-
公开(公告)号：CN110826630A
公开(公告)日：2020-02-21
申请号：CN201911090196.7
申请日：2019-11-08
申请人： 哈尔滨工业大学
摘要： 一种基于深度卷积神经网络的雷达干扰信号特征级融合识别方法，属于雷达干扰信号识别领域。本发明针对目前雷达干扰信号的特征参数依赖人工方式提取，易受噪声影响并出现特征冗余的问题。包括建立雷达干扰时域数据集，对雷达干扰时域数据集中的雷达干扰时域数据以两种不同形式提取特征向量，再将提取的两种特征向量进行串联融合；采用融合后的特征向量训练支持向量机，获得训练好的雷达干扰信号特征级融合识别模型；将采集的测试样本输入到识别模型，获得雷达干扰信号识别结果。本发明利用CNN提取雷达干扰信号的深层特征，在特征级层面设计不同的雷达干扰信号数据融合模型，从而使信号识别免受噪声影响，并同时消除特征冗余现象。
-
公开(公告)号：CN107067043A
公开(公告)日：2017-08-18
申请号：CN201710379786.6
申请日：2017-05-25
申请人： 哈尔滨工业大学
摘要： 一种农作物病虫害检测方法，涉及一种农作物病虫害的检测方法。本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题。本发明首先将具有明确标签的可见光农作物病虫害图像进行预处理，然后搭建十八层网络结构的卷积神经网络，用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练，得到训练好的卷积神经网络，并对具有明确标签的可见光农作物病虫害图像的特征进行提取；利用提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型；对新上传的农作物病虫害可见光图片特征提取，再用训练好的支持向量机模型对提取到的特征进行分类。本发明适用于农作物的病虫害检测。
-
公开(公告)号：CN104392427B
公开(公告)日：2017-04-12
申请号：CN201410748877.9
申请日：2014-12-09
申请人： 哈尔滨工业大学
IPC分类号： G06T5/50
摘要： 经验模态分解和稀疏表示相结合的SAR图像去噪方法，属于图像去噪技术领域。本发明是为了解决传统基于经验模态分解的SAR图像去噪方法对SAR图像中的细节保留不足，造成目标缺失，影响去噪效果的问题。它是将待处理SAR图像转换为原始趋势图像；然后对原始趋势图像进行分解和去噪，它利用经验模态分解的时频特性、分解后图像的稀疏性以及稀疏表示对噪声不敏感的特性，通过对高频分量噪声部分的分析，对高频分量进行稀疏分解，再通过估计高频分量重噪声方差进行稀疏分解的重构和经验模态分解重构，最终实现了SAR图像的噪声抑制。本发明用于SAR图像去噪。
-
公开(公告)号：CN105260993A
公开(公告)日：2016-01-20
申请号：CN201510696903.2
申请日：2015-10-23
申请人： 哈尔滨工业大学
IPC分类号： G06T5/00
摘要： 基于边缘约束和自适应形态学滤波的高光谱图像条带缺失修复方法，属于遥感图像处理中的高光谱图像处理领域，本发明为解决现有高光谱图像的获取过程中连续谱段出现条带状缺失时无法有效恢复的问题。本发明修复方法的具体过程为：检测条带，确定高光谱图像中条带缺失的具体位置；恢复边缘，优先恢复条带缺失内的边缘信息；对每个条带缺失的受损像素生成基于边缘约束的自适应结构元素，该自适应结构元素能够保护高光谱图像信息，该结构元素大于条带缺失的宽度，以保证结构元素能够覆盖到未受损区域；自适应形态学滤波，确定最终条带缺失的受损像素的恢复值。本发明用于高光谱图像修复。
-
-
公开(公告)号：CN102663815A
公开(公告)日：2012-09-12
