-
公开(公告)号：CN106067165A
公开(公告)日：2016-11-02
申请号：CN201610374506.8
申请日：2016-05-31
Applicant: 西北工业大学
IPC: G06T5/00
CPC classification number: G06T5/002 , G06T2207/10036
Abstract: 本发明公开了一种基于聚类化稀疏随机场的高光谱图像去噪方法，用于解决现有高光谱图像去噪方法去噪性能差的技术问题。技术方案是根据光谱特性将高光谱图像中的像素聚成若干个类别，利用马尔科夫随机场模型构造图像的先验模型。先验中定义的类内结构稀疏性势能函数和图结构势能函数，分别约束了类内像素光谱维上的相关性和空间维上的相似性。并且，采用正则化回归模型，联合表征了先验学习模型和去噪模型。由于联合考虑了高光谱图像光谱维上的相关性和空间为维上的相似性，去噪性能得以提升。在CAVE数据集上的去噪实验表明，当噪声图像的信噪比为16.5分贝时，去噪结果获得的峰值信噪比达到了33.3分贝。
-
公开(公告)号：CN105427337A
公开(公告)日：2016-03-23
申请号：CN201510726533.2
申请日：2015-10-30
Applicant: 西北工业大学
IPC: G06T7/20
CPC classification number: G06T2207/10016 , G06T2207/20024 , G06T2207/30004
Abstract: 本发明公开了一种基于压缩感知的延时视频序列运动细胞跟踪方法，用于解决现有延时视频序列运动细胞跟踪方法复杂的技术问题。技术方案是将压缩感知引入到延时视频序列运动细胞的跟踪中，并对每一帧中运动细胞进行粗分割，依据分割结果确定每个细胞所在的一个矩形检测窗口；在该矩形检测窗口内对原始细胞图像进行随机采样，将该矩形检测窗口内的图像变换到高维特征空间；构造一个随机稀疏矩阵，将窗口内的图像从高维特征空间映射到低维特征空间；最后，将所得的描述特征带入训练好的朴素贝叶斯分类器，判定该窗口区域是否真的还有上一帧中附近位置出现的细胞，从而实现细胞跟踪。该方法将图像特征从高维特征空间映射到低位特征空间，方法简单。
-
公开(公告)号：CN114842350B
公开(公告)日：2024-10-15
申请号：CN202210308254.4
申请日：2022-03-26
Applicant: 西北工业大学
Abstract: 本发明涉及一种遥感图像中的目标检测方法、装置、电子设备和计算机可读存储介质。该方法包括：对于候选区域特征图进行非局部图卷积处理，得到卷积结果，其中，该候选区域特征图为当前网络将该遥感图像中多个目标区域池化到一个固定大小的特征图之后得到；将该卷积结果与该候选区域特征图进行融合处理，得到目标候选区域特征图；从该目标候选区域特征图中识别出目标信息。通过本发明，解决了相关技术中小样本目标检测的鉴别能力和泛化能力不足的技术问题，达到了提高遥感图像小样本目标检测的鉴别能力和泛化能力的技术效果。
-
公开(公告)号：CN114842350A
公开(公告)日：2022-08-02
申请号：CN202210308254.4
申请日：2022-03-26
Applicant: 西北工业大学
Abstract: 本发明涉及一种遥感图像中的目标检测方法、装置、电子设备和计算机可读存储介质。该方法包括：对于候选区域特征图进行非局部图卷积处理，得到卷积结果，其中，该候选区域特征图为当前网络将该遥感图像中多个目标区域池化到一个固定大小的特征图之后得到；将该卷积结果与该候选区域特征图进行融合处理，得到目标候选区域特征图；从该目标候选区域特征图中识别出目标信息。通过本发明，解决了相关技术中小样本目标检测的鉴别能力和泛化能力不足的技术问题，达到了提高遥感图像小样本目标检测的鉴别能力和泛化能力的技术效果。
-
公开(公告)号：CN107203783B
公开(公告)日：2020-09-01
申请号：CN201710371308.0
申请日：2017-05-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于自适应卷积核卷积神经网络的遥感图像像素级分类方法，用于解决现有遥感图像像素级分类方法自适应性差的技术问题。技术方案是首先计算数据点的密度和距离值，然后自适应选取聚类中心为卷积核，最后将学习到的卷积核加入CNN对网络的softmax层进行训练，对训练好的网络进行遥感图像像素级分类。本发明将改进的基于快速寻找和找到密度峰值的聚类算法MCFSFDP，聚类得到自适应卷积核，代入基于预训练卷积核的CNN结构。相对基于K‑means聚类人工设定聚类类别预学习的卷积核的CNN结构相比，自适应学习到的卷积核能够有效表征数速记据信息特点并且提高了遥感图像像素级分类效果。
-
