-
公开(公告)号：CN111461259A
公开(公告)日：2020-07-28
申请号：CN202010339964.4
申请日：2020-04-26
Applicant: 武汉大学
Abstract: 本发明提供一种基于红黑形态小波池化网络的图像分类方法及系统，包括准备待分类图像数据集；将红黑形态小波与最大池化融合，构建提升方案池化层，用于提取待分类图像的特征并进行降采样；基于待分类图像数据集，构建及训练提升方案卷积神经网络，并通过Softmax分类器实现分类，所述提升方案卷积神经网络包含提升方案池化层；所述提升方案池化层包含两个支路，分别是红黑形态小波支路和最大池化支路，提升方案池化层的最终输出y红黑形态小波的输出和最大池化分支的输出融合得到；所述红黑形态小波支路包含垂直和水平方向的提升过程和对角方向的提升过程。本发明能够有效提高神经网络的识别能力，在基准图像的分类任务上有明显的准确率提升。
-
公开(公告)号：CN108230313B
公开(公告)日：2020-07-10
申请号：CN201810005380.6
申请日：2018-01-03
Applicant: 武汉大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于部件自适应选择与判别模型的SAR图像目标检测方法。本发明采用多尺度部件模型对SAR图像进行建模，充分考虑了其结构信息，且部件的自适应选择使得检测到的子部件与其实际尺寸更加符合，更具有实际意义。此外，惩罚因子的引入对模型做了进一步优化，而最终采用的SANMS方法对重复包围框的滤除，也极大地降低了虚警率。本发明在检测方法中考虑了目标结构，可以更加精确地检测到子部件。
-
公开(公告)号：CN110765912A
公开(公告)日：2020-02-07
申请号：CN201910976785.9
申请日：2019-10-15
Applicant: 武汉大学
Abstract: 为了解决现有SAR图像目标检测方法对SAR图像特征表征能力不足的问题，通过在提取SAR图像特征时，除去提取传统纹理特征之外还结合提取其统计特征，使得SAR图像的统计分布特性得到充分学习，可以有效提高SAR图像船舶目标检测精确度本发明公开了一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法，采取多阶段检测网络模型，通过在特征提取端添加统计约束层来提取SAR图像统计特性，使用数据集训练网络，指导网络参数的学习，得到更适用于SAR图像船舶目标检测的网络结构。
-
公开(公告)号：CN106709463B
公开(公告)日：2019-09-17
申请号：CN201611245991.5
申请日：2016-12-29
Applicant: 武汉大学
Abstract: 一种基于分层语义的SAR图像分类方法，包括进行多尺度分割，得到不同精度的分割图；构建区域金字塔，将不同精度的分割图组合生成区域金字塔；CRF空间关联建模，包括对于区域金字塔，利用CRF建立该金字塔的每一层中区域间的空间关系；BN因果性建模，包括将区域金字塔相邻层间的因果联系通过BN进行建模，将区域金字塔层内的因果性通过BN进行建模，形成语义金字塔；统一推理，包括将联合概率表示为统一的因子图，将图像分类过程等价于推理最优状态，将推理结果作为图像分类结果。本发明联合BN和CRF建模SAR图像分类中的先验知识，其中BN构建因果关联，而CRF建模空间关系，实现分层语义分类，提高SAR图像分类性能。
-
公开(公告)号：CN107680113A
公开(公告)日：2018-02-09
申请号：CN201711056764.2
申请日：2017-10-27
Applicant: 武汉大学
CPC classification number: G06T7/13 , G06T7/11 , G06T7/136 , G06T2207/10044 , G06T2207/20084
Abstract: 本发明涉及一种基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，S1采用全卷积网络对输入数据进行粗分类，输出为与输入大小相等的各类别得分图，同时从全卷积神经网络的内部特征层中提取出隐式边缘图；S2采用边缘检测网络对输入数据提取出显示边缘图；S3利用域转换和条件随机场对S2得到的类别得分图作第一次约束，得到初步的分割图；S4将S2中得到的显示边缘图转换为边缘距离图；S5将边缘距离图输入到限定型域转换，对S3得到的初步的分割图进行第二次边缘约束，得到最终的分割结果。本发明通过外部边缘网络提取出了边缘信息，利用边缘信息对粗分割结果进行边缘区域的分割过滤，从而提高SAR图像分割的准确率。
-
Patent Agency Ranking
公开(公告)号：CN107480723A
公开(公告)日：2017-12-15
申请号：CN201710726395.7
申请日：2017-08-22
