-
公开(公告)号：CN113033094B
公开(公告)日：2024-02-09
申请号：CN202110313922.8
申请日：2021-03-24
Applicant: 上海海洋大学
IPC: G06F30/27 , G06N3/0442 , G06F113/08
Abstract: 本发明公开了一种海浪高度预测方法，所述预测方法包括：将原始海浪高度数据序列进行VMD分解；将经过所述VMD分解得到的若干离散子序列IMF1，IMF2……IMFk输入至AM‑LSTM模型中获取所述若干离散子序列的模型预测结果PIMF1，PIMF2……PIMFk；将所述原始海浪高度数据输入至所述AM‑LSTM模型中获取所述原始海浪高度数据序列的模型预测结果PIMF；对所述若干离散子序列的模型预测结果PIMF1，PIMF2……PIMFk和所述原始海浪高度数据序列的模型预测结果PIMF进行重构计算得到所述海浪高度的最终预测值对所述最终预测值进行评估。
-
公开(公告)号：CN116883793A
公开(公告)日：2023-10-13
申请号：CN202310818251.X
申请日：2023-07-05
Applicant: 上海海洋大学
IPC: G06V10/776 , G06V20/10
Abstract: 本发明涉及数据处理技术领域，具体涉及面向遥感分类结果精度评价的多粒度空间抽样方法、系统、计算机设备及存储介质。该方法包括以下步骤：利用空间异质性将遥感分类结果进行分层，以获得分层结果；利用空间相关性，确定分层结果中各层不同粒度的抽样单元；通过将各层内的不同粒度的抽样单元与参考数据进行比较，对遥感分类结果进行精度评价。本发明面向遥感分类结果精度评价的多粒度空间抽样方法，以多粒度抽样框为抽样单元，对每个抽样单元中的地物类型采用面积占优法确定样本的地物类型。
-
公开(公告)号：CN111340829B
公开(公告)日：2023-02-28
申请号：CN202010083621.6
申请日：2020-02-10
Applicant: 上海海洋大学 , 南京医科大学眼科医院
Abstract: 本发明属于网络数据处理技术领域，公开了一种改进的DME水肿区域神经网络分割模型的构建方法，进行OCT图像去噪预处理；基于改进的DeepLab神经网络实现DME水肿区域的粗分割，利用空洞卷积和空间金字塔池化模块设计DeepLab神经网络结构；引入全连接条件随机场优化DME水肿区域边界；利用模型分割性能的评价指标对分割模型精度进行评价。本发明能够提高图像的对比度，在去除噪声的同时保留了病变部位的边缘纹理信息，为水肿区域的精确识别与分割奠定了较好的图像数据基础；能够获得良好的病变部位分割性能，增大感受视野、增强分割性能，提高OCT图像的分割速度。
-
公开(公告)号：CN110309827B
公开(公告)日：2022-10-14
申请号：CN201910371329.1
申请日：2019-05-06
Applicant: 上海海洋大学
IPC: G06V10/762 , G06V10/25 , G06T7/11 , G06T7/13
Abstract: 本发明公开了一种基于OCT图像的水肿区域分割算法，包括如下步骤：1)图像预处理，采用高斯滤波对待分割的OCT图像进行预处理；2)水肿区域粗分割，基于K‑means算法对OCT图像进行粗分割，得到OCT图像的感兴趣区域；3)水肿区域细分割，将OCT图像的感兴趣区域的作为初始边界，基于改进的水平集算法对OCT图像进行细分割。本发明减少了边界线检测计算迭代次数，提高了分割效率；时间效率提高了约23％，迭代次数减少了约30％。本发明在分割精度方面：利用SPF函数替代边缘停止函数改进了现有的水平集模型，得出的模型可收敛到ROI内部的水肿区域，从而实现OCT图像水肿区域的分割。
-
公开(公告)号：CN109190491B
公开(公告)日：2021-08-31
申请号：CN201810897727.2
申请日：2018-08-08
Applicant: 上海海洋大学
Abstract: 本发明提供一种残差卷积神经网络SAR影像海冰分类方法，包括步骤：获取SAR影像数据；处理SAR影像数据获得训练数据集和测试数据集；设计残差卷积神经网络模型并利用训练数据集训练残差神经网络模型，获得基本的海冰分类模型；将训练数据集同时输入多个已训练好的海冰分类模型，利用集成学习思想组合单个模型的分类结果得到最终海冰分类的优化模型，并通过改变模型的个数，确定集成策略中最佳的模型数量；利用优化残差卷积神经网络模型对待分类SAR影像数据分类。本发明的一种残差卷积神经网络SAR影像海冰分类方法，可快速得到详细的具有海冰分布信息的海冰解译图，给海上作业人员提供参考。
-
Patent Agency Ranking
公开(公告)号：CN111340829A
