-
公开(公告)号：CN119804662A
公开(公告)日：2025-04-11
申请号：CN202510300633.2
申请日：2025-03-14
Applicant: 南昌大学
Abstract: 本发明公开了一种基于单像素频域获取的光声显微成像轴向分辨率提升方法，包括：1）创建轴向上空间频率为k的傅里叶基底图案；2）将四个空间频率为k，初相位依次为#imgabs0#、#imgabs1#、#imgabs2#、#imgabs3#的傅里叶基底图案分别照射到成像物体上，进行光声显微成像，并使用超声换能器采集数据，得到超声换能器的响应值；3）根据所得到的超声换能器响应值，采用四步相移法得到空间频率为k所对应的傅里叶系数；4）逐渐提高傅里叶基底图案的空间频率至物镜的截止频率，进而得到所有空间频率所对应的傅里叶系数，获取完整的傅里叶频谱并进行逆傅里叶变换，得到轴向分辨率提升后的光声显微图像。本发明方法有望促进光声显微成像在活细胞及组织成像中更广泛的应用。
-
公开(公告)号：CN118295225B
公开(公告)日：2024-09-13
申请号：CN202410726799.6
申请日：2024-06-06
Applicant: 南昌大学
Abstract: 本发明涉及全息图像处理技术领域，尤其涉及一种双通道先验约束的多距离无透镜数字全息重建方法，包括如下步骤：将平面光波照射样品上，通过传感器在不同的纵向距离处获取一组全息图和相应的背景全息图；通过去噪分数匹配学习概率密度分布，振幅和相位的双通道先验信息被提取；先验信息被用于约束无透镜数字全息的重建过程；多距离测量数据协同处理，在串行传输和并行加权算法下，图像在空间域和全息域不断地交替更新；经过多距离轮换和网络更新的全息图不断进入新一次迭代，双通道振幅和相位通过最后的全息图反向传播得到重建图像。本发明使用双通道先验信息约束并处理多距离测量数据，重建的数字全息图像具有更高的保真度和分辨率。
-
公开(公告)号：CN110276726B
公开(公告)日：2021-09-28
申请号：CN201910392447.0
申请日：2019-05-13
Applicant: 南昌大学
IPC: G06T5/00
Abstract: 本发明提供了一种基于多通道网络先验信息引导的图像去模糊方法，包括以下步骤：步骤A：准备干净图像和其对应的含噪图像组成图像对，建立图像数据集，图像数据集分为训练数据集和测试数据集两部分；步骤B：设计网络结构，使用图像训练数据集对多通道增强深度均值漂移先验网络MEDMSP进行训练；步骤C：使用训练好的MEDMSP网络模型对图像测试数据集中的模糊图像进行测试，输出得到最终的去模糊图像，本发明提出了一个新的图像先验信息用于图像恢复(IR)任务，引入了多噪声模拟和多通道增强。同时还引入了一种算法用于探索低维IR任务的高维网络诱导先验信息。该方法不仅具有可以提取有价值的先验信息的神经网络优点，而且还具有基于模型方法的稳定性。
-
公开(公告)号：CN109242798A
公开(公告)日：2019-01-18
申请号：CN201811078556.7
申请日：2018-09-14
Applicant: 南昌大学
Abstract: 本发明提供了一种基于三段子网络表示的泊松去噪方法，包括以下步骤：步骤(a)：像素值全为1的输入图像经过卷积处理后与经过两个卷积算子的含噪图像相加，得到中间处理图像1；步骤(b)：将中间处理图像1经过一个无batch normalization层的resnet模块处理后，得到中间处理图像2；步骤(c)：对步骤(b)进一步使用两个卷积后，与像素值为1的图相加，得到最终结果；本发明继承和扩展了传统方差稳定变换方案的结构和优势，通过网络设计和监督学习的方法，利用三个子网络处理非线性学习映射，网络的拓宽大大提高了去噪性能；与传统的迭代去噪方法相比，本发明具有更好的去噪性能，特别是在低信噪比的情况下图像恢复效果更加优越。
-
公开(公告)号：CN106023268B
公开(公告)日：2019-01-11
申请号：CN201610373855.8
申请日：2016-05-30
Applicant: 南昌大学
Abstract: 一种基于两步参数子空间优化的彩色图像灰度化方法，包括以下步骤：检验输入图像是否为彩色图像，再归一化预处理，接着由彩色图像三通道的二阶组合得到带参数的二阶多元多项式模型并对其划分为三个颜色子空间，基于梯度相关性相似测度求解第一个子空间的线性参数模型，得到初始灰度图像；基于梯度相关性相似测度从初始灰度图像和第二子空间导致的候补图像集中用离散搜索技术自适应地求解，得到加细图像；检查输出加细图像是否为灰度图像，再归一化后处理，得到最优结果作为最终的灰度图像。本发明使彩色图像灰度化计算效率达到实时程度，并可保存彩色图像的显著特征，使灰度化图像可保留颜色排序，更好地反映了彩色和灰度图像之间的结构相似性。
-
