-
公开(公告)号：CN106778802B
公开(公告)日：2020-04-24
申请号：CN201611008770.6
申请日：2016-11-16
Applicant: 哈尔滨工业大学
Abstract: 一种最大化类别可分性的高光谱图像分类多核学习方法，本发明涉及多核学习模型求解。本发明为解决现有应用于高光谱图像分类的多核学习方法中，存在没有考虑将多核模型求解与后续分类应用相结合以及求解效率低的问题。按以下步骤进行：步骤一、从给定的输入高光谱图像数据集中获取训练样本和测试样本；步骤二、利用训练样本集构造多核学习模型中的基核矩阵Km，得到基核矩阵集合步骤三、利用基核矩阵集合在希尔伯特核空间度量数据集类内离散度和类间离散度；步骤四、在类内离散度和类间离散度基础上以最大类别间隔准则度量类别可分性，以类别可分性最大为多核学习模型求解准则，求解基核权重。本发明用于模式识别领域。
-
公开(公告)号：CN106485277B
公开(公告)日：2019-06-11
申请号：CN201610887971.1
申请日：2016-10-11
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法，本发明涉及高分辨率多时相遥感图像分类方法。本发明的目的是为了解决高分条件下的多时相对准分类的问题。具体过程为：一、输入源时相和目标时相中所有空间点的光谱矩阵A与B，以及A中各行相应类别标签向量Y；二、分别计算A、B以及A与B中各行之间的W1、W2和W12；三、通过多连接决策方式计算W1、W2所对应的G1、G2，以及W12的多连接决策优化；四、将A、B、G1、G2和W12输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F1和F2；五、通过KNN分类模型分类，获得目标时相的分类标签。本发明用于图像分类领域。
-
公开(公告)号：CN106353256B
公开(公告)日：2019-01-18
申请号：CN201610989466.8
申请日：2016-11-10
Applicant: 哈尔滨工业大学
IPC: G01N21/17
Abstract: 一种基于多光谱遥感图像的水体藻类污染检测方法，本发明涉及基于多光谱遥感图像的水体藻类污染检测方法。本发明是为了解决在传统利用多光谱遥感图像进行水污染大面积快速检测时造成的严重水污染区域漏检、水污染区域误判的问题。具体过程为：一、输入监控区域的多光谱遥感图像数据和该数据中相应的波段参数；二、筛选输入监控区域的多光谱遥感图像数据中相应的波段分别与固定的三个用于水体藻类污染检测的波段最临近的波段；三、计算新的水体指数WI，基于WI进行水域提取；四、计算水域区域的NDPI；五、进行水体藻类污染制图，并根据设定的藻类污染预警指数进行水体藻类污染区域提取。本发明用于水体藻类检测领域。
-
公开(公告)号：CN105184322B
公开(公告)日：2018-11-02
申请号：CN201510582557.5
申请日：2015-09-14
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于增量集成学习的多时相影像分类方法，涉及多时相遥感图像分类技术领域。本发明是为了解决多时相影像分类精度低的问题。本发明在集成学习的基础之上，引入增量学习，构造多时相分类器，实现连续地在线学习。首先，每个时相的影像数据分别作为支持向量机SVM算法的基本核函数，然后通过集成学习算法得到强分类器C0；其次，引入新的训练数据，更新原始的训练数据集，得到增量数据集，再通过集成学习算法得到强分类器C1；依次引入新的训练数据，通过集成学习算法得到强分类器Cn；最后各个强分类器相加得到最终分类器，用于测试样本的分类。本发明适用于多时相影像分类。
-
公开(公告)号：CN108366258A
公开(公告)日：2018-08-03
申请号：CN201810435458.8
申请日：2018-05-09
Applicant: 哈尔滨工业大学
IPC: H04N19/11 , H04N19/30 , H04N19/154
Abstract: 一种用于可伸缩视频编码的快速帧内编码模式决策方法，涉及视频编码技术领域。本发明是为了解决现有针对可伸缩视频的快速帧内编码模式决策技术存在的相关性模型不能准确描述SHVC编码中帧内编码模式的相关性、缺少针对不同大小PU的快速帧内编码模式决策算法、缺乏针对RMD过程之后的编码过程所进行的优化、针对SHVC标准的快速帧内编码模式决策算法的性能较差等问题。本发明利用层间、时间和空间相关性，为增强层中不同大小的PU分别构造初始候选帧内编码模式列表；利用哈达玛代价值进一步减少候选帧内编码模式的数量，从而减少编码时间。实验证明，本发明可以明显减少编码时间但不会影响编码效率。本发明应用于可伸缩视频编码的帧内编码模式决策领域。
-
Patent Agency Ranking
公开(公告)号：CN107239768A
公开(公告)日：2017-10-10
申请号：CN201710433705.6
申请日：2017-06-09
