-
公开(公告)号：CN109754386A
公开(公告)日：2019-05-14
申请号：CN201910037353.1
申请日：2019-01-15
Applicant: 哈尔滨工程大学
IPC: G06T5/50
Abstract: 本发明属于数字图像处理技术领域，具体涉及一种递进式前视声纳图像融合方法。算法分为初融合和再融合步骤。针对声纳图像清晰度特殊性，使用Gabor能量和局部方向对比度作为融合规则。在初融合步骤中，使用NSCT将源图像分解为高频和低频成分，分别采用局部方向对比度和Gabor能量作为融合规则进行融合，得到融合图像高频和低频成分，采用NSCT反变换得到初融合图像。再融合步骤中，利用源图像和初融合图像之间的均方根误差RMSE确定源图像中的有利区域，其间使用形态学后处理平滑区域边界，随后将源图像像素灰度分别按照拼接线划分的区域直接传递到融合图像中，而边界区域像素灰度等于初融合图像对应像素灰度以消除源图像之间的明显过渡区。
-
公开(公告)号：CN104156522B
公开(公告)日：2018-08-17
申请号：CN201410374468.7
申请日：2014-08-01
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明涉及的是一种数字图像处理领域，具体涉及一种基于UFIR矩不变量的模式识别方法。本发明包括：对原图像进行变换，每一个像素点分别乘以变换因子；计算变换后图像的UFIR矩函数；将计算后的UFIR矩函数表示为几何矩的线性和的形式；将表达式中的几何矩替换为几何矩不变量，得到原图像的UFIR矩不变量；选取5幅形状相同的物体作为标准图像，分别计算标准图像的UFIR矩不变量；对结果进行处理，计算绝对均值以及单次测量值减去均值后的绝对值的和；选取一幅图像作为标准图像，分别进行平移、缩放和旋转变换，计算变换后图像的UFIR矩不变量。本发明的UFIR矩不变量对于图像变换具有更好的不变性。
-
公开(公告)号：CN104636753B
公开(公告)日：2017-11-21
申请号：CN201510056549.7
申请日：2015-02-04
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于PCNN神经元激活率和群离散度的区域特征提取方法。包括以下步骤：步骤一：对原始图像进行预处理，将神经网络PCNN与图像对应；步骤二：将0～255的灰度范围根据目标区域划分成N个从大到小的灰度区间；步骤三：得到当前灰度区间内发生群激活的神经元；步骤四：统计发生群激活神经元的领域内受激励神经元个数，判断发生提起激活的神经元；步骤五：统计提前激活神经元个数，得到群激活率和群离散度；步骤六：读取下一个灰度区间，重复步骤三到步骤六，直到第N个区间。本发明具有计算复杂度小，分类效果好的优点。
-
公开(公告)号：CN104156953B
公开(公告)日：2017-08-04
申请号：CN201410374455.X
申请日：2014-08-01
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明属于数字图像处理领域,具体涉及一种基于离散正交矩的图像重构方法。本发明包括：对UFIR多项式进行归一化处理；利用归一化UFIR多项式关于阶数的递推关系，计算出全部阶数的归一化UFIR多项式；求解关于UFIR最高两阶多项式的方程组,得到同阶多项式关于自变量的递推关系,求出最高两阶UFIR多项式的一个特解,求出全部阶数的UFIR多项式；利用已经计算出的归一化UFIR多项式，对图像构造图像的UFIR矩函数；应用图像的UFIR矩函数，对图像进行重构。本发明中UFIR多项式不是多参数的多项式，应用时避免了选取最优参数的问题，并且能得到相近的处理结果，因此UFIR矩更加适合实时处理。
-
公开(公告)号：CN106067172A
公开(公告)日：2016-11-02
申请号：CN201610363682.1
申请日：2016-05-27
Applicant: 哈尔滨工程大学
IPC: G06T7/00
CPC classification number: G06T2207/10004
Abstract: 本发明提供一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法，针对声纳系统探测到的水下地形高程数据，获取其实时图像，首先分析模板区域内的适配性，如果适合匹配，再通过航向角偏离程度选择不同匹配方式，对待测区进行匹配。若航向角偏离较大，直接采用精匹配方式；若航向角偏离较小，采用由粗到精的分层匹配方式。其中使用灰度的绝对差算法对水下地形图像进行粗匹配；精匹配步骤是选取灰度共生矩阵的最大相关系数、灰度‑梯度共生矩阵的均值和7个不变矩，共9个特征参数构成特征向量，使用这些特征向量对图像进行精匹配。在同等外界干扰、使用相同位置匹配算法时，能够对水下地形适配性做到良好地判断，提高了判断正确率。
