注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于Matlab的多图像超分辨率重建算法

  2. 多图像超分辨率的实现主要就是将具有相似而又不同却又互相补充信息的配准影像融到一起，得到非均匀采样的较高分辨率数据，复原需要亚像素精度的运动矢量场，然而它们之间的运动模型估计精确与否直接影响到重建的效果，因此影像配准和运动模型的估计精度是高分辨率图像重建的关键。由于实际中不同时刻获得的影像数据间存在较大的变形、缩放、旋转和平移，因此必须对其进行配准，在此基础上进行运动模型估计。然后通过频率域或空间域的重建处理，生成均匀采样的超分辨率数据

  3. 所属分类：其它

    • 发布日期：2011-10-23
    • 文件大小：142336
    • 提供者：jyong2012

  1. 超像素生成

  2. SLIC超像素生成方法，可以运行，matlab和c

  3. 所属分类：软件测试

    • 发布日期：2017-02-20
    • 文件大小：4194304
    • 提供者：qq_22910165

  1. SLICSuperpixels 超像素分割图 C++代码

  2. 生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达。这样基于像素的方法可以比较容易的改造为基于超像素的方法。不仅可以分割彩色图，也可以兼容分割灰度图。需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量。 相比其他的超像素分割方法，SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。

  3. 所属分类：图像处理

    • 发布日期：2018-05-15
    • 文件大小：791552
    • 提供者：mrhsuan

  1. 使用线性光谱聚类的超像素分割

  2. 线性光谱聚类（LSC）的超像素分割算法，该算法可以生成具有低计算成本的紧凑且均匀的超像素。基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。LSC具有线性计

  3. 所属分类：其它

    • 发布日期：2019-03-20
    • 文件大小：9437184
    • 提供者：weixin_44206902

  1. 基于SLIC的超像素图像分割

  2. 超像素图像分割是对图像进行分析和理解的关键步骤，在图像处理领域具有重要的研究和应用价值。本题目需要实现一种基于SLIC超像素图像分割的算法。首先利用SLIC对图像进行超像素分割处理，把原图像分割成大小相似、形状规则的超像素，以超像素中心点的五维特征值作为原始数据点进行聚类，确定多体素数目和分割边界。SLIC具有以下优势：1）生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达；2）不仅可以分割彩色图，也可以兼容分割灰度图；3）需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量

  3. 所属分类：图像处理

    • 发布日期：2019-04-04
    • 文件大小：5242880
    • 提供者：qq_42946108

  1. SLIC超像素分割 matlab版本的代码

  2. SLIC的matlab代码，可以更改自己的图片位置，生成结果，可以直接运行使用

  3. 所属分类：专业指导

    • 发布日期：2019-05-05
    • 文件大小：2048
    • 提供者：bfshm

  1. 基于超像素和条件随机场的图像语义分割算法研究_傅一.caj

  2. 论文仅供学学习参考使用。 本文提出将图像的边缘信息融合到语义分割结果中，以改善因缺乏低级图像信息而对物体边缘分割不准确的问题。为了进一步提升分割效果，本文提出使用全连接条件随机场进一步优化对图像边缘的分割准确率。为了获取图像的边缘信息，本文首先对图像进行超像素分割，然后利用前期生成的粗糙分割结果对图像进行超像素级别的语义信息标注，从而实现初步优化，然后将优化后的分割结果进行条件随机场建模并进行进一步优化，最终实现两级优化后的语义分割。

  3. 所属分类：深度学习

    • 发布日期：2020-09-03
    • 文件大小：5242880
    • 提供者：olivia_ye

  1. slco超像素分割程序

  2. 在Windows系统下，通过设置生成像素数目和参数M，可以对输入影像进行超像素分割，生成超像素分割的jpg影像

  3. 所属分类：互联网

    • 发布日期：2020-10-22
    • 文件大小：866304
    • 提供者：weixin_43968545

  1. 基于3D空间中的二次误差度量的自动超像素生成算法

  2. 基于3D空间中的二次误差度量的自动超像素生成算法

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：2097152
    • 提供者：weixin_38595473

