-
公开(公告)号：CN116168104A
公开(公告)日：2023-05-26
申请号：CN202310034956.2
申请日：2023-01-10
Applicant: 华南农业大学
IPC: G06T11/00 , G06T5/00 , G06N3/048 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种高光谱遥感图像重建方法，包括：采集高光谱遥感图像；对所述高光谱遥感图像依次进行几何校正和消除运动模糊处理；获得预处理的高光谱遥感图像；将预处理的高光谱遥感图像合成为对应的RGB图像，构建训练数据集；采用训练数据集对密集连接卷积神经网络模型进行训练，直至所述密集连接卷积神经网络模型收敛得到优化的密集连接卷积神经网络模型；将待重建的RGB图像输入优化的密集连接卷积神经网络模型，即可输出对应的高光谱遥感图像。本发明能够提高光谱重建精度，同时密集连接卷积神经网络模型更加轻量化，计算量小，密集连接卷积神经网络模型训练时间大幅度减少，可实现高光谱遥感图像的实时重建，提高其适用范围。
-
公开(公告)号：CN116363028A
公开(公告)日：2023-06-30
申请号：CN202310137833.1
申请日：2023-02-20
Applicant: 华南农业大学
IPC: G06T5/50 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及高光谱图像采集技术领域，尤其涉及一种基于注意力机制和稠密网络的高光谱重建方法和存储介质，该方法包括S1、将原始RGB图像输入浅层特征提取模块，进行浅层特征提取，输出特征图像T1；S2、将特征图像T1输入深层特征提取模块，输出特征图像T2，其中深层特征提取模块由若干个稠密注意力模块连接构成，每个稠密注意力模块由一个注意力模块和一个稠密模块组成；S3、将特征图像T2输入光谱特征重组模块，输出高光谱图像T3；S4、计算真实高光谱图像数据G和重建的高光谱图像T3的误差，优化高光谱重建网络的权重，该方法能同时关注通道信息和光谱信息，以及对不同特征的进行不同的融合重建。
-
公开(公告)号：CN117994649A
公开(公告)日：2024-05-07
申请号：CN202410037468.1
申请日：2024-01-10
Applicant: 华南农业大学
IPC: G06V20/10 , G06V10/764 , G06V20/17 , G06V10/82
Abstract: 本申请提供的一种早期松材线虫病检测方法，包括：获取早期遥感图像集和晚期遥感图像集，在晚期遥感图像集中识别出患有松材线虫病植株和正常植株；在早期遥感图像集中识别出早期松材线虫病植株和正常植株；对分类后的早期遥感图像集进行预处理，得到预处理图像集；将所述预处理图像集输入高光谱重建网络，得到高光谱图像数据集；根据高光谱图像数据集提取光谱反射率曲线；使用支持向量机方法对所述光谱反射率曲线进行分类，建立早期松材线虫病检测模型。本申请结合高光谱重建网络和支持向量机方法可以准确地检测出患有早期松材线虫病的植株，只需要在无人机上安装RGB相机拍摄松林，成本较低，便于大规模推广使用。
-
公开(公告)号：CN116863057A
公开(公告)日：2023-10-10
申请号：CN202310950070.2
申请日：2023-07-31
Applicant: 华南农业大学
Abstract: 本发明公开了一种高光谱图像重建网络和方法，其中方法包括如下步骤：S1：将RGB图像输入通道扩张变换模块，得到输出特征立方体E1；通道扩张变换模块包括二维卷积层和第一Reshape函数；S2：将输出特征立方体E1输入三维深层特征提取模块，得到输出特征立方体E2；三维深层特征提取模块包括M个特征提取单元和相应M个特征融合单元通过上下采样按照U型网络连接而成；S3：将输出特征立方体E2输入光谱特征融合模块，得到重建高光谱图像；光谱特征融合模块包括三维卷积层和第二Reshape函数。本发明以深度可分离三维卷积为基础，对特征进行有效提取，并且能融合相邻通道的光谱信息进而提高重建算法的效果；同时该方法所述网络的参数量更少，所需内存更小。
-
-
-
Search Results
4
records
(took 0.021 seconds)
