-
Patent Agency Ranking
公开(公告)号：CN113327218B
公开(公告)日：2023-08-25
申请号：CN202110646163.7
申请日：2021-06-10
Applicant: 东华大学
IPC: G06T5/50 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提出了一种基于级联网络的高光谱与全色图像融合方法，属于图像处理技术领域，包括以下步骤：将细节注入方法与光谱解混模型集成到一个级联的卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素的丰度进行估计，进而重构高空间分辨率的高光谱图像。本发明通过引入全色图像，与高光谱图像进行融合，可提升高光谱图像的空间分辨率，同时，减小融合图像的光谱失真现象。通过建立基于级联卷积网络的高光谱图像融合模型，将细节注入方法与光谱解混模型整合为一个端到端的网络结构，能够有效地提取到输入的多源图像的空间和光谱信息，以生成高分辨率图像各端元的丰度值。
-
公开(公告)号：CN113744134B
公开(公告)日：2023-07-25
申请号：CN202111078301.2
申请日：2021-09-15
Applicant: 东华大学
IPC: G06T3/40 , G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提出了一种基于光谱解混卷积神经网络的高光谱图像超分辨方法，属于图像处理技术领域。将线性光谱混合模型集成到卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素高分辨率与低分辨率的丰度矩阵进行估计，结合端元矩阵进而重构高空间分辨率的高光谱图像。本发明模型可以利用分辨率较低的图像进行训练，可以有效减轻其他现有工作对辅助高分辨率数据资源的需求，相较于传统方法具有更高的鲁棒性和光谱保真度。
-
公开(公告)号：CN114048810A
公开(公告)日：2022-02-15
申请号：CN202111326280.1
申请日：2021-11-10
Applicant: 东华大学
Abstract: 本发明涉及一种基于多层次特征提取网络的高光谱图像分类方法，其特征在于，构建了一个多层次联合特征提取网络，该多层次联合特征提取网络以轻量化的架构获取高光谱像元每个波段上最具有区分性的特征，并将其转化为全局注意力细节用于进一步的联合特征提取，得到深层次的语义特征，进而提升高光谱图像的分类效果。本发明通过充分利用高光谱图像的光谱信息，可以在一定量样本的条件下完成对地物的分类，同时有效降低特征提取过程的参数数量，有效的对抗了“Hughes”现象。本发明提供的模型可以充分利用高光谱图像的光谱特征，有效地缓解其它方法面临的高光谱图像中像元存在的高类内差异性与高类间相似性的问题。
-
公开(公告)号：CN113744134A
公开(公告)日：2021-12-03
申请号：CN202111078301.2
申请日：2021-09-15
Applicant: 东华大学
Abstract: 本发明提出了一种基于光谱解混卷积神经网络的高光谱图像超分辨方法，属于图像处理技术领域。将线性光谱混合模型集成到卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素高分辨率与低分辨率的丰度矩阵进行估计，结合端元矩阵进而重构高空间分辨率的高光谱图像。本发明模型可以利用分辨率较低的图像进行训练，可以有效减轻其他现有工作对辅助高分辨率数据资源的需求，相较于传统方法具有更高的鲁棒性和光谱保真度。
-
公开(公告)号：CN113327218A
公开(公告)日：2021-08-31
申请号：CN202110646163.7
申请日：2021-06-10
Applicant: 东华大学
Abstract: 本发明提出了一种基于级联网络的高光谱与全色图像融合方法，属于图像处理技术领域，包括以下步骤：将细节注入方法与光谱解混模型集成到一个级联的卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素的丰度进行估计，进而重构高空间分辨率的高光谱图像。本发明通过引入全色图像，与高光谱图像进行融合，可提升高光谱图像的空间分辨率，同时，减小融合图像的光谱失真现象。通过建立基于级联卷积网络的高光谱图像融合模型，将细节注入方法与光谱解混模型整合为一个端到端的网络结构，能够有效地提取到输入的多源图像的空间和光谱信息，以生成高分辨率图像各端元的丰度值。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
