基于机器学习和特征筛选策略的星载微波散射计雪深反演方法

    公开(公告)号:CN119670525A

    公开(公告)日:2025-03-21

    申请号:CN202411481070.3

    申请日:2024-10-23

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于机器学习和特征筛选策略的星载微波散射计雪深反演方法,属于卫星遥感图像处理与应用的技术领域。利用主动微波散射计数据,并结合积雪密度、地表温度、高程、经度、纬度和土地覆盖类型等数据,通过分析和统计输入特征和雪深间的相关性,提出联合相关系数特征筛选和消融实验特征筛选的策略得到最优输入特征,并通过机器学习模型的评估,可以得到研究地区最优的雪深反演输入特征和机器学习模型组合,最终利用该组合得到该研究地区的高精度雪深反演结果。

    基于相似边缘特征提取与OFAST-BRISK算法的光学与SAR图像配准方法

    公开(公告)号:CN117911468A

    公开(公告)日:2024-04-19

    申请号:CN202310058132.9

    申请日:2023-01-17

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于相似边缘特征提取与OFAST‑BRISK算法的光学与SAR图像配准方法,主要应用于卫星遥感图像处理与应用的技术领域。本发明的目的是解决现有光学与SAR图像配准算法准确度低、稳定性差等问题。本发明将深度学习算法和传统特征匹配算法的优势相结合。使用改进的Log算子结合Deeplabv3+网络实现光学与SAR图像相似边缘特征提取,并采用OFAST‑BRISK算法结合改进的RANSAC算法实现了特征点的提取及匹配。利用本发明提出的基于相似边缘特征提取与OFAST‑BRISK算法的光学与SAR图像配准方法可以实现对10m级分辨率的光学与SAR图像高效、准确的配准。

    基于卫星雷达遥感数据的玉米生物量反演测算方法

    公开(公告)号:CN110287457B

    公开(公告)日:2023-02-17

    申请号:CN201910589981.0

    申请日:2019-07-02

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于卫星雷达遥感数据的反演测算方法,属于卫星遥感图像处理与应用的技术领域,本发明的目的是解决现有利用合成孔径雷达遥感影像在对玉米生物量反演中存在的人为主观因素较强、算法复杂度高与要求较多的实测点信息等缺点,本发明中影像经预处理后,先提取出玉米生物量实地测量点对应的VH和VV极化后向散射系数,通过拟合方式获得水云模型,再将选取出若干个点的玉米生物量带入模型水云中获得若干个VH和VV极化后向散射系数,以此作为样本采用随机森林算法进行训练,从而得到特征矩阵和标签值映射关系的回归模型,之后只需将待测点的VH和VV极化后向散射系数输入模型中即可测算出该测量点玉米生物量。

    基于深度学习的高分辨率遥感影像农作物分类方法

    公开(公告)号:CN110287869B

    公开(公告)日:2022-03-18

    申请号:CN201910551686.6

    申请日:2019-06-25

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于深度学习的高分辨率遥感影像农作物分类方法,属于卫星遥感图像处理与应用的技术领域。本发明目的是解决现有高分辨率遥感影像在对农作物分类中存在的地物边界模糊、算法复杂度高与忽略特征波段信息等缺点,以及目前神经网络方法无法对高分辨率遥感图像进行农作物分类的问题。本发明采用36波段的组合方式,结合本发明所设计分VGG神经网络结果,利用VGG神经网络的深度学习,通过多次迭代达到了对10m分辨率的高分辨遥感影像中的农作物地块进行准确的分类。

    基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法

    公开(公告)号:CN108596103B

    公开(公告)日:2021-03-19

    申请号:CN201810382988.0

    申请日:2018-04-26

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法,属于卫星遥感图像处理与应用的技术领域。针对目前的建筑物提取算法存在如下明显的缺陷:(1)算法复杂度较高;(2)忽略光谱信息;(3)依赖于建筑物的矩形形状特征。本发明在将高分辨卫星遥感影像进行预处理后,通过采用最佳光谱指数对影像进行处理后,将影像转为灰度影像,利用Otsu算法进行图像分割,提取出建筑物目标,在通过几何约束和形态学处理等方式,进一步提高提取准确率和检测率。

