-
公开(公告)号：CN117876881A
公开(公告)日：2024-04-12
申请号：CN202311842718.0
申请日：2023-12-28
Applicant: 北京师范大学
Abstract: 本发明公开一种基于联合显著性和域适应的遥感影像语义分割方法。实施过程包括：1)利用具有图像级标签的遥感影像数据集训练一个分类网络；2)针对前景类遥感影像，计算并融合多层级类别激活图得到初始显著图；3)提取图像多维局部特征，实现图像组特征相关性排序；4)联合特征相关性排序与初始显著图，计算联合显著图并作为像素级伪标签；5)训练一个语义分割网络，通过域适应模块提升网络的泛化能力，完成遥感影像语义分割；6)将图像输入训练好的语义分割网络，得到最终显著图；7)对最终显著图进行阈值分割提取感兴趣区域。本发明所提方法挖掘了图像组中的特征相关性，抑制背景干扰，提升模型泛化能力，实现遥感影像的准确语义分割。
-
公开(公告)号：CN110310263A
公开(公告)日：2019-10-08
申请号：CN201910548709.8
申请日：2019-06-24
Applicant: 北京师范大学
Abstract: 本发明公开一种基于显著性分析和背景先验的SAR图像居民区检测方法，属于遥感图像处理及图像识别技术领域。实施过程包括：1)对输入SAR图像进行基于纹理特征的显著性分析，得到显著图；2)计算输入SAR图像超像素级别的背景先验，并计算超像素的平均强度，得到背景先验图；3)将显著图分割为二值化的初始掩膜，并将背景先验图和初始掩膜结合，利用面积-周长比与直方图差异两个指标，筛选出背景杂波；4)在初始掩膜中去除背景杂波，得到居民区掩膜，将输入SAR图像和居民区掩膜进行逻辑与操作，获得精确的居民区；本发明实现了SAR图像居民区信息的快速、准确检测，具有不依赖先验知识、计算复杂度低等优点，可用于土地规划及城乡建设等领域。
-
公开(公告)号：CN103679661A
公开(公告)日：2014-03-26
申请号：CN201310724566.4
申请日：2013-12-25
Applicant: 北京师范大学
IPC: G06T5/00
Abstract: 本发明公开一种基于显著性分析的自适应遥感图像融合方法，属于遥感图像处理技术领域。实施过程包括：1)多光谱图像经IHS变换得到I、H、S分量；2)采用多尺度谱残差对全色遥感图像进行显著性分析得到显著区域和非显著区域；3)对显著区域采用基于加窗IHS变换的融合方法，非显著区域采用基于小波变换的融合方法；4)将得到的显著区域和非显著区域I分量合并，与多光谱图像的H、S分量经IHS逆变换得到融合图像。本发明通过基于显著性分析的自适应融合，对显著区域很好保留了空间分辨率与光谱信息，对非显著区域有效降低了光谱扭曲度，解决了遥感图像融合中不同区域对空间分辨率和光谱信息要求不同的问题，可用于环境监测、土地利用与农业调查等领域。
-
公开(公告)号：CN101739563B
公开(公告)日：2012-09-05
申请号：CN200810180668.3
申请日：2008-11-19
Applicant: 北京师范大学
IPC: G06K9/62
Abstract: 本发明为一种信源可变、基于约束单象素ICA的混合像元分解方法。ICA是一种常用的盲源分离方法，但由于混合像元分解问题存在其他盲源分离问题所不具有的约束条件，ICA用于混合像元分解问题并不可以取得好的分解效果，同时，混合像元分解领域里存在两大难题：如何解决地物类型大于遥感图像通道数的混合像元分解问题，如何解决线性模型中因地物类型始终固定所带来的精度问题。为有效利用ICA模型解决混合像元分解问题和有效解决混合像元分解的上述两个问题，本发明对传统ICA进行改进，提出了一种新的混合像元分解的方法-信源可变的约束单象素ICA方法。试验证明本发明的方法可取得优于其他分解方法的结果。
-
公开(公告)号：CN105005761B
公开(公告)日：2018-08-17
申请号：CN201510331173.6
申请日：2015-06-16
Applicant: 北京师范大学
IPC: G06K9/00
Abstract: 本发明公开一种结合显著性分析的全色高分辨率遥感图像道路检测方法，属于遥感图像处理及图像识别技术领域。实施过程包括：1)对全色高分辨率遥感图像进行基于最大类间方差法的阈值分割，获得二值化前景特征图；2)对遥感图像进行基于视觉特征的显著性分析，通过低通滤波和伽马变换获得居民区显著图；3)对居民区显著图进行阈值分割与腐蚀操作，获得二值化的居民区特征图；4)将前景特征图与居民区特征图进行异或运算得到道路特征图，将道路特征图与全色图像进行逻辑与运算获得最终的道路信息；本发明实现了全色高分辨率遥感图像道路信息的快速、准确检测，具有不依赖先验知识、计算复杂度低等优点，可用于土地规划及城乡建设等领域。
-
Patent Agency Ranking
公开(公告)号：CN104966085B
公开(公告)日：2018-04-03
申请号：CN201510331174.0
申请日：2015-06-16
