-
公开(公告)号：CN120032244A
公开(公告)日：2025-05-23
申请号：CN202510043017.3
申请日：2025-01-10
Applicant: 西安电子科技大学
IPC: G06V20/10 , G01N21/27 , G06V10/58 , G06V10/771 , G01N21/17
Abstract: 本发明公开了一种基于波段筛选联合特征编码器的高光谱异常检测方法，确定所述像素点位序列中目标像素点在k波段局部范围内的光谱域差异权值；根据所述目标像素点在k波段局部范围内的光谱域差异权值确定目标像素重建灰度值；确定所述像素点位序列中目标像素点在k波段局部范围内的空间域距离权值；根据所述光谱域差异权值与空间域距离权值获得目标像素重建过程中的联合特征权值；根据所述联合特征权值和目标像素重建灰度值获得目标像素重建的灰度大小；根据光谱余弦相似度算法和目标像素重建的灰度大小确定各个波段的余弦相似度；根据所述各个波段的余弦相似度确定每个波段的图像为冗余或者有效。
-
公开(公告)号：CN117495720A
公开(公告)日：2024-02-02
申请号：CN202311464041.1
申请日：2023-11-06
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多尺度边缘保持模型的去雾方法，该方法首先在HSV空间通过小波变换对亮度分量V进行分解，在低频图像中使用Retinex理论进行去雾，在高频图像中使用侧窗滤波增强细节，进而对高低频分量进行小波逆变换得到增强V分量，由于亮度分量V和饱和度分量S遵循V‑S模型，因此需要对S分量进行调整，最后将图像转换到RGB空间对去雾图像进行色彩恢复得到最终清晰图像。本发明对雾天图像对比度的提高和细节信息的恢复两方面具有良好的效果。
-
公开(公告)号：CN118154541A
公开(公告)日：2024-06-07
申请号：CN202410273216.9
申请日：2024-03-11
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 一种基于双层协同结构改进的高光谱异常检测方法，包括如下步骤：使用第一层协同表示对原始高光谱图像H进行预检测；对预检测出的可能异常点进行均值向量填充，完成背景纯化；使用第二层协同表示对背景纯化后的高光谱图像进行重构，得到重构高光谱图像Y；计算原始高光谱图像H和重构高光谱图像Y的重构误差，得到异常检测结果。与现有技术相比，本发明设计了双层协同表示结构，通过第一层协同表示算法将大部分异常点预检出，并用邻域进行背景纯化，有效降低异常点对背景的污染，从而减弱异常点对算法性能的影响，并具有相对优异的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN117611634A
公开(公告)日：2024-02-27
申请号：CN202311723023.0
申请日：2023-12-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于响应融合及自适应尺度处理的目标跟踪方法，针对相关滤波类跟踪算法特征提取有效性和丰富性不足、快速尺度变化时应对能力差、抗干扰能力弱的问题，本发明提出了基于特征响应融合的尺度自适应目标跟踪算法。首先，引入了基于颜色直方图特征的概率感知模型，根据背景区域与目标区域的分布差异特性，建立了背景抑制模型与干扰检测模型；随后，通过目标区域的概率均值实现融合权重的自适应计算，将背景抑制模型与干扰检测模型进行根据实时场景的自适应融合处理；最后，在尺度处理方面，将引入有效最值的形体边缘检测的目标预测模型用于计算跟踪中的目标尺度变化，提高了处理尺度变换场景时算法的精度。
-
公开(公告)号：CN117522814A
公开(公告)日：2024-02-06
申请号：CN202311487046.6
申请日：2023-11-09
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种高光谱图像的异常检测方法，本发明基于多特征联合的背景重构减法对高光谱图像进行异常检测。具体方法包括：首先使用空间特征和光谱特征联合改进的双窗口三边滤波方法对图像进行背景重构；其次对于分析图像中异常目标的分布特性，在传统显著性检测方法的基础上提出基于全局上下文感知的显著性特征提取方法来提取出图像的显著性特征图；然后将图像的显著性特征图与三边滤波后重构背景图作差平方后得到异常目标初始检测图；最后利用光谱相关系数来获取图像的光谱权值图，并将其与初始异常检测图进行融合来获得最终的异常检测结果。
-
公开(公告)号：CN119941507A
公开(公告)日：2025-05-06
申请号：CN202411872359.8
申请日：2024-12-18
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于全局上下文通道注意力的红外图像超分辨方法，步骤一：获取训练数据集；步骤二：扩充训练数据集；步骤三：构建全局上下文通道注意力网络，以RCAN网络架构为基础，在深层特征提取阶段的残差组构造上进行改进，在残差组结构中，融入m个相互串联的全局上下文通道注意力模块；步骤四：构建结构损失函数；步骤五：将扩充训练数据集输入到全局上下文通道注意力网络中，并以结构损失函数作为优化目标进行训练，使用ADAM优化器更新模型参数，直到损失不再下降，得到训练好的红外图像超分辨率重建模型；步骤六：通过训练好的红外图像超分辨率重建模型对测试集中的低分辨率图像进行超分辨率重建，得到红外超分辨率图像。
-
公开(公告)号：CN119887527A
公开(公告)日：2025-04-25
申请号：CN202411950656.X
申请日：2024-12-27
Applicant: 西安电子科技大学
IPC: G06T3/4069 , G06T3/4046 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于混合卷积的自注意力红外图像超分辨重建方法，对初始的待重建红外图像进行像素嵌入，获取其浅层特征F0；利用级联的N个Swin Transformer混合卷积组和1个卷积层，对浅层特征F0进行深层特征提取，获取深层特征FDF；其中每个Swin Transformer混合卷积组由级联的L个Swin‑CNN融合处理块和1个卷积层组成；基于浅层特征F0和深层特征FDF，利用重建函数进行红外图像超分辨重建。本发明融合了Swin Transformer和CNN的优势，从融合处理全局和局部信息的层面上提高了对红外图像细节及特征的重建性能，在准确性和鲁棒性方面展现出了显著优势，并最终实现了高质量的红外图像重建。
-
公开(公告)号：CN117522815A
公开(公告)日：2024-02-06
申请号：CN202311491758.5
申请日：2023-11-09
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于光谱约束和逆距离协同表示的高光谱异常检测方法，使用相应的高光谱图像数据集进行训练，采用本发明研究的一种基于光谱约束的堆叠自编码器来有效重构背景样本；其后利用重构背景与输入的重构误差进行异常检测获得初步检测结果；本发明研究了逆距离协同表示方法，将堆叠自编码器最中间隐藏层的特征输入至逆距离协同表示模块得到异常分数估计结果，最后，将异常分数估计结果转化为自适应的异常权重矩阵，以优化初步检测结果，在抑制背景时保留异常，提高算法的异常检测性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
