-
公开(公告)号:CN105046286A
公开(公告)日:2015-11-11
申请号:CN201510546954.7
申请日:2015-08-31
Applicant: 哈尔滨工业大学
IPC: G06K9/66
CPC classification number: G06K9/66
Abstract: 基于自动视图生成和联合l1,2范数最小化的监督多视图特征选择方法,属于遥感图像数据处理技术领域。本发明是为了解决高分辨率遥感图像在特征选择过程中存在的信息丢失的问题。它包括三个步骤:一、采集遥感图像数据,对遥感图像数据进行预处理;然后进行特征提取,获得特征向量集合;再将特征向量集合中所有特征向量归一化,获得原始特征向量集合;二、采用affinity propagation算法将步骤一中获得的原始特征向量集合生成特征多视图;三、基于l1,2范数对步骤二中生成的特征多视图进行监督多视图特征选择。本发明为一种监督多视图特征选择方法。
-
公开(公告)号:CN104063621A
公开(公告)日:2014-09-24
申请号:CN201410323439.8
申请日:2014-07-08
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 一种基于BRDF模型的考虑墙壁影响的偏振高光谱场景仿真方法,涉及一种偏振高光谱场景仿真方法,属于遥感或物理光学图像处理技术领域。本发明解决了现有的仿真场景中地物的设置只考虑了最典型的较少类,与实际相差较大,考虑入射光与墙壁的作用时只涉及到了镜面反射,忽略了定向散射和均匀漫反射,使得仿真结果不精确,效果不佳;BRDF解析形式较少,不便于计算的问题。本发明技术要点为:建立解析形式的BRDF模型;基于解析形式的BRDF模型求取墙壁二次散射的出射辐亮度;偏振高光谱场景仿真。本发明适用于遥感和物理光学图像处理领域。
-
公开(公告)号:CN102609916A
公开(公告)日:2012-07-25
申请号:CN201210017585.9
申请日:2012-01-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 基于多尺度分析的高光谱数据空间分辨率增强方法,涉及一种高光谱数据空间分辨率增强方法。它是为了解决现有的高光谱数据空间分辨率低的问题。它首先将离散小波变换Mallat与平稳小波两种变换引入ARSIS概念中的多尺度分析模型MSM,分别分等级描述已配准的高光谱影像与辅助光学影像的空间结构。然后将光谱最小化注入模型引入波段间相互构造模式IBSM,对高频小波系数进行重构。进而,将所重构的高频系数注入原高光谱图像,得到融合后的小波系数。最后通过多尺度模式MSM逆变换得到空间分辨率在辅助光学图像水平的高光谱影像。本发明适用于增强高光谱数据空间分辨率。
-
公开(公告)号:CN101835045B
公开(公告)日:2011-11-09
申请号:CN201010162811.3
申请日:2010-05-05
Applicant: 哈尔滨工业大学
IPC: H04N7/26
Abstract: 高保真遥感图像压缩与分辨率增强的联合处理方法。它涉及遥感图像处理方法,它解决了通常的遥感图像压缩方法倾向于无差别舍弃高分辨率信息,导致恢复图像分辨率下降的问题。步骤为:一、输入待压缩处理的图像f(x,y);二、对图像进行预处理;三、对于处理后的数据进行离散小波变换;四、对小波变换的结果进行信息检测;五、对小波变换结果进行量化处理,同时进行子带加权;六、对于步骤五的量化结果进行熵编码;七、对于熵编码结果进行码流截断,同时进行通道加权;八、获得压缩码流。针对现有遥感图像的实际应用要求,对于压缩后图像的应用如边缘检测、目标识别等方面也有着重要的价值。
-
公开(公告)号:CN102176701A
公开(公告)日:2011-09-07
申请号:CN201110040672.1
申请日:2011-02-18
Applicant: 哈尔滨工业大学
Abstract: 一种基于主动学习的网络数据异常检测方法,它涉及基于支持向量机的检测方法。它解决了现有在网络数据的异常检测方法中支持向量机中所存在的训练样本多、复杂度高、难以有良好分类特性的问题。步骤如下:一、在未标注样本中选择C个点作为候选聚类中心,将候选未标注样本集A进行迭代优化聚类运算,选取叠代聚类结果中的代表性样本构建训练样本集B;二、支持向量机在训练样本集B上训练得到训练超平面;三、根据样本选择准则从候选未标注样本集A中选择最能提升分类性能的样本,标注类别后加入训练样本集B中;四、支持向量机在更新后的训练样本集B上重新训练;五、若检测精度达到设定值,则结束,否返回三。将该算法应用于异常检测研究中可以有效降低复杂度。
-
公开(公告)号:CN101344587B
公开(公告)日:2011-08-17
