CN112150494B - 一种太赫兹人体安检图像显示增强方法及系统 - Google Patents
一种太赫兹人体安检图像显示增强方法及系统 Download PDFInfo
- Publication number
- CN112150494B CN112150494B CN202011011587.8A CN202011011587A CN112150494B CN 112150494 B CN112150494 B CN 112150494B CN 202011011587 A CN202011011587 A CN 202011011587A CN 112150494 B CN112150494 B CN 112150494B
- Authority
- CN
- China
- Prior art keywords
- image
- terahertz
- training
- display
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007689 inspection Methods 0.000 title claims description 16
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000009499 grossing Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000003706 image smoothing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 16
- 238000003709 image segmentation Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013467 fragmentation Methods 0.000 description 3
- 238000006062 fragmentation reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种太赫兹人体安检图像显示增强方法及系统,属于太赫兹图像处理技术领域,包括以下步骤:S1:标注太赫兹图像;S2:对分割标签图像进行平滑处理;S3:绘制增强权重前景图像;S4:训练得到增强显示预测模型;S5:进行增强显示。所述太赫兹图像为灰度图像。在所述步骤S1中,像素级分类标签存在0和1两类值,其中0表示背景,1表示前景。本发明利用深度学习图像分割模型和标签平滑方法,训练前景区域分割模型,与原始太赫兹人体图像叠加显示,从而显著提升成像效果;并且具有抗锯齿效果明显和部署简单等优势,值得被推广使用。
Description
技术领域
本发明涉及太赫兹图像处理技术领域,具体涉及一种太赫兹人体安检图像显示增强方法及系统。
背景技术
图像分割是据图像颜色、边缘、语义等信息把图像划分成若干个互不相交的区域,使得图像在同一区域内表现出一致性或相似性,图像分割可视作像素级的计算机视觉分类任务。
太赫兹人体安检图像一般存在信噪比高,人体区域不明显,成像效果不佳问题。图像分割能够提取出人体区域并增强显示,并印制背景部分,从而改善成像效果,但直接对图像做像素级分割存在锯齿化和碎片化问题,增强后图像边缘不够平滑,并存在马赛克现象,影响了显示效果。为此,提出一种太赫兹人体安检图像显示增强方法及系统。
发明内容
本发明所要解决的技术问题在于:如何提升太赫兹人体安检图像的显示效果,提供了一种太赫兹人体安检图像显示增强方法。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:标注太赫兹图像
在太赫兹图像中标注出前景区域和背景区域,得到分类标签图像,前景区域包括人体区域,背景区域包括人体待检查随身物品较暗区域、成像背景区域;
S2:对分割标签图像进行平滑处理
利用高斯滤波函数对步骤S1中的分类标签图像进行平滑处理,得到模糊标签图像;
S3:绘制增强权重前景图像
利用边缘检测算子检测步骤S1中的分类标签图像,在黑色背景图像上绘制边缘,得到增强权重前景图像;
S4:训练得到增强显示预测模型
利用归一化的像素级标签,结合损失函数和边缘权重,训练预选取的像素预测深度学习模型,观察训练集和验证集损失,达到训练停止条件后,完成训练,保存并得到增强显示模型;
S5:进行增强显示
将太赫兹图像输入到步骤S4的增强显示模型中,得到像素预测结果,然后叠加输入的太赫兹图像,实现对太赫兹图像的增强显示。
更进一步地,所述太赫兹图像为灰度图像。
更进一步地,在所述步骤S1中,像素级分类标签存在0和1两类值,其中0表示背景,1表示前景。
更进一步地,在所述步骤S2中,所述高斯滤波函数采用3x3核设计。
更进一步地,在所述步骤S2中,经过平滑后的分类标签图像像素值变为在[0,1]区间分布的浮点数。
更进一步地,在所述步骤S3中,得到增强权重前景图像,在图像边缘区域内的值为1,其他图像区域内的值为0。
更进一步地,在所述步骤S4中,训练时为图像的每个像素值分配训练权重,图像边缘区域的权重计算如下,边缘区域像素累加和为s1,整个图像像素数量为s,边缘区域权重为(s-s1)/s1,其他区域权重为1。
更进一步地,在所述步骤S5中,像素叠加公式如下:
y=255*αyp+(1-α)x
