-
公开(公告)号：CN118587498A
公开(公告)日：2024-09-03
申请号：CN202410738717.X
申请日：2024-06-07
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06V10/40 , G06V10/774 , G06T7/00 , G06N3/0895 , G06N3/094 , G06N3/0475 , G06N3/0464
Abstract: 本发明公开了一种结合生成对抗网络的半监督学习宫颈上皮内瘤变程度分类方法及系统，方法包括：基于改进的生成对抗网络GAN生成逼真阴道镜醋酸图像，通过超分辨率生成对抗网络SRGAN对所述逼真阴道镜醋酸图像进行优化；基于深度残差网络ResNet为优化后的逼真阴道镜醋酸图像生成伪标签，并基于优化后的逼真阴道镜醋酸图像与有真实标签的图像对所述ResNet网络进行训练，直至伪标签不再变化，保留训练后的ResNet网络；将独立的阴道醋酸镜图像输入至训练后的ResNet网络中，进行宫颈上皮内瘤变程度分类。本发明能更好地适应阴道镜图像样本覆盖不充分的情况，减少数据偏差的影响。
-
公开(公告)号：CN117853336A
公开(公告)日：2024-04-09
申请号：CN202311867153.1
申请日：2023-12-28
Applicant: 安徽大学
IPC: G06T3/4053 , G03H1/08 , G06N3/0455
Abstract: 本发明涉及一种基于物理启发的轻量级深度学习压缩成像方法及装置。该方法包括以下步骤：构建压缩全息感知模型；利用压缩全息感知模型获取低维衍射强度，利用计算超分重建方法构建计算成像框架，利用计算成像框架从所述低维衍射强度中恢复复值振幅；分别构建基于LIST层的轻量化计算成像框架与距离生成网络；利用轻量化计算成像框架和所述距离生成网络，确定轻量级深度学习压缩全息成像模型；利用轻量级深度学习压缩全息成像模型，进行压缩全息成像。本发明的方法耗费更少的时间，尤其是在低维衍射强度条件时同时实现更高质量的复振幅重建和更精准的重建距离估计。
-
公开(公告)号：CN116886832A
公开(公告)日：2023-10-13
申请号：CN202310868943.5
申请日：2023-07-17
Applicant: 安徽大学
IPC: H04N1/44 , G02F1/13 , G02F1/1337 , G02F1/1335
Abstract: 本发明公开了一种基于可实现变焦功能的图像加密系统，包括：图像载入模块：包括透镜和光电探测器；图像压缩模块：包括图像压缩处理器；图像打乱模块：包括图像打乱处理器；光学加密模块：包括扩束器件、第一空间光调制器、第一随机相位掩膜板、第二空间光调制器、第二随机相位掩膜板、第三空间光调制器、CCD探测器和焦距调制处理器；加密输出模块：包括计算机，所述计算机与所述CCD探测器连接，本发明涉及图像处理和信息安全技术领域。本发明在传统双随机编码系统的基础上进行改进，用纯位相型液晶空间光调制器代替透镜的光学加密方法，实现了加密过程中焦距可灵活调制，并将焦距这一物理特性作为密钥，扩大密钥空间，提高了系统的安全性。
-
公开(公告)号：CN116704121A
公开(公告)日：2023-09-05
申请号：CN202310562314.X
申请日：2023-05-16
Applicant: 安徽大学
IPC: G06T17/00 , G06N3/0464 , G06N3/0495 , G06N3/0895 , G06F17/16
Abstract: 本发明涉及一种基于自监督深度学习的三维压缩成像方法及装置。该方法包括：采用基于编码测量的压缩成像方法对三维物体进行成像；构建自监督深度学习网络模型，利用自监督深度学习网络模型对三维物体的成像结果进行优化和重建。和监督式学习相比，本发明不仅不需要大量的标注数据，降低了数据要求和人力成本，还无需获取三维图像的真实值，可以从数据本身中学习有用的表征，提高了算法的适应性和泛化性；而且还可以在数据量不足时进行有效学习，具有较好的可扩展性。本发明解决了传统三维成像分辨率不够高，数据处理速度慢，对复杂场景的处理能力弱，成像成本高等问题。
-
公开(公告)号：CN114895542A
公开(公告)日：2022-08-12
申请号：CN202210452445.8
申请日：2022-04-27
Applicant: 安徽大学
IPC: G03H1/08
Abstract: 本发明提供一种三维计算全息图非迭代快速生成方法，包括：将待处理三维物体沿深度方向分成相互平行且等间距的若干个平面层；将各个平面层的二维图像振幅与事先生成的满支撑优化菲涅尔随机相位相结合，生成各个平面层的初始相位全息图；将各个平面层的初始相位全息图与可编程菲涅尔透镜的相位进行叠加，得到各个平面层的最终相位全息图；将各个平面层的最终相位全息图进行叠加，得到待处理三维物体的计算全息图。本发明不需要为三维物体分层后的每个平面层的二维图像单独生成FS‑OFRAP，大大提高了三维计算全息图的生成速度，也有效保证了三维计算全息图的重建质量。
