-
公开(公告)号:CN112116065A
公开(公告)日:2020-12-22
申请号:CN202010815176.8
申请日:2020-08-14
Applicant: 西安电子科技大学
Abstract: 本发明属于高光谱图像的处理技术领域,公开了一种RGB图像光谱重建方法、系统、存储介质及应用,构建具有结构张量约束的混合2‑D–3‑D深度残差注意力网络的骨干网络;构建残差注意力模块,包含多个2‑D残差注意力模块和3‑D残差注意力模块;分别在2‑D深度残差注意力网络和3‑D深度残差注意力网络中引入2‑D通道注意力机制和3‑D波段注意力机制;结合高光谱图像的像素数值和结构差异,采用结合结构张量和MRAE的形式作为损失函数,形成一个更精细的约束。本发明实现RGB图像到高光谱图像的端到端的映射,自适应地重新校准通道和波段维度的特征响应,增强判别学习能力,有助于在训练过程中恢复更精细、更准确的高光谱图像。
-
公开(公告)号:CN112116064A
公开(公告)日:2020-12-22
申请号:CN202010803842.6
申请日:2020-08-11
Applicant: 西安电子科技大学
Abstract: 本发明属于高光谱图像的处理技术领域,公开了一种光谱超分辨自适应加权注意力机制深层网络数据处理方法,选用两个光谱重建挑战数据集进行验证;评价指标选取,使用均方根误差RMSE和平均相对绝对值误差MRAE作为评估指标后,计算MRAE和RMSE;构造自适应加权通道注意力机制模块;构建基于分块的二阶非局部模块;构建自适应加权注意力机制网络以及训练。本发明设计出一种全新的自适应加权注意力机制网络用于光谱超分辨,其骨干网络由多个通过长、短连接来实现双残差学习的双残差模块堆叠而成。并在双残差模块嵌入了自适应加权通道注意力模块,重新校准通道特征响应,增强网络的特征表达能力。
-
公开(公告)号:CN107360344B
公开(公告)日:2020-02-21
申请号:CN201710502958.4
申请日:2017-06-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种监控视频快速去雾方法,主要解决现有技术计算复杂度高,去雾后图像细节模糊的问题。其方案是:在计算大气光时,将有雾图像进行上下对半划分,并对有雾图像的上半部分采用暗通道先验求取大气光;在计算单帧有雾图像的透射率时,采用改进的引入自适应参数的快速透射率估计方法对透射率进行估计;在视频处理流程上,采用相邻帧差法以区分出背景和前景变动部分,只对前景变动部分的透射率进行计算,并用前一帧相同位置处的透射率计算结果作为当前帧背景部分的透射率。本发明不仅减小了计算透射率时的复杂性,而且提高去雾后图像的细节清晰度。可用于对包含复杂运动目标且运动位移较大的监控场合。
-
公开(公告)号:CN110659369A
公开(公告)日:2020-01-07
申请号:CN201910223832.2
申请日:2019-03-22
Applicant: 西安电子科技大学
IPC: G06F16/51
Abstract: 本发明属于遥感影像处理技术领域,公开了一种在轨高精度轻量化全球影像控制点数据库构建方法及系统,使用图像特征提取算法和均匀采样算法,获取卫星遥感影像的控制点;制作对应的控制点影像片,并确定控制点的点位索引信息;整理控制点的属性信息,形成控制点属性文件;构建全球影像控制点数据库系统结构;使用数据集成技术将控制点影像片与控制点属性文件进行关联,形成控制点数据块;制定数据库存储策略,将控制点影像存入数据库中。本发明适用于全球不同卫星所提供的遥感影像,结构精炼,实现简单,数据库体量小,数据精度高,可扩展性强,符合在轨测绘处理的要求。
-
公开(公告)号:CN110110844A
公开(公告)日:2019-08-09
申请号:CN201910331464.3
申请日:2019-04-24
Applicant: 西安电子科技大学
IPC: G06N3/04
Abstract: 本发明提出了一种基于OpenCL的卷积神经网络并行处理方法,主要解决现有卷积神经网络并行化处理中模型复杂度高、运行速度缓慢的问题。实现步骤为:获取图像数据矩阵的重组矩阵;获取权值矩阵;分块并行计算权值矩阵与重组矩阵的乘积;对乘积矩阵进行并行批量归一化;输出特征值矩阵。本发明利用计算机图形处理器GPU中大量的并行计算单元,将卷积神经网络的卷积过程转化为大型矩阵乘法,分块并行计算权值矩阵与重组矩阵的乘积,简化了卷积层数据的处理过程,优化了数据的访存方式,提高了数据的复用率,使得本发明大幅提高了卷积神经网络的运行速度。
-
公开(公告)号:CN107145830A
公开(公告)日:2017-09-08