其中,yp为增强显示模型预测的输出值,α为叠加比例系数,x为太赫兹图像原始像素,y为最终显示图像像素值。
本发明还提供了一种太赫兹人体安检图像显示增强系统,包括:
标注模块,用于在太赫兹图像中标注出前景区域和背景区域,得到分类标签图像;
平滑处理模块,用于利用高斯滤波函数对分类标签图像进行平滑处理,得到模糊标签图像;
绘制模块,用于利用边缘检测算子检测分类标签图像,在黑色背景图像上绘制边缘,得到增强权重前景图像;
模型训练模块,用于利用归一化的像素级标签,结合损失函数和边缘权重,训练预选取的像素预测深度学习模型,观察训练集和验证集损失,达到训练停止条件后,完成训练,保存并得到增强显示模型;
增强显示模块,用于将太赫兹图像输入到增强显示模型中,得到像素预测结果,然后叠加输入的太赫兹图像,实现对太赫兹图像的增强显示;
控制处理模块,用于向各模块发出指令,完成相关动作;
所述标注模块、平滑处理模块、绘制模块、模型训练模块、增强显示模块均与控制处理模块电连接。
本发明相比现有技术具有以下优点:该太赫兹人体安检图像显示增强方法,利用深度学习图像分割模型和标签平滑方法,训练前景区域分割模型,与原始太赫兹人体图像叠加显示,从而显著提升成像效果;并且具有抗锯齿效果明显和部署简单等优势,值得被推广使用。
附图说明
图1是本发明实施例一中太赫兹人体安检图像显示增强方法的流程示意图;
图2是本发明实施例二中太赫兹原图与增强显示效果对比图;
图3是本发明实施例二中现有分割算法分割效果图;
图4a是本发明实施例二中未经任何处理的太赫兹原始图像;
图4b是本发明实施例二中的分割标签图像;
图4c是本发明实施例二中的模糊标签图像;
图4d是本发明实施例二中的边缘标签图像;
图5是本发明实施例二中模糊标签图像的局部示意图;
图6是本发明实施例二中的电压变化的日志。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种技术方案:一种太赫兹人体安检图像显示增强方法,包括以下步骤:
S1:标注太赫兹图像
在太赫兹图像中标注出前景区域和背景区域,得到分类标签图像,前景区域包括人体区域,背景区域包括人体待检查随身物品较暗区域、成像背景区域;
S2:对分割标签图像进行平滑处理
利用高斯滤波函数对步骤S1中的分类标签图像进行平滑处理,得到模糊标签图像;
S3:绘制增强权重前景图像
利用边缘检测算子检测步骤S1中的分类标签图像,在黑色背景图像上绘制边缘,得到增强权重前景图像;
S4:训练得到增强显示预测模型
利用归一化的像素级标签,结合损失函数和边缘权重,训练预选取的像素预测深度学习模型,观察训练集和验证集损失,达到训练停止条件后,完成训练,保存并得到增强显示模型;
S5:进行增强显示
将太赫兹图像输入到步骤S4的增强显示模型中,得到像素预测结果,然后叠加输入的太赫兹图像,实现对太赫兹图像的增强显示。
所述太赫兹图像为灰度图像。
在所述步骤S1中,像素级分类标签存在0和1两类值,其中0表示背景,1表示前景。
在所述步骤S2中,所述高斯滤波函数采用3x3核设计。
在所述步骤S2中,经过平滑后的分类标签图像像素值变为在[0,1]区间分布的浮点数。
在所述步骤S3中,得到增强权重前景图像,在图像边缘区域内的值为1,其他图像区域内的值为0。
在所述步骤S4中,训练时为图像的每个像素值分配训练权重,图像边缘区域的权重计算如下,边缘区域像素累加和为s1,整个图像像素数量为s,边缘区域权重为(s-s1)/s1,其他区域权重为1。
在所述步骤S5中,像素叠加公式如下:
y=255*αyp+(1-α)x
其中,yp为增强显示模型预测的输出值,α为叠加比例系数,x为太赫兹图像原始像素,y为最终显示图像像素值。
本实施例还提供了一种太赫兹人体安检图像显示增强系统,包括:
标注模块,用于在太赫兹图像中标注出前景区域和背景区域,得到分类标签图像;
平滑处理模块,用于利用高斯滤波函数对分类标签图像进行平滑处理,得到模糊标签图像;
绘制模块,用于利用边缘检测算子检测分类标签图像,在黑色背景图像上绘制边缘,得到增强权重前景图像;
模型训练模块,用于利用归一化的像素级标签,结合损失函数和边缘权重,训练预选取的像素预测深度学习模型,观察训练集和验证集损失,达到训练停止条件后,完成训练,保存并得到增强显示模型;
增强显示模块,用于将太赫兹图像输入到增强显示模型中,得到像素预测结果,然后叠加输入的太赫兹图像,实现对太赫兹图像的增强显示;
控制处理模块,用于向各模块发出指令,完成相关动作;
所述标注模块、平滑处理模块、绘制模块、模型训练模块、增强显示模块均与控制处理模块电连接。
实施例二
为便于本发明技术方案更加清晰,下面结合具体实施例参照附图进一步详细说明。
图像分割可以对图像中像素分类,是计算机视觉中的基础任务之一,在此基础上能够提取出兴趣前景区域,进行其他任务,例如智能抠图和增强显示。如图2所示,太赫兹人体安检图像存在信噪比高,显示效果差等问题,用分割方法进行增强显示,能够显著改善成像效果。但是,现有图像分割一般遵循分类目的设计目标函数,例如多数采用交叉熵损失函数,但现有算法对像素进行分类,容易产生“硬边缘”,结合原图叠加显示,容易产生如图3所示的锯齿和碎片化显示的问题。
本实施例提供的增强显示方法,能够在保证前景显示增强的前提下,解决锯齿和碎片化问题,具体包括以下步骤:
