公开(公告)号：CN106650811A

公开(公告)日：2017-05-10

申请号：CN201611218275.8

申请日：2016-12-26

Applicant: 大连海事大学

Inventor： 于纯妍 ,  宋梅萍 ,  张建祎 ,  王玉磊 ,  申丽然 ,  李森 ,  薛白

IPC: G06K9/62

CPC classification number: G06K9/6269

Abstract: 本发明提供一种基于近邻协同增强的高光谱混合像元分类方法，包括：利用已标记的样本地物计算多目标地物的光谱签名矩阵；设计基于光谱特征的多类别分类器将地物进行分类；在分类结果中融合空间结构特征，并提取近邻像元；利用近邻像元协同对未标记高光谱地物进行类别标记；采用迭代方法逐步将未标记的地物分别进行分类标注；利用邻域扩展的方式进一步融合目标地物的空间特征，完成最终分类标记。本发明利用多类别分类器对地物类别进行同时分类，解决了传统分类方法无法对背景地物进行分类的问题；并利用近邻协同增强的方式，逐步对未标记的地物目标进行标记，有效的融合了地物的光谱特征和空间特征，分类效果较好。

公开(公告)号：CN103258330B

公开(公告)日：2015-08-26

申请号：CN201310200019.6

申请日：2013-05-24

Applicant: 大连海事大学

Inventor： 林彬 ,  宋梅萍 ,  谢红叶 ,  安居白

IPC: G06T7/00

Abstract: 本发明公开了一种高光谱图像中端元丰度值的估计方法，包括以下步骤：从图像中提取端元；选择混合像元点；线性分解得到对应丰度值；求取端元对应的归一化光谱特征值；在直角坐标系下描点；进行曲线拟合得到二次曲线表达式；通过归一化光谱特征值映射得到剩余点的丰度值；求取估计值与实际值的均方根误差RMSE并判断RMSE是否满足所求精度。由于本发明通过将光谱特征值与端元丰度之间建立一定的关系来快速预测丰度值，从而避免了对所有混合像元点进行线性分解才能得到对应丰度值的弊端，在实际应用过程中，只需要选取极少量分布均匀的像元点进行线性分解，就可以获得所有像元点中对应端元的丰度值，这样就有效地缩短了混合像元分解的时间。

公开(公告)号：CN119625532A

公开(公告)日：2025-03-14

申请号：CN202411705099.5

申请日：2024-11-26

Applicant: 大连海事大学

Inventor： 宋梅萍 ,  祝龙 ,  史印通

IPC: G06V20/10 ,  G06V10/25 ,  G06V10/772 ,  G06V10/74

Abstract: 本发明公开了一种秩稀疏分解的高光谱图像异常检测方法，其特征在包括：采用低秩稀疏分解方式将高光谱图像划分为背景成分和异常成分，在背景成分和异常成分中选取背景原子和异常原子并构建联合字典；结合构建的联合字典基于非负联合字典协同表示模型对高光谱图像进行处理，得到残差图，将所述残差图作为初步检测结果；采用滑动窗口策略将窗口代替单个待测像素，计算该窗口与其周围滑动窗口的差异度，以该差异度作为待测像素的异常权重；使用所述异常权重对残差图进行加权处理，得到高光谱图像的异常检测结果。本方法可有效的用于高光谱图像异常检测，在遥感图像实际处理中具有重要意义。

公开(公告)号：CN118366030A

公开(公告)日：2024-07-19

申请号：CN202410456784.2

申请日：2024-04-16

Applicant: 大连海事大学

Inventor： 宋梅萍 ,  岳峰宇 ,  史鹏良 ,  李兰

IPC: G06V20/10 ,  G06V10/80 ,  G06V10/74

Abstract: 本发明公开了一种基于Godec和孤立森林的高光谱图像异常检测方法，首先对原始图像应用Godec分解提取低秩部分，稀疏部分和噪声部分，然后将稀疏部分和噪声部分输入到孤立森林检测器，以获得光谱维的全局异常得分。然后将低秩部分和原始图像输入到IIF检测器中，以获得光谱维的局部异常得分。空间方面通过对稀疏部分采取滑动窗口提取空间特征的方法进行孤立森林检测得到空间检测图。最后，将光谱维的全局异常得分和光谱维的局部异常得分与空间维的得分进行融合，预测最终的异常得分。在几个真实的高光谱数据集上的实验结果表明，本文提出的方法在检测精度和背景抑制方面具有较强的竞争力。

公开(公告)号：CN113673556B

公开(公告)日：2024-07-16

申请号：CN202110778881.X

申请日：2021-07-09

Applicant: 大连海事大学

Inventor： 于浩洋 ,  张昊 ,  徐震 ,  郑珂 ,  宋梅萍 ,  于纯妍 ,  张建祎

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06T5/70

Abstract: 本发明公开了一种基于多尺度密集卷积网络的高光谱图像分类方法，包括：在训练阶段，将包含训练样本的整张高光谱图像输入至多尺度密集卷积网络模型中对该模型进行训练，从而输出整张图像所有像素的预测标签；通过标记训练样本的位置来选择相应的像素，在所选像素和预测像素之间计算损失，更新网络模型参数；在测试阶段，采用多尺度密集卷积网络模型对整张高光谱图像进行分类获得分类结果。首先使用基于图像的高光谱图像分类框架提高了模型的计算效率，充分利用了图像中的邻域细节信息，避免冗余信息对模型产生的误差和干扰。最后多尺度密集卷积网络的引入完成了对高光谱图像的分类。

