-
公开(公告)号：CN105809172A
公开(公告)日：2016-07-27
申请号：CN201610127595.6
申请日：2016-03-07
Applicant: 哈尔滨工业大学
IPC: G06K9/46
Abstract: 面向高分辨率遥感图像的有效半监督特征选择方法，属于遥感图像的半监督特征选择技术领域。本发明是为了解决现有高分辨率遥感图像的半监督特征选择方法处理过程复杂，工作量大的问题。它的步骤为：采集高分辨率遥感图像数据，对高分辨率遥感图像数据进行预处理；再分割样本，提取特征，获得样本数据，直到获得特征数据集合；进行样本类别标记；对标记样本类别的特征向量同时获取标签和选择矩阵，构建基于损失函数和未标记样本的概率分布矩阵的目标函数；基于建立的目标函数采用迭代算法对选择矢量和未标记样本最小滤深度的类别概率矩阵进行优化，完成高分辨率遥感图像的特征选择。本发明用于高分辨率遥感图像的特征选择。
-
公开(公告)号：CN105631474A
公开(公告)日：2016-06-01
申请号：CN201510990997.4
申请日：2015-12-26
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6269 , G06K9/00973
Abstract: 本发明公开了一种基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法，其步骤如下：一、计算两两类别之间的Jeffries-Matusita距离，得到Jeffries-Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，构建类对决策树；三、采用基于Jeffries-Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。本发明通过引入Jeffries-Matusita距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且不会造成太大的参数波动。同时在区分单一样本时使用较少的二分类器，且每层“淘汰”了一半了类别，增强了加权分类的针对性，从而将每个子分类器的分类误差进一步降低，提高了分类精度，适用于高光谱数据的模式识别应用。
-
公开(公告)号：CN104700100A
公开(公告)日：2015-06-10
申请号：CN201510152162.1
申请日：2015-04-01
Applicant: 哈尔滨工业大学
Abstract: 面向高空间分辨率遥感大数据的特征提取方法，属于遥感图像特征提取技术领域。本发明是为了解决现有对高空间分辨率遥感图像的特征进行提取获取的为底层特征，不能准确表达地物本质的问题。它首先采集遥感图像，并对遥感图像进行预处理，获得输入数据；将输入数据分割成连续且不重叠的31×31或者51×51像素的子图数据；将子图数据依次输入给卷积深度玻尔兹曼机输入层的相应节点，获得子图数据的低级语义特征；将子图数据的低级语义特征作为卷积深度玻尔兹曼机高级语义层的输入，获得子图数据的本质特征数据；再进一步获得规范化的上下文信息；最后由Logistic分类器输出所述输入数据的特征提取结果。本发明用于遥感大数据的特征提取。
-
公开(公告)号：CN104680543A
公开(公告)日：2015-06-03
申请号：CN201510117170.2
申请日：2015-03-18
Applicant: 哈尔滨工业大学
IPC: G06T7/00
Abstract: 一种基于3D-Zernike矩相位分析的数字表面模型方位差异估计方法，涉及遥感地表地物分析领域。解决多时相的数字表面模型坐标系定义的不统一会引起地物三维数据存在的方位差异，而高程精度、分辨率的差异使得这种方位差异难以估计，进而无法有效应用的问题，本发明步骤如下：地物多时相DSM网格数据初始化，规范化输入数据格式；地物三维点集归一化，将数据归一化至3D-Zernike计算时所需求的单位球体内；计算N阶3D-Zernike矩；3D-Zernike矩相位分量选择；方位差异估计。该方法能准确判定地物多时相DSM间的方位差异，有利于地物的姿态估计、三维变化检测、地震灾害评估等多方面的重要遥感应用。
-
公开(公告)号：CN104680169A
公开(公告)日：2015-06-03
申请号：CN201510119477.6
申请日：2015-03-18
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/0063
Abstract: 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法，本发明涉及半监督诊断性特征选择方法。本发明是要解决标记样本的工作量大且难以量化评价特征对提取专题类的贡献的问题，提出一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法。该方法是通过步骤一：获得对象特征矩阵；步骤二：构造样本权重矩阵步骤三：构建目标函数；步骤四：将目标函数变换成简化的目标函数；步骤五：对简化的目标函数进行迭代优化输出矩阵U，选择U的后m行为优化变量矩阵W；步骤六：选择出W绝对值的和最大的特征作为目标类别的诊断性特征子集等步骤实现的。本发明应用于半监督诊断性特征选择领域。
