-
公开(公告)号：CN119670525A
公开(公告)日：2025-03-21
申请号：CN202411481070.3
申请日：2024-10-23
Applicant: 吉林大学
IPC: G06F30/27 , G06F18/2113 , G06F18/2431 , G06F18/27 , G06N20/00 , G01S7/40 , G01S7/41
Abstract: 本发明公开了一种基于机器学习和特征筛选策略的星载微波散射计雪深反演方法，属于卫星遥感图像处理与应用的技术领域。利用主动微波散射计数据，并结合积雪密度、地表温度、高程、经度、纬度和土地覆盖类型等数据，通过分析和统计输入特征和雪深间的相关性，提出联合相关系数特征筛选和消融实验特征筛选的策略得到最优输入特征，并通过机器学习模型的评估，可以得到研究地区最优的雪深反演输入特征和机器学习模型组合，最终利用该组合得到该研究地区的高精度雪深反演结果。
-
公开(公告)号：CN117911468A
公开(公告)日：2024-04-19
申请号：CN202310058132.9
申请日：2023-01-17
Applicant: 吉林大学
Abstract: 本发明公开了一种基于相似边缘特征提取与OFAST‑BRISK算法的光学与SAR图像配准方法，主要应用于卫星遥感图像处理与应用的技术领域。本发明的目的是解决现有光学与SAR图像配准算法准确度低、稳定性差等问题。本发明将深度学习算法和传统特征匹配算法的优势相结合。使用改进的Log算子结合Deeplabv3+网络实现光学与SAR图像相似边缘特征提取，并采用OFAST‑BRISK算法结合改进的RANSAC算法实现了特征点的提取及匹配。利用本发明提出的基于相似边缘特征提取与OFAST‑BRISK算法的光学与SAR图像配准方法可以实现对10m级分辨率的光学与SAR图像高效、准确的配准。
-
公开(公告)号：CN110287457B
公开(公告)日：2023-02-17
申请号：CN201910589981.0
申请日：2019-07-02
Applicant: 吉林大学
Abstract: 本发明公开了一种基于卫星雷达遥感数据的反演测算方法，属于卫星遥感图像处理与应用的技术领域，本发明的目的是解决现有利用合成孔径雷达遥感影像在对玉米生物量反演中存在的人为主观因素较强、算法复杂度高与要求较多的实测点信息等缺点，本发明中影像经预处理后，先提取出玉米生物量实地测量点对应的VH和VV极化后向散射系数，通过拟合方式获得水云模型，再将选取出若干个点的玉米生物量带入模型水云中获得若干个VH和VV极化后向散射系数，以此作为样本采用随机森林算法进行训练，从而得到特征矩阵和标签值映射关系的回归模型，之后只需将待测点的VH和VV极化后向散射系数输入模型中即可测算出该测量点玉米生物量。
-
公开(公告)号：CN110287869B
公开(公告)日：2022-03-18
申请号：CN201910551686.6
申请日：2019-06-25
Applicant: 吉林大学
IPC: G06V10/774 , G06V10/764 , G06V20/10 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的高分辨率遥感影像农作物分类方法，属于卫星遥感图像处理与应用的技术领域。本发明目的是解决现有高分辨率遥感影像在对农作物分类中存在的地物边界模糊、算法复杂度高与忽略特征波段信息等缺点，以及目前神经网络方法无法对高分辨率遥感图像进行农作物分类的问题。本发明采用36波段的组合方式，结合本发明所设计分VGG神经网络结果，利用VGG神经网络的深度学习，通过多次迭代达到了对10m分辨率的高分辨遥感影像中的农作物地块进行准确的分类。
-
公开(公告)号：CN108596103B
公开(公告)日：2021-03-19
申请号：CN201810382988.0
申请日：2018-04-26
Applicant: 吉林大学
Abstract: 本发明公开了一种基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法，属于卫星遥感图像处理与应用的技术领域。针对目前的建筑物提取算法存在如下明显的缺陷：(1)算法复杂度较高；(2)忽略光谱信息；(3)依赖于建筑物的矩形形状特征。本发明在将高分辨卫星遥感影像进行预处理后，通过采用最佳光谱指数对影像进行处理后，将影像转为灰度影像，利用Otsu算法进行图像分割，提取出建筑物目标，在通过几何约束和形态学处理等方式，进一步提高提取准确率和检测率。
-
Patent Agency Ranking
公开(公告)号：CN110287944A
公开(公告)日：2019-09-27
