-
公开(公告)号：CN107451606B
公开(公告)日：2020-08-11
申请号：CN201710568579.5
申请日：2017-07-13
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于局部聚类比例排序的高光谱波段选择方法,解决了高光谱波段选择算法中缺乏噪声鲁棒性、选择的波段相关性强的问题。具体步骤有：输入数据，预期选择的波段数以及参数；考虑到噪声的影响，计算更能反映真实波段信息的相似度矩阵；波段聚类；计算波段的局部与全局信息的比值作为等级，降序排序后将波段动态地加入最终解集。为每个波段分配一个最大可聚类距离，免将某些波段错误聚类；选择波段时，波段等级是局部和全局信息的比值，并且考虑到临近波段间的强相关性，避免选入含有冗余信息的波段。本发明计算的相似度矩阵具有一定鲁棒性，选出波段含有较少冗余信息，分类性能更好。应用在高光谱图像处理领域。
-
公开(公告)号：CN110516728A
公开(公告)日：2019-11-29
申请号：CN201910766705.7
申请日：2019-08-20
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于去噪卷积神经网络的极化SAR地物分类方法，实现步骤为：(1)生成每个像素点的特征向量；(2)生成训练样本集和测试样本集；(3)生成均值图；(4)构建去噪卷积神经网络；(5)训练去噪卷积神经网络；(6)将测试样本输入到训练好的去噪卷积神经网络中，得到分类结果。本发明采用基于去噪卷积神经网络的极化SAR地物分类方法对图像进行分类，减少了去噪过程对地物信息的损失，保留了更多的极化散射信息，最终提高了分类精度。
-
公开(公告)号：CN107563428B
公开(公告)日：2019-07-02
申请号：CN201710742716.2
申请日：2017-08-25
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于生成对抗网络的极化SAR图像分类方法，主要解决现有技术中极化SAR图像特征选取不合理导致分类精度不高的问题，充分利用无标签和有标签样本，无需设计复杂的代价函数。本发明的具体实现步骤如下：(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵；(2)滤波；(3)生成样本集；(4)选取样本；(5)构造生成对抗网络；(6)训练生成网络与对抗网络；(7)对样本集进行分类；(8)输出极化SAR图像样本集中所有样本的类别标签。本发明具有对极化SAR图像分类效果显著的优点，可进一步用于极化SAR图像目标检测和目标识别。
-
公开(公告)号：CN106355576B
公开(公告)日：2019-05-21
申请号：CN201610807942.X
申请日：2016-09-08
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于MRF图像分割算法的SAR图像配准方法，用于解决现有基于特征的SAR图像配准方法中存在的配准效率低及稳定性差的技术问题，实现步骤为：利用MRF图像分割算法对SAR图像参考图和待配准图分割；对分割后的参考图和待配准图进行区域截取；将截取后的分割参考图图像块和分割待配准图像块分别对应到SAR图像参考图和待配准图中；构建SAR图像参考图图像块的SAR‑Harris尺度空间和待配准图图像块的SAR‑Harris尺度空间；提取参考图图像块和待配准图像块的SARSIFT特征点，组成匹配点对集合；利用RANSAC算法去除误匹配点对；利用互信息方法，对匹配点对集合进行优化。
-
公开(公告)号：CN106203522B
公开(公告)日：2019-03-26
申请号：CN201610561415.5
申请日：2016-07-15
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于三维非局部均值滤波的高光谱图像分类方法，主要解决了现有技术不能有效的利用高光谱图像的邻域信息、无法将高光谱图像的空‑谱域特征进行有效结合的问题。其实现步骤：1)读入有标签的高光谱图像数据；2)设置邻域的大小；3)对输入的高光谱图像数据进行三维非局部均值滤波得到空‑谱域特征；4)对滤波后的特征进行归一化；5)利用归一化后的特征确定训练样本集和测试样本集；6)利用测试样本集及其对应的标签对SVM分类器进行训练；7)利用训练好的SVM分类器对测试样本集进行分类给出分类结果。本发明具有分类精度高、花费代价小以及简单易操作的优点，可用于对三维高光谱图像数据的地物分类。