申请号:CN200810136931.9
申请日:2008-08-15
Applicant: 哈尔滨工业大学
Abstract: 用于极化合成孔径雷达图像的多成分分解方法,它涉及的是极化合成孔径雷达图像目标分解、图像分析的技术领域。它解决了现有的目标分解方法不能全面考虑所有基本散射类型的不足,它的步骤为:对全极化合成孔径雷达图像进行预处理,并得到其协方差矩阵;将地物散射的协方差矩阵分解为基本的五种散射类型,并根据协方差矩阵对应元素相等的关系,分别求出各个散射类型的加权系数;根据加权系数求出各个散射类型的散射功率,得到各个散射类型的分解结果,完成多成分分解。它全面考虑了地物的散射特性,能够更真实的反应地物的散射情况,可以更准确的描述极化合成孔径雷达图像中目标的散射特性,为后续的目标检测和分类提供更准确的信息。
-
公开(公告)号:CN100493141C
公开(公告)日:2009-05-27
申请号:CN200710144866.X
申请日:2007-12-19
Applicant: 哈尔滨工业大学
Abstract: 基于下采样和插值同一性建立数学模型的处理图像的方法,它涉及图像处理方法,它解决了现有下采样后图像保持信息少的问题。本发明的步骤为:首先输入待下采样图像FO;其次建立插值数学模型:FH=CI(UHFLUV),之后选择插值方法,确定预测模型,确定插值方法的算子CI,同时根据图像FO大小确定UH和UV;接下来建立下采样数学模型:FL=DH(CFFO)DV;建立插值和下采样统一像素预测模型,由插值的算子CI和下采样的算子CF同一性得到CF,同时得到DH和DV;最终通过所得到的FL=DH(CFFO)DV,对图像FO进行下采样处理;得到下采样图像。本发明可以应用于图像及视频的低码率压缩,不仅减少了压缩算法的计算量,加快处理速度减少延时,还使恢复图像质量有明显的提高。
-
公开(公告)号:CN101188669A
公开(公告)日:2008-05-28
申请号:CN200710144866.X
申请日:2007-12-19
Applicant: 哈尔滨工业大学
Abstract: 基于下采样和插值同一性建立数学模型的处理图像的方法,它涉及图像处理方法,它解决了现有下采样后图像保持信息少的问题。本发明的步骤为:首先输入待下采样图像FO;其次建立插值数学模型:FH=CI(UHFLUV),之后选择插值方法,确定预测模型,确定插值方法的算子CI,同时根据图像FO大小确定UH和UV;接下来建立下采样数学模型:FL=DH(CFFO)DV;建立插值和下采样统一象素预测模型,由插值的算子CI和下采样的算子CF同一性得到CF,同时得到DH和DV;最终通过所得到的FL=DH(CFFO)DV,对图像FO进行下采样处理;得到下采样图像。本发明可以应用于图像及视频的低码率压缩,不仅减少了压缩算法的计算量,加快处理速度减少延时,还使恢复图像质量有明显的提高。
-
公开(公告)号:CN110135335B
公开(公告)日:2022-11-29
申请号:CN201910398081.8
申请日:2019-05-14
Applicant: 哈尔滨工业大学
IPC: G06V20/13 , G06V10/24 , G06V10/764
Abstract: 基于直线空间分布关系和投影特征的群目标检测算法,属于电子信息技术领域,本发明为解决现有目标检测都是针对单目标检测,存在局限性的问题。本发明所述基于直线空间分布关系和投影特征的群目标检测算法的具体过程为:对群目标特性进行分析,获取目标的位置分布规律和几何参数特征;采用加入断线重连步骤的改进LSD直线检测算法和基于形状特征的直线空间分布关系检测算法对目标进行粗提取;从S2获取的粗提取结果中提取结合颜色信息的投影特征,采用投影特征对支持向量机模型进行训练,采用支持向量机模型将S2获取的粗提取结果中的虚警与目标进行分离,获得最终的群目标。本发明用于群目标检测。
-
公开(公告)号:CN115131274A
公开(公告)日:2022-09-30
申请号:CN202110805950.1
申请日:2021-07-16
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了基于多时相联合分解的高分辨率遥感图像变化检测方法,属于多时相遥感图像技术领域,解决现有技术中的遥感图像变化检测方法常表现的有效性低、鲁棒性差和存在信息丢失现象的问题。本发明的方法包括:通过在所述当前时相遥感图像分解的过程中引入所述上一时相遥感图像的相关信息,建立多时相遥感图像联合分解模型;利用所述多时相遥感图像联合分解模型,获取未变化区域;利用金字塔均值漂移平滑方法去除所述疑似变化区域的虚警,获得变化区域;根据所述变化区域得到变化检测结果。本发明用于多时相高分辨率遥感图像变化检测。
-
-
-
-
-
-
-
-
-