-
公开(公告)号：CN110533667A
公开(公告)日：2019-12-03
申请号：CN201910688043.6
申请日：2019-07-29
申请人： 西安电子科技大学
摘要： 本发明提出了一种基于图像金字塔融合的肺部肿瘤CT影像3D分割方法，用于解决现有技术中肺部肿瘤CT影像分割精度低、鲁棒性不高的技术问题。实现步骤为：提取3D肺部肿瘤CT影像A；对3D肺部肿瘤CT影像A进行归一化，得到像素值归一化后的3D肺部肿瘤CT影像B；构建3D肺部肿瘤CT影像B的图像金字塔S；对图像金字塔S中的每一个图像si进行超体素预分割，得到图像金字塔S的预分割区域集合F；对预分割区域集合F中每一个元素Fi的所有超体素预分割区域进行合并，组成图像金字塔分割结果集合L；融合图像金字塔分割结果L，得到最终分割结果Z。本发明提高了肺部肿瘤CT影像分割精度，并且分割结果鲁棒，可用于计算机视觉领域中的肺部肿瘤CT影像分割。
-
公开(公告)号：CN110533631A
公开(公告)日：2019-12-03
申请号：CN201910635704.9
申请日：2019-07-15
申请人： 西安电子科技大学
摘要： 本发明提供了一种基于金字塔池化孪生网络的SAR图像变化检测方法，主要解决传统方法中变化检测精度依赖于差异图而导致结果不准确的问题。其实现步骤是：1)生成训练样本、测试样本和样本标签；2)构建深度金字塔池化孪生网络；3)构建分类网络；4)使用训练样本和样本标签对深度金字塔池化孪生网络和分类网络进行训练，得到训练好的模型；5)用训练好的模型对测试样本进行测试，得到变化检测结果。本发明能避免使用差异图，有效解决了差异图对变化检测结果的影响，提高了变化检测的准确率，可用于环境检测和灾害检测。
-
公开(公告)号：CN108846381A
公开(公告)日：2018-11-20
申请号：CN201810736484.4
申请日：2018-07-06
申请人： 西安电子科技大学
摘要： 本发明提供了一种基于最大边缘度量学习的SAR图像变化检测方法，解决了SAR图像变化检测中容易受到相干斑噪声的影响以及传统度量不能很好衡量样本差异信息的问题。实现步骤有：输入变化前后的遥感图像构建全部样本；构建包含全部边界的训练样本；利用训练样本构建正负约束对；利用正负约束对作为输入，建立结构化的支撑矢量机模型获得映射矩阵，对映射矩阵进行分解；利用分解后的映射矩阵将全部样本映射到特征空间，在特征空间中对全部样本进行SAR图像变化检测分类。本发明分类精度高，尤其是在时间复杂度低的情况下仍然保持高精度的分类效果，在抑制噪声的同时保持了很好的边界信息。用于SAR图像变化检测。
-
公开(公告)号：CN105320959B
公开(公告)日：2018-11-16
申请号：CN201510639916.6
申请日：2015-09-30
申请人： 西安电子科技大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于端元学习的高光谱图像稀疏解混方法，主要解决了现有技术在低信噪比的高光谱图像解混过程中，高光谱图像解混精度低、重构效果差、耗时长、效率低的问题。本发明的步骤为：输入高光谱数据，合成高光谱基数据，端元学习，求解高光谱数据丰度矩阵，计算高光谱数据丰度矩阵的重构误差，输出解混结果。本发明采用了新的求解模式，引入了端元学习的思想，具有解混精度高、重构效果好、效率高的优点，同时求解步骤简单，原理清晰，可用于高光谱图像的理解解译。
-
公开(公告)号：CN110533631B
公开(公告)日：2023-07-04
申请号：CN201910635704.9
申请日：2019-07-15
申请人： 西安电子科技大学
摘要： 本发明提供了一种基于金字塔池化孪生网络的SAR图像变化检测方法，主要解决传统方法中变化检测精度依赖于差异图而导致结果不准确的问题。其实现步骤是：1)生成训练样本、测试样本和样本标签；2)构建深度金字塔池化孪生网络；3)构建分类网络；4)使用训练样本和样本标签对深度金字塔池化孪生网络和分类网络进行训练，得到训练好的模型；5)用训练好的模型对测试样本进行测试，得到变化检测结果。本发明能避免使用差异图，有效解决了差异图对变化检测结果的影响，提高了变化检测的准确率，可用于环境检测和灾害检测。
-
公开(公告)号：CN112288744A
公开(公告)日：2021-01-29
申请号：CN202011407382.1
申请日：2020-12-02
申请人： 西安电子科技大学