申请号：CN201210090628.6
申请日：2012-03-30
申请人： 哈尔滨工业大学
IPC分类号： G06T17/00
摘要： 一种基于水平集的LOD2建筑物模型构建方法，属于应用水平集算法对DSM数据的分割处理领域。为了解决现有的基于二维图像的建筑物模型构建方法中存在的顶面结构不够细致而导致构建精度不高的问题。具体过程为：提取建筑物轮廓掩膜Ωm，选取DSM数据，配入到统一坐标系下；获取建筑物顶面数据T；获取建筑物顶面数据T的特征空间；进行多相水平集分割，获取子区域；提取每个子区域的点集，检测每个片元的边界点，获取建筑物每个基元的角点的图像坐标；建立建筑物顶面数据T的拓扑结构；根据航拍可见光图像提取建筑物表面的纹理数据，与建筑物不同基元相对应，完成LOD2建筑物模型的构建。用于LOD2级别的大规模建筑物的三维构建任务。
-
公开(公告)号：CN113301331B
公开(公告)日：2022-11-04
申请号：CN202110574294.9
申请日：2021-05-25
申请人： 哈尔滨工业大学
IPC分类号： H04N19/11 , H04N19/147 , H04N19/61
摘要： 基于通用视频编码标准的帧内预测编码模式快速决策方法，属于视频编码技术领域，本发明为解决现有通用视频编码技术中存在的编码复杂度高，未对编码模式相关性进行分析，未对帧内模式决策的两个过程中需要遍历计算代价值的编码模式进行自适应筛选的问题。它对构造的初始集合进行粗略模式决策处理，将保留的预测模式与其相邻预测模式组成新的预测模式集合，再对其进行粗略模式决策处理，比较哈德玛变换代价值，与最可能预测模式MPM合并，去除重复的预测模式，计算其最小哈德玛变换代价值，将其他哈德玛变换代价值大于1.5倍最小哈德玛变换代价值的预测模式去除；保留两个最小哈德玛变换代价值对应的编码模式。本发明用于视频编码技术。
-
公开(公告)号：CN110794374A
公开(公告)日：2020-02-14
申请号：CN201911089196.5
申请日：2019-11-08
申请人： 哈尔滨工业大学
IPC分类号： G01S7/36
摘要： 一种间歇采样转发干扰的参数辨识方法，解决了现有间歇采样转发干扰的参数辨识方法复杂的问题，属于雷达有源干扰对抗技术领域。所述方法包括：S1、利用截断矩形窗对雷达回波进行分段，对每段信号进行最优阶次分数阶傅里叶变换，再进行拼接；S2、改变截断矩形窗的长度，利用S1获得多个拼接的信号，搜索出所述多个拼接信号中复杂度最低的信号xopt(u)，并根据信号xopt(u)的分布特性，辨识出干扰参数的估计结果。根据处理结果峰值脉冲的分布特性及辨识出的参数，可以实现干扰的具体转发策略的精细化辨识；采用线性调频信号的分数阶傅里叶变换滤波技术，可以滤除干扰信号保留目标信号，同时去除噪声，从而实现间歇采样转发干扰的对抗。
-
公开(公告)号：CN104021396A
公开(公告)日：2014-09-03
申请号：CN201410283594.1
申请日：2014-06-23
申请人： 哈尔滨工业大学
CPC分类号： G06K9/0063 , G06K9/6256
摘要： 基于集成学习的高光谱遥感数据分类方法，属于光谱数据分类技术领域。本发明为了解决现有高光谱数据的分类方法从光谱维的角度对数据进行分类，数据分类精度低的问题。它首先读取高光谱遥感数据，获得高光谱遥感数据的光谱特征和空间特征；将光谱特征与空间特征整合为多特征集合；由多特征集合确定标记样本并选择训练样本和测试样本；基于集成学习方法，设计特征差异的Adaboost集成分类框架，并使用训练样本训练获得F个弱分类器；使用F个弱分类器对测试样本进行分类。本发明用于高光谱遥感数据的分类。
-
-
-
-
-
-
-
-
搜索结果
38 条记录 (耗时 0.024 秒)
