-
公开(公告)号：CN107944353A
公开(公告)日：2018-04-20
申请号：CN201711102099.6
申请日：2017-11-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，主要解决现有方法中SAR图像变化检测的检测精度不高、运算速度较慢的问题。本发明的具体步骤如下：(1)SAR图像预处理；(2)特征矩阵归一化；(3)构造训练数据集；(4)构建轮廓波BSPP感兴趣区域检测网络；(5)训练感兴趣区域检测网络；(6)构建轮廓波BSPP变化检测网络；(7)训练变化检测网络；(8)获取测试样本；(9)检测测试样本的感兴趣区域；(10)感兴趣区域的变化检测；(11)输出变化检测结果图。本发明具有对SAR图像变化检测的检测精度高和运算速度快的优点。
-
公开(公告)号：CN105069480B
公开(公告)日：2018-04-17
申请号：CN201510512624.6
申请日：2015-08-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于高斯滤波和PSO的极化SAR地物分类方法，主要解决了现有基于单像素点分类方法的分类精度低的问题。其实现步骤为：先输入待分类极化SAR图像的相关信息和用现有基于单像素点方法对该极化SAR图像的分类结果，构造类别图；再将类别图分成子类别图，对每幅子类别图构建目标函数，将其通过PSO算法优化获得最优方差，用最优方差构建高斯滤波器；之后对子类别图进行高斯滤波，得到每幅子图的分类结果；最后将每幅子图的分类结果进行合并获得整个待分类极化SAR图像的分类结果。本发明提高了极化SAR地物分类的精度，可用于地物分类与目标识别。
-
公开(公告)号：CN107832798A
公开(公告)日：2018-03-23
申请号：CN201711155378.9
申请日：2017-11-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，主要解决现有技术中只能依靠散射信息对地物进行分类和未考虑极化SAR图像的多尺度特征而导致的分类准确率偏低的问题。本发明的具体步骤如下：(1)对待检测的极化SAR图像进行Lee滤波；(2)将相干矩阵进行Yamaguchi分解；(3)特征矩阵归一化；(4)对特征矩阵进行非下采样轮廓波变换；(5)构造数据集；(6)构建阶梯网目标检测模型；(7)训练目标检测模型；(8)获得测试结果。本发明具有对极化SAR图像的多尺度特征提取好，目标检测的精度高的优点。
-
公开(公告)号：CN107491793A
公开(公告)日：2017-12-19
申请号：CN201710786485.5
申请日：2017-09-04
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于稀疏散射全卷积的极化SAR图像分类方法，先输入待分类的原始极化SAR图像数据；然后将数据转换成极化散射矩阵；再对极化散射矩阵进行稀疏散射编码；将稀疏散射编码得到的矩阵输入到全卷积网络，初始化并训练网络，对图像的原始数据进行特征学习，最后进行分类，得到分类结果。本发明同时考虑了图像的全部特征和空间结构特征，提高了极化SAR影像地物分类精度。
-
公开(公告)号：CN107358625A
公开(公告)日：2017-11-17
申请号：CN201710439717.X
申请日：2017-06-12
Applicant: 西安电子科技大学
CPC classification number: G06T7/30 , G06K9/3233 , G06K9/6256
Abstract: 本发明公开了一种基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，包括以下步骤：1)获取两幅配准后同一地区不同时相的SAR图像，然后从两幅配准后同一地区不同时相的SAR图像选取若干有标签数据，并将选取出来的有标签数据作为训练样本；2)将训练样本归一化到[0，1]之间，并将归一化的结果记作样本X；3)得到训练好的SPP Net感兴趣区域检测网络；4)得最终的感兴趣区域；5)得两幅经过感兴趣检测后SAR图像I1及I2；6)通过基于图像块的GKI对经步骤5)得到的两幅经过感兴趣检测后SAR图像I1及I2进行变化检测，得最终的变化检测结果图，该方法实现大规模、高分辨SAR图像的变化检测，并且变化检测精度较高。
-
Patent Agency Ranking
公开(公告)号：CN107301644A
公开(公告)日：2017-10-27
申请号：CN201710434179.5
申请日：2017-06-09
Applicant: 西安电子科技大学
