-
公开(公告)号：CN109614936B
公开(公告)日：2021-02-02
申请号：CN201811519198.9
申请日：2018-12-12
Applicant: 哈尔滨工业大学
Abstract: 遥感图像飞机目标的分层识别方法，本发明涉及飞机目标的分层识别方法。本发明的目的是为了解决现有遥感图像中飞机目标识别准确率低，速度慢的问题。过程为：一、对对原始包含飞机目标的高分辨率遥感图像进行降采样；二、对降采样后的低分辨率图像进行LSD检测，得到断裂直线，连接断裂直线，保留满足长度阈值的直线，利用机场跑道的光谱特征，对满足长度阈值的直线中满足光谱阈值的直线进行筛选；三、得到机场跑道直线；四、定位机场图像,对定位的机场图像进行切割，切割成子图；五、利用视觉显著性方法检测子图像，得到候选窗口；六、提取候选窗口SIFT特征，利用分类器分类，获得飞机目标最终识别结果。本发明用于目标识别领域。
-
公开(公告)号：CN109451322B
公开(公告)日：2021-02-02
申请号：CN201811074849.8
申请日：2018-09-14
Applicant: 北京航天控制仪器研究所 , 哈尔滨工业大学
IPC: H04N19/42 , H04N19/625 , H04N19/436
Abstract: 用于图像压缩的基于CUDA架构的DCT算法和DWT算法的加速实现方法，属于图像压缩领域。现有的图像处理手段存在压缩速率低的问题。一种用于图像压缩的基于DWT架构的DCT算法和DWT算法的加速实现方法，分析CUDA平台的软件体系与硬件体系，并在Windows操作系统下基于VS2010搭建CUDA平台；分别将DCT算法和DWT算法映射为两层CUDA执行模型的内核函数，得到改进的DCT算法和DWT算法，分别实现改进的DCT算法和DWT算法在GPU端运行；在CUDA平台上运行改进的DCT算法。本发明适用于对DCT算法和DWT算法在CUDA平台上的实现。并行执行运算过程能够获得相对于CPU几十倍的压缩比，从而能够有效提高数字图像个压缩的压缩速率。
-
公开(公告)号：CN107770526B
公开(公告)日：2020-08-07
申请号：CN201711009858.4
申请日：2017-10-25
Applicant: 哈尔滨工业大学 , 北京航天控制仪器研究所
IPC: H04N19/124 , H04N19/59 , H04N19/593 , G06T9/00
Abstract: 本发明提供一种基于ICA的超光谱大气红外遥感图像无损压缩方法，本发明为了解决现有的遥感图像压缩方法不适用于超光谱大气红外遥感图像处理过程的问题，而提出一种基于ICA的超光谱大气红外遥感图像无损压缩方法，包括：将三维超光谱数据转换成二维矩阵，并进行处理。求出ICA变换的分离矩阵，再求得ICA变换系数矩阵；然后对变换系数矩阵和独立成分矩阵进行量化得到矩阵AQ和YQ，再对矩阵AQ和YQ进行反量化和逆ICA得到的结果与原图做差，得到残差矩阵D，对AQ和YQ进行预测得到残差矩阵AQP和YQP。最后对三个残差矩阵D、AQP和YQP进行区间编码得到压缩码流。本方法能够对超光谱大气红外遥感图像进行有效的压缩，取得较高的压缩比。
-
公开(公告)号：CN111050181A
公开(公告)日：2020-04-21
申请号：CN201911400578.5
申请日：2019-12-30
Applicant: 哈尔滨工业大学
IPC: H04N19/503 , H04N19/42 , H04N19/182 , H04N19/105 , G01N21/17 , G01N21/35
Abstract: 一种超光谱大气红外遥感图像的时间维压缩方法，它属于遥感图像的压缩技术领域。本发明解决了现有超光谱大气图像压缩方法没有考虑大气大范围复杂运动下不同时间片间的相关性规律不同于高帧率视频帧间的相关特性，导致对图像压缩效果不好的问题。基于探测仪在不同时间对同一场景探测的超光谱红外大气图像数据间较大相关性的特点，设计基于在线学习预测模型的超光谱红外大气图像的时间维压缩方案，通过一种自适应的在线更新预测模型，建立由不同时刻的参考时间片图像到中间时刻时间片图像的预测模型，并根据在线学习理论对预测模型参数进行实时更新，从而实现对超光谱数据多时间片的图像压缩，平均压缩比达9.42。本发明可以应用于遥感图像的压缩。
-
公开(公告)号：CN109671038A
公开(公告)日：2019-04-23
申请号：CN201811615312.8
申请日：2018-12-27
Abstract: 一种基于伪不变特征点分类分层的相对辐射校正方法，本发明属于遥感图像辐射校正领域。现有的辐射校正方法对包含海岸线、海岛等占据优势地物区域的遥感图像进行相对辐射的校正精度不高。本发明步骤为：一、基于遥感图像分类获取地物子图像；二、基于光谱的非线性回归分析，确定地物子图像的初始相对辐射校正模型及初始PIFs；三、基于梯度的精细非线性回归分析，确定地物子图像的精细化非线性相对辐射校正模型及精细化PIFs；四、利用精细化PIFs和精细化非线性相对辐射校正模型对待校正地物子图像进行相对辐射校正；五、将校正后的图像合成一幅完整的图像。本发明应用于遥感图像辐射校正领域。
-
Patent Agency Ranking
公开(公告)号：CN109635733A
公开(公告)日：2019-04-16
申请号：CN201811517627.9
申请日：2018-12-12
Applicant: 哈尔滨工业大学
