-
公开(公告)号：CN119027317B
公开(公告)日：2025-01-24
申请号：CN202411513371.X
申请日：2024-10-28
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4038 , G06T3/4046 , G06T5/70 , G06T5/60 , G06N3/084
Abstract: 本发明涉及一种基于全局引导条件扩散模型的高光谱影像超分方法，与现有基于扩散模型的技术相比，该方法解决了全局与局部信息建模不平衡以及空间细节恢复不足的问题，特别是在处理高频特征时，使得重建的图像在细节上不够清晰。本发明包括以下步骤：低分辨率高光谱图像的获取及预处理、构建基于全局引导条件扩散模型的高光谱影像超分模型、训练基于全局引导条件扩散模型的高光谱影像超分模型、高光谱超分辨率结果获取。本发明利用Diffusion Transformer扩散模型，通过动态调整注意力分布，增强模型处理复杂多样噪声模式的能力，确保在不同噪声水平下都能恢复出高质量图像，更好地保持细节和光谱一致性，同时实现更少的计算开销。
-
公开(公告)号：CN119027317A
公开(公告)日：2024-11-26
申请号：CN202411513371.X
申请日：2024-10-28
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4038 , G06T3/4046 , G06T5/70 , G06T5/60 , G06N3/084
Abstract: 本发明涉及一种基于全局引导条件扩散模型的高光谱影像超分方法，与现有基于扩散模型的技术相比，该方法解决了全局与局部信息建模不平衡以及空间细节恢复不足的问题，特别是在处理高频特征时，使得重建的图像在细节上不够清晰。本发明包括以下步骤：低分辨率高光谱图像的获取及预处理、构建基于全局引导条件扩散模型的高光谱影像超分模型、训练基于全局引导条件扩散模型的高光谱影像超分模型、高光谱超分辨率结果获取。本发明利用Diffusion Transformer扩散模型，通过动态调整注意力分布，增强模型处理复杂多样噪声模式的能力，确保在不同噪声水平下都能恢复出高质量图像，更好地保持细节和光谱一致性，同时实现更少的计算开销。
-
公开(公告)号：CN117934346B
公开(公告)日：2024-06-07
申请号：CN202410324885.4
申请日：2024-03-21
Applicant: 安徽大学
Abstract: 本发明涉及一种无稳定平台的机载线阵高光谱遥感影像几何处理方法，与现有技术相比实现了低精度硬件平台下的机载线阵高光谱影像的校正，且无需利用地面测量控制点的情况下有效提升校正定位精度。本发明包括以下步骤：构建定位模型并根据特定姿态拍摄实现标定；逐像素几何正算处理并利用三角网构建索引；利用三角网索引进行规则化格网影像输出粗校正影像；基于平滑先验进行逐行POS数据修正；利用修正POS数据进行几何分辨率保持的几何精校正。本发明实现无需现场额外测量控制点情况下标定高光谱相机的安装误差，利用平滑先验有效修正POS数据，得到几何分辨率有效保持的高光谱校正影像，为生态环境、农业等行业提供高质量高光谱数据。
-
公开(公告)号：CN116740584B
公开(公告)日：2024-05-10
申请号：CN202310764234.2
申请日：2023-06-25
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种结合CNN和Transformer的渐进式学习梯度的弱监督云检测方法，所述方法包括以下步骤：结合CNN和Transformer的渐进式学习梯度的弱监督云检测准备工作、构建与训练结合CNN和Transformer的渐进式学习梯度的弱监督云检测模型、对结合CNN和Transformer的渐进式学习梯度的弱监督云检测模型测试和求解。与现有技术相比，通过构建结合CNN和Transformer的渐进式学习梯度的两阶段云检测网络，通过显式地引入梯度信息，使云检测网络学习到云和类云地物在梯度上的差别，从而解决云和类云地物的错分和误判问题。同时，通过构建具有主动学习策略的弱监督结构，使用最小化的具有代表性的数据标签实现准确的云检测。
-
公开(公告)号：CN117934346A
公开(公告)日：2024-04-26
申请号：CN202410324885.4
申请日：2024-03-21
Applicant: 安徽大学
Abstract: 本发明涉及一种无稳定平台的机载线阵高光谱遥感影像几何处理方法，与现有技术相比实现了低精度硬件平台下的机载线阵高光谱影像的校正，且无需利用地面测量控制点的情况下有效提升校正定位精度。本发明包括以下步骤：构建定位模型并根据特定姿态拍摄实现标定；逐像素几何正算处理并利用三角网构建索引；利用三角网索引进行规则化格网影像输出粗校正影像；基于平滑先验进行逐行POS数据修正；利用修正POS数据进行几何分辨率保持的几何精校正。本发明实现无需现场额外测量控制点情况下标定高光谱相机的安装误差，利用平滑先验有效修正POS数据，得到几何分辨率有效保持的高光谱校正影像，为生态环境、农业等行业提供高质量高光谱数据。
