| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 401 | 基于深度学习的智能图像识别系统 | CN202311121568.4 | 2023-09-01 | CN117314768A | 2023-12-29 | 邹双; 冯强; 丁杰 |
| 本发明涉及图像识别技术领域，且公开了基于深度学习的智能图像识别系统，包括中央处理器，中央处理器的输入端与图像分析模块的输出端电连接，图像分析模块的输入端与图像采集模块的输出端电连接。通过图像分析模块的图像分析器对图像进行分析，将破损图像以破损区域为中心进行三级划分，通过破损区域中正常像素点和缺失像素点的个数比例来确定优先级，可以使图像修复模块可以更加方便快捷的对图像进行修复，图像分级后可以选取优先级最高的图像进行修复，后面具有重复的破损图像就可以不用进行修复，可以避免在修复过程中使图像修复出现重复现象，极大的提高了图像的修复效率，降低系统的运算负担，从而提高该系统使用寿命。 | ||||||
| 402 | 带有深度的低复杂度多层图像 | CN202280031452.9 | 2022-04-25 | CN117242769A | 2023-12-15 | B·克龙 |
| 本发明提供一种用于生成多层图像的方法。所述方法包括接收场景的三维3D源数据，以及生成在虚拟3D场景中不同深度处的多个层，其中,每个层对应于相对于原点的特定层深度值。基于所述3D源数据，生成针对每个层的图像数据，其中，所述图像数据包括纹理数据和透明度数据，并且基于所述3D源数据和所述层的所述深度值，生成针对所述层的位移图。所述位移图定义对应层上不同的点相对于所述层深度的深度，其中，所述位移图的生成被限制为使得如由任意位移图定义的深度表面不与所述虚拟3D场景中的任意其他深度表面相交。深度表面被定义为位移图到所述对应层上的映射。 | ||||||
| 403 | 具有带感知深度的动画的合成图像 | CN202280028214.2 | 2022-04-12 | CN117203064A | 2023-12-08 | 丹尼尔·帕拉; 阿克塞尔·伦德瓦尔; 埃里克·埃格马尔姆 |
| 一种用于制造合成图像设备的方法包括提供(S10)聚焦元件阵列。在聚焦元件的焦距附近布置(S20)图像层，由此，由该图像层的放大部分构成的合成图像对观看者来说变得可感知。该图像层包括图像单元阵列，每个图像单元与相应聚焦元件相关联。布置(S20)该图像层的步骤包括在所述图像单元中的每个相应图像单元内创建(S22)相应图像对象。这些图像对象使得动画变得可感知，该动画包括当观看方向改变时可连续感知的一系列合成图像。这些图像对象使得该系列中的合成图像中的每一个可在相应的可感知深度处被感知，该相应的可感知深度在该系列合成图像中的合成图像之间变化。 | ||||||
| 404 | 深度伪造反取证图像的生成方法 | CN202310950013.4 | 2023-07-31 | CN116664880B | 2023-11-28 | 丁峰; 范冰; 刘帅旗; 朱小刚; 刘春年; 刘伯成 |
| 本发明提供了一种深度伪造反取证图像的生成方法，涉及图像处理与多媒体信息安全技术领域。所述生成方法包括以下步骤：获取图像数据，并构建反取证模型的网络结构；将图像数据区分为训练集图像和测试集图像，将训练集图像输入生成网络并以预设权重提取视觉特征和取证特征，进行特征重组合成伪造图像；判别网络对伪造图像与训练集图像进行分类判别，并将学习到的权重回传至生成网络更新预设权重；重复进行达到预设迭代轮次后生成反取证模型；将测试集图像输入反取证模型，输出反取证图像。本发明生成的反取证图像能够提高取证检测器的检测难度，达到更强的反取证效果，从而能够协助应对新型伪造技术的取证挑战。 | ||||||
| 405 | 一种深度图像缺陷快速修复方法 | CN202210534126.1 | 2022-05-17 | CN117115000A | 2023-11-24 | 程俊廷; 徐英杰; 张乐; 张宣仲; 林鹏; 唐星宇; 庞军; 郑桂林; 邹国柱 |
| 一种深度图像缺陷快速修复方法，解决修复过程中存在物体边缘深度信息丢失以及算法执行效率低的技术问题，方法是：对深度图像进行区域划分、对深度图像进行空洞区域查找并做出标记、对深度图像进行空洞区域填充修复、对深度图像中分散的噪声点进行去除。有益效果是：深度图像空洞的边缘查找速度快、填充数据更接近真实数值、改善物体深度信息丢失的程度、有效提高算法执行效率。 | ||||||