Patent Agency Ranking
公开(公告)号：CN106991651A
公开(公告)日：2017-07-28
申请号：CN201611138095.9
申请日：2016-12-12
Applicant: 南昌大学
IPC: G06T5/00
Abstract: 一种基于合成分析反卷积网络的快速成像方法，包括以下步骤：在融入DN和MRF先验信息的合成分析反卷积网络上用图像库进行滤波器学习；在滤波器训练过程中利用轮换技术、半二次分离技术和迭代重加权最小二乘法更新滤波器和稀疏系数；在已训练的滤波器基础上，从欠采样K空间中获取初始图像，建立图像重建模型；在重建模型上利用轮换技术、半二次元分离技术和迭代重加权最小二乘法进行稀疏系数和目标图像更新；满足收敛条件得到重建图像。本发明在一定程度上提高了图像重建的精度，同时还提供了一种运用上述合成分析反卷积网络的快速成像方法的基于合成分析反卷积网络的快速成像系统，能够得到较高精度的重建图像。
-
公开(公告)号：CN104574456A
公开(公告)日：2015-04-29
申请号：CN201410707447.2
申请日：2014-12-01
Applicant: 南昌大学
IPC: G06T11/00
Abstract: 一种基于图正则化稀疏编码的磁共振超欠采样K数据成像方法，包括以下步骤：(a)：在双层伯格曼迭代框架上进行图正则化稀疏编码表示，得到图像稀疏模型；(b)：引入辅助变量和轮换求解的技术，在双层伯格曼迭代的内层迭代上更新学习字典和稀疏系数；(c)：利用部分超欠采样的K数据约束，在双层伯格曼迭代的外层迭代上进行图像更新，以得到成像结果。本发明通过自适应字典学习引入图正则化稀疏编码方法，建立邻近图来编码局部结构数据以及挖掘其在几何数据方面的约束，使得图像数据可以更好的稀疏表示；另外本发明可以处理局部几何特征更复杂的图像，能有效的捕获局部的图像结构，恢复出更多的图像细节，得到的图像结果具有更好的保真度。
-
公开(公告)号：CN119672160A
公开(公告)日：2025-03-21
申请号：CN202510179458.6
申请日：2025-02-19
Applicant: 南昌大学
Abstract: 本发明提供了一种基于正交分解的子空间扩散模型的MRI重建方法，包括：形成开源脑部数据集；构建基于正交分解的子空间扩散模型，通过将k空间数据分解到子空间中进行扩散，从而更好地捕捉数据分布并在噪声环境下保持稳健性；设计用于提取该模型内的先验信息的迭代求解算法；采用迭代求解算法应用于该模型对测试数据集进行测试，输出最终的修复图像。本发明促进了在复杂分布中有效信息的学习，解决了固有的高维外推挑战，并降低了与扩散模型相关的计算成本。对不同数据集的全面实验清楚地表明，本发明在重建速度和质量方面优于其他的方法。
-
公开(公告)号：CN116336960A
公开(公告)日：2023-06-27
申请号：CN202310150926.8
申请日：2023-02-22
Applicant: 南昌大学
IPC: G01B11/24
Abstract: 本发明公开了一种基于光学快速轴向扫描的深度信息提取方法，工作过程如下：S1：CCD相机置于透镜的焦面上，电控变焦透镜置于透镜前方，待观测物体置于电控变焦透镜变焦区域内。S2：由工作站计算机控制CCD相机和电控变焦透镜的同步。控制电控变焦透镜的驱动电流，驱动电流每增大一步，工作站计算机程序同步触发CCD相机采集图像。S3：输送给电控变焦透镜的驱动电流在0‑150mA范围内以固定的步长渐进增大，成像焦点在一定范围内渐进式轴向移动，CCD相机同步获取不同聚焦深度的图片序列，通过超像素方差索引提取在焦信息。该方法只通过改变施加在电控变焦透镜两端的电流大小即可控制聚焦深度，使得聚焦速度更快，能更好地应用于生活中所需的各种场景。
-
公开(公告)号：CN113256749B
公开(公告)日：2022-12-06
申请号：CN202110423015.9
申请日：2021-04-20
Applicant: 南昌大学
Abstract: 本发明提供了一种基于高维相关性先验信息的快速磁共振成像重建方法，包括以下步骤：准备开源脑部数据集SIAT并将其分为训练数据集和测试数据集；结合衍生的大数定律和多通道高维思想，在不同噪声水平的情况下优化多个网络模型，并形成基于高维的相关性先验信息；设计一种快速提取网络模型的先验信息的迭代求解算法；将迭代求解算法应用于已训练的网络模型并对图像测试数据集进行测试，输出得到最终的重建结果。本发明将全采样数据和欠采样数据相结合作为基于相关性的高维先验信息，利用不同的噪声水平对多个模型进行训练，通过欠采样且含伪影的图像训练一个无监督网络，使训练出来的网络参数非常接近于利用全采样图像训练的有监督网络。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.019 seconds)