公开(公告)日：2020-06-26
申请号：CN202010083621.6
申请日：2020-02-10
Applicant: 上海海洋大学 , 南京医科大学眼科医院
Abstract: 本发明属于网络数据处理技术领域，公开了一种改进的DME水肿区域神经网络分割模型的构建方法，进行OCT图像去噪预处理；基于改进的DeepLab神经网络实现DME水肿区域的粗分割，利用空洞卷积和空间金字塔池化模块设计DeepLab神经网络结构；引入全连接条件随机场优化DME水肿区域边界；利用模型分割性能的评价指标对分割模型精度进行评价。本发明能够提高图像的对比度，在去除噪声的同时保留了病变部位的边缘纹理信息，为水肿区域的精确识别与分割奠定了较好的图像数据基础；能够获得良好的病变部位分割性能，增大感受视野、增强分割性能，提高OCT图像的分割速度。
-
公开(公告)号：CN110795896A
公开(公告)日：2020-02-14
申请号：CN201911022042.4
申请日：2019-10-25
Applicant: 上海海洋大学
Abstract: 本发明公开了一种具有计算负载均衡的多层网格LBM并行方法，解决了多层网格LBM方法在MPI并行时，算法复杂度高、并行计算性能不佳等弊端，其技术方案要点是包括有以下步骤：考虑到不同层网格点的计算量不一致，但同层网格点的计算量一致，根据MPI进程总数np和多层网格的总层数N，将每一层网格根据网格数量按照均匀划分原则剖分为np份区域；每个进程负责每一层网格中的一份网格区域，并按照第N层至第1层的顺序采用多层网格LBM方法计算到规定时间步；本发明的一种具有计算负载均衡的多层网格LBM并行方法，采用良好的网格划分策略，使得每个MPI进程的计算量负载均衡，提高了并行效率，具有良好的可扩展性。
-
公开(公告)号：CN110309827A
公开(公告)日：2019-10-08
申请号：CN201910371329.1
申请日：2019-05-06
Applicant: 上海海洋大学
Abstract: 本发明公开了一种基于OCT图像的水肿区域分割算法，包括如下步骤：1)图像预处理，采用高斯滤波对待分割的OCT图像进行预处理；2)水肿区域粗分割，基于K-means算法对OCT图像进行粗分割，得到OCT图像的感兴趣区域；3)水肿区域细分割，将OCT图像的感兴趣区域的作为初始边界，基于改进的水平集算法对OCT图像进行细分割。本发明减少了边界线检测计算迭代次数，提高了分割效率；时间效率提高了约23％，迭代次数减少了约30％。本发明在分割精度方面：利用SPF函数替代边缘停止函数改进了现有的水平集模型，得出的模型可收敛到ROI内部的水肿区域，从而实现OCT图像水肿区域的分割。
-
公开(公告)号：CN109740678A
公开(公告)日：2019-05-10
申请号：CN201910013102.X
申请日：2019-01-07
Applicant: 上海海洋大学
Abstract: 本发明属于图像处理技术领域，公开了一种基于多级不均匀空间抽样的遥感影像分类精度检验方法，进行多级不均匀抽样：通过计算遥感影像分类结果的空间破碎度，将遥感影像自低而高进行逐级区划；根据不同等级区划结果，自高至低逐级分配样本点用于遥感影像分类结果检验；基于破碎度指数的研究区域自低至高逐级区划：引入破碎度指数的概念，进行研究区域自低至高的逐级区划；再进行基于逐级区划结果的样本点布设。本发明可以保证用于精度检验的遥感影像的样本点在不同地物类型间的均衡性，亦保证了用于精度检验的样本点在空间上的代表性。
-
公开(公告)号：CN107507145A
公开(公告)日：2017-12-22
申请号：CN201710739280.1
申请日：2017-08-25
Applicant: 上海海洋大学
CPC classification number: G06T5/40 , G06T5/002 , G06T7/90 , G06T2207/20028
Abstract: 本发明涉及一种基于不同颜色空间自适应直方图拉伸的水下图像增强方法，对GB两通道进行基于Gray-World理论的均衡化，初步得出调整后水下图像。然后分析水下图像RGB通道的分布特性，以及RGB三通道在水中传播时的衰减情况，提出在RGB颜色空间进行基于自动参数获取的自适应直方图拉伸的方法并对三个通道采用双边滤波器以减少噪声的影响。接下来，将RGB颜色空间转换到CIE-Lab颜色空间，并对‘L’，‘a’和‘b’三个分量分别进行自适应直方图拉伸。最终，经增强后的水下图像呈现出高对比度、均衡的饱和度和亮度。本发明的图像增强计算复杂度较低，主要适用于包括水下生物、海底考古、水下捕捞和目标检测等多种水下图像。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.031 seconds)