  1. 高斯模糊估计的盲视频超分辨率重建

  2. 为了提高视频的空间分辨率，利用低分辨率帧之间的亚像素运动信息和成像系统的模糊功能，提出了一种盲视频超分辨率重建方法。首先，通过泰勒级数展开和最小二乘求解方法，估计了滑动窗口中相邻帧之间从粗到细的运动参数。其次，根据通过维纳滤波器图像复原方法生成的误差参数曲线，估计滑动窗口中参考帧的点扩展函数（PSF）的参数。最后，通过迭代反投影（IBP）算法重建超分辨率帧。实验分别在模拟的低分辨率图像，标准测试视频和实际视频上进行。结果证明了我们方法的有效性，并表明了高斯模糊估计在视频超分辨率重建中的重要性。

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：785408
    • 提供者：weixin_38739837

  1. 基于超混沌系统和置换扩散结构的彩色图像加密新算法

  2. 近年来，学者研究并提出了一些安全的彩色图像加密算法。 但是，大多数已发布的算法分别对红色，绿色和蓝色（简称为R，G，B）组件进行加密。 本文提出了一种基于超混沌系统和置换扩散结构的彩色图像加密方案。 加密算法利用块排列，该块排列通过混合R，G，B分量来实现，以增强每个分量的依赖性。 此外，它可以减少时间消耗。 然后，利用超混沌系统生成的密钥流来扩散像素，这三个分量再次相互影响。 而且在扩散过程中，即使我们更改了最后一个像素，我们也可以获得两个完全不同的加密图像，这是因为G分量以相反的顺序扩散。

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：2097152
    • 提供者：weixin_38553466

  1. SuPix:使用超像素修复的活检图像自我监督表示学习模型-源码

  2. SuPix 使用超像素修复技术对人十二指肠活检图像进行自我监督的表示学习模型。 在这种方法中，我们针对目标修补和弹性变形设计了一种新颖的复合借口任务。 最初在少量标记数据上训练了完全受监督的模型。 该模型用于生成未标记活检图像中重要解剖区域的伪标记。 如本文所述，其中一些区域被随机遮罩，并且使用弹性变形使整个图像变形 训练一个编码器/解码器对，以使用SSIM损失重建蒙版的变形图像。 因此，该模型学习了不同重要组织（例如上皮细胞，隐窝和绒毛）的形状和H＆E色斑分布的表示形式。 然后，在一个小的标

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：5242880
    • 提供者：weixin_42131405

  1. 基于超像素的图像语义区域引导的色彩迁移

  2. 针对图像色彩处理技术，提出基于超像素的图像色彩迁移方法，算法以图像语义区域引导，以 lab 色彩空.间映射。首先，采用 K-means 和 SLIC 算法对输入图像进行分割; 其次，对每一子区域块进行区域协方差处理，获.得其二阶语义特征并生成超像素；利用相似度测量函数构造相似矩阵，对区域块聚类可生成图像超像素；最后再对.图像内语义信息相似的像素基于 lab 空间映射，完成色彩迁移。结果显示，算法具有处理复杂图像能力较高及颜色.迁移效果准确的优点。

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：1048576
    • 提供者：weixin_38605133

  1. 基于快速超像素的子空间低秩学习的高光谱降噪方法

  2. 诸如视频帧和事件数据之类的顺序数据已在现实世界中得到广泛应用。 作为一种特殊的序列数据，高光谱图像（HSI）可以看作是光谱维度上的二维图像序列，可以有效地用于根据光谱序列区分不同的土地覆盖物。 本文提出了一种基于超像素子空间低秩表示的高光谱图像降噪方法。 首先，在线性混合模型的框架下，假定原始高光谱立方体在光谱域中处于低秩，这可以通过将HSI数据分解为两个较低秩的子矩阵来表示。 同时，由于相邻像素的高度相关性，每个邻域内的光谱也将促进低秩，并且可以通过在分解子空间中的基于超像素的区域内执行核规范

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：3145728
    • 提供者：weixin_38648800

  1. 解码：这是DECODE实现的原始仓库（由github.comTuragaLabDECODE镜像）-源码

  2. 解码 DECODE是用于单分子定位显微镜（SMLM）的基于Python和的深度学习工具。 它在各种成像模式和条件下具有很高的精度。 在公开的软件基准测试比赛中，在比较检测精度和定位误差时，它在12个数据集中的12个数据集上的所有其他，通常会有很大的差距。 DECODE可使活细胞SMLM数据在3秒钟内减少曝光，并以超高标记密度对微管成像。 DECODE通过训练DEep COntext Dependent（DECODE）神经网络来工作，以亚像素分辨率检测和定位发射器。 值得注意的是，DECODE

