本技术公开了基于持续自适应知识空间的图像分类方法，属于计算机视觉和图像分类领域，方法包括:根据已知类别的质心和质心的半径构建已知样本的知识空间，将已知样本的知识空间更新至自适应知识空间；在自适应知识空间中，计算当前图像分类任务中每个已知类别的质心到未更新前的知识空间中所有超球的第二距离；根据第二距离判断超球的质心是否落在伪标签超球中，若是，将超球的伪标签转化为真实标签。自适应知识空间能够持续地包含所有已知样本的类别信息，通过计算已知类别质心与超球的距离评估伪标签的准确性，从而将高置信度的伪标签转化为真实标签，极大地提高了未知图像的识别准确性和已知图像的分类准确性。

 本技术涉及图像处理技术领域，提出了一种基于动态自适应和强化特征的多目标跟踪分割方法及系统，方法包括前处理步骤、外观代价计算步骤、预匹配步骤、运动代价计算步骤、正式匹配步骤、后处理步骤、重复步骤和可视化步骤。该方法通过具有动态自适应的数据关联对目标特征进行细化整合，以及利用基于掩码的注意力机制和基于四三角形变的掩码预测分别强化目标外观特征和运动信息，以能够在保持高跟踪精度的同时，实现快速运算和低成本运行，适用于更广泛的应用场景。

 本文涉及显微镜成像处理技术领域，具体涉及一种双光子显微镜及相关显微成像方法，该方法包括:获取双子显微镜在各焦距下拍摄的断层图像；根据断层图像的局部灰度变化得到断层图像中各像素点的平面频率；根据所有断层图像中相同行、相同列的像素点组成的图像的局部灰度变化，得到相邻断层图像中对应像素点之间的高频插值权重；根据相邻两张断层图像中所有边缘像素点空间分布特征和高频插值权重，得到插值调控权重对各像素点的灰度值进行加权，得到相邻两张断层图像之间的插值图像；根据所有断层图像及插值图像得到双子显微镜的显微成像结果。本申请可提高双光子显微镜的成像质量。

 本技术公开一种基于时空谱特征协同的地物分类方法、系统及装置，方法包括:获取时序遥感图像集，通过图注意力模型对时序遥感图像集进行处理，得到关键时谱特征；将时序遥感图像集和关键时谱特征通过空间注意力模型进行处理，得到空间特征；将关键时谱特征和空间特征通过特征变换网络进行转换得到时空谱三维特征；构建地物分类预训练模型，基于时空谱三维特征对地物分类预训练模型进行训练，得到地物分类模型；基于地物分类模型对待测目标时序遥感图像进行推理，得到地物分类结果。本发明实现了基于时空谱多维特征的高精度分类，地物分类模型不仅能够在有限的数据集上实现高精度分类，还具有较强的泛化能力，能够适用于不同场景下的地物分类任务。

本技术实施例提供一种光学成像装置，其包括一第一检测单元。上述第一检测单元包括多个第一像素、一第一不透明层与至少一个第一微透镜。上述多个第一像素具有多个第一光电元件。上述第一不透明层具有至少一个开口，且设置在上述多个第一光电元件的上方。上述至少一个第一微透镜设置在该第一不透明层的上方。上述至少一个第一微透镜重叠于上述多个第一像素中的至少一个。本发明实施例的光学成像装置，可以缩小设置有此光学成像装置的芯片的尺寸。

本技术公开了一种图像显示增强方法、装置、电子设备和存储介质，涉及物联网技术领域。方法包括:获取待显示的目标图像，并确定目标图像的目标主题颜色；根据目标主题颜色，确定目标图像对应的最优图像滤镜；将最优图像滤镜应用到目标图像中，得到滤镜效果图像；对滤镜效果图像进行抖动处理，并将抖动处理后的滤镜效果图像发送到低色深显示设备中进行显示。本发明方案通过识别待显示目标图像的主题颜色，并根据主题颜色选择目标图像对应的最优图像滤镜，利用最优图像滤镜对目标图像进行色彩增强，如此在将经过色彩增强的目标图像发送到低色深显示设备中进行显示时，可以避免出现图像失真的问题。

 本技术公开了一种基于光谱成像的浮游植物体积检测方法，包括:选择多个球形浮游植物，通过显微高光谱成像仪采集球形浮游植物的透射率光谱图像和光谱图像伪彩图；正圆标记目标范围，根据其半径计算目标范围内每个像素点的厚度，每个像素点的厚度为过该点，且与该点和目标范围圆心连线垂直的弦的长度；构建训练数据集并训练基于随机森林算法构建的预测模型；获取待测体积的浮游植物的透射率光谱图像，将其输入训练好的预测模型中，得到每个像素点的厚度预测结果；根据图像分辨率与图像的实际大小确定单个像素点的实际面积，结合厚度预测结果得到待测体积的浮游植物的体积。本发明能应用于不同形状的浮游植物，适用范围更广。

 本技术涉及图像分类技术领域，尤其涉及基于蒸馏元学习的罕见眼底病OCT图像分类方法及系统。基于残差模块、全连接层分别搭建用于视网膜OCT图像分类的教师网络和学生网络；构建常见眼底病训练集，对教师网络进行元训练；随机构造常见病小样本训练任务，基于蒸馏元学习训练策略，对教师网络和学生网络进行联合训练，引入注意引导蒸馏模块，并采用温度系数自适应方法，训练学生在注意力值较高的像素和通道中自适应地学习教师的特征；构建罕见眼底病训练集，对学生网络进行微调，得到适用于罕见病的小样本分类网络模型；将OCT图像输入到罕见病小样本分类网络模型中，得到病变类型的分类结果。

 本文涉及医疗数据处理技术领域，其具体地公开了一种基于人工智能的智慧医疗数据处理系统及方法，其采用基于深度学习的图像处理技术对慢性病患者复查的CT扫描影像进行多层次特征提取，挖掘出CT扫描影像中支气管扩张区域的纹理特征和结构特征，并通过对支气管扩张状态的纹理特征和结构特征进行基于核心关联特征的细粒度语义交互融合，以实现对支气管扩张状态的全面理解，进而智能识别出支气管扩张的支扩类型。这样，可以有效提高支气管扩张类型的识别精度，从而为医生提供更为准确的诊断依据。

 本技术公开了一种基于稠密语义相似度的图像部件分割方法及系统，包括以下步骤:收集图像数据，将收集的图像数据作为基础图像数据集的数据；使用目标框选定目标图像中的物体；分别提取目标图像以及基础图像数据集的图像特征，得到图像的全局特征与描述子；计算每个目标图像全局特征与所有基础图像全局特征的稠密语义特征相似度，获得最相似基础图像；计算目标图像描述子与最相似基础图像的基础图像描述子稠密语义特征相似度，获取基础图像物体与目标物体之间部件的相似度，并根据相似度分割目标物体的部件。本发明对未见过的物体进行部件分割，提高物体部件语义分割的效果，降低对数据集的需求，有广泛的应用价值用。