-
公开(公告)号：CN103020913A
公开(公告)日：2013-04-03
申请号：CN201210551279.3
申请日：2012-12-18
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 本发明提供一种基于分段校正的遥感影像条带噪声去除方法：根据不同地物的分布现象可以将影像分为均匀区域与非均匀区域，根据探测元件所扫描区域灰度值的不同可以将该区域划分为不同灰度区域；通过这两种方法可以将一幅影像（按行或列扫描成像）按列或行分为不同的区间，对这些不同的区间分段采用矩匹配、直方图匹配等常用的空间域去噪方法，进行条带噪声的去除，既考虑到不同地物的类别，又结合了外界辐射变化等带来的灰度值影响，得到的结果同时顾及了地物类型和光谱特性，更能接近真实的数据，且计算效率高，更为稳健。本发明能很好地应用于遥感影像中条带噪声的去除。
-
公开(公告)号：CN103020912A
公开(公告)日：2013-04-03
申请号：CN201210551267.0
申请日：2012-12-18
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 本发明提供一种结合波段聚类和稀疏表达的遥感影像复原方法，以提高高光谱遥感影像的空间分辨率为目的，针对高光谱影像光谱维信息丰富以及不同波段噪声强度不同的特点，构建多波段的影像复原模型，利用波段的间高相似性及冗余信息进行相互约束和互补，最终得到高质量的高光谱影像。首先对高光谱影像进行波段聚类，将大量波段分为相关信息差别较大的少量类别；然后采用压缩感知理论对相同类别的一簇波段构建整体的变分训练多波段字典，通过该字典完成影像复原工作。本发明充分利用了多个波段间的相关性对目标影像进行恢复，并保持其光谱特性，复原结果具有更强的空间信息和光谱信息保持性能。
-
公开(公告)号：CN1273936C
公开(公告)日：2006-09-06
申请号：CN200410060986.8
申请日：2004-10-21
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 本发明涉及一种推扫式卫星影像CCD相对辐射校正方法，包括以下步骤：一、对推扫式卫星影像CCD条带重叠区进行迭加处理；二、CCD条带拼接处理；三、CCD条带拼接列附近抬升处理；四、消除多条CCD影像成像的非均匀性。本发明可以使一个CCD阵列中多个CCD条带获取的影像无缝的拼接在一起，有效的克服推扫式卫星影像CCD由于成像条件以及CCD本身性能差异等因素造成的一个CCD阵列中多条CCD影像成像的非均匀性，即一个CCD阵列中多个CCD条带影像在色调、亮度以及反差等方面的存在不同程度的差异，使一个CCD阵列中多个CCD条带影像在色调、亮度以及反差等均匀一致，为获取高质量的影像产品。
-
公开(公告)号：CN119671898A
公开(公告)日：2025-03-21
申请号：CN202411751951.2
申请日：2024-12-02
Applicant: 武汉大学
Abstract: 本发明公开一种质量分级的遥感影像复合云去除方法、系统及设备，方法包括：对获取的遥感影像进行预处理；基于预处理后的数据，进行薄云辐射校正；基于薄云辐射校正后的数据，进行厚云检测；基于厚云检测后的数据，进行厚云缺失重建；基于厚云缺失重建后的数据，进行大气校正；基于大气校正后的数据，进行数据质量分级。本发明对在不同空间和时间条件下获取的数据实现一系列标准化处理，消除大气辐射衰减影响并格式化为具有一致的观测特性的地表反射数据，从而提高遥感影像利用率，促进后续应用研究的有效比较和分析。
-
公开(公告)号：CN114639014B
公开(公告)日：2024-10-25
申请号：CN202210151368.2
申请日：2022-02-16
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06F17/18
Abstract: 本发明涉及一种基于高分辨率遥感影像的NDVI归一化方法。首先对遥感影像进行一系列预处理，然后将高分辨率待归一化反射率数据降采样至中分辨率参考数据的分辨率，根据中分辨率样本点对，求解得到线性回归方程的系数，再通过线性关系逐像元地计算得到待归一化数据各个像元的初步归一化结果，最后将同一区域、同一时间段内的初步归一化结果进行最大值合成，得到最终的归一化结果。本发明综合利用多源遥感数据，尽可能地消除了多源遥感数据存在的传感器以及成像条件等的差异，并且较好地解决了大范围多景影像镶嵌时拼接缝明显的问题，整个算法所需输入参数较少，运行效率较高，可以进行大范围的高分辨率NDVI产品生产。
-
Patent Agency Ranking
公开(公告)号：CN114996624B
公开(公告)日：2024-04-05
申请号：CN202210354351.7
申请日：2022-04-06
