专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果1087818个,建议您升级VIP下载更多相关专利
  • [发明专利]一种高效准确的车牌识别方法-CN202110337308.5在审
  • 汪磊;吴帅 - 锦航能源科技(天津)有限公司
  • 2021-03-30 - 2022-10-04 - G06V20/62
  • 本发明公开了一种高效准确的车牌识别方法,包括:对输入的车牌图片进行复原(增强)预处理,使实际拍摄得到的退化图像能够复原,提高车辆图像的清晰度;对图像中的车牌进行定位、车牌倾斜校正、字符分割;使用基于改进的LeNet‑5网络的车牌识别算法对预处理后的图像进行车牌识别,该算法将输入车牌字符图像归一化为32*16大小,并通过删除传统LeNet‑5网络中的C5层、修改输出层中神经元个数等,将车牌字符按照汉字和数字通过采集大量车牌数据进行训练验证,结果表明:与前人改进的LeNet‑5网络结构相比,本发明技术算法在车牌识别准确率和时间效率上均得到了提高。
  • 一种高效准确车牌识别方法
  • [发明专利]基于深度学习的水下扭曲图像重建方法-CN202010375370.9在审
  • 何波;李腾跃;杨茜茜;荣生辉;赵文凤;严天宏 - 中国海洋大学
  • 2020-05-07 - 2020-09-22 - G06T5/00
  • 本发明涉及一种基于深度学习的水下扭曲图像重建方法,包括以下步骤:1)采集多帧扭曲图像序列,并对其进行数据融合,得到扭曲程度较小的预筛选扭曲图像;2)构建深度学习网络模型,并对其进行学习和训练;3)将预筛选扭曲图像作为深度学习网络模型的输入,得到模型输出,进而实现对水下扭曲图像的重建;本方案利用深度学习网络框架实现对水下扭曲图像的重建,将经过图像融合算法处理后的视频数据输入到深度学习网络中实现高质量的扭曲复原,利用视频帧中质量良好图像信息并通过构建深度学习网络框架能够更加高效和准确的复原水下扭曲图像,可有效提高扭曲图像复原效率及精度。
  • 基于深度学习水下扭曲图像重建方法
  • [发明专利]一种基于高频图像块估计模糊核的运动模糊复原方法-CN202011448781.2在审
  • 崔光茫;张纪桐;陈颖;赵巨峰 - 杭州电子科技大学
  • 2020-12-09 - 2021-03-19 - G06T5/00
  • 本发明公开了一种基于高频图像块估计模糊核的运动模糊复原方法,包括以下步骤:通过编码曝光的方式获取图像;搜索出模糊图像中高频信息含量最多的图像块;将高频图像块和对应的模糊核输入训练网络,训练出模糊核估计模型;根据估计出的模糊核对模糊图像进行非盲去模糊复原。上述技术方案利用编码曝光技术获取的图像的特性解决高频信息含量少,难以恢复的问题,利用深度学习的方法估计模糊核,解决传统方法模糊核难以估计的问题,用遗传算法搜索出图像高频信息含量最多的图像块,大大降低预测模糊核时所使用的图像尺寸,提高网络训练速度,最后使用估计出的模糊核实现非盲去模糊复原
  • 一种基于高频图像估计模糊运动复原方法
  • [发明专利]一种基于明暗区域分割的单幅图像去雾方法-CN202211174500.8在审
  • 张登银;陆松浩;马永连;李旭;郭丁旭 - 南京邮电大学
  • 2022-09-26 - 2022-12-09 - G06T5/00
  • 本发明公开了一种图像处理技术领域的基于明暗区域分割的单幅图像去雾方法,旨在解决现有技术中复原图像在明亮区域容易出现噪声和色彩失真,以及通过暗通道先验算法去雾以后的图像色彩偏暗的缺点的问题。其包括获取雾天图像,对于图像平滑处理,将图像分割预处理,计算全局大气光和透射率,得到去雾后图像,对其进行亮度增强;本发明得到明亮区域与非明亮区域的分割结果,对各个区域进行独立透射率估计,对去雾图像最亮部分进行亮度修正,对剩余部分进行亮度增强,进一步提升图像的效果,避免复原图像在明亮区域出现噪声和色彩失真,避免图像去雾后色彩偏暗的缺点,解决了以往去雾算法对多明亮区域不适应的问题。
  • 一种基于明暗区域分割单幅图像方法
  • [发明专利]一种基于双图像的可逆数据隐藏方法与系统-CN202011292406.3有效
  • 林江毅;翁伟 - 厦门理工学院
  • 2020-11-18 - 2022-07-08 - G06F21/60