摘要： 本发明公开一种基于整型推理量化CNN的SAR图像变化检测方法，其步骤为：(1)生成源域SAR图像的训练集；(2)构建整型推理量化卷积神经网络；(3)利用整型推理量化算法，对整型推理量化卷积神经网络进行模拟量化训练；(4)对待检测的SAR图像进行检测。本发明引入整型推理量化算法，在训练过程中将特征值和权重值由32位浮点型数据转换为低比特的整型数据，在不影响变化检测正确率的前提下，降低变化检测对计算资源的要求，促进变化检测算法在通用的嵌入式移动平台中的应用优点。可对农作物的生长、城市的规划布局、自然灾害等进行监测。
-
公开(公告)号：CN109064476A
公开(公告)日：2018-12-21
申请号：CN201810819746.3
申请日：2018-07-24
申请人： 西安电子科技大学
CPC分类号： G06T7/12 , G06T7/13 , G06T7/62 , G06T2207/10081 , G06T2207/20036 , G06T2207/30061
摘要： 本发明公开了一种基于水平集的CT胸片肺组织图像分割方法，解决CT图像中肺区域分割边界不精确、需人工干预、结果不稳定的问题。实现过程有：获取CT图像并预处理；构造能量泛函并设定初始零水平集；最小化能量泛函，得零水平集轮廓；从中选出候选肺部区域轮廓；逐个向内候选肺部区域填充轮廓；对填充结果进行形态学开、闭操作，移除小体积连通区域。本发明提取了图像的边缘信息，基于先验知识设计了稳定的轮廓筛选策略，有效的筛选出候选肺部区域轮廓，最后基于轮廓高度信息设计了轮廓填充的优化方案。本发明图像分割结果鲁棒，精度高，是一种全自动的图像分割方法。本发明提取出了CT图像肺部区域，可用于后续对CT图像肺部区域分析。
-
公开(公告)号：CN109002792A
公开(公告)日：2018-12-14
申请号：CN201810763679.8
申请日：2018-07-12
申请人： 西安电子科技大学
摘要： 本发明提供了一种基于分层多模型度量学习的SAR图像变化检测方法，解决了传统度量不能很好衡量样本间差异信息以及易受到噪声影响的问题。实现步骤有：输入变化前后的遥感图像，构建分层多模型的测试样本；构建包含全部边界的训练样本；利用训练样本获得正负约束对；建立分层多模型获得映射矩阵，将映射矩阵进行矩阵分解；利用分解后的映射矩阵将样本映射到特征空间，在特征空间中对样本进行分类。本发明将两时相图像以及差异图作为三个通道进行分层多模型学习，不仅获得每个通道的差异信息，也获得三个通道之间的差异信息。将全部边界作为训练样本，解决了边界易错分的问题，获得对噪声鲁棒同时精度高的分类效果。用于SAR图像变化检测。
-
公开(公告)号：CN110363802B
公开(公告)日：2022-12-06
申请号：CN201910631224.5
申请日：2019-07-12
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于自动分割和骨盆对齐的前列腺图像配准系统及方法，主要解决现有技术实现前列腺多模态医学图像配准时模态差异大，配准精度低的问题。其实现方案是：将前列腺CT图像序列与前列腺MRI图像序列分别利用训练好的前列腺多模态图像分割网络U‑net进行联合分割，得到前列腺CT图像分割结果图像集C和前列腺MRI图像分割结果图像集M，再对这两个图像集C和M进行两阶段配准，得到最终配准图像集L；最后将最终配准图像集L和前列腺CT图像分割结果图像集C融合并显示。本发明缩小了前列腺多模态图像差异，解决了小形变图像配准问题，提高多模态图像配准效率和配准精度，可用于观察前列腺肿瘤解剖部位的形状和位置变化。
-
公开(公告)号：CN108846381B
公开(公告)日：2022-03-18
申请号：CN201810736484.4
申请日：2018-07-06
申请人： 西安电子科技大学
IPC分类号： G06V20/13 , G06V10/30 , G06V10/764 , G06V10/774 , G06K9/62
摘要： 本发明提供了一种基于最大边缘度量学习的SAR图像变化检测方法，解决了SAR图像变化检测中容易受到相干斑噪声的影响以及传统度量不能很好衡量样本差异信息的问题。实现步骤有：输入变化前后的遥感图像构建全部样本；构建包含全部边界的训练样本；利用训练样本构建正负约束对；利用正负约束对作为输入，建立结构化的支撑矢量机模型获得映射矩阵，对映射矩阵进行分解；利用分解后的映射矩阵将全部样本映射到特征空间，在特征空间中对全部样本进行SAR图像变化检测分类。本发明分类精度高，尤其是在时间复杂度低的情况下仍然保持高精度的分类效果，在抑制噪声的同时保持了很好的边界信息。用于SAR图像变化检测。
-
-
-
-
-
-
-
-
-
搜索结果
25 条记录 (耗时 0.033 秒)
