一种基于FPGA片外存储器的数据调用方法

    公开(公告)号:CN109800867B

    公开(公告)日:2020-09-29

    申请号:CN201811545237.2

    申请日:2018-12-17

    Abstract: 本发明提供一种基于FPGA片外存储器的数据调用方法,将特征图的数据逐行按顺序存储在fifo中,每次读写操作,前M个fifo输出当前存储的第一个数据,后M个fifo将当前存储的第一个数据回写到比其编号小L‑M的编号对应的fifo存储的数据尾部,同时,将特征图第L+1行的第一个数据写入第L‑1个fifo存储的数据尾部,将特征图第L+2行的第一个数据写入第L个fifo存储的数据尾部,这样使得fifo不断将数据按序输出fifo组外时,特征图剩下的数据又按序写入到fifo组中等待读取,直到完成整幅特征图的数据遍历;因此,本发明没有直接去调用FPGA片外存储器的数据,避免了复杂的地址跳变,大大提高了调用FPGA片外存储器数据的效率。

    一种光学遥感图像感兴趣区域检测方法

    公开(公告)号:CN106250895B

    公开(公告)日:2019-07-26

    申请号:CN201610671049.9

    申请日:2016-08-15

    Abstract: 本发明公开了一种光学遥感图像感兴趣区域检测方法,应用于高分辨率光学遥感图像感兴趣区域检测。通过对超像素级的图像进行处理,然后进行超像素级到像素级显著性映射,得到像素级显著图,完成对感兴趣区域由粗尺度快速定位到精细尺度下的精确描述。该方法首先对原始图像进行降采样,然后进行超像素分割,基于以上操作将高分辨率图像转换为较粗尺度图像,然后,在生成的粗尺度图像上通过结构张量与颜色空间背景抑制技术分别获得超像素级的纹理特征图和颜色特征图。随后经过特征图融合及上采样插值得到原始分辨率尺度下的超像素级显著图。最后,通过超像素级到像素级显著性映射,得到像素级显著图,完成感兴趣区域的像素级精确描述。

    一种基于卷积神经网络的目标分类方法

    公开(公告)号:CN109784372A

    公开(公告)日:2019-05-21

    申请号:CN201811544116.6

    申请日:2018-12-17

    Abstract: 本发明提供一种基于卷积神经网络的目标分类方法,不采用卷积核直接遍历目标图像,而是采用与输出特征图像大小相同的滑窗按行再按列遍历整幅目标图像,从而提取出目标图像的对应的像素点作为子图像,再将卷积核的各特征参数分别与各子图像对应相乘得到中间图像,最后将中间图像的和值作为输出特征图像,在获取与现有卷积实现方式相同的卷积结果的前提条件下,将卷积运算拆分成单个点的乘加运算,能够最大程度的减少卷积实现过程中,微处理器读取数据时地址跳变的次数,进而大大提高硬件处理的效率。

    一种基于视觉词汇的遥感图像地物分类方法

    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

    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。

    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

    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

    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。

    一种面向复杂SAR图像场景的溢油检测方法

    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

    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。

    一种基于SAR图像的海域溢油检测方法

    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

    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。

    整合模式识别与上下文知识的光学遥感图像云判别方法

    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

    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。

    基于多特征层次化判决的光学遥感图像云判别方法

    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

    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。

Patent Agency Ranking