-
公开(公告)号:CN119784642A
公开(公告)日:2025-04-08
申请号:CN202411414846.X
申请日:2024-10-11
Applicant: 哈尔滨工业大学
IPC: G06T5/77 , G06T5/70 , G06T5/60 , G06N3/0895
Abstract: 基于超表面点扩散函数和去噪正则化方法的图像恢复方法,它涉及一种图像恢复方法。本发明为了解决现有超表面成像系统在成像时对超表面点扩散函数的忽略,导致恢复图像的光谱准确性和空间分辨率较差的问题。本发明的步骤包括:超表面单元的点扩散函数分析;图像退化即图像复原建模及图像预处理;获取去噪器;构建正则化项;构建目标函数;获取去噪后的超表面成像结果;获得训练好的深度学习网络;将待测原始图像输入训练好的深度学习网络,训练好的深度学习网络输出去噪后的图像。本发明属于超表面成像系统中图像恢复技术领域。
-
公开(公告)号:CN116935224A
公开(公告)日:2023-10-24
申请号:CN202310918822.7
申请日:2023-07-25
Applicant: 哈尔滨工业大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/77 , G06V10/774
Abstract: 基于结构保持的判别性分布自适应多模态遥感图像协同分类方法,本发明涉及多模遥感图像协同分类方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为:一、构建分类误差约束项;二、构建空间映射约束项;三、构建概率适配约束项;四、组成目标函数,采用交替迭代对目标函数进行求解,得到多模遥感图像的映射矩阵;所述多模遥感图像的映射矩阵为高光谱映射矩阵和多光谱映射矩阵;五、获得训练好的分类器;六、将待测多光谱遥感图像乘以四得到的多光谱映射矩阵,得到映射后的待测多光谱遥感图像,采用训练好的分类器对映射后的待测多光谱遥感图像进行分类,得到多光谱遥感图像的分类结果。本发明用于遥感图像分类领域。
-
公开(公告)号:CN116664639A
公开(公告)日:2023-08-29
申请号:CN202310406866.1
申请日:2023-04-17
Applicant: 哈尔滨工业大学
IPC: G06T7/33
Abstract: 基于多尺度点特征的非城市场景航带间点云配准方法及设备,属于无人机激光雷达点云数据处理技术领域。为了解决现有的点云配准方法存在的在非城市场景中难以提取结构化特征的问题。本发明在无人机激光雷达点云数据中提取多尺度点特征,并依据此点特征进行关键点配对,利用随机采样一致性算法选取配对点并计算点云变换参数,包括旋转矩阵和平移向量,对待配准点云进行点云变换从而实现点云配准。该方法可以适用于非城市场景采集的点云数据,不需要提取结构化特征,易于实现,消除了不同航带点云之间的空间误差。本发明适用于激光雷达的点云配准。
-
公开(公告)号:CN115797175B
公开(公告)日:2023-07-18
申请号:CN202211527017.3
申请日:2022-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于亚像素字典学习的高光谱遥感图像空间超分辨方法,本发明涉及基于亚像素字典学习的高光谱遥感图像空间超分辨方法。本发明的目的是为了解决现有利用端元的解混方法针对最终的类别图,限制了高空间分辨率图像的应用范围,同时端元信息的有限性限制了重建高空间分辨率高光谱图像的质量的问题。一种基于亚像素字典学习的高光谱遥感图像空间超分辨方法具体过程为:步骤1:构建基于亚像素字典学习的高光谱遥感图像空间超分辨模型;步骤2:基于原始高光谱图像进行随机字典初始值选取;步骤3:用Split‑Bregman迭代法对超分辨模型进行迭代优化,输出高空间分辨率高光谱图像。本发明属于遥感图像处理领域。
-
公开(公告)号:CN113628227A
公开(公告)日:2021-11-09
申请号:CN202110883494.2
申请日:2021-08-02
Applicant: 哈尔滨工业大学
IPC: G06T7/12
Abstract: 一种基于深度学习的海岸线变化分析方法,本发明涉及海岸线变化分析方法。本发明的目的是为了解决现有岸线类型复杂,难以实现岸线类型精确分类;针对不同类型岸线,岸线提取准则不同;以及给定多时相遥感图像,如何实现大场景中的海岸线精确提取的问题。过程为:步骤一、选择所研究区域的海岸线数据集;构建神经网络,得到训练好的神经网络;步骤二、得到处理后的多时相海岸线遥感影像,输入训练好的神经网络,获得处理后的多时相海岸线遥感影像对应的海岸线类型;步骤三、基于得到的海岸线类型,提取海岸线,获得海岸线图像;步骤四、基于获得的海岸线图像,检测海岸线的位置变化,计算海岸线侵蚀或淤积速率。本发明用于海岸线变化分析领域。
-
公开(公告)号:CN115615548B
公开(公告)日:2024-05-28
