-
公开(公告)号：CN111311696A
公开(公告)日：2020-06-19
申请号：CN202010089208.0
申请日：2020-02-12
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于高光谱解混技术的车牌真伪检测方法，包括：采用高光谱照相机获取伪造车牌图像将其作为解混目标图像；根据解混目标图像建立线性光谱混合模型；构建目标端元矩阵集合M，其中目标端元矩阵集合M包括当前车牌图像提取到的目标端元集合M1和存储普适真实目标的端元集合M2，结合最小二乘法对给定的目标端元集合M进行解混，获取各端元mi对应的丰度结果图FMapi，设定阈值T，获得各目标端元丰度图FMapi的二值化可视结果BMapi，对二值可视结果BMapi进行优化、获得车牌伪造信息的最终结果FinalMAP。
-
公开(公告)号：CN108765382A
公开(公告)日：2018-11-06
申请号：CN201810461103.6
申请日：2018-05-15
Applicant: 大连海事大学
CPC classification number: G06T7/0002 , G06T1/20 , G06T2207/10032 , G06T2207/30168
Abstract: 本发明公开了一种基于GPU的丰度估计并行计算方法，包括：通过CPU载入原始高光谱像元数据H以及端元数据M，并将所述原始高光谱像元数据H以及端元数据M发送至GPU显存；CPU调用GPU核函数，基于ROVP算法计算各端元mi的丰度αi；所述GPU将计算结果返回至CPU端，并由CPU端输出。通过上述方案实现了基于CUDA库的ROVP‑C算法和基于CUBLAS库的ROVP‑L算法，与传统的串行算法比较分析可知，本发明提出的算法计算速度快，有效提高了丰度估计运行效率。
-
公开(公告)号：CN108171270A
公开(公告)日：2018-06-15
申请号：CN201810012064.1
申请日：2018-01-05
Applicant: 大连海事大学
IPC: G06K9/62
Abstract: 本发明提供一种基于哈希学习的高光谱图像分类方法，包括：将高光谱图像做零均值化处理，得到高光谱数据均值；根据所述高光谱数据样本均值确定真实图像中每一类地物的非目标地物的光谱特征；根据所述光谱特征定义哈希函数，并计算所述哈希函数的偏移量、最大特征向量；根据所述偏移量、最大特征向量提取哈希语义特征；根据所述提取的哈希语义特征进行高光谱图像分类。本发明将提取到的语义特征与原始高光谱地物数据融合之后，可以有效提高原高光谱数据的分类与识别精度。
-
公开(公告)号：CN105976404A
公开(公告)日：2016-09-28
申请号：CN201610281811.2
申请日：2016-04-29
Applicant: 大连海事大学
IPC: G06T7/40
Abstract: 本发明公开了一种高光谱遥感图像的线性全约束丰度估计方法，构建原光谱解混问题的对偶问题，通过全约束最小二乘法对丰度进行初始化，结合偏离度ρ因素利用原始对偶内点法优化丰度结果，具体包括以下步骤：S1:建立图像的线性光谱混合模型：S2:对线性光谱混合模型施加约束条件；S3:采用原始对偶内点法和全约束最小二乘丰度估计算法对线性光谱混合模型进行混合像元的丰度估计。该发明有效地克服了全约束最小二乘法精度不高的问题，同时也解决了原始对偶内点法速度慢的问题，可以作为一种解决高光谱遥感图像全约束丰度估计的有效手段。在基于高光谱遥感图像的高精度的解混以及地面目标的检测和识别方面具有重要的应用价值。
-
公开(公告)号：CN118247179A
公开(公告)日：2024-06-25
申请号：CN202410435868.8
申请日：2024-04-11
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于反向Retinex和颜色校正的水下图像增强方法，通过计算GB通道的像素均值差来判断图像的偏色通道；基于Retinex分解和水下成像模型的关系推导，建立初始偏色通道与增强后偏色通道的线性关系，计算反向偏色通道；建立多尺度Retinex的偏色通道增强模型，重组反向偏色通道和初始其他颜色通道为RGB图像，并采用MSR算法来估计转换成HSI颜色空间的亮度分量，以获取反射分量，并采用转换后的RGB图像相应偏色通道作为增强后的偏色通道；基于增强后的偏色通道和增益因子补偿其他颜色通道；利用多尺度的非锐化掩膜来增强细节，最终得到增强后的水下图像。
-
Patent Agency Ranking
公开(公告)号：CN114140658B
公开(公告)日：2024-04-26
申请号：CN202111462742.2
申请日：2021-11-26
Applicant: 大连海事大学
IPC: G06V10/771 , G06V10/98 , G06V20/10 , G06N3/126
