“图像重建”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814279个，建议您升级VIP下载更多相关专利

[发明专利]一种联合运动估计与时空张量增强表示的4D-CBCT重建方法-CN202010828378.6有效
发明人：刘进;亢艳芹;王勇;汪军;王族 -专利权人：安徽工程大学
申请日： 2020-08-18 - 公布日： 2023-06-23 - 主分类号： G06T11/00 文献下载
摘要：本发明公开了一种联合运动估计与时空张量增强表示的4D‑CBCT重建方法，属于计算机断层成像技术领域。本发明中，首先利用呼吸信号对病人4D‑CBCT投影数据进行相位划分，并采用EM‑TV算法重建获得初始图像，利用初始图像估计初始的形变矢量场；然后，将时空张量增强表示引入到图像重建模型中，对形变矢量场处理后的重建图像进行约束，并获得更新重建图像；接下来，利用更新后的重建图像及投影数据建立对称的运动估计模型，以获得新的形变矢量场；最后，通过迭代交替更新重建图像及形变矢量场，获得高质量重建图像。本发明可有效减缓4D‑CBCT重建中的运动模糊及混叠伪影，保留更多细节，提高重建图像对比度，促进4D‑CBCT在图像引导放疗领域中的使用。
一种联合运动估计时空张量增强表示 cbct 重建方法

[发明专利]用于图像重建的系统和方法-CN201780084581.3有效
发明人：周鑫;宋燕丽;李强;李国斌;王超洪 -专利权人：上海联影医疗科技股份有限公司
申请日： 2017-11-10 - 公布日： 2023-05-30 - 主分类号： G06T5/50 文献下载
摘要：本申请提出了一种图像重建的方法和系统。该方法包括获取原始图像数据(510)；其中该原始图像数据包括多个频域欠采样图像数据样本；基于图像数据生成第一重建结果(520)；以及基于图像数据生成第二重建结果(530)；融合该第一重建结果和该第二重建结果(540)；以及基于该融合结果生成重建图像(550)。
用于图像重建系统方法

[发明专利]列表模式PET成像中的区域重建和定量评估-CN200980154772.8无效
发明人： D·加尼翁;P·J·马尼亚乌斯基 -专利权人：皇家飞利浦电子股份有限公司
申请日： 2009-12-23 - 公布日： 2011-12-14 - 主分类号： G06T11/00 文献下载
摘要：一种用于重建列表模式数据的方法，包括：重建列表模式数据集(30、160)的全部的列表模式数据以生成第一重建图像(32、62)；选择所述列表模式数据集的子集；以及重建所述列表模式数据集的子集以生成增强的重建图像一种图像生成系统，包括：重建模块(24)，其被配置成执行列表模式数据集的标准重建以生成标准的重建图像(32、62)；以及再重建模块(24、70、80、82、150、152、154)，其被配置成对所述列表模式数据集的至少部分执行除所述标准重建之外的重建以生成增强的重建图像
列表模式 pet 成像中的区域建和定量评估

[发明专利]一种轻量级遥感图像超分辨率重建方法、装置及设备-CN202211020764.8在审
发明人：叶武剑;劳俊明;刘怡俊 -专利权人：广东工业大学
申请日： 2022-08-24 - 公布日： 2022-11-25 - 主分类号： G06T3/40 文献下载
摘要：本发明涉及图像处理技术领域，公开了一种轻量级遥感图像超分辨率重建方法、装置及设备。本发明对构建的高清图像集中的各图像进行随机的雾霾化处理及插值化处理，得到低分辨率图像；构建轻量级图像超分辨率重建网络，该网络包括低频重建模块和高频重建模块；低频重建模块由双三次插值法构成；高频重建模块为神经网络结构，包括浅层特征提取部分、深层残差特征提取部分和特征重建部分；特征重建部分采用轻量级重建结构，主要由邻近插值法、卷积层以及非线性激活层构成；最后利用低分辨率图像训练该重建网络，得到训练好的重建模型。本发明的网络模型结构复杂度较低，且在针对雾霾等特殊场景的遥感图像超分辨率重建任务时能够达到较好的重建效果。
一种轻量级遥感图像分辨率重建方法装置设备

