-
公开(公告)号：CN105005789A
公开(公告)日：2015-10-28
申请号：CN201510379234.6
申请日：2015-07-01
Applicant: 北京理工大学
IPC: G06K9/62
CPC classification number: G06K9/6218 , G06K9/629
Abstract: 本发明公开了一种基于视觉词汇的遥感图像地物分类方法，包括如下步骤：首先将所有的遥感图像分为训练集和测试集，以固定的大小对每幅遥感图像裁剪获得初步切片图，提取包含目标的初步切片图；针对包含目标的初步切片图通过高斯模糊与抽样生成多层高斯空间金字塔；对每一层的图像均进行SIFT特征提取与LBP特征提取；对训练集和测试集中所有遥感图像的遥感单词进行聚类，得到多个聚类中心，所有的聚类中心组成遥感词典；设定不同半径值，对每个初步切片图不同半径值内的遥感单词均建立频率直方图：针对训练集中遥感单词的频率直方图使用支持向量机RBF-SVM进行训练，然后使用训练后的RBF-SVM对测试集中遥感图像进行地物分类。
-
公开(公告)号：CN118501831A
公开(公告)日：2024-08-16
申请号：CN202410503705.9
申请日：2024-04-25
Applicant: 北京理工大学
Abstract: 本发明提供一种基于散射中心驱动的SAR目标识别方法，包括：构建属性散射中心模型，并获取目标切片图像，初始化属性散射中心模型的参数；根据参数初始化后的属性散射中心模型得到目标散射中心图像，与目标切片图像相加，并通过第一骨干特征提取网络获得第一概率向量，采用交叉熵损失函数计算第一损失值；将目标散射中心图像输入第二骨干特征提取网络，得到第二概率向量，采用交叉熵损失函数计算第二损失值；根据第一损失值和第二损失值得到目标损失函数，重复计算直至目标损失函数收敛，得到目标识别网络；获取待识别的SAR图像，输入至目标识别网络，得到目标识别结果。本发明能够有效提取目标属性散射中心，实现SAR图像目标的稳健识别。
-
公开(公告)号：CN118397473A
公开(公告)日：2024-07-26
申请号：CN202410537268.2
申请日：2024-04-30
Applicant: 北京理工大学
Abstract: 本发明提供一种基于显著图引导的SAR图像目标识别方法，包括：根据原始SAR图像生成对应的目标显著图，所述目标显著图含有目标关键信息；基于所述目标显著图提取所述原始SAR图像中的深层特征和浅层特征，并引导所述深层特征和浅层特征进行融合；利用多层空洞卷积对融合后的图像特征进行细化，得到目标特征，通过全连接层对所述目标特征进行类型识别，得到目标识别结果。本发明避免了背景图像中的噪声干扰，提高了目标特征的类内一致性，能够高效、鲁棒性地实现对目标基本特征的挖掘，提高了SAR图像目标识别的精度和效率。
-
公开(公告)号：CN105160355A
公开(公告)日：2015-12-16
申请号：CN201510543366.8
申请日：2015-08-28
Applicant: 北京理工大学
CPC classification number: G06K9/6218 , G06T3/40 , G06T5/50 , G06T2207/10032 , G06T2207/20152
Abstract: 本发明公开了一种基于区域相关和视觉单词的遥感图像变化检测方法，具体如下：首先选取参考图像和待检测图像；对参考图像和待检测图像分别进行直方图均衡化处理；对处理后的参考图像和待检测图像分别进行形态学重建的分水岭分割；对分割后得到的两幅图像进行融合处理，获得融合图像；融合图像中共包括k个子区域，对其中的每一个子区域j，计算加权相关系数Cj；设定加权相关系数阈值Δ，若第j个子区域的加权相关系数Cj大于Δ，则第j个子区域即为不变区域，直接将该不变区域提取出来；若第j个子区域的加权相关系数Cj小于Δ，则通过基于视觉单词理论的方法进行提取。使用该方法能够在满足检测任务的基础上提高检测的实时性和鲁棒性。
-
公开(公告)号：CN103761526A
公开(公告)日：2014-04-30
申请号：CN201410038043.9
申请日：2014-01-26
Applicant: 北京理工大学
IPC: G06K9/60
Abstract: 本发明提出一种基于特征位置优选整合的城区检测方法，无需进行先验学习，计算简单，更适合在实际应用中实现。步骤一、图像预处理：包括RGB彩图转灰度图像及高斯金字塔生成；步骤二、城区位置特征点初步选取；步骤三、城区位置特征点筛选；步骤四、基于高斯渲染加权的城区区域整合；步骤五、通过自适应迭代法求出分割阈值并对加权矩阵进行二值化，对二值图进行连通域标记并将连通域面积小于预设阈值的连通域剔除；步骤六、对步骤一生成的高斯金字塔的各层重复步骤二至步骤五，并将各层结果扩展到原图大小后取并集得到城区候选范围，检查RGB彩图中候选范围的色彩特征，剔除色彩特征不满足条件的像素区域，得到最终检测结果。
-
Patent Agency Ranking
公开(公告)号：CN118411635A
公开(公告)日：2024-07-30
