“谭瀚霖”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种基于自监督学习的卷积神经网络图像去噪方法-CN202310684599.4在审
发明人： 谭瀚霖;颜深;刘煜;张茂军 -专利权人：中国人民解放军国防科技大学
申请日： 2023-06-09 - 公布日： 2023-09-01 - 主分类号： G06T5/00 文献下载
摘要：本申请涉及一种基于自监督学习的卷积神经网络图像去噪方法。所述方法包括：获取有噪图像样本和预先构建的图像去噪模型；将有噪图像样本分别输入噪声去除模型和噪声估计模型，得到预测无噪图像和预测噪声；根据有噪图像样本、预测噪声和预测无噪图像的像素方差以及预测噪声的逐像素协方差，得到方差损失函数，根据方差损失函数、预先构建的均值损失函数、预先构建的数据损失函数和预先构建的增强损失函数，构建模型损失函数；优化图像去噪模型的模型损失函数得到训练好的图像去噪模型，采用训练好的图像去噪模型进行图像去噪。采用本方法不需要收集有噪图像对应的无噪图像，在去除噪声的同时更好保留了原始图像细节信息。
一种基于监督学习卷积神经网络图像方法

[发明专利]一种简单透镜点扩散函数估计方法-CN202310528965.7在审
发明人： 谭瀚霖;蔡晗潇;肖华欣;刘煜;陈琛;张茂军 -专利权人：中国人民解放军国防科技大学
申请日： 2023-05-11 - 公布日： 2023-08-25 - 主分类号： G06T5/10 文献下载
摘要：本发明公开了一种简单透镜点扩散函数估计方法，包括以下步骤：根据单透镜特点生成的点扩散函数作用于清晰图像，得到模拟的单透镜模糊图像；所述的单透镜模糊图像经过傅里叶变换到频域，作为端到端神经网络的输入，生成估计的点扩散函数；所述的估计的点扩散函数与所述的生成的点扩散函数计算损失函数，并推动端到端神经网络参数随训练迭代而更新；获得最终估计的点扩散函数。本发明对单透镜点扩散函数做精准的参数化建模与生成，使得生成的点扩散函数更加符合单透镜特点，提供了一系列的图像处理技术特征，最后利用生成对抗的神经网络模型获得更加精准的点扩散函数。
一种简单透镜扩散函数估计方法

[发明专利]一种简单透镜点扩散函数生成方法-CN202310526806.3在审
发明人： 谭瀚霖;蔡晗潇;肖华欣;刘煜;陈琛;张茂军 -专利权人：中国人民解放军国防科技大学
申请日： 2023-05-11 - 公布日： 2023-08-22 - 主分类号： G06T7/10 文献下载
摘要：本发明公开了一种简单透镜点扩散函数生成方法，包括以下步骤：对单透镜点扩散函数做参数化建模与生成；生成星形多边形，根据参数计算星形多边形顶点坐标，筛选出在星形多边形内部的点集合，对点位能量进行建模，点位能量应满足能量总和为1的约束，待定常数确定后，计算出星形多边形内的点扩散函数能量分布，获得生成的点扩散函数。本发明对单透镜点扩散函数做精准的参数化建模与生成，使得生成的点扩散函数更加符合单透镜特点，提供了一系列的图像处理技术特征，能够非常快速的获取到更加精准的点扩散函数。
一种简单透镜扩散函数生成方法

[发明专利]基于深度卷积网络的图像去噪方法-CN202111002724.6有效
发明人： 谭瀚霖;肖华欣;彭杨;刘煜;张茂军 -专利权人：中国人民解放军国防科技大学
申请日： 2021-08-30 - 公布日： 2023-05-30 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了基于深度卷积网络的图像去噪方法，包括步骤：建立图像降质模型将图像采样为噪声图像；将噪声图与原图像块形成训练图像对；将训练数据输入深度卷积网络学习，深度卷积网络使用卷积层和非线性激活层将通道扩充之后经过多个残差块，再通过卷积层和非线性激活层将通道数降为输出通道数；使用训练算法进行训练，通过优化方法从训练图像对中学习噪声图像到无噪图像的映射函数；使用损失函数进行优化，直到深度卷积网络的参数收敛。本发明经过训练挖掘数据集的图像先验，通过多次接收噪声水平信息增强网络对噪声强度的识别能力，大幅提升联合去马赛克去噪的性能。
基于深度卷积网络图像方法

[发明专利]一种快速图像超分辨率重构方法-CN201611120441.0有效
发明人：熊志辉;谭瀚霖;张政;赖世铭;王炜 -专利权人：中国人民解放军国防科学技术大学
申请日： 2016-12-08 - 公布日： 2018-06-29 - 主分类号： G06T3/40 文献下载
摘要：一种快速图像超分辨率重构方法，该方法利用自然图像纹理具有相似性这一先验，将训练图像数据库中的图像分割为图像块，并拉伸为向量；然后利用这些向量训练稀疏编码字典；对对应的高低分辨率图像数据集训练稀疏编码字典，可以得到对应的高、低分辨率字典；对于新输入的低分辨率图像，先利用低分辨率字典计算稀疏编码，而后用高分辨率字典乘以此编码得到高分辨率图像。在稀疏系数求解过程中，先对固定字典计算标准正交基的稀疏系数，对于新输入的稀疏系数采用标准正交基的稀疏系数加权求和的方式快速求取。在图像块处理过程中，采用CUDA技术并行处理各个图像块，可将处理时间缩短为传统CPU计算的万分之一。本发明用于快速获取单幅图像的超分辨率图像。
稀疏系数字典稀疏编码图像块超分辨率重构标准正交基低分辨率快速图像分辨率图像数据训练图像数据库超分辨率图像低分辨率图像高分辨率图像高分辨率字典先验并行处理单幅图像固定字典快速获取求解过程时间缩短图像分割向量训练自然图像纹理求和拉伸向量加权

[发明专利]一种基于Hadoop的视频处理方法及系统-CN201510223784.9有效
发明人：徐玮;谭瀚霖;赖世铭;王炜;刘煜 -专利权人：中国人民解放军国防科学技术大学
申请日： 2015-05-05 - 公布日： 2015-08-19 - 主分类号： H04N5/14 文献下载
摘要：本发明提供一种基于Hadoop的视频处理方法及系统。其中方法包括将待处理视频文件上传至Hadoop分布式文件系统；基于Fuse-DFS子项目，将所述待处理视频文件挂载到所述Hadoop分布式文件系统中各集群节点的本地文件系统上；通过JavaCV调用OpenCV和FFMEPG对挂载于本地文件系统，但存储于所述Hadoop分布式文件系统中的待处理视频文件基于MapReduce并行计算模型进行并行分析。本发明提供的视频处理方法在Hadoop系统上实现与集群节点数成正比的加速。
一种基于 hadoop 视频处理方法系统

1
共 6 条