-
公开(公告)号：CN114820741B
公开(公告)日：2024-06-14
申请号：CN202210465567.0
申请日：2022-04-29
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种高光谱影像全波段超分重建方法，涉及遥感图像处理领域；通过分析获取的HS遥感图像和MS遥感图像的光谱范围，划分波段；定义光谱范围相同的波段为匹配波段，不同的波段为非匹配波段；对于波段匹配部分，采用小波变换方法进行融合处理，融合后的重建图像的纹理细节等方面更清晰；对于非匹配部分，利用匹配波段的重建结果与原始HS遥感图像之间像元值的前后变化为训练知识，构建BP神经网络。以非匹配波段HS遥感图像的像元作为网络的输入，结合HS遥感图像全波段归一化的信息熵以及像元的邻域空间关系对模拟结果进行优化，实现HS遥感图像全波段超分重建，重建后的HS遥感图像具有MS遥感图像的高空间分辨率，还保留了本身高光谱分辨率。
-
公开(公告)号：CN116206210A
公开(公告)日：2023-06-02
申请号：CN202211569653.2
申请日：2022-12-08
Applicant: 辽宁工程技术大学
IPC: G06V20/13 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/25 , G06V10/764 , G06N3/047 , G06N3/0464 , G06N3/048
Abstract: 本发明设计一种基于NAS‑Swin的遥感影像农业大棚提取方法，属于遥感影像领域；首先对获取到的卫星影像数据中的农业大棚地物的位置信息进行标记，将标记好的位置信息划分为训练集与测试集；将训练集输入至参数改进的Swin‑Transformer神经网络模块中进行训练，得到农业大棚遥感特征；将农业大棚遥感特征输入至NAS‑FPN网络中，针对Landsat影像中农业大棚建立针对性的特征金字塔，对遥感特征进行融合；并将遥感融合特征输入至基于Approx策略改进的RPN网络中，对农业大棚位置信息进行提取与标注；得到NAS‑Swin神经网络框架；最终得到农业大棚信息。本发明构建了一个更好的针对于遥感农业大棚提取的NAS—Swin神经网络框架，弥补了传统农业大棚提取方法难以提取大尺度影像数据的缺陷。
-
公开(公告)号：CN108182436B
公开(公告)日：2021-12-07
申请号：CN201711469672.7
申请日：2017-12-29
Applicant: 辽宁工程技术大学
Abstract: 本发明提供一种高分辨率遥感图像分割方法，涉及遥感图像处理技术领域。该方法对输入待分割彩色遥感图像，将其表达为最小生成树，即MST，利用MST静态划分技术将图像域划分成若干个同质子区域，在划分的图像域上，以同质子区域为基本决策单元，建立基于区域隐马尔可夫随机场的彩色高分辨率遥感图像分割模型，利用RHMRF‑FCM算法对该模型进行求解，得到最优分割结果，最后输出高分辨率遥感图像的分割结果。本发明结合MST划分和RHMRF‑FCM算法，在有效抑制几何噪声的同时能较好地表达地物目标不规则边界，在此基础上结合区域HMRF模型构建模糊目标函数，能有效克服地物目标光谱测度异质性高的问题，显著提高分割精度。
-
公开(公告)号：CN106156758B
公开(公告)日：2019-08-13
申请号：CN201610621676.1
申请日：2016-07-29
Applicant: 辽宁工程技术大学
Abstract: 一种SAR海岸图像中海岸线提取方法，属于图像处理领域；包括：获取SAR海岸图像；确定图像中初始海洋区域和初始陆地区域；计算初始海洋区域的几何中心；以初始海洋区域的几何中心为起点做射线；确定射线上的海岸边界点；将所有海岸边界点依次连接，得到海岸线；本发明利用G0分布对被测区域地表复杂程度敏感的特性，克服传统方法在进行海岸线提取时出现斑点噪声的问题；方法易于实现，运行速度快，且适用于大尺度图像。
-
公开(公告)号：CN106408571B
公开(公告)日：2018-11-02
申请号：CN201610833352.4
申请日：2016-09-20
Applicant: 辽宁工程技术大学
IPC: G06T7/10
Abstract: 本发明提供一种基于最优模糊因子选择的可变类遥感图像分割方法，包括：读取待分割的遥感图像；确定待分割遥感图像的最优同质区域类别数；通过反模糊化找到待分割遥感图像中每个像素光谱测度矢量的所属同质区域类别，得到待分割遥感图像的分割结果。本发明采用划分熵指数作为优选模糊因子的指标，当对待分割遥感图像的模糊因子小于最优模糊因子时，PE指数值较大；当模糊因子恰好等于最优模糊因子时，PE指数会跳变到一个较小的值，随着模糊因子的进一步增多，PE指数值逐渐趋于稳定；选择PE指数收敛时所对应的最小模糊因子为最优模糊因子，在最优模糊因子时对应的类别数为最优类别数，实现确定遥感图像中同质区域的类别数，获得较好的分割结果。
-
Patent Agency Ranking
公开(公告)号：CN107230209A
公开(公告)日：2017-10-03
申请号：CN201710383259.2
申请日：2017-05-26
