-
公开(公告)号：CN110992373A
公开(公告)日：2020-04-10
申请号：CN201911168632.8
申请日：2019-11-25
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于深度学习的胸腔器官分割方法。本发明改进了U-Net的结构，得到了一种更优的用于胸腔器官分割的编码解码结构，相较于传统的U-Net，在特征提取部分具有更好的性能以及更好的效果，而在上采样部分针对各层的不同特点增加了卷积和池化层，有效减少了锯齿现象，使得上采样结果更加精细，本发明也对分割结果中出现的一些脱离主体的分割错误进行了只取最大连通区域的处理。本发明训练速度和计算速度都优于传统的U-Net网络，本发明方法的网络达到了50层，提取特征的效果更好，并且本发明仅需一个模型就可以用于多器官的图像分割。
-
公开(公告)号：CN110942423A
公开(公告)日：2020-03-31
申请号：CN201910949691.2
申请日：2019-10-08
Applicant: 杭州电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于傅里叶叠层成像的远场超分辨率重建方法。本发明通过获取到的一系列低分辨率图像，快速重建出远场样本的幅值信息以及相位信息；将低成本的散射装置放置于样本与物镜之间，且置于物镜的焦平面处，对经相干光照射后的样本信息进行调制；样本置于物镜的远场中，距离物镜焦平面50cm～80cm处，由相干光进行照射；在低分辨率图像获取过程中，通过有规律的将散射片进行上下、左右移动，以获得更加完善的样本调制信息；通过多散射片对样本信息的调制，获得超出物镜衍射极限的分辨率，以此实现样本超分辨率重建。本发明突破了样本与散射装置之间距离的限制。且极大的降低算法复杂度，减少重建时间。
-
公开(公告)号：CN110929735A
公开(公告)日：2020-03-27
申请号：CN201910988094.0
申请日：2019-10-17
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于多尺度特征注意机制的快速显著性检测方法。本发明方法首先通过深度卷积网络对图像进行处理，获得基于不同卷积层的特征，包括较浅层特征和高级语义特征，然后分别对获得基于不同卷积层的特征进行处理，最后将处理后的较浅层特征和高级语义特征输入至解码器中，生成显著性检测图。本发明消除了大部分背景特征的干扰，增加了计算效率并有效地抑制背景信息，对高级语义特征使用金字塔扩张卷积更好的利用语义信息，并采用双解码器结能对特征进行进一步细化，最终生成的显著性图能够以明晰的边界完整的凸显图像中的显著性区域，并有效地抑制背景区域。
-
公开(公告)号：CN110543890A
公开(公告)日：2019-12-06
申请号：CN201910660961.8
申请日：2019-07-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征金字塔的深度神经网络图像匹配方法。本发明的图像特征提取网络以VGG-16网络作为基础，生成多种尺度的特征图，并对特征图进行融合，采用双塔结构，通过神经网络学习的方式学习距离度量，采用端到端的方式判别图像的匹配程度，完成图像匹配任务。本发明通过网络学习的方法进行判断图像的匹配程度，实现图像匹配，提高了匹配的速度；通过特征金字塔融合的方式，可以对多个层次特征图进行融合，CNN不同层次的特征编码不同层次的信息，高层特征更关注语义信息，更少关注细节信息，而低层特征包含更多细节信息，通过对多个层次的特征进行融合可以互补优势，使得融合后的特征图能够包含更多的信息，从而使得网络的工作效果更好。
-
公开(公告)号：CN110536064A
公开(公告)日：2019-12-03
申请号：CN201910663573.5
申请日：2019-07-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种固定场景的像素级精度视频图像去抖动方法。本发明提出基于图像特征块匹配方式，通过对前后帧图像之间进行区域分割、特征匹配、抖动位移信号提取、偏移信号矩阵生成，后期去抖动等一系列计算处理来实现改善视频中画质抖动的目的。本发明基于灰度值特征匹配的方式来获得视频各帧之间的相对运动参数，选取多个阵列式排布的特征区域，分别计算各个特征区域之间的相对运动参数，由于采取几乎覆盖整个视频场景的特征块选取方式，因此相对于普通的单独特征块选取方式而言，充分利用了整个视频场景的型廓信息，综合考虑整个阵列的特征区域变化情况，并以此为参考来进行图想去抖动处理，所以对于刚性抖动场景的去抖动效果更加优异。
-
Patent Agency Ranking