Applicant: 哈尔滨工业大学
Abstract: 一种基于张量主成分分析降维的高光谱图像目标检测方法，本发明涉及高光谱图像目标检测方法。本发明的目的是为了解决现有高光谱图像目标检测方法中未充分考虑在高分条件下空间约束增强的特性，不能从三维数据整体进行信息挖掘，检测精度低的问题。过程为：一：获得三阶目标、三阶背景和待检测的三阶测试样本张量块；二：获得目标、背景和待检测的测试样本三个维度上的投影矩阵；三：将目标、背景和待检测的测试样本投影到预设的张量子空间中；四：计算每一个待检测的测试样本到背景和目标模板的总距离；五：将距离的比值作为灰度值，如果灰度值大于阈值，则确定该中心点的像元为目标，否则认为该中心点的像元为背景。本发明用于图像处理领域。
-
公开(公告)号：CN106778802A
公开(公告)日：2017-05-31
申请号：CN201611008770.6
申请日：2016-11-16
Applicant: 哈尔滨工业大学
Abstract: 一种最大化类别可分性的高光谱图像分类多核学习方法，本发明涉及多核学习模型求解。本发明为解决现有应用于高光谱图像分类的多核学习方法中，存在没有考虑将多核模型求解与后续分类应用相结合以及求解效率低的问题。按以下步骤进行：步骤一、从给定的输入高光谱图像数据集中获取训练样本和测试样本；步骤二、利用训练样本集构造多核学习模型中的基核矩阵Km，得到基核矩阵集合步骤三、利用基核矩阵集合在希尔伯特核空间度量数据集类内离散度和类间离散度；步骤四、在类内离散度和类间离散度基础上以最大类别间隔准则度量类别可分性，以类别可分性最大为多核学习模型求解准则，求解基核权重。本发明用于模式识别领域。
-
公开(公告)号：CN105913451A
公开(公告)日：2016-08-31
申请号：CN201610464695.8
申请日：2016-06-23
Applicant: 哈尔滨工业大学
IPC: G06T7/00
CPC classification number: G06T2207/10024 , G06T2207/10032
Abstract: 一种基于图模型的自然图像超像素分割方法，本发明涉及基于图模型的自然图像超像素分割方法。本发明的目的是为了解决现有方法无法在生成大小均匀的超像素同时有较高的超像素分割精度的缺点。步骤一：将输入的自然图像映射为赋权图；步骤二：输入期望生成的K个超像素数目，根据K个超像素数目对步骤一的赋权图进行均匀网格采样，得到K个超像素的初始位置，K取值为正整数；步骤三：在步骤二得到的K个超像素的初始位置的基础上进行聚类，生成超像素；步骤四：对步骤三生成的超像素的边界进行优化，得到超像素分割的结果。本发明用于数字图像处理领域。
-
公开(公告)号：CN105184250A
公开(公告)日：2015-12-23
申请号：CN201510547324.1
申请日：2015-08-31
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/0063 , G06K9/6274 , G06K9/6293
Abstract: 本发明是一种电力走廊机载LiDAR点云数据的地物分类方法，涉及机载LiDAR点云数据处理领域；本发明要解决现有技术对电力走廊内机载LiDAR点云数据所包含的信息利用不足的问题，进而提出了一种电力走廊机载LiDAR点云数据特征的地物分类方法；具体步骤包括：机载LiDAR点云数据的获取；点云数据粗差点去除；点云数据特征提取与处理，其中点云数据特征包括单点特征和邻域特征，并对提取的特征进行归一化处理；从LiDAR点云数据集合中选择有标签样本，从LiDAR点云数据中分离出电力线、植被、建筑和地表等目标信息利用有标签样本对数据集进行分类，得到电力线、植被、建筑物和地表等类别信息。
-
公开(公告)号：CN102163338A
公开(公告)日：2011-08-24
申请号：CN201110088314.8
申请日：2011-04-08
Applicant: 哈尔滨工业大学
IPC: G06T11/00
Abstract: 一种压缩感知系统中的高效重建方法。它涉及一种数据处理方法，它解决了现有重建方法中不能够精度速度同时提高的问题。首先整理测量值Y0为易于重建算法实现的形式，若一维重建，则不整理，若二维重建，则进行矢量化，得到Y；然后，令k＝1，uk＝0，vk＝0，得到uk+1＝δ·shrink(vk+1，μ)；vk+1＝vk+ΘT(Y-Θuk)；迭代步骤中出现的无贡献迭代，计算求取无贡献迭代的次数s，则假设，vk变化s次恰好使得uk+1有所改变，那么在这些迭代步骤中有如下迭代公式：uk+s＝uk+1，进行判定即||uk+1-uk||≤ε，再判断是否成立，来确定迭代是否收敛，迭代直至收敛；最后，若一维信号，则直接利用信号稀疏表达重建原始信号，若二维信号，则对稀疏系数u进行逆矢量化，并利用图像的稀疏表达重建原始图像。本发明应用于压缩感知系统中一维或二维信号重建。
-
-
-
-
-
-
-
-
-
Search Results
171
records
(took 0.03 seconds)
