-
公开(公告)号：CN105005789B
公开(公告)日：2018-04-03
申请号：CN201510379234.6
申请日：2015-07-01
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于视觉词汇的遥感图像地物分类方法，包括如下步骤：首先将所有的遥感图像分为训练集和测试集，以固定的大小对每幅遥感图像裁剪获得初步切片图，提取包含目标的初步切片图；针对包含目标的初步切片图通过高斯模糊与抽样生成多层高斯空间金字塔；对每一层的图像均进行SIFT特征提取与LBP特征提取；对训练集和测试集中所有遥感图像的遥感单词进行聚类，得到多个聚类中心，所有的聚类中心组成遥感词典；设定不同半径值，对每个初步切片图不同半径值内的遥感单词均建立频率直方图：针对训练集中遥感单词的频率直方图使用支持向量机RBF‑SVM进行训练，然后使用训练后的RBF‑SVM对测试集中遥感图像进行地物分类。
-
公开(公告)号：CN107767400A
公开(公告)日：2018-03-06
申请号：CN201710838129.3
申请日：2017-09-15
Applicant: 北京理工大学
CPC classification number: G06T7/246 , G06K9/4671 , G06K9/629 , G06T7/207 , G06T7/215 , G06T2207/10016 , G06T2207/10032 , G06T2207/20016
Abstract: 本发明提供一种基于层次化显著性分析的遥感图像序列动目标检测方法，具体过程为：首先，采用基于运动补偿的双模单高斯模型，在全局的尺度上提取时域显著性信息，得到时域显著图；从时域显著图中粗提取运动区域，作为候选区域；其次，在所述候选区域的基础上，分别在像素级和超像素级进行空间域的显著性分析，得到空域显著图；最后，将得到的全局时域显著图和局部空域显著图进行线性融合，得到时空显著图，通过阈值分割得到运动目标检测的结果。该方法能够对于运动目标完成由粗尺度快速定位到精细尺度下的精确描述，可有效提高运动目标检测算法计算效率。
-
公开(公告)号：CN106022240A
公开(公告)日：2016-10-12
申请号：CN201610317999.1
申请日：2016-05-12
Applicant: 北京理工大学
IPC: G06K9/00
CPC classification number: G06K9/0063
Abstract: 本发明提供一种基于SoPC的遥感CCD原始数据指定目标区域自动提取实现方法，其中SoPC系统主要由FPGA和双核ARM构成；具体步骤如下：步骤一、区域信息与辅助数据接收；步骤二、双核ARM提取当前处理的图像区域的四个顶点并进行定位解算，获取四个顶点的位置信息；步骤三、进行指定目标点与当前处理的图像区域的比对，通过四个顶点的位置信息判断该目标点是否在当前处理的图像区域内，若是，则进入步骤四，否则，以当前处理的图像区域的下一区域作为当前处理的图像区域，并返回步骤二；步骤四、如果搜索到目标点则通过网口返回相应的区域信息，否则返回未搜索到。本发明实现自动提取目标点区域遥感图像，降低后续应用遥感数据处理量的目的。
-
公开(公告)号：CN103488992B
公开(公告)日：2016-09-07
申请号：CN201310382104.9
申请日：2013-08-28
Applicant: 北京理工大学
IPC: G06K9/54
Abstract: 本发明公开了一种面向复杂SAR图像场景的溢油检测方法，属于目标检测与识别技术领域。包括以下步骤：一，读入检测图像；二、对检测图像进行图像分割，提取出暗斑，处理后得到亮海暗斑图像；三，在亮海暗斑图像中，将除暗海区域外的部分置0或1，获得暗海图像，对于暗海图像进行图像分割，提取出暗斑，处理后得到暗海暗斑图像；第四步，将暗海暗斑图像中的暗斑加入到亮海暗斑图像中，得到全暗斑图像，剔除虚假暗斑，获得部分暗斑图像；第五步，根据部分暗斑图像设定参考灰度级，对去噪处理后的检测图像进行遗漏检索，获得遗漏暗斑，将遗漏暗斑加入到部分暗斑图像中，获得最终的溢油暗斑图像。本发明适用于复杂场景的溢油暗斑提取。
-
公开(公告)号：CN103778627A
公开(公告)日：2014-05-07
申请号：CN201410001561.3
申请日：2014-01-02
Applicant: 北京理工大学
Abstract: 本发明提供了一种基于SAR图像的海域溢油检测方法，针对不同海洋场景能够更准确的检测海域溢油。第一步、目标进行提取之前，对SAR图像进行均值滤波处理；第二步、利用最大类间方差的方法对均值滤波处理后的SAR图像进行第一次阈值分割，从整幅图中分割出暗海和部分溢油暗斑；第三步、利用基于上下文特征的局部对比度拉伸方法从暗海中提取溢油暗斑：对于对比度不均匀的SAR海域图像，利用第一次阈值分割会得到大面积的暗海区域；第四步，形态学操作：去除提取的暗海区域图像中的小散点暗斑；第五步，利用基于上下文特征的方法进行虚警剔除。