| 406 | 基于深度学习的图像识别和分类算法 | CN202311015126.1 | 2023-08-11 | CN116994057A | 2023-11-03 | 王君 |
| 本发明涉及图像处理技术领域，具体涉及基于深度学习的图像识别和分类算法，包括以下步骤：S1、数据收集，从互联网上收集图像数据，并将其分为训练集、验证集和测试集；S2、图像预处理，将训练集进行处理；S3、模型训练，使用预处理后的训练集进行算法优化；S4、模型评估，使用验证集对算法模型进行评估；S5、模型应用，将训练好的模型应用于新的图像数据，对图像进行分类和识别，本发明通过对训练集图像进行镜像处理，并利用镜像图像与原图像之间的数据联系，来拓展算法模型训练时的训练集的量。 | ||||||
| 407 | 校正影响深度图像的阴影效应的方法 | CN201780052111.9 | 2017-07-21 | CN109661681B | 2023-11-03 | C·万杜如; B·贝尔特 |
| 本公开提供校正影响深度图像的阴影效应的方法。该图像产生装置能够产生在基质(1)中排列的像素(2)，所述像素具有厚度而产生呈现厚度的图像，该厚度使得对于各像素(2)对其相邻像素产生遮蔽效应，该方法包括以下步骤：从目标图像确定产生指令；产生由图像产生装置使用所述产生指令创建的图像，其中，确定步骤用由以下步骤确定的改进产生指令代替产生指令：由用于将产生指令变换成预测图像的传递函数对图像产生装置进行建模；以及以关于减轻所创建的图像中的遮蔽效应的后果的方式来确定改进产生指令，由传递函数产生的图像尽可能接近目标图像。一种由这种方法产生的图像。一种使用这种方法的图像产生装置。 | ||||||
| 408 | 一种双目3D深度相机的图像处理方法 | CN202311010250.9 | 2023-08-11 | CN116977396A | 2023-10-31 | 徐博 |
| 本发明提供一种双目3D深度相机，包括两个具有红外摄像功能的红外相机，且双目相机中存在至少一个红外相机还具有彩色摄像功能；处理模块，用于利用双目视觉原理处理各红外相机利用红外摄像功能采集到的红外图像以生成红外深度图，并将红外深度图与红外相机利用彩色摄像功能采集到的彩色图像相叠加得到深度图像；双目相机中的两个红外相机的光轴相互平行。使用创新性的算法，游湖采集逻辑，能够较优秀的处理深度图。 | ||||||
| 409 | 彩色深度图像传感器以及成像装置 | CN201910295258.1 | 2019-04-12 | CN109951625B | 2023-10-31 | 唐桐升; 徐渊; 陈志勇; 姚浩东; 陈志芳 |
| 本申请提供一种彩色深度图像传感器、成像装置、彩色深度图像传感器的形成方法以及彩色深度图像获取方法,彩色深度图像传感器包括多个沿行和沿列排列的像素组,像素组包括N行M列的像素,像素包括:R像素、G像素、B像素以及TOF像素,其中,像素组包括至少一R像素、G像素、B像素以及TOF像素,R像素、G像素、B像素以及TOF像素按照预设顺序排列组合为N行M列的像素组。本申请能够通过一块图像传感器可获得彩色图和深度图,免去了同时使用彩色图像传感器成像装置和深度图像传感器成像装置来获取彩色图和深度图所带来的体积巨大、功耗巨大以及无法适应对体积和功耗有要求的设备的问题,降低了生产制造成本,使得产品的应用范围更为广泛。 | ||||||
| 410 | 基于深度学习的图像处理方法 | CN202311015380.1 | 2023-08-11 | CN116958302A | 2023-10-27 | 姚国荣; 沈恺; 赵峰; 严森祥 |
| 本发明公开了一种基于深度学习的图像处理方法，包含：获取若干鼻咽癌病例的对应的平扫期CT图像和增强期CT图像；对所述平扫期CT图像和所述增强期CT图像进行标注；对所述平扫期CT图像和所述增强期CT图像进行预处理；将若干病例划分为训练集和测试集；先通过训练集的病例的增强期CT图像训练深度学习模型；再通过训练集的病例的平扫期CT图像训练所述深度学习模型；通过测试集的病例的增强期CT图像和平扫期CT图像对训练后的所述深度学习模型进行测试；采集患者的待识别平扫期CT图像并输入训练好的所述深度学习模型得到勾画结果。本发明提供的基于深度学习的图像处理方法，在不注射造影剂的情况下也能对CT图像进行精准的靶区自动勾画。 | ||||||