步骤S1、标注太赫兹图像,标注出前景和背景两类区域,前景区域包含人体,背景区域包含人体待检查随身物品较暗区域以及成像背景区域,得到分割标签图像,为便于对比显示,可将前景区域赋值255,背景区域赋值0,得到如图4(b)所示的显示分割标签图像,该显示分割标签图像带有明显的边缘锯齿。
步骤S2、利用高斯滤波函数对分类标签图像进行平滑高斯滤波函数属于图像处理领域常见方法,相关领域从业者对此应该非常熟悉,在实际应用中,可指定多种类型的高斯核设计,例如对图4(b)本实施例采用一组3x3的高斯核进行滤波,得到如图4(c)所示的模糊标签图像,经过模糊处理后,边缘部分会呈现明显的从亮到暗的亮度过渡,这种平滑的过渡也是模型需要学习的目标之一。经过平滑后的分类标签图像像素值变为在[0,1]区间分布的浮点数。
步骤S3、利用边缘检测算子检测原始类别标签图像,在黑色背景图像上绘制检测到的边缘,得到如图4(d)所示的边缘标签图像输入到模型训练中,在计算目标损失中提升边缘标签图像中边缘区域的像素损失函数计算权重,具体计算算法可参考步骤S4,从而使得模型能够更加注重边缘区域的模型准确性,该区域的预测结果更加准确,从而达到提升模型分割效果目的。
步骤S4、如图6所示,利用归一化的像素级标签,结合SmoothL1损失函数和边缘权重。假设模型输入图像宽高为h和w,像素数量为N,(N=hw)。模型输入数据(太赫兹图像原始像素)为x,模型预测输出为yp,平滑标签数据(模糊标签图像像素)为ygt。
边缘标签数据(边缘标签图像像素)为yb,统计图像边缘像素数量为s1,那么则单张图片中每个像素的训练权重为:
单个损失计算方法如下:
批次训练对单点像素加权smooth_l1损失进行求和取平均,进行反向传播,降低损失。一般训练时会切分训练集和验证集,当学习率足够小以及验证集损失不再降低时,即可完成训练,保存并得到增强显示模型。
作为优选的,可在模型训练过程中实时观察模型实际显示效果,防止过拟合。
步骤S5、将太赫兹图像输入到增强显示模型,得到像素预测结果,叠加输入增强显示模型的太赫兹图像,做增强显示,最终叠加混合公式如下:
y=255*αyp+(1-α)x
其中α为像素预测结果显示比例,一般情况下可取0.5,y为最终显示像素值,x为太赫兹图像原始像素。
综上所述,上述实施例的一种太赫兹人体安检图像显示增强方法,利用深度学习图像分割模型和标签平滑方法,训练前景区域分割模型,与原始太赫兹人体图像叠加显示,从而显著提升成像效果;并且具有抗锯齿效果明显和部署简单等优势,值得被推广使用。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种太赫兹人体安检图像显示增强方法,其特征在于,包括以下步骤:
S1:标注太赫兹图像
在太赫兹图像中标注出前景区域和背景区域,得到分类标签图像,前景区域包括人体区域,背景区域包括人体待检查随身物品较暗区域、成像背景区域;
在所述步骤S1中,像素级分类标签存在0和1两类值,其中0表示背景,1表示前景;
S2:对分割标签图像进行平滑处理
利用高斯滤波函数对步骤S1中的分类标签图像进行平滑处理,得到模糊标签图像;
S3:绘制增强权重前景图像
利用边缘检测算子检测步骤S1中的分类标签图像,在黑色背景图像上绘制边缘,得到增强权重前景图像;
在所述步骤S3中,得到增强权重前景图像,在图像边缘区域内的值为1,其他图像区域内的值为0;
S4:训练得到增强显示预测模型
利用归一化的像素级标签,结合损失函数和边缘权重,训练预选取的像素预测深度学习模型,观察训练集和验证集损失,达到训练停止条件后,完成训练,得到并保存增强显示模型;
具体包括:模型输入图像宽高为h和w,像素数量为N,其中,N=hw;模型输入数据为x,即太赫兹图像原始像素,模型预测输出为yp,平滑标签数据为ygt,即模糊标签图像像素;边缘标签数据为yb,即边缘标签图像像素,统计图像边缘像素数量为s1,则单张图片中每个像素的训练权重为:
单个损失计算方法如下:
批次训练对单点像素加权smooth_l1损失进行求和取平均,进行反向传播,降低损失;训练时切分训练集和验证集,当学习率达到设定值以及验证集损失不再降低时,即可完成训练,保存并得到增强显示模型;
S5:进行增强显示
将太赫兹图像输入到步骤S4的增强显示模型中,得到像素预测结果,然后叠加输入的太赫兹图像,实现对太赫兹图像的增强显示;
在所述步骤S5中,像素叠加公式如下:
y=255*αyp+(1-α)x
其中,yp为增强显示模型预测的输出值,α为叠加比例系数,x为太赫兹图像原始像素,y为最终显示图像像素值。
2.根据权利要求1所述的一种太赫兹人体安检图像显示增强方法,其特征在于:所述太赫兹图像为灰度图像。
3.根据权利要求1所述的一种太赫兹人体安检图像显示增强方法,其特征在于:在所述步骤S2中,所述高斯滤波函数采用3x3核设计。
4.根据权利要求1所述的一种太赫兹人体安检图像显示增强方法,其特征在于:在所述步骤S2中,经过平滑后的分类标签图像像素值变为在[0,1]区间分布的浮点数。
5.一种太赫兹人体安检图像显示增强系统,其特征在于,利用如权利要求1~4任一项所述的显示增强方法对太赫兹人体安检图像显示增强工作,包括:
标注模块,用于在太赫兹图像中标注出前景区域和背景区域,得到分类标签图像;
平滑处理模块,用于利用高斯滤波函数对分类标签图像进行平滑处理,得到模糊标签图像;
绘制模块,用于利用边缘检测算子检测分类标签图像,在黑色背景图像上绘制边缘,得到增强权重前景图像;
