-
公开(公告)号：CN114529829A
公开(公告)日：2022-05-24
申请号：CN202210019714.1
申请日：2022-01-10
Applicant: 浙江工业大学
IPC: G06V20/13 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06V10/80 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 结合频率与边缘学习的高分遥感影像显著性目标检测方法，包括：根据目标地物轮廓绘制样本，制作边缘检测样本以及语义分割样本；搭建引入了边缘学习以及基于频谱的通道注意力机制的神经网络模型，将高分遥感影像、边缘检测样本、语义分割样本输入训练至拟合状态，得到遥感影像的显著性目标检测模型；输入高分遥感影像获取预测图像。本发明结合了边缘学习以及基于频谱的通道注意力机制，解决了传统遥感领域显著性检测边缘不清晰的问题，以及使用深度学习方法缺少对光谱特征而导致的检测不精确的问题。
-
公开(公告)号：CN110472525B
公开(公告)日：2021-05-07
申请号：CN201910680180.5
申请日：2019-07-26
Applicant: 浙江工业大学
Abstract: 一种时间序列遥感植被指数(Time‑Series Vegetation Index，TSVI)的噪声检测方法。首先使用单位根检验将各个像素的观测值分为平稳序列或者非平稳序列；对于非平稳序列，利用一定的数学模型对离散的TSVI进行建模，再计算实际观测值与模型预测值之间的差异，记为偏差。由于偏差消除了季节性成分，从而将非平稳序列转换为平稳序列。对于平稳序列或者偏差数据采用观测值分布在均值附近一定范围内的假设，进行噪声检测；再对去除噪声保留之后的观测值，迭代进行拟合和噪声检测，直到达到最大迭代次数或在某次迭代不再有噪声检出。然后将时间序列转换回图像空间获得噪声掩膜并优化。本发明可以获得准确的噪声掩膜，并提高地表相关应用的可靠性。
-
公开(公告)号：CN112084871A
公开(公告)日：2020-12-15
申请号：CN202010795781.3
申请日：2020-08-10
Applicant: 浙江工业大学
Abstract: 一种基于弱监督学习的高分遥感目标边界提取方法，首先根据提取任务确定遥感地物目标并制作相应的少量精确样本标签和大量不确切样本标签。然后使用少量精确样本标签训练小样本集边缘模型。再使用小样本集边缘模型去预测大量不确切样本集，得到大量的地物目标边缘强度图，对这批质量参差不一的强度图使用骨架提取算法获得骨架图，再采用边界完整程度算法计算每个地物目标的边界完整情况，并按给定阈值挑选整体边界完整度较高的骨架图作为大量较准确样本集。接着使用大量较准确样本集训练大样本集边缘模型。最后用大样本集边缘模型预测待生产的高分遥感影像，并用骨架提取，获得最终的目标边界提取结果。本发明的模型精度超过少量样本的模型精度。
-
Patent Agency Ranking
公开(公告)号：CN110555857A
公开(公告)日：2019-12-10
申请号：CN201910764982.4
申请日：2019-08-19
Applicant: 浙江工业大学
IPC: G06T7/12
Abstract: 一种语义边缘主导的高分遥感影像分割方法，包括获取数据、设计网络、准备模型、生产边缘、形态学后处理、矢量化的步骤。本发明利用卷积神经网络的特征学习能力以及池化操作形成多尺度融合，从遥感影像中提取符合视觉特征的地物对象边缘；本发明可以采用预训练边缘模型或基于局部人工勾绘成果重新训练模型，分别对应分割任务中的非监督和监督方法；通过对边缘细化及延长连接形成相对精准及完整的地物边界，将边界矢量化形成分割所需地物多边形。由此方法生成的地物多边形能基本吻合地物在影像上的视觉边界，克服传统分割对象中大部分过分割与欠分割现象，为地物精细形态确定、类型识别、大规模信息提取提供有效支持。
-
公开(公告)号：CN110443822A
