-
公开(公告)号：CN107590851B
公开(公告)日：2020-09-11
申请号：CN201710717243.0
申请日：2017-08-21
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于质点弹簧与填充体模型混合的软体形变模型构建方法，属于计算机图形学仿真、虚拟现实领域。包括以下步骤：应用三维建模软件构建三维人体器官模型；对经过减面处理的人体器官模型进行三角剖分获取四面体模型；构建填充体模型；构建弹簧结构；形成表层约束条件以及内部填充体约束条件；对人体器官模型表层与内部填充体模型进行渲染；将视觉显示结构与物理形变结构分离。本发明在传统质点弹簧模型基础上融入了体模型的概念，减少了形变过程中的计算量，同时由于内部填充体模型的存在，使整个软体形变模型更加接近于真实的人体器官结构，避免了传统质点弹簧易产生塌陷失真的现象，大大增强了虚拟手术过程中软体形变的仿真效果。
-
公开(公告)号：CN111445395A
公开(公告)日：2020-07-24
申请号：CN202010140389.5
申请日：2020-03-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，制作样本时，对原始侧扫声呐瀑布图像进行斜距校正后，从瀑布图像的左右两侧不含模糊区域的图像中截取图像并进行缩放来作为真实图像，并制作相同大小的掩模图像，根据掩模图像可以确定待修复图像中需要修复的中间区域。通过深度学习训练得到了深度学习网络的模型参数，对于要修复的声呐瀑布图像，则可以直接输入到该网络模型中，即可得到修复后的声呐瀑布图像，修复后的图像能够消除斜距校正后中间区域的模糊，并实现图像中间不连续区域的平滑过渡，可以提升图像的整体视觉效果，还可以用于后续声呐瀑布图像的进一步处理，对于声呐瀑布图像的实际应用有着重要意义。
-
公开(公告)号：CN110929794A
公开(公告)日：2020-03-27
申请号：CN201911188526.6
申请日：2019-11-28
Applicant: 哈尔滨工程大学
Abstract: 本发明属于侧扫声呐图像识别技术领域，具体涉及一种基于多任务学习的侧扫声呐图像分类方法。本发明结合了多任务学习思想和卷积神经网络方法，使用卷积神经网络进行自动特征提取，相对于传统的人工设置的特征提取器，可以提取出人眼感受不到的那些重要特征，也能减小侧扫声呐图像噪声、图像边缘缺失、图像特征变形等因素对特征提取的影响。本发明利用多任务学习的思想，通过引入光学图像分类任务，可以丰富侧扫声呐图像的特征空间，避免了样本过少时特征提取不完备造成的过拟合的问题；通过本发明的方法，可以解决侧扫声呐图像样本少、特征提取困难时分类效果差的问题，具有一定的工程和研究价值。
-
公开(公告)号：CN107590851A
公开(公告)日：2018-01-16
申请号：CN201710717243.0
申请日：2017-08-21
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于质点弹簧与填充体模型混合的软体形变模型构建方法，属于计算机图形学仿真、虚拟现实领域。包括以下步骤：应用三维建模软件构建三维人体器官模型；对经过减面处理的人体器官模型进行三角剖分获取四面体模型；构建填充体模型；构建弹簧结构；形成表层约束条件以及内部填充体约束条件；对人体器官模型表层与内部填充体模型进行渲染；将视觉显示结构与物理形变结构分离。本发明在传统质点弹簧模型基础上融入了体模型的概念，减少了形变过程中的计算量，同时由于内部填充体模型的存在，使整个软体形变模型更加接近于真实的人体器官结构，避免了传统质点弹簧易产生塌陷失真的现象，大大增强了虚拟手术过程中软体形变的仿真效果。
-
公开(公告)号：CN111444777A
公开(公告)日：2020-07-24
申请号：CN202010140887.X
申请日：2020-03-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种同时标记阴影的前视声呐目标检测标记方法，属于前视声呐图像目标检测领域，该方法对目标进行标记的同时也标记出目标的阴影；现有前视声呐目标检测标记方法只将目标进行标记，而对于前视声呐图像，目标的阴影包含了目标的形状特征，标记过程同时标记出目标的阴影，能够为检测器提供更丰富的信息。针对这种新提出的标记框，需要分目标和阴影两部分进行评价，目标检测框使用已有的交并比IOU评价；对于阴影检测框，阴影和目标之间可能出现多种位置关系，本发明提出了一种改进的阴影关键点相似度OKSS来评价阴影检测框的回归精度。
-
Patent Agency Ranking
