-
公开(公告)号：CN105260134A
公开(公告)日：2016-01-20
申请号：CN201510607192.7
申请日：2015-09-19
Applicant: 中国地质大学(武汉)
IPC: G06F3/06
Abstract: 本发明公开了一种集群环境下面向动态空间计算域的地图数据均衡存储方法，其包括以下步骤：设置地图服务器集群中的结点个数；计算地图子空间大小；计算地图数据在子空间中的位置；计算地图数据在集群中的目标存储结点索引；将地图数据存储到目标结点；循环上述步骤将所有地图数据均衡存储到地图服务器集群的各个结点中。本发明能够将每个地图子空间中的地图数据均衡分配到集群中各个服务结点，从而实现将任意动态空间计算域的地图数据访问请求均衡分配到集群中的各个结点，均衡集群环境下各个网络地图服务结点的负载，实现集群环境下面向动态空间计算域的海量地图数据的均衡存储。
-
公开(公告)号：CN103093484A
公开(公告)日：2013-05-08
申请号：CN201310003015.9
申请日：2013-01-05
Applicant: 武汉中地数码科技有限公司 , 中国地质大学(武汉) , 北京中地时空数码科技有限公司
Abstract: 本发明涉及一种裁剪与制图的方法，特别是一种遥感影像与矢量数据一体化批量制图的方法,其特征在于包括如下步骤：步骤①、加载目标区域的多幅影像和多层矢量要素；步骤②、选择制图比例尺，计算目标区覆盖的所有图幅，罗列成表；步骤③、叠加显示加载的影像和矢量，绘制数据外包边界框和图幅网格，可视化交互式选择待裁剪图幅；步骤④、制定制图模板，设置图名、图幅地名、比例尺、指北针等制图整饰要素；步骤⑤、影像和矢量一体化批量裁剪；步骤⑥、基于符号库的批量制图符号化，并自动生成符号化后的图例；步骤⑦、制图输出。本发明解决了影像与矢量一体化批量分幅裁剪与制图，提高标准分幅制图的生产效率。
-
公开(公告)号：CN101493825B
公开(公告)日：2011-05-11
申请号：CN200810236869.0
申请日：2008-12-17
Applicant: 武汉中地数码科技有限公司 , 中国地质大学(武汉)
IPC: G06F17/30
Abstract: 本发明涉及地理信息系统，尤其是一种GIS中间件配置管理方法，它的步骤如下：1)客户软件创建异构数据源信息并传送给数据源驱动管理器；2)数据源驱动管理器根据所述异构数据源信息加载相应的中间件接口以及异构数据源驱动；3)所述步骤2)中的异构数据源驱动直接访问异构数据源，然后将访问成功的信息返回给数据源驱动管理器，至此数据源和相应的数据源驱动连接成功；4)客户软件发出请求动作，数据源驱动管理器响应其请求，调用相应的数据源驱动完成对数据的实际处理工作后向客户软件返回处理结果；5)客户软件显示结果数据。该方法不需要频繁进行数据格式转换，不需要大量重复性劳动即可实现多源数据的集成。
-
公开(公告)号：CN101493825A
公开(公告)日：2009-07-29
申请号：CN200810236869.0
申请日：2008-12-17
Applicant: 武汉中地数码科技有限公司 , 中国地质大学(武汉)
IPC: G06F17/30
Abstract: 本发明涉及地理信息系统，尤其是一种GIS中间件配置管理方法，它的步骤如下：1)客户软件创建异构数据源信息并传送给数据源驱动管理器；2)数据源驱动管理器根据所述异构数据源信息加载相应的中间件接口以及异构数据源驱动；3)所述步骤2)中的异构数据源驱动直接访问异构数据源，然后将访问成功的信息返回给数据源驱动管理器，至此数据源和相应的数据源驱动连接成功；4)客户软件发出请求动作，数据源驱动管理器响应其请求，调用相应的数据源驱动完成对数据的实际处理工作后向客户软件返回处理结果；5)客户软件显示结果数据。该方法不需要频繁进行数据格式转换，不需要大量重复性劳动即可实现多源数据的集成。
-
公开(公告)号：CN118823424A
公开(公告)日：2024-10-22
申请号：CN202410722033.0
申请日：2024-06-05
Applicant: 中国地质大学(武汉)
IPC: G06V10/764 , G06V10/40 , G06V10/774
Abstract: 本发明提供了一种单体建筑物功能识别方法、设备及存储介质，涉及计算机视觉技术领域，其方法包括：获取同一地区建筑物的属性数据并进行预处理、根据预处理后的建筑物的属性数据计算建筑物的功能属性特征、基于建筑物的功能属性特征构建建筑物图样本、基于GraphSAGE网络构建建筑物功能识别模型，利用建筑物图样本训练模型、将待识别的建筑物数据输入训练后的建筑物功能识别模型，得到建筑物功能识别结果；设备及存储介质，用于实现方法。本发明的有益效果是：考虑了建筑物图样本结构当中的上下文信息，而且能够学习建筑物的多模态特征，弥补了单一数据获取特征在建筑物功能识别上效果较差的问题，进行更准确的建筑物功能分类。
-
Patent Agency Ranking
公开(公告)号：CN118134791A
公开(公告)日：2024-06-04
