专利交易市场

一种多个神经网络联合训练的真实模糊三维全息图重建方法，对于每个训练步骤，将训练集载入的RGB‑D图像根据深度图分为三层，随机选取一层作为聚焦面，另外两层为非聚焦面，将三层分别输入到多个作为复振幅生成器的神经网络中合成复振幅场，编码为仅相位全息图后传播到近场进行图像重建，使用二值掩模板掩模后对聚焦面和非聚焦面与对应的经过高斯模糊的目标图像求取损失函数，对梯度反向传播以优化神经网络的权重。本发明重建得到的全息图，具有图像质量高，深度区分明显，图像模糊真实等优点，更类似于人眼观察的自然图像，有望在全息显示、VA/AR等场景中获得实际应用。

本发明公开了一种基于稀疏投影的Nesterov同伦摄动迭代的光学层析成像重建方法及系统，所述方法包括：基于稀疏投影的Nesterov同伦摄动迭代的光学层析成像重建算法采用辐射传输方程模型描述光子在待检测对象内的传输过程；通过多光源激发及有限角平均测量数据建立光学层析成像问题的测量系统；采用Nesterov加速的同伦摄动迭代正则化重建算法，并将每次迭代结果进行稀疏投影。本发明中，在同伦摄动迭代正则化基础上引进Nesterov加速方法实现了算法的进一步加速，可提高光学层析成像的成像速度；引入稀疏投影策略，充分利用了求解目标的稀疏特性，能够有效的识别出异常区域的细节信息，提高成像分辨率。

一种基于基于多视角超分辨深度网络的合成孔径成像方法，由构建深度网络、获取数据集、训练网络、采集并重建图像、生成合成孔径图像步骤组成，本发明采用特征提取模块进行特征提取；采用特征时序插值模块，根据提取特征图获得插值特征图；采用可变形卷积长短期记忆模块，根据插值特征图获得卷积特征图；采用图像重建模块，根据卷积特征图获取重建后的图像，将Vimeo‑90k数据集划分为训练集和测试集，训练集通过最小化损失函数训练深度网络，将相机阵列采集的图像输入训练后的深度网络，获得深度网络输出图像并合成，提高了合成图像的质量。具有图像处理时间短、运算速度快、结构相似性以及峰值信噪比高、合成的图像质量好等优点，可用于合成孔径成像。

本发明公开了一种基于参考图像重建的去雾方法。其步骤包括：首先利用深度相机采集不同场景与不同光线的无雾彩色图像与深度图像数据集，进行初步预处理；设置大气光值与透射率，对无雾图像进行合成有雾图像，且对有雾数据集进行降噪预处理；然后选取有雾图像对应内容相似的图像作为参考图像；最后构造端到端的卷积神经网络模型，具体来说，网络分别经历提取雾度特征，移除雾度特征，自适应地迁移参考图像的纹理，重建高分辨率的去雾图像的过程。上述方法与大多数基于端到端深度学习方法不同，它没有结合显示的大气物理模型，而是通过构造去雾网络和引入参考图像，隐式的去除雾度，实现图像去雾的同时增强图像的细节。

本发明属于全息相位重建领域，公开了一种基于双域复值神经网络的轻量化同轴全息重建方法，在模型参数与计算量大大减小下取得同样的重建效果，本发明采用基于双域复值神经网络架构结合光学同轴全息成像模型的物理过程，首先将全息图A与初始相位构建复振幅输入双域复值神经网络中，分别经过空域卷积与频域学习得到输出复值场C，再模拟同轴全息正向传播过程，并取强度为重建全息图D；随后计算全息图A与重建全息图D之间的相似度，通过复值神经网络的梯度下降优化算法实现相位重建。本发明提供一种轻量化双域复值神经网络结合物理约束直接重建复值场的方法。

本发明公开了一种图像重建方法及系统，从参考图像中获取所需的高分辨率特征、将高分辨率特征和给定的低分辨率信息高效融合、超分辨率重建。从参考图像中获取所需的高分辨率特性指首先利用特定的特征提取器提取关键特征，再通过选择策略将参考图像的特性组合为所需的高分辨率特征。将高分辨率特征和给定的低分辨率信息高效融合指将高低分辨率特征共同输入构建好的神经网络，通过网络的学习优化输出一个包含丰富高分辨率信息的特征。

本发明涉及一种基于GPU的快速重建成像方法，包括，S01，设置初始预设图像；S02，将获得图像进行初步重建，并将重建的图像与预设图像进行对比，获取图像差异区域；S03，根据差异的程度，分配线程，进行图像二次重建；S04，对重建的图像进行迭代重建，获取精准图像。本发明通过CPU对重建图像与预设图像拆分成数量相等的空间块，并针对每一组位置相对应的空间块单独进行对比，获取空间块的差异度信息；CPU对各空间块的差异度信息进行整合，根据差异度的大小进行线程与算力分配，以进行图像迭代重建；通过设置预设图像进行对比，使得加快图像的评判速度，从而提升重建速度。