-
公开(公告)号：CN108241865A
公开(公告)日：2018-07-03
申请号：CN201611214165.4
申请日：2016-12-26
Applicant: 哈尔滨工业大学
Abstract: 一种基于超声图像的多尺度多子图肝纤维化多级量化分期方法，它涉及基于多尺度灰度共生矩阵和小波多子图共生矩阵的多级分期方法，它解决了当前基于超声图像的肝纤维化分期方法分期粗糙且准确度低的问题。本发明的步骤为：一、ROI的自动选择和预处理；二、构造多尺度灰度共生矩阵并提取纹理特征；三、构造小波多子图共生矩阵并提取纹理特征；四、利用基于SVM的不完全穷举封装式特征选择方法选择特征；五、基于SVM进行多级分类。本发明利用多尺度灰度共生矩阵全面提取图像纹理信息，并结合小波多子图共生矩阵在滤波的同时兼顾图像纹理细节信息，使用不完全穷举特征选择方法和多级分类器提高肝纤维化的分类精度，适用于基于超声图像的肝纤维化辅助诊断。
-
公开(公告)号：CN108009559A
公开(公告)日：2018-05-08
申请号：CN201610942406.0
申请日：2016-11-02
Applicant: 哈尔滨工业大学
Abstract: 一种基于空谱联合信息的高光谱数据分类方法，本发明提出用卷积神经网络和超像素划分方法，解决了当前高光谱图像对空间信息的利用问题。本发明的步骤为：一、建立卷积神经网络模型并进行特征提取，得到提取的特征向量。二、利用M-SLIC算法对高光谱图像进行超像素划分，得到超像素划分后的标签图。三、对高光谱特征图像进行聚类并结合BoVW模型产生新特征向量，完成分类过程。本发明利用卷积神经网络，通过多层卷积层和下采样层提取高维的非线性特征，通过加入空间信息降低拍摄条件差异对光谱信息的影响，然后通过特征光谱图进行聚类，将经过卷积神经网络一次特征提取的特征光谱替换为运用BoVW模型得到的二次特征，进一步降低分类的误差，有较强的理论和工程实际意义。
-
公开(公告)号：CN104537373B
公开(公告)日：2017-08-25
申请号：CN201510016915.6
申请日：2015-01-13
Applicant: 哈尔滨工业大学
Abstract: 舌下络脉诊断用多光谱舌下图像特征提取方法，属于舌下图像技术领域。本发明是为了解决采用现有舌下图像信号质量差，并且包含有效信息有限，及其图像信号处理难于标准化的问题。它包括彩色舌下图像中舌腹面轮廓的提取：首先去除彩色舌下图像中阴影与牙齿区域的干扰；然后对获得的舌腹面所在区域进行粗分割；再对粗分割后的舌腹面候选区域进行二次分割；彩色舌下图像中赘生物的提取：首先对彩色舌下图像的反光区域进行过检测；然后对舌下赘生物图像效果图进行粗分割；再对舌下赘生物的粗分割图像进行非舌下赘生物区域的剔除，获得保留的赘生物区域；还包括近红外舌下图像中舌下静脉轮廓的提取。本发明用于对多光谱舌下图像进行特征提取。
-
公开(公告)号：CN104777230B
公开(公告)日：2017-07-18
申请号：CN201510178893.3
申请日：2015-04-16
Applicant: 哈尔滨工业大学
IPC: G01N29/14
Abstract: 一种基于声发射技术的车载移动式高速铁路钢轨伤损检测系统与检测方法，属于铁路钢轨安全监测技术领域。所述检测系统由单轮交替检测子系统、多轮同步检测子系统、车载信号采集与处理平台组成，所述单轮交替检测子系统由若干个均匀分布在车轮圆周上的传感器组成，每一个传感器对应一个扇形区域，扇形区域的圆心角为θ，所有传感器的扇形区域覆盖整个圆周；所述多轮同步检测子系统由若干个单轮交替检测子系统组成；所述车载信号采集与处理平台安装于列车上，各传感器通过同轴屏蔽电缆与车轮轴端的导电滑环相连接，导电滑环的输出端与车载信号采集与处理平台相连接。本发明能够实现高速铁路钢轨伤损的高效监测，并降低检测成本。
-
公开(公告)号：CN105644785B
公开(公告)日：2017-06-27
申请号：CN201511030059.6
申请日：2015-12-31
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于光流法和地平线检测的无人机着陆方法，其步骤为：一、对飞行过程中固定在无人机底部的相机拍摄出的视频进行图像预处理；二、对每张图像进行直线检测，获取图像中的地平线信息；三、通过对地平线信息进行计算，得到当前无人机的飞行姿态；四、采用光流法检测出无人机的姿态信息；五、结合无人机运动模型，采用扩展卡尔曼滤波方法对光流法和地平线检测的无人机姿态进行滤波，挑选出正确的地平线信息；六、实现基于无人机的自主着陆过程。本发明是一种用于飞行过程中动态物体探测固定目标的情况，采用基于梯度的光流法可以很好地配合探测器的运动，与传统基于地平线检测的视觉算法相比，在着陆过程中可以有效提高精度，适用于无人机自主着陆应用。
-
Patent Agency Ranking
公开(公告)号：CN104050482B
公开(公告)日：2017-06-13
申请号：CN201410288959.X
申请日：2014-06-24
