-
公开(公告)号：CN106408034A
公开(公告)日：2017-02-15
申请号：CN201610905667.5
申请日：2016-10-17
Applicant: 大连海事大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于空间特征迭代的高光谱图像分类方法，根据高光谱样本数据计算出地物类别的光谱签名di；并设置类别目标集合、背景端元集合及颜色约束矩阵；利用高光谱图像的背景端元U、约束矩阵C及图像自相关逆矩阵R-1定义一个能同时进行多类别分类的分类器Tk，并提取所有类别目标的初始分类结果，同时提取每种类别目标分类结果的空间特征{Tk(iG)}，接着把空间特征{Tk(iG)}反馈叠加到待分类的高光谱图像中进行空间特征与谱间特征的融合；再通过迭代的方式进行多类别的同时分类，直到达到设定的迭代停止条件；最后把分类结果采用不同颜色进行标注。本方法有效利用光谱统计特征与迭代空间特征相融合的方式进行高光谱图像类别特征判断，逐步提高高光谱图像分类的准确度。
-
公开(公告)号：CN103269490A
公开(公告)日：2013-08-28
申请号：CN201310204784.5
申请日：2013-05-28
Applicant: 大连海事大学
CPC classification number: Y02D70/00
Abstract: 本发明公开了一种无线混合蜂窝网络基站选址与规模测算方法，用于实现蜂窝网络构成的混合网络中基站的选址，首先在目标区域内设定多个基站候选点和覆盖测试点，并将上述基站候选点和测试点建立二维坐标图，根据建立的二维坐标图和宏蜂窝、微蜂窝、微微蜂窝基站的覆盖范围来建立对应的三种二维数组，即宏蜂窝二维数组、微蜂窝二维数组和微微蜂窝二维数组，通过对这三种数组进行遍历来在目标区域内选取合适的宏蜂窝基站数目、微蜂窝基站数目和微微蜂窝基站的数目。本发明利用建立的三种二维数组来确定基站的选址布局以实现对目标区域的覆盖，方法简单、快速有效，而且能够在目标区域内进行无线蜂窝网络规模测算，即确定无线蜂窝网络部署所需的最少基站数目、各基站类别、以及最少网络总成本和基站总功耗。
-
公开(公告)号：CN119728866A
公开(公告)日：2025-03-28
申请号：CN202411772981.1
申请日：2024-12-04
Applicant: 大连海事大学
Abstract: 本发明提供一种分级访问控制的遥感图像加密方法，包括：S1、构建新型时空混沌系统的数学模型；S2、对遥感图像的语义做出判断，根据其所包含的敏感信息的重要程度进行敏感区域等级的划分；S3、对划分的各级敏感区域分别进行加密处理，得到各级敏感区域的密文图像；S4、对得到的各级敏感区域的密文图像进行隐藏处理，对密文图像和新生成的图像做异或耦合，将得到的新的伪密文信息隐藏到载体图像中；S5、由密文图像作为输入，通过SHA‑512算法生成不同的解密密钥，将密钥分别分配给不同级别权限的用户。本发明技术方案为不同权限的用户分配不同的解密密钥，使他们可以访问不同区域的遥感图像，在保护敏感信息的同时，有效降低了加密复杂度和计算时间。
-
公开(公告)号：CN118658054A
公开(公告)日：2024-09-17
申请号：CN202410119605.6
申请日：2024-01-29
Applicant: 大连海事大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/094 , G06V10/80 , G06V10/74 , G06V10/764
Abstract: 本发明公开了一种基于深度光谱度量孪生网络的高光谱图像目标检测方法，包括：首先通过高斯白噪声调制进行目标光谱数据增强以构建目标背景训练数据。接下来，通过目标背景训练数据预训练所设计的一维生成对抗网络，得到训练收敛且用于构建光谱度量孪生网络的鉴别器结构。然后，使光谱度量孪生网络从目标背景训练数据与先验目标光谱所构成的正样本对和负样本对中学习光谱差异度量能力，并将目标检测转换为度量学习问题，以测量光谱与先验目标光谱的匹配程度，从而得到仅利用光谱信息进行目标检测的光谱检测结果。最后，结合高光谱图像的空间信息，采用引导图像滤波器对光谱检测结果滤波，得到最终的光空间信息联合的高光谱目标检测结果。
-
公开(公告)号：CN113378683B
公开(公告)日：2024-06-21
申请号：CN202110620232.7
申请日：2021-06-03
Applicant: 大连海事大学
IPC: G06V20/13 , G06V10/762
Abstract: 本发明公开了一种残差驱动的异常检测波段选择方法，包括：选取一幅高光谱图像，将其转换为二维数据矩阵；利用密度峰值聚类算法获取像素点对应的局部密度和距离；根据密度和距离信息、采用特定密度阈值对高光谱图像的所有像素点进行划分，得到异常目标集合D和背景像素集合B；根据异常目标集合D和背景像素集合B生成基于异常的约束向量和基于背景的约束向量；根据约束向量设计针对于异常检测任务的非监督波段选择算法，通过残差驱动的波段排序准则对波段进行优先级排序并获得最终波段子集。
