-
公开(公告)号：CN105761273B
公开(公告)日：2018-09-07
申请号：CN201610156118.2
申请日：2016-03-18
Applicant: 武汉大学
IPC: G06T7/162
Abstract: 本发明公开了一种基于图构造的高光谱遥感影像异常目标探测方法，本发明将图构造方法运用于高光谱遥感影像异常目标探测可以在无需先验模型假设的情况下，对高光谱遥感影像数据从其自身特性出发进行数据自分析，从而得到高光谱遥感影像数据中的拓扑关系。通过不同的图构造方式可以得到高光谱遥感影像数据中相应的信息，如稳健背景与潜在异常目标的分割、表征数据本征维度的嵌入特征以及通过建立临近图获取影像数据中各像元异常度积分等。通过运用不同的图构造方式逐步提取高光谱遥感影像中的潜在异常信息、嵌入特征以及异常度积分，可在不需先验模型假设的情况下，通过数据自分析，对影像中的背景进行极好地抑制，同时突出异常目标。
-
公开(公告)号：CN105787957B
公开(公告)日：2018-03-02
申请号：CN201610205990.1
申请日：2016-04-05
Applicant: 武汉大学
Abstract: 本发明公开了一种基于量子粒子群算法的高光谱图像端元提取方法，使用行列编码方式对粒子进行编码来提高搜索效率，并引入合作机制对粒子的个体最优位置和群体的历史最优位置进行更新，避免“维数灾难”问题。在目标函数的设计方面，巧妙结合最大体积目标函数和最小重构残差目标函数来进行最优端元组合的选取，可以在合理的时间代价下实现对端元的提取，搜索到的最优端元对噪声具有鲁棒性。
-
公开(公告)号：CN104657952B
公开(公告)日：2017-04-12
申请号：CN201510094932.1
申请日：2015-03-03
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 本发明公开了一种结合时空信息的遥感逐日积雪产品去云方法，首先根据DEM数据和土地利用数据对遥感逐日积雪产品进行积雪单元划分；再利用DEM数据和多时相数据分别得到每个云像元在空间和时间上的积雪概率；最后利用加权平均的方法获得云像元的积雪概率，评判云像元是积雪还是无雪。本发明充分结合了积雪在空间上和时间上的相关性，以及地形因子对积雪的影响，有效地减少云对积雪产品的影响，提高了积雪产品的精度，并且算法简单，计算效率高，易于实现。
-
公开(公告)号：CN103942564B
公开(公告)日：2017-02-15
申请号：CN201410140377.7
申请日：2014-04-08
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 一种基于非监督特征学习的高分辨率遥感影像场景分类方法，包括对输入的原始高分辨率遥感图像进行划分得到场景，从每个场景中随机地提取若干个训练图像块，将训练图像块聚集起来做预处理操作；计算所有训练图像块的低维流形表示，聚类得到一组聚类中心；对每一幅场景密集采样得到局部图像块，对每个局部图像块做预处理操作后映射到相同的低维流形空间中，然后进行编码获得场景的所有局部特征；将所有场景的局部特征集合起来进行特征量化，统计每一幅场景的局部特征直方图，得到场景的全局特征表达；随机挑选若干幅场景作为训练样本，由分类器得到每一幅场景的预测类别标号，完成原始高分辨率遥感场景的标注任务。
-
公开(公告)号：CN103886333B
公开(公告)日：2017-02-15
申请号：CN201410136015.0
申请日：2014-04-04
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 本发明提供了一种遥感图像的主动谱聚类方法，首先，提取遥感图像特征并构建k-NN图，利用k-NN图进行遥感影像谱聚类；然后，主动选择出邻域标号最混乱的遥感图像，并对其与邻居间的边进行提问获得成对约束信息，采用成对约束信息对k-NN图进行提纯，并基于提纯后的k-NN图重新对遥感图像进行谱聚类。本发明方法降低了数据标记难度，对操作者专业知识无太高要求；显著提高了遥感图像聚类结果准确度和海量遥感图像的分析处理能力。
-
Patent Agency Ranking