公开(公告)号：CN110363796A
公开(公告)日：2019-10-22
申请号：CN201810510986.5
申请日：2018-05-25
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于轻量卷积神经网络结构的前视声纳运动目标跟踪方法。(1)检测出目标首次出现时的那一帧图像的所在位置，经过去均值、L2正则化的预处理；(2)采用无需训练的两层卷积神经网络结构，对图像进行滑动窗口采样，采用k-means聚类的方法从图像块中聚类出滤波器作为卷积核，对目标图像周围的区域随机采样出m个样本，对每一个样本用滑动窗口的方法采样L个图像块；(3)采用稀疏表达的方式表示特征；(4)通过粒子滤波的跟踪框架进行跟踪。本发明易于使用、能很好地克服前视声纳图像中严重的噪声干扰、对目标的跟踪效果更好。该方法很大程度上提高了系统的处理帧率，使得跟踪过程的实时性有了很大保障。
-
公开(公告)号：CN109325527A
公开(公告)日：2019-02-12
申请号：CN201811031832.4
申请日：2018-09-05
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法；包括获取带有分割标注的常规光学图像数据集；利用数据集中各个图像对应的标注图像进行轮廓分割；选定一个卷积神经网络结构进行训练，得到源领域目标分类网络；对经过充分训练的源领域目标分类网络前部分的参数进行冻结，同时将分类网络的后部分参数设置为可训练状态；使用训练集对设置好的分类网络继续进行训练；训练完成后，使用验证集评估分类网络性能。本方法使用迁移学习方法，对使用非侧扫声呐图像训练好的卷积神经网络进行迁移，同时根据相似性原理，对源领域数据集进行预处理，从而提高了迁移学习效率，防止负迁移现象。
-
公开(公告)号：CN109118458A
公开(公告)日：2019-01-01
申请号：CN201811310145.6
申请日：2018-11-06
Applicant: 哈尔滨工程大学
IPC: G06T5/00
Abstract: 本发明涉及一种低照度彩色图像增强方法，本发明基于Retinex理论进行低照度彩色图像增强，假设原始图像是由光照图像与反射图像乘积得到，用图像平滑获得原始图像的平滑的图；将获得的平滑图加一个常数得到需要的光照图；原始彩色图像的三个通道图像分别除以光照图得到三个通道图像的反射图像；用原始图像像素灰度的均值加上一个常数作为新的光照图；最后将三个通道反射图与新的光照图相乘然后合并三通道获得最终的增强图像。本发明解决现有基于Retinex理论进行低照度图像增强算法在增强图像的同时产生光晕与黑暗区域颜色出现马赛克现象的问题，得到一个更加自然的增强图像，算法步骤和理论简单，编程易于实现，保证算法的实时性。
-
公开(公告)号：CN106097430B
公开(公告)日：2018-10-26
申请号：CN201610487738.4
申请日：2016-06-28
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种多高斯信号拟合的激光条纹中心线提取方法。本发明方法通过使用一组具有不同期望及方法的高斯信号，以不同的位置及权值组合起来，最大程度的拟合激光线条图像某一行像素值的分布，当找到最佳的拟合组合时，根据各个高斯信号组合时所处的位置即可做出对激光线条中心的最优估计。本发明方法可以有效解决在激光线条图像的像素值分布无法满足对称性及均一性的情况下，准确地估计出激光线条的中心，提高3D扫描重建的精度。
-
公开(公告)号：CN106097430A
公开(公告)日：2016-11-09
申请号：CN201610487738.4
申请日：2016-06-28
Applicant: 哈尔滨工程大学
CPC classification number: G06T15/503 , G06T7/0004 , G06T7/0012 , G06T15/005 , G06T2211/416
Abstract: 本发明提供的是一种多高斯信号拟合的激光条纹中心线提取方法。本发明方法通过使用一组具有不同期望及方法的高斯信号，以不同的位置及权值组合起来，最大程度的拟合激光线条图像某一行像素值的分布，当找到最佳的拟合组合时，根据各个高斯信号组合时所处的位置即可做出对激光线条中心的最优估计。本发明方法可以有效解决在激光线条图像的像素值分布无法满足对称性及均一性的情况下，准确地估计出激光线条的中心，提高3D扫描重建的精度。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.045 seconds)