-
Patent Agency Ranking
公开(公告)号：CN117935052A
公开(公告)日：2024-04-26
申请号：CN202410103385.8
申请日：2024-01-24
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于反馈式波段组群的变分低秩稀疏异常检测方法，包括：根据获取的原始观测高光谱图像，利用均匀波段选择策略，对全波段集合划分，将大规模的全波段数据运算划分为多个小规模的子问题；根据划分的波段组群，在波段组群上进行数据分解，相关总变分和L2,1范数分别用于促使背景成分的提取和稀疏成分的约束；根据上一步的检测结果，设计一种迭代反馈机制，用于促进下一个波段组群的分解，得到最终的检测结果。
-
公开(公告)号：CN117935040A
公开(公告)日：2024-04-26
申请号：CN202311466774.9
申请日：2023-11-06
Applicant: 大连海事大学
Abstract: 本发明公开了一种联合范数稀疏低秩非负张量分解的高光谱图像解混方法，包括：利用高光谱图像初始化端元矩阵和丰度矩阵；在基础张量分解模型上加入联合范数稀疏正则化和加权核范数约束，构建联合范数稀疏低秩非负张量分解模型；利用联合范数稀疏低秩非负张量分解模型，迭代优化端元矩阵和丰度矩阵，获得最终的端元矩阵和丰度矩阵。该方法缓解张量分解模型未充分利用HSI数据的连续结构信息、严格的秩约束等问题，因此综合考虑丰度矩阵稀疏性和低秩性，在原模型中施加新定义的稀疏和低秩约束，以获得准确的端元和分数丰度结果。
-
公开(公告)号：CN117934280A
公开(公告)日：2024-04-26
申请号：CN202410119607.5
申请日：2024-01-29
Applicant: 大连海事大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了基于光谱增强稀疏注意力的高光谱超分辨率重建方法，包括：首先将HR‑HSI通过数据模拟获取HR‑MSI和LR‑HSI，并利用数据增强技术生成训练数据集。然后通过构建光谱增强模块、稀疏多头自注意力和局部增强前馈网络，组成光谱增强稀疏Transformer块用于网络中的深层特征提取，同时以设计不同窗口大小的方式使得网络获得多尺度学习的能力。最后通过构建浅层特征提取模块和重建模块以组成基于光谱增强稀疏的Transformer网络，并利用所设计的空间重建损失和空间光谱全变分损失对网络进行训练，并得到最终的超分辨率重建结果。
-
公开(公告)号：CN113222948B
公开(公告)日：2024-04-05
申请号：CN202110548235.4
申请日：2021-05-19
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于多尺度多特征的高光谱图像亚像元定位方法，包括：对高光谱图像降采样并对其进行超像素分割，获取基于超像素和基于像素的软分类，初始化亚像元定位；计算超像素尺度、像元尺度和亚像元尺度上的空间吸引力值，计算超像素区域的区域周长，构建结合区域周长的多尺度空间相关性模型；判断地物类别分布特征，针对呈线状特征分布的地物类别进行定位，对呈面状特征分布的地物类别进行定位：计算亚像元交换前后的区域周长以及多尺度空间相关性，符合条件的两个亚像元进行交换；该方法能够很好的保留地物线状特征的连通性，保证整体空间结构的完整性，也保留了局部边界信息的平滑性。
-
公开(公告)号：CN117095289A
公开(公告)日：2023-11-21
申请号：CN202311005759.4
申请日：2023-08-10
Applicant: 大连海事大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于尺度归因扩张网络的高光谱影像分类方法，包括设计训练裁剪尺寸集合、验证裁剪尺寸集合以及测试裁剪尺寸集合，获取高光谱影像集合，依次从裁剪尺寸集合中选择裁剪尺寸，根据裁剪尺寸对高光谱影像集合中的影像进行裁剪后获取训练集序列、验证集序列和测试集序列，构建尺度归因扩张网络模型，所述尺度归因扩张网络模型包括预处理模块、四个级联的尺度保持网络层以及全局平均池化层，基于多尺度训练策略对尺度归因扩张网络模型进行训练，根据训练后的尺度归因扩张网络模型对高光谱影像进行分类。尺度归因扩张网络模型能够减少冗余光谱信息，提升空间信息，学习到更具区分性的嵌入特征，得到了更好的分类精度。
-
-
-
-
-
-
-
-
-
Search Results
117
records
(took 0.025 seconds)