-
Patent Agency Ranking
公开(公告)号：CN117474801A
公开(公告)日：2024-01-30
申请号：CN202311425998.5
申请日：2023-10-30
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/60 , G06V10/42 , G06V10/44 , G06V10/56 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种融合时空频信息的非均匀遥感视频影像去雾方法，所述方法包括以下步骤：获取合成有雾遥感视频影像数据集；构建融合时域、空域和频域信息的非均匀遥感视频影像去雾模型；非均匀遥感视频影像去雾模型训练；待去雾真实遥感视频影像数据获取；待去雾真实遥感视频影像去雾结果的获取。与现有技术相比，通过构建帧间三维卷积时空特征聚合模块，能够有效利用遥感视频影像数据连续帧间的相似信息，挖掘时空特征，提高图像恢复的质量，同时本发明结合频域分析的方法进行帧内去雾，充分考虑影像低频信息和高频信息的差异，均衡影像全局亮度、对比度、颜色信息和恢复局部细节纹理。
-
公开(公告)号：CN117849795B
公开(公告)日：2024-08-02
申请号：CN202410054007.5
申请日：2024-01-15
Applicant: 安徽大学
IPC: G01S13/90
Abstract: 本发明设计一种顾及成像特性误差补偿的扫描成像模式SAR的几何处理方法，与现有技术相比解决了扫描成像模式SAR应用对高精度几何质量数据的要求，以及成像特性误差对几何定位精度带来的严重影响缺陷。本发明包括以下步骤：扫描成像模式SAR几何处理数据准备及预处理，升降轨异视配置下的扫描成像模式SAR距离和方位向时延系统误差自补偿，距离向和方位向的成像特性误差自适应补偿，子带SAR影像的基准传递标定，扫描成像模式多子带SAR影像拼接处理。本发明通过多重步骤补偿几何误差，包括预处理、自补偿、误差自适应补偿、基准传递标定和多子带拼接，提高了扫描成像模式SAR影像几何质量，为后续遥感应用提供可靠基础。
-
公开(公告)号：CN118212539B
公开(公告)日：2024-07-23
申请号：CN202410633570.8
申请日：2024-05-21
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种光谱退化约束的多尺度分组反馈高光谱重建方法，与现有技术相比解决了现有的方法通过从现成的组件设计复杂的结构来追求更高的性能，而忽略了退化模型中的固有信息，从而导致空间和光谱信息集成不充分和较低的可解释性的问题。本发明包括以下步骤：获取不同分辨率的高光谱和多光谱数据集、构建光谱退化约束的多尺度分组反馈高光谱重建模型、光谱退化约束的多尺度分组反馈高光谱重建模型训练、高光谱重建结果获取。本发明基于高光谱图像丰富的光谱信息和多光谱图像丰富的空间信息，整合综合先验知识来规则化和优化高光谱重建的解空间，保证重建光谱的置信度和保真度。
-
公开(公告)号：CN118212539A
公开(公告)日：2024-06-18
申请号：CN202410633570.8
申请日：2024-05-21
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种光谱退化约束的多尺度分组反馈高光谱重建方法，与现有技术相比解决了现有的方法通过从现成的组件设计复杂的结构来追求更高的性能，而忽略了退化模型中的固有信息，从而导致空间和光谱信息集成不充分和较低的可解释性的问题。本发明包括以下步骤：获取不同分辨率的高光谱和多光谱数据集、构建光谱退化约束的多尺度分组反馈高光谱重建模型、光谱退化约束的多尺度分组反馈高光谱重建模型训练、高光谱重建结果获取。本发明基于高光谱图像丰富的光谱信息和多光谱图像丰富的空间信息，整合综合先验知识来规则化和优化高光谱重建的解空间，保证重建光谱的置信度和保真度。
-
公开(公告)号：CN118212127A
公开(公告)日：2024-06-18
申请号：CN202410085428.4
申请日：2024-01-20
Applicant: 安徽大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/0442 , G06N3/094
Abstract: 本发明涉及一种基于未配准的物理指导生成式对抗高光谱超分辨率方法，与现有技术相比解决了必须以精确配准为前提、高光谱数据合成过程中缺乏必要的物理意义而导致重建结果不稳定的问题。本发明包括以下步骤：获取合成不同分辨率高光谱和多光谱数据集、构建基于未配准的物理指导生成式对抗高光谱超分辨率模型、基于未配准的物理指导生成式对抗高光谱超分辨率模型训练、待增强真实高光谱和多光谱遥感影像获取、超分辨率重建结果获取。本发明基于高光谱图像丰富的光谱信息和多光谱图像丰富的空间信息，提出多模态融合网络重建高分辨率高光谱融合影像，获得高分辨率、高信噪比和特征可识别的增强图像。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.017 seconds)