[发明专利]用于重建对象的图像的系统-CN201980078285.1在审
发明人： C·邦图斯 -专利权人：皇家飞利浦有限公司
申请日： 2019-11-19 - 公布日： 2021-07-23 - 主分类号： G06T11/00 文献下载
摘要：本发明涉及提供一种允许当使用迭代重建算法时降低计算成本的系统。系统(100)包括：提供单元(110)，其用于提供CT投影数据；基础图像生成单元(120)，其用于基于所述投影数据来生成基础图像；修改单元(130)，其用于生成经修改的图像，其中，基于体素的图像值来修改所述基础图像的体素的图像值；以及图像重建单元(140)，其用于使用迭代重建算法来重建图像，所述迭代重建算法使用经修改的图像作为开始图像。由于修改单元适于修改所述基础图像，因此所述基础图像可以被修改以诸如形成针对所选择的迭代重建的最佳开始图像，使得可以实现所述迭代重建的更快收敛。
用于重建对象图像系统

[发明专利]图像去水印的方法、系统、设备及存储介质-CN202310688663.6在审
发明人：王功华;方超伟;方一向;李根;冷逸成 -专利权人：深圳软牛科技有限公司
申请日： 2023-06-09 - 公布日： 2023-09-15 - 主分类号： G06T1/00 文献下载
摘要：本发明提供了一种图像去水印的方法、系统、设备及存储介质，方法包括构建图像分解模型和图像修复模型；将带水印图像输入图像分解模型，通过掩膜解码分支和背景解码分支从带水印图像中获得水印分量图像和干净分量图像；将水印分量图像和干净分量图像输入图像修复模型中，通过恢复分支基于图像中水印位置的图像内容进行图像重建，获得第一重建图像；将水印分量图像和水印缺省图像输入图像修复模型中，通过幻觉分支基于图像中水印位置周边的图像内容进行图像重建，获得第二重建图像；将第一重建图像、第二重建图像和水印分量图像输入到图像融合网络中进行特征融合，获得精细去水印图像。本发明结合多种手段重建水印图像，面对不同透明度水印时适应性强。
图像水印方法系统设备存储介质

[发明专利]一种实时超分辨率重建方法-CN201710267750.9有效
发明人：邵晓鹏;宫睿;蔡祎霖;王怡;李轩 -专利权人：西安电子科技大学
申请日： 2017-04-21 - 公布日： 2020-05-12 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及一种实时超分辨率重建方法，根据第一分辨率图像处理形成第二分别率图像，由第一分辨率图像和第二分别率图像确定分辨率字典；对待重建的图像进行分块处理形成多个待重建图像块；设置信息量阈值并判断所述待重建图像块的信息量是否大于所述信息量阈值；若是，则根据所述分辨率字典对所述待重建图像块进行图像重建形成第一子区域，对第一子区域进行图像拼接得到超分辨率重建图像。本发明为基于学习的超分辨率重建算法实现图像实时分辨率重建不需要改变成像系统硬件结构，具有成本低，经济效益高的优点。
一种实时分辨率重建方法

[发明专利]一种基于正则化深度图像先验方法的磁共振图像重建方法-CN201910787670.5有效
发明人：胡悦;李鹏 -专利权人：哈尔滨工业大学
申请日： 2019-08-23 - 公布日： 2023-05-05 - 主分类号： G06T5/50 文献下载
摘要：一种基于正则化深度图像先验方法的磁共振图像重建方法，本发明涉及磁共振成像技术领域。本发明为了解决目前基于深度学习的磁共振图像重建算法存在局限性问题，以及为了提高重建图像的质量并缩短重建时间。本发明包括以下步骤：(1)构建神经网络模型；(2)构建包含正则项的损失函数；(3)获取部分k空间数据；(4)获取重建参考图像；(5)构造网络输入；(6)设置最大迭代次数；(7)利用网络重建图像；(8)得到网络输出图像的退化图像，结合参考图像计算损失函数，对网络参数进行优化；(9)保存指标最高的输出图像；(10)判断迭代次数是否达到最大迭代次数，是则输出最佳的重建图像，否则返回步骤(7)。与卷积神经网络相比，本发明对数据依赖较小，且能获得高质量的重建图像，并提高重建速度。
一种基于正则深度图像先验方法磁共振重建