Abstract: 基于视觉显著性和队列修正的停车场和车辆目标检测方法，它属于停车场内车辆检测技术领域。本发明解决了现有遥感图像车辆目标检测方法处理速度慢、车辆目标检测效果差的问题。本发明根据停车场区域亮度特征设计一种基于亮度特征的显著图BBSM用于停车场区域粗提取，再利用停车场区域的颜色特征和面特征精确提取停车场轮廓；在每一个精提取的停车场轮廓内，提取可能包含车辆的疑似区域，设计基于边缘统计模型的车辆队列排布方向的计算方法来修正车辆队列排布方向，最后利用滑窗方法切割车辆队列来提取疑似车辆切片，提取切片的HOG特征后，利用SVM分类器进行二分类，将分类为车辆的目标标记回原图，实现车辆检测；本发明应用于停车场内车辆检测技术领域。
-
公开(公告)号：CN109451322A
公开(公告)日：2019-03-08
申请号：CN201811074849.8
申请日：2018-09-14
Applicant: 北京航天控制仪器研究所 , 哈尔滨工业大学
IPC: H04N19/42 , H04N19/625 , H04N19/436
CPC classification number: H04N19/42 , H04N19/436 , H04N19/625
Abstract: 用于图像压缩的基于CUDA架构的DCT算法和DWT算法的加速实现方法，属于图像压缩领域。现有的图像处理手段存在压缩速率低的问题。一种用于图像压缩的基于DWT架构的DCT算法和DWT算法的加速实现方法，分析CUDA平台的软件体系与硬件体系，并在Windows操作系统下基于VS2010搭建CUDA平台；分别将DCT算法和DWT算法映射为两层CUDA执行模型的内核函数，得到改进的DCT算法和DWT算法，分别实现改进的DCT算法和DWT算法在GPU端运行；在CUDA平台上运行改进的DCT算法。本发明适用于对DCT算法和DWT算法在CUDA平台上的实现。并行执行运算过程能够获得相对于CPU几十倍的压缩比，从而能够有效提高数字图像个压缩的压缩速率。
-
公开(公告)号：CN109089118A
公开(公告)日：2018-12-25
申请号：CN201811125686.1
申请日：2018-09-26
Applicant: 哈尔滨工业大学
IPC: H04N19/132 , H04N19/59 , H04N19/42 , H04N19/182
CPC classification number: H04N19/132 , H04N19/182 , H04N19/42 , H04N19/59
Abstract: 基于关键信息保护的超光谱大气红外遥感图像压缩方法，涉及遥感图像压缩领域，本发明是为解决以往的图像压缩技术未能考虑到超光谱图像自身空谱特点和物理特性，也未能考虑压缩效率的同时兼顾同化应用流程的问题。本发明采用基于信息容量和相关性约束的通道选择方法和基于信息熵的空间下采样方法抽取关键信息，再利用关键信息进行三维分组重建预测并获得预测残差，再对残差进行预测、正值化处理，最后对关键信息和预测残差进行区间编码得到压缩码流。本方法能有效压缩超光谱大气红外遥感图像，而且保护了关键信息部分，兼顾了同化应用处理流程，对关键性数据子集无损压缩且优先传输，与非关键的数据残差部分分开编码，便于数据后续处理和同化计算。
-
公开(公告)号：CN109034140A
公开(公告)日：2018-12-18
申请号：CN201811072320.2
申请日：2018-09-13
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/00536 , G06K9/6256 , G06N3/08
Abstract: 基于深度学习结构的工业控制网络信号异常检测方法，涉及工业控制网络数据中异常值检测的技术领域。本发明是为了解决现有的方法中对判别正常数据和异常值需要人为界定，对于少量异常值难以检测的问题。从工业控制网络数据中选取部分数据作为训练样本，对该训练样本进行数据归一标准化操作，得到归一化后的已标定数据，采用数据增强算法为归一化后的已标定数据增加一些假样本数值形成被检测数据；将正常数据和被检测数据各输入到一个自编码器压缩网络中进行训练，分别得到训练后的数据；将该数据输入到对比网络中经过深度神经网络的计算，得到正常数据和被检测数据之间的距离，采用分类器根据距离判定被检测数据中的异常值。它用于信号异常检测。
-
公开(公告)号：CN104270642B
公开(公告)日：2017-07-28
申请号：CN201410566867.3
申请日：2014-10-22
Applicant: 哈尔滨工业大学
IPC: H04N19/61 , H04N19/129 , H04N19/597
Abstract: 一种基于RKLT和主成分选取的高光谱图像无损压缩方法，属于遥感高光谱图像压缩技术领域。本发明解决了现有的KLT方法在高光谱图像无损压缩时，产生的浮点数系数不利于在硬件上处理的问题，技术方案为：将高光谱图像由3D转化为2D矩阵；变换矩阵通过RKLT分解为四个整数矩阵和变换系数；变换系数选取主成分再进行RKLT逆变换；逆变换的矩阵与原2D矩阵相减得到残差；残差和选取主成分的RKLT正变换矩阵经过预测、正向映射、区间编码形成编码流；KLT生成的变换矩阵保存为RAW文件后与上一步的编码流一同作为压缩后的数据传给压缩端；用搜索法寻找最优的需要选取的主成分的个数。本发明适用于对高光谱图像进行无损压缩。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.032 seconds)
