-
公开(公告)号：CN107527054A
公开(公告)日：2017-12-29
申请号：CN201710844379.8
申请日：2017-09-19
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于多视角融合的前景自动提取方法，用于解决现有基于图切割的前景提取方法中，提取过程比较繁琐和提取的前景边缘不精确的技术问题。本发明首先对SVM分类器进行训练，然后对待提取图像进行灰度化，得到灰度图像，通过训练的SVM分类器，在灰度图像中检测包含前景的子图像，并将子图像在待提取图像中的位置坐标，作为GrabCut算法的输入，对待提取图像进行前景提取，得到待提取图像的像素视角下的提取结果，以SLIC算法对待提取图像生成超像素图像，通过融合超像素图像和像素视角下的提取结果，得到待提取图像的精确的前景提取结果。本发明可用于立体视觉、图像语义识别，三维重建、图像搜索等的应用与研究。
-
公开(公告)号：CN107230201A
公开(公告)日：2017-10-03
申请号：CN201710340278.7
申请日：2017-05-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法，提升了检测精度，扩大了方法的实际应用范围。步骤包括：对两幅配准相的SAR图像对，计算获得对数差分图DI；用PCA获取DI的主分量；利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域；从中提取部分样本的邻域特征，将其作为训练样本训练ELM；将待检测的对数差分图中每个样本的邻域送入训练好的ELM中，获得变化检测结果图。本发明从待检测差分图中自动提取训练样本，消除了训练数据对方法检测能力的限制，扩大了方法的实际应用范围，避免了人工的参与，降低了噪声的干扰，提升了方法的检测正确率，具备稳定可靠的检测能力。
-
公开(公告)号：CN106023098A
公开(公告)日：2016-10-12
申请号：CN201610312527.7
申请日：2016-05-12
Applicant: 西安电子科技大学
IPC: G06T5/00
CPC classification number: G06T5/005 , G06T2207/10004 , G06T2207/20081
Abstract: 本发明公开了一种基于张量结构多字典学习与稀疏编码的图像修补方法，主要步骤包括：根据张量的方向性和近邻结构信息对张量样本进行分类，每一类分别构造张量字典，对待修补图像张量采用同样的方式分类，用与之类别标签对应的张量字典对其进行修补，对每类字典下的重建结果进行加权求和，得到最终的待修补图像的重建结果。本发明根据张量的方向性和近邻结构信息对张量进行有效、确定性的分类，能区别具有不同细节的张量，在对待修补张量重建时，利用重建误差对每类字典下的重建结果进行加权求和，克服了单个字典表达能力有限的缺点，对自然图像的修补，能恢复更为清晰的边缘细节，进一步提高了修补质量。用于受损图像的修补。
-
公开(公告)号：CN105163121A
公开(公告)日：2015-12-16
申请号：CN201510524105.1
申请日：2015-08-24
Applicant: 西安电子科技大学
IPC: H04N19/154 , H04N19/42 , H04N19/146
Abstract: 本发明公开了一种基于深度自编码网络的大压缩比卫星遥感图像压缩方法，主要解决现有技术压缩比低的问题。其实现步骤为：将多个自编码器级联堆叠构成深度自编码网络；输入一组训练图像数据到深度自编码网络，训练该网络获得优化的网络参数，得到深度压缩网络和深度解压网络；待压缩的遥感图像送入深度压缩网络，得到高阶稀疏特征，对特征量化和编码得到最终压缩码流；对接收到的码流反量化和编码，得到高阶稀疏特征并送入深度解压网络，网络的最终输出为解压的遥感图像。本发明结合图像处理与深度学习技术，实现卫星遥感数据的大倍率压缩；因压缩与解压过程只需进行简单的前向传递操作，实时性好；减轻了海量遥感数据的存储与传输负担。
-
公开(公告)号：CN105069478A
公开(公告)日：2015-11-18
申请号：CN201510511885.6
申请日：2015-08-19
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6271
Abstract: 本发明公开了一种基于超像素张量稀疏编码的高光谱遥感地物分类方法，克服了现有技术中不能充分利用高光谱图像的空间信息进行分类和分类速度慢的缺点。本发明实现的步骤是：(1)输入待分类的高光谱图像；(2)构建层次空间相似度矩阵；(3)获得超像素集；(4)构造标记样本字典；(5)求解稀疏系数矩阵；(6)超像素分类；(7)输出待分类高光谱图像的分类结果。本发明具有保持高光谱图像同质区域的空间一致性和分类速度快的优点，可用于高光谱图像的快速分类。
-