| 411 | 一种深度图像处理方法及系统 | CN202310661261.7 | 2023-06-06 | CN116912274A | 2023-10-20 | 杨勇; 张龙; 黄淑英 |
| 本发明公开了一种深度图像处理方法及系统，包括以下步骤：获取彩色图像和对应的深度图像，并分别进行边缘检测，获得彩色图像边缘和深度图像边缘；基于区域生长法获得获取所述彩色图像边缘和深度图像边缘中间的错误像素点和无效像素点所在的区域；基于形态学的膨胀方法将所述错误像素点和无效像素点扩充为连通的空洞，并获取所述空洞中全部像素的深度值对空洞进行填充；采用自适应联合双边滤波算法去除空洞填充后的深度图像的噪声，完成对深度图像的处理。本发明有效的填补深度图像的空洞，很好地解决了深度图像边缘不匹配的问题，极大地提高了深度图像的质量。 | ||||||
| 412 | 一种TOF深度传感模组和图像生成方法 | CN202010006467.2 | 2020-01-03 | CN113156459B | 2023-10-13 | 邱孟; 吴巨帅; 高少锐; 郭帮辉; 宋小刚 |
| 本申请提供了一种TOF深度传感模组和图像生成方法。该TOF深度传感模组包括：激光光源、偏振过滤器件、光束整形器件、第一光学元件、第二光学元件、接收单元和控制单元。其中，激光光源用于产生激光光束；偏振过滤器件用于对激光光束进行过滤，得到单一偏振态的光束；光束整形器件用于对单一偏振态的光束的FOV进行调整，得到FOV范围包括[5°×5°，20°×20°]的第一光束；控制单元用于控制第一光学元件对第一光束的方向进行控制，得到出射光束；控制单元还用于控制第二光学元件将目标物体对出射光束反射得到的反射光束偏转到接收单元。本申请实施例能够提高最终得到的目标物体的深度图的空间分辨率。 | ||||||
| 413 | 深度图像的构建方法和系统 | CN201910394588.6 | 2019-05-13 | CN109993831B | 2023-09-26 | 杨萌; 李建军; 戴付建; 赵烈烽 |
| 本申请提供了一种深度图像的构建方法和系统，该构建方法包括：采集多个第一光斑点的第一图像，其中，第一光斑点为第一初始光斑点经过目标物体反射形成的，且第一光斑点的偏振方向为经过反射后的第一初始光斑点的最小透射光强的方向；至少根据第一图像得到的误差值构建目标物体的深度图像。该构建方法能够减少环境光的影响，从而准确地构建深度图像。 | ||||||
| 414 | 具有多深度的对象的场景的图像融合 | CN202280011085.6 | 2022-01-18 | CN116762356A | 2023-09-15 | 冯文俊; H-M·刘; Y-R·赖 |
| 对用图像捕捉设备捕捉的图像执行的图像处理可以用于改进从设备捕捉的图像的一些问题，包括从具有较大光圈镜头的设备捕捉的图像，以及在一些特定示例中，从具有较大光圈镜头的移动设备捕捉的图像。捕捉设备可以捕捉多个图像，并且应用处理以通过融合多个图像来生成单个图像。融合多个图像所获得的一个潜在益处是单个图像的有效焦深(DOF)大于从捕捉设备获得的单个图像的有效焦深。融合图像的DOF可以大于单个图像和/或可以包括多个不同的聚焦焦距，而来自单个捕捉设备的单个图像仅具有单个聚焦焦距。 | ||||||
| 415 | 一种深度图像生成方法及装置 | CN202010798964.0 | 2020-08-11 | CN112750157B | 2023-09-12 | 洪哲鸣; 王军; 王少鸣; 郭润增 |
| 本申请涉及图像处理领域，尤其涉及一种深度图像生成方法及装置，向目标对象发射结构光，获得各帧的结构光图像；从所述各帧的结构光图像中确定出各关键帧，并分别根据各关键帧的结构光图像，获得各关键帧的深度图像；根据当前待处理帧的结构光图像和对应的关键帧的结构光图像，获得所述当前待处理帧的差分结构光图像；根据预设的参考结构光图像，将所述当前待处理帧的差分结构光图像转换为差分深度图像；根据所述当前待处理帧的差分深度图像和对应的关键帧的深度图像，获得所述当前待处理帧的深度图像，降低深度图像生成的计算量和功耗。 | ||||||
