-
公开(公告)号：CN109145921B
公开(公告)日：2021-04-09
申请号：CN201810992323.1
申请日：2018-08-29
申请人： 江南大学 , 新疆天山智汇信息科技有限公司
摘要： 本发明是一种基于改进的直觉模糊C均值聚类的图像分割方法，属于图像分割领域。该方法首先提出一个改进的非隶属度函数用来生成直觉模糊集，并提出一种基于灰度特征的方法来确定初始聚类中心，突出了直觉模糊集中不确定性的作用并提高了对噪声的鲁棒性。其次利用改进的非线性函数将数据映射到核空间，以便更精确地度量数据点与聚类中心之间的距离。然后引入局部空间‑灰度信息，同时考虑隶属度、灰度特征和空间位置信息。最后改进目标函数中的直觉模糊熵，并兼顾直觉模糊集的模糊性与直觉性。本发明可有效克服图像中噪声和模糊对算法的影响，提高算法的分割性能、像素聚类性能及鲁棒性，适用于各种不同类型的灰度图像，可获得更精确的分割结果。
-
公开(公告)号：CN109145921A
公开(公告)日：2019-01-04
申请号：CN201810992323.1
申请日：2018-08-29
申请人： 江南大学 , 新疆天山智汇信息科技有限公司
CPC分类号： G06K9/342 , G06K9/6215 , G06K9/6222
摘要： 本发明是一种基于改进的直觉模糊C均值聚类的图像分割方法，属于图像分割领域。该方法首先提出一个改进的非隶属度函数用来生成直觉模糊集，并提出一种基于灰度特征的方法来确定初始聚类中心，突出了直觉模糊集中不确定性的作用并提高了对噪声的鲁棒性。其次利用改进的非线性函数将数据映射到核空间，以便更精确地度量数据点与聚类中心之间的距离。然后引入局部空间‑灰度信息，同时考虑隶属度、灰度特征和空间位置信息。最后改进目标函数中的直觉模糊熵，并兼顾直觉模糊集的模糊性与直觉性。本发明可有效克服图像中噪声和模糊对算法的影响，提高算法的分割性能、像素聚类性能及鲁棒性，适用于各种不同类型的灰度图像，可获得更精确的分割结果。
-
公开(公告)号：CN107133579A
公开(公告)日：2017-09-05
申请号：CN201710260119.6
申请日：2017-04-20
申请人： 江南大学
摘要： 本发明公开了一种基于CSGF(2D)2PCANet度卷积模型的人脸身份识别方法。模型包含训练与测试两阶段。训练阶段首先对训练图像进行预处理，然后通过多层CSGF(2D)2PCA卷积获得输出特征图，最终送入Linear SVM分类器完成CSGF(2D)2PCANet模型的构建。测试阶段利用训练阶段基于多层滤波器卷积学习到的特征图与测试图像卷积得到多个输出特征图，将最终特征送入训练好的Linear SVM分类器，获得识别结果。本发明提出的基于CSGF与卷积结构深度模型的人脸身份识别方法，不仅具有旋转不变性，而且具有良好的局部性，对遮挡、光照、表情和噪声等因素具有良好的鲁棒性，提高了人脸识别性能。
-
公开(公告)号：CN108664968B
公开(公告)日：2020-07-07
申请号：CN201810349292.8
申请日：2018-04-18
申请人： 江南大学
摘要： 本发明公开了一种基于文本选取模型的无监督文本定位方法。本发明通过SLIC和DBSCAN图像分割生成若干个超像素，并创新地将超像素区域作为文本候选区域，解决了候选区域在数量和精度上的平衡；其次，本发明利用同一张图中文本对象之间的相似性建立文本选取模型，生成样本参考图，其中，样本参考图包括强文本图和非文本图，并以样本参考图为依据，通过双阈值机制自适应地提取以超像素为单位的文本样本，避免了传统算法对于数据库的依赖性；最后，通过文本样本训练得到文本分类器并对超像素区域进行文本/非文本分类；该方法召回率高，避免了传统算法中依赖数据库、通用性较差、候选区域数量爆炸的问题，实现了无监督的文本定位目标。
-
公开(公告)号：CN108664968A
公开(公告)日：2018-10-16
申请号：CN201810349292.8
申请日：2018-04-18
申请人： 江南大学
摘要： 本发明公开了一种基于文本选取模型的无监督文本定位方法。本发明通过SLIC和DBSCAN图像分割生成若干个超像素，并创新地将超像素区域作为文本候选区域，解决了候选区域在数量和精度上的平衡；其次，本发明利用同一张图中文本对象之间的相似性建立文本选取模型，生成样本参考图，其中，样本参考图包括强文本图和非文本图，并以样本参考图为依据，通过双阈值机制自适应地提取以超像素为单位的文本样本，避免了传统算法对于数据库的依赖性；最后，通过文本样本训练得到文本分类器并对超像素区域进行文本/非文本分类；该方法召回率高，避免了传统算法中依赖数据库、通用性较差、候选区域数量爆炸的问题，实现了无监督的文本定位目标。
-
-
-
-
搜索结果
5 条记录 (耗时 0.06 秒)