申请号:CN201710227022.5
申请日:2017-04-07
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于空间信息增强和深度信念网络的高光谱图像分类方法,主要解决现有技术对高光谱图像分类存在的精度提高不明显的问题,其技术方案为:1)对原始高光谱图像进行归一化和波段选择,得到反射率值在0到1之间的高光谱图像;2)通过波段分组和分组引导滤波对高光谱图像进行空间信息增强;3)针对空间信息增强后的高光谱图像特点构建深度信念网络模型;4)用空间信息增强后的高光谱图像进行模型的训练;用得到的模型对高光谱图像进行类别预测,得到分类结果。本发明在不损失原始光谱信息的情况下有效增强了高光谱图像空间信息,明显提高了分类精度,可用于环境、气候、农业以及矿物探测。
-
公开(公告)号:CN103810714A
公开(公告)日:2014-05-21
申请号:CN201410089806.2
申请日:2014-03-12
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于AMRF的高光谱图像稀疏解混方法,解决了现有技术在高光谱图像稀疏解混过程中,稀疏解混精度低、耗时长、效率低的问题。本发明实现的具体步骤是:(1)输入解混参数;(2)预处理;(3)构造马尔科夫约束模型;(4)构造稀疏解混模型;(5)求解稀疏解混模型;(6)输出解混结果。本发明引入了自适应的马尔科夫约束模型,使得本发明具有稀疏解混精度高、耗时短、效率高的优点。
-
公开(公告)号:CN119229274A
公开(公告)日:2024-12-31
申请号:CN202411065656.1
申请日:2024-08-05
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/096
Abstract: 本发明实施例公开了一种小样本高光谱图像分类方法,包括:获取源域高光谱图像、目标域高光谱图像,定义目标域高光谱图像中未标记数据为XU,定义目标域高光谱图像和源域高光谱图像的标记数据为XL;根据光谱特征偏移策略对目标域高光谱图像未标记数据XU进行增强,确定样本对数据;确定样本对数据的第一特征向量,并进一步确定无监督对比损失函数Luc,根据标记数据XL确定监督对比损失函数Lsc和分类损失函数Lcls,根据无监督对比损失函数Luc、监督对比损失函数Lsc和分类损失函数Lcls构建最终损失函数;根据源域高光谱图像、目标域高光谱图像训练图像分类模型,直至达到最大迭代次数;将测试样本输入训练后的图像分类模型,得到分类结果。
-
公开(公告)号:CN118967476A
公开(公告)日:2024-11-15
申请号:CN202411037939.5
申请日:2024-07-31
Applicant: 西安电子科技大学
IPC: G06T5/50 , G06T5/60 , G06T3/4046 , G06T3/4053 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 一种基于深度先验和双注意力残差网络的高光谱图像融合方法、系统、设备及介质,其方法包括:先获取图像数据集并进行预处理,得到低分辨率高光谱图像和全色图像,再通过深度高光谱先验算法对低分辨率高光谱图像进行上采样,得到上采样高光谱图像,然后将全色图像和上采样高光谱图像在光谱维进行拼接得到输入图像,并输入到通道和空间双注意力残差网络中进行重建,得到残差图像,最后对上采样高光谱图像和重建的残差图像进行加和运算得到融合高光谱图像;系统、设备及介质用于实现一种基于深度先验和双注意力残差网络的高光谱图像融合方法;本发明降低了对数据量依赖的同时提高了高光谱图像融合的精度。
-
公开(公告)号:CN117934593A
公开(公告)日:2024-04-26
申请号:CN202410095782.5
申请日:2024-01-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种目标物体位姿估计方法、系统及计算机可读存储介质。本发明从两个视角采集的RGB图像中确定出内点率较高的视角和内点率较低的视角;再从内点率较低的视角中根据预定方法筛选出有效内点;然后将内点率较高的视角中的内点重投影到内点率较低的视角中,并与其筛选出的有效内点相合并,形成内点集合;根据该内点集合进行位姿估计。本发明仅需要RGB图像即实现了2D点簇的融合,并且利用所有视角的图像中的有效2D信息并实现融合,在降低硬件成本的情况下,充分利用了对位姿估计有用的各RGB图像的有用信息,提高了位姿估计的精度。
-
-
-
-
-
-
-
-
-