-
Patent Agency Ranking
公开(公告)号：CN105574063B
公开(公告)日：2019-02-22
申请号：CN201510523762.4
申请日：2015-08-24
Applicant: 西安电子科技大学
IPC: G06F16/58
Abstract: 本发明公开了一种基于视觉显著性的图像检索方法，对提取出的显著性区域的窗口的量化赋范梯度进行二元编码，主要解决现有大规模图像检索时不单独区分图像中物体的问题。其检索步骤为：(1)采用二值化赋范梯度BING目标检测方法，训练线性支持向量机SVM：(2)获取自然图像库图像滑窗的视觉显著性估值；(3)获取自然图像库中图像的哈希编码：(4)获取待检索自然图像滑窗的视觉显著性估值：(5)获取用于检索的滑窗：(6)获取待检索自然图像的哈希编码：(7)哈希编码值预处理：(8)度量相似度：(9)输出检索结果图像。
-
公开(公告)号：CN105205449B
公开(公告)日：2019-01-29
申请号：CN201510523173.6
申请日：2015-08-24
Applicant: 西安电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了基于深度学习的手语识别方法。其步骤为：(1)划分数据库样本集；(2)采集图像块，(3)白化数据；(4)训练稀疏自编码网络；(5)获得卷积特征图；(6)获得池化特征图；(7)训练分类器；(8)测试分类结果。本发明用反向传导算法，训练稀疏自编码网络，使得本发明在处理复杂背景数据时提高了识别率，本发明选取稀疏自编码网络的权值作为卷积核，通过卷积，获得卷积特征图，将有监督学习和无监督学习结合起来，减少了手工标注标签的人力和物力，本发明采用最大池化方法，获得池化特征图，减小特征维度，减小了手语识别任务的复杂性。
-
公开(公告)号：CN104331864B
公开(公告)日：2018-11-23
申请号：CN201410559392.5
申请日：2014-10-21
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于非下采样的轮廓波变换和视觉显著模型的乳腺影像处理方法，主要针对乳腺肿块的特点识别可疑的区域。整个系统包括：影像增强模块和影像识别模块。影像增强模块对原始影像采用非下采样轮廓波进行增强；影像识别模块，针对增强后的图像提取特征值并且生成特征图；再对特征图进行处理得到总显著图，得到候选的可疑肿块；最后对提取显著图特征及增强后的影像特征，运用机器学习方法滤除其假阳性肿块，得到最终较为精确的可疑区域。
-
公开(公告)号：CN108537264A
公开(公告)日：2018-09-14
申请号：CN201810277816.7
申请日：2018-03-30
Applicant: 西安电子科技大学
Abstract: 本发明提供的基于深度学习的异源图像匹配方法，首先制作异源图像块数据集；图像预处理；获取图像块特征图；通过特征图得到特征向量；特征图的融合并归一化；训练图像匹配网络；预测匹配概率；本发明有效克服了现有技术中异源图像块匹配过拟合的问题，极大的提高了网络的性能，提升了网络的训练效率，增强了网络的鲁棒性。本发明可应用于异源图像配准、图像追踪、多视角重建等领域。
-
公开(公告)号：CN108171656A
公开(公告)日：2018-06-15
申请号：CN201810031187.X
申请日：2018-01-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于稀疏表示的自适应全局字典遥感图像超分辨方法，主要解决现有技术重建高分辨图像信息丢失大和边缘过平滑的问题。其实现方案为：对100幅高分辨图像分别提取其细节特征，得到高分辨细节特征图像；对细节特征图像进行分割，得到特征图像块集合Q；将图像集合分为K类并训练得到字典集D；根据输入的低分辨图像Y，通过高通滤波得到低分辨细节特征图像；选择与该低分辨细节特征图像最相似的图像集合所对应的子字典，计算最优的稀疏系数得到近似的高分辨图像X'；计算出低分辨细节特征图像的全局特征约束项权重W，并用X'和W得到最终高分辨图像。本发明重建高分辨边缘特征清晰，小目标的轮廓细节信息完整，可用于遥感图像目标检测和分类。
-
-
-
-
-
-
-
-
-
Search Results
1205
records
(took 0.044 seconds)
