-
公开(公告)号：CN103049898B
公开(公告)日：2015-04-22
申请号：CN201310030819.8
申请日：2013-01-27
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明提供了一种带有薄云的多光谱和全色图像融合方法，主要解决带有薄云的多光谱和全色图像融合后云雾区域受到云层干扰的问题。其实现步骤是：对带有薄云的多光谱图像进行采样和滤波，得到多光谱和全色图像的背景图像；分别对带有薄云的多光谱和全色图像去除薄云；对去云的多光谱图像进行PCA变换，并对变换后的第一主分量图像和全色图像进行Shearlet分解；将第一主分量的低频系数作为融合分量的低频系数，将全色图像的高频系数加权作为融合分量的高频系数；对融合分量和PCA变换的其余分量进行逆PCA变换，得到融合图像。本发明具有融合图像薄云区域清晰度高，光谱保持性好的优点，可用于军事目标识别、气象及环境监测、土地利用、城市规划以及防灾减灾。
-
公开(公告)号：CN106529570B
公开(公告)日：2019-06-18
申请号：CN201610898502.X
申请日：2016-10-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度脊波神经网络的图像分类方法，主要解决现有技术基于神经网络的图像分类训练时间长，分类精度不高的问题。其实现步骤为：1.对图像库中的数据选择10％比例作为训练样本，其余作为测试样本；2.建立深度脊波神经网络的网络结构，并将训练样本作为网络的输入；3.分别对深度脊波神经网络中每一层的参数用脊波自编码器进行分层学习；4.将分层学习的参数结果作为深度脊波神经网络中参数的初始值，对整个网络中的参数利用梯度下降法进行训练，得到训练好的网络；5.将测试样本输入网络，得到每一个测试样本的类标。本发明具有分类精度高，训练速度快的优点，可用于到目标识别、目标分析以及社会活动检测。
-
公开(公告)号：CN104794681B
公开(公告)日：2018-03-13
申请号：CN201510208937.2
申请日：2015-04-28
Applicant: 西安电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于多冗余字典和稀疏重构的遥感图像融合方法，主要解决多光谱和全色图像融合过程中光谱信息和空间分辨率难以平衡的问题。其实现步骤为：1.对高分辨率全色图像和低分辨率多光谱图像分块；2.对低分辨率多光谱图像块的各个波段线性求和，得到低分辨率光谱‑强度图像块；3.根据低分辨率光谱‑强度图像块得到高分辨率光谱‑强度图像块；4.根据高分辨率光谱‑强度图像块和低分辨率多光谱图像块得到融合图像块；5.拼接融合图像块，得到融合图像。本发明具有融合图像的光谱保持性和空间分辨率高的优点，可用于到目标识别、气象监测、环境监测、城市规划以及防灾减灾。
-
公开(公告)号：CN106529570A
公开(公告)日：2017-03-22
申请号：CN201610898502.X
申请日：2016-10-14
Applicant: 西安电子科技大学
CPC classification number: G06K9/6277 , G06N3/084
Abstract: 本发明公开了一种基于深度脊波神经网络的图像分类方法，主要解决现有技术基于神经网络的图像分类训练时间长，分类精度不高的问题。其实现步骤为：1.对图像库中的数据选择10％比例作为训练样本，其余作为测试样本；2.建立深度脊波神经网络的网络结构，并将训练样本作为网络的输入；3.分别对深度脊波神经网络中每一层的参数用脊波自编码器进行分层学习；4.将分层学习的参数结果作为深度脊波神经网络中参数的初始值，对整个网络中的参数利用梯度下降法进行训练，得到训练好的网络；5.将测试样本输入网络，得到每一个测试样本的类标。本发明具有分类精度高，训练速度快的优点，可用于到目标识别、目标分析以及社会活动检测。
-
公开(公告)号：CN103914817B
公开(公告)日：2017-01-04
申请号：CN201410077181.8
申请日：2014-03-04
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明提供了一种基于区域划分和插值的多光谱和全色图像融合方法，实现过程是1)提取高分辨率全色图像的Primal Sketch图；2）构造几何模版；3）得到划分高分辨率全色图像为结构区域和非结构区域的区域映射图；4）得到划分结构区域、纹理区域和光滑区域的区域映射图；5）得到图像大小和高分辨率全色图像相同大小的初始的多光谱图像；6）将初始的多光谱图像划分为结构区域、纹理区域和光滑区域；7）得到预测的多光谱图像；8）完成对预测的多光谱图像上的每一个像素点的灰度值的计算，得到融合图像。本发明解决了融合图像中光谱信息失真或者空间分辨率不足的缺点，提高了融合图像的质量。
-
Patent Agency Ranking
公开(公告)号：CN104036491B
公开(公告)日：2016-09-14
