-
公开(公告)号：CN106023099A
公开(公告)日：2016-10-12
申请号：CN201610313400.7
申请日：2016-05-12
Applicant: 北京理工大学
IPC: G06T5/00
CPC classification number: G06T5/006 , G06T2200/28 , G06T2207/10041
Abstract: 本发明提供一种基于SoPC的遥感全色图像切片辐射校正和几何纠正实现方法，具体步骤如下：步骤一、原始遥感CCD图像数据经过切片提取后，切片图像数据通过FMC接口传输给逻辑部分中的缓存FIFO；辅助数据由串口传输至ARM然后缓存至DDR；辐射校正系数以文件的形式存储于SD卡；步骤二、缓存于FIFO中数据输出，利用辐射校正系数完成对其辐射校正，辐射校正后的结果存入BRAM，最后存入片外存储器DDR中；步骤三、双核ARM对辐射校正后的切片图像的提取区域的四个顶点进行定位解算，然后经过投影、重采样完成无控几何纠正；步骤四、返回校正结果。该方法能够在SoPC上实现CCD原始数据辐射校正和几何纠正，具有很好实时性和稳定性。
-
公开(公告)号：CN103605634B
公开(公告)日：2016-08-10
申请号：CN201310287052.7
申请日：2013-07-09
Applicant: 北京理工大学
IPC: G06F17/14
Abstract: 本发明提出一种基于混合基FFT的数据访问地址生成的方法，首先给出混合基FFT的时域指数和频域指数用两个不同基表示的表达式；然后将两个表达式代入DFT表达式，将得到的式子进行分解得到DFT运算的迭代递归方程式，根据该组方程式得出任意级的通用迭代公式。分析该迭代公式可以求出所需操作数和旋转因子的地址。根据操作数和旋转因子地址的产生规律，发现操作数和旋转因子的地址可以通过一个基于混合基表示的累加器来获得。最后通过该累加器得到基于混合基FFT的操作数和旋转因子访问地址。本发明方法由一个累加器通过简单移位实现操作数和旋转因子访问地址的生成，降低了地址生成复杂度，对任意混合基FFT的硬件实现具有积极意义。
-
公开(公告)号：CN105139383A
公开(公告)日：2015-12-09
申请号：CN201510489742.X
申请日：2015-08-11
Applicant: 北京理工大学
CPC classification number: G06T2207/20152 , G06T2207/30024
Abstract: 本发明提供一种基于定义圆HSV颜色空间的医学图像分割方法及癌细胞识别方法，具体过程为：步骤一、在RGB色彩空间中找出切片图像目标颜色像素P和背景颜色像素Q的RGB值和位置信息；步骤二、将基于RGB色彩空间的切片图像转换到HSV色彩空间得到基于HSV色彩空间的图像；步骤三、根据所存储的像素P的位置信息，将像素P所对应的(H，S)作为定义圆的圆心坐标，并设置定义圆的半径；根据所像素Q的位置信息，提取像素Q所对应的H、S、V值赋值给定义圆内的所有像素值，实现目标颜色的去除；步骤四、将去除目标颜色后的基于HSV色彩空间的切片图像转换回RGB色彩空间，然后对去除目标颜色切片图像进行分割。利用本发明可以得到非常精确的分割结果。
-
公开(公告)号：CN104933714A
公开(公告)日：2015-09-23
申请号：CN201510324755.1
申请日：2015-06-12
Applicant: 北京理工大学
IPC: G06T7/00
CPC classification number: G06T7/10 , G06T2207/10032 , G06T2207/20064
Abstract: 本发明提供一种基于上下文关系的SAR遥感场景图像的溢油分割检测方法，具体过程为：建立视觉金字塔；针对视觉金字塔最顶层图像，进行动态阈值分割得到初始的标号场；通过GMM模型与初始标号场对标号场内的不同邻域目标提取均值和方差，并计算初始特征场能量；计算最小能量特征场所对应的标号场；将视觉金字塔中每一层最小能量特征场所对应的标号场作为下一层视觉金字塔的初始标号场，基于最顶层的标号场，按照步骤四的方式依次计算，获得视觉金字塔最底层图像的标号场，实现遥感影像的分割；针对分割好的遥感影像进行溢油区域的识别。本发明方法能够准确实现对溢油影像的分割识别。
-
公开(公告)号：CN104658011A
公开(公告)日：2015-05-27
申请号：CN201510052365.3
申请日：2015-01-31
Applicant: 北京理工大学
IPC: G06T7/20
Abstract: 本发明公开了一种智能交通运动目标检测跟踪方法，用于对智能交通视频进行运动目标检测和跟踪。本发明考虑到视频帧图像中一般存在道路中间及两侧护栏等边缘特征明显的物体，采用有限差分一阶偏导矩阵计算输入前后视频帧图像的梯度，提取输入图像特征区域精细轮廓；将轮廓连接、区域填充合并等形态学处理从而得到预处理图像。对预处理图像采用改进的SIFT算法提取关键点，对预处理图像只构建一组六层的高斯金字塔。保证在图像存在较小尺度变化的时候的检测到较少数量的关键点，同时减少冗余的构建金字塔的计算需要，提高算法的时间效率。帧差前利用预处理图像得到的仿射变换模型对视频序列前后帧图像进行了配准，消除了视频帧漂移对检测性能造成的影响。
