“图像字典”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果799984个，建议您升级VIP下载更多相关专利

[发明专利]一种图像分类中通用的判别性稀疏编码字典学习方法-CN201611163949.9有效
发明人：赵仲秋;凌凝;黄德双;徐首韬 -专利权人：合肥工业大学
申请日： 2016-12-16 - 公布日： 2020-12-22 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种通用的判别性稀疏编码字典学习方法,该方法包括四个步骤：（1）从图像中抽取SIFT、HOG等局部特征；（2）设计一种图像分类中通用的判别性“字典”学习方法；（3）在求得字典的基础上，利用BP本发明用于图像分类的判别性表达，不仅独立于分类器学习，且对各种稀疏编码字典学习算法具有普适性。
一种图像分类通用判别稀疏编码字典学习方法

[发明专利]一种整合特征字典结构与视觉特征编码的图像分类方法-CN201410693888.1在审
发明人：杨育彬;朱启海 -专利权人：南京大学
申请日： 2014-11-26 - 公布日： 2015-02-04 - 主分类号： G06K9/66 文献下载
摘要：本发明公开了一种整合特征字典结构与视觉特征编码的图像分类方法，包含如下步骤：视觉特征提取；特征字典学习；视觉特征编码；特征编码的空间汇合；训练与分类。本发明能获取更为准确的图像特征表示，提升图像分类的准确率。此外，通过将特征字典中的结构信息整合到视觉特征编码过程，得到更有判别性的图像特征表示，因此使得对图像的分类更加有效。本发明实现了高效、准确的图像分类，因此具有较高的使用价值。
一种整合特征字典结构视觉编码图像分类方法

[发明专利]一种组织病理图像识别方法-CN201710059300.0有效
发明人：汤红忠;李骁;王翔;毛丽珍 -专利权人：湘潭大学
申请日： 2017-01-24 - 公布日： 2020-08-11 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种组织病理图像识别方法，包括以下步骤：选取无病和有病训练样本，无病和有病测试样本；结合无病训练样本和有病训练样本，建立无病字典学习模型和有病字典学习模型，交替迭代优化两个目标函数，直到达到最大迭代次数为止，学习得到无病字典和有病字典；利用无病字典和有病字典，对测试样本进行稀疏表示，分别计算测试样本在无病字典和有病字典下的稀疏重构误差向量；通过稀疏重构误差向量获得分类统计量，通过分类统计量与阈值的比较确定测试样本的类别本发明对字典学习在组织病理图像分类中的应用提出了新的模型和方法，学习出的带类标字典对同类样本具有较好的稀疏重构性与类内鲁棒性，对非同类样本具有较好的类间判别性。
一种组织病理图像识别方法

[发明专利]一种基于压缩感知理论的全息图像高分辨率重建方法及系统-CN201610541875.1有效
发明人：秦文健;李喆;辜嘉 -专利权人：中国科学院深圳先进技术研究院
申请日： 2016-07-11 - 公布日： 2019-04-26 - 主分类号： G03H1/04 文献下载
摘要：本发明提供一种基于压缩感知理论的全息图像高分辨率重建方法，包括以下步骤：步骤S1,获取多角度全息数据；步骤S2,将多幅低分辨率序列图像进行融合，提取先验信息，近似到一幅目标图像中；步骤S3,自学习稀疏字典重构，获取所述目标图像下采样图像，构成字典样本库，进行过完备字典训练，通过稀疏编码求稀疏表达系数，更新每个字典原子，采用重构算法求解目标方程以得到多个高分辨率图像块，然后对所述高分辨率图像块进行拼接，得到高分辨率全息图像本发明还提供了相应的全息图像高分辨率重建系统。本发明提供的全息图像高分辨率重建方法和系统简化了重建过程，改善了重建效果。
一种基于压缩感知理论全息图像高分辨率重建方法系统