-
Patent Agency Ranking
公开(公告)号：CN104463229A
公开(公告)日：2015-03-25
申请号：CN201410840648.X
申请日：2014-12-30
Applicant: 哈尔滨工业大学
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/66
Abstract: 一种基于相关系数冗余度的高光谱数据有监督分类方法，属于遥感图像信息处理领域。所述方法步骤如下：步骤一、利用相关系数冗余度自动筛选有监督分类所需要的训练样本集合；步骤二、对SVM核函数的参数进行寻优；步骤三、使用SVM分类器算法完成对高光谱遥感图像的二分类任务；步骤四、基于一对一策略实现多分类任务。该方法通过计算单次选择样本集合的相关系数冗余度来辅助自动筛选训练样本，并将遗弃样本用于分类器参数的自动寻优，使得SVM分类器算法的分类精度得到了有效提升，并通过精简支撑向量减少了时间消耗，使之在处理高光谱遥感图像的高精度分类任务中更具实用价值。
-
公开(公告)号：CN102163338B
公开(公告)日：2014-09-03
申请号：CN201110088314.8
申请日：2011-04-08
Applicant: 哈尔滨工业大学
IPC: G06T11/00
Abstract: 一种压缩感知系统中的高效重建方法。它涉及一种数据处理方法，它解决了现有重建方法中不能够精度速度同时提高的问题。首先整理测量值Y0为易于重建算法实现的形式，若一维重建，则不整理，若二维重建，则进行矢量化，得到Y；然后，令k＝1，uk＝0，vk＝0，得到uk+1＝δ·shrink(vk+1，μ)；vk+1＝vk+ΘT(Y-Θuk)；迭代步骤中出现的无贡献迭代，计算求取无贡献迭代的次数s，则假设，vk变化s次恰好使得uk+1有所改变，那么在这些迭代步骤中有如下迭代公式：uk+s＝uk+1，进行判定即||uk+1-uk||≤ε，再判断是否成立，来确定迭代是否收敛，迭代直至收敛；最后，若一维信号，则直接利用信号稀疏表达重建原始信号，若二维信号，则对稀疏系数u进行逆矢量化，并利用图像的稀疏表达重建原始图像。本发明应用于压缩感知系统中一维或二维信号重建。
-
公开(公告)号：CN103927456A
公开(公告)日：2014-07-16
申请号：CN201410169422.1
申请日：2014-04-25
Applicant: 哈尔滨工业大学
Abstract: 一种基于蜂群算法的遥感影像有理函数模型优化方法，涉及遥感成像几何模型优化领域。针对基于有理函数模型的遥感成像几何模型因参数项过冗余造成的模型精度低问题，用蜂群算法对该模型进行优化，步骤如下：一、构造待求解的二值向量x和收益度函数f(x)；二、初始化蜂群算法参数；三、蜂群初始化；四、开始迭代，E蜂优化；五、计算E蜂招募概率；六、O蜂优化；七、更新全局最优解；八、判断迭代终止条件，若满足，优化完成；反之进行步骤九；九、判断各解是否满足S蜂启动条件，若不满足，返回步骤四；若满足，进行步骤十；十、启动S蜂，产生一个新解替换原解，返回步骤四。该方法能简化遥感成像几何模型结构，使其更准确地逼近成像几何关系。
-
公开(公告)号：CN102435318B
公开(公告)日：2013-06-12
申请号：CN201110276001.5
申请日：2011-09-16
Applicant: 哈尔滨工业大学
IPC: G01J4/00
Abstract: 考虑天空光对地表反射影响的偏振遥感数据仿真方法，属于偏振仿真领域。本发明为了解决现有偏振高光谱数据仿真技术中存在的没有考虑到天空光所引起的偏振光对偏振成像的影响这一问题。本发明仿真方法包括以下步骤：步骤一、利用传感器采集经目标反射的入射光源；步骤二、获取入射光源中的太阳光辐射直接被目标反射所形成的偏振辐射亮度；步骤三、获取入射光源中天空光辐射被目标反射所形成的偏振辐射亮度；步骤四、根据步骤二所述的太阳光辐射直接被目标反射所形成的偏振辐射亮度和步骤三所述的天空光辐射被目标反射所形成的偏振辐射亮度获取总偏振辐射亮度；步骤五、根据步骤四所述的总偏振辐射亮度获取受天空光影响的偏振高光谱仿真数据。
-
公开(公告)号：CN102063729A
公开(公告)日：2011-05-18
申请号：CN201010615683.3
申请日：2010-12-30
Applicant: 哈尔滨工业大学
IPC: G06T11/00
Abstract: 基于二维稀疏性的压缩感知图像重建方法。它涉及一种压缩感知系统中的图像重建方法。它解决了现有压缩感知图像重建方法中所存在的只利用一维稀疏性的不足。步骤如下：一、对二维图像的测量值Y2执行矢量化操作vec；二、利用Kronecker积将公式五变换为如下形式：Y＝ΦΨu＝Θu公式十一；三、利用传统的压缩感知重建方法求解公式十一获得系数向量u；四、再对系数向量u执行逆矢量化操作ivec，获得二维图像X2的稀疏域表示系数S2：S2＝ivec(u)再利用X2＝Ψ2S2Ψ3重建出原始二维图像X2。本发明方法的重建图像峰值信噪比均高于传统方式的重建图像峰值信噪比，也即本发明的方法的重建质量均高于传统方式的重建图像质量。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.039 seconds)