公开(公告)日：2019-11-12
申请号：CN201910638370.0
申请日：2019-07-16
Applicant: 浙江工业大学
Abstract: 一种基于边缘辅助的高分遥感目标精细提取方法，首先根据遥感目标提取任务设计深度卷积神经网络、制作样本并训练得到目标检测模型和边缘检测模型。然后将遥感影像输入到目标检测模型中进行地物外包框提取，从而确定地物目标类型及所在位置范围；将遥感影像输入到边缘检测模型中进行地物边缘提取，从而获取地物目标边缘强度图。最后针对每个外包框中的目标，以相应位置的边缘强度图为指示进行目标边界提取操作，对强度较高的明显边缘直接进行细化作为边界，对模糊特别是中断边缘以边界完整为目标进行修补，最终确定目标精细边界，按任务需求可将目标边界矢量化为多边形要素。本发明可实现高分遥感目标的精细提取。
-
公开(公告)号：CN106599796B
公开(公告)日：2019-06-14
申请号：CN201611042169.9
申请日：2016-11-21
Applicant: 浙江工业大学
Abstract: 面向遥感影像云影检测的云及云阴影距离估计方法，包括：逐列提取影像灰度值；逐行计算累积灰度值，并除以像素数目，得到灰度值累积率；提取曲线上各段的斜率；将连续出现的低速累积与快速累积作为一个云阴影和云的区域，并将低速累积起始点和快速累积起始点之间的距离作为云和云阴影的纵向距离；逐行对相距Δr的两行ri和ri+Δr，计算灰度累积率，并识别其中的快速累积与低速累积区域；将标记为云和云阴影的像素进行种子生长，并根据连通区域进行云和云阴影标记，得到云和云阴影对象；在获得纵向距离Δr和横向Δc的基础上，设定阈值模板阈值r'和c'，在Δr±r'和Δc±c'范围移动云阴影模板，将云和云阴影相关系数达到最小时的距离作为该云和云阴影之间的最佳的距离估计
-
公开(公告)号：CN109543630A
公开(公告)日：2019-03-29
申请号：CN201811433346.5
申请日：2018-11-28
Applicant: 苏州中科天启遥感科技有限公司 , 浙江工业大学 , 中国科学院遥感与数字地球研究所
Abstract: 本发明提供基于深度学习的遥感影像林地提取方法，包括步骤影像数据融合、样本制作、模型训练、精度评定、林地预测。本发明还涉及基于深度学习的遥感影像林地提取系统、存储介质、电子设备；本发明融合数字地表模型，将DSM数据与四波段样本数据进行融合，得到具有五个波段信息的训练数据，输入到深度学习网络模型中反复迭代得到包含DSM特征的林地分类模型，然后再用边界提取网络RCF提取遥感影像中的林地边界作为约束，从而完成林地的精确分割，使林地的边界更加符合实际，本发明实现自动高效的林地矢量数据提取，极大的提高遥感影像的林地提取方法的准确度，缩短手工绘制的时间成本和人力成本。
-
公开(公告)号：CN106599796A
公开(公告)日：2017-04-26
申请号：CN201611042169.9
申请日：2016-11-21
Applicant: 浙江工业大学
CPC classification number: G06K9/0063 , G06K9/342
Abstract: 面向遥感影像云影检测的云及云阴影距离估计方法，包括：逐列提取影像灰度值；逐行计算累积灰度值，并除以像素数目，得到灰度值累积率；提取曲线上各段的斜率；将连续出现的低速累积与快速累积作为一个云阴影和云的区域，并将低速累积起始点和快速累积起始点之间的距离作为云和云阴影的纵向距离；逐行对相距Δr的两行ri和ri+Δr，计算灰度累积率，并识别其中的快速累积与低速累积区域；将标记为云和云阴影的像素进行种子生长，并根据连通区域进行云和云阴影标记，得到云和云阴影对象；在获得纵向距离Δr和横向Δc的基础上，设定阈值模板阈值r'和c'，在Δr±r'和Δc±c'范围移动云阴影模板，将云和云阴影相关系数达到最小时的距离作为该云和云阴影之间的最佳的距离估计
-
-
-
-
-
-
-
Search Results
38
records
(took 0.026 seconds)
