-
公开(公告)号:CN117495720A
公开(公告)日:2024-02-02
申请号:CN202311464041.1
申请日:2023-11-06
申请人: 西安电子科技大学
摘要: 本发明公开了一种基于多尺度边缘保持模型的去雾方法,该方法首先在HSV空间通过小波变换对亮度分量V进行分解,在低频图像中使用Retinex理论进行去雾,在高频图像中使用侧窗滤波增强细节,进而对高低频分量进行小波逆变换得到增强V分量,由于亮度分量V和饱和度分量S遵循V‑S模型,因此需要对S分量进行调整,最后将图像转换到RGB空间对去雾图像进行色彩恢复得到最终清晰图像。本发明对雾天图像对比度的提高和细节信息的恢复两方面具有良好的效果。
-
公开(公告)号:CN116091330A
公开(公告)日:2023-05-09
申请号:CN202211093047.8
申请日:2022-09-08
申请人: 西安电子科技大学
IPC分类号: G06T5/00 , G06N3/0475 , G06N3/094
摘要: 本发明涉及一种基于生成对抗网络的图像修复方法,本发明利用生成对抗网络和多尺度注意力机制的方法对具有大面积丢失的图像进行修复。具体方法包括:首先使用真实图像对生成对抗网络进行训练;然后提取训练好的生成器作为图像修复的网络结构;最后将受损图像通过图像修复网络,从而获得图像修复结果。
-
公开(公告)号:CN117495809A
公开(公告)日:2024-02-02
申请号:CN202311465972.3
申请日:2023-11-06
申请人: 西安电子科技大学
IPC分类号: G06T7/00 , G06T7/10 , G06V10/40 , G06V10/762 , G06V10/82 , G06N3/0455 , G06N3/08
摘要: 本发明公开了一种基于背景纯化和光谱差异引导的高光谱异常检测方法,首先采用基于多重光谱统计特性的背景纯化方法对高光谱图像进行背景纯化得到近似纯净的样本;其次,将上一步得到的样本输入到深度自编码器网络中进行训练,训练完毕后再次输入高光谱图像,得到重构样本,并利用l2范数计算重构误差;但是上一步得到的特征分离基准图中,仍然会存在异常部位漏检的现象,这一点说明在原始的高光谱数据集中有一部分的异常目标和背景的光谱区别不大,对于这个问题,本发明引入光谱差异引导方法对上一步中提出的差异进行扩大;最后,利用马氏距离计算光谱差异引导结果的异常概率,得到异常检测结果。
-
公开(公告)号:CN115393297A
公开(公告)日:2022-11-25
申请号:CN202210973587.9
申请日:2022-08-15
申请人: 西安电子科技大学
摘要: 本发明涉及一种基于差异加权局部对比度的红外弱小目标检测方法,本发明利用多尺度局部差异因子和改进的多尺度相对局部对比图得到不同尺度下的局部对比度显著图,利用自适应均值方差的阈值分割法得到检测结果。具体方法包括:首选在各个尺度下计算局部差异因子和改进的相对局部对比度;然后筛选出全部尺度下的局部差异因子和相对局部对比度的最大值和最小值,将他们进行归一化后相结合得到不同尺度下的局部对比显著图;最后通过最大池化操作用最大的局部对比度作为最终显著图,再利用自适应均值方差的阈值分割法得到最终检测结果。
-
公开(公告)号:CN117611634A
公开(公告)日:2024-02-27
申请号:CN202311723023.0
申请日:2023-12-14
申请人: 西安电子科技大学
摘要: 本发明公开了一种基于响应融合及自适应尺度处理的目标跟踪方法,针对相关滤波类跟踪算法特征提取有效性和丰富性不足、快速尺度变化时应对能力差、抗干扰能力弱的问题,本发明提出了基于特征响应融合的尺度自适应目标跟踪算法。首先,引入了基于颜色直方图特征的概率感知模型,根据背景区域与目标区域的分布差异特性,建立了背景抑制模型与干扰检测模型;随后,通过目标区域的概率均值实现融合权重的自适应计算,将背景抑制模型与干扰检测模型进行根据实时场景的自适应融合处理;最后,在尺度处理方面,将引入有效最值的形体边缘检测的目标预测模型用于计算跟踪中的目标尺度变化,提高了处理尺度变换场景时算法的精度。
-
公开(公告)号:CN115439431A
公开(公告)日:2022-12-06
申请号:CN202211041079.3
申请日:2022-08-29
申请人: 西安电子科技大学
摘要: 本申请公开了一种基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法,该方法针对高光谱图像数据量大且冗余信息多的问题,以不影响算法检测精度为前提,对高光谱图像进行特征提取,本发明通过对自编码器的网络结构与损失函数进行改进优化,提升网络对高光谱图像的特征提取能力,并选取自编码器网络的中间隐藏层结果作为输出来降低冗余计算量,最后使用协同表示算法得到最终异常检测结果。与多种代表算法相比,该方法具有更好的检测性能。
-
公开(公告)号:CN115393711A
公开(公告)日:2022-11-25
申请号:CN202210972870.X
申请日:2022-08-15
申请人: 西安电子科技大学
摘要: 本发明涉及一种基于高光谱图像的异常检测方法,本发明基于空‑谱联合显著性特征表达的方法对高光谱图像进行异常检测。具体方法包括:首先通过联合双窗结构与改进光谱距离计算的光谱特征提取方法完成光谱特征的提取,同时通过基于数据降维与曲率滤波的空间特征提取方法完成空间特征的提取,其次联合两种不同属性特征获得空‑谱初始特征。最后通过基于前后文感知的高光谱显著性检测方法进行异常检测,从而获得异常检测结果。
-
公开(公告)号:CN115358978A
公开(公告)日:2022-11-18
申请号:CN202210964927.1
申请日:2022-08-12
申请人: 西安电子科技大学
摘要: 本发明涉及基于新型多元偏态t分布模型的高光谱图像异常检测方法,利用自编码器和新型多元偏态t分布模型建模的方法实现对高光谱图像进行异常检测。具体方法包括:首先使用RX算法对原始高光谱图像进行预处理,选取结果的背景部分输入到栈式降噪自编码器网络中进行训练;然后将原始高光谱图像输入到训练好的栈式降噪自编码器中,输出得到重建的高光谱图像;最后将重建高光谱图像与原始高光谱图像相减得到重建误差,再用多元偏态t分布模型对重建误差进行建模,计算异常评分从而获得异常检测结果。
-
公开(公告)号:CN115330653A
公开(公告)日:2022-11-11
申请号:CN202210982221.8
申请日:2022-08-16
申请人: 西安电子科技大学
摘要: 本发明公开了一种基于边窗滤波的多源图像融合方法,本发明利用边窗滤波、稀有度颜色统计联合梯度能量优化的显著性检测方法及多层次融合策略的方法对红外和可见光图像进行融合。具体方法包括:对待融合的红外和可见光图像首先使用边窗滤波分别进行多尺度分解,生成基础层与细节层图像;通过稀有度颜色统计联合梯度能量优化的显著性检测方法生成分别对红外和可见光图像进行显著性检测得到显著图;接着,通过显著性比较以及滤波优化得到融合权重图;其次,使用融合权重指导基础层图像融合得到融合基础层;同时,采用一种多层次融合策略对细节层进行融合;最后,将融合基础层和融合细节层进行重构得到融合后的图像。
-
公开(公告)号:CN118154541A
公开(公告)日:2024-06-07
申请号:CN202410273216.9
申请日:2024-03-11
申请人: 西安电子科技大学
IPC分类号: G06T7/00
摘要: 一种基于双层协同结构改进的高光谱异常检测方法,包括如下步骤:使用第一层协同表示对原始高光谱图像H进行预检测;对预检测出的可能异常点进行均值向量填充,完成背景纯化;使用第二层协同表示对背景纯化后的高光谱图像进行重构,得到重构高光谱图像Y;计算原始高光谱图像H和重构高光谱图像Y的重构误差,得到异常检测结果。与现有技术相比,本发明设计了双层协同表示结构,通过第一层协同表示算法将大部分异常点预检出,并用邻域进行背景纯化,有效降低异常点对背景的污染,从而减弱异常点对算法性能的影响,并具有相对优异的检测效果。
-
-
-
-
-
-
-
-
-