-
公开(公告)号：CN114022782A
公开(公告)日：2022-02-08
申请号：CN202111280523.2
申请日：2021-11-01
Applicant: 中国石油大学(华东)
IPC: G06V20/13 , G06V10/26 , G06V10/44 , G06V10/56 , G06V10/764 , G06V10/774 , G06K9/62
Abstract: 本发明提供了一种基于MODIS卫星数据的海雾探测方法，涉及海洋环境监测技术领域，基本步骤为：对MODIS卫星数据预处理并进行特征提取；结合CALIOP VFM卫星数据进行地物样本选取，构建地物样本集并将其划分为训练集及测试集；以节点熵的信息增益率作为节点分裂的杂质判据，并对典型相关森林中每颗典型相关树赋予权值，利用训练集进行训练得到改进典型相关森林模型；在后测试时对每颗典型相关树权值进行调整更新，得到不断优化的改进典型相关森林模型；利用模型对卫星图像进行识别得到海雾识别结果。本发明将集成学习与卫星遥感结合，利用云雾特征训练各典型相关树，得到更具有泛化能力的海雾识别模型，具有泛化性好、鲁棒性强、精度高及自动化程度高等优点。
-
公开(公告)号：CN113780168A
公开(公告)日：2021-12-10
申请号：CN202111060895.4
申请日：2021-09-10
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种高光谱遥感影像端元束自动提取方法，涉及高光谱影像处理技术领域，基本步骤为：首先探测遥感影像的地物边界像素，将边界像素剔除降低混合像元被选为端元的概率；将原始影像在多尺度上进行采样，降低子图的光谱变化；再将各子图进行区域分割，在各个区域提取候选端元；将提取次数超过阈值的候选端元作为最终端元；最后将端元进行聚类，完成端元束的提取工作。本发明综合考虑了光谱变化在端元束提取上的影响，通过降低光谱变化在端元提取和光谱聚类上的影响，提高了端元束提取结果，具有科学合理、易于实现、精度高等优点。
-
公开(公告)号：CN111583230A
公开(公告)日：2020-08-25
申请号：CN202010384573.4
申请日：2020-05-08
Applicant: 中国石油大学(华东)
Abstract: 为提高高光谱目标探测的精度，针对高光谱异常目标检测中缺乏基于局部特征的低秩信息，提出一种基于局部特征的低秩稀疏矩阵分解高光谱异常目标检测方法。该方法在传统的低秩稀疏矩阵分解方法的基础之上，根据高光谱图像背景的低秩性与异常目标的稀疏性，进一步将高光谱图像背景部分细化表示基矩阵B和系数矩阵C的乘积，构建基于局部特征的高光谱图像描述模型；然后，构建新的基矩阵B、系数矩阵C的与稀疏部分S迭代更新规则；最后，根据求解结果执行异常目标探测。实验证明该方法能够提升高光谱异常目标检测精度。
-
公开(公告)号：CN118429818B
公开(公告)日：2024-09-10
申请号：CN202410888459.3
申请日：2024-07-04
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种Sentinel‑2卫星影像重构的水体叶绿素a浓度反演方法，基本步骤为：基于Sentinel‑2光谱响应函数计算实测高光谱的等效反射率，实现Sentinel‑2卫星影像与实测高光谱反射率的匹配；基于等效反射率和实测叶绿素a浓度，利用Pearson相关系数法确定叶绿素a敏感特征；使用SVR、RF、BPNN进行等效反射率敏感特征与Sentinel‑2遥感反射率敏感特征的融合，得到重构后的Sentinel‑2遥感反射率敏感特征；基于重构后Sentinel‑2遥感反射率敏感特征和实测叶绿素a浓度，利用BPNN构建叶绿素a反演模型。本发明提供的方法科学合理，利用实测高光谱反射率重构Sentinel‑2卫星影像，提高了Sentinel‑2遥感反演水体叶绿素a浓度的精度。
-
公开(公告)号：CN113780168B
公开(公告)日：2023-09-15
申请号：CN202111060895.4
申请日：2021-09-10
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种高光谱遥感影像端元束自动提取方法，涉及高光谱影像处理技术领域，基本步骤为：首先探测遥感影像的地物边界像素，将边界像素剔除降低混合像元被选为端元的概率；将原始影像在多尺度上进行采样，降低子图的光谱变化；再将各子图进行区域分割，在各个区域提取候选端元；将提取次数超过阈值的候选端元作为最终端元；最后将端元进行聚类，完成端元束的提取工作。本发明综合考虑了光谱变化在端元束提取上的影响，通过降低光谱变化在端元提取和光谱聚类上的影响，提高了端元束提取结果，具有科学合理、易于实现、精度高等优点。
-
Patent Agency Ranking
公开(公告)号：CN110991257B
公开(公告)日：2023-04-18
申请号：CN201911094691.5
申请日：2019-11-11
Applicant: 中国石油大学(华东)