[发明专利]卫星图像超分辨率重建方法、系统、设备和可读存储介质-CN202210610135.4在审
发明人：卢涛;刘新伟;赵康辉;张彦铎;方稳华 -专利权人：武汉工程大学
申请日： 2022-05-31 - 公布日： 2022-10-25 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种卫星图像超分辨率重建方法、系统、设备和可读存储介质，涉及计算机视觉技术领域，该方法包括：获取高分辨率卫星图像并将其转换为低分辨率图像，对低分辨率图像进行边缘提取，得到低分边缘图像；对低分边缘图像进行上采样处理，得到高分边缘特征图像；通过边缘分支网络对低分边缘图像进行纹理特征提取，得到重建高分边缘图像；通过超分辨率分支网络对低分辨率图像进行结构特征提取，得到重建高分辨率图像；根据高分边缘特征图像和重建高分边缘图像，确定恢复图像，对恢复图像进行图像校正，得到重建边缘先验图像；将重建边缘先验图像和重建高分辨率图像进行融合，得到融合图像，对融合图像进行降维处理，得到重建超分辨率图像。
卫星图像分辨率重建方法系统设备可读存储介质

[发明专利]用于重建图像的方法和系统-CN201811060980.9在审
发明人： M·L·斯庞;R·约翰逊;K·沃斯尼亚克;K·利特尔约翰 -专利权人：通用电气公司
申请日： 2018-09-12 - 公布日： 2019-03-26 - 主分类号： G06T3/00 文献下载
摘要：在一个实施例中，一种方法包括：接收一个或多个图像重建参数，所述一个或多个图像重建参数定义用于从医学成像数据重建一个或多个图像的图像重建过程；基于所述一个或多个图像重建参数确定目标硬件分配；以及经由所述目标硬件分配所指定的计算装置硬件，根据所述图像重建过程来从所述医学成像数据重建一个或多个图像。
图像重建图像重建过程医学成像数据目标硬件图像计算装置硬件医学成像系统参数定义参数确定重建图像重建分配

[发明专利]图像重建方法和装置、电子设备-CN202011520673.1在审
发明人：燕斯文 -专利权人：维沃移动通信有限公司
申请日： 2020-12-21 - 公布日： 2021-03-26 - 主分类号： G06T17/00 文献下载
摘要：本申请公开了一种图像重建方法和装置、电子设备，属于图像识别领域。其中所述图像重建方法包括：提取第一平面图像中的人脸信息；基于所述人脸信息确定三维人脸模型，并对所述三维人脸模型进行光影重建，生成人脸重建模型；对所述人脸重建模型进行映射，生成第二平面图像，从而得到的第二平面图像包含了人脸重建模型的光影重建效果，使最终得到的第二平面图像的光影效果较好。
图像重建方法装置电子设备

[发明专利]一种医学图像处理系统、方法及计算机存储介质-CN202010500328.5在审
发明人：吕旭阳;廖术 -专利权人：上海联影智能医疗科技有限公司
申请日： 2020-06-04 - 公布日： 2020-10-23 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种医学图像处理系统、方法及计算机存储介质，该系统包括：第一终端，用于从医学成像设备获取医学图像，将该医学图像发送给云服务器；云服务器，用于接收所述医学图像，基于质量评估模型确定医学图像的第一质量等级；在第一质量等级与预设质量等级相匹配时，基于图像重建模型对医学图像进行重建处理，得到重建医学图像；将该重建医学图像返回给第一终端；其中，质量评估模型是基于第一样本医学图像和对应的质量等级标签进行机器学习训练确定的；图像重建模型是基于全采样医学图像和所述全采样医学图像对应的欠采样医学图像进行机器学习训练确定的。本发明降低了医学图像的重建成本，提高了重建效率和重建图像的质量。
一种医学图像处理系统方法计算机存储介质