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于局部线性回归的流形学习泛化算法，属于高光谱图像数据降维技术领域。本发明的目的在于提出一种适用于任何一种流形学习算法、能够保持原流形学习降维结果、基于局部线性回归的流形学习泛化方法，其步骤为：一、寻找邻域；二、计算投影矩阵；三、求取线性回归系数矩阵；四、计算新样本降维结果。本发明可以在保持原有流形学习降维结果的基础上实现新样本的泛化，构建了一个从高维到低维的线性映射，可使得任一不具备泛化能力的流形学习算法如LE、LLE、LTSA等具有泛化能力，从而使得这些耗时的流形学习算法适用于高光谱图像的降维处理过程。
-
公开(公告)号：CN104504654B
公开(公告)日：2017-02-01
申请号：CN201410675313.7
申请日：2014-11-21
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于方向性梯度的高分辨率图像重构方法，包括如下步骤：步骤一：获得输入低分辨率图像 的主纹理方向θ；步骤二：利用双三次插值方法将低分辨率图像I插值成一幅高维度的插值图像IL；步骤三：变量初始化以及参数的选取；步骤四：获得模糊算子矩阵Fh和共轭模糊算子矩阵FHh；步骤五：更新xij的值；步骤六：更新IH的值；步骤七：更新 的值；步骤八：判别是否收敛。本发明通过引入方向性梯度正则项，更好的表示和挖掘隐含在图像中的方向纹理信息，从而为病态的高分辨率重构问题引入更有价值的先验信息，得到效果更佳的高分辨率图像。
-
公开(公告)号：CN104019831B
公开(公告)日：2017-01-04
申请号：CN201410280636.6
申请日：2014-06-20
Applicant: 哈尔滨工业大学
IPC: G01C25/00
Abstract: 基于EMD和熵权的陀螺仪故障诊断方法，涉及一种陀螺仪的故障诊断方法，具体涉及一种基于经验模态分解和熵权的故障诊断方法，属于陀螺仪故障诊断领域。为解决针对现有的陀螺仪故障诊断方法的实用性和有效性受到限制，陀螺仪运行情况监测不足，单一信号故障检测的自适应性弱，检测过程繁琐的问题。本发明引入了一种经典的故障诊断方法—经验模态分解(EMD)方法，这是一种单一信号时域处理方法，即每次只能对一个轴上的陀螺角速度信号提取故障特征信息，然后创新性的使用熵权概念来实现故障诊断，这样可以更好的实现故障诊断，最后对所提出方法的有效性进行了仿真验证。本发明适用于卫星陀螺仪故障的诊断。
-
公开(公告)号：CN103927456B
公开(公告)日：2017-01-04
申请号：CN201410169422.1
申请日：2014-04-25
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 一种基于蜂群算法的遥感影像有理函数模型优化方法，涉及遥感成像几何模型优化领域。针对基于有理函数模型的遥感成像几何模型因参数项过冗余造成的模型精度低问题，用蜂群算法对该模型进行优化，步骤如下：一、构造待求解的二值向量x和收益度函数f(x)；二、初始化蜂群算法参数；三、蜂群初始化；四、开始迭代，E蜂优化；五、计算E蜂招募概率；六、O蜂优化；七、更新全局最优解；八、判断迭代终止条件，若满足，优化完成；反之进行步骤九；九、判断各解是否满足S蜂启动条件，若不满足，返回步骤四；若满足，进行步骤十；十、启动S蜂，产生一个新解替换原解，返回步骤四。该方法能简化遥感成像几何模型结构，使其更准确地逼近成像几何关系。
-
公开(公告)号：CN105631474A
公开(公告)日：2016-06-01
申请号：CN201510990997.4
申请日：2015-12-26
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6269 , G06K9/00973
Abstract: 本发明公开了一种基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法，其步骤如下：一、计算两两类别之间的Jeffries-Matusita距离，得到Jeffries-Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，构建类对决策树；三、采用基于Jeffries-Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。本发明通过引入Jeffries-Matusita距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且不会造成太大的参数波动。同时在区分单一样本时使用较少的二分类器，且每层“淘汰”了一半了类别，增强了加权分类的针对性，从而将每个子分类器的分类误差进一步降低，提高了分类精度，适用于高光谱数据的模式识别应用。
-
-
-
-
-
-
-
-
-
Search Results
385
records
(took 0.031 seconds)
