-
公开(公告)号：CN119693791A
公开(公告)日：2025-03-25
申请号：CN202411692209.9
申请日：2024-11-25
Applicant: 重庆邮电大学
IPC: G06V20/10 , G06V10/52 , G06V10/44 , G06V10/54 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于ResNet34的遥感影像建筑物变化检测方法，属于遥感图像信息变化检测技术领域。该方法为：对训练数据集进行预处理及数据增强；输入ResNet34编码器中，得到两张图像各个阶段不同尺度的特征图；将变化前和变化后的图像输入到GFSN模块中，在多个尺度和方向上提取建筑物相关纹理特征；将GFSN模块中提取到的特征与分层编码器融合，将其集成到由4对多级下采样‑变换块组成的暹罗式网络中；将融合后的多层特征通过比值注意力模块重新分配特征权重同时通过差分模块得到图像差值；通过解码器逐层融合上采样运算得到最终预测图。本发明解决了建筑物变换检测中出现的建筑物边界模糊和检测结果中出现的空洞问题。
-
-
公开(公告)号：CN110070545B
公开(公告)日：2023-05-26
申请号：CN201910212324.4
申请日：2019-03-20
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种城镇纹理特征密度自动提取城镇建成区的方法，本发明属于遥感图像信息提取领域，该方法针对高分辨率遥感数据，利用多尺度简单线性迭代算法构建遥感图像城镇纹理特征密度，来自动提取城镇建成区。该方法首先利用J‑M距离分析了灰度共生矩阵的不同纹理特征在城镇提取中的敏感性，将纹理差异特征作为了分类依据；然后利用简单线性迭代聚类算法(SLIC)进行多个尺度的超像素分割，以超像素作为计算局部特征密度的范围，计算多次分割后的特征密度图像并进行叠加，构建待分类图像的特征密度图像。本方法提取的结果有较好的完整率与正确率，尤其是在完整性方面，该方法提取的城镇边缘与实际边缘符合度极高，可达到人工检测效果。
-
公开(公告)号：CN110070545A
公开(公告)日：2019-07-30
申请号：CN201910212324.4
申请日：2019-03-20
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种城镇纹理特征密度自动提取城镇建成区的方法，本发明属于遥感图像信息提取领域，该方法针对高分辨率遥感数据，利用多尺度简单线性迭代算法构建遥感图像城镇纹理特征密度，来自动提取城镇建成区。该方法首先利用J-M距离分析了灰度共生矩阵的不同纹理特征在城镇提取中的敏感性，将纹理差异特征作为了分类依据；然后利用简单线性迭代聚类算法(SLIC)进行多个尺度的超像素分割，以超像素作为计算局部特征密度的范围，计算多次分割后的特征密度图像并进行叠加，构建待分类图像的特征密度图像。本方法提取的结果有较好的完整率与正确率，尤其是在完整性方面，该方法提取的城镇边缘与实际边缘符合度极高，可达到人工检测效果。
-
公开(公告)号：CN114972986B
公开(公告)日：2025-03-18
申请号：CN202210492139.7
申请日：2022-05-07
Applicant: 重庆邮电大学
IPC: G06V20/10
Abstract: 本发明请求保护一种基于地理加权杜宾模型(Geographically WeightedDurbin Model,GWDM)的地表温度空间降尺度方法。高时空分辨率的地表温度在环境生态和气候系统的研究中至关重要。但由于技术上的限制，卫星热传感器无法同时提供高时间分辨率和高空间分辨率的热红外图像。空间降尺度方法在假设尺度不变性的前提下，结合低空间分辨率LST和来源于其他卫星传感器的具有高空间分辨率的辅助数据来提高温度图像的时空分辨率。但是空间非平稳和空间自相关并存于大多数空间变量中，在降尺度过程中应充分考虑地表温度的空间特征作为空间变量。然而，以往对地表温度降尺度的研究仅考虑了空间非平稳，忽略了自变量和因变量间的空间自相关。
-
Patent Agency Ranking
公开(公告)号：CN117909662A
公开(公告)日：2024-04-19
申请号：CN202410086897.8
申请日：2024-01-22
Applicant: 重庆邮电大学
IPC: G06F18/15 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/094 , G06F123/02
