-
公开(公告)号：CN106780641B
公开(公告)日：2020-07-28
申请号：CN201611002595.X
申请日：2016-11-14
Abstract: 一种低剂量X射线CT图像重建方法，首先获取CT设备的成像系统参数和低剂量CT扫描协议下的投影数据；通过成像过程的统计规律构建弦图数据的统计生成模型；根据投影数据和图像的结构特征与实际应用中的需求，构建弦图数据先验的统计模型；构建完整的统计模型，并根据最大后验估计方法，将模型转化为弦图数据复原模型；应用弦图数据复原模型，得到估计的弦图数据与其它统计变量；根据得到的弦图数据进行CT图像重建，得到输出CT图，本发明旨在建立基于弦图数据生成原理及其内在统计先验的高质量弦图数据复原模型与方法，并进而实现能够大幅减少图像噪声/伪影并恢复图像细节的CT图像优质重建。
-
公开(公告)号：CN106780641A
公开(公告)日：2017-05-31
申请号：CN201611002595.X
申请日：2016-11-14
CPC classification number: G06T11/008 , G06T5/001 , G06T2207/10081 , G06T2211/421
Abstract: 一种低剂量X射线CT图像重建方法，首先获取CT设备的成像系统参数和低剂量CT扫描协议下的投影数据；通过成像过程的统计规律构建弦图数据的统计生成模型；根据投影数据和图像的结构特征与实际应用中的需求，构建弦图数据先验的统计模型；构建完整的统计模型，并根据最大后验估计方法，将模型转化为弦图数据复原模型；应用弦图数据复原模型，得到估计的弦图数据与其它统计变量；根据得到的弦图数据进行CT图像重建，得到输出CT图，本发明旨在建立基于弦图数据生成原理及其内在统计先验的高质量弦图数据复原模型与方法，并进而实现能够大幅减少图像噪声/伪影并恢复图像细节的CT图像优质重建。
-
公开(公告)号：CN119783751A
公开(公告)日：2025-04-08
申请号：CN202411816078.0
申请日：2024-12-11
Applicant: 西安交通大学
IPC: G06N3/082 , G06N3/0464 , G06N3/0985 , G06V10/82 , G06V10/774
Abstract: 本申请公开了一种基于卷积网络框架的旋转等变约束松弛化方法及装置，该方法包括：设置超参数，基于超参数将原始图像对处理为训练图像对，构成训练图像集；基于图像的旋转等变特性设计松弛化旋转等变约束卷积层；用松弛化旋转等变约束卷积层替换深度学习网络模型的卷积层，以构建旋转等变松弛化网络；利用训练图像集迭代训练旋转等变松弛化网络直至达到停止条件，得到训练后的旋转等变松弛化网络；将退化图像输入训练后的旋转等变松弛化网络得到恢复图像。解决了现有的深度学习网络模型对非完美对称图像的适用性不高的问题，具有优异的泛化能力和应用潜力。
-
公开(公告)号：CN119273549A
公开(公告)日：2025-01-07
申请号：CN202411277258.6
申请日：2024-09-12
Applicant: 西安交通大学
IPC: G06T3/4076 , G06T3/4046 , G06T5/70 , G06N3/045 , G06N3/0464
Abstract: 本申请公开了一种基于空间超分增强的高光谱生成方法及装置，包括：利用插值技术对预处理后的高光谱图像进行上采样，使用裁剪技术从上采样后的高光谱图像中裁剪出多个训练块，并生成训练样本；从每个训练块中提取三个波段，并将其组合成RGB图像；构建生成模型；其中，所述生成模型包括DSRNet模型和矩形引导注意力网络；为超高分辨率高光谱图像设置生成条件；获取训练样本作为训练集；使用训练集对生成模型进行迭代训练，获得最终生成模型；其中，所述最终生成模型用于响应于多种生成条件，以生成符合生成条件的高光谱图像。解决了如何实现高质量、高多样性且可控的高光谱图像生成的问题。
-
公开(公告)号：CN119206270A
公开(公告)日：2024-12-27
申请号：CN202411465219.9
申请日：2024-10-21
Applicant: 西安交通大学
IPC: G06V10/75 , G06V10/44 , G06V10/46 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/10 , G06V20/13 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本申请公开了一种基于元学习的遥感图像匹配方法及装置，该方法包括：从已有的数据集中选择第一预设数量的图像对，并在每对图像上进行显著区域点的配对标注，使每对图像上都具有第二预设数量的匹配对，以构建元数据集；从已有的数据集中对每个图像对中的一幅图像执行变换操作，以构建粗标注数据集；构建特征配对网络和显著性判断网络；通过不同的数据集迭代执行双层优化步骤，直至特征配对网络和显著性判断网络的近似最优参数值不再显著变化或达到预设迭代次数，以获得对应的最优参数值。解决了传统特征提取算子难以有效提取出异源遥感图像之间具有显著性的特征，并且难以应对复杂多变的实际应用场景的问题。
-
Patent Agency Ranking
公开(公告)号：CN112487999B
