-
公开(公告)号：CN118261862A
公开(公告)日：2024-06-28
申请号：CN202410297963.6
申请日：2024-03-15
Applicant: 哈尔滨工业大学 , 上海航天测控通信研究所
IPC: G06T7/00 , G06V10/25 , G06V10/82 , G06V20/10 , G06F17/16 , G06N3/0464 , G06N3/0495
Abstract: 基于目标检测器与度量矩阵的遥感图像目标实例变化检测方法和设备，属于遥感图像变化检测技术领域，解决现有像素级变化检测算法无法获取目标实例的变化信息。本发明的方法包括：基于重参数化思想设计的孪生轻量级目标检测器以及基于度量矩阵的目标实例变化判别部分。其中，轻量级目标检测器用于检测双时相配准图像中的感兴趣目标，目标实例变化判别部分通过对比检测到的双时相中的感兴趣目标来确定目标的变化状态。利用本发明的轻量级目标检测器以及目标实例变化判别方法，本发明所提出的方法可以在具有非常快的推理速度的同时获得较好的目标实例变化检测结果。本发明适用于遥感图像目标实例变化检测领域，包括地面处理以及星上或无人机上实时处理。
-
公开(公告)号：CN117079122A
公开(公告)日：2023-11-17
申请号：CN202310723124.1
申请日：2023-06-16
Applicant: 哈尔滨工业大学 , 上海航天测控通信研究所
IPC: G06V20/10 , G06V10/764 , G06V10/24 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于特征增强与融合的遥感图像变化检测方法以及装置，属于遥感图像变化检测技术领域，尤其涉及对地面上、卫星上或无人机上的遥感图像实时处理。解决了现有变化检测技术所存在的准确率低、特征表示能力差、类别平衡能力不足以及无法在保持较低计算复杂度的情况下，同时具有较高的精度和效率的问题。所述检测方法包括：输入同一待检测区域配准后的双时相遥感图像数据，并分别提取该数据的三个级别的特征，然后进行全局与局部特征增强，获得对应的三个差异性特征；进一步，进行融合处理获得聚合后的特征；最后，根据所述特征获得遥感图像变化检测结果。本发明适用于部署在地面、无人机或卫星上，以用于对遥感图像进行变化检测。
-
公开(公告)号：CN117556313A
公开(公告)日：2024-02-13
申请号：CN202311329240.1
申请日：2023-10-16
Applicant: 哈尔滨工业大学
IPC: G06F18/241 , G06N3/0442 , G06N3/0464 , G06F18/214
Abstract: 本发明是一种基于BiConvLSTM的舰船编队意图识别方法。本发明涉及舰船编队意图识别技术领域，本发明通过建立编队内各目标运动状态信息和属性信息的时序数据集，构建舰船编队的意图空间。随后，对意图空间数据进行文本化预处理，构建.Mat格式时序数据集，并依据不同意图结果，将数据集样本划分为远征、攻击、侦察和撤退等四类。随后，设置批大小、优化器和初始学习率等网络参数，并利用训练‑验证机制在网络测试中，按需对应网络参数。经若干轮次的网络训练与测试，最终得到意图识别模型，在实际使用过程中，输入真实的态势量测数据，将其预处理为网络需要的文本输入格式，经过模型推断，最终得到海上编队意图输出。
-
公开(公告)号：CN108446723B
公开(公告)日：2021-06-15
申请号：CN201810191507.8
申请日：2018-03-08
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种高光谱图像的多尺度空谱协同分类方法，涉及高光谱图像信息技术处理领域。解决了现有技术中单一的使用光谱信息或空间信息对高光谱图像进行分类方法，均易造成目标信息的丢失，导致分类准确度低的问题。步骤一：对原始高光谱图像H进行特征提取，获得由波段子集构成的光谱信息集Hspec；步骤二：对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet；步骤三：将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit；步骤四：将初步分类结果图Qinit分解为k张概率结果图P；步骤五：对k张概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。本发明主要用于对高光谱图像进行空谱分类。
-
公开(公告)号：CN108399622B
公开(公告)日：2021-04-09
申请号：CN201810172380.5
申请日：2018-03-01
Applicant: 哈尔滨工业大学
Abstract: 基于非负稀疏特性的高光谱图像异常检测方法，属于高光谱异常检测领域。解决现有高光谱图像异常检测的准确性低的问题。本发明方法包括如下步骤：步骤一：根据高光谱图像X获取光谱图像的非负稀疏矩阵St′；步骤二：根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度；步骤三：通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测。本发明主要用于对高光谱图像进行异常检测。
