-
公开(公告)号：CN111709307A
公开(公告)日：2020-09-25
申请号：CN202010444356.X
申请日：2020-05-22
Applicant: 哈尔滨工业大学
Abstract: 一种基于分辨率增强的遥感图像小目标检测方法，它属于遥感图像中目标检测技术领域。本发明解决了由于遥感图像中小目标可利用的特征信息少以及小目标区域存在几何形变，导致的利用现有方法对遥感图像中小目标检测的效果不好的问题。本发明对包含小目标的遥感图像进行超分辨处理后再进行目标检测，扩大了深度学习目标检测模型的应用范畴，实现了对较高空间分辨率遥感图像的深化利用。针对遥感图像中小型目标可利用的特征信息很少以及几何形变的问题，采用超分辨处理技术进一步完善小目标的细节特征信息，应用基于区域的可变形卷积网络充分利用了小目标有限的特征信息，提高对遥感图像中小目标的检测能力。本发明可以应用于遥感图像中小目标检测。
-
公开(公告)号：CN110175581A
公开(公告)日：2019-08-27
申请号：CN201910459208.2
申请日：2019-05-29
Applicant: 哈尔滨工业大学
IPC: G06K9/00 , G01N21/3504
Abstract: 一种基于累积张量分解的高光谱视频图像气体检测方法，本发明涉及高光谱视频图像气体检测方法。本发明的目的是为了解决现有高光谱视频图像气体检测方法中，检测精度低的问题。过程为：将视频看作不断扩张的四阶累积张量。在对初始的累积张量进行CP分解的基础上，对于每个时刻的新图像，附加得到新的累积张量，在上一时刻累积张量CP分解的结果上进行更新，并用更新后的因子矩阵来近似新图像，对新图像与其CP近似结果的拟合度进行阈值判断。当小于给定阈值时，认为新图像中无气体目标，对初始的累积张量及因子矩阵完成更新；反之，认为新图像中有气体目标，求取它CP近似的残差张量，将残差张量在光谱维的最大值作为检测结果。
-
公开(公告)号：CN106097252B
公开(公告)日：2019-03-12
申请号：CN201610464694.3
申请日：2016-06-23
Applicant: 哈尔滨工业大学
Abstract: 基于图Graph模型的高光谱图像超像素分割方法，本发明涉及高光谱图像超像素分割方法。本发明是要解决现有超像素图像分割研究大多是针对自然图像或单波段遥感图像存在较大的误差的问题，而提出的基于图Graph模型的高光谱图像超像素分割方法。该方法是通过一、得到降维后的高光谱图像以及高光谱图像的降维结果Y；二、根据高光谱图像的降维结果Y建立图模型，得到赋权图G′；三、设定超像素的初始位置，根据超像素的初始位置利用超像素生成算法生成k个超像素；四、统计每个顶点vi的24邻域中超像素标签的众数，将顶点vi的标签更新为该众数，得到超像素分割的结果等步骤实现的。本发明应用于高光谱图像超像素分割领域。
-
公开(公告)号：CN108600754A
公开(公告)日：2018-09-28
申请号：CN201810435512.9
申请日：2018-05-09
Applicant: 哈尔滨工业大学
IPC: H04N19/139 , H04N19/30 , H04N19/53 , H04N19/96
Abstract: 一种用于高效视频编码的快速预测方向决策方法，涉及视频编码技术领域。本发明是为了解决现有高效视频编码技术存在的编码复杂度极高、未能利用相邻树形编码层之间PU在预测方向上的相关性完成快速预测方向决策、未能利用预测方向与对应的哈达玛变换代价值之间的关系完成快速预测方向决策的问题。本发明利用PU的预测方向之间的相互关系，以及相邻树形编码层中PU在预测方向上的相关性，为PU构造初始候选预测方向列表。利用预测方向与其对应的哈达玛变换代价值之间的关系，减少需要进行RQT处理的预测方向的个数。实验证明，本发明可以明显减少HEVC标准的编码时间但不会影响其编码效率。本发明应用于高效视频编码的预测方向决策领域。
-
公开(公告)号：CN105913451B
公开(公告)日：2018-09-11
申请号：CN201610464695.8
申请日：2016-06-23
Applicant: 哈尔滨工业大学
IPC: G06T7/10
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。
-
Patent Agency Ranking
公开(公告)号：CN105184250B
公开(公告)日：2018-06-22
申请号：CN201510547324.1
申请日：2015-08-31
Applicant: 哈尔滨工业大学
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：CN107316009A
公开(公告)日：2017-11-03
申请号：CN201710433708.X
申请日：2017-06-09
Applicant: 哈尔滨工业大学
Abstract: 基于张量线性判别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，不能从三维数据的整体进行信息挖掘，检测精度较低的问题。过程为：一：获得三阶目标、三阶背景和三阶待检测的测试样本张量块；二：使得目标和背景张量块在投影后的子空间里具有最大的可分性；三：将目标、背景和待检测的测试样本张量块投影到具有最大可分性的张量子空间中；四：计算每一个待检测的测试样本到背景和目标总距离；五：设定阈值，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：CN107038436A
公开(公告)日：2017-08-11
申请号：CN201710374790.3
申请日：2017-05-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于张量光谱匹配滤波的高光谱图像目标检测方法，本发明涉及高光谱图像的目标检测。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：建立张量表示下的目标和背景的信号表示模型；二：基通过给定的窗口大小，将待检测的高光谱图像转换成三阶张量的形式，建立基于局部邻域的空X‑空Y‑光谱‑样本四阶张量4D；三：求取4D的空X、空Y、光谱三个方向的协方差矩阵；四：得到映射后的新的三阶张量；五：分别计算目标光谱张量和空X‑空Y‑光谱三阶张量与映射后的新的三阶张量的内积，判定待检测高光谱图像的像元是否为检测目标。本发明用于数字图像处理领域。
-
公开(公告)号：CN106485277A
公开(公告)日：2017-03-08
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：CN106384354A
公开(公告)日：2017-02-08
申请号：CN201610825379.9
申请日：2016-09-14
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/622 , G06T2207/10032 , G06T2207/10036
Abstract: 基于SLIC算法的超像素分割方法，属于图像处理领域。现有的SLIC方法不适合超像素分割方法的问题。一种基于SLIC算法的超像素分割方法，将多波段图像转换到CIE-LAB彩色空间的图像；按照设定的超像素个数，在CIE-LAB彩色空间的图像内初始化聚类中心；在设定的n*n领域范围内打乱聚类中心，形成新的聚类中心；按照各点与新的聚类中心的设定距离计算，为每个新的聚类中心分配匹配点；计算新的聚类中心与之前得聚类中心的距离值L1，并判断L1的值是否小于设定的阈值，若是，则返回步骤三重新打乱聚类中心，否则，继续进行新的聚类中心与之前得聚类中心的距离值L1的迭代计算，直到L1的值小于设定的阈值，获得分割结果。
-
-
-
-
-
-
-
-
-
Search Results
171
records
(took 0.024 seconds)
