网络模型，然后确定{-1,1编码位数}；再训练神经网络模型参数并量化；再对量化后的模型参数进行重新{-1,1}编码；再对神经网络模型添加编码层；最后将神经网络内部矩阵或向量乘法操作替换成若干个二值位运算操作。本发明具有对神经网络参数与激活值进行重新{-1,1}编码，降低模型参数的储存空间，实现模型计算加速的优点。
-
公开(公告)号：CN109102512A
公开(公告)日：2018-12-28
申请号：CN201810885507.8
申请日：2018-08-06
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于DBN神经网络的MRI脑肿瘤图像分割方法，先从已有的病人脑MRI序列图像库中摘选出多幅作为训练样本，对其预处理并计算显著性图；然后下采样送入DBN神经网络先后进行无监督和有监督训练，针对训练样本极度不平衡的情况，对非肿瘤区域进行了下采样处理，提高了阳性样本的检出率；训练完成后，即可将待分割的测试图像送入到网络进行分割，引入视觉注意模型，增强了网络对较难分割区域的分割准确率，最后输出分割结果。
-
公开(公告)号：CN108846845A
公开(公告)日：2018-11-20
申请号：CN201810651494.8
申请日：2018-06-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于缩略图与分层模糊聚类的SAR图像分割方法，主要解决现有SAR图像分割方法受噪声影响较大，分割正确率较低，以及运算复杂度较高的问题。其实现方案为：1.输入一副待分割的SAR图像I；2.将图像分为大小相近的像素组，并利用相似近邻信息构造出待分割图像的缩略图It；3.利用模糊C均值算法结合缩略图It中的邻域信息对此缩略图中的像素点进行聚类；4.根据聚类结果得到缩略图的分割结果图Rt；5.利用缩略图的分割结果图Rt对原始SAR图像进行分层次的分割，得到输入图像的分割结果图R。本发明减少了噪声对图像分割结果的影响，提高了SAR图像分割的正确率，降低了运算复杂度，可用于遥感数据分析，城市规划和环境监测。
-
公开(公告)号：CN108921853B
公开(公告)日：2022-03-04
申请号：CN201810651506.7
申请日：2018-06-22
Applicant: 西安电子科技大学
IPC: G06T7/10 , G06V10/762 , G06K9/62 , G06N3/00
Abstract: 本发明公开了一种基于超像素和免疫稀疏谱聚类的图像分割方法，主要解决现有图像分割方法的分割精确低和鲁棒性差的问题。其方法步骤是：首先，对纹理图像进行超像素划分，提取其纹理特征，作为特征数据集；然后，在谱聚类过程中结合免疫克隆算法和稀疏表示寻找最佳的特征数据集的相似度矩阵；最后，根据聚类标签结合超像素标记原始图像，实现对纹理图像的分割。本发明提取图像的超像素块作为特征数据集，用基于免疫稀疏谱聚类的图像分割方法对特征数据集进行划分，获得了更准确的分割结果。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.025 seconds)