申请号：CN201910597394.6
申请日：2019-07-04
Applicant: 吉林大学
Abstract: 本发明公开了一种基于深度学习的多光谱遥感影像的农作物虫害监测方法，属于卫星遥感图像处理与应用的技术领域。本发明的目的是解决现有方法对农作物虫害监测的时效性差，单一指数光谱信息不稳定，高光谱无人机数据获取难等问题。本发明采用10组特征波段光谱的组合，构建出一个LSTM长短期记忆网络，并通过深度学习的方法训练出能够对遥感影像中的农作物虫害进行分类的模型，本发明方法能自动、高效地从多光谱卫星遥感影像中识别农作物虫害灾情，为农业生产灾情预测防治、农业保险理赔等诸多领域提供一定的技术支持。
-
公开(公告)号：CN108537169A
公开(公告)日：2018-09-14
申请号：CN201810309998.1
申请日：2018-04-09
Applicant: 吉林大学
Abstract: 本发明公开了一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法，属于遥感影像处理技术领域。由于采用中心线检测算法直接提取的道路中心线会受到周围各种地物的影响，如树木，车辆，房屋等，导致中心线不完整，出现中断导致道路提取信息的不够完整、精度较差的问题。本发明通过引入张量场，通过张量场投票算法，对中心线检测中的中断部分进行补充，并再次利用中心线检测算法计算从而可以获得一个完整的道路中心线，并将距离中断部分最近中心线所对应的路宽作为实际路宽，实现了提取完整的道路信息。
-
公开(公告)号：CN117911894A
公开(公告)日：2024-04-19
申请号：CN202410085411.9
申请日：2024-01-22
Applicant: 吉林大学
IPC: G06V20/13 , G01W1/10 , G01S13/95 , G01S7/41 , G06V20/10 , G06V10/62 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于ADC‑GRU网络和FF‑DNN模型的SAR卫星遥感积雪深度时空预测方法，属于卫星遥感图像处理与应用的技术领域。本发明针对已有积雪深度产品无法同时满足高空间分辨率和高时间分辨率的需求，结合气象站的历史监测数据和其他辅助数据，提出了基于ADC‑GRU网络(异常数据检测与校正‑门循环单元网络)的时间序列雪深预测模型；进一步将基于ADC‑GRU网络的时间序列雪深预测模型和基于FF‑DNN模型的SAR卫星遥雪深反演结果相结合，联合地面时序算法模型的时序性及雷达卫星遥感大范围观测积雪深度的优势，建立基于ADC‑GRU网络和FF‑DNN模型的SAR卫星遥感积雪深度时空预测方法，获取逐日高时空分辨率的积雪深度结果。
-
公开(公告)号：CN116824393A
公开(公告)日：2023-09-29
申请号：CN202310780010.0
申请日：2023-06-29
Applicant: 吉林大学
Abstract: 本发明公开了一种基于迁移学习和半监督回归技术的湖泊叶绿素浓度反演方法，属于卫星遥感图像处理与应用的技术领域。本发明的目的是进一步提高基于多光谱遥感影像的湖泊叶绿素浓度反演精度，通过将迁移学习和半监督回归相结合，联合Transfer Component Analysis(TCA)和Co‑training Regressors(CoReg)方法实现光谱特征迁移和样本扩充，并建立高精度湖泊叶绿素反演模型，实现不同实验区和不同月份的湖泊叶绿素浓度反演。利用本发明提出的迁移学习和半监督回归技术的湖泊叶绿素浓度反演方法可以实现对大面积湖泊叶绿素浓度的高效、准确的反演。
-
公开(公告)号：CN115880586A
公开(公告)日：2023-03-31
申请号：CN202211560667.8
申请日：2022-12-07
Applicant: 吉林大学
Abstract: 本发明公开了一种基于混合特征网络的卫星遥感影像云雪检测方法，属于卫星遥感图像处理与应用的技术领域。本发明的目的是解决卫星遥感影像中云雪共存的条件下云雪检测精度低，无法准确获取雪和云分布状态细节的问题。本发明采用卫星遥感影像作为数据源，使用GLCM、LBP和SEEDS的方法提取图像的浅层特征，通过深度特征提取网络提取图像的深度热图特征，随后将浅层特征与深度热图特征融合形成混合特征，同时将混合特征送入基于混合特征的云雪检测网络中训练和验证，应用训练好的云雪检测模型最终获得云和雪的检测结果。本发明方法能在云雪共存条件下和不同空间分辨率的卫星遥感影像中准确地检测云和雪。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.026 seconds)