-
Patent Agency Ranking
公开(公告)号：CN103150567A
公开(公告)日：2013-06-12
申请号：CN201310043706.1
申请日：2013-02-04
Applicant: 北京理工大学
Abstract: 本发明公开了一种整合模式识别与上下文知识的光学遥感图像云判别方法，能够解决现有技术中只利用某一个分块本身的信息进行模式识别所带来的弊端。首先，采用L×L的正方形在光学遥感图像中进行水平和竖直方向的步进，获得分块称为Tile，每个Tile由4个Block组成。对各个Tile分块进行模式识别，获得Tile索引矩阵；根据Tile索引矩阵确定Block的判决值并进行微调；利用上下文知识，对Block的判决值进行修正；最后利用修正后的Block判决值所标记的云位置，对光学遥感图像进行云剔除。
-
公开(公告)号：CN103093242A
公开(公告)日：2013-05-08
申请号：CN201310024492.3
申请日：2013-01-23
Applicant: 北京理工大学
Abstract: 本发明提供一种基于多特征层次化判决的光学遥感图像云判别方法，能够更准确的判别云和非云。第一步：提取解译对象的灰度直方图，并对灰度直方图进行截取，以去除奇异值；第二步：将解译对象分为单一型和混合型；单一型是指对象中只含一种解译对象，而混合型是指一个对象中含有两种或两种以上解译对象；第三步：对于混合型对象，利用方差标准比H’作为门限划分为确定混合型对象或不确定混合型对象；对于单一型对象和确定混合型对象采用门限法进行再分类，对于不确定混合型对象采用分类器进行再分类；所述方差标准比H’为解译对象的灰度方差与灰度方差标准值H的比值；方差标准比H’越大表示越接近不确定混合型。
-
公开(公告)号：CN119881893A
公开(公告)日：2025-04-25
申请号：CN202411954944.2
申请日：2024-12-27
Applicant: 北京理工大学
Abstract: 本申请实施例提供一种基于三次样条插值改进的ω‑k算法在FPGA上的实现方法，所述方法包括：获取雷达回波数据和Stolt映射后的矩阵数据，其中，雷达回波数据包括原始距离向频率轴和单行距离向回波数据；通过原始距离向频率轴和单行距离向回波数据构建三对角线性方程组；基于设定算法求解三对角线性方程组的三次样条系数；对原始距离向频率轴进行处理，查询数据点的插值区间段索引；基于插值区间段索引和三次样条系数，对插值点进行插值操作，得到该插值点对应的插值数据，并将该插值数据与Stolt映射后的矩阵数据进行结合；从而实现优化ω‑k成像算法中的Stolt映射，降低传统方式下sinc插值造成的硬件资源消耗，简化Stolt映射流程，有效提高插值精度。
-
公开(公告)号：CN118411304A
公开(公告)日：2024-07-30
申请号：CN202410505245.3
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06T5/70 , G06T7/11 , G06T5/60 , G06N3/084 , G06N3/0895
Abstract: 本发明提供一种基于盲点网络的SAR图像自监督去噪方法和系统，其中，方法包括：获取SAR图像，根据SAR图像得到同态噪声图像；构建掩膜映射器，根据同态噪声图像和掩膜映射器，得到去噪掩膜图像和去噪SAR图像；构建全局映射器，根据去噪掩膜图像和全局映射器，得到去噪盲点图像；构建多任务重现损失函数，重复进行损失值计算，直至损失函数收敛，得到目标去噪网络；获取待去噪SAR图像，输入至目标去噪网络，得到去噪图像。本发明无需在干净SAR图像情况下进行去噪网络的训练，能迁移到现有的去噪网络上，保证图像每个像素点都被充分利用，避免信息损失，更好地保留图像纹理、边缘等信息，解决目前网络无法训练及去噪效果差的问题。
-
公开(公告)号：CN118411289A
公开(公告)日：2024-07-30
申请号：CN202410506792.3
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0464 , G06N3/048
Abstract: 本发明提供了一种基于生成对抗网络的SAR图像超分辨率方法，本发明基于构建两个基于深度学习的模型，分别为可学习的退化模型和超分辨率重建SR模型，引入CycleGAN的架构中，共同训练。通过CycleGAN的对抗损失、真实LR‑SAR图像和合成LR‑SAR图像的MAE像素级损失，以及真实HR图像和生成的SR图像特征图之间的感知损失，引导生成更高质量的SR‑SAR图像。相对于传统的SAR超分辨率方法，本方案采用真实的成对数据集，通过训练模型以学习真实SAR图像HR‑LR域之间的内在关系，从而生成质量更高的超分辨率重建的图像。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.029 seconds)