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：324608
    • 提供者：weixin_42101056

  1. awesome-cryptopunks-bubble：令人敬畏的CryptoPunks泡沫（Anno 2021）-自2017年以来在区块链上使用现代24x24像素加密艺术-通过算法生成的10000个独特的收藏角色++奖金：在CryptoPu

  2. 寻找猫？ 见 总有一天，拥有一个CryptoPunk可能标志着您进入区块链及其蓬勃发展的数字艺术世界的早期采用者。 或者，它们可能只是一堆[24×24像素]图像。 - 年 将会有一种需求，并且需要在数字领域中购买昂贵的“状态符号”，以“灵活显示”我有多愚蠢。 还有什么比一个小的[24×24]像素化[戴着帽子的针织猿人]小脸更合乎需要？ CryptoPunk图稿[ ]的售价为$ 176,000。 - 年 超稀有的外星人[24×24像素] CryptoPunk售价为605 ETH，折合$ 7

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：2097152
    • 提供者：weixin_42114580

  1. 基于去卷积的快速图像超分辨率方法

  2. 针对目前基于样例学习的图像超分辨率方法难以同时满足快速运算和生成高质量图像的问题, 提出一种基于去卷积的快速图像超分辨率方法。设计新型网络模型, 以低分辨率图像作为输入图像, 利用卷积层进行特征提取与表示; 利用去卷积层对图像特征放大膨胀, 再以池化层浓缩特征图, 提炼出对结果更敏感的特征; 以亚像素卷积层实现特征映射与图像融合, 获得高分辨率图像。在图像集上进行测试, 相比其他方法, 本文方法的测试结果具有较高的峰值信噪比, 且平均每秒能处理24幅以上大小为320 pixel×240 pixe

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：10485760
    • 提供者：weixin_38695452

  1. MAX图像分辨率增强器：将图像放大4倍，同时生成逼真的细节-源码

  2. IBM开发人员模型资产交换：图像分辨率增强器 该存储库包含用于实例化和部署图像分辨率增强器的代码。 该模型能够将像素化图像放大4倍，同时生成逼真的细节。 GAN基于和。 该模型在数据集的600,000张图像上进行了，模型文件托管在。 该存储库中的代码将模型作为Web服务部署在Docker容器中。 该存储库是作为一部分的，公共API由。 模型元数据 域 应用 行业 构架 训练数据 输入数据格式 视力 超分辨率 一般 TensorFlow 图像（RGB / HWC） 基准测试 第5集 作者的S

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：17825792
    • 提供者：weixin_42165712

  1. 生成艺术：越来越多的生成艺术项目集合-源码

  2. 生成艺术 抽象 此仓库是Generative Art脚本的集合。 单纯噪声（） 可提供多达4个维度的随机但平滑的杂点。 通过遍历4D超圆，我们可以创建完美的循环随机性而没有方向性伪像（出现停止和反转的现象）。 优化版本通过使用jit编译来提供高分辨率采样。 圆盘包装（） 为了密集包装圆，此算法存储点网格。 在每个点处都存储了到另一个圆的最小距离。 绘制圆时，在比当前圆更接近当前圆的每个点上更新画布网格。 经过一些随机的种子迭代之后，其他圆被添加到具有最大分配半径的画布网格中存储的最大距离

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：16777216
    • 提供者：weixin_42099858

  1. 生物启发的轮廓检测框架，使用基于超像素的候选对象和分层视觉提示

  2. 轮廓检测已被广泛研究作为计算机视觉中的基本问题。 在这项研究中，提出了一种生物学启发的候选加权框架，用于检测有意义轮廓的艰巨任务。 与从像素检测轮廓的先前模型相比，提出了一种改进的超像素生成处理，以生成轮廓候选集，然后通过提取分层视觉提示对候选进行加权。 我们基于格式塔原理对轮廓分组约束进行加权，提取低级视觉局部线索以权衡轮廓的内在属性和中级视觉线索。 在BSDS基准上测试的实验结果表明，所提出的框架表现出令人鼓舞的性能，可以捕获复杂场景中有意义的轮廓。

  3. 所属分类：其它

    • 发布日期：2021-03-28
    • 文件大小：2097152
    • 提供者：weixin_38576561
« 12 3 »