-
Patent Agency Ranking
公开(公告)号：CN105957021A
公开(公告)日：2016-09-21
申请号：CN201610168482.0
申请日：2016-03-23
Applicant: 哈尔滨工程大学
IPC: G06T5/00
CPC classification number: G06T5/002 , G06T2207/10024 , G06T2207/20024
Abstract: 本发明属于数字图像处理领域。具体地说是一种改进的用于去除干扰噪声的P‑G快速方法。本发明包括：对原图像进行灰度变换，去除图像颜色；对图像中的非噪声点进行标记；将非噪声点储存到数组中；将图像中的噪声点和其他干扰点初始值设置为均值；根据图像的频域设置截止频率，并且用平滑的频域低通滤波器代替原有的频域低通滤波器，保留部分高频信息。本发明将P‑G外推法运用到了图像去噪的领域，通过设计更平滑的滤波器，保留了部分高频信息，同时改善了在滤波过程中造成信号能量减小的情况，解决了原有P‑G算法在修复后边缘模糊与亮度偏暗的不足。
-
公开(公告)号：CN103616697B
公开(公告)日：2015-12-02
申请号：CN201310652190.0
申请日：2013-12-05
Applicant: 哈尔滨工程大学
IPC: G01S17/89
Abstract: 本发明实现的是一种智能水下激光探测系统。该系统通过运行VxWorks的嵌入式平台控制水下激光器，通过水下激光器获取水下目标的原始激光图像，在VxWorks系统下对获取的激光图像进行处理，估计目标方位，然后根据处理结果生成改进的水下激光器系统参数，并使用该参数调整水下激光器设置，再次对目标进行成像。经过多次自动调整，该系统最终可获取清晰的目标图像。同时该系统通过扩展，可连接PC机来实时监测系统的图像处理结果。本发明适用于水下目标的自动探测，同时还可进行水下激光图像处理算法以及水下激光器自动控制算法的开发与调试。
-
公开(公告)号：CN103116883B
公开(公告)日：2015-05-27
申请号：CN201210439838.1
申请日：2012-11-07
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明提供的是一种自适应门限的NCC配准方法。选取一个初始的NCC门限值对两幅图像中的特征点进行配准；利用配准的特征点对求得两幅图像间的仿射变换矩阵；将待配准图像利用求得的仿射变换矩阵做仿射变换；求出仿射变换后的待配准图像与基准图像间的互信息熵；利用加入了进退法与黄金分割法的powell寻优迭代算法，将互信息作为搜索准则进行NCC门限的自适应迭代；利用powell算法不断改变NCC门限值，进行迭代；迭代结束后，找到最大的互信息熵并且得到此时对应的NCC门限值；将得到的NCC门限值作为最终的门限值进行特征点对的配准。本发明用于基于特征点的图像配准，与特征点检测算法配合使用，达到配准图像的目的。
-
公开(公告)号：CN102932034B
公开(公告)日：2014-09-17
申请号：CN201210426123.2
申请日：2012-10-31
Applicant: 哈尔滨工程大学
IPC: H04B1/7105 , H04L1/06
Abstract: 本发明提供的是一种快速的宽带相干源方位估计方法。(1)将接收的宽带信号数据在观测时间内分为K个长为Td的子间隔，对每个子间隔数据进行离散傅里叶变换，得到频域内J个子带数据；(2)将每个子带数据对应的阵列流形离散化，按照均匀线列阵下离散化点数的选取原则，用离散化后的阵列流形作为采样矩阵，选择信号的最低频率作为聚焦频率，利用采样矩阵构造非奇异的聚焦矩阵；(3)计算聚焦后的各子带数据的协方差矩阵，求其均值，利用MVDR算法进行空间谱估计，得到宽带相干源的方位信息。本发明方法可以有效的降低运算量，从而缩短运算时间。
-
公开(公告)号：CN103325111A
公开(公告)日：2013-09-25
申请号：CN201310220935.6
申请日：2013-06-05
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明属于声纳图像处理领域，具体涉及一种基于互信息的非刚性图像配准方法。本发明包括：确定并提取浮动图像的梯度信息；将梯度信息和互信息的结合，构建联合互信息量；以联合互信息量作为相似性测度，进行全局刚性配准；根据全局刚性配准结果，结合Active Demons模型进行非刚性声纳连续帧图像配准。本发明在配准的鲁棒性与准确性均有显著的提高。互信息的计算精度被极大的提高。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.033 seconds)
