-
公开(公告)号：CN117310705A
公开(公告)日：2023-12-29
申请号：CN202311594541.7
申请日：2023-11-28
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于双极化SAR影像的洪涝灾害快速检测方法，属于微波成像及图像数据处理技术领域，包括：步骤1，双极化SAR数据预处理，最终生成双极化协方差矩阵文件；步骤2，双极化SRW距离差异图快速计算，对双极化协方差矩阵文件进行矩阵运算，得到双极化时变SRW距离差异图；步骤3，洪涝灾害区域初步提取；步骤4，基于地形坡度邻域约束的山体阴影剔除和洪涝灾害检测结果输出。本发明所述方法主要用于洪涝灾害的快速检测，具有计算效率高，具有剔除复杂山体阴影并能提高大范围制图效率和精度的优点。
-
公开(公告)号：CN117274821A
公开(公告)日：2023-12-22
申请号：CN202311541115.7
申请日：2023-11-20
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及雷达图像处理技术领域，具体是顾及降雨影响的多极化SAR农田洪涝检测方法与系统，包括对双时相多极化SAR影像数据预处理，生成极化协方差矩阵；分别计算同极化和交叉极化通道的强度比值与HLT统计测度，构建SAR影像极化差异测度，逐像元计算生成极化差异图；利用马尔可夫随机场模型进行多极化SAR影像变化检测；根据变化检测结果，利用数字高程模型减弱山体阴影对检测结果的干扰，提取农田受灾结果；对SAR坐标系下的农田受灾结果进行地理编码，输出地理坐标系下的最终农田洪涝检测结果。本发明能够有效避免降雨引起的误检，提高多极化SAR影像在降雨天气下进行农田洪灾检测的适用性，提升极化SAR洪涝灾害检测精度。
-
公开(公告)号：CN116821694A
公开(公告)日：2023-09-29
申请号：CN202311099084.4
申请日：2023-08-30
Applicant: 中国石油大学(华东)
IPC: G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本发明公开了基于多分支神经网络与分段式模型的土壤湿度反演方法，包括以下步骤：获取原始数据集，对原始数据集进行预处理，获得模型的输入特征；构建多分支神经网络与分段式模型；基于原始数据集和所述输入特征，对多分支神经网络与分段式模型进行训练；利用训练好的多分支神经网络与分段式模型对待测的土壤进行预测，获得土壤湿度反演结果。本发明借助于分段函数的思想，联合三种DDMs与地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量和土壤粘粒比七种辅助参数。并采用遗传算法确定出模型的边界阈值将反演模型划分为多个子模型，并单独对每个子模型进行优化训练和校准，从而提高整个模型的预测能力和精度。
-
公开(公告)号：CN114894819B
公开(公告)日：2023-06-23
申请号：CN202210494399.8
申请日：2022-05-07
Applicant: 中国石油大学(华东)
IPC: G01N22/04 , G01N33/24 , G01S13/89 , G06F30/27 , G06F119/02
Abstract: 本发明公开一种星载GNSS‑R土壤湿度反演方法，包括以下步骤：获取CYGNSS数据和SMAP数据；对CYGNSS数据和SMAP数据进行时空匹配获得样本集和待预测数据；构建双分支神经网络模型，其中一条分支为卷积神经网络模块，另一条分支为BP神经网络模块，分别以DDM图像和地表粗糙度、植被覆盖度、信噪比、地表反射率、功率比、DDM均值、前沿斜率、后延斜率、峰值功率、时延窗口作为输入；根据所述样本集训练双分支神经网络模型；将待预测数据输入到训练后的双分支神经网络模型中，得到预测的土壤湿度数据。采用本发明的技术方案，可以提高反演精度。
-
公开(公告)号：CN115512226A
公开(公告)日：2022-12-23
申请号：CN202211221959.9
申请日：2022-10-08
Applicant: 中国石油大学(华东)
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本发明公开了融入注意力机制多尺度CNN的LiDAR点云滤波方法，本发明属于点云滤波领域，包括：获取激光雷达点云数据的标准化坐标值，将所述点云数据转换成多通道图像，其中所述多通道图像包括：训练图像和测试图像。构建融入注意力机制多尺度CNN的点云滤波模型，所述点云滤波模型包括：输入层、卷积层、注意力层和全连接层；基于所述训练图像，通过所述注意力层，训练与优化所述点云滤波模型；将所述测试图像输入至训练好的点云滤波模型，输出预测结果；所述预测结果包括：地面点和非地面点。本发明能够提取点云的深层次特征，能取得较好的点云滤波效果。
-
Patent Agency Ranking