申请号：CN202410339623.5
申请日：2024-03-25
Applicant: 中国地质大学(武汉)
IPC: G06T5/60 , G06T5/73 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及图像处理领域，公开了一种遥感图像纹理增强方法、设备及存储介质，方法构建了生成网络和对抗网络，并改进了损失函数来优化训练效果。生成网络通过多级密集连接、Shuffle注意力和残差连接等方法提升了其特征提取能力。同时，设计了一个由卷积层和激活层构成的判别网络，去除了判别网络中的全连接层，使其可以通过局部判别帮助网络生成更丰富的纹理细节。在训练过程中，利用纹理残差损失函数进行局部统计来区分伪影和真实纹理细节，帮助网络减小伪影的影响。本发明有益效果是：可以生成纹理细节更加真实的超分辨遥感影像，减少伪影的生成，达到更佳的视觉效果。
-
公开(公告)号：CN118134767A
公开(公告)日：2024-06-04
申请号：CN202410342087.4
申请日：2024-03-25
Applicant: 中国地质大学(武汉)
IPC: G06T3/4061 , G06T3/4046 , G06T5/60 , G06T5/70 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及图像处理领域，公开了一种遥感影像超分重建方法、设备及存储介质，方法构建改进的多光谱遥感影像网络模型及损失函数；模型基于ESRGAN生成对抗网络架构，其中包括生成网络G和判别网络D两个部分。交替迭代训练生成网络和判别网络，使用生成网络生成用于欺骗判别网络的超分图像ms_sr，使用判别器判别超分图像ms_sr和真实高分图像ms_hr，通过像素差异缩减损失、波段损失及对抗损失函数逐步优化生成器和判别器的参数，最终实现多光谱遥感影像超分重建。本发明有益效果是：生成高质量高空间分辨率的多光谱遥感影像同时有效地保留图像的光谱波段信息。
-
公开(公告)号：CN117745574A
公开(公告)日：2024-03-22
申请号：CN202311765366.3
申请日：2023-12-19
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种基于对数修正的图像阴影去除方法、设备及存储设备，方法包括以下步骤：根据输入的阴影图像和阴影区域的标签，利用SLIC超像素分割算法将图像的阴影区域和其周围的光照区域分割成若干图像块，再将分割后的图像块进行聚类；统计每个图像块的特征，将每个阴影块和其相似度最高的光照块进行匹配；根据匹配结果生成伪光照区域，统计阴影区域和伪光照区域的RGB值，通过变换公式进行阴影去除处理；对处理完的图像进行颜色校正以及对阴影边缘的处理，完成对图像阴影的去除。本发明能够较好地消除图像中的阴影，并且在阴影边缘过渡较为自然。该方法可以为图像后续处理提供帮助，可以更好地利用图像阴影中的信息。
-
公开(公告)号：CN111640072B
公开(公告)日：2023-04-18
申请号：CN202010385190.9
申请日：2020-05-09
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种结合特征检测方法、顶点更新方法的点云去噪方法，首先在点云上定义了一种新的离散算子，称为各向异性的二阶算子，在优化中作为正则项去恢复点云的法向量场。其次，基于前一步优化的法向量场，本发明提出了基于双边张量投票的特征点检测方法，进行特征点检测、分类；接着，利用前一步检测到的分类特征点，基于RanSAC算法针对每个特征点计算得到多重法向量；最后，利用上述的多重法向量信息进行顶点更新，从而得到去噪的点云数据。与现有技术相比，本发明的点云去噪方法能在保持尖锐几何特征的同时，较好的恢复非线性光滑区域，达到理想的去噪效果。
-
公开(公告)号：CN111899168B
公开(公告)日：2023-04-07
申请号：CN202010626301.0
申请日：2020-07-02
Applicant: 中国地质大学(武汉)
IPC: G06T3/40 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于特征增强的遥感影像超分辨率重建方法和系统，包括以下步骤：对原始高分辨率遥感影像数据集进行压缩操作，生成低分辨率遥感影像数据集；将所述低分辨率遥感影像数据集通过TE‑AGAN模型进行影像重建，生成超分辨率遥感影像数据集；将所述超分辨率遥感影像数据集和所述原始高分辨率遥感影像数据集输入判别网络进行训练，以迭代的训练方法训练该模型，直到网络收敛，生成超分辨率遥感影像转换网络模型；将低分辨率遥感影像输入已经训练好的所述超分辨率遥感影像转换网络模型，生成超分辨率遥感影像。本发明能根据数据集学习得到损失函数，从而避免根据经验设置损失函数引入额外的误差，保证超分辨率遥感影像的质量。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.053 seconds)