[发明专利]基于稀疏表示与字典学习的视频图像分级重建方法-CN201510789969.6有效
发明人：王海;王柯;刘岩;张皓迪;李彬;毛敏泉 -专利权人：西安电子科技大学
申请日： 2015-11-17 - 公布日： 2018-11-16 - 主分类号： G06T5/50 文献下载
摘要：本发明公开了一种基于稀疏表示和字典学习的视频图像分级重建方法，主要解决现有技术对视频图像重建时间长的问题。其实现步骤是：(1)获取样本集；(2)对样本集中的图像进行分层；(3)对样本集分层前后的图像进行训练，得到样本集分层前后的高、低分辨率字典；(4)将待重建图像划分为主区域、次区域和不感兴趣区域；(5)根据样本集分层后的高、低分辨率字典对主区域进行重建；(6)根据样本集分层前的高、低分辨率字典对次区域进行重建；(7)对不感兴趣区域进行重建；(8)将重建的主区域和次区域融合到重建的不感兴趣区域中，得到完整的重建图像。本发明缩减了图像的重建时间，可用于医学图像、自然图像以及遥感图像的处理。
基于稀疏表示字典学习视频图像分级重建方法

[发明专利]一种基于正交字典下同时稀疏编码的MRI图像重构方法-CN201711463209.1有效
发明人：刘书君;沈晓东;曹建鑫;张新征;李勇明;张奎 -专利权人：深圳中物光子科技有限公司
申请日： 2017-12-28 - 公布日： 2022-02-18 - 主分类号： G06T11/00 文献下载
摘要：本发明公开了一种基于正交字典下同时稀疏编码的MRI图像重构方法。属于数字图像处理技术领域。它是一种利用正交字典对图像进行稀疏表示和对稀疏系数同时稀疏编码优化的MRI图像重构方法。首先找到目标图像块的相似图像块集合即结构组，然后基于结构组在正交字典下的同时稀疏编码建立的图像重构模型，最后用广义软阈值法求解出该模型中结构组的稀疏系数并重构图像；本发明通过正交字典对结构组进行稀疏表示，可优化对结构组稀疏表示性能，并利用同时稀疏编码和广义软阈值法对稀疏系数进行约束和求解，能够更高效精确地估计稀疏系数，通过本发明重构出的MRI图像整体更加清晰，而且细节信息更丰富，重构的准确度更高，因此可用于医学图像的重构
一种基于正交字典同时稀疏编码 mri 图像方法

[发明专利]三维CT岩心图像超分辨率重建方法-CN201510388670.X有效
发明人：滕奇志;李征骥;岳桂华;何小海;卿粼波;吴晓红 -专利权人：四川大学
申请日： 2015-06-30 - 公布日： 2017-11-14 - 主分类号： G06T17/00 文献下载
摘要：本发明公开了一种三维CT岩心图像超分辨率重建方法，包括对CT扫描岩心三维图像进行退化，对退化后的三维图像进行分解、提取特征，得到特征块2；对提取特征应用算法进行字典训练，得到低分辨字典Dl及稀疏系数α；对输入的CT三维图像进行分解、提取特征，得到特征块1；根据特征块1及稀疏系数α求得输入的CT扫描岩心三维图像的高分辨率字典Dh；根据特征块1及低分辨率字典Dl求得新稀疏系数β；根据高分辨率字典Dh及新稀疏系数β，求得高分辨率三维图像块；用插值算法将CT扫描岩心三维图像进行上采样，得到放大的三维图像；将高分辨率三维图像块填充到放大的三维图像中，得到放大后的岩心试样三维模型。本发明解决了三维CT图像分辨率与试样尺寸相矛盾的问题。
三维 ct 岩心图像分辨率重建方法