公开(公告)号：CN114897814A
公开(公告)日：2022-08-12
申请号：CN202210494278.3
申请日：2022-05-07
Applicant: 中国石油大学(华东)
Abstract: 本发明提出基于多级小波分解密接网络的高光谱图像溢油检测方法,包括图像预处理、网络模型训练以及溢油检测测试三个步骤，通过对获取的高光谱图像数据进行预处理，避免异常光谱波段影响溢油检测性能，并将小波变换融入卷积神经网络结构中，使MLWBDN网络具有频域分解和多分辨率分析能力，增强网络对复杂溢油区域的精细化识别能力，结合小波变换特点以及经典Dense Block结构提出改进的SADFB模块，SADFB利用密接操作实现了小波多频分量融合，通过连续附接策略减少了网络参数，同时通过特征复用避免了梯度消失，得益于MLWBDN网络的多级特征联合决策机制，且可以通过调整分支结构的数量，应对不同尺度的检测任务。
-
公开(公告)号：CN111144214B
公开(公告)日：2021-06-15
申请号：CN201911182498.7
申请日：2019-11-27
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了基于多层堆栈式自动编码器的高光谱图像解混方法，包括以下步骤：逐个训练三个自动编码器，组成堆栈自动编码器，提取图像高阶光谱特征；构造多层自动编码器网络，并利用步骤一中训练好的参数初始化该多层自动编码器网络；利用梯度下降算法训练多层自动编码器网络，直至多层自动编码器网络的输入层与输出层之间的重构误差最小；本发明通过利用堆栈自动编码器实现对高光谱图像高阶光谱特征的学习，为多层自动编码器提供更好的初始化，在多层自动编码器损失函数中加入稀疏项和正则化项约束端元和丰度，以此来提高解混精度，本方法不需要任何先验知识，进行无监督学习，泛化能力强，在端元提取和丰度估计方面都取得了良好的效果。
-
公开(公告)号：CN112950492A
公开(公告)日：2021-06-11
申请号：CN202110117113.X
申请日：2021-01-28
Applicant: 中国石油大学(华东)
Abstract: 本发明公开基于自适应各向异性扩散的全极化SAR图像去噪方法，包括：S1、获取全极化SAR数据，并提取全极化SAR数据的协方差矩阵；S2、基于协方差矩阵提取极化散射熵；S3、基于极化散射熵进行梯度自适应滤波窗口的选择；S4、对协方差矩阵进行Freeman‑Durden分解，得到全极化SAR数据中各像素的布拉格散射、二次散射、体散射的功率；S5、基于各像素的布拉格散射、二次散射、体散射的功率，进行地物散射标记图的提取；S6、基于梯度自适应滤波窗口、地物散射标记图，采用散射机制的自适应各向异性扩散方法对全极化SAR图像去噪。本发明能够在抑制图像噪声的同时，充分地保留原始全极化SAR图像中的极化信息。
-
公开(公告)号：CN112926189A
公开(公告)日：2021-06-08
申请号：CN202110116597.6
申请日：2021-01-28
Applicant: 中国石油大学(华东)
IPC: G06F30/20 , G06F16/215 , G06F16/29
Abstract: 本发明公开了一种基于无滤波最大切应变的地震前兆异常信息提取方法，包括以下步骤：通过目标地区的GLDAS水文数据，获得水文球谐展开系数，将目标地区的GRACE球谐系数与水文球谐展开系数做差，获得去除水文因素影响的GRACE月重力场数据；基于相邻月的GRACE月重力场数据，获得月差分重力场数据；基于左手系局部指北坐标系，通过拉格朗日重力应变张量，获得最大切应变，通过设置偏移指数，构建异常信息提取模型；基于构建的异常信息提取模型，对目标地区进行分析，在震前半年内提取到目标地区的异常信息，对地震预测具有参考指示意义，本发明所述方法能够探测到6级及以上地震震前异常信息。
-
公开(公告)号：CN111144214A
公开(公告)日：2020-05-12
申请号：CN201911182498.7
申请日：2019-11-27
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了基于多层堆栈式自动编码器的高光谱图像解混方法，包括以下步骤：逐个训练三个自动编码器，组成堆栈自动编码器，提取图像高阶光谱特征；构造多层自动编码器网络，并利用步骤一中训练好的参数初始化该多层自动编码器网络；利用梯度下降算法训练多层自动编码器网络，直至多层自动编码器网络的输入层与输出层之间的重构误差最小；本发明通过利用堆栈自动编码器实现对高光谱图像高阶光谱特征的学习，为多层自动编码器提供更好的初始化，在多层自动编码器损失函数中加入稀疏项和正则化项约束端元和丰度，以此来提高解混精度，本方法不需要任何先验知识，进行无监督学习，泛化能力强，在端元提取和丰度估计方面都取得了良好的效果。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.032 seconds)
