专利交易市场

本申请提供了一种基于隐式熵学习的水下视觉图像高效重构方法、系统，包括：获取输入图像，输入图像为水下机器人采集的原始图像；对输入图像进行特征提取得到高纬度特征，提取获取辅助特征，对高纬度特征、辅助特征进行量化操作；对辅助量化特征进行编码生成辅助特征码流，解码复原得到辅助量化特征，解码提取潜在上下文信息，隐式熵建模模块将上下文信息融合到对高纬度量化特征的分布预测；对高纬度量化特征进行编码生成高纬度特征码流；对高纬度特征码流进行解码复原得到高纬度量化特征，使用解码器对高纬度量化特征进行特征解码得到重构图像。本发明能够解决传统图像压缩算法在水下复杂环境下压缩性能不足、重建质量较差等问题。

一种基于多字典改进型压缩感知框架的内窥镜图像感知重构方法，针对内窥镜图像处理中存在单字典训练速度慢和重构效果差的问题，设计一种适用于大批量图片的云并行多字典训练算法，再结合多字典平均梯度下降改善了感知矩阵的优化效果，最后利用多字典平均策略重构图像。本发明多字典改进型压缩感知框架的应用提高了字典训练的速度，平均梯度下降和多字典重构也改善了图像的恢复效果，本发明在只使用一个感知矩阵的前提下，证明了多字典平均梯度下降对感知矩阵的优化。

本发明公开了一种分段迭代匹配追踪算法的图像重构方法，在迭代前对观测矩阵广义逆化来减少原子相关性，迭代结合了OMP算法选择原子的准确性和CoSaMP算法的回溯性，将迭代分为两阶段，第一阶段利用OMP算法迭代K/2次(假设信号稀疏度K为偶数，若K为奇数，则对K/2向下取整)，所得的残差和原子作为第二阶段的初始输入，然后利用CoSaMP继续迭代，并改变原子选入准则，从而精确快速的重构出稀疏信号。本发明方法能够同时兼顾图像重构时间和重构精度,相比现有算法来说,具有高精度、重构时间短的优点。

本发明公开了一种基于多级对偶反馈的单张图片重构HDR方法，包括以下步骤：S1、输入LDR图像；S2、利用反量化网络重构出反量化图像；对反量化图像进行量化操作获得对偶量化图像；S3、对反量化图像进行ICRF映射处理得到线性图像，使用相同的网络学习CRF映射作为对偶反馈结构；S4、将线性图像分为过曝区域和其它区域，将过曝区域输入至截断信息恢复网络获得HDR图像，对HDR图像进行分层截断获，利用截断图像计算截断损失，反馈给截断信息恢复网络；S5、使用多尺度感受野特征提取模块和注意力机制对HDR图像进行整体调整。本发明为每个过程增加一个对偶网络形成反馈，能够约束重构方向，提升重构效果，提高模型学习能力，增强重构图像的真实性。

本发明公开的一种基于参考支撑集的共稀疏分析模型的MRI重构方法、系统及计算机可读存储介质，方法包括：获取待重构的MRI图像数据和参考的另一对比度MRI图像的全采样数据；对两张不同对比度的MRI图像分别进行小波变换得到对应的稀疏表示，再求得对应的支撑集Ω1和Ω2；利用支撑集Ω1和Ω2学习更为准确的支撑集Ω*；利用支撑集Ω*得到基于参考支撑集的共稀疏分析模型；基于支撑集的稀疏约束和共稀疏分析模型得到最优化模型；求解最优化模型，输出重构的MRI图像。本发明利用已知对比度的全采样图像作为参考图像，引导学习更为准确的支撑集，利用支撑集的稀疏约束对共稀疏分析模型进行优化得到最优化模型，利用共轭梯度法和交替迭代的思想重构MRI图像，提高了重构效率，实现简单，性能良好。

本发明提供了一种基于空谱联合多假设预测的高光谱图像压缩感知重构方法，属于图像压缩技术领域，包括：利用高光谱成像仪采集高光谱图像；对高光谱图像进行重构。该方法本发明由于采用空间相关性和谱间相关性进行高光谱图像的预测，相比现有预测技术提高了预测的精度；本发明由于采用迭代方式实现高光谱图像的残差重构，重构图像精度低的缺点，通过建立空谱联合的多假设预测模型，更充分地刻画了高光谱图像的空间相关性和谱间相关性，解决了现有高光谱图像压缩感知重构算法对空间和谱间特性利用不够充分的问题。

本发明公开了一种基于粒子群优化的高光谱图像快速压缩感知重构方法，涉及图像压缩处理技术领域，本发明公开了一种基于粒子群优化的高光谱图像快速压缩感知重构方法，主要解决现有的正交匹配追踪重构算法计算复杂度高的问题，其技术关键是借助粒子群优化的思想，对正交匹配追踪算法的匹配过程进行优化，利用粒子表示冗余字典中的原子，依靠粒子群的快速搜索能力，找到能够对图像进行稀疏表示的最优原子，然后借助Hermitian求逆的思想，对正交匹配追踪重构算法的残差更新过程进行加速，实现了基于粒子群优化的高光谱图像快速压缩感知重构。本发明方法能够在保持重构精度的条件下，提高计算效率。

本发明涉及一种基于组稀疏表示和加权全变分算法，属于信号处理技术领域，以稀疏表示为基础，开发一种利用信号的稀疏性、非局部相似性、平滑性三种先验信息；利用平滑性先验信息来抑制噪声的影响，并针对传统的全变分对边缘的信息保护不足，将图像分为高低频，并利用差分曲率算子计算权重，只对高频加权，来提高算法的鲁棒性；为了保护低频信息，并提出一个硬阈值‑模平方算子，来更好的求解组稀疏表示的系数。算法以最小压缩感知重建误差为约束构建模型，为了有效求解提出的联合正则化优化问题，利用分裂Bregman迭代方法求解，实验证明本发明提出的重构算法保护了图像的细节信息，重构效果优于目前主流的重构算法。