公开(公告)号：CN110517222A
公开(公告)日：2019-11-29
申请号：CN201910619691.6
申请日：2019-07-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多图谱的大脑图像分割方法。本发明包括如下步骤：步骤1:掩模的计算，引入Mask函数，针对事先标注好的图谱的标签，通过Mask函数省略不需要计算体素点；用L张图谱的标签数据作为样本，进行标签融合时，实际处理的是L张图谱标记过的所有体素点；步骤2:提前设置一个搜索域；计算搜索域内块的相似度；向量标准化，计算最后得到权重值；步骤3：利用得出的权重值进行标签值的投票，得到最终的标签融合结果；步骤4：利用重叠度计算分割精度。本发明不仅考虑了对应位置的区域的相似度，同时还考虑了对应位置附近点位置的区域相似度，因此在一定的领域内搜索更相似的块可能会获得更好的效果。
-
公开(公告)号：CN110378845A
公开(公告)日：2019-10-25
申请号：CN201910520242.6
申请日：2019-06-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的极端条件下的图像修复方法。本发明包括如下步骤：步骤1：对获取到的短曝光图像进行预处理；步骤2：将预处理后的图像输入U-Net卷积神经网络进行训练；步骤3：计算误差并进行迭代训练；步骤4：对训练模型进行评估,以图像的峰值信噪比和结构相似性作为最终结果的评判标准。本发明有效地解决低光下快速成像的问题，同时也为图像去噪、去模糊提供了一种新的可行方法。
-
公开(公告)号：CN110362107A
公开(公告)日：2019-10-22
申请号：CN201910520241.1
申请日：2019-06-17
Applicant: 杭州电子科技大学
IPC: G05D1/10
Abstract: 本发明公开了一种基于免疫优化算法的多无人机任务分配问题的求解方法。本发明步骤如下：1：问题的数学建模，假设在机场内有一批规格型号均一致的无人机，现在要将全部任务分配给机场内的全部无人机；一个任务只能被一台无人机所访问，但一台无人机能够访问多个任务；在全部任务均被访问的前提下，给出路径代价最小的多无人机分配方案；2：具体问题中变量的降维和分配；3：目标函数和约束条件的优化，由于给出了机场和任务之间的坐标并且完成了变量的分配，因此能够计算出机场和任务、任务和任务之间的距离，从而将目标函数和约束条件具体给出并且加以优化。本发明对多无人机任务分配问题建模后产生的未知变量进行迭代优化，从而获得最优解。
-
公开(公告)号：CN110288603A
公开(公告)日：2019-09-27
申请号：CN201910429790.8
申请日：2019-05-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于高效卷积网络和卷积条件随机场的语义分割方法。本发明具体步骤如下：1、输入一张任意尺寸的RGB图像，采用由下采样模块和一维非瓶颈单元构成的编码器网络对原始RGB图像进行语义提取，得到一个由特征图组成的矩阵；2、采用反卷积层和一维非瓶颈单元，将编码器网络学习的辨别性特征从语义上映射到像素空间，以得到密集分类结果；3、采用卷积条件随机场网络层，结合原始RGB图像的像素点信息和解码器网络得到的像素点分类信息，对像素点语义特征再次进行分类，从而达到输出结果优化的目的。本发明采用全新的编码解码网络端到端的对像素点进行分类，通过使用效率高的卷积条件随机场网络对分割结果进行再优化。
-
公开(公告)号：CN110246083A
公开(公告)日：2019-09-17
申请号：CN201910388830.9
申请日：2019-05-10
Applicant: 杭州电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种荧光显微图像超分辨率成像方法。本发明步骤如下：1：整理图像数据集，并将数据集按要求划分出训练集、测试集和验证集；2：输入训练集、测试集用基于深度学习的超分辨率神经网络训练出所需要参数的模型；3：用荧光显微镜发射特定波长紫外线，照射室用量子点变过的样本上，并使用CCD对样本成像，得到一系列的图像序列；4：使用SOFI算法，基于记录时间序列的图像，对荧光波动进行统计分析，通过计算整个时间序列内所有帧的各水平方向的累积量，得到荧光显微图像；5：使用FSRCNN读取模型中的参数，对荧光显微图像进行超分辨率处理，得到高质量图像。本发明达到快速生成噪声少、细节清晰、高质量的荧光显微图像。
-
-
-
-
-
-
-
-
-
Search Results
297
records
(took 0.036 seconds)