-
Patent Agency Ranking
公开(公告)号：CN104215962A
公开(公告)日：2014-12-17
申请号：CN201410379642.7
申请日：2014-08-04
Applicant: 北京理工大学
IPC: G01S13/90
CPC classification number: G01S13/90 , G01S7/02 , G01S13/9011
Abstract: 本发明提供一种基于单片FPGA的Chirp Scaling成像方法，具体过程为：在一片FPGA上构建FFT运算模块、多普勒中心频率估计和拟合模块、多普勒调频斜率估计和拟合模块、参数解算模块、Chirp Scaling因子生成模块、距离向补偿因子生成模块、方位向补偿因子生成模块、复乘模块、数据转置模块、核心计算模块和图像量化模块；基于所构建的模块执行Chirp Scaling成像的过程。本发明对Chirp Scaling成像实现的架构进行了分析，最大限度的提高成像算法的并行度，能够充分发挥FPGA的优势，进一步提高成像的实时性。
-
公开(公告)号：CN103823789A
公开(公告)日：2014-05-28
申请号：CN201410038962.6
申请日：2014-01-26
Applicant: 北京理工大学
IPC: G06F17/14
Abstract: 本发明在基于原位存储的结构上，提出一种低复杂度的通用混合基FFT设计方法，步骤一、设计计数器；步骤二、根据步骤一得到的每级的计数器，将其映射到操作数的访问地址；步骤三、根据步骤一得到的计数器，给出生成旋转因子地址的中间值的映射；上面得到的操作数和旋转因子的访问地址即为地址控制单元，选择器Mux设置为：当Mux=0时，表示进入RAM中的数据为外界输入数据；当Mux=1时，表示进入RAM中的数据为由蝶形单元计算按照原位算法存储的数据。
-
公开(公告)号：CN103487806A
公开(公告)日：2014-01-01
申请号：CN201310376517.6
申请日：2013-08-26
Applicant: 北京理工大学
Abstract: 一种基于时分复用的多普勒二次参数拟合方法，具体步骤为步骤101、构建二次拟合单元，所述二次拟合单元包括乘法器a2、乘法器b2、乘法器c2、乘法器d2、乘法器e2、除法器a2、加法器a2、均值模块a2、均值模块b2及均值模块c2；步骤102、以散点信号的横坐标xi为输入，利用二次拟合单元计算拟合参量m、m21、m22、m23、m24和m25；步骤103、基于拟合参量m、m21、m22、m23、m24和m25，利用二次拟合单元计算拟合系数和步骤104、基于拟合系数和实现散点信号的二次曲线的拟合。本发明通过分时复用二次拟合单元中的硬件资源，与传统的二次拟合单元相比，采用本发明可以大大减小所需的硬件资源。
-
公开(公告)号：CN103310453A
公开(公告)日：2013-09-18
申请号：CN201310239103.9
申请日：2013-06-17
Applicant: 北京理工大学
Abstract: 本发明提供一种基于子图像角点特征的快速图像配准方法，具体步骤包括：步骤一、选取参考子图和待配准子图;从参考图像中选取一子图作为参考子图，从待配准图像中选取一坐标空间与参考子图相同的子图作为待配准子图；步骤二、提取参考子图和待配准子图角点；步骤三、对参考子图和待配准子图上提取的角点进行特征描述，获得各角点的特征向量；步骤四，将待匹配子图和参考子图上角点的特征向量进行相似性度量和特征匹配，最终得到K个匹配点对；步骤五、基于K个匹配点对，采用最小二乘法计算待配准图像和参考图像之间的变换矩阵H，基于变换矩阵H将待配准图像配准到参考图像上。本发明可在满足图像匹配精度的同时大大提高图像的匹配速度。
-
公开(公告)号：CN118429686B
公开(公告)日：2025-05-13
申请号：CN202410324714.1
申请日：2024-03-21
Applicant: 北京理工大学
IPC: G06V10/764 , G06N3/0464 , G06V10/82 , G06V20/10
Abstract: 本申请提供一种基于高性能量化全加网络的遥感图像场景分类方法，属于图像处理技术领域。方法包括：获取基于初始加法核的初始全加网络；对初始加法核进行量化处理，得到量化加法核；对量化加法核进行去偏量化处理，得到目标量化加法核，在初始全加网络中将初始加法核替换为目标量化加法核，得到待训练的量化全加网络；基于基准全加网络模型对量化全加网络进行去偏量化训练，得到训练后的目标量化全加网络，去偏量化训练以遥感图像样本作为训练样本、以遥感图像的场景分类作为下游任务；基于目标量化全加网络，对待识别的任一遥感图像进行场景分类。采用本申请，可以在保证网络精度的前提下，最大程度降低了硬件部署时所需要的资源开销。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.027 seconds)