Applicant: 辽宁工程技术大学
IPC: G06T7/10
Abstract: 本发明提供一种结合K‑S距离和RJMCMC算法的SAR图像分割方法，涉及图像处理技术领域。其实现步骤为：(1)输入待分割图像，并将其定义为图像域上的特征场的一个实现；(2)利用规则划分技术将输入的SAR图像域划分为多个规则子块；(3)在划分的图像域上，建立基于规则子块的SAR图像分割模型；(4)针对已建立的分割模型，设定迭代次数并设计合理的移动操作，利用RJMCMC算法，求解基于规则子块的SAR图像分割模型；(5)输出SAR图像的分割结果。本发明所分割的图像既提高了同质区域的区域一致性又克服了图像分割时规则子块跨越同质区域边界而降低了分割边缘精度的问题，提高了分割结果的边缘准确性。
-
公开(公告)号：CN106408571A
公开(公告)日：2017-02-15
申请号：CN201610833352.4
申请日：2016-09-20
Applicant: 辽宁工程技术大学
IPC: G06T7/10
CPC classification number: G06T2207/10032
Abstract: 本发明提供一种基于最优模糊因子选择的可变类遥感图像分割方法，包括：读取待分割的遥感图像；确定待分割遥感图像的最优同质区域类别数；通过反模糊化找到待分割遥感图像中每个像素光谱测度矢量的所属同质区域类别，得到待分割遥感图像的分割结果。本发明采用划分熵指数作为优选模糊因子的指标，当对待分割遥感图像的模糊因子小于最优模糊因子时，PE指数值较大；当模糊因子恰好等于最优模糊因子时，PE指数会跳变到一个较小的值，随着模糊因子的进一步增多，PE指数值逐渐趋于稳定；选择PE指数收敛时所对应的最小模糊因子为最优模糊因子，在最优模糊因子时对应的类别数为最优类别数，实现确定遥感图像中同质区域的类别数，获得较好的分割结果。
-
公开(公告)号：CN104992454A
公开(公告)日：2015-10-21
申请号：CN201510487600.X
申请日：2015-08-11
Applicant: 辽宁工程技术大学
IPC: G06T7/40
Abstract: 本发明涉及一种区域化自动变类的图像分割方法，该方法为在待分割图像域中随机产生生成点，得到生成点集合，以生成点为中心进行子区域初步划分，设定待分割图像域有c个聚类，得到初始聚类中心；设定最大迭代次数，根据划分子区域对待分割图像域进行聚类图像分割，计算划分子区域到当前聚类中心的距离并根据其确定划分子区域所属聚类，同时更新图像各聚类的聚类中心，位移当前生成点集中的生成点，更新划分子区域、更新划分子区域到当前聚类中心的距离及划分子区域所属聚类、更新各聚类的聚类中心，通过对图像聚类的分裂和图像聚类的合并，改变当前图像聚类数，实现自动变类，得到图像分割结果。
-
公开(公告)号：CN114821167B
公开(公告)日：2024-11-01
申请号：CN202210427847.2
申请日：2022-04-22
Applicant: 辽宁工程技术大学
IPC: G06V10/764 , G06V10/762 , G06V10/774
Abstract: 本发明提出一种基于多约束条件下函数化表示的高光谱图像分类方法，针对现有基于函数型数据分析的高光谱图像分类方法未充分利用图像的空间特征的问题，提出在多约束条件下采用B‑样条函数拟合高光谱图像中像素光谱曲线，即将简单最小二乘拟合误差模型扩展为涵盖加权平方误差项、粗糙惩罚项以及超像素邻域约束空间相干项的拟合误差模型，以得到顾及空间关系的像素光谱曲线精准拟合；通过对拟合光谱曲线的函数主成分分析，获取分类特征；利用支持向量机实现高光谱图像分类；为了验证提出算法的有效性，采用Indian Pines、University of Pavia和Salinas高光谱图像进行分类实验；本发明提出的算法可以有效表征光谱信息，且能够在有限数量训练样本的情况下取得良好的分类精度。
-
公开(公告)号：CN118196627A
公开(公告)日：2024-06-14
申请号：CN202410316696.2
申请日：2024-03-20
Applicant: 辽宁工程技术大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/54
Abstract: 本发明提供基于Sentinel‑2影像特征优选的林地类型分类方法，涉及基于机器学习算法的遥感影像识别分类技术领域。该方法包括：获取待分类区的Sentinel‑2遥感影像并进行预处理，对预处理后的影像进行镶嵌裁剪，得到研究区的Sentinel‑2遥感影像；使用分层法逐层剔除研究区的Sentinel‑2遥感影像中的非植被区域，得到林地区域；获取林地区域的高清影像数据并从中选取原始样本；根据林地区域对应的Sentinel‑2遥感影像构建分类特征集；从原始样本中抽取训练样本集，从分类特征集中获取训练样本集中各林地类型的全部特征，采用随机森林算法计算各特征的重要性得分并确定最优特征组合；根据最优特征组合构建随机森林分类器，用于对林地区域进行林地类型的分类，得到林地类型的分类结果。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.021 seconds)
