-
Patent Agency Ranking
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。
-
公开(公告)号：CN115797175A
公开(公告)日：2023-03-14
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：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：CN119379541A
公开(公告)日：2025-01-28
申请号：CN202411401874.8
申请日：2024-10-09
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/50 , G06N3/0464 , G06N3/045 , G06N3/0895 , G06N3/09 , G06V20/10 , G06V10/44 , G06V10/58 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/048
Abstract: 本发明提出基于自适应学习的多光谱图像光谱超分辨方法及应用，属于遥感图像处理技术领域，解决现有光谱超分辨方法中先验信息的手动设置和复杂的参数选择、深度学习方法中忽略空间长距离间像素依赖和光谱间自相似性以及深度网络参数无法实时动态调整的问题，方法包括：构建多光谱数据集，基于多光谱数据集构建伪标签；构建光谱超分辨网络，基于伪标签对光谱超分辨网络进行监督训练，生成初步重构图像；将初步重构图像输入自适应学习模块，学习初步重构图像和真实图像的残差并进行残差修正；构建自适应学习网络，更新自适应学习模块的参数；将参数更新后的自适应学习网络与待处理图像进行残差连接，输出目标高空间分辨率的高光谱图像。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
