-
公开(公告)号：CN111160300B
公开(公告)日：2022-06-28
申请号：CN201911419512.0
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V20/13 , G06V10/46 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/762
Abstract: 本发明涉及高光谱图像显著性目标检测算法领域，公开了一种结合全局先验的深度学习高光谱图像显著性检测算法。首先根据高光谱图像获取相应的光谱梯度图，将光谱梯度图进行超像素分割，计算每个超像素的光谱角距离特征图，作为全局先验图。采用VGG16作为基本网络结构，将全局先验图和分割图像合并作为网络的输入，将VGG16最后一层全连接层输出的特征重新排序成二维图像，得到显著性结果图。通过对网络参数的训练得到最终的高光谱图像显著性目标检测模型。本发明可以充分挖掘图像中蕴含的高级语义信息，以提高模型的检测精度。
-
公开(公告)号：CN111160300A
公开(公告)日：2020-05-15
申请号：CN201911419512.0
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明涉及高光谱图像显著性目标检测算法领域，公开了一种结合全局先验的深度学习高光谱图像显著性检测算法。首先根据高光谱图像获取相应的光谱梯度图，将光谱梯度图进行超像素分割，计算每个超像素的光谱角距离特征图，作为全局先验图。采用VGG16作为基本网络结构，将全局先验图和分割图像合并作为网络的输入，将VGG16最后一层全连接层输出的特征重新排序成二维图像，得到显著性结果图。通过对网络参数的训练得到最终的高光谱图像显著性目标检测模型。本发明可以充分挖掘图像中蕴含的高级语义信息，以提高模型的检测精度。
-
公开(公告)号：CN109447898A
公开(公告)日：2019-03-08
申请号：CN201811095176.4
申请日：2018-09-19
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于压缩感知的高光谱超分辨计算成像系统，包括：液晶可调滤光器、空间编码模块、面阵探测器、压缩重构模块、超分辨模块；原始图像依次经液晶可调滤光器、空间编码模块后，由面阵探测器探测，获得空间、光谱维均压缩的高光谱数据；压缩重构模块，用于利用压缩感知的重构算法，对所述高光谱数据进行重构，获得恢复的低分辨率的高光谱图像；超分辨模块，用于利用高光谱图像的非局部自相似性，在不需要辅助高分辨率的RGB图像的情况下，仅从所述低分辨率的高光谱图像，恢复出高分辨率的高光谱图像。使用本发明能够降低数据采集端压力，同时该系统不需要增加额外光路就可实现高光谱图像的超分辨重构。
-
公开(公告)号：CN108955882A
公开(公告)日：2018-12-07
申请号：CN201810752547.5
申请日：2018-07-10
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于液晶高光谱计算成像系统的三维数据重构方法，该方法将液晶高光谱计算成像系统的成像过程进行建模，将面阵探测器上得到的光强分布进行离散表示，进而将液晶高光谱计算成像系统的数据获取过程转化为矩阵形式；采用压缩感知理论，可从少量的观测数据中重构出高分辨率的目标场景。
-
公开(公告)号：CN108955882B
公开(公告)日：2020-06-19
申请号：CN201810752547.5
申请日：2018-07-10
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于液晶高光谱计算成像系统的三维数据重构方法，该方法将液晶高光谱计算成像系统的成像过程进行建模，将面阵探测器上得到的光强分布进行离散表示，进而将液晶高光谱计算成像系统的数据获取过程转化为矩阵形式；采用压缩感知理论，可从少量的观测数据中重构出高分辨率的目标场景。
-
Patent Agency Ranking
公开(公告)号：CN109946241A
公开(公告)日：2019-06-28
申请号：CN201910184983.1
申请日：2019-03-12