申请号：CN201410203157.4
申请日：2014-05-14
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明属图像处理技术领域，提供了一种基于区域划分和自适应多项式隐模型的SAR图像分割方法。步骤为：1.利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，提取SAR图像素描图；2.根据区域图，将SAR图像划分为像素空间的非结构区域和结构区域；3.根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域；4.对像素空间的非结构区域建立多层次多项式隐模型的图像分割方法；5.对像素空间的结构区域提出基于几何结构窗和基于方形窗的单层多项式隐模型的图像分割方法；6.合并不同区域分割结果，得到所需分割结果。本发明实现了高分辨SAR图像良好的分割效果，可用于高分辨SAR图像分割。
-
公开(公告)号：CN104794681A
公开(公告)日：2015-07-22
申请号：CN201510208937.2
申请日：2015-04-28
Applicant: 西安电子科技大学
IPC: G06T3/40
CPC classification number: G06T3/4053 , G06T3/4061
Abstract: 本发明公开了一种基于多冗余字典和稀疏重构的遥感图像融合方法，主要解决多光谱和全色图像融合过程中光谱信息和空间分辨率难以平衡的问题。其实现步骤为：1.对高分辨率全色图像和低分辨率多光谱图像分块；2.对低分辨率多光谱图像块的各个波段线性求和，得到低分辨率光谱-强度图像块；3.根据低分辨率光谱-强度图像块得到高分辨率光谱-强度图像块；4.根据高分辨率光谱-强度图像块和低分辨率多光谱图像块得到融合图像块；5.拼接融合图像块，得到融合图像。本发明具有融合图像的光谱保持性和空间分辨率高的优点，可用于到目标识别、气象监测、环境监测、城市规划以及防灾减灾。
-
公开(公告)号：CN102306381B
公开(公告)日：2013-02-27
申请号：CN201110148499.7
申请日：2011-06-02
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种结合小波与Beamlet变换的图像融合方法，克服了现有技术基于小波变换的图像融合方法在图像边缘和细节位置模糊的不足，实现的步骤为：(1)输入源图像；(2)小波分解；(3)低频子带系数融合；(4)提取图像边缘；(5)计算边缘密度及差值；(6)高频系数融合；(7)一致性校验；(8)图像重构；(9)输出融合图像。本发明利用Beamlet变换有效的提取图像的边缘信息，并将其参与到图像的融合中，减少了噪声对于融合结果的干扰，最终得到边缘细节特征更为明显的融合图像。
-
公开(公告)号：CN118628616A
公开(公告)日：2024-09-10
申请号：CN202410750413.5
申请日：2024-06-12
Applicant: 西安电子科技大学
Abstract: 一种基于多层级注意力扩散模型的手语骨骼点序列生成方法，包括：获取手语图片中人的上半身和手部关键点和相对应的Gloss数据，将获取的高维度手语关键点数据映射到低维度空间中，将原始的手语序列帧数据转换为更紧凑、更具有表征性的隐空间表征Latent。同时，将Gloss数据由文本序列处理为向量形式，输入深度学习模型Gloss‑Based Latent Space Predictor(GLSP)，预测得到手语关键点的隐空间表征Latent。将所述生成的隐空间表征Latent输入正向扩散模型，采用分区域冻结网络的训练方式，通过逐渐添加高斯噪声的方式来对原始数据进行破坏，随后在反向扩散阶段，通过学习逆转扩散过程，进而从噪声数据中恢复原始输入数据，利用生成模型去预测原始手语骨骼点分布；生成手语骨骼点序列具有连贯性强、语义准确的优点。
-
公开(公告)号：CN105069468A
公开(公告)日：2015-11-18
申请号：CN201510451326.0
申请日：2015-07-28
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/627 , G06K9/6256
Abstract: 本发明公开了一种基于脊波和深度卷积网络的高光谱图像分类方法，主要解决现有技术对高光谱图像分类精度低和计算复杂度高的问题。其实现步骤为：1.在高光谱图像中选择训练样本；2.提取训练样本的光谱信息和空间信息；3.结合光谱信息和空间信息组成训练样本集；4.构造五层深度卷积网络，并设计脊波滤波器对网络进行初始化；5.利用训练样本集训练构造的神经网络；6.对其余样本用训练好的神经网络进行分类，完成图像分类。本发明具有分类精度高和分类速度快的优点，可用于到气象监测、环境监测、城市规划以及防灾减灾。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.029 seconds)