[发明专利]一种基于深度分解字典学习的精细图像分类方法-CN202011339417.2在审
发明人：李争名 -专利权人：广东技术师范大学
申请日： 2020-11-25 - 公布日： 2021-01-19 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于深度分解字典学习的精细图像分类方法，其特征在于包括：一，构造输出层字典学习和分类器学习模型；二，采取梯度下降法对输出层的目标函数进行求解，以获得输出层的分解字典和分类器模型；三，利用分类器模型和输出层分解字典里的分解原子，计算测试样本的类标矢量以获得分解系数，并结合分类器模型获得测试精细图像的类标矢量；四，在类标矢量中，选择最大元素对应的索引即为测试精细图像对应的类标，从而完成测试精细图像的分类。本发明针对精细图像分类具有较低的类间差异，提高了精细图像分类系统的性能。
一种基于深度分解字典学习精细图像分类方法

[发明专利]一种基于相干图迁移聚类的SAR图像分割方法-CN201410804501.5在审
发明人：缑水平;焦李成;徐炎;马文萍;王爽;张向荣 -专利权人：西安电子科技大学
申请日： 2014-12-20 - 公布日： 2015-04-01 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于相干图迁移聚类的SAR图像分割方法，其实现过程是：1)利用干涉SAR数据获取目标SAR图像；2)计算干涉SAR相干系数，获取相干图；3)对目标SAR图像和相干图提取小波特征；4)利用Kmeans算法对目标SAR图像进行初始分割；5)利用K-SVD算法对目标图像中的每一类数据训练字典；6)在相干图中，对可用于辅助目标SAR图像划分的数据训练辅助字典；7)将辅助字典迁移到目标字典按照线性加权重构误差最小化原则优化分割结果，更新样本标签；8)满足迭代条件则输出目标SAR图像的分割结果，否则返回步骤5)。
一种基于相干迁移 sar 图像分割方法

[发明专利]一种基于分析字典学习的CS-MRI图像重构方法-CN201911276763.8在审
发明人：刘书君;蒲宁杰;曹建鑫;卢宏伟;张奎;李东 -专利权人：重庆大学
申请日： 2019-12-12 - 公布日： 2020-03-31 - 主分类号： G06T11/00 文献下载
摘要：本发明公开了一种基于分析字典学习的CS‑MRI图像重构方法，属于数字图像处理技术领域。它是一种利用分析字典学习提高对图像稀疏表示能力的方法，以解决传统固定变换自适应性不足的问题，且不会增加稀疏编码的复杂度。首先建立基于紧框架约束下过完备分析字典学习模型，再以图像块系数为对象建立MRI的重构模型，最后采用交替方向乘子法求解模型。本发明采用交替方向乘子法求解模型时，使分析字典、稀疏系数、重构图像获得持续更新，重构出的图像保留了大量细节信息，获得了较高的重构性能，因此可用于医学图像的恢复以解决传统固定变换自适应性差的问题。
一种基于分析字典学习 cs mri 图像方法

[发明专利]基于字典学习和非局部总变差的图像超分辨方法-CN201210596586.3有效
发明人：郑喆坤;焦李成;鞠军委;孙增增;谷爱国;马文萍;马晶晶 -专利权人：西安电子科技大学
申请日： 2012-12-14 - 公布日： 2013-06-05 - 主分类号： G06T5/00 文献下载
摘要：本发明公开一种基于字典学习和非局部总变差的图像超分辨方法，主要解决现有超分辨方法的振铃效应、高频信息丢失、边界匹配不准确等问题。其实现步骤为：(1)输入图像训练集；(2)利用KSVD算法训练两个相对应的高分辨字典与低分辨字典；(3)稀疏表示低分辨输入图像，求出稀疏系数；(4)利用所求的稀疏系数和高分辨字典重构获得高分辨图像；(5)对重构得到的高分辨图像进行非局部总变差去振铃效应；(5)通过误差补偿对高分辨图像进行高频信息增强，得到最终的结果。经仿真实验表明，与现有技术比较，本发明具有操作简单，噪声小，边缘清晰等优点，可用于高分辨率图像的获取。
基于字典学习局部总变差图像分辨方法

