-
公开(公告)号：CN110287869A
公开(公告)日：2019-09-27
申请号：CN201910551686.6
申请日：2019-06-25
Applicant: 吉林大学
Abstract: 本发明公开了一种基于深度学习的高分辨率遥感影像农作物分类方法，属于卫星遥感图像处理与应用的技术领域。本发明目的是解决现有高分辨率遥感影像在对农作物分类中存在的地物边界模糊、算法复杂度高与忽略特征波段信息等缺点，以及目前神经网络方法无法对高分辨率遥感图像进行农作物分类的问题。本发明采用36波段的组合方式，结合本发明所设计分VGG神经网络结果，利用VGG神经网络的深度学习，通过多次迭代达到了对10m分辨率的高分辨遥感影像中的农作物地块进行准确的分类。
-
公开(公告)号：CN104252703B
公开(公告)日：2017-05-03
申请号：CN201410449528.7
申请日：2014-09-04
Applicant: 吉林大学
IPC: G06T5/50
Abstract: 本发明的基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法属于卫星遥感图像处理的技术领域。该方法的应用条件是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构，提高低分辨率遥感图像的空间分辨率。具体分为字典训练和对低分辨率遥感图像进行重构两个步骤。本发明考虑到遥感图像的物候变化，构建了含不同特征信息的小波域的字典，基于三对子波段字典的训练，结合稀疏表示，有效地实现低分辨率遥感图像的超分辨率重构，更好地获取了图像的细节特征；本发明的方法可有效提高低分辨率遥感图像的重构质量，为低分辨率遥感图像的后期应用提供基础。
-
公开(公告)号：CN105488805A
公开(公告)日：2016-04-13
申请号：CN201510933687.9
申请日：2015-12-15
Applicant: 吉林大学
CPC classification number: G06K9/0063 , G01S13/89 , G06T2207/10032 , G06T2207/30188
Abstract: 本发明公开了一种多频双极化林地积雪被动微波混合像元分解方法，属于遥感图像处理的技术领域，针对现有技术利用被动微波数据对林地积雪进行雪深反演时误差较大的问题。本发明首先对林地下垫面土地分类数据的获取和重新分类，然后根据分类结果基础上建立多频双极化林地积雪被动微波混合像元分解模型，最后基于动态窗口数据选择策略的欠定性方程组求解，得到分解后各下垫面对应的组分亮温数据和误差数据，过程中本发明考虑到微波像元的空间相关性，提出了8邻域窗口数据输入和4邻域窗口数据输入两种输入数据的方案，并根据以上两种输入方案并对求解结果的优选提出了四种解决方案。
-
公开(公告)号：CN102608592A
公开(公告)日：2012-07-25
申请号：CN201210096736.4
申请日：2012-04-05
Applicant: 吉林大学
IPC: G01S7/41
Abstract: 本发明属于遥感图像处理技术领域，提供了一种基于五种地物分类信息的积雪被动微波混合像元分解方法。本发明根据影响积雪辐射特性的典型五种下垫面类型，通过获得观测地区中较高空间分辨率的地物分类数据，利用积雪在不同下垫面微波辐射之间差异特性，选择微波天线增益函数和采样率，建立积雪微波混合像元分解模型，采用具有约束条件的最小二乘法迭代计算求解欠定性方程组，实现积雪被动微波混合像元分解。本发明可以有效地解决积雪被动微波混合像元问题，改进积雪参数反演精度，在气候和水文研究以及积雪灾害评估等领域中具有重要应用价值。
-
-
-
Search Results
44
records
(took 0.017 seconds)
