-
公开(公告)号：CN109495744A
公开(公告)日：2019-03-19
申请号：CN201811270154.7
申请日：2018-10-29
Applicant: 西安电子科技大学
IPC: H04N19/124 , H04N19/13
Abstract: 本发明公开了一种基于多结构生成对抗网络的大倍率遥感影像压缩方法，解决了传统方法未挖掘影像像素间相关性及大倍率压缩下视觉保真度下降的技术问题。实现步骤有：对遥感影像数据集预处理；预处理后的遥感影像数据集输入联合生成对抗网络训练得到训练好的网络模型；用训练得到的网络进行大倍率遥感影像压缩得到编码文件；对网络编码结果做熵编码得到待传输的码流文件；用解码网络进行码流文件的解压缩得到原始遥感影像。本发明使用联合生成对抗网络遥感影像建立模型进行大倍率压缩，该网络将编解码网络对称结构分别进行对抗训练，通过训练使得模型同时提取影像本身的相关性和遥感影像之间的相关性，提高了大倍率压缩下视觉保真度。
-
公开(公告)号：CN112465880A
公开(公告)日：2021-03-09
申请号：CN202011355669.4
申请日：2020-11-26
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种多源异构数据认知融合的目标检测方法，用于解决现有技术中存在的图像中包含被遮挡的目标导致目标检测精度较低的技术问题，实现步骤为：数据预处理；获取训练数据集和测试数据集；构建基于多源异构数据认知融合的目标检测模型H；对基于多源异构数据认知融合的目标检测模型H进行迭代训练；获取目标检测结果。本发明在目标检测网络的基础上，通过融合输入的光学遥感图像和SAR图像、融合提取特征后的光学遥感特征图和SAR特征图、融合光学遥感图像和SAR图像的检测结果，使得目标检测模型既学习到SAR图像的特征，又学习到光学遥感图像的特征，解决了包含被遮挡目标的图像的检测精度较低的技术问题。
-
公开(公告)号：CN110009010B
公开(公告)日：2023-03-24
申请号：CN201910211183.4
申请日：2019-03-20
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于兴趣区域重检测的宽幅光学遥感目标检测方法，主要解决宽幅光学遥感目标检测中对小尺度目标检测精度低及重叠滑窗检测时效性慢的问题。具体步骤有：制作多尺度训练样本；设计检测网络模型结构；对混合重检测网络模型进行训练；宽幅影像候选兴趣区域提取与重检测。本发明设计的检测网络模型，能拟合不同尺度目标的检测；基于兴趣区域检测不需重叠检测，降低了宽幅遥感图像候选区域提取的时间，采用对候选区域基于目标的尺度先验性进行重检测，改善了小目标的检测效果，检测精度更高。可应用于任何宽幅像素分辨率大小的光学遥感图像的检测。
-
公开(公告)号：CN109495744B
公开(公告)日：2019-12-24
申请号：CN201811270154.7
申请日：2018-10-29
Applicant: 西安电子科技大学
IPC: H04N19/124 , H04N19/13
Abstract: 本发明公开了一种基于多结构生成对抗网络的大倍率遥感影像压缩方法，解决了传统方法未挖掘影像像素间相关性及大倍率压缩下视觉保真度下降的技术问题。实现步骤有：对遥感影像数据集预处理；预处理后的遥感影像数据集输入联合生成对抗网络训练得到训练好的网络模型；用训练得到的网络进行大倍率遥感影像压缩得到编码文件；对网络编码结果做熵编码得到待传输的码流文件；用解码网络进行码流文件的解压缩得到原始遥感影像。本发明使用联合生成对抗网络遥感影像建立模型进行大倍率压缩，该网络将编解码网络对称结构分别进行对抗训练，通过训练使得模型同时提取影像本身的相关性和遥感影像之间的相关性，提高了大倍率压缩下视觉保真度。
-
公开(公告)号：CN110009010A
公开(公告)日：2019-07-12
申请号：CN201910211183.4
申请日：2019-03-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于兴趣区域重检测的宽幅光学遥感目标检测方法，主要解决宽幅光学遥感目标检测中对小尺度目标检测精度低及重叠滑窗检测时效性慢的问题。具体步骤有：制作多尺度训练样本；设计检测网络模型结构；对混合重检测网络模型进行训练；宽幅影像候选兴趣区域提取与重检测。本发明设计的检测网络模型，能拟合不同尺度目标的检测；基于兴趣区域检测不需重叠检测，降低了宽幅遥感图像候选区域提取的时间，采用对候选区域基于目标的尺度先验性进行重检测，改善了小目标的检测效果，检测精度更高。可应用于任何宽幅像素分辨率大小的光学遥感图像的检测。
-
Patent Agency Ranking
公开(公告)号：CN112465880B
公开(公告)日：2023-03-10
申请号：CN202011355669.4
申请日：2020-11-26
Applicant: 西安电子科技大学
IPC: G06T7/30 , G06T7/11 , G06T5/50 , G06V10/80 , G06V10/774
