-
公开(公告)号：CN107290731B
公开(公告)日：2019-12-10
申请号：CN201710476610.2
申请日：2017-06-21
Applicant: 哈尔滨工业大学
IPC: G01S7/41
Abstract: 一种基于图像域模板匹配的雷达航迹起始方法，本发明涉及图像处理和目标数据处理领域。本发明的目的是为了解决现有的模板匹配法在强杂波的背景下存在算法计算量大，处理时间长，无法满足航迹起始对于实时性的要求的问题，以及航迹起始处理结果虚警率高，正确率低的问题。过程为：一：得到带有圈数标记的点迹数据；二：得到包含雷达的三圈点迹数据；三：得到雷达单层图像矩阵；四：得到多维图像矩阵；五：直至含有雷达的三圈点迹数据；六：进行匹配，如成功则保存结果，如失败则舍弃；判断是否框选完毕，如果没有则执行五；如果完毕，判断是否全部滑窗完成，如果没有则执行二；如果有，则结束。本发明用于雷达航迹起始领域。
-
公开(公告)号：CN119540765A
公开(公告)日：2025-02-28
申请号：CN202411647404.X
申请日：2024-11-18
Applicant: 哈尔滨工业大学
Abstract: 基于全局邻域信息增强差异图的SAR变化检测方法，涉及图像变化检测技术领域。本发明是为了解决现有SAR变化检测方法还存在检测效率和准确率低的问题。本发明包括：利用双时相SAR图像对生成初始差异图像，然后利用初始差异图像获取包含结构信息与差异特征的分割图；利用包含结构信息与差异特征的分割图获取SAR图像X的权重AXi,j和SAR图像Y的权重AYi,j，再利用SAR图像X的权重AXi,j和SAR图像Y的权重AYi,j更新SAR图像X和Y，获得SAR图像PGX和PGY；利用SAR图像PGX和PGY获取最终差异图；对最终差异图进行自动阈值分割，获得SAR图像变化区域。本发明用于检测SAR图像变化区域。
-
公开(公告)号：CN113176573A
公开(公告)日：2021-07-27
申请号：CN202110463376.6
申请日：2021-04-23
Applicant: 哈尔滨工业大学
Abstract: 复数域结构化SAR舰船目标动态仿真与速度估计方法，属于SAR图像处理领域。本发明是为了解决在做SAR舰船目标仿真时缺乏大量仿真样本，且现有的SAR舰船目标仿真方法无法获取精确的舰船目标SAR图像，导致无法获取准确的舰船目标的问题。本发明方法包括：获取舰船3D模型，对舰船3D模型进行预处理，将预处理后的舰船3D模型划分为多个三角面元；根据设定的雷达参数进行射线追踪，得到舰船目标散射点空间坐标；进行舰船目标成像；将训练样本输入AlexNet网络得到训练好的AlexNet预训练模型，将待测样本输入训练好的AlexNet预训练模型，计算得到AlexNet网络复数域速度估计结果。本发明用于SAR舰船目标动态仿真与速度估计。
-
公开(公告)号：CN112784757A
公开(公告)日：2021-05-11
申请号：CN202110098588.9
申请日：2021-01-25
Applicant: 哈尔滨工业大学
Abstract: 海上SAR舰船目标显著性检测与识别方法，属于图像处理领域。本发明为了解决针对弱目标检测性能较差、图像显著性提取适应性低的问题。本发明方法包括：将高斯滤波后的单通道SAR灰度图像扩充为三通道灰度图像，进行Lab颜色空间转换，计算像素点在不同尺度下的显著性，生成多尺度显著性子图，将各显著性子图融合后形成最终的显著图；对显著图做两次阈值分割，得到分割结果；对显著图中疑似目标区域的像素点进行聚类，输出疑似目标区域对应的外接矩形信息；提取哈尔特征，将哈尔特征输入至级联分类器中进行训练，得到舰船目标识别模型；将哈尔特征输入值级联分类器中进行二分类，得到舰船目标。本发明用于SAR舰船目标显著性检测与识别。
-
公开(公告)号：CN114114263B
公开(公告)日：2024-07-02
申请号：CN202111417490.1
申请日：2021-11-25
Applicant: 哈尔滨工业大学
IPC: G01S13/90
Abstract: 基于CV‑ConvLSTM的SAR三维转动目标转速估计方法，涉及图像处理技术领域，针对现有技术中运用时频分析成像处理的方法消除模糊存在准确率低的问题，本申请提出了一种CV‑ConvLSTM，CV‑ConvLSTM将包括卷积层、激活函数、输入门、遗忘门、输出门在内的整个网络扩展到复杂域中，并在此基础上，推导出一种用于CV‑ConvLSTM训练的复数域随时间反向传播算法CV‑BPTT。本申请基于CV‑ConvLSTM设计了TSF‑Net架构，进行SAR三维转动目标转速估计，将SAR转速估计任务转换为一个图像回归问题，来实现目标转速估计，估计精度显着提高。本申请利用SAR成像原理、复数域深度学习技术，更好的满足复杂SAR转速估计需求，对视角变化、仿射变换、噪声保持一定程度的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN114114261B
公开(公告)日：2024-07-02
申请号：CN202111417460.0
申请日：2021-11-25
Applicant: 哈尔滨工业大学