-
Patent Agency Ranking
公开(公告)号：CN113219806B
公开(公告)日：2022-05-31
申请号：CN202110533804.8
申请日：2021-05-14
Applicant: 安徽大学
Abstract: 本发明公开了一种非迭代彩色相位全息图生成方法及系统，属于彩色全息显示技术领域，包括：基于重构平面与初始化随机相位，得到满支撑优化的随机相位，该重构平面为预先在空间域创建一个和SLM平面相同大小的满支撑单位振幅；将满支撑优化的随机相位与RGB三色通道的单色振幅结合，生成彩色相位全息图。本发明出的非迭代彩色相位全息图生成方案，不需要分通道分别进行G‑S的迭代，大大节省了计算时间。
-
公开(公告)号：CN113448233A
公开(公告)日：2021-09-28
申请号：CN202110790766.4
申请日：2021-07-13
Applicant: 安徽大学
Abstract: 本发明公开了一种欠采样全息图压缩全息多尺度自聚焦重建方法及系统，属于数字全息技术领域，包括对物体在光学结构中不同位置经光源照射产生的全息图分别进行下采样操作，得到不同位置的下采样全息图；基于CS算法，对所述不同位置的下采样全息图进行重建，得到不同位置的振幅图像；采用特征值自聚焦算法的评估方法，根据不同位置的振幅图像，估计焦平面位置；基于TwIST算法，对焦平面位置的下采样全息图进行重建。本发明为实现欠采样情况下的自聚焦提出了EIG‑AF‑CS自聚焦算法，并将其与无孪生像压缩重建相结合，在保证重建质量的同时，有效克服了传统压缩全息重建中孪生像干扰及欠缺自聚焦能力的问题。
-
公开(公告)号：CN112799225A
公开(公告)日：2021-05-14
申请号：CN202011639444.1
申请日：2020-12-31
Applicant: 安徽大学
IPC: G02B21/36 , H04M1/02 , H04M1/72409
Abstract: 本发明提供一种基于强度传输方程的智能手机显微系统，包括智能手机、连接装置、显微镜、微型电动器、遥控器和支架；所述连接装置上设有用于放置智能手机的凹槽以及与智能手机的摄像头和闪光灯相配合的摄像头孔和闪光灯孔，所述显微镜包括显微镜筒、目镜显微镜片和物镜显微镜片，所述显微镜筒的一端可折叠安装在微型电动器的推杆上，所述微型电动器安装在连接装置上的摄像头孔处，所述遥控器用于控制微型电动器的推杆前后伸缩，所述支架可旋转安装在连接装置上。本发明将智能手机与手持式显微镜相结合，拍摄获得一张聚焦强度图像和两张散焦强度图像，再运用强度传输方程法求解得到样本的相位，具有便于携带、成本低廉、成像迅速等优势与特点。
-
公开(公告)号：CN110308610A
公开(公告)日：2019-10-08
申请号：CN201910406993.5
申请日：2019-05-16
Applicant: 安徽大学
Abstract: 本发明公开了一种基于全息投影的多视图三维显示装置及控制方法，属于三维显示领域，包括激光器、空间滤波器、第一透镜、第二透镜、第一平面、第二平面以及分光棱镜；激光器发射光束的传播路径上依次布置有空间滤波器和第一透镜，第一透镜产生的平行光的光路上布置有分光棱镜，分光棱镜的反射光光路上布置有空间光调制器，分光棱镜的透射光的光路上布置有第二透镜，第二透镜前后分别设置有所述第一平面和第二平面，所述第二平面布置有柱透镜光栅。本方案在光学结构上简单紧凑，所采用的柱透镜光栅成本低，制作工艺简单；且纯相位全息图的重构具有更高的衍射效率。
-
公开(公告)号：CN104125382A
公开(公告)日：2014-10-29
申请号：CN201410356751.7
申请日：2014-07-24
Applicant: 安徽大学
Abstract: 本发明提供一种集成式多CCD采集读数摄像机，包括摄像机镜头，所述摄像机镜头的出射光路上设有第一分光装置，所述第一分光装置将入射光分为两束分别出射至两个第二分光装置，所述第二分光装置将入射光分为两束分别出射至两个固定在高精度平移台上的CCD图像传感器。本发明利用分光装置可以同时在多个CCD图像传感器上成像，将多个CCD图像传感器分别固定在高精度平移台上，通过高精度平移台的移动可以带动相应的CCD图像传感器的移动，实时采集多幅图像的同时能够精确读取散焦步长，本发明结构简单，便于携带。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.025 seconds)