-
Patent Agency Ranking
公开(公告)号：CN112507962A
公开(公告)日：2021-03-16
申请号：CN202011530046.6
申请日：2020-12-22
Applicant: 哈尔滨工业大学
Abstract: 基于卷积稀疏分解的高光谱图像多尺度特征提取方法，属于图像处理技术领域，本发明为解决高光谱图像多尺度特征提取有效性差、图像分类精确度低的问题。它将图像信号输入至稀疏表示模型中，合成稀疏模型将图像信号采用合成稀疏字典中基元的线性组合进行表示，分析稀疏模型将图像信号经过分析字典投影，获得具有稀疏性质的投影系数；建立卷积稀疏分解模型，分别将合成稀疏模型和分析稀疏模型的先验知识添加到卷积稀疏分解模型的两个部分，然后对卷积稀疏分解模型求解；对图像信号采用分段平均的方法进行光谱降维，对降维获得图像进行多尺度空间的频谱特征提取，采用主成分分析法提取多尺度的空间频谱特征。本发明用于对高光谱图像进行特征提取。
-
公开(公告)号：CN111667019A
公开(公告)日：2020-09-15
申请号：CN202010581348.X
申请日：2020-06-23
Applicant: 哈尔滨工业大学
Abstract: 基于可变形分离卷积的高光谱图像分类方法，属于图像处理技术领域，本发明为解决现有高光谱图像分类方法精度低的问题。它包括：将高光谱图像每个像素点的r×r×d邻域的图像数据作为神经网络的输入，r表示空间大小，d表示高光谱图像的波段数；对输入的高光谱图像经过深度分离卷积提取图像低层次的特征，获得特征图；采用加入可变形运算的分离卷积学习特征图对应的偏置，获得自适应图像的空间分布，再采用光谱卷积运算提取深度的特征；将深度特征输入神经网络的全连接层和softmax回归层预测每个类的概率分布，完成图像分类。本发明用于对高光谱遥感图像进行分类。
-
公开(公告)号：CN110210420A
公开(公告)日：2019-09-06
申请号：CN201910487219.1
申请日：2019-06-05
Applicant: 哈尔滨工业大学
Abstract: 基于融合高光谱图像和DSM数据的分类方法，涉及高光谱图像信息技术处理领域。解决了现有像素级融合方法会损失高光谱的光谱信息，很难实现高光谱图像的空间和光谱信息的联合利用，此外，在融合过程中，会存在不同程度的光谱失真的问题。分类方法包括如下步骤：步骤一、通过双支神经网络同时对高光谱图像和LiDAR衍生的DSM数据进行特征提取，获得高光谱图像的空间-光谱联合信息Fspec-spat和DSM数据的多尺度高程信息Felv；步骤二、将Fspec-spat和Felv进行全连接，从而实现空间-光谱联合信息Fspec-spat和多尺度高程信息Felv的特征融合，获得融合后的数据信息Fall；步骤三、通过分类器对数据信息Fall进行分类，获得样本类别标签，从而完成对融合后的数据信息Fall的分类。主要用于进行地物分类。
-
公开(公告)号：CN105869114B
公开(公告)日：2018-12-11
申请号：CN201610179673.7
申请日：2016-03-25
Applicant: 哈尔滨工业大学
IPC: G06T3/40
Abstract: 基于多层带间结构模型的多光谱图像和全色图像融合方法，属于图像融合方法领域。为了解决在建立ARSIS模型的过程中，单层细节图像在描述带间关系时的局限性。本发明将低分辨率多光谱图像MSLR重采样到PAN图像大小，将其均值作为z1LR图像；对z1LR和MSLR进行GS正交变换，将z1LR图像变换后的图像记为利用SWT构建多尺度模型MSM；将MSM中各近似图像和细节图像划分为64×64大小的图像块；对和计算全局结构相似度SSIM，对每个图像块计算局部结构相似度，并应用定义的模型求得利用SWT逆变换得到得到z1HR后进行GS反变换；输出高分辨率多光谱图像MSHR。本发明有效地提升了多光谱图像的空间分辨率，实现了多光谱图像全色锐化的目的。
-
公开(公告)号：CN105303526A
公开(公告)日：2016-02-03
申请号：CN201510594428.8
申请日：2015-09-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于海岸线数据及频谱分析的舰船目标检测方法，本发明涉及舰船目标检测方法。本发明是要解决现有技术不能有效去除噪声以及大幅面卫星图像中舰船目标的检测消耗较大的计算资源和时间的问题，而提出的一种基于海岸线数据及频谱分析的舰船目标检测方法。该方法是通过一、形成背景全为海洋的图像数据即掩膜后的图像；二、得到去除云层噪声后的图像；三、得到二值化图像，在二值化图像中检测到种子点或种子区域；根据检测到种子点或种子区域进行区域生长获得舰船船体区域；四、通过舰船船体区域的面积和长宽比特征进行筛选，获得最终的高分辨率卫星图像中舰船目标检测结果等步骤实现的。本发明应用于舰船目标检测领域。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.038 seconds)