Abstract: 本发明提出了一种多源异构数据认知融合的目标检测方法，用于解决现有技术中存在的图像中包含被遮挡的目标导致目标检测精度较低的技术问题，实现步骤为：数据预处理；获取训练数据集和测试数据集；构建基于多源异构数据认知融合的目标检测模型H；对基于多源异构数据认知融合的目标检测模型H进行迭代训练；获取目标检测结果。本发明在目标检测网络的基础上，通过融合输入的光学遥感图像和SAR图像、融合提取特征后的光学遥感特征图和SAR特征图、融合光学遥感图像和SAR图像的检测结果，使得目标检测模型既学习到SAR图像的特征，又学习到光学遥感图像的特征，解决了包含被遮挡目标的图像的检测精度较低的技术问题。
-
公开(公告)号：CN101483777B
公开(公告)日：2010-08-25
申请号：CN200810232708.4
申请日：2008-12-19
Applicant: 西安电子科技大学
Abstract: 本文公开了一种基于自适应多尺度Bandelet包的SAR图像去噪压缩方法，它涉及遥感图像处理技术领域。其实现过程是：1)读入复值SAR图像的模值图像M进行对数变换，得到对数变换后的图像M′＝log(M+1)；2)将M′进行自适应多尺度Bandelet包变换，并进行软阈值法滤除斑点噪声，得到滤除噪声后的系数；3)将滤波后的系数进行逆自适应多尺度Bandelet包变换得到M″，再进行反对数变换得到去噪后的图像Mdenoise＝eM″-1；4)对去噪后的图像Mdenoise再执行自适应多尺度Bandelet包变换，得到Bandelet系数；5)对Bandelet系数先进行量化和编码，再进行逆自适应多尺度Bandelet包变换，得到去噪压缩后的SAR图像。本发明具有压缩后图像峰值信噪比、等效视数和边缘保持系数高，有效保持了SAR图像高频纹理信息和目标几何结构，以及复杂度低、实现快速等优点；在保证图像质量不影响后续分析与解译的前提下，能获得较高的压缩比，可用于高分辨SAR图像的存储与传输处理。
-
公开(公告)号：CN101483777A
公开(公告)日：2009-07-15
申请号：CN200810232708.4
申请日：2008-12-19
Applicant: 西安电子科技大学
Abstract: 本文公开了一种基于自适应多尺度Bandelet包的SAR图像去噪压缩方法，它涉及遥感图像处理技术领域。其实现过程是：1)读入复值SAR图像的模值图像M进行对数变换，得到对数变换后的图像M′＝log(M+1)；2)将M′进行自适应多尺度Bandelet包变换，并进行软阈值法滤除斑点噪声，得到滤除噪声后的系数；3)将滤波后的系数进行逆自适应多尺度Bandelet包变换得到M″，再进行反对数变换得到去噪后的图像Mdenoise＝eM″－1；4)对去噪后的图像Mdenoise再执行自适应多尺度Bandelet包变换，得到Bandelet系数；5)对Bandelet系数先进行量化和编码，再进行逆自适应多尺度Bandelet包变换，得到去噪压缩后的SAR图像。本发明具有压缩后图像峰值信噪比、等效视数和边缘保持系数高，有效保持了SAR图像高频纹理信息和目标几何结构，以及复杂度低、实现快速等优点。
-
公开(公告)号：CN113068044B
公开(公告)日：2022-01-11
申请号：CN202110312680.0
申请日：2021-03-24
Applicant: 西安电子科技大学
IPC: H04N19/42 , G06K9/62 , H04N19/103 , H04N19/91
Abstract: 本发明公开了一种基于低秩表示的迭代高光谱图像无损压缩方法，解决了传统压缩方法忽略了图像空间的相关性，聚类结果不稳定，模块之间无联系的问题。实现步骤包括：定义光谱角相似性度量方法；对原始图像粗略聚类；低秩表示求解粗略聚类块系数矩阵；对系数矩阵再聚类得到初始聚类结果；对初始聚类结果迭代优化得到最终聚类块的预测系数与预测残差；接着进行熵编码，得到待传输的码流文件；熵解码后在解码端对码流文件解压缩，得到无损压缩后的高光谱图像。本发明定义光谱角相关性度量方法，增加对空间相关性的利用；低秩表示与子空间聚类相结合，增加聚类结果稳定性；通过迭代优化关联各个模块，增加了结果压缩比。应用于影像压缩领域。
-
公开(公告)号：CN109271926B
公开(公告)日：2021-09-10
申请号：CN201811074578.6
申请日：2018-09-14
Applicant: 西安电子科技大学
Abstract: 本发明是一种基于GRU深度卷积网络的智能辐射源识别方法，主要解决现有技术无法提取到雷达辐射源信号序列化特征的问题，其方案为：对雷达辐射源信号进行分类；仿真雷达辐射源信号，并对雷达辐射源信号进行切片；将切片后的样本转为二维实数样本，对二维实数样本归一化并划分训练样本集与测试样本集；构建基于门控循环单元GRU的深度神经网络；将训练样本集输入深度神经网络中，通过对损失函数的优化，得到训练好的深度神经网络模型；将测试样本集输入到训练好的深度神经网络模型中，得到雷达辐射源信号识别结果。本发明能提取信号前后关联特征，避免人工特征提取和先验知识，复杂度低，分类结果准确，可用于复杂电磁环境下对雷达辐射源识别。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.018 seconds)