Patent Agency Ranking
公开(公告)号：CN110009010B
公开(公告)日：2023-03-24
申请号：CN201910211183.4
申请日：2019-03-20
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于兴趣区域重检测的宽幅光学遥感目标检测方法，主要解决宽幅光学遥感目标检测中对小尺度目标检测精度低及重叠滑窗检测时效性慢的问题。具体步骤有：制作多尺度训练样本；设计检测网络模型结构；对混合重检测网络模型进行训练；宽幅影像候选兴趣区域提取与重检测。本发明设计的检测网络模型，能拟合不同尺度目标的检测；基于兴趣区域检测不需重叠检测，降低了宽幅遥感图像候选区域提取的时间，采用对候选区域基于目标的尺度先验性进行重检测，改善了小目标的检测效果，检测精度更高。可应用于任何宽幅像素分辨率大小的光学遥感图像的检测。
-
公开(公告)号：CN109495744B
公开(公告)日：2019-12-24
申请号：CN201811270154.7
申请日：2018-10-29
Applicant: 西安电子科技大学
IPC: H04N19/124 , H04N19/13
Abstract: 本发明公开了一种基于多结构生成对抗网络的大倍率遥感影像压缩方法，解决了传统方法未挖掘影像像素间相关性及大倍率压缩下视觉保真度下降的技术问题。实现步骤有：对遥感影像数据集预处理；预处理后的遥感影像数据集输入联合生成对抗网络训练得到训练好的网络模型；用训练得到的网络进行大倍率遥感影像压缩得到编码文件；对网络编码结果做熵编码得到待传输的码流文件；用解码网络进行码流文件的解压缩得到原始遥感影像。本发明使用联合生成对抗网络遥感影像建立模型进行大倍率压缩，该网络将编解码网络对称结构分别进行对抗训练，通过训练使得模型同时提取影像本身的相关性和遥感影像之间的相关性，提高了大倍率压缩下视觉保真度。
-
公开(公告)号：CN110009010A
公开(公告)日：2019-07-12
申请号：CN201910211183.4
申请日：2019-03-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于兴趣区域重检测的宽幅光学遥感目标检测方法，主要解决宽幅光学遥感目标检测中对小尺度目标检测精度低及重叠滑窗检测时效性慢的问题。具体步骤有：制作多尺度训练样本；设计检测网络模型结构；对混合重检测网络模型进行训练；宽幅影像候选兴趣区域提取与重检测。本发明设计的检测网络模型，能拟合不同尺度目标的检测；基于兴趣区域检测不需重叠检测，降低了宽幅遥感图像候选区域提取的时间，采用对候选区域基于目标的尺度先验性进行重检测，改善了小目标的检测效果，检测精度更高。可应用于任何宽幅像素分辨率大小的光学遥感图像的检测。
-
公开(公告)号：CN107230201B
公开(公告)日：2020-11-03
申请号：CN201710340278.7
申请日：2017-05-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法，提升了检测精度，扩大了方法的实际应用范围。步骤包括：对两幅配准相的SAR图像对，计算获得对数差分图DI；用PCA获取DI的主分量；利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域；从中提取部分样本的邻域特征，将其作为训练样本训练ELM；将待检测的对数差分图中每个样本的邻域送入训练好的ELM中，获得变化检测结果图。本发明从待检测差分图中自动提取训练样本，消除了训练数据对方法检测能力的限制，扩大了方法的实际应用范围，避免了人工的参与，降低了噪声的干扰，提升了方法的检测正确率，具备稳定可靠的检测能力。
-
公开(公告)号：CN107194917B
公开(公告)日：2020-07-10
申请号：CN201710339040.2
申请日：2017-05-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于DAP和ARELM的在轨SAR图像变化检测方法，消除了训练数据对方法检测能力的限制。其实现包括：针对两幅配准的SAR图像对，计算获得对数差分图DI；对DI进行SLIC超像素分割，并求取所有超像素的均值和质心，用DAP算法对超像素聚类获得若干类超像素集合；用K‑means算法再进行区域三分类，均值最高的集合为严格变化区域，最低的集合为严格未变化区域，剩余为未知类别区域；选择区域训练样本，并将其邻域特征送到ARELM中训练，获得训练好网络参数的ARELM；将待检测的所有像素邻域特征送入训练好的ARELM中进行分类，自动获得变化检测结果图。本发明消除了训练数据对方法检测能力的限制，检测正确率高，自动决策。检测能力稳定可靠，用于SAR图像变化检测。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.036 seconds)
