申请/专利权人：南京航空航天大学;海华电子企业(中国)有限公司

申请日：2020-10-19

公开（公告）日：2024-04-05

公开（公告）号：CN113838083B

主分类号：G06T7/194

分类号：G06T7/194;G06T5/70;G06T5/50;G06T3/4038;G06V10/26;G06V10/25;G06V10/82;G06N3/0464;G06N3/08;G06T5/60

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.01.11#实质审查的生效;2021.12.24#公开

摘要：本发明公开了一种多尺度增强UNet被动式太赫兹图像固定背景扣除方法，其技术要点是：采集被动式太赫兹图像数据，并进行去噪处理，包括多尺度双边滤波；对去噪后的被动式太赫兹图像数据进行背景带标记并构建数据增强训练集；设计用于数据分割的UNet卷积神经网络模型，包括编码层和解码层；使用所述数据增强训练集的图像数据对所述UNet卷积神经网络模型进行训练，生成已训练UNet卷积神经网络模型；使用所述已训练UNet卷积神经网络模型对被动式太赫兹图像进行语义分割。通过UNet进行语义分割，可高效提升被动式太赫兹图像的对比度与清晰度，有效去除背景带划分感兴趣区域，更好地应用到后续的太赫兹图像目标识别。

主权项：1.一种多尺度增强UNet的被动式太赫兹图像固定背景扣除方法，其特征在于，包括以下步骤：S1:采集被动式太赫兹图像数据，对被动式太赫兹图像数据进行去噪处理，所述去噪处理包括多尺度双边滤波；S2:使用去噪后的所述被动式太赫兹图像数据，并进行背景带标记，构建数据增强训练集；S3：设计用于图像语义分割的UNet卷积神经网络模型，所述UNet卷积神经网络模型包括编码层和解码层；S4：使用所述数据增强训练集的图像数据对所述UNet卷积神经网络模型进行训练，生成已训练UNet卷积神经网络模型；S5：使用所述已训练UNet卷积神经网络模型对去噪后待测的被动式太赫兹图像数据进行语义分割、去除固定背景带；其中，S1中，所述多尺度双边滤波包括：对被动式太赫兹图像数据I进行双边滤波，输出经双边滤波的被动式太赫兹图像I′＝I·weight，其中weight为权重阵列，表示为其中Gs＝exp-Δd22·σs2，Gr＝exp-ΔI22·σr2，Δd为图像I的每个像素点与中心像素点[ic,jc]的欧式距离，即ΔI是每个像素与中心像素的强度差，即ΔI＝|Iic,jc-Ii,j|，σs和σr分别是空间域和值域的滤波平滑参数；选取σs和σr的不同组合Φ＝{[σs,1,σr,1],[σs,2,σr,2],…,[σs,m,σr,m]}，分别进行尺度为1,2,…,m的多尺度去噪，获得多尺度去噪集Itotal＝{I2，1,I2,2,…,I2,m}。

全文数据：

权利要求：

百度查询： 南京航空航天大学;海华电子企业(中国)有限公司 多尺度增强UNet被动式太赫兹图像固定背景扣除方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD