-
公开(公告)号：CN106023106B
公开(公告)日：2019-02-19
申请号：CN201610330261.9
申请日：2016-05-18
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明属于图像处理技术领域，公开了一种自适应参数更新的贝叶斯图像反卷积恢复方法，包括：观测模型建模；图像先验建模；求观测模型的下界：利用优化最小化方法获得观测模型的下界函数；求图像先验模型的下界：利用优化最小化方法获得图像先验模型的下界函数；利用最大化后验概率迭代更新观测模型超参数、图像先验超参数和图像；本发明提供的自适应参数更新的贝叶斯图像反卷积恢复方法自适应更新能力好，计算代价低，恢复效果显著，具有去除高斯噪声和椒盐噪声的能力，可应用于在高斯噪声或椒盐噪声污染情形下且受高斯模糊退化图像的恢复。
-
公开(公告)号：CN106023106A
公开(公告)日：2016-10-12
申请号：CN201610330261.9
申请日：2016-05-18
Applicant: 西安电子科技大学
IPC: G06T5/00
CPC classification number: G06T5/005
Abstract: 本发明属于图像处理技术领域，公开了一种自适应参数更新的贝叶斯图像反卷积恢复方法，包括：观测模型建模；图像先验建模；求观测模型的下界：利用优化最小化方法获得观测模型的下界函数；求图像先验模型的下界：利用优化最小化方法获得图像先验模型的下界函数；利用最大化后验概率迭代更新观测模型超参数、图像先验超参数和图像；本发明提供的自适应参数更新的贝叶斯图像反卷积恢复方法自适应更新能力好，计算代价低，恢复效果显著，具有去除高斯噪声和椒盐噪声的能力，可应用于在高斯噪声或椒盐噪声污染情形下且受高斯模糊退化图像的恢复。
-
公开(公告)号：CN119380001B
公开(公告)日：2025-04-18
申请号：CN202411926334.1
申请日：2024-12-25
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06N3/0464 , G06V10/143 , G06V10/20 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种联合红外非均匀偏差场校正的无人机检测方法，属于退化图像目标检测领域，方法包括：获取退化红外图像；将退化红外图像输入红外图像非均匀校正与无人机检测统一框架进行非均匀校正与无人机目标检测，输出无人机目标检测结果；红外图像非均匀校正与无人机检测统一框架包括偏差场校正模块和无人机目标检测模块，偏差场校正模块包括偏差场预测网络和偏差场清除结构；将退化红外图像输入偏差场校正模块，经过偏差场预测网络进行偏差场预测生成预测偏差场，将预测偏差场与退化红外图像输入偏差场清除结构清除退化红外图像中的预测偏差场得到校正图像；将校正图像传输到无人机目标检测模块进行无人机识别得到校正图像中的无人机目标。
-
-
Patent Agency Ranking
公开(公告)号：CN110781913A
公开(公告)日：2020-02-11
申请号：CN201910859700.9
申请日：2019-09-11
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种拉链布带缺陷检测方法，包括：S1：获取训练样例图像，并对其进行直方图均衡化处理，得到均衡化图像；S2：根据均衡化图像，计算得到其灰度共生矩阵的特征矩阵；S3：根据均衡化图像，计算得到其局部二值模式的特征矩阵；S4：将灰度共生矩阵的特征矩阵和局部二值模式的特征矩阵进行组合，得到组合特征矩阵，并对组合特征矩阵进行归一化处理，得到归一化组合特征矩阵；S5：根据归一化组合特征矩阵，对支持向量机模型进行训练，得到分类器模型；S6：根据分类器模型，对待检测拉链样本图像进行检测，并对检测结果进行标记。本发明的方法在结合采用GLCM和LBP特征提取算子，提高了图像的兼容度和检测的精度。
-
公开(公告)号：CN106504209A
公开(公告)日：2017-03-15