申请号：CN202410506691.6
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06V20/17 , G06V10/44 , G06V10/764 , G06N20/00
Abstract: 本发明提供基于自监督对比学习的熵辅助SAR图像飞机目标分类方法，其中，方法包括：获取SAR图像，构建自监督对比学习特征网络，根据所述SAR图像和所述自监督对比学习特征网络得到SAR特征提取图像；构建基于全连接层的分类器，以所述SAR特征提取图像为输入，得到类别预测概率；根据所述类别预测概率得到SAR图像飞机分类结果。本发明提高了SAR图像飞机目标细粒度分类的准确度和鲁棒性，适用于复杂背景和多种目标情景，具有较强的实用性和应用前景。
-
公开(公告)号：CN118411604A
公开(公告)日：2024-07-30
申请号：CN202410503735.X
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/26 , G06V10/77 , G06V10/58 , G06V10/764 , G06V10/82 , G06V10/30 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于轻量化扩散模型去噪网络的高光谱图像分类方法，本发明基于对原始高光谱图像提取PCA分量，并将PCA图像块和原始高光谱图像切割成的图像块作为输入至扩散模型进行去噪网络训练；并对扩散模型解码器简化后，利用输入预训练解码器生成需要的高光谱图像块样本，增加原先数量较少的类别的样本数量；利用分类方法对生成样本的合理性进行测试。相较于传统的高光谱图像分类方法，本方案通过增加样本数量和提升样本类间平衡度的数据扩充方法从而提升高光谱图像分类准确度，并且利用PCA图像块和加噪图像块对扩散模型解码器进行预训练，使得解码器能够从高光谱图像中充分获取全局空间和光谱信息，从而生成更为真实的高光谱图像，提高生成样本真实性。
-
公开(公告)号：CN115909081A
公开(公告)日：2023-04-04
申请号：CN202211317049.0
申请日：2022-10-26
Applicant: 北京理工大学
Abstract: 本发明公开了边缘引导多尺度特征融合的光学遥感图像地物分类方法，涉及光学遥感图像处理技术领域，能够保留空间细节特征信息，并有效融合高层语义信息与低层细节信息，以得到精细准确的地物分类结果。包括以下步骤：主干网络对输入的光学遥感图像进行处理，获得多个不同层次的特征图，将不同层次的特征输入边缘特征提取模块，通过边缘真值图监督该模块的学习过程，并由卷积网络输出多尺度边缘感知特征。多尺度边缘感知特征和高层特征输入边缘引导特征融合模块，通过矩阵相关运算和卷积层实现多尺度的特征融合，得到融合特征，并通过上采样输出分割结果。最后由真值图监督分割结果，以监督整个学习过程。下面将详细介绍各个模块。
-
公开(公告)号：CN105005789B
公开(公告)日：2018-04-03
申请号：CN201510379234.6
申请日：2015-07-01
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于视觉词汇的遥感图像地物分类方法，包括如下步骤：首先将所有的遥感图像分为训练集和测试集，以固定的大小对每幅遥感图像裁剪获得初步切片图，提取包含目标的初步切片图；针对包含目标的初步切片图通过高斯模糊与抽样生成多层高斯空间金字塔；对每一层的图像均进行SIFT特征提取与LBP特征提取；对训练集和测试集中所有遥感图像的遥感单词进行聚类，得到多个聚类中心，所有的聚类中心组成遥感词典；设定不同半径值，对每个初步切片图不同半径值内的遥感单词均建立频率直方图：针对训练集中遥感单词的频率直方图使用支持向量机RBF‑SVM进行训练，然后使用训练后的RBF‑SVM对测试集中遥感图像进行地物分类。
-
公开(公告)号：CN103605634A
公开(公告)日：2014-02-26
申请号：CN201310287052.7
申请日：2013-07-09
Applicant: 北京理工大学
IPC: G06F17/14
Abstract: 本发明提出一种基于混合基FFT的数据访问地址生成的方法，首先给出混合基FFT的时域指数和频域指数用两个不同基表示的表达式；然后将两个表达式代入DFT表达式，将得到的式子进行分解得到DFT运算的迭代递归方程式，根据该组方程式得出任意级的通用迭代公式。分析该迭代公式可以求出所需操作数和旋转因子的地址。根据操作数和旋转因子地址的产生规律，发现操作数和旋转因子的地址可以通过一个基于混合基表示的累加器来获得。最后通过该累加器得到基于混合基FFT的操作数和旋转因子访问地址。本发明方法由一个累加器通过简单移位实现操作数和旋转因子访问地址的生成，降低了地址生成复杂度，对任意混合基FFT的硬件实现具有积极意义。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.038 seconds)