申请号:CN202211255204.0
申请日:2022-10-13
Applicant: 哈尔滨工业大学
IPC: G01J3/28
Abstract: 一种多角度多光谱立体成像模组及模组设计方法,它属于相机光谱成像技术领域。本发明解决了现有多光谱成像模组存在着集成度低且对立体光谱信息的获取能力差的问题。本发明对多光谱波段及立体成像角度进行设计,采用离轴多通道光学元件/成像探测器高集成度复用技术,多平行轴光机加工与装调技术,以及基于窄带光谱选通的光程精补偿技术,设计微小型化、多通道可见光/近红外多角度多光谱集成成像模组,实现对目标的正视与侧视光谱反射成像信息的获取。本发明方法可以应用于相机光谱成像技术领域。
-
公开(公告)号:CN115615548A
公开(公告)日:2023-01-17
申请号:CN202211255204.0
申请日:2022-10-13
Applicant: 哈尔滨工业大学
IPC: G01J3/28
Abstract: 一种多角度多光谱立体成像模组及模组设计方法,它属于相机光谱成像技术领域。本发明解决了现有多光谱成像模组存在着集成度低且对立体光谱信息的获取能力差的问题。本发明对多光谱波段及立体成像角度进行设计,采用离轴多通道光学元件/成像探测器高集成度复用技术,多平行轴光机加工与装调技术,以及基于窄带光谱选通的光程精补偿技术,设计微小型化、多通道可见光/近红外多角度多光谱集成成像模组,实现对目标的正视与侧视光谱反射成像信息的获取。本发明方法可以应用于相机光谱成像技术领域。
-
公开(公告)号:CN114529769A
公开(公告)日:2022-05-24
申请号:CN202210157795.1
申请日:2022-02-21
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06K9/62
Abstract: 一种面向大场景遥感图像分类的可分离多模联合表示方法,本发明涉及多模遥感图像联合表示方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为:一、输入覆盖地理区域相同的多模遥感图像,以及相应的地物标签图,构造多模遥感图像的可分离多模联合表示模型;二、采用乘数交替方向法求解多模遥感图像的可分离多模联合表示模型,得到可分离的多模字典;三、输入大场景多光谱遥感图像,利用可分离的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到可分离的一致稀疏表示系数矩阵;四、利用类别特异性高光谱字典和类别特异性一致稀疏表示系数矩阵,重构得到大场景的高光谱图像。本发明用于遥感图像分类领域。
-
公开(公告)号:CN113850216B
公开(公告)日:2022-05-17
申请号:CN202111160930.X
申请日:2021-09-30
Applicant: 哈尔滨工业大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06K9/62 , G06N20/00
Abstract: 一种面向大场景遥感图像分类的类指定多模联合表示方法,本发明涉及多模遥感图像联合表示方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为:一、输入覆盖区域相同的多模遥感图像,以及相应的地物标签图,构造多模遥感图像的类指定多模联合表示模型;所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像;二、采用乘数交替方向法求解多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;三、输入大场景多光谱遥感图像,利用多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;四、重构得到大场景的高判别性高光谱图像。本发明用于遥感图像分类领域。
-
公开(公告)号:CN113628227B
公开(公告)日:2022-05-17
申请号:CN202110883494.2
申请日:2021-08-02
Applicant: 哈尔滨工业大学
IPC: G06T7/12
Abstract: 一种基于深度学习的海岸线变化分析方法,本发明涉及海岸线变化分析方法。本发明的目的是为了解决现有岸线类型复杂,难以实现岸线类型精确分类;针对不同类型岸线,岸线提取准则不同;以及给定多时相遥感图像,如何实现大场景中的海岸线精确提取的问题。过程为:步骤一、选择所研究区域的海岸线数据集;构建神经网络,得到训练好的神经网络;步骤二、得到处理后的多时相海岸线遥感影像,输入训练好的神经网络,获得处理后的多时相海岸线遥感影像对应的海岸线类型;步骤三、基于得到的海岸线类型,提取海岸线,获得海岸线图像;步骤四、基于获得的海岸线图像,检测海岸线的位置变化,计算海岸线侵蚀或淤积速率。本发明用于海岸线变化分析领域。
-
-
-
-
-
-
-
-
-