-
公开(公告)号：CN102073994B
公开(公告)日：2013-01-09
申请号：CN201010617508.8
申请日：2010-12-31
Applicant: 哈尔滨工业大学
Abstract: 基于多尺度各项异性扩散的超声医学图像散斑噪声抑制方法，它涉及一种医学超声图像噪声抑制方法。它为解决将现有各项异性扩散技术应用于超声图像时，用梯度作为边缘检测算子难以准确区分图像边缘和噪声的问题而提出。一：对图像进行小波分解，计算标准模值；二：若为首次迭代，估计标准模值的分布参数，否则跳到步骤四；三：分类得到各尺度下的噪声平稳区域；四：用噪声区域内标准模值的均值确定扩散阈值；并代入扩散函数得到扩散参数；五：用扩散参数对小波系数进行加权后，进行小波逆变换；六：比较相邻两次迭代中的扩散阈值，判断是否终止。本发明在多尺度下对图像进行处理，结果更加精确，可广泛适用于各种需要对超声图像进行处理的场合。
-
公开(公告)号：CN102289790B
公开(公告)日：2012-12-19
申请号：CN201110169616.8
申请日：2011-06-22
Applicant: 哈尔滨工业大学
Abstract: 一种超声心动图粒子图像测速速度场修正方法，它涉及速度场修正方法。本发明解决了解决现有超声医学图像进行噪声抑制的方法中空域滤波法会引起图像模糊和细节丢失、小波变换法对超声图像的乘性噪声效果不佳及各向异性扩散降噪法算法难度大的技术问题。方法：一、读入t时刻的超声心动图的初始速度场；二、计算各速度矢量对应的协方差矩阵；三、对各速度矢量进行各向异性扩散；四、各速度矢量进行中值滤波；五、各速度矢量移流计算；六、判断是否是最后的循环；如果是，则执行步骤九的结束；如果不是，则执行步骤七的计算下一循环的初始速度场；步骤八、令循环次数加1后，返回至步骤二；本方法能保持速度场细节，可对各种粒子图像测速场进行处理。
-
公开(公告)号：CN101714254A
公开(公告)日：2010-05-26
申请号：CN200910309817.6
申请日：2009-11-16
Applicant: 哈尔滨工业大学
IPC: G06T7/00
Abstract: 联合多尺度SIFT和区域不变矩特征的配准控制点提取方法，它涉及图像处理领域。它解决了在图像配准过程中，如何提取稳定、可靠的特征点的技术难题。首先利用高斯核函数对图像进行连续滤波，结合下采样方法，生成高斯差分尺度空间，寻找并计算局部极值的空间和尺度坐标。然后利用方向梯度信息构成关键点的特征向量，通过欧氏距离获得初步匹配的关键点对；进而以初选关键点为中心计算局部区域HU氏不变矩特征，结合欧氏距离筛选出最终精确有效的配准控制点。该方法结合了SIFT算法的多尺度特性和图像局部区域灰度不变矩特征，能够有效地提高了多传感器图像配准控制点对提取的稳定性和可靠性。
-
公开(公告)号：CN100533480C
公开(公告)日：2009-08-26
申请号：CN200810063953.7
申请日：2008-01-30
Applicant: 哈尔滨工业大学
Abstract: 基于核回归的单帧图像快速超分辨率重建方法，本发明涉及图像超分辨率重建的方法。它克服了已有核回归单帧图像的超分辨率重建方法计算量巨大、耗费时间长的缺陷。它包括以下步骤：把低分辨率图像上的像素点映射到高分辨率网格中；确定待估值像素点并分为两大类；确定每个第一类待估值像素点的正方形邻域像素集合，把集合中各点的像素值代入核回归方程计算像素值；确定第二类待估值像素点的菱形邻域像素集合，把集合代入核回归方程计算像素值；当所有待估值像素点都赋值后输出图像。本发明引入二维非线性核回归进行插值点的估值、利用局部邻域处理代替整幅图像处理、采用即时更新策略，从而实现单帧图像的超分辨率重建。
-
公开(公告)号：CN100514085C
公开(公告)日：2009-07-15
申请号：CN200710144449.5
申请日：2007-10-16
Applicant: 哈尔滨工业大学
Abstract: 高光谱图像的空间-光谱信息协同提高分辨率的方法，它涉及利用高光谱图像信息提高空间分辨率的方法。它解决了现有高光谱图像处理中存在的不能充分利用空间信息和光谱信息以改善图像分辨率的问题。本发明步骤为：一、输入高光谱图像数据；A、空间信息提取；A一、特征波段选择；A二、空间局部分析及判断；B、光谱信息提取；B一、光谱端元提取；B二、混合像元分解；C、空-谱协同超分辨；D、得到分辨率提高的高光谱图像。本发明突破图像获取时的空间分辨率极限；利用支持向量机解混和局域空间相关性进行空间-光谱信息协同技术提高高光谱图像的空间分辨率，可极大提高目标的探测和定位能力，突破图像获取手段的限制，弥补硬件的不足。
-
Patent Agency Ranking
公开(公告)号：CN101144860A
公开(公告)日：2008-03-19
申请号：CN200710144447.6
申请日：2007-10-16
Applicant: 哈尔滨工业大学