模型训练模块,用于利用归一化的像素级标签,结合损失函数和边缘权重,训练预选取的像素预测深度学习模型,观察训练集和验证集损失,达到训练停止条件后,完成训练,保存并得到增强显示模型;
增强显示模块,用于将太赫兹图像输入到增强显示模型中,得到像素预测结果,然后叠加输入的太赫兹图像,实现对太赫兹图像的增强显示;
控制处理模块,用于向各模块发出指令,完成相关动作;
所述标注模块、平滑处理模块、绘制模块、模型训练模块、增强显示模块均与控制处理模块电连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011587.8A CN112150494B (zh) | 2020-09-23 | 2020-09-23 | 一种太赫兹人体安检图像显示增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011587.8A CN112150494B (zh) | 2020-09-23 | 2020-09-23 | 一种太赫兹人体安检图像显示增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150494A CN112150494A (zh) | 2020-12-29 |
CN112150494B true CN112150494B (zh) | 2022-10-25 |
Family
ID=73896330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011011587.8A Active CN112150494B (zh) | 2020-09-23 | 2020-09-23 | 一种太赫兹人体安检图像显示增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150494B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486899B (zh) * | 2021-05-26 | 2023-01-24 | 南开大学 | 一种基于互补分支网络的显著性目标检测方法 |
CN114581740B (zh) * | 2022-05-09 | 2022-07-26 | 广东电网有限责任公司佛山供电局 | 一种断路器试验图像增强方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447071A (zh) * | 2018-11-01 | 2019-03-08 | 博微太赫兹信息科技有限公司 | 一种基于fpga和深度学习的毫米波成像危险物品检测方法 |
CN109993774A (zh) * | 2019-03-29 | 2019-07-09 | 大连理工大学 | 基于深度交叉相似匹配的在线视频目标跟踪方法 |
CN110322422A (zh) * | 2019-04-16 | 2019-10-11 | 山东省科学院自动化研究所 | 一种提高太赫兹连续波扫描成像质量的方法 |
CN110348572A (zh) * | 2019-07-09 | 2019-10-18 | 上海商汤智能科技有限公司 | 神经网络模型的处理方法及装置、电子设备、存储介质 |
CN110544227A (zh) * | 2018-05-29 | 2019-12-06 | 中国科学院电子学研究所 | 被动式太赫兹人体安检图像目标检测方法 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111476310A (zh) * | 2020-04-16 | 2020-07-31 | 中国科学院半导体研究所 | 一种图像分类方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9652829B2 (en) * | 2015-01-22 | 2017-05-16 | Samsung Electronics Co., Ltd. | Video super-resolution by fast video segmentation for boundary accuracy control |
-
2020
- 2020-09-23 CN CN202011011587.8A patent/CN112150494B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544227A (zh) * | 2018-05-29 | 2019-12-06 | 中国科学院电子学研究所 | 被动式太赫兹人体安检图像目标检测方法 |
CN109447071A (zh) * | 2018-11-01 | 2019-03-08 | 博微太赫兹信息科技有限公司 | 一种基于fpga和深度学习的毫米波成像危险物品检测方法 |
CN109993774A (zh) * | 2019-03-29 | 2019-07-09 | 大连理工大学 | 基于深度交叉相似匹配的在线视频目标跟踪方法 |
CN110322422A (zh) * | 2019-04-16 | 2019-10-11 | 山东省科学院自动化研究所 | 一种提高太赫兹连续波扫描成像质量的方法 |
