-
公开(公告)号：CN105069478B
公开(公告)日：2018-04-17
申请号：CN201510511885.6
申请日：2015-08-19
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于超像素张量稀疏编码的高光谱遥感地物分类方法，克服了现有技术中不能充分利用高光谱图像的空间信息进行分类和分类速度慢的缺点。本发明实现的步骤是：(1)输入待分类的高光谱图像；(2)构建层次空间相似度矩阵；(3)获得超像素集；(4)构造标记样本字典；(5)求解稀疏系数矩阵；(6)超像素分类；(7)输出待分类高光谱图像的分类结果。本发明具有保持高光谱图像同质区域的空间一致性和分类速度快的优点，可用于高光谱图像的快速分类。
-
公开(公告)号：CN107240138A
公开(公告)日：2017-10-10
申请号：CN201710378830.1
申请日：2017-05-25
Applicant: 西安电子科技大学
IPC: G06T9/40 , H04N19/124 , H04N19/176 , H04N19/85 , H04N19/96
CPC classification number: G06T9/40 , H04N19/124 , H04N19/176 , H04N19/85 , H04N19/96
Abstract: 本发明提出了一种基于样本二叉树字典学习的全色遥感图像压缩方法，用于解决现有全色遥感图像压缩方法中存在的结构复杂的纹理信息不能够得到有效表示的技术问题。实现步骤为：通过图像样本复杂度的评价函数，区分图像中简单样本和复杂样本；对训练图像和待压缩图像分别进行预处理得到样本集Y和T；由样本集Y和T分别建立训练样本二叉树和测试样本二叉树，完成不同复杂度样本的划分；训练样本二叉树叶节点上不同复杂度的样本用来训练不同尺度的字典；而测试样本二叉树叶节点上不同复杂度的样本集在对应字典下稀疏编码，得到系数矩阵；系数矩阵经过量化编码得到二进制码流。本发明压缩重构图像的PSNR指标和主观视觉评价高。
-
公开(公告)号：CN107194917A
公开(公告)日：2017-09-22
申请号：CN201710339040.2
申请日：2017-05-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于DAP和ARELM的在轨SAR图像变化检测方法，消除了训练数据对方法检测能力的限制。其实现包括：针对两幅配准的SAR图像对，计算获得对数差分图DI；对DI进行SLIC超像素分割，并求取所有超像素的均值和质心，用DAP算法对超像素聚类获得若干类超像素集合；用K‑means算法再进行区域三分类，均值最高的集合为严格变化区域，最低的集合为严格未变化区域，剩余为未知类别区域；选择区域训练样本，并将其邻域特征送到ARELM中训练，获得训练好网络参数的ARELM；将待检测的所有像素邻域特征送入训练好的ARELM中进行分类，自动获得变化检测结果图。本发明消除了训练数据对方法检测能力的限制，检测正确率高，自动决策。检测能力稳定可靠，用于SAR图像变化检测。
-
公开(公告)号：CN105139028A
公开(公告)日：2015-12-09
申请号：CN201510497374.3
申请日：2015-08-13
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/627 , G06K9/6256
Abstract: 本发明公开了一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法。其步骤为：1.划分SAR数据库样本集为训练数据集和测试样本集；2.从训练数据集学习第一层稀疏字典；3.利用第一层稀疏字典提取第一层稀疏特征图并进行非线性变换；3.从第一层非线性变换特征图学习第二层稀疏字典；4.利用第二层稀疏字典提取第二层稀疏特征图并进行非线性变换；5.级联第一，二层非线性变换特征训练SVM分类器；6.利用第一，二层稀疏字典抽取测试集的稀疏特征，用SVM分类器进行分类。本发明解决了现有技术设计复杂，普适性和抗噪性差，分类精度低的问题，可用目标识别。
-
公开(公告)号：CN105069471A
公开(公告)日：2015-11-18
申请号：CN201510464620.5
申请日：2015-07-31
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/627
Abstract: 本发明公开了一种基于模糊标签的高光谱数据子空间投影和分类方法，主要解决高光谱图像中由于混合像元和噪声引起地物错分和数据判别性差的问题。其步骤为：1.将遥感数据库样本集划分为训练样本和标记样本集；2.计算由子空间投影后的标记样本集生成的判别项；3.构造由训练样本的模糊标签确定的拉普拉斯正则项；4.通过最大化判别项和正则项之差获取最优投影矩阵和模糊标签，以实现有效降维的同时，实现高精度的分类。本发明采用判别子空间投影的方法来构造判别项，将数据投影到低维空间，增强数据的判别性能，进而引入模糊标签来构造拉普拉斯正则，解决了混合像元带来的错分问题，在实现降维的同时，实现高精度的分类。
