本文涉及一种图像处理方法、装置、计算机设备及可读存储介质。所述方法包括:获取待处理图像，获取已训练的图像质量处理模型；所述图像质量处理模型包括特征处理网络和全局特征投影层；所述全局特征投影层是为所述特征处理网络共享的；将所述待处理图像输入所述图像质量处理模型，基于所述特征处理网络，提取所述待处理图像对应的待处理图像特征；基于所述全局特征投影层对所述待处理图像特征进行处理，得到特征相似性；基于所述特征处理网络，将所述待处理图像特征和所述特征相似性进行融合，得到融合图像特征；基于所述融合图像特征，确定所述待处理图像对应的目标图像。采用本方法能够提高图像质量。

 本技术公开了基于心血管图像的智能预警方法、装置、设备及介质，是先对待评估用户信息相应心血管图像集进行预处理、预设目标对象的分离及结构特征提取，得到目标对象分离结果集以及结构维度特征；对目标对象分离结果集进行光流计算、ROI动态跟踪及运动分解得到当前运动曲线输出结果；获取智能穿戴设备上传的用户体征数据；将结构维度特征、当前运动曲线输出结果及用户体征数据输入至分类模型，得到分类输出结果并生成智能预警提示信息。通过上述方法，能够结合心血管图像所提取的结构维度特征、运动曲线输出结果及用户体征数据组成多维度数据再输入至分类模型得到可靠性更高的分类输出结果，且快速生成智能预警提示信息且及时发送用户查看。

 本技术公开了一种泥页岩沉积构造定量判别的岩石薄片分析方法，通过扫描并拼接多幅岩石薄片照片，生成完整的扫描拼接图像，并获取对应的RGB图像后进行锐化处理，然后转化为灰度图像，并进行高斯模糊化处理，再进行二值化处理得到二值化图像，对二值化图像进行形态学重建操作得到重建图像，识别重建图像中岩石颗粒的封闭边界或轮廓，构建分析观察岩石矿物颗粒总数变化趋势图、岩石矿物颗粒总面积变化趋势图以及石矿物颗粒平均面积变化趋势图，根据三个趋势图进行沉积构造类型划分。该方法有效避免了人工统计的固有不确定性，显著提高泥页岩长英质沉积构造类型的精准判别。

 本技术属于计算机视觉与人工智能技术领域，公开了一种基于层次特征融合的组合式零样本图像分类方法。本发明方法针对组合式零样本图像分类的技术难点，创新性地提出了基于层次特征融合的解决方案。通过选取CLIP模型视觉编码器中不同深度的特征，并对其进行层次融合，有效提取多层次、多尺度的视觉信息，融合后的特征进一步用于视觉与语义的跨模态交互，显著提升了模型对复杂组合的理解能力。此外，本发明通过引入特定损失项，有效分离属性和对象特征，避免特征混叠问题。在组合式零样本图像分类任务中，本发明方法展现出优异的泛化能力和识别效果，能够显著提升模型对未知复杂组合图像的分类性能。

 本技术公开了一种激光雷达目标检测方法、系统、终端及存储介质，所述方法包括:获取目标点云数据，判断所述目标点云数据的总点数是否超过最大点数限制；当所述目标点云数据的总点数超过所述最大点数限制时，通过基于密度与深度动态权重融合的点云采样方法对所述目标点云数据进行加权采样，得到采样点云数据；对所述采样点云数据进行体柱化，得到体柱化点云数据，根据改进后的特征编码模块对所述体柱化点云数据进行处理，输出目标张量；根据所述目标张量生成伪图像，根据二维卷积神经网络对所述伪图像进行特征提取，并采用检测头对提取的特征进行检测和回归，得到检测结果。本发明提升了在物体识别和分割任务中的精度与鲁棒性。

 一种关于儿童膀胱输尿管反流深度学习预测系统，涉及图像处理领域，其包括:图像获取单元，用于获取患儿的二巯基丁二酸肾脏静态图像；图像处理单元，对图像进行感兴趣区域划分，并进行预处理；预测模型，经训练可通过获取图像处理单元处理后的肾脏图像并输出分类结果，所述预测模型包括：图像块特征嵌入模块；若干层特征提取模块，通过分层的窗口多头自注意力机制进行局部特征的捕捉，且每个基本层之间插入图像块合并层，对特征图进行下采样；特征融合层，将各层的捕捉的特征融合并输出分类结果。本技术能够有效地捕捉医学影像中的局部和全局特征，实现了医学影像数据的有效利用，提升了辅助诊断的效果。

 本技术涉及计算机视觉技术领域，提供了一种基于条件多模态提示的机器人精细化目标定位方法及装置，该方法包括:对图像和文本分别进行多次交叉编码，得到目标视觉特征和目标语言特征；在每次交叉编码中，根据第i个视觉特征确定第一提示引导，结合第i个视觉特征得到第i+1个语言特征；根据第i个语言特征确定第二提示引导，并得到第i+1个视觉特征；将映射后的视觉特征和映射后的语言特征进行交叉注意力计算，得到新的视觉特征和新的语言特征，以供机器人调节运动姿态。本发明所述方法结合了早期和晚期融合的优势，能够根据自由形式的语言表达实现机器人的精确细粒度目标定位，提高了机器人精细化目标定位效率和准确率。

 本技术公开了基于高斯泼溅与深度学习的三维场景重着色优化方法，包括如下步骤:S1、构建给定场景的多视角数据集，生成初始点云；S2、基于所述初始点云，从所有输入像素中提取具有代表性的颜色集合，生成调色板并作为初始设置；S3、利用所述调色板和高斯泼溅算法渲染多视角结果图片，计算损失函数，通过反向传播优化参数，生成优化后的高斯辐射场；S4、基于优化后的高斯辐射场和用户修改的调色板颜色，重新渲染场景并生成重着色结果。本发明结合高斯泼溅算法与深度学习技术，实现三维场景高效重着色优化，具备编辑直观、光照表达精准及渲染真实的优点。

 本技术公开了基于2+1校正模式的多扰动一致性医学图像分割方法，包括以下步骤:S1、构建图像分割模型；S2、得到两个不同增强的图像；S3、将不同增强的图像输入到图像分割模型中，得到6个分割结果；S4、将6个分割结果分别输入到学生差异指导纠正学习模块中，得到差异损失和错误损失；S5、将学生网络的分割结果输入到自适应双向位移模块中，得到4个新样本；S6、再将4个新样本分别输入到不同的学生网络中，进行dice损失计算；S7、将所有损失求和得到总损失；S8、利用总损失的随机梯度下降训练出能正确分割医学图像的学生模型A。本发明能解决利用单个扰动只能处理有限的情况的问题，可以达到在使用多个扰动下依然能保证一致性学习的质量。

 本技术涉及一种结合CNN曼巴的对比预训练云检测方法，所述方法包括以下步骤:构建与处理遥感影像云检测数据集、构建CNN曼巴云检测网络、CNN曼巴云检测网络的云雪像素对比预训练、微调CNN曼巴云检测网络、对CNN曼巴云检测网络进行测试。与现有技术相比，CNN方法能提取图像的局部特征，曼巴方法能提取图像的全局特征，结合CNN和曼巴方法既可以留意图像中云的边缘细节，又能从整幅图像上看到云的区域，提高云检测的精度。同时利用云雪数据对网络进行预训练，让网络区分云和雪之间的差异，在后续微调阶段不会把雪错分成云，实现更精准的云检测任务。