Patent Agency Ranking
公开(公告)号：CN114943652B
公开(公告)日：2024-12-10
申请号：CN202210408527.2
申请日：2022-04-19
Applicant: 西北工业大学
Abstract: 本发明实施例公开了一种低照度遥感图像的高动态重建方法和装置，低照度遥感图像的高动态重建方法包括：获取低照度遥感图像；将低照度遥感图像数据映射至深度学习特征空间，得到深度特征Fx；根据深度特征Fx，确定短期特征ys和长期特征yl，短期特征ys为至少基于空间域的卷积操作确定的像素级动态特征，长期特征yl表征深度特征Fx经过基于Transformer的预训练模型处理后确定的表征特征间依赖关系；根据短期特征ys和长期特征yl，确定亮度增强曲线；根据亮度增强曲线，对低照度遥感图像进行逐像素调整。通过本发明，解决了现有技术中对低照度遥感图像进行高动态重建的精度较低的问题，提高了低照度遥感图像的高动态重建精度。
-
公开(公告)号：CN106067165B
公开(公告)日：2018-11-30
申请号：CN201610374506.8
申请日：2016-05-31
Applicant: 西北工业大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于聚类化稀疏随机场的高光谱图像去噪方法，用于解决现有高光谱图像去噪方法去噪性能差的技术问题。技术方案是根据光谱特性将高光谱图像中的像素聚成若干个类别，利用马尔科夫随机场模型构造图像的先验模型。先验中定义的类内结构稀疏性势能函数和图结构势能函数，分别约束了类内像素光谱维上的相关性和空间维上的相似性。并且，采用正则化回归模型，联合表征了先验学习模型和去噪模型。由于联合考虑了高光谱图像光谱维上的相关性和空间维上的相似性，去噪性能得以提升。在CAVE数据集上的去噪实验表明，当噪声图像的信噪比为16.5分贝时，去噪结果获得的峰值信噪比达到了33.3分贝。
-
公开(公告)号：CN105913123A
公开(公告)日：2016-08-31
申请号：CN201610224971.3
申请日：2016-04-12
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法，用于解决现有建模方法自适应性差的技术问题。技术方案是综合考虑水分子的吸收系数和散射系数，泥沙颗粒的吸收系数和散射系数，光的入射角，水层向上散射角等诸多因素；采用自动编码器后接多层感知器形成的神经网络结构，利用训练数据进行学习，最终获得黄河主溜光谱模型。自动编码器具有去除冗余信息，对噪声鲁棒的特点，因此有利于获得鲁棒的参数估计结果。本发明建立的黄河主溜光谱模型结合主溜成因，综合考虑了水体、泥沙、光照等方面的因素，采用自动编码器和多层感知器网络作为模型参数估计方法，能够更具数据自动获得具体模型参数，具有良好的可扩展性和自适应性。
-
公开(公告)号：CN108491864B
公开(公告)日：2020-05-01
申请号：CN201810163343.8
申请日：2018-02-27
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法。首先，用K‑means算法对多组不同大小的图像块样本进行聚类处理；然后，设计一种新的针对不同尺寸且各类别数量呈非均匀分布样本聚类结果的评价指标，对不同尺寸样本聚类结果进行评价，根据评价结果确定自适应卷积核；最后，对自适应卷积核的卷积神经网络进行训练，并利用训练好的网络对高光谱图像进行分类。由于利用聚类处理和指标评价得到的自适应卷积核可以更加有效的表征数据信息，利用本发明方法可以得到更好的高光谱图像分类结果。
-
公开(公告)号：CN105913123B
公开(公告)日：2018-08-03
申请号：CN201610224971.3
申请日：2016-04-12
Applicant: 西北工业大学
Abstract: 本发明公开了种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法,用于解决现有建模方法自适应性差的技术问题。技术方案是综合考虑水分子的吸收系数和散射系数,泥沙颗粒的吸收系数和散射系数,光的入射角,水层向上散射角等诸多因素;采用自动编码器后接多层感知器形成的神经网络结构,利用训练数据进行学习,最终获得黄河主溜光谱模型。自动编码器具有去除冗余信息,对噪声鲁棒的特点,因此有利于获得鲁棒的参数估计结果。本发明建立的黄河主溜光谱模型结合主溜成因,综合考虑了水体、泥沙、光照等方面的因素,采用自动编码器和多层感知器网络作为模型参数估计方法,能够更具数据自动获得具体模型参数,具有良好的可扩展性和自适应性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
