|
搜索
搜 索
高等教育領域數(shù)字化綜合服務平臺
一種基于邊緣幾何特征的圖像識別方法及系統(tǒng)
本發(fā)明公開了一種基于邊緣幾何特征的圖像識別方法，包括對工件的原始圖像進行濾波處理；對上述濾波處理后的圖像進行二值化處理；對二值化處理后的圖像查找獲得輪廓序列集；從上述輪廓序列集中篩選出合格的工件輪廓；確定上述工件輪廓的最小外接矩形，并確定上述工件輪廓的中心點；沿上述最小外接矩形的四條邊的方向截取上述工件輪廓的四個子序列；使用邊緣幾何特征算子計算上述四個子序列中各子序列的能量值；確定上述四個子序列中能量值最大的子序列，并確定工件的方向角。本發(fā)明還提供了相應的圖像識別系統(tǒng)。本發(fā)明無需建立工件的模板數(shù)據(jù)庫
華中科技大學
2021-04-14
一種基于邊緣幾何特征的圖像識別方法及系統(tǒng)
本發(fā)明公開了一種基于邊緣幾何特征的圖像識別方法，包括對 工件的原始圖像進行濾波處理；對上述濾波處理后的圖像進行二值化 處理；對二值化處理后的圖像查找獲得輪廓序列集；從上述輪廓序列 集中篩選出合格的工件輪廓；確定上述工件輪廓的最小外接矩形，并 確定上述工件輪廓的中心點；沿上述最小外接矩形的四條邊的方向截 取上述工件輪廓的四個子序列；使用邊緣幾何特征算子計算上述四個 子序列中各子序列的能量值；確定上述四個子序列中能量值最大的子 序列，并確定工件的方向角。本發(fā)明還提供了相應的圖像識別系統(tǒng)。 本發(fā)明無需建立
華中科技大學
2021-04-14
一種量化路網(wǎng)特征及其土地利用效應的方法
本發(fā)明涉及一種量化路網(wǎng)特征及其土地利用效應的方法，屬于交通與土地利用規(guī)劃領域。本發(fā)明提 供的道路與土地利用相關性的研究方法先采用復雜網(wǎng)絡多中心性測度模型量化道路網(wǎng)絡中各個路段的 中心值，然后通過核密度估算和重分類的方法按照中心程度將區(qū)域劃分成不同等級的子區(qū)，并對各個子 區(qū)計算景觀指數(shù)，最后利用 Spearman 秩相關分析分別得到道路中心度與土地利用景觀格局之間的相關 系數(shù)。本發(fā)明從地理空間的角度考慮了道路網(wǎng)絡的中心特性，對道路網(wǎng)絡的結構進行了度量，相比于傳 統(tǒng)的道路特征參數(shù)更好的量化了道路的網(wǎng)絡特征及其和區(qū)域土地利用之間的互動關系，有利于為交通網(wǎng) 絡與土地利用規(guī)劃提供理論支持。
武漢大學
2021-04-13
基于數(shù)據(jù)驅動局部特征轉換的噪聲人臉超分辨率重建方法
一種基于數(shù)據(jù)驅動局部特征轉換的噪聲人臉超分辨率重建方法，包括對待重建的輸入低分辨率人臉 圖像和高、低分辨率訓練集相應劃分相互重疊的圖像塊;對于輸入低分辨率人臉圖像的每一個位置上的 圖像塊，分別從低分辨率人臉樣本圖像對應位置的圖像塊中找出 K 個最近鄰的圖像塊，并對應找出相應 高分辨率人臉樣本圖像中的圖像塊，進行去均值化;利用映射系數(shù)計算出各圖像塊相應的高分辨率人臉 圖像塊，重構出高分辨率人臉圖像，進行迭代后處理。本發(fā)明解決了主成分分析無法捕獲處于高維流形 空間人臉特征的問題，利用局部流形的線性特性有效的進行了噪聲人臉圖像的超分辨率重建，同時進行 高分辨率圖像后處理，進一步提高了重建結果的主、客觀圖像質量。
武漢大學
2021-04-13
基于局部不變幾何特征的廣義霍夫變換圖像匹配方法
本發(fā)明公開了一種基于局部不變幾何特征的廣義霍夫變換圖像 匹配方法，用于實現(xiàn)對具有任意旋轉角度的目標圖像的匹配，其特征 在于，該方法包括對模板圖像進行預處理的步驟和利用該模板圖像的 處理結果對目標圖像進行匹配的步驟，其中，模板圖像處理步驟中包括提取圖像各邊緣點并建立邊緣點匹配特征關系，所述目標圖像進行 匹配時先提取目標圖像的各邊緣點，再利用上述建立的邊緣點匹配特 征關系對提取的圖像進行匹配，從而獲得匹配位置點和相應的旋轉角 度，完成目標圖像匹配。本發(fā)明的方法通過改進傳統(tǒng)的廣義霍夫變換， 建立改進的參考表，能夠對任意角度旋轉的目標圖像進行匹配，具有 很高的匹配速度和匹配精度。