IPC: G06V20/10 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/77 , G06V10/774 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明公开了基于特征融合与SVM的极化SAR溢油检测方法，包括以下步骤：构建Pol‑SAR数据块，然后构建溢油样本数据集；搭建CNN网络，并从Pol‑SAR数据中抽取训练样本对CNN网络模型进行训练；利用训练好的CNN网络模型，对Pol‑SAR数据进行深度特征提取，提取高层次的特征；将不同的高层次的特征进行融合，利用带有RBF核函数的SVM分类器进行分类；本发明方法避免了传统方法需要手动提取并选择特征的复杂过程，能够有效的减少相干斑噪声的影响，减少溢油检测的虚警率，提取出CNN网络的两层高层特征，通过PCA降维对两层特征进行特征融合，可以有效地区分溢油与生物油膜，提高溢油检测精度。
-
公开(公告)号：CN114882371B
公开(公告)日：2022-10-18
申请号：CN202210796854.X
申请日：2022-07-08
Applicant: 中国石油大学(华东)
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明涉及遥感目标识别技术领域，提供了一种基于全极化SAR图像的海面溢油检测模型构建方法，包括以下步骤：提取全极化SAR图像的各向异性特征，选取溢油像素和非溢油像素的各向异性特征作为训练样本，组成矩阵A并进行归一化处理得到a(t)，由a(t)计算像素权重E，由a(t)和像素权重E计算像素特征P，将像素特征P作为训练集，0和1作为训练集标签，0代表非溢油像素，1代表溢油像素，导入支持向量机模型，对模型进行训练，得到溢油检测模型。本发明充分利用了全极化SAR图像的各向异性特征，并构建像素特征P，提高了全极化SAR图像海面溢油检测的准确率，具有科学合理、易于实现、精度高等优点。
-
公开(公告)号：CN111583230B
公开(公告)日：2022-06-17
申请号：CN202010384573.4
申请日：2020-05-08
Applicant: 中国石油大学(华东)
Abstract: 为提高高光谱目标探测的精度，针对高光谱异常目标检测中缺乏基于局部特征的低秩信息，提出一种基于局部特征的低秩稀疏矩阵分解高光谱异常目标检测方法。该方法在传统的低秩稀疏矩阵分解方法的基础之上，根据高光谱图像背景的低秩性与异常目标的稀疏性，进一步将高光谱图像背景部分细化表示基矩阵B和系数矩阵C的乘积，构建基于局部特征的高光谱图像描述模型；然后，构建新的基矩阵B、系数矩阵C的与稀疏部分S迭代更新规则；最后，根据求解结果执行异常目标探测。实验证明该方法能够提升高光谱异常目标检测精度。
-
公开(公告)号：CN113393466A
公开(公告)日：2021-09-14
申请号：CN202110676781.6
申请日：2021-06-18
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种用于MODIS海雾探测的语义分割网络模型，其获得包括以下步骤：1)构建海雾样本集SeaFog_Dataset；2)构建用于MODIS海雾探测的语义分割网络，每层网络对完成编码和解码操作得到的特征图进行加和操作，并通过softmax函数层得到最终分类结果；3)对构建的语义分割网络进行训练和验证，得到最终用于海雾探测的语义分割网络模型。本发明下载MODIS卫星遥感影像，通过ArcGIS标注海上不同地物，将标注结果作为语义分割模型的训练标签；构建新的语义分割网络模型用于海雾探测，并在GPU上使用反向传播算法训练语义分割模型，将深度语义分割网络用于MODIS海雾探测中，逐像素进行地物类型判别，提高了海雾探测的精度，具有科学合理、自动化程度高等优点。
-
公开(公告)号：CN111340064A
公开(公告)日：2020-06-26
申请号：CN202010083796.7
申请日：2020-02-10
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种基于高低阶信息融合的高光谱图像分类方法，包括以下步骤：步骤1、对从高光谱图像提取的样本数据X＝{x1,x2,...,xn}进行编码，得到高阶语义特征 其中，i＝1、2、……n，f函数为编码函数，n为样本数目，同时，保存在编码过程中得到的低阶图像特征，步骤2、对高阶语义特征 和低阶图像特征进行融合，解码得到高光谱特征，步骤3、基于所述高光谱特征，通过分类器生成所述高光谱图像的分类结果，其中，所述步骤1至3是基于卷积神经网络实现的，所述样本数据作为训练集或测试集。本发明将高低阶信息融合应用到高光谱图像分类中，并将联合损失函数应用到高光谱图像的地物分类中，辅助函数监督语义特征提取，提高了高光图像分类的准确率。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.053 seconds)