CN110348572A (zh) * | 2019-07-09 | 2019-10-18 | 上海商汤智能科技有限公司 | 神经网络模型的处理方法及装置、电子设备、存储介质 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111476310A (zh) * | 2020-04-16 | 2020-07-31 | 中国科学院半导体研究所 | 一种图像分类方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
Xianming Liu等.Image Interpolation via Graph-Based Bayesian Label Propagation.《IEEE TRANSACTIONS ON IMAGE PROCESSING》.2014, * |
朱承志.太赫兹成像系统数据传控单元设计及图像分割算法研究.《中国优秀硕士学位论文全文数据库》.2020, * |
Also Published As
Publication number | Publication date |
---|---|
CN112150494A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Engin et al. | Cycle-dehaze: Enhanced cyclegan for single image dehazing | |
US20070253040A1 (en) | Color scanning to enhance bitonal image | |
US6608942B1 (en) | Method for smoothing jagged edges in digital images | |
US8417033B2 (en) | Gradient based background segmentation and enhancement of images | |
CN116188462B (zh) | 一种基于视觉鉴定的贵金属质量检测方法及系统 | |
CN112150494B (zh) | 一种太赫兹人体安检图像显示增强方法及系统 | |
US11238301B2 (en) | Computer-implemented method of detecting foreign object on background object in an image, apparatus for detecting foreign object on background object in an image, and computer-program product | |
Huang et al. | Binarization of degraded document images with global-local U-Nets | |
CN110766020A (zh) | 一种面向多语种自然场景文本检测与识别的系统及方法 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN111667498B (zh) | 一种面向光学卫星视频的运动舰船目标自动检测方法 | |
CN114519694B (zh) | 基于深度学习的七段数码管液晶显示屏识别方法及系统 | |
Liu et al. | Dual UNet low-light image enhancement network based on attention mechanism | |
Zhou et al. | An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal | |
CN117496532A (zh) | 基于0cr的智慧识别工具 | |
CN116309168A (zh) | 一种并行混合注意力渐进融合的低照度图像增强方法及系统 | |
CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 | |
Ramadhan et al. | Text detection in natural image by connected component labeling | |
CN116228706A (zh) | 基于深度学习的细胞自噬免疫荧光图像分析系统和方法 | |
Nomura et al. | A new method for degraded color image binarization based on adaptive lightning on grayscale versions | |
PL | A study on various image processing techniques | |
Yang et al. | A novel binarization approach for license plate | |
Yasmin et al. | A hierarchical stratagem for rice leaf disease distinction | |
CN118469888B (zh) | 一种温敏漆图像对比度增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |