-
公开(公告)号：CN113469270B
公开(公告)日：2023-08-11
申请号：CN202110806823.3
申请日：2021-07-16
Applicant: 西安邮电大学
IPC: G06V10/762 , G06T7/11 , G06T7/13 , G06V10/20 , G06V10/80
Abstract: 本发明公开了一种基于分解多目标差分进化超像素的半监督直觉聚类方法，主要解决现有图像分割效果不佳、算法时效性较差的问题。方案包括：输入待分割图像并设置初始参数；对图像进行基于分解多目标差分进化的超像素分割，并将该超像素区域的边缘定义为图像的弱边缘；利用canny算子提取图像的强边缘，并对图像进行基于强弱边缘的超像素区域合并；提取合并后每个超像素区域的代表特征，对图像进行分解多目标进化模糊聚类；对聚类结果进行类标签修正，得到最终图像分割结果。本发明通过融合图像的区域信息和部分监督信息、采用分解进化策略优化适应度函数，从而有效改善了图像分割性能、解决了多目标进化模糊聚类算法时效性较差的问题。
-
公开(公告)号：CN113723449A
公开(公告)日：2021-11-30
申请号：CN202110808514.X
申请日：2021-07-16
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于偏好信息的代理驱动多目标进化模糊聚类方法，主要解决现有彩色图像分割性能不理想、计算成本高的问题。方案包括：输入待分割图像并设置初始参数值；构造融合图像区域信息的适应度函数，引入粗细代理模型以及基于参考点、偏好角度的支配关系设计多目标进化聚类框架，得到非支配解集；采用模糊隶属度函数的信息熵构造聚类有效性指标，并利用该指标从非支配解集中选择最优染色体对其进行解码，得到最优聚类中心；用最优聚类中心更新全局隶属度矩阵，并根据最大隶属度原则得到像素点的分类结果。本发明针对背景复杂且对比度不高的图像，能够有效提升图像的分割效果且耗时较短；可用于自然图像的识别。
-
公开(公告)号：CN113642668A
公开(公告)日：2021-11-12
申请号：CN202111003388.7
申请日：2021-08-30
Applicant: 西安邮电大学
Abstract: 本发明公开了一种基于改进麻雀搜索算法的抑制式粗糙直觉模糊聚类方法，主要解决现有图像分割对初始值敏感、容易陷入局部最优的问题。包括：1)输入待分割图像并设置初始参数；2)设计基于超像素的自适应隶属度阈值策略，得到用于粗糙模糊聚类的自适应隶属度阈值；3)构建融合空间信息的粗糙模糊聚类适应度函数；4)获取自适应粗糙下近似权重参数和自适应抑制率参数；4)迭代计算适应度函数值，并应用改进麻雀搜索算法的策略进行算法寻优；5)根据最大隶属度原则得到图像分类结果。本发明改善了初始值的敏感情况，防止陷入局部最优，同时避免了人为干预，有效提高了含噪图像的分割准确率，可用于自然图像的分割。
-
公开(公告)号：CN107220978B
公开(公告)日：2020-06-09
申请号：CN201710433916.X
申请日：2017-06-09
Applicant: 西安邮电大学
Abstract: 本发明公开了融合区间模糊信息和统计信息的多目标阈值图像分割方法，包括以下步骤：输入待分割的图像，并且将图像转换为灰度图像；设置图像的初始种群数目M，最大迭代次数G和最大阈值数目Smax，然后将种群按照阈值数目分成若干个大小相同的分组种群Qs；将得到的分组种群Qs采用同时优化区间模数熵函数和基于直线截距直方图的类间方差函数进行多目标进化，使每个分组种群得到一组非支配解集通过类间差异与类间差异的加权比值在每个分组种群的非支配解集中选择一个最优解，该最优解为最优阈值数目和最优阈值；根据得到的最优解对原图像中的像素点进行标记赋值，得到最终的分割结果。该方法能够实现自适应阈值图像分割，对含噪图像也可获得满意的分割结果。
-
公开(公告)号：CN107341765A
公开(公告)日：2017-11-10
申请号：CN201710314024.8
申请日：2017-05-05
Applicant: 西安邮电大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于卡通纹理分解的图像超分辨率重建方法，包括离线训练过程和在线测试过程，离线训练过程包括高低分辨率纹理字典对的训练和离线纹理锚点映射，在线测试过程，将低分辨率输入图像进行卡通和纹理分解；基于改进的全变分正则化方法重建出低分辨率卡通图像对应的高分辨率卡通图像；通过改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法重建出低分辨率纹理图像对应的高分辨率纹理图像；将重建出的卡通图像与纹理图像进行相加从而输出想要得到的高分辨率图像；同时具有这两种算法的优点，既具有较好的去噪能力和较强的边缘保持能力，又具有良好的适应性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN118154861A
公开(公告)日：2024-06-07
申请号：CN202311761532.2
申请日：2023-12-20
Applicant: 西安邮电大学
IPC: G06V10/26 , G06V10/762 , G06V10/764 , G06V10/766 , G06N3/086 , G06N3/126
Abstract: 本发明公开了一种双宽度学习代理辅助多目标粗糙模糊聚类的图像分割方法，主要解决现有图像分割计算时间过长、信息利用不充分、分割效果不理想的问题。其实现方案是：输入待分割图像并设置初始参数值；生成初始种群；将待分割图像划分为多个子区域；利用区域信息和高斯核函数分别构造粗糙模糊类内紧致性函数和核类间可分性函数；构建回归代理模型；对初始种群进行优化，并采用分类代理模型和回归代理模型对所构造的函数进行预测；设计基于动态调整策略的模型更新机制对分类代理模型和回归代理模型进行更新，并从最后一代更新种群中选出最解优进行图像分割。本发明能充分利用空间信息，保证图像分割精度的同时提升图像分割效率，可用于自然图像的分割。
-
公开(公告)号：CN117746241A
公开(公告)日：2024-03-22
申请号：CN202311761296.4
申请日：2023-12-20
Applicant: 西安邮电大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于超级词元Transformer的高光谱图像分类方法，包括以下步骤：读取高光谱图像数据并将其切分成图像块、构建超级词元Transformer网络模型、对模型进行训练和测试并输出高光谱图像分类结果。本发明通过计算词元与其周围词元的关系将多个邻近词元转换为一个超级词元，大幅度减少了输入到多头自注意力计算的序列长度，使Transformer模型能够捕捉到一种更高效的全局注意力关系，并且采用卷积位置嵌入和卷积前馈网络，能够更好的增强局部信息表达，有效提升了高光谱图像分类效率和精度。
-
公开(公告)号：CN117726816A
公开(公告)日：2024-03-19
申请号：CN202311767177.X
申请日：2023-12-20
Applicant: 西安邮电大学
IPC: G06V10/26 , G06V10/762 , G06V10/84 , G06N3/126
Abstract: 本发明公开了一种基于多视图迁移多目标粗糙模糊聚类的图像分割方法，主要解决现有图像分割局限于单一视角和单一准则导致分割性能低，对初始值敏感和计算速度慢的问题。其实现方案是：输入待分割图像并设置初始参数值；设计超像素图像修复策略生成可靠且具有细节的超像素图像；初始化参考向量和种群；结合多视图学习、迁移学习和聚类的不确定性构造三个互补的目标函数；基于目标函数值训练贝叶斯代理模型；设计基于自适应混合交叉算子的优化框架更新种群；动态选取填充采样个体以更新贝叶斯代理模型；从最终种群中选取最优解；基于最优解计算全局隶属度获取图像的分割结果。本发明提高了分割结果的准确性和稳定性，可用于自然图像和计算机视觉处理。
-
公开(公告)号：CN117710216A
公开(公告)日：2024-03-15
申请号：CN202410110938.2
申请日：2024-01-26
Applicant: 西安邮电大学
IPC: G06T3/4053 , G06T3/4007 , G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于变分自编码器的图像超分辨率重建方法，包括：获取待重建图像的训练样本，并进行预处理；构建生成式对抗网络和变分自编码器网络，基于预处理后的训练样本对所述生成式对抗网络和变分自编码器网络进行交叉训练，获得图像超分辨率模型；基于所述图像超分辨率模型对待重建图像进行超分辨率重建，获得目标图像。本发明提出一种将变分自动编码器和生成对抗网络进行结合的超分辨率模型，并采用变分自编码器和生成式对抗网络交替训练的策略，能够恢复出清晰、真实的高分辨率图像。
-
公开(公告)号：CN111932461B
公开(公告)日：2023-07-25
申请号：CN202010802461.6
申请日：2020-08-11
Applicant: 西安邮电大学
IPC: G06T3/40 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的自学习图像超分辨率重建方法及系统，所述方法包括：步骤1，获取待重建图像的训练样本；步骤2，构建卷积神经网络；所述卷积神经网络包括：特征提取单元、特征增强单元、残差单元和重建单元；步骤3，基于步骤1获得的训练样本对步骤2构建的卷积神经网络进行训练，获得训练好的重建卷积神经网络；步骤4，基于步骤3训练好的重建卷积神经网络对待重建图像进行超分辨率重建。本发明既能有效解决自学习算法训练样本不足的问题又能避免网络出现过拟合现象；同时，可以获得峰值信噪比更高，视觉效果更好的高分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.024 seconds)