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于局部二进制阈值学习网络的纹理识别方法，包括步骤：步骤1，准备待分类纹理图像数据集D，将数据集D分成训练数据集Dt和测试数据集Dv；步骤2，构建局部二进制阈值学习网络，输入训练数据集Dt，通过误差敏感项的反向传播和随机梯度算法对局部二进制阈值学习网络进行训练；所述局部二进制学习阈值网络包括1个输入层、1个阈值编码层、2个卷积层、3个下采样层、1个全连接层和1个输出层；步骤3，将测试数据集Dv输入到训练好的局部二进制阈值学习网络中，对训练结果进行验证。本发明提出一种可阈值学习的局部二进制阈值网络用于纹理图像的分类方法，通过学习纹理特征的结构信息，适用于小样本条件下纹理图像的识别。
-
公开(公告)号：CN106682701A
公开(公告)日：2017-05-17
申请号：CN201710018218.3
申请日：2017-01-10
Applicant: 武汉大学
CPC classification number: G06K9/6269 , G06K9/46
Abstract: 本发明公开了一种极化SAR图像多尺度描述基元的稀疏流形分类方法，为了解决时间序列极化SAR图像非相干信息和相干信息的提取和融合问题，以及极化数据过大、SAR乘性模型非相干的问题，通过一种本质上的特征融合以及流形稀疏表达，可以有效对时间序列极化SAR图像进行分类。本发明公开了一种结合极化非相干特征与时序相干特征两个尺度信息的多尺度描述基元的构造方法，并利用一个压缩感知和稀疏流形表达的多层次的非线性产生式模型来对其进行特征提取和信息降维，这种方法能对时间序列极化SAR图像进行有效的分类，多尺度描述基元也可以成为一种通用的时间序列极化SAR图像处理的基础技术。
-
公开(公告)号：CN106408030A
公开(公告)日：2017-02-15
申请号：CN201610860930.3
申请日：2016-09-28
Applicant: 武汉大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本发明提供一种基于中层语义属性和卷积神经网络的SAR图像分类方法，首先对待分类的SAR图像进行中层语义属性特征图像块的提取，包括根据待分类SAR图像数据集和负样本SAR图像数据集，提取随机图像块的MVR特征，进行k-means聚类和迭代检测获得字典，根据纯度和判别度的线性组合值，筛选出最具有判别性的聚类中心作为SAR图像属性；基于属性和卷积神经网络的SAR图像分类，利用所有待分类SAR图像的属性训练卷积神经网络，将图像的全局特征和每个属性的卷积神经网络特征串联，用支持向量机进行分类。这种基于属性级别的卷积神经网络学习，使得深度学习更加具有针对性，而且同时也解决了训练数据不足的问题，深度学习得到语义属性组合特征对SAR图像的分类有较好的效果。
-
公开(公告)号：CN105005047A
公开(公告)日：2015-10-28
申请号：CN201510420314.1
申请日：2015-07-17
Applicant: 武汉大学
IPC: G01S13/90
CPC classification number: G01S13/9023
Abstract: 本发明提供后向散射优化的森林复杂地形校正及树高反演方法、系统，地形校正包括针对森林场景的极化干涉SAR图像，根据森林场景的两层散射特点，构造两层结构的相干模型，并对地形引起的参数变化进行校正；结合地形仿真和植被仿真，建立植被与地形之间的定量描述关系；最后结合距离多普勒几何校正方式和归一化辐射校正方式进行校正；树高反演包括针对不同树种之间的结构和分布的差异，提出树种多样性因子，对不同的树种的植被高度分别进行估计然后获得整个森林场景的树高反演结果。采用本发明可以有效的实现森林复杂场景的地形效应分析与补偿；此外，结合树种多样性因子，提高植被高度的反演精度。
-
公开(公告)号：CN102663436B
公开(公告)日：2014-04-16
申请号：CN201210134551.8
申请日：2012-05-03
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 本发明涉及一种用于光学纹理图像和SAR图像的自适应特征提取方法，包括对训练集中多幅图像学习采样位置，进而不断学习出采样分布；对学习的采样分布利用自适应滤波对图像块进行采样编码，提取自适应特征；将该自适应特征与原始LBP特征串联组合，即为图像的自适应纹理特征描述。本发明融合了图像的分布特性、空间特性，利用了图像的先验知识学习，通过自适应采样的随机性，从而克服了普通LBP特征采样固定性的缺陷，提高光学纹理图像和SAR图像的分类正确率，进而提高基于纹理特征的分类、分割等图像处理应用的准确率。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.022 seconds)