Applicant: 武汉大学
IPC: G06F17/10 , G06N3/0442 , G06N3/088
Abstract: 本发明公开了一种基于多任务深度学习的遥感PM2.5和NO2协同反演方法，包括：对地面站点PM2.5和NO2数据、遥感数据、气象数据及其他辅助数据的获取与预处理；使用遥感信息及空间数据处理手段对多源数据进行处理并提取特征变量；对变量进行格网化时空匹配，将匹配后具有地面监测站点对应真值的格网数据作为样本数据，构建样本集；构建多重门控混合专家架构的多任务深度学习神经网络模型，进行多任务深度学习网络自适应训练，并在验证通过后使用该模型对未知真值的格网上的PM2.5和NO2浓度进行协同反演，得到最终的PM2.5和NO2浓度反演结果。本发明基于多任务深度学习协同反演PM2.5和NO2大气污染，获得更加准确的反演结果，实现更精细的多种大气污染物协同监测。
-
公开(公告)号：CN112419196B
公开(公告)日：2022-04-26
申请号：CN202011349993.5
申请日：2020-11-26
Applicant: 武汉大学
Abstract: 本发明公开了一种基于深度学习的无人机遥感影像阴影去除方法，首先利用无人机进行数据采集，并对数据进行辐射归一化和几何配准处理，构建无人机阴影数据库；然后该阴影数据库基础上，利用条件生成对抗网络1学习样本对之间的阴影去除关系，从而实现阴影的初步去除；考虑到阴影去除前后的辐射差异，构建非阴影区域辐射归一化数据库，并在此数据库基础上对条件生成对抗网络2进行训练；最后基于此关系对阴影去除初步结果进行辐射归一化处理，得到最终的阴影去除结果。本发明考虑到无人机数据获取的灵活性，采集并构建阴影影像数据集，利用深度学习理论深入挖掘样本对之间的变换关系，以获得最优的阴影去除结果。其准确性高，计算效率快，易于实现且可扩展性强，实用价值高。
-
公开(公告)号：CN111339825B
公开(公告)日：2022-04-15
申请号：CN202010013802.1
申请日：2020-01-07
Applicant: 武汉大学
Abstract: 本发明公开了一种基于特征关系图谱学习的模型训练方法及数据分类方法，对于高维数据中的像素，利用向量记录像素在各个波段上的光谱特征，然后计算向量各元素两两之间的关系值，得到二维特征关系矩阵，之后对该矩阵做分段处理，生成具有多通道的纹理图片。利用卷积神经网络对纹理图片进行特征学习，从中提取隐含在纹理图片中的深层特征。将学习到的特征输入到分类器进行分类，得到当前像素的预测类别，根据所有像素的预测类别实现分类。本发明对特征的描述从一维转换成二维，为每个待分类像素构建图谱，以实现不同类别的区分，使利用原始特征的分类转换成利用二维纹理图片的分类，通过卷积神经网络有效提升分类精度，保证了分类的稳定性和通用性。
-
公开(公告)号：CN114092832A
公开(公告)日：2022-02-25
申请号：CN202210065211.8
申请日：2022-01-20
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种基于并联混合卷积网络的高分辨率遥感影像分类方法，具体步骤为：输入高分辨率遥感影像和相应的样本标签数据，包括训练样本数据集、测试样本数据集；并联搭建三维卷积神经网络和二维卷积神经网络，构建信息融合转换网络实现空谱特征信息融合以及深层次提取；批量输入训练样本数据集训练网络，构造交叉熵损失函数和随机梯度下降算法优化网络并更新参数，直至网络收敛；输入测试样本数据集到混合网络模型中，输出测试样本标签预测值，完成高分影像分类。本发明可同时提取高分遥感影像的空间特征和光谱特征，进行特征融合实现影像高效率高精度分类，在自然资源监测、地理国情普查、城市规划、气候变化等研究中提供重要作用。
-
公开(公告)号：CN112508082A
公开(公告)日：2021-03-16
申请号：CN202011398541.6
申请日：2020-12-02
Applicant: 武汉大学
Abstract: 本发明提供一种非监督学习的遥感影像空谱融合方法及系统，通过深度学习实现遥感影像融合，其特征在于：基于单组全色‑多光谱影像对，采用非监督的网络训练模式，实现融合该全色‑多光谱影像对；实现过程包括对该单组全色‑多光谱影像对中原始观测的全色影像和多光谱影像分别进行降采样作为网络训练数据对，将原始观测的多光谱影像作为网络标签数据，快速训练融合网络，将原始观测的全色影像和多光谱影像输入训练好的融合网络，得到融合影像。本发明使用降采样的方法构造训练数据对，避免了传统网络方法训练过程对地面真值的需求，实现非监督学习；此外本发明针对单组全色‑多光谱影像对训练网络，不需要大量的训练数据，能快速完成网络的训练。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.019 seconds)