公开(公告)日：2024-06-14
申请号：CN202011391148.4
申请日：2020-12-02
Abstract: 本发明公开了一种基于CycleGAN的遥感图像鲁棒特征提取方法，包括：利用经训练的CycleGAN生成对抗网络对原始遥感图像进行风格迁移，生成具有标准地图风格的图像；利用RCF网络对所生成的具有标准地图风格的图像进行边缘特征提取，获得特征图像；采用结构相似度对所述特征图像进行图像质量评估。该遥感图像鲁棒特征提取方法通过CycleGAN的网络进行图像风格迁移，将自然得到的可见光遥感图像转换为具有标准地图风格的图片，再进行边缘特征提取，有效提高了遥感图像边缘特征提取的精度和准确度。通过对不同光照条件下的遥感图像进行测试，证明该遥感图像鲁棒特征提取方法能够有效完成对不同光照条件下遥感图像的鲁棒特征提取。
-
公开(公告)号：CN118038276A
公开(公告)日：2024-05-14
申请号：CN202410334777.5
申请日：2024-03-22
Applicant: 西安交通大学
IPC: G06V20/10 , G06V10/20 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本申请公开了一种用于遥感图像变化检测的大模型适应方法及装置，包括：构建基础模型；计算基础模型中的多头自注意力机制；使用相同的基础模型同时对完成特征输入的图像进行特征提取；构建变化检测模型，并对完成提取特征步骤的图像进行缩放操作使其与预训练的模型相匹配；将变化检测模型的主干网络提取的完成缩放操作的图像的特征送入解码器，将低分辨率的图像特征恢复至原始图像大小，并输出不同变化种类的概率图；在基础模型与变化检测模型之间执行构建桥接模块步骤；执行基本块模型的训练步骤和测试步骤，从而获得最终预测结果。解决了现有的方法在处理大规模遥感图像数据时存在计算量大、耗时长的缺点，难以满足实时变化检测的需求的问题。
-
公开(公告)号：CN117333381A
公开(公告)日：2024-01-02
申请号：CN202311151953.3
申请日：2023-09-07
Applicant: 西安交通大学
IPC: G06T5/00 , G06V20/10 , G06N3/0464 , G06N3/08
Abstract: 一种基于超权重网络的高光谱图像去噪方法，构建训练数据，训练数据是高光谱数据与该高光谱数据的带噪数据组成的数据对，数据对有多组；构建能够自适应学习加权去噪模型中权重的超权重网络，超权重网络的输入为带噪数据，输出为预测的权重；将输出的权重插入加权去噪模型，或者，对于不含加权数据保真项的去噪模型，用带有权重的数据保真项替代该去噪模型的数据保真项；获得能够自适应赋值权重的加权去噪模型；采用双边优化方法学习超权重网络的参数，训练超权重网络，将需要去噪的高光谱数据输入到该能够自适应赋值权重的加权去噪模型中，求解得到复原出的高光谱图像。本发明实现了去噪模型在复杂场景中对不同噪声的自适应。
-
公开(公告)号：CN115761288A
公开(公告)日：2023-03-07
申请号：CN202211371720.X
申请日：2022-11-03
Applicant: 西安交通大学
IPC: G06V10/762 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/084
Abstract: 基于数据自选择与标记自校正算法的图像偏差数据分类方法，获取蕴含数据偏差问题的训练集以及构建少量干净无偏的元数据集；相对于在训练数据集上建立的分类器模型，在元数据集上建立一个具有自动赋权功能的元学习器CMW‑Net；利用随机梯度下降算法联合更新分类器模型和CMW‑Net模型。即通过分类器模型梯度下降格式得到分类器模型梯度更新函数；将其反馈给CMW‑Net模型，并利用元数据得到CMW‑Net模型参数更新，从而得到修正的分类器模型参数梯度格式；然后利用此修正格式完成分类器模型参数更新。本发明具有易于用户理解、实现和可解释性等特点，能够自动化适用于带有各类数据偏差的复杂应用场景。
-
公开(公告)号：CN111462014B
公开(公告)日：2022-12-09
申请号：CN202010260550.2
申请日：2020-04-03
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于深度学习和模型驱动的单图去雨方法，首先预处理图像数据得到雨图和对应的干净无雨图；然后建立单图雨卷积字典模型和相应优化问题；接着利用近端梯度方法设计只包含简单运算的迭代求解算法，将迭代更新过程分解成若干个子迭代步骤并一一对应展开成网络模块，建立单图雨卷积字典网络(RCDNet)；将预处理后的雨图传入RCDNet进行迭代训练，通过反向优化算法迭代更新RCDNet，使得网络的输出结果逐渐逼近预处理后的干净无雨图，得到训练模型；准备待测试的雨图，加载训练好的模型，将该雨图输入RCDNet进行前向计算，网络的输出结果就是该测试雨图对应的去雨图像。本发明不仅大幅度提高了当前单图去雨技术的去雨性能并且具有明显的可解释性和泛化性。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.052 seconds)
