-
公开(公告)号：CN115239963A
公开(公告)日：2022-10-25
申请号：CN202210723136.X
申请日：2022-06-21
Applicant: 北京理工大学
Abstract: 本发明涉及一种应用于空间目标监测场景的连通区域标记流处理器，基于并行架构的流处理器，采用数据驱动，可在大幅宽、高离散、巨量点目标图像中完成连通区域标记。具体的，二值化模块对输入的图像进行分割，得到二值图像，将灰度图像快速分割成高度离散的像素级目标；团查找及记录模块用于将高度离散的像素级目标合并成团并记录下来；团标记及等价对生成模块用于将行间有邻接关系的团合并，并构建等价对表示空间互不邻接但语义上相互连通的团；等价对合并及标记输出模块通过等价对进行团合并，最终实现目标区域连通；四端口随机存储器读写控制模块用于完成团标记及等价对生成过程中涉及的读写操作控制。
-
公开(公告)号：CN109784142B
公开(公告)日：2020-12-04
申请号：CN201811422749.X
申请日：2018-11-27
Applicant: 北京理工大学
Abstract: 本发明提供了一种基于条件随机投影特征的高光谱目标检测方法，能够实现目标的准确、快速检测，并且能够提高对训练样本数量的敏感度。在高光谱影像光谱数据的表征方面提出一种基于条件随机投影的有监督特征选择与特征提取方法。获得与数据和标签有关的投影参数矩阵，通过该投影参数矩阵获得条件随机特征，所以提高了目标检测的准确度；同时整个运算求取过程中增加了筛选估计和采样，筛选估计和采样的运算所用时间不多，训练时间短，并且筛选估计和采样的运算是在离线阶段完成，实际运行时直接使用训练获得的结果，因此该方法具有检测的准确度、测试运行效率高的优点。
-
Patent Agency Ranking
公开(公告)号：CN106897737A
公开(公告)日：2017-06-27
申请号：CN201710052482.9
申请日：2017-01-24
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于高光谱遥感图像的地物分类方法，将原始的超限学习机网络扩展为层级化多通道融合网络，在网络训练方面，不同于原始ELM网络的最小二乘算法求解输出权重策略以及深度学习网络的全局迭代调优策略，本发明采用贪婪式逐层训练的方式，对层级网络逐层训练，极大地缩短了网络的训练时间，在逐层训练的过程中，每层网络的训练求解模型均添加l1正则优化项，使得参数求解结果更稀疏，减少过拟合风险，在网络功能方面，单隐层ELM网络侧重解决简单数据的拟合、分类问题，而本发明所提网络模型的不同层级实现了目标数据特征学习或特征融合，同时也继承了前者训练速度快、泛化能力强的优点，非常有利于模型的在轨实现并适应应急响应任务的要求。
-
公开(公告)号：CN108764097B
公开(公告)日：2021-07-20
申请号：CN201810489307.0
申请日：2018-05-21
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于分段稀疏表示的高光谱遥感图像目标识别方法。使用本发明能够在不同场景下均取得了不错的目标检测效果。本发明通过光谱分段，从局部特征的组合方式着手，充分强调并利用了更为稳定的局部光谱特征，提升了目标检测效果；利用稀疏表示和字典学习自适应性的特点，无需对目标和背景的分布做任何的假设，避免了过多先验假设和手工特征带来的建模的欠准确性。本发明采用局部特征匹配的特性使得少数波段受到污染不会严重影响全局的特征匹配结果，具有一定的抗波段污染的效果。
-
公开(公告)号：CN109784142A
公开(公告)日：2019-05-21
申请号：CN201811422749.X
申请日：2018-11-27
Applicant: 北京理工大学
Abstract: 本发明提供了一种基于条件随机投影特征的高光谱目标检测方法，能够实现目标的准确、快速检测，并且能够提高对训练样本数量的敏感度。在高光谱影像光谱数据的表征方面提出一种基于条件随机投影的有监督特征选择与特征提取方法。获得与数据和标签有关的投影参数矩阵，通过该投影参数矩阵获得条件随机特征，所以提高了目标检测的准确度；同时整个运算求取过程中增加了筛选估计和采样，筛选估计和采样的运算所用时间不多，训练时间短，并且筛选估计和采样的运算是在离线阶段完成，实际运行时直接使用训练获得的结果，因此该方法具有检测的准确度、测试运行效率高的优点。
-
公开(公告)号：CN108629297A
公开(公告)日：2018-10-09
申请号：CN201810352969.3
申请日：2018-04-19
Applicant: 北京理工大学
Abstract: 本发明提供一种基于空域自然场景统计的遥感图像云检测方法，由于云区域比较平坦，非对称广义高斯分布的值集中在零附近，所以云区域的非对称广义高斯分布近似尖峰状态；而城市高亮度区域，比较分散，所以非对称广义高斯分布比较平缓；则当待测超像素块的非对称广义高斯分布与云图像的非对称广义高斯分布一致，即波形参数f1与波形参数f2之间的距离，小于波形参数f1与波形参数f3之间的距离，那么待测超像素块判断为云雪区域，否则判断为非云雪区域；这种统计参数距离的方法首次应用于云检测，能够准确地将云区域从可见光波段遥感图像中提取出来。
-
公开(公告)号：CN106886760A
公开(公告)日：2017-06-23
申请号：CN201710052487.1
申请日：2017-01-24
Applicant: 北京理工大学
CPC classification number: G06K9/0063 , G06K9/342
Abstract: 本发明提供了一种基于空谱信息结合的高光谱舰船检测方法，能够解决现有舰船检测方法中舰船目标的检测的准确度和虚警的问题。本发明方法中涉及基于类间差异性的无监督光谱子区间筛选方法，是一种准确、快速、鲁棒性强的无监督光谱波段筛选方法。阈值分割中加入了水域的相对稳定性，极大削弱了亮度值较低的非水域区域对检测结果的干扰，能够实现十分准确的海陆分割结果，该方法简单、快速并且自适应。本发明提出了对RX异常检测结果进行空间特征增强的方法，即利用二维本征模态分解重构图像，并且该方法是自适应的，完全依赖数据本身的结构。本方法利用物质的光谱特征分析物质的主要材质构成，所有光谱均可由光谱字典中光谱向量线性组合得到。
-
-
-
-
-
-
Search Results
27
records
(took 0.024 seconds)