-
Patent Agency Ranking
公开(公告)号：CN110009010B
公开(公告)日：2023-03-24
申请号：CN201910211183.4
申请日：2019-03-20
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于兴趣区域重检测的宽幅光学遥感目标检测方法，主要解决宽幅光学遥感目标检测中对小尺度目标检测精度低及重叠滑窗检测时效性慢的问题。具体步骤有：制作多尺度训练样本；设计检测网络模型结构；对混合重检测网络模型进行训练；宽幅影像候选兴趣区域提取与重检测。本发明设计的检测网络模型，能拟合不同尺度目标的检测；基于兴趣区域检测不需重叠检测，降低了宽幅遥感图像候选区域提取的时间，采用对候选区域基于目标的尺度先验性进行重检测，改善了小目标的检测效果，检测精度更高。可应用于任何宽幅像素分辨率大小的光学遥感图像的检测。
-
公开(公告)号：CN109495744B
公开(公告)日：2019-12-24
申请号：CN201811270154.7
申请日：2018-10-29
Applicant: 西安电子科技大学
IPC: H04N19/124 , H04N19/13
Abstract: 本发明公开了一种基于多结构生成对抗网络的大倍率遥感影像压缩方法，解决了传统方法未挖掘影像像素间相关性及大倍率压缩下视觉保真度下降的技术问题。实现步骤有：对遥感影像数据集预处理；预处理后的遥感影像数据集输入联合生成对抗网络训练得到训练好的网络模型；用训练得到的网络进行大倍率遥感影像压缩得到编码文件；对网络编码结果做熵编码得到待传输的码流文件；用解码网络进行码流文件的解压缩得到原始遥感影像。本发明使用联合生成对抗网络遥感影像建立模型进行大倍率压缩，该网络将编解码网络对称结构分别进行对抗训练，通过训练使得模型同时提取影像本身的相关性和遥感影像之间的相关性，提高了大倍率压缩下视觉保真度。
-
公开(公告)号：CN110009010A
公开(公告)日：2019-07-12
申请号：CN201910211183.4
申请日：2019-03-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于兴趣区域重检测的宽幅光学遥感目标检测方法，主要解决宽幅光学遥感目标检测中对小尺度目标检测精度低及重叠滑窗检测时效性慢的问题。具体步骤有：制作多尺度训练样本；设计检测网络模型结构；对混合重检测网络模型进行训练；宽幅影像候选兴趣区域提取与重检测。本发明设计的检测网络模型，能拟合不同尺度目标的检测；基于兴趣区域检测不需重叠检测，降低了宽幅遥感图像候选区域提取的时间，采用对候选区域基于目标的尺度先验性进行重检测，改善了小目标的检测效果，检测精度更高。可应用于任何宽幅像素分辨率大小的光学遥感图像的检测。
-
公开(公告)号：CN107230201B
公开(公告)日：2020-11-03
申请号：CN201710340278.7
申请日：2017-05-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法，提升了检测精度，扩大了方法的实际应用范围。步骤包括：对两幅配准相的SAR图像对，计算获得对数差分图DI；用PCA获取DI的主分量；利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域；从中提取部分样本的邻域特征，将其作为训练样本训练ELM；将待检测的对数差分图中每个样本的邻域送入训练好的ELM中，获得变化检测结果图。本发明从待检测差分图中自动提取训练样本，消除了训练数据对方法检测能力的限制，扩大了方法的实际应用范围，避免了人工的参与，降低了噪声的干扰，提升了方法的检测正确率，具备稳定可靠的检测能力。
-
公开(公告)号：CN107194917B
公开(公告)日：2020-07-10
申请号：CN201710339040.2
申请日：2017-05-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于DAP和ARELM的在轨SAR图像变化检测方法，消除了训练数据对方法检测能力的限制。其实现包括：针对两幅配准的SAR图像对，计算获得对数差分图DI；对DI进行SLIC超像素分割，并求取所有超像素的均值和质心，用DAP算法对超像素聚类获得若干类超像素集合；用K‑means算法再进行区域三分类，均值最高的集合为严格变化区域，最低的集合为严格未变化区域，剩余为未知类别区域；选择区域训练样本，并将其邻域特征送到ARELM中训练，获得训练好网络参数的ARELM；将待检测的所有像素邻域特征送入训练好的ARELM中进行分类，自动获得变化检测结果图。本发明消除了训练数据对方法检测能力的限制，检测正确率高，自动决策。检测能力稳定可靠，用于SAR图像变化检测。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.028 seconds)