[发明专利]一种基于学习的稀疏表示的超分辨率图像重建方法-CN201710509592.3有效
发明人：徐健;史香晔;范九伦;李佳;赵小强;常志国 -专利权人：西安邮电大学
申请日： 2017-06-28 - 公布日： 2020-04-28 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于学习的稀疏表示的超分辨率图像重建方法，主要包括如下步骤：首先，根据高分辨率图像训练集训练统一的高分辨率字典Ds；其次，根据测试低分辨率图像以及放大倍数，利用K最近邻算法获取测试字典并重建出对应放大倍数的高分辨率图像；最后，利用迭代反投影对重建后的图像进行处理，得到最终的高分辨率图像，本发明对于图像的不同放大倍数，只需存储一个字典，大大减少了字典占用空间以及训练时间。
一种基于学习稀疏表示分辨率图像重建方法

[发明专利]一种基于字典学习的水位监测方法-CN201810188900.1有效
发明人：桂冠;潘金秋;熊健;范山岗;杨洁;孙颖异;周天;樊亚萍 -专利权人：南京邮电大学
申请日： 2018-03-08 - 公布日： 2022-07-01 - 主分类号： G06V10/772 文献下载
摘要：本发明公开了一种基于字典学习的水位监测方法，包括以下步骤：步骤1，在待测量河流区域固定一根测量标杆，通过摄像头实时采集该测量标杆与水面附近区域的图像；步骤2，采集若干幅图像作为训练图像，将每幅图像分为C类，对每类的图像块采用滑动窗采集训练数据，并打上对应的类别标签；步骤3，采用字典学习的方法对训练数据进行训练，得到字典D；步骤4，利用字典D对摄像头采集到的图像进行实时分类，得到图像的类别标签向量，从而获得水位值
一种基于字典学习水位监测方法

[发明专利]基于图像稀疏表示的抠图方法-CN201910917074.4有效
发明人：华臻;李小玲;李晋江 -专利权人：山东工商学院
申请日： 2019-09-26 - 公布日： 2023-08-22 - 主分类号： G06T7/11 文献下载
摘要：本文提出了一种基于稀疏表示的图像抠图算法，通过稀疏表示的方法构建matting图和ground truth间的稀疏关联，将它们统一到一个稀疏字典中，实现相同的稀疏表示。该方法首先构建matting图的稀疏表达字典，将图像的matting图与对应ground truth作为训练样本，从而构建出一个超完备字典。利用梯度信息提取图像特征，matting图像选择一阶和二阶梯度信息作为特征，ground truth图像选择高频分量作为图像块的特征。对KNN算法得到的matting图像，利用训练所得的稀疏字典对matting图重构来进行优化。
基于图像稀疏表示方法

[发明专利]基于邻域回归的超分辨率方法-CN201910326354.8在审
发明人：端木春江;沈碧婷 -专利权人：浙江师范大学
申请日： 2019-04-12 - 公布日： 2019-08-06 - 主分类号： G06T3/40 文献下载
摘要：为了提高单幅图像超分辨率方法中重建图像的质量，提出了利用训练字典相互不一致性和局部正则化锚定邻域回归的超分辨率重建方法。在训练阶段，把字典原子和原子之间的相互一致性引入到字典训练的过程中，使得到的训练原子字典间尽可能相互独立，获得更大的训练字典中的相互不一致性。然后，把局部约束回归的方法加入到岭回归过程，给字典中的每个原子分配不同程度的自由度，更灵活地计算投影矩阵。实验表明，在差不多的计算复杂度下，所提出的方法的性能好于目前性能最优的ANR方法，可以进一步提高重建图像的质量。
回归超分辨率训练字典重建图像邻域字典超分辨率重建计算投影矩阵计算复杂度单幅图像局部约束训练阶段原子分配字典训练字典原子正则化锚定引入灵活