Applicant: 北京师范大学
IPC: G06K9/32
Abstract: 本发明公开一种基于多显著特征融合的遥感图像感兴趣区域检测方法，属于遥感图像处理及图像识别技术领域。实施过程包括：1)获取一组输入遥感图像的颜色通道并计算各通道颜色直方图；2)由这些直方图计算各颜色通道标准化显著权重；3)计算信息量显著特征图；4)将一组输入遥感图像从RGB颜色空间转换至CIE Lab颜色空间；5)利用聚类算法获得簇；6)计算各簇显著值，得到共有显著特征图；7)融合信息量显著特征图与共有显著特征图获得最终显著图；8)通过最大类间方差法进行阈值分割提取感兴趣区域。与传统方法相比，本发明在无需先验知识库的前提下，实现了对遥感图像感兴趣区域的准确检测，可广泛用于环境监测、土地利用与农业调查等领域。
-
公开(公告)号：CN104966085A
公开(公告)日：2015-10-07
申请号：CN201510331174.0
申请日：2015-06-16
Applicant: 北京师范大学
IPC: G06K9/32
CPC classification number: G06K9/3233
Abstract: 本发明公开一种基于多显著特征融合的遥感图像感兴趣区域检测方法，属于遥感图像处理及图像识别技术领域。实施过程包括：1)获取一组输入遥感图像的颜色通道并计算各通道颜色直方图；2)由这些直方图计算各颜色通道标准化显著权重；3)计算信息量显著特征图；4)将一组输入遥感图像从RGB颜色空间转换至CIE Lab颜色空间；5)利用聚类算法获得簇；6)计算各簇显著值，得到共有显著特征图；7)融合信息量显著特征图与共有显著特征图获得最终显著图；8)通过最大类间方差法进行阈值分割提取感兴趣区域。与传统方法相比，本发明在无需先验知识库的前提下，实现了对遥感图像感兴趣区域的准确检测，可广泛用于环境监测、土地利用与农业调查等领域。
-
公开(公告)号：CN103177458A
公开(公告)日：2013-06-26
申请号：CN201310132714.3
申请日：2013-04-17
Applicant: 北京师范大学
IPC: G06T7/40
Abstract: 本发明公开一种基于频域分析的可见光遥感图像感兴趣区域检测方法，属于遥感图像处理及图像识别技术领域。实施过程包括：1)对图像进行预处理；2)将预处理结果进行四元数傅里叶变换，获得图像的频域信息；3)保留相位谱并用巴特沃斯高通滤波器获取幅度谱高频信息；4)对相位谱与幅度谱高频信息做四元数傅里叶反变换，得到特征图；5)利用高斯金字塔对特征图滤波与降维，获得显著图；6)对显著图进行阈值分割与二值化，获得感兴趣区域模板；7)将模板升维并与原始图像做掩膜操作，得到最终的感兴趣区域。本发明实现了感兴趣区域的快速、准确定位，具有区域描述精度高、计算复杂度低等优点，可用于环境监测、土地利用与农业调查等领域。
-
公开(公告)号：CN118887386A
公开(公告)日：2024-11-01
申请号：CN202410915675.2
申请日：2024-07-09
Applicant: 北京师范大学
IPC: G06V10/25 , G06V20/10 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明公开一种基于无标注数据的弱监督遥感影像感兴趣区域提取方法，属于遥感影像处理领域。实施过程包括：1)融合遥感影像的光谱残差和相位光谱，规定采样窗口并计算各窗口光谱残差；2)计算各窗口及其周边范围直方图的卡方距离，得到光谱对比度；3)根据遥感影像的边缘图计算各窗口边界的边缘密度；4)结合窗口的光谱残差、光谱对比度、边缘密度与距离，生成伪标签显著图；5)利用伪标签显著图训练基于特征交叉感知的感兴趣区域提取网络；6)将遥感影像输入训练好的网络，得到最终显著图；7)对最终显著图进行阈值分割提取感兴趣区域。本发明所提方法能够有效保持边界，抑制背景噪声，无需人工标注即可实现遥感影像感兴趣区域准确提取。
-
公开(公告)号：CN113033432A
公开(公告)日：2021-06-25
申请号：CN202110341851.2
申请日：2021-03-30
Applicant: 北京师范大学
Abstract: 本发明公开一种基于渐进监督的遥感影像居民区提取方法，属于遥感影像处理领域。实施过程包括：1)利用具有图像级标签的遥感影像数据集，训练分类卷积神经网络，计算遥感影像属于前景类与背景类的概率；2)计算前景类遥感影像的伪标签显著图；3)构建基于强监督学习的自纠错反馈卷积神经网络，计算多尺度显著图；4)对多尺度显著图自适应融合，生成融合后显著图；5)计算二值混淆热图并得到降噪损失函数；6)将待测试遥感影像输入训练好的自纠错反馈卷积神经网络，得到最终显著图；7)对最终显著图进行阈值分割，完成待测试遥感影像的居民区提取；本发明所提方法结合了强、弱监督学习各自优势，能够有效提升遥感影像的居民区提取效率。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.02 seconds)
