本发明公开了一种基于边缘增强的宽解码器显著性目标检测方法及系统包括:获取高分辨率图像数据集并对数据集中的目标高分辨率图像进行下采样处理,得到目标下采样图像;将目标高分辨率图像以及目标下采样图像分别输入显著性目标检测模型,显著性目标检测模型通过双通道网络对图像进行特征提取,得到不同层次的特征,拼接双通道网络的最深层特征并将拼接结果输入多尺度注意力模块得到第一特征;基于第一特征,利用多级宽解码器模块依次融合双通道网络的前三层特征得到第二特征,对第二特征进行特征解码得到最终的显著性目标检测结果。本发明能够在有限的计算资源下对高分辨率图像中的复杂几何形状进行精细化处理,精确提取边缘信息实现高质量分割。
📄 2024105806982
📂 G06V10_25
👤 第图(苏州)生物科技有限公司, 江南大学
📅 2024-05-11
本发明公开了一种基于纹理与边缘增强的伪装目标检测方法,属于计算机视觉目标检测技术领域。该方法构建了包含特征提取骨干网络、混合编码器颈部网络和Transformer解码器检测头的端到端检测网络。通过在骨干网络中引入多尺度边缘增强模块,增强目标边缘特征,解决边缘模糊问题;在颈部网络对特征提取与边缘增强模块输出的特征进行纹理特征增强与融合,提取多方向纹理特征,提升纹理区分能力;最终通过Transformer解码器输出目标类别与位置。本发明有效提升了伪装目标在复杂背景下的检测精度与定位准确性,具有较高的实用价值。
📄 2026103198125
📂 G06V10_764
👤 江南大学
📅 2026-03-17
本申请属于图像处理技术领域,公开了一种基于显著边缘增强的多聚焦图像融合方法及相关设备,所述方法包括:基于变换域方法,获取两个源图像的初始融合图像;两个源图像的大小相同且相互配准,两个源图像的聚焦区互补;生成初始融合图像的显著图和两个源图像的显著图;生成初始融合图像的显著图与各源图像的显著图之间的差图;根据初始融合图像的显著图、两个源图像的显著图和差图,获取各源图像对应的初始决策图;对各初始决策图进行优化处理,得到各源图像对应的优化决策图;基于优化决策图对两个源图像进行融合,得到最终融合图像;从而能够使融合图像边缘信息更加丰富并且有效解决了边缘模糊以及伪影的问题,得到更清晰的高质量融合图像。
📄 2025104115426
📂 G06T5_10
👤 佛山大学
📅 2025-04-02
本发明公开了一种基于滑动窗口算法的图像目标边缘增强处理方法,具体步骤为:对训练图像集合、训练图像标签集合采用滑动窗口算法进行特征提取、非边缘子块选择、矩阵求解等操作后得到非关键边缘抑制算子,进而获取非边缘区域弱化的初始特征图;结合初始特征图获取边缘典型特征子块集合并进行求解后,得到关键边缘增强算子HQ2;非关键边缘抑制算子HQ1和关键边缘增强算子,对测试图像集合中的测试图片依次调用非关键边缘抑制算子、关键边缘增强算子,得到测试图像的边缘增强特征图有益效果:降低噪声,对关键边缘进行增强,强化目标和背景的差异,得到凸显典型特征的边缘平滑图像。用于数据扩充后,提高图像分割识别等正确率。
📄 2022113599311
📂 G06T5_90
👤 重庆科技学院
📅 2022-11-02
本发明涉及深度学习,公开一种边缘增强的路面裂缝分割网络处理方法及系统,以减少信息丢失并提升分割的精准度。方法包括图像预处理、上采样、下采样、特征融合及图像恢复处理,在图像预处理后、相邻的两采样层之间及图像恢复处理前进行递归聚合处理;其中,该递归聚合处理通过放缩输入特征图来聚合全局上下文信息,能增强局部细节并减少信息丢失,并基于注意力机制实现全局建模,同时还应用递归门控卷积和边缘算子分别从输入特征图中提取高阶空间信息和边缘信息,大幅提升了全局信息捕获性能;从而确保了分割结果的精准度。
📄 2025100747605
📂 G06T7_12
👤 长沙理工大学
📅 2025-01-17
本发明公开了一种多层级边缘增强融合的伪装目标分割方法,利用边缘特征指导学习,显著提高伪装目标检测的性能,通过残差纹理增强模块来细化骨干特征,通过边缘提取模块来获取边缘特征,最后通过边缘引导融合模块来融合边缘特征与全局先验信息,使最后的结果边缘更加精细,结构更加完整,能够完整的将伪装目标分割开来,避免边缘模糊。在三个具有挑战性的基准数据集上进行的大量实验表明,在四个广泛使用的评估指标下,本发明的伪装目标分割方法优于近年来多个前沿模型的预测结果,取得了先进的效果。
📄 2023109864234
📂 G06T7_13
👤 重庆理工大学
📅 2023-08-07
本发明属于计算机视觉与医学图像领域,具体涉及一种基于Prompt的边缘增强医学图像分割方法及系统,方法包括获取骨骼CT图像,通过编码器对图像进行连续下采样,每一层下采样得到的特征作为对应解码器中上采样层中输入的高分辨率特征图;通过边缘感知学习模块从骨骼CT图像中获取边缘信息、框信息以及掩膜信息,获取的信息与编码器输出的特征进行融合后作为瓶颈层的输入;在编码器中,将瓶颈层或者前一层输出作为低分辨率特征图,将低分辨率特征图和高分辨率特征图进行特征对齐和特征增强后作为当前层的输出,并将编码器最后一层的输出作为图像分割结果。本发明改善图像分割的效果,从而能节省医务人员花费在阅读和理解CT图像上的时间。
📄 2024110495748
📂 G06V10_26
👤 山东师范大学
📅 2024-08-01
本发明公开了一种基于边缘增强算子的各向异性扩散噪声处理方法,首先输入含有高斯噪声的待处理图像,使用高斯滤波器对噪声图像进行预处理,去除较大噪声;建立八方向5×5边缘增强算子模板,将增强算子与预处理后得到的图像进行卷积运算,得到对应的梯度信息;然后,构造了一种基于双曲正切函数的扩散系数模型,用来控制扩散程度;将扩散函数代入改进的各向异性扩散方程,得到去噪后的图像;最后,重复上述步骤N次,完成迭代,并输出滤波后图像。本发明方法在滤除图像噪声的同时能够有效地保留图像边缘、纹理、细线、弱边缘和细节,防止阶梯效应,且处理速度更快。
📄 2019107068807
📂 G06T5_00
👤 南京信息工程大学
📅 2019-08-01