[发明专利]一种基于CUDA的无镜立体图像重建方法-CN201510820242.X有效
发明人：王吉林 -专利权人：徐州维林苑文化传媒有限公司
申请日： 2015-11-24 - 公布日： 2016-08-24 - 主分类号： G06T15/10 文献下载
摘要：本发明公开了一种基于CUDA的无镜立体图像重建方法。即首先对原始图像进行图像预处理，再将预处理图像进行特征提取，提取出特征点信息，然后预处理图像读入显存中，利用CUDA的API来对图像进行离散傅里叶变换，然后计算权重向量并与变换后的图像矩阵外加，转置图像矩阵后再对图像进行处理，再对结果进行离散傅里叶逆变换，最后对结果进行迭代，得到重建区域的图像信息，最终得到被重建的完整图像。该方法能够有效的提高待重建图像信息的准确性，显著的减少整个多视点图像重建过程中的计算量,大幅提升运算效率的同时保证图像重建后三维信息更加真实可靠。该方法可以在大多数图像重建方法中应用，能够有效地提高图像重建后的质量。
一种基于 cuda 立体图像重建方法

[发明专利]一种用于仓库物流系统的图像重建方法及设备-CN202211283775.5有效
发明人：李华;温燕飞;谢立杰;张桓 -专利权人：运易通科技有限公司
申请日： 2022-10-20 - 公布日： 2023-01-03 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种用于仓库物流系统的图像重建方法及设备，属于人工智能和图像处理技术领域。图像重建方法包括获取待处理图像和训练完成的图像重建模型，将待处理图像输入图像重建模型，利用特征提取子网对待处理图像进行特征提取操作，将高阶特征图输入图像重构子网，利用图像重构子网对高阶特征图进行重构，然后输出分辨率大于待处理图像的处理后图像等步骤本发明通过深度学习技术对低分辨率的标签图像进行重建，保持硬件设备不变的情况下，提高物流管理系统对低分辨率标签图像的识别和自动读取信息的能力；本发明提供的图像重建模型与现有的图像超分辨率重建模型相比，对局部的噪音具有很好的抗干扰能力，模型重建效果好。
一种用于仓库物流系统图像重建方法设备

[发明专利]一种基于可逆网络的图像分辨率压缩及重建方法-CN201910959774.X在审
发明人：葛洪伟;羊洁明;王双喜;江明 -专利权人：江南大学
申请日： 2019-10-10 - 公布日： 2020-02-11 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于可逆网络的图像分辨率压缩及重建方法，属于图像处理领域。所述方法利用卷积神经网络与可逆网络构建进行图像分辨率压缩以及重建的网络模型，然后将高分辨率图像输入到进行分辨率压缩的网络中生成低分辨率压缩图像，将压缩图像输入到进行重建的网络中得到高分辨率重建图像，利用压缩图像和重建图像分别与目标低分辨率图像和原始图像之间的差异来设计优化的目标函数，通过最小化该函数的值来对网络模型的参数进行更新，提升网络进行图像分辨率压缩以及重建的能力；解决了图像分辨率压缩及重建模型在压缩图像时无法保存更多的信息以及无法利用压缩过程来指导重建过程，从而导致图像重建效果不佳的问题
图像分辨率压缩图像重建压缩可逆网络网络模型重建图像低分辨率图像高分辨率图像卷积神经网络图像处理领域低分辨率高分辨率目标函数设计优化图像重建压缩过程原始图像网络最小化分辨率构建保存更新