Abstract: 本发明公开了一种面向目标特性的多目标优化高光谱图像波段选择方法，包括：将高光谱图像波段选择问题转化成一个多目标优化问题，考虑高光谱图像的整体特征，构建具有冲突的信息熵、JS散度和信噪比作为目标函数，同时优化评价波段的三个目标函数，以找到最佳折衷解；采用基于非劣解优势矩阵的选择机制，为寻优提供准确的选择，提升多目标优化问题的可扩展性；利用具有遗传思想的群智能优化方法，实现种群间相互通信，协同优化；结合目标特性选择出表征能力强的波段子集。本发明可以达到对高光谱图像有效降维的目的；面向目标特性的选择Pareto解的方式，可以获得表征能力强的波段子集，具有良好的检测效果，对于高光谱图像波段选择有重要的应用价值。
-
公开(公告)号：CN112580705B
公开(公告)日：2024-04-05
申请号：CN202011446700.5
申请日：2020-12-08
Applicant: 大连海事大学
IPC: G06V10/764 , G06V10/58 , G06V10/774 , G06V10/776 , G06V10/82
Abstract: 本发明公开了一种基于深度前馈网络的高光谱分类方法，该方法利用训练样本分配算法计算每个类别在分类时应分配的训练样本数目；在每层分类网络中，根据各类别已分配的训练样本数目，采用固定训练样本选取方式或随机训练样本选取方式生成训练样本数据集，用于训练分类器；选用支持向量机或卷积神经网络对图像进行初分类，得到初始分类结果；利用边缘保持滤波器提取分类图的空间特征信息，利用训练好的支持向量机对空间特征信息进行再分类；判断是否满足停止条件，若不满足，则通过前馈的方式进入下层网络进行分类，直至最终得到最优的分类结果。该分类框架通过一系列的空间滤波器及前馈操作，有效挖掘了高光谱图像的空间特征信息，改善了初始分类结果。
-
公开(公告)号：CN117292170A
公开(公告)日：2023-12-26
申请号：CN202311028475.7
申请日：2023-08-14
Applicant: 大连海事大学
IPC: G06V10/764 , G06V10/58 , G06V10/77 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/047 , G06N3/0455
Abstract: 本发明公开了一种基于谱‑空样本扩充和局部‑全局特征的高光谱图像分类方法。本发明包括以后步骤：首先样本扩充过程通过自搜索聚类过程形成以待扩充样本为聚类中心的类簇，获得待扩充样本的局部空间信息，之后利用箱型图从类簇中筛选出具有代表性的扩充样本加入原始样本集合。其次对数据降维后通过局部卷积特征提取和高斯加权表示充分提取光谱和空间信息。最后结合基于Transformer模型的跨层信息融合机制获取全局信息，最终得到分类结果。解决了常用的卷积网络模型只提取局部空间特征，对全局特征表示不足等问题。
-
公开(公告)号：CN113506212B
公开(公告)日：2023-05-23
申请号：CN202110558431.X
申请日：2021-05-21
Applicant: 大连海事大学
Abstract: 本发明公开了一种改进的基于POCS的高光谱图像超分辨率重建方法，该方法首先从序列低分辨率高光谱图像的第一波段的灰度图像中随机选取一幅，通过双三次插值得到初始参考帧，在一定程度上缓解了重建图像边缘模糊问题；然后利用剩余的第一波段的灰度图像根据引入了松弛算子的投影公式对其进行修正，抑制了重建图像平滑区的毛刺；在迭代两次以上后，根据前后两次迭代重建图像之间均方误差是否小于某个阈值作为退出迭代的条件，使迭代过程自适应化，避免了人为设定迭代次数的主观性；最后对高光谱图像的每一个波段的灰度图像都重复上述过程，得到空间分辨率提升的高光谱图像。该方法可以作为高光谱图像空间分辨率提升的一种有效手段。
-
公开(公告)号：CN115761256A
公开(公告)日：2023-03-07
申请号：CN202211117906.2
申请日：2022-09-14
Applicant: 大连海事大学
IPC: G06V10/44 , G06V10/58 , G06V10/762 , G06V10/764 , G06N20/00
Abstract: 本发明公开了一种基于深度多层次表示学习的高光谱图像波段选择方，该方法将自表达模型嵌入深度卷积自动编码器的不同层中，通过引入多层次表示学习来考虑高光谱图像的低级和高级信息，以学习信息更加丰富的子空间聚类表示，再对多层次表示学习构造了一个新的辅助自监督任务来进一步提高编码器的表示能力，然后设计融合模块用于融合多层表示学习不同层提取的多尺度信息，以学习更具区分性的自表达系数矩阵，并对自表达系数矩阵加入最大熵正则化来加强每个子空间内的连通性，以使同一子空间的元素均匀而密集地分布。该方法可以作为一种基于自监督深度多层次表示学习融合最大熵子空间聚类的高光谱图像波段选择有效手段，在高光谱图像分类、目标检测等方面具有重要的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
117
records
(took 0.025 seconds)