Abstract: 本发明是一种基于均值漂移和模糊聚类的自然图像无监督分割方法，主要解决现有技术对海量自然图像的无监督分割准确率低的问题。其方案是：1)输入图像，对其进行平滑；2)在平滑后图像像素的归一化RGB彩色空间中均匀初始化64个迭代初始点；3)对初始点进行迭代搜索，得到64个收敛点；4)删除以收敛点为中心的高维球内像素数目小于删除阈值的收敛点；5)合并欧式距离小于合并阈值的收敛点，确定密度峰值及密度峰值数目，依次计算像素的隶属度和像素的平滑隶属度；6)对像素的平滑隶属度去模糊化，为每个像素加上类标签，输出分割图像。本发明不需要设置控制参数，能自动确定图像的分割类别数，可用于对海量自然图像的无监督分割。
-
公开(公告)号：CN104217438B
公开(公告)日：2017-03-01
申请号：CN201410482371.8
申请日：2014-09-19
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于半监督的图像显著性检测方法，主要解决现有技术中目标边界不清晰，目标提取不均匀，显著性检测准确率低的问题。本发明的步骤为：(1)获得初步显著性图像；(4)聚类操作；(5)流形学习；(6)获得最终的显著性图像。本发明利用计算得到的初步的显著性图像标记待检测图像的超像素，得到标记超像素作为半监督的标记样本，不依靠凸包可以避免检测结果中出现凸包中的非目标部分，提高了显著性检测的准确性。本发明采用流形学习的方法对标记的超像素进行学习，可以获得均匀且边界完整的目标。(2)获得初步的标记的超像素；(3)贝叶斯选择；
-
公开(公告)号：CN106095773A
公开(公告)日：2016-11-09
申请号：CN201610334077.1
申请日：2016-05-19
Applicant: 西安电子科技大学
IPC: G06F17/30
CPC classification number: G06F17/3028
Abstract: 本发明给出了一种基于最短联合路径的深度图上采样方法，主要解决通过现有技术得到的上采样深度图像中深度边缘模糊和深度掺混问题。其实现步骤为：1.输入高分辨彩色图像和对应的低分辨深度图，将低分辨深度图对应到高分辨网格，得到待填充的高分辨深度图；2.计算欧式距离、颜色差异、梯度差异和边界四个分量，并通过对它们加权定义最短联合路径；3.采用全局遍历搜索算法，找出到每个目标点有最短联合路径的种子点；4.将搜索到的种子点的深度值赋给对应目标点，完成深度图的上采样，得到高分辨的深度图像。本发明能够快速高效的生成边缘清晰的上采样深度图像，在不同放大倍数下上采样结果稳定，可用于2D转3D技术和立体电视。
-
公开(公告)号：CN106060509A
公开(公告)日：2016-10-26
申请号：CN201610334492.7
申请日：2016-05-19
Applicant: 西安电子科技大学
IPC: H04N13/00
CPC classification number: H04N13/122 , H04N13/111
Abstract: 本发明公开了一种引入颜色校正的自由视点图像合成方法，主要解决现有自由视点合成技术中合成图像颜色不连续和空洞边缘模糊的问题。其实现步骤为：输入左、右视点视图及各自对应的深度图，经过3D变换得到左、右虚拟视图；依据位置关系由左、右虚拟视图合成中间虚拟视图的非闭塞区域；用虚拟视图背景区域间的颜色差异替代虚拟视图闭塞区域间的颜色差异，并利用直方图匹配算法得到经过颜色校正的闭塞区域；融合非闭塞区域和经过颜色校正的闭塞区域，得到有空洞点的中间视点图像；对有空洞点的中间视点图像进行逐层的空洞填充，得到最终的合成虚拟视图。本发明提高了合成虚拟图像的质量，提升了3D视频的观看舒适度，可用于立体多媒体。
-
公开(公告)号：CN105913090A
公开(公告)日：2016-08-31
申请号：CN201610230172.7
申请日：2016-04-14
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本发明公开了一种基于SDAE?SVM的SAR图像目标分类方法。主要解决现有方法中普通堆栈自编码器提取到的SAR图像特征鲁棒性差，softmax分类器微调深度网络分类准确率低的问题。其步骤为：(1)读入数据；(2)分割操作；(3)旋转操作；(4)确定SAR图像的目标切片；(5)目标切片向量化；(6)构建一个四层的初始栈式去噪自编码器SDAE；(7)训练初始栈式去噪自编码器SDAE；(8)微调；(9)计算测试准确率；本发明具有提取得到的SAR图像目标特征鲁棒性高、能够提高SAR图像目标分类正确率的优点。
-
-
-
-
-
-
-
-
-
Search Results
243
records
(took 0.036 seconds)