Abstract: 基于C2C的自监督SAR海杂波抑制方法、系统、存储介质及设备，属于雷达图像处理技术领域。为了解决现实中缺乏无杂波的真实数据，从而导致不能有效地利用现有的深度学习技术对SAR杂波进行抑制的问题。本发明首先对待抑制的宽幅场景SAR进行裁剪，形成测试切片集；在用于CV‑UNet++训练的杂波切片集中随机选取N个杂波切片，并按照C2C策略将测试切片S与N个杂波切片相减得到#imgabs0#并输入到CV‑UNet++中，得到N个杂波抑制后的切片Ti，取#imgabs1#为测试切片S的最终杂波抑制效果图。主要用于SAR海杂波的抑制。
-
公开(公告)号：CN114114190B
公开(公告)日：2024-07-02
申请号：CN202111417489.9
申请日：2021-11-25
Applicant: 哈尔滨工业大学
IPC: G01S7/41 , G01S13/90 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/06 , G06N3/084 , G06N3/045
Abstract: 基于Mix‑CV‑CNN网络的三维转动舰船目标识别方法，涉及目标识别领域。本发明是为了解决目前舰船识别方法在针对运动状态的舰船进行目标识别时会出现模糊、散焦的现象进而造成的舰船目标识别准确率低的问题。本发明具体过程为：获取待识别的SAR三维转动舰船目标图像，将待识别的SAR三维转动舰船目标图像输入到训练好的Mix‑CV‑CNN模型中获取SAR三维转动舰船目标的类别。Mix‑CV‑CNN模型采用Mix‑CV‑CNN前向传播和Mix‑CV‑CNN反向传播方法训练，Mix‑CV‑CNN前向传播为将训练集中的图像输入到构建的Mix‑CV‑CNN模型中输出舰船目标的类别；Mix‑CV‑CNN反向传播为利用前向传播获得的全连接层输出向量获取Mix‑CV‑CNN模型中每一层的误差项，并利用误差项更新卷积层和全连接层的权值获得训练好的Mix‑CV‑CNN模型。本发明用于动态舰船目标的识别。
-
公开(公告)号：CN114758228A
公开(公告)日：2022-07-15
申请号：CN202210308171.5
申请日：2022-03-26
Applicant: 哈尔滨航天恒星数据系统科技有限公司 , 哈尔滨工业大学
Abstract: 本发明涉及SAR图像处理技术领域，更具体的说是一种基于GTAF的SAR多极化宽幅遥感影像的识别方法，所述方法，包括以下步骤：S1、对SAR图像进行尺寸为W×H＝13×13进行滑窗裁剪，构造SAR三维转动舰船目标训练集与测试集；S2、高斯型激活函数(GTAF)，包括一个普通实数域激活函数和一个高斯函数，用于联合激活神经元的实部和虚部；通过GTAF的前向传播与反向传播算法，利用所述训练集训练CV‑CNN，通过CV‑CNN自学习并提取样本的深层本质特征，训练完全部训练数据即可得到基于SAR多极化宽幅遥感影像识别模型；S3、将所述测试集输入到所述模型中，通过全连接层与输出层，更好的实现对SAR地物的识别。
-
公开(公告)号：CN113176573B
公开(公告)日：2022-06-17
申请号：CN202110463376.6
申请日：2021-04-23
Applicant: 哈尔滨工业大学
Abstract: 复数域结构化SAR舰船目标动态仿真与速度估计方法，属于SAR图像处理领域。本发明是为了解决在做SAR舰船目标仿真时缺乏大量仿真样本，且现有的SAR舰船目标仿真方法无法获取精确的舰船目标SAR图像，导致无法获取准确的舰船目标的问题。本发明方法包括：获取舰船3D模型，对舰船3D模型进行预处理，将预处理后的舰船3D模型划分为多个三角面元；根据设定的雷达参数进行射线追踪，得到舰船目标散射点空间坐标；进行舰船目标成像；将训练样本输入AlexNet网络得到训练好的AlexNet预训练模型，将待测样本输入训练好的AlexNet预训练模型，计算得到AlexNet网络复数域速度估计结果。本发明用于SAR舰船目标动态仿真与速度估计。
-
公开(公告)号：CN114114262A
公开(公告)日：2022-03-01
申请号：CN202111417477.6
申请日：2021-11-25
Applicant: 哈尔滨工业大学
Abstract: 基于CV‑ConvGRU的SAR三维转动目标重聚焦方法，涉及图像处理技术领域，针对现有技术中由于海浪、风、自身航行等因素的影响导致SAR成像模糊的问题，本申请提出了一种CV‑ConvGRU，CV‑ConvGRU将包括卷积层、激活函数、更新门、重置门在内的整个网络扩展到复杂域中，并在此基础上，推导出一种用于CV‑ConvGRU训练的反向传播算法。本申请基于CV‑ConvGRU设计了CV‑SSRN架构，进行SAR三维转动目标重聚焦，将SAR重聚焦任务转换为一个图像回归问题，并加入编码器与解码器，来实现目标重新聚焦，聚焦精度显着提高，避免了SAR成像模糊的问题。本申请利用SAR成像原理、复数域深度学习技术，更好的满足复杂SAR重聚焦需求，对视角变化、仿射变换、噪声保持一定程度的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.038 seconds)