    基于深度学习的多光谱遥感影像的农作物虫害监测方法

    公开(公告)号:CN110287944A

    公开(公告)日:2019-09-27

    申请号:CN201910597394.6

    申请日:2019-07-04

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于深度学习的多光谱遥感影像的农作物虫害监测方法,属于卫星遥感图像处理与应用的技术领域。本发明的目的是解决现有方法对农作物虫害监测的时效性差,单一指数光谱信息不稳定,高光谱无人机数据获取难等问题。本发明采用10组特征波段光谱的组合,构建出一个LSTM长短期记忆网络,并通过深度学习的方法训练出能够对遥感影像中的农作物虫害进行分类的模型,本发明方法能自动、高效地从多光谱卫星遥感影像中识别农作物虫害灾情,为农业生产灾情预测防治、农业保险理赔等诸多领域提供一定的技术支持。

    一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法

    公开(公告)号:CN108537169A

    公开(公告)日:2018-09-14

    申请号:CN201810309998.1

    申请日:2018-04-09

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法,属于遥感影像处理技术领域。由于采用中心线检测算法直接提取的道路中心线会受到周围各种地物的影响,如树木,车辆,房屋等,导致中心线不完整,出现中断导致道路提取信息的不够完整、精度较差的问题。本发明通过引入张量场,通过张量场投票算法,对中心线检测中的中断部分进行补充,并再次利用中心线检测算法计算从而可以获得一个完整的道路中心线,并将距离中断部分最近中心线所对应的路宽作为实际路宽,实现了提取完整的道路信息。

    一种优化选择质子磁力仪配谐电容的方法

    公开(公告)号:CN103995298B

    公开(公告)日:2017-02-15

    申请号:CN201410250716.7

    申请日:2014-06-07

    Applicant: 吉林大学

    Abstract: 本发明的一种优化选择质子磁力仪配谐电容的方法,属于磁场强度检测的技术领域。优化选择配谐电容的方法有确定配谐电路系统参数、确定固定最小电容Cmin、逐次确定配谐电容的过程。本发明针对有限电容组合配谐会出现某些频点不在配谐电路带宽之内的情况,提出依据配谐电路带宽优化选择配谐电容的方法,使整个配谐电路带宽可以全覆盖系统带宽;同时针对实际电容与理想电容之间存在误差的情况,分析得到包含电容误差的电路配谐方法,解决了由于电容容值误差导致的配谐频率发射偏移,从而出现某些频率点不在电路带宽范围内的问题。本方法可实现不同测量范围对配谐电容的选择,提高后期测量信号的精度。

    基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法

    公开(公告)号:CN115393734A

    公开(公告)日:2022-11-25

    申请号:CN202211047548.2

    申请日:2022-08-30

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于Faster R‑CNN与CV模型联合方法的SAR图像舰船轮廓提取方法,涉及卫星遥感图像处理与应用的技术领域,本发明的目的是解决现有SAR图像舰船轮廓方法适用场景少、提取精度差、细节损失严重等问题。本发明通过引入深度学习方法,能够对大场景SAR图像舰船轮廓进行提取。首先,使用Faster R‑CNN网络对SSDD数据集进行迁移学习和目标检测,获得获取舰船目标的定位坐标,并对小场景舰船区域切片;随后对舰船切片进行快速非局部均值FNLM滤波处理,最后使用改进CV模型迭代产生舰船最终轮廓,并将轮廓信息融合显示在原始图像中。利用本发明提出的基于Faster R‑CNN与CV模型联合方法的SAR图像舰船轮廓提取方法可以实现对不同场景SAR图像中舰船目标轮廓快速准确的提取。

    基于时空深度学习融合技术的农作物全自动化分类方法

    公开(公告)号:CN112861802B

    公开(公告)日:2022-09-27

    申请号:CN202110279564.3

    申请日:2021-03-16

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于时空深度学习融合技术的农作物全自动化分类方法,属于卫星遥感图像处理与应用的技术领域。本发明目的是解决现有高分辨率遥感影像在对农作物分类中存在的地物边界模糊或椒盐噪声现象、算法复杂度高且时间开销大、忽略特征信息对作物识别结果的影响,以及目前深度学习方法无法对高分辨率遥感影像进行及时、准确的农作物识别等问题。本发明提出全自动化的训练样本选择方法,融合地理信息的Geo‑3D CNN网络与Geo‑Conv1D网络,并采用Active Learning策略实现两种分类方法分类结果的融合。利用本发明提出的基于时空深度学习融合技术的农作物全自动化分类方法可以实现对大面积农作物的高效、准确的识别。

Patent Agency Ranking