  • 本发明给出了一种基于双图像的可逆数据隐藏方法与系统,包括在原有的龟壳魔术矩阵的基础上通过将龟背点的元素值各加数值“8”的方式得到新型龟壳魔术矩阵,扩大了矩阵中元素值的范围,增加了矩阵隐藏秘密数据的藏量,同时又发明了新型的可逆藏入算法,将秘密数据转换成十六进制数藏入新型龟壳魔术矩阵中,得到两两对应的秘密图像;在秘密数据提取的阶段根据新型的可逆藏入算法制定对应的数据提取规则来提取秘密数据,并恢复原图像。本发明在对原始图像改动较少的情况下能很好地隐藏秘密数据并恢复原图像,相比于传统基于图像的数据隐藏算法,拥有在藏量较高的情况下同时保证隐藏后的图像质量的优点,使得秘密数据能更加安全地被隐藏。
  • 一种基于图像可逆数据隐藏方法系统
  • [发明专利]一种基于字节拆分的图像置乱方法-CN201610762530.9有效
  • 蒋联源;袁浩浩 - 广西科技大学
  • 2016-08-30 - 2019-06-11 - G06T1/00
  • 本发明公开了一种基于字节拆分的图像置乱方法,包括置乱算法和逆置乱算法,所述置乱算法包括:读入图像,将存储图像的每个字节进行分组,并进行相关行列交换或移动;对每个字节进行字节值转换,从而得到置乱图像。所述逆置乱算法包括以下步骤:1)对置乱图像中的每个字节进行字节值逆转换;2)对图像中的所有分组,执行与置乱算法中行列交换或移动过程相反的操作,即可恢复原图像。本发明基于字节拆分的图像置乱方法在视觉效果、置乱程度等方面取得了较好的结果。
  • 一种基于字节拆分图像方法
  • [发明专利]一种基于L0和L1正则项的模糊核估计方法-CN201810252207.6有效
  • 谢永芳;张骞;桂卫华;徐德刚;蒋朝辉;唐朝晖 - 中南大学
  • 2018-03-26 - 2020-06-16 - G06T5/00
  • 本发明提供了一种基于L0和L1正则项的模糊核估计方法,利用L0正则项作为中间清晰图像求解时的约束条件,有效抑制振铃效应;利用L1正则项作为估计模糊核求解时的正则化约束条件,使得估计模糊核足够稀疏,根据建立的模糊核估计模型,将基于L0和L1正则项的模糊核估计方法,应用于图像金字塔理论中,由粗到细地从图像金字塔的顶层至底层求解估计模糊核,将所求得的模糊核用于图像非盲复原算法复原出最终清晰图像。本发明能够较为准确地估计出模糊图像的模糊核,从而用估计出的模糊图像的模糊核,将初始模糊图像复原出最终清晰图像
  • 一种基于l0l1正则模糊估计方法
  • [发明专利]一种组织病变区域图像辅助复原系统和方法-CN202011017627.X有效
  • 李黎;陈旺;翟石磊;孙安玉 - 武汉千屏影像技术有限责任公司
  • 2020-09-24 - 2022-11-18 - G06T5/00
  • 本发明公开了一种组织病变区域图像辅助复原系统和方法。本发明大体原始图采集模块、切片图像采集模块、刀痕提取与编号模块、投影重定位模块、切片图像中转模块、结果修正与确认模块、病变组织判别模块、结果展示模块;所述大体图像采集模块与刀痕提取模块通信连接,负责采集图像;所述切片图像中转模块与切片图像采集模块通信连接,所述切片图像中转模块与结果修正与确认模块通信连接,所述投影重定位模块与刀痕提取与编号模块、切片图像中转模块连接;本发明具有良好的通用性,在病变区域复原过程中引入了机器学习与深度学习算法,将病理技师和病理医生的工作量尽可能降低,大大提高了大体病变区域复原的自动化程度。
  • 一种组织病变区域图像辅助复原系统方法
  • [发明专利]图像压缩及复原方法-CN200510094144.9有效
  • 张泽洙 - 乐金电子(昆山)电脑有限公司
  • 2005-08-26 - 2007-02-28 - G06T9/00
  • 本发明涉及图像压缩和复原的方法,在RLE方式的压缩当中对高频振动图像进行有效压缩和复原。采用图像压缩的RLE运算法则,包括步骤:①求出被输入模式的长度和重复次数,然后分别代入变量A和B中;②判定上述变量A是否为0;③如果上述变量A不是0,就判定其是否为1;④如果上述变量A既不是0也不是1就将变量本发明通过上述各步骤利用以被重复模式的长度和次数为基础的压缩运算法则对图像进行压缩,以此来提高图像压缩特别是高频振动图像的压缩效率。
  • 图像压缩复原方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top