公开(公告)号：CN106250931A
公开(公告)日：2016-12-21
申请号：CN201610628128.1
申请日：2016-08-03
Applicant: 武汉大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/622 , G06K9/6269 , G06K9/627
Abstract: 一种基于随机卷积神经网络的高分辨率图像场景分类方法，包括数据去均值，获得待分类图像集和训练图像集；模型共享的参数库随机初始化；计算待分类图像集和训练图像集的负梯度方向；训练基础卷积神经网络模型，训练基础卷积神经网络模型的权重；更新函数预测，得到加和模型；迭代达到最大训练次时，利用加和模型对待分类图像集进行识别。本发明使用深度卷积网络对特征进行层次化学习，利用梯度提升方法进行模型的聚合学习，用来克服单个模型容易陷入局部最优解问题，同时提高网络泛化能力；在模型训练过程中，加入了随机参数共享机制，提高模型的训练效率，可以在合理的时间代价下实现对特征的层次化学习，学习到的特征在场景识别中更具有鲁棒性。
-
公开(公告)号：CN105787957A
公开(公告)日：2016-07-20
申请号：CN201610205990.1
申请日：2016-04-05
Applicant: 武汉大学
CPC classification number: G06N3/12 , G06T2207/10032
Abstract: 本发明公开了一种基于量子粒子群算法的高光谱图像端元提取算法，使用行列编码方式对粒子进行编码来提高搜索效率，并引入合作机制对粒子的个体最优位置和群体的历史最优位置进行更新，避免“维数灾难”问题。在目标函数的设计方面，巧妙结合最大体积目标函数和最小重构残差目标函数来进行最优端元组合的选取，可以在合理的时间代价下实现对端元的提取，搜索到的最优端元对噪声具有鲁棒性。
-
公开(公告)号：CN105760857A
公开(公告)日：2016-07-13
申请号：CN201610156117.8
申请日：2016-03-18
Applicant: 武汉大学
CPC classification number: G06K9/0063 , G06K9/46 , G06K9/6256 , G06K2009/00644 , G06K2009/4695
Abstract: 本发明公开了一种高光谱遥感影像目标探测方法，将多任务学习方法引入高光谱遥感影像目标探测中，多任务学习方法充分考虑高光谱遥感影像波段间的信息冗余性，提出联合稀疏表达和多任务学习的目标探测算法。多任务学习方法能够利用高光谱遥感影像波段间的冗余性提取多个子数据集，构建多探测任务，利用不同任务的数据相关性对基于稀疏表达模型的像素光谱进行更好的学习，从而提高探测效果。同时，多任务学习方法在保留足够多的判别信息的同时能够减弱冗余干扰效应。
-
公开(公告)号：CN103020912B
公开(公告)日：2016-05-11
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：CN103034981B
公开(公告)日：2015-06-24
申请号：CN201210551266.6
申请日：2012-12-18
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 本发明提供一种基于多时相数据的遥感影像加权回归恢复方法，若遥感影像有部分区域由于数据丢失或云污染等原因无法得到有效数据，可通过另外时刻所获得数据中所含的补充信息进行恢复。首先对受损影像以及用于提供参考信息的辅助影像进行几何配准；然后对每个待恢复区域内的像素，在辅助影像中寻找其相似像素，利用相似像素在待恢复影像与辅助影像间的变化关系，对每个待恢复点进行加权回归运算后得到恢复后的像素。本发明充分利用了影像中相似点在不同时相影像中的对应关系，通过对像素的空间与光谱差异进行加权计算，使得恢复结果更接近真实数据。而且计算效率较高，易于实现，实用价值高，可用于遥感影像恢复的业务化运行。
-
-
-
-
-
-
-
-
-
Search Results
141
records
(took 0.023 seconds)
