公开(公告)号：CN118505509B

公开(公告)日：2024-10-18

申请号：CN202410947686.9

申请日：2024-07-16

Applicant: 湖南大学

Inventor： 杨彬 ,  刘耀庭 ,  程鑫伟

IPC: G06T3/4053 ,  G06N3/0464 ,  G06N3/08 ,  G06T5/50 ,  G06T7/13

Abstract: 一种基于动态边缘引导网络的高分辨率多光谱图像重建方法，包括：S1、构建数据集；S2、建立多光谱图像重建网络；S3、选择一组图像，将全色图像输入到边缘检测算子、动态边缘引导网络中，得到空间边缘信息；空间边缘信息经过上采样，得到第二梯度边缘图；S4、把第一多光谱图像和全色图像输入到融合网络中，并与空间边缘信息融合，得到第二多光谱图像，将第二多光谱图像输入到超分辨率网络中，并与空间边缘信息融合，得到第三多光谱图像；S5、训练多光谱图像重建网络；S6、将训练后的多光谱图像重建网络应用于图像重建。本发明可以生成更高分辨率的多光谱图像，同时可以自适应的利用图像边缘先验并且无需增加额外的计算负担。

公开(公告)号：CN118447395A

公开(公告)日：2024-08-06

申请号：CN202410511932.6

申请日：2024-04-26

Applicant: 湖南大学

Inventor： 杨彬 ,  程鑫伟 ,  毛银

IPC: G06V20/10 ,  G06V10/82 ,  G06V10/80 ,  G06V10/77 ,  G06V10/54 ,  G06V10/58 ,  G06V10/42 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/08

Abstract: 本发明公开了一种基于图卷积的小样本高光谱遥感图像变化检测方法，将图像输入双分支多尺度动态GCN子网络，通过聚合图节点，动态地提取不同尺度高光谱图像中的全局特征；将获得的双时相多尺度特征输入差分增强特征融合模块，通过融合光谱‑空间增强信息和差分信息来促进对于高光谱图像中细节信息和纹理信息的定位；将上一步得到的融合信息输入多尺度上下文信息注意力重建模块，增强多级差分特征的表达能力，以减小不同尺度特征之间的语义鸿沟；利用一个GCN网络作用于得到的重建特征，并通过Softmax函数获得最后的变化检测结果；即使面向少量的高光谱遥感图像标记样本时，也能发挥出强大的特征提取能力，提高了高光谱遥感图像变化检测精度。

公开(公告)号：CN118570643A

公开(公告)日：2024-08-30

申请号：CN202410723658.9

申请日：2024-06-05

Applicant: 湖南大学

Inventor： 杨彬 ,  程鑫伟 ,  李建龙

IPC: G06V20/10 ,  G06V10/26 ,  G06V10/82 ,  G06V10/40 ,  G06N3/042 ,  G06N3/0464

Abstract: 本发明公开了一种多时相高光谱遥感图像变化检测方法，具体包括：S1、将给定的双时相高光谱图像以及它们的差分图像沿光谱维度级联，得到级联图像；S2、将所述级联图像进行超像素分割，得到超像素分割结果；S3、以每个超像素中所有像素的平均值作为图节点构建图结构输入GCN和时相卷积，提取级联图像的超像素级特征，同时将级联图像输入CNN，提取级联图像的像素级特征；S4、从所述超像素级特征和像素级特征中动态筛选出变化区域的最有效通道特征，并将最有效通道特征选择结果输入Softmax函数得到变化检测结果。本发明能关注多时相高光谱图像中的时相信息，分别提取高光谱图像中的大尺度超像素级特征和细微的像素级特征，精准检测变化区域。

公开(公告)号：CN118505509A

公开(公告)日：2024-08-16

申请号：CN202410947686.9

申请日：2024-07-16

Applicant: 湖南大学

Inventor： 杨彬 ,  刘耀庭 ,  程鑫伟

IPC: G06T3/4053 ,  G06N3/0464 ,  G06N3/08 ,  G06T5/50 ,  G06T7/13

Abstract: 一种基于动态边缘引导网络的高分辨率多光谱图像重建方法，包括：S1、构建数据集；S2、建立多光谱图像重建网络；S3、选择一组图像，将全色图像输入到边缘检测算子、动态边缘引导网络中，得到空间边缘信息；空间边缘信息经过上采样，得到第二梯度边缘图；S4、把第一多光谱图像和全色图像输入到融合网络中，并与空间边缘信息融合，得到第二多光谱图像，将第二多光谱图像输入到超分辨率网络中，并与空间边缘信息融合，得到第三多光谱图像；S5、训练多光谱图像重建网络；S6、将训练后的多光谱图像重建网络应用于图像重建。本发明可以生成更高分辨率的多光谱图像，同时可以自适应的利用图像边缘先验并且无需增加额外的计算负担。

公开(公告)号：CN118135208A

公开(公告)日：2024-06-04

申请号：CN202311821718.2

申请日：2023-12-27

Applicant: 湖南大学

Inventor： 杨彬 ,  毛银 ,  程鑫伟 ,  王竹莲

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/80 ,  G06V10/44 ,  G06N3/088 ,  G06N3/0464 ,  G06V10/82 ,  G06V10/77

Abstract: 本发明公开了基于条纹表征与建模的无监督高光谱图像变化检测方法，将双时相高光谱图像输入至预设的双分支非训练卷积网络进行特征提取和波段选择，对经波段选择的深度差异图像实施多尺度前向‑后向分割，通过分割后获得的超像素建立DDV观测矩阵实现显著变化表征，对DDV观测矩阵进行条形变化建模并设置条形变化提取模型，采用ADMM算法对该模型优化求解，得到超像素级显著变化特征，从超像素级显著变化特征中恢复像素级显著变化特征并进行多尺度前向‑后向融合，对最终融合的显著变化特征聚类，得到双时相高光谱图像的二值变化图。该方法以条纹方式表征和建模变化，提升了非训练网络解决变化检测任务的能力，具有普适性。