申请号：CN201610956749.2
申请日：2016-10-27
Applicant: 西安电子科技大学
IPC: G06T5/00
CPC classification number: G06T5/002 , G06T2207/10044 , G06T2207/20004 , G06T2207/20028 , G06T2207/20192
Abstract: 本发明属于雷达图像处理技术领域，公开了一种无源毫米波雷达图像的迭代重加权盲反卷积方法，包括：(1)整合基于残差误差构造的自适应权进入数据项；(2)整合图像在双边总变分算子作用下系数的空间自适应权进入图像正则化项；(3)对无源毫米波成像系统点扩展函数施加拉普拉斯算子作用下的光滑性约束；(4)图像和点扩展函数的联合迭代盲反卷积在多尺度由粗到细的框架下实现；(5)推导出了模型正则化参数的自适应估计公式；本发明提供的重加权盲反卷积方法解决现有技术在无源毫米波图像盲反卷积时敏感于强噪声和混合噪声，不能恢复图像边缘和细节信息的问题。
-
公开(公告)号：CN105931264A
公开(公告)日：2016-09-07
申请号：CN201610230854.8
申请日：2016-04-14
Abstract: 本发明公开了一种海面红外小目标检测方法，其步骤包括：(1)由非局部块构造新图像矩阵：将原始图像矩阵分解为相互重叠的子块，再将子块展成列向量，然后将列向量组合获得新的图像矩阵；(2)稀疏与低秩矩阵分解：将新构造的图像矩阵分解为稀疏的小目标分量、低秩的背景图像分量以及噪声分量；(3)建立凸优化模型：构建关于小目标图像和背景图像的凸优化约束能量泛函；(4)高效优化求解：采用高效参数自适应更新的交替方向乘子法求解构建的凸优化约束能量泛函；迭代获取感兴趣的小目标图像；本发明提供的检测方法计算代价低，参数自适应能力好，检测效率高，具有抗背景噪声和杂波干扰的能力，可应用于复杂海面背景的红外小目标检测。
-
公开(公告)号：CN119380001A
公开(公告)日：2025-01-28
申请号：CN202411926334.1
申请日：2024-12-25
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06N3/0464 , G06V10/143 , G06V10/20 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种联合红外非均匀偏差场校正的无人机检测方法，属于退化图像目标检测领域，方法包括：获取退化红外图像；将退化红外图像输入红外图像非均匀校正与无人机检测统一框架进行非均匀校正与无人机目标检测，输出无人机目标检测结果；红外图像非均匀校正与无人机检测统一框架包括偏差场校正模块和无人机目标检测模块，偏差场校正模块包括偏差场预测网络和偏差场清除结构；将退化红外图像输入偏差场校正模块，经过偏差场预测网络进行偏差场预测生成预测偏差场，将预测偏差场与退化红外图像输入偏差场清除结构清除退化红外图像中的预测偏差场得到校正图像；将校正图像传输到无人机目标检测模块进行无人机识别得到校正图像中的无人机目标。
-
公开(公告)号：CN105931264B
公开(公告)日：2017-07-11
申请号：CN201610230854.8
申请日：2016-04-14
Abstract: 本发明公开了一种海面红外小目标检测方法，其步骤包括：(1)由非局部块构造新图像矩阵：将原始图像矩阵分解为相互重叠的子块，再将子块展成列向量，然后将列向量组合获得新的图像矩阵；(2)稀疏与低秩矩阵分解：将新构造的图像矩阵分解为稀疏的小目标分量、低秩的背景图像分量以及噪声分量；(3)建立凸优化模型：构建关于小目标图像和背景图像的凸优化约束能量泛函；(4)高效优化求解：采用高效参数自适应更新的交替方向乘子法求解构建的凸优化约束能量泛函；迭代获取感兴趣的小目标图像；本发明提供的检测方法计算代价低，参数自适应能力好，检测效率高，具有抗背景噪声和杂波干扰的能力，可应用于复杂海面背景的红外小目标检测。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