公开(公告)号：CN116337240B

公开(公告)日：2024-05-17

申请号：CN202310327004.X

申请日：2023-03-29

Applicant: 大连海事大学 ,  中国科学院空天信息创新研究院 ,  中国农业科学院农业资源与农业区划研究所

Inventor： 赵恩宇 ,  屈年鑫 ,  王玉磊 ,  宋梅萍 ,  高彩霞 ,  段四波

IPC: G01J5/48 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明属于图像处理技术领域，涉及一种基于图神经网络的热红外高光谱数据波段选择方法。该方法通过构建图神经网络模型，生成波段权重矩阵，使用激活函数过滤掉权重较小的波段，将过滤后的权重矩阵与波段矩阵相乘然后使用多层感知机进行回归计算，以回归值与参考温度值的均方根误差为损失值，利用反向传播算法更新图神经网络模型的参数直至模型收敛，通过更新后的图神经网络模型实现对高光谱数据实现高效波段选择，从而显著提高高光谱数据的回归准确率和效率。

公开(公告)号：CN113505856B

公开(公告)日：2024-04-09

申请号：CN202110898291.0

申请日：2021-08-05

Applicant: 大连海事大学

Inventor： 于纯妍 ,  宋梅萍 ,  刘睬瑜 ,  于浩洋 ,  张建祎

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/40 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明公开了一种高光谱影像无监督自适应分类方法，包括：S1、选择两个地物类别相同但分布不同的高光谱场景图像；S2、根据高光谱影像的特点构建以卷积神经网络为基础的深度学习网络模型作为特征提取器、分类器、域判别器；S3、交替训练分类器和特征提取器，直到域判别器不能正确区分两个域，判别过程通过采用深层特征和风格特征两部分的内容将源域和目标域进行对齐；S4、用训练好的特征提取器和分类器对目标域分类，得到分类结果图。本发明采用深度神经网络搭建特征提取器用于提取特征，并且同时构建分类器和域判别器；利用深层特征对齐和风格特征对齐两方面的内容减小两个域的差异，一定程度上缓解了跨域分类中的特征对齐难题。

公开(公告)号：CN113222954B

公开(公告)日：2024-03-29

申请号：CN202110560094.8

申请日：2021-05-21

Applicant: 大连海事大学

Inventor： 王玉磊 ,  刘嫚 ,  陈昔 ,  宋梅萍 ,  于纯妍 ,  赵恩宇

IPC: G06T7/00 ,  G06T5/90 ,  G06T5/50

Abstract: 本发明公开了一种基于补丁对齐的全局梯度下的多曝光图像无鬼影融合方法，包括：读取参考图像，基于多源双向相似度的度量算法MBDS度量参考图像与LDR图像的相似度，采用补丁加速方法对齐LDR图像中的运动区域；采用重建算法获得与参考图像对齐后的LDR图像序列；设计像素相对强度权重式和全局梯度权重式；将两种权重式加权平均后得到最终权重式，在拉普拉斯金字塔中输入权重图和LDR图像序列进行图像融合并输出融合图像。该方法有效地解决了动态场景融合下出现的伪影问题，先基于参考图像配准LDR图像节省了融合时间，更具有鲁棒性，之后在拉普拉斯金字塔中融合进行多尺度分解融合，融合效果更好，得到的HDR图像细节信息丰富，视觉效果更好。

公开(公告)号：CN113379696B

公开(公告)日：2024-03-26

申请号：CN202110624715.4

申请日：2021-06-04

Applicant: 大连海事大学

Inventor： 王玉磊 ,  王凤超 ,  石瑶 ,  宋梅萍 ,  张建祎

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/096

Abstract: 本发明公开了一种基于迁移学习张量分解的高光谱异常检测方法，具体步骤包括：设计具有连续卷积层的卷积神经网络模型，通过迁移训练有标签的高光谱数据生成同类和不同类别的像素对，采用反向传播算法使网络参数不断迭代更新直至收敛；采用塔克分解将完成训练的模型进行卷积层分解，卷积运算将H×W×S大小的输入数据X映射到H'×W'×T大小的输出数据Y，读取待检测数据，将待检测像素与其周围的16个像素形成像素对，将平均相似度得分作为判断的依据，如果平均相似度得分大于设定阈值则视为异常目标，否则为背景。

公开(公告)号：CN117496154A

公开(公告)日：2024-02-02

申请号：CN202311582917.2

申请日：2023-11-24

Applicant: 大连海事大学

Inventor： 于纯妍 ,  左亚坤 ,  宋梅萍 ,  王玉磊

IPC: G06V10/26 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/764 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明公开了基于概率图表征边缘的高分辨率遥感影像语义分割方法，包括，获取遥感图像集，对遥感图像集进行扩增，对扩增后的遥感图像集中的遥感图像分别进行归一化处理，从归一化处理后的遥感图像集中获取训练集，构建基于概率图分布边缘强化的高分辨率遥感影像语义分割模型，所述基于概率图分布边缘强化的高分辨率遥感影像语义分割模型用于得到遥感影像的语义分割结果，根据训练集对高分辨率遥感影像语义分割模型进行训练，获取待分割的遥感影像，将待分割的遥感图像输入至训练后的高分辨率遥感影像语义分割模型并获取语义分割结果。提升了遥感图像中小尺寸对象和复杂边界信息的识别精度，实现遥感地物边缘的准确语义分割。