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于高光谱计算成像系统的土壤分类方法。使用本发明能够实现不同类型土壤的快速精确分类。本发明基于LCTF的高光谱计算成像系统进行土壤分类，通过测量土壤图像的压缩测量值并利用压缩感知理论进行原始光谱图像的重构，提升土壤光谱图像的光谱分辨率；然后，利用光谱差异理论，以每个土壤样本与所有土壤类型之间的光谱差异作为输入特征，增强不同土壤类型之间的差异性；最后采用3D-CNN进行分类，同时利用土壤光谱图像空间和光谱信息，发挥光谱图像的优势；并利用特征降维算法在最大程度保留原始光谱信息的同时降低光谱维度，提升训练效率，突出土壤的类型特征，提升分类精度。
-
公开(公告)号：CN108955887A
公开(公告)日：2018-12-07
申请号：CN201810752548.X
申请日：2018-07-10
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于LCTF的全偏振高光谱压缩感知成像系统和成像方法，所述系统包括线性延迟器、液晶可调滤光器、数字微镜阵列和面阵探测器；所述线性延迟器的穆勒矩阵设计为每一列前两个元素的绝对值不同；线性延迟器和液晶可调滤光器共同实现偏振维压缩；所述液晶可调滤光器切换L个不同的中心波长，输出每个波段下的图像，实现光谱维压缩；所述数字微镜阵列对每个波段的图像进行编码，实现空间维编码压缩；原始图像依次经线性延迟器、液晶可调滤光器、数字微镜阵列后，由面阵探测器探测，获得包含全斯托克斯参量的图像。使用本发明能够实现原始图像全斯托克斯参量的压缩重构。
-
公开(公告)号：CN109447898B
公开(公告)日：2023-02-17
申请号：CN201811095176.4
申请日：2018-09-19
Applicant: 北京理工大学
IPC: G06T3/40 , G06T5/00 , G06T9/00 , G06V10/762 , G06V10/77
Abstract: 本发明公开了一种基于压缩感知的高光谱超分辨计算成像系统，包括：液晶可调滤光器、空间编码模块、面阵探测器、压缩重构模块、超分辨模块；原始图像依次经液晶可调滤光器、空间编码模块后，由面阵探测器探测，获得空间、光谱维均压缩的高光谱数据；压缩重构模块，用于利用压缩感知的重构算法，对所述高光谱数据进行重构，获得恢复的低分辨率的高光谱图像；超分辨模块，用于利用高光谱图像的非局部自相似性，在不需要辅助高分辨率的RGB图像的情况下，仅从所述低分辨率的高光谱图像，恢复出高分辨率的高光谱图像。使用本发明能够降低数据采集端压力，同时该系统不需要增加额外光路就可实现高光谱图像的超分辨重构。
-
公开(公告)号：CN109191482B
公开(公告)日：2021-09-21
申请号：CN201811215940.7
申请日：2018-10-18
Applicant: 北京理工大学
IPC: G06T7/136
Abstract: 本发明提供了一种基于区域自适应光谱角阈值的图像合并分割方法，能够避免过分割与欠分割现象，实现有效的图像分割。本发明一种面向目标的图像分割算法，以具有直观物理意义的区域间的平均光谱角作为合并与否和合并顺序的判断依据。采用光谱角作为全局梯度计算、过分割产生、全局地物相似性初始判断以及产生区域自适应的光谱角阈值的重要且唯一输入参数，充分考虑了遥感领域彩色、多光谱以至高光谱图像的光谱相关性。采用合并区域、待合并区域以及两者边界的空间统计量——区域同质性，自适应的产生适合每一个区域的光谱角阈值。既充分考虑了图像的空间相关性，又避免由于空间分割几何形状不规则带来的空间关系的不确定性。
-
公开(公告)号：CN108955887B
公开(公告)日：2020-06-19
申请号：CN201810752548.X
申请日：2018-07-10
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于LCTF的全偏振高光谱压缩感知成像系统和成像方法，所述系统包括线性延迟器、液晶可调滤光器、数字微镜阵列和面阵探测器；所述线性延迟器的穆勒矩阵设计为每一列前两个元素的绝对值不同；线性延迟器和液晶可调滤光器共同实现偏振维压缩；所述液晶可调滤光器切换L个不同的中心波长，输出每个波段下的图像，实现光谱维压缩；所述数字微镜阵列对每个波段的图像进行编码，实现空间维编码压缩；原始图像依次经线性延迟器、液晶可调滤光器、数字微镜阵列后，由面阵探测器探测，获得包含全斯托克斯参量的图像。使用本发明能够实现原始图像全斯托克斯参量的压缩重构。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