Abstract: 本发明涉及一种基于深度学习改进的NDVI时间序列重建方法，属于遥感影像领域。所述方法包括：得到初始化NDVI时间序列；其次经过生成对抗网络中生成器和判别器的对抗训练深度挖掘遥感图像中植被群落潜在的空间关联性得到模拟生成的NDVI数据，完成初步填补；然后将生成的模拟数据与真实数据输入长短期记忆网络中学习可能存在的时间相关性，通过预测缺失值的方法来填补缺失的NDVI时间序列；最后在此基础上开展时空加权的S‑G迭代滤波以重建高质量的NDVI时间序列数据。该方法能够有效处理多云地区NDVI时间序列数据长时间缺失的问题，能为NDVI时间序列重建提供重要参考。
-
公开(公告)号：CN114494097A
公开(公告)日：2022-05-13
申请号：CN202210132572.X
申请日：2022-02-14
Applicant: 重庆邮电大学
Abstract: 本发明属于遥感图像融合领域，具体涉及一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法；该方法包括：获取合成孔径雷达图像和多光谱图像；对合成孔径雷达图像分别进行高斯曲率滤波分解和高斯滤波分解，得到小尺度图像、大尺度图像和基尺度图像；对多光谱图像进行色彩饱和强度变换，得到强度图像；对基尺度图像和强度图像进行融合，得到近似图像；将近似图像、小尺度图像和大尺度图像融合，得到融合后的强度图像；对融合后的强度图像进行重构，得到融合后的遥感图像；本发明将尺度形态学梯度与自适应简化脉冲耦合神经网络结合，避免了块状效应和图像局部模糊的现象。
-
公开(公告)号：CN111414942B
公开(公告)日：2022-05-03
申请号：CN202010149956.3
申请日：2020-03-06
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/774
Abstract: 本发明请求保护一种基于主动学习和卷积神经网络的遥感图像分类方法，该方法包括：通过主成分分析方法对高光谱遥感图像进行波段处理，随后将图像处理成块。将数据按照一定比例分为训练集、未标记样本集、验证集和测试集。使用训练集对卷积神经网络进行训练，对未标记样本集中样本的所属类别进行预测，引入主动学习对样本进行评估。然后将其评估的结果进行排序，挑选出其中置信度低的样本，专家赋予其标签，对于置信度高的样本计算机自动赋予其标签。通过调节预测标签系数来构建高质量的训练样本集，使用挑选出的训练样本集迭代优化分类器模型。满足停止条件便停止迭代，输出最终的分类结果。
-
公开(公告)号：CN108052966B
公开(公告)日：2021-02-09
申请号：CN201711291714.2
申请日：2017-12-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于基于卷积神经网络的遥感图像场景自动提取和分类方法。主要创新点在于修改了一般情况下深度神经网络的输入特征图，增加了数据维度。主要解决目前遥感图像分辨率逐步提高，对于某些容易混淆的场景如居住区、公园、道路等的分类可能会出现由于训练样本数量的限制造成进一步的细分类中无法有效提取特征的问题。例如居住区中细分稀疏居住区和公园、密集居住区和密集商业区。本发明先利用深度学习或其他方法对待分类遥感图像进行逐像素基础地物类别分类，将分类后的结果专题图作为部分特征图与原本的场景图拼接输入神经网络进行训练及分类，使神经网络能够充分学习场景特征，提高分类识别精度。
-
公开(公告)号：CN111523451A
公开(公告)日：2020-08-11
申请号：CN202010321530.1
申请日：2020-04-22
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种构建高时空分辨率NDVI数据的方法。本方法结合混合像元分解的方法和基于权重函数的方法，其包括以下步骤：通过对基准时刻的高分辨率NDVI数据和低分辨率NDVI数据以及预测时刻的低分辨率NDVI数据预处理并获得基准时刻高分辨率NDVI数据的地表分类图，然后基于混合像元分解方法构建线性方程组，将线性方程组的最小二乘解作为预测时刻高分辨数据地物类别的NDVI变化值，将变化值加到基准时刻的高分辨率NDVI数据上，并根据移动窗口内选取的相似像元的权重值以及相关系数的计算，最终获得预测时刻高时空分辨率NDVI数据，完成高时空分辨率NDVI数据集的重建。本发明为构建高时空分辨率NDVI数据集提供一种有效的方法。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.061 seconds)