Abstract: 基于选择性核主成分分析的高光谱图像异常点的检测方法，它涉及的是高光谱图像分析检测的技术领域。它是为了解决现有高光谱图像检测技术存在不能高效的对异常点的进行特征提取，而产生较多虚警，及在有严重的背景干扰下无法对异常点有效检测的问题。它的步骤为：对数据进行归一化，并执行核主成分分析；在主分量内构造滑动窗；计算滑动窗内像素的三阶矩和四阶矩并与设定值比较；遍历主分量后，记值；所有主分量得到处理；选最大主分量；用RX算子对所选主分量进行异常点检测，输出检测结果。本发明能高效的对高光谱图像中异常点目标的特征进行提取和选择，而降低虚警率，并实现在有严重的背景干扰情况下正常对异常点进行检测。
-
公开(公告)号：CN115622613B
公开(公告)日：2025-04-25
申请号：CN202211313817.5
申请日：2022-10-25
Applicant: 哈尔滨工业大学
Abstract: 基于运动目标能量约束的卫星视频本征分解方法、系统、存储介质及设备，本发明涉及卫星视频本征分解方法、系统、存储介质及设备。本发明的目的是为了解决卫星视频中光线变化以及运动目标能量分散问题。方法包括如下过程：步骤1：构建卫星视频本征分解模型；步骤2：针对卫星视频背景信息，构建反射率时域约束项；步骤3：针对卫星视频运动目标信息，构建运动目标能量约束项；步骤4：基于卫星视频反射率先验，构建反射率局部约束项；步骤5：基于反射率时域约束项、运动目标能量约束项和反射率局部约束项，优化求解卫星视频反射率分量。本发明属于遥感图像处理领域。
-
公开(公告)号：CN119514595A
公开(公告)日：2025-02-25
申请号：CN202411444821.4
申请日：2024-10-16
Applicant: 哈尔滨工业大学
Abstract: 一种面向遥感语义分割任务的跨模型知识蒸馏方法，它涉及一种跨模型知识蒸馏方法。本发明为了解决现有遥感图像语义分割模型参数量大、消耗资源大的问题。本发明的步骤包括：选择能力互补的学生模型和教师模型，选取数据集训练教师模型，使用训练好的教师模型输出的特征图作为知识输入学生模型；将输入到学生模型的特征图按照通道进行注意力加权，并计算损失；将由教师模型传递的知识解耦成为目标区域与非目标区域，将这两个独立的目标区域进行预测与知识蒸馏，计算损失；将学生模型语义分割的损失与上述步骤的损失进行加权求和，计算出总损失，通过总损失更新学生模型的参数，最终将学生模型训练完毕。本发明属于遥感图像处理技术领域。
-
公开(公告)号：CN119478672A
公开(公告)日：2025-02-18
申请号：CN202411484101.0
申请日：2024-10-23
Applicant: 哈尔滨工业大学
Abstract: 基于数字表面模型DSM和高光谱联合的多模态遥感图像光谱解混方法，本发明属于遥感图像处理领域，涉及多模态遥感图像光谱解混方法。本发明为解决现有方法没有考虑到DSM和高光谱数据实际上是来自同一场景的不同传感器的不同维度信息，没有在模型成像过程中对DSM和高光谱数据的联合成像进行建模，导致遥感图像的光谱解混精度差的问题。过程为：获取覆盖地理区域相同且分辨率相同的多模态遥感图像；所述多模态遥感图像包括高光谱遥感图像和DSM遥感图像数据；基于DSM遥感图像数据获取地物类型的几何分量信息；构造基于DSM和高光谱联合的多模态遥感图像光谱解混模型；采用交替方向乘子法求解基于DSM和高光谱联合的多模态遥感图像光谱解混模型，得到丰度信息。
-
公开(公告)号：CN119379541A
公开(公告)日：2025-01-28
申请号：CN202411401874.8
申请日：2024-10-09
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/50 , G06N3/0464 , G06N3/045 , G06N3/0895 , G06N3/09 , G06V20/10 , G06V10/44 , G06V10/58 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/048
Abstract: 本发明提出基于自适应学习的多光谱图像光谱超分辨方法及应用，属于遥感图像处理技术领域，解决现有光谱超分辨方法中先验信息的手动设置和复杂的参数选择、深度学习方法中忽略空间长距离间像素依赖和光谱间自相似性以及深度网络参数无法实时动态调整的问题，方法包括：构建多光谱数据集，基于多光谱数据集构建伪标签；构建光谱超分辨网络，基于伪标签对光谱超分辨网络进行监督训练，生成初步重构图像；将初步重构图像输入自适应学习模块，学习初步重构图像和真实图像的残差并进行残差修正；构建自适应学习网络，更新自适应学习模块的参数；将参数更新后的自适应学习网络与待处理图像进行残差连接，输出目标高空间分辨率的高光谱图像。
-
-
-
-
-
-
-
-
-
Search Results
171
records
(took 0.028 seconds)