| 416 | 深度伪造反取证图像的生成方法 | CN202310950013.4 | 2023-07-31 | CN116664880A | 2023-08-29 | 丁峰; 范冰; 刘帅旗; 朱小刚; 刘春年; 刘伯成 |
| 本发明提供了一种深度伪造反取证图像的生成方法，涉及图像处理与多媒体信息安全技术领域。所述生成方法包括以下步骤：获取图像数据，并构建反取证模型的网络结构；将图像数据区分为训练集图像和测试集图像，将训练集图像输入生成网络并以预设权重提取视觉特征和取证特征，进行特征重组合成伪造图像；判别网络对伪造图像与训练集图像进行分类判别，并将学习到的权重回传至生成网络更新预设权重；重复进行达到预设迭代轮次后生成反取证模型；将测试集图像输入反取证模型，输出反取证图像。本发明生成的反取证图像能够提高取证检测器的检测难度，达到更强的反取证效果，从而能够协助应对新型伪造技术的取证挑战。 | ||||||
| 417 | 基于深度神经网络的SAR图像识别方法 | CN202310371119.9 | 2023-04-10 | CN116524322A | 2023-08-01 | 张福旺 |
| 本发明关于基于深度神经网络的SAR图像识别方法，包括：构建卷积神经网络架构，包括卷积层、relu层、批量归一化层和最大池化层；构建深度神经网络架构，包括输入层、多层卷积神经网络架构、全连接层、softmax层和分类层；训练网络，设置相应的网络参数，对分好的图像数据训练集、验证集和测试集进行网络训练；识别，最后使用经过训练完成的网络识别验证数据并计算最终的识别率。方法融合了特征提取与分类识别，用深度学习来代替手工选取特征和分类器，减少目标识别中人为的工作量，提高了SAR图像目标识别及分类的性能，验证表明测试准确度达99.88％，非常接近验证准确度，表明构建的网络模型具有极强的鲁棒性。 | ||||||
| 418 | 一种基于深度学习的图像校正方法 | CN202111623814.7 | 2021-12-28 | CN114463196B | 2023-07-25 | 王玥; 雷嘉锐; 钱常德; 孙焕宇; 刘东 |
| 本发明公开了一种基于深度学习的图像校正方法，包括：(1)使用有色差和较好的图像采集设备拍摄尽量相同视场的图像，作为有色差图像和参考图像；(2)使用模板匹配算法求解两次拍摄的偏移量，并依据偏移量裁剪两张图像，进一步划分训练集和测试集；(3)构建图像校正模型，包含一个权重预测网络和n个可学习的3D查找表；(4)将有色差图像输入网络中，将校正后的图像与参考图像相对比，计算损失函数；以损失函数最小化为目标训练，更新网络参数；(5)模型训练完毕后，进行图像校正的应用。本发明的方法，操作步骤简单，无需人工设置大量参数及设计算法，在确保较好的效果的同时有效降低了人工处理图像的时间。 | ||||||
| 419 | 估计图像绝对深度的方法和装置 | CN202310011551.7 | 2023-01-05 | CN115797432B | 2023-07-14 | 杨栋权 |
| 本申请提供一种估计图像绝对深度的方法和装置，该方法包括：利用关键点检测模型检测待处理图像中目标的骨骼关键点，该目标包括人；根据骨骼关键点估计得到目标的绝对身高；根据目标的绝对身高和目标在待处理图像中的相对身高，得到目标的绝对深度；将目标的绝对深度以及待处理图像，输入预设的绝对深度估计模型，得到待处理图像对应的绝对深度图像。该方案主要通过增加了图像中的人的绝对身高转换为绝对深度，并将这个绝对深度作为参考，使得在不依赖于真值点的前提下，对图像的绝对深度的估计更准确。 | ||||||
| 420 | 基于图像的内容的基于深度的投影 | CN202280007066.6 | 2022-04-08 | CN116391201A | 2023-07-04 | S·尚穆甘穆; A·拉贾雷西南穆 |
| 本发明提供了用于基于图像的内容的基于深度的投影的投影系统和方法。所述投影系统接收将被投影在三维(3D)结构的物理表面上的图像帧序列。所述投影系统控制深度传感器获取与物理表面相关联的深度数据，并且将包括所获取的深度数据和所接收到的图像帧序列中的第一图像帧的第一输入馈送到基于神经网络的模型。所述投影系统还作为基于神经网络的模型针对所馈送的第一输入的第一输出接收几何校正值的集合，并且基于所接收到的几何校正值的集合对第一图像帧进行修改。所述投影系统还控制照明电路将经过修改的第一图像帧投影到物理表面上。 | ||||||
QQ群二维码
意见反馈
意见反馈