華中科技大學
2021-04-11
基于視覺特征的視頻指紋檢測及視頻序列匹配方法及系統(tǒng)
本發(fā)明提出一種基于視覺特征的視頻指紋檢測方法，具體為：按照幀間相關性對視頻序列分段，在分段中提取關鍵幀；在各關鍵幀中提取視頻特征；利用像素點特征字典對像素點分類；對各關鍵幀分別進行多次不同數(shù)量的分塊，在各子塊中依據(jù)像素點的分類結果統(tǒng)計像素點特征字典各元素的出現(xiàn)次數(shù)，得到該子塊的特征向量；將所有子塊的特征向量拼接得到關鍵幀的高維視頻指紋；對各高維視頻指紋進行降維；將各視頻片段關鍵幀的低維視頻指紋按照時間先后順序連成關鍵幀視頻指紋串。本發(fā)明還提供了基于上述指紋檢測方法的視頻匹配方法。本發(fā)明通過對視頻內容的關鍵信息進行有效描述，在不影響匹配率的情況下，大大降低了算法的復雜度，有效提高了檢測效率。
華中科技大學
2021-04-11
一種基于多特征融合的面向對象的建筑物變化檢測方法
本發(fā)明公開了一種基于多特征融合的面向對象的建筑物變化檢測方法，首先求得圖像像素點的形態(tài) 學建筑指數(shù)(MBI)，紋理特征和慢特征分析圖(SFA);利用 MBI 指數(shù)和紋理特征進行 FNEA 分割;然 后求出每個對象的三個特征值，再作差，并利用 K 均值聚類算法求閾值，得到特征變化圖;再利用 AC 指數(shù)進行后處理;利用熵值法對不同的特征變化圖求權重，按照權重設定閾值求得變化圖像;最后利用 投票法進行后處理。得到變化檢測結果。
武漢大學
2021-04-14
一種在低信噪比情況下提取設備物理指紋特征的方法
本發(fā)明公開了一種在低信噪比情況下提取設備物理指紋特征的方法，接收機接收到低信噪比的信號后，在不破壞設備物理指紋的情況下進行降噪處理，然后從降噪后的信號中提取設備的物理指紋特征，方法中涉及的信號需要包括重復序列，或重復發(fā)送的多幀信號內有不變的部分，包括步驟：接收到低信噪比信號后，估計信號的頻率和相位，估計信號重復序列上調制的信息數(shù)據(jù)，獲得極性相同的多個重復序列，并將其對齊和疊加以提高信噪比；最后通過物理層指紋提取方法提取設備的物理指紋并用于設備身份識別。本發(fā)明可以在信噪比低的情況下有效地提取設備的物理層指紋特征，有效地解決了基于設備物理指紋的設備識別方法在現(xiàn)實應用中必須面臨的低信噪比問題。
東南大學
2021-04-11
基于非監(jiān)督特征學習的高分辨率遙感影像場景分類方法
一種基于非監(jiān)督特征學習的高分辨率遙感影像場景分類方法，包括對輸入的原始高分辨率遙感圖像 進行劃分得到場景，從每個場景中隨機地提取若干個訓練圖像塊，將訓練圖像塊聚集起來做預處理操作; 計算所有訓練圖像塊的低維流形表示，聚類得到一組聚類中心;對每一幅場景密集采樣得到局部圖像塊， 對每個局部圖像塊做預處理操作后映射到相同的低維流形空間中，然后進行編碼獲得場景的所有局部特 征;將所有場景的局部特征集合起來進行特征量化，統(tǒng)計每一幅場景的局部特征直方圖，得到場景的全 局特征表達;隨機挑選若干幅場景作為訓練樣本，由分類器得到每一幅場景的預測類別標號，完成原始 高分辨率遙感場景的標注任務。
武漢大學
2021-04-13
一種基于多重漏磁檢測信號特征值的缺陷評價方法
本發(fā)明公開了一種基于多重漏磁檢測信號特征值的缺陷評價方 法，包括以下步驟:1)將樣件磁化，用探頭分別在樣件的盲孔和所有 矩形槽上方進行掃查，得到信號曲線計算獲得各個 MFL 信號特征值; 2)在數(shù)據(jù)處理裝置中得到 MFL 信號特征值分別與偏離值、提離值的線性方程;3)在數(shù)據(jù)處理裝置中得到 MFL 信號特征值與矩形槽上同一方 向尺寸的線性方程;4)用探頭對待測鐵磁件進行檢測，掃查得到 MFL漏磁信號特征值，根據(jù)步驟&nbs
華中科技大學
2021-04-14