-
Patent Agency Ranking
公开(公告)号：CN106529484A
公开(公告)日：2017-03-22
申请号：CN201611009935.1
申请日：2016-11-16
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/0063 , G06K9/628 , G06K2009/00644
Abstract: 基于类指定多核学习的光谱和激光雷达数据联合分类方法，本发明涉及光谱图像和激光雷达数据联合分类。本发明为解决现有多核学习方法中，存在没有考虑各个类别自身数据特点以及优化效率低的问题。具体过程为：一、在多/高光谱图像上提取地物的光谱信息和空间信息，在激光雷达数据上提取地物高度信息；二、将提取于多/高光谱图像和激光雷达数据以特征堆栈方式形成每个地物样本对应的总体特征向量；三、将依次输入到不同核参数下的高斯核生成核矩阵集；四、利用核对准模型为每两类地物样本从核矩阵集中选择出对应的核矩阵和核参数；五、最后利用多数投票原则确定样本类别，最终生成分类主题图。本发明用于数字图像处理领域。
-
公开(公告)号：CN106056591B
公开(公告)日：2019-01-18
申请号：CN201610356309.3
申请日：2016-05-25
Applicant: 哈尔滨工业大学
Abstract: 一种融合光谱图像和激光雷达数据进行城市密度估计方法，涉及数字图像处理领域。本发明要为解决现有城市密度估计方法中，存在利用的2维指标单一、3维指标少，无法合理、全面评价城市密度的问题。本发明方法按以下步骤进行：1、获取多/高光谱图像和激光雷达数据，分别对两种数据源进行预处理，利用激光雷达数据生成数字表面模型；2、在多/高光谱图像上提取光谱信息和空间信息，在激光雷达数据上提取高度信息；3、将提取得到的光谱信息、空间信息和高度信息输入到分类器中，得到分类主题图；4、用分类主题图和激光雷达提供的高度信息进行城市密度指标计算，最终生成城市密度主题图。本发明可应用于数字图像处理领域。
-
公开(公告)号：CN106056591A
公开(公告)日：2016-10-26
申请号：CN201610356309.3
申请日：2016-05-25
Applicant: 哈尔滨工业大学
CPC classification number: G01J3/2823 , G01J2003/2826 , G01S17/88 , G06T2207/10036 , G06T2207/20081
Abstract: 一种融合光谱图像和激光雷达数据进行城市密度估计方法，涉及数字图像处理领域。本发明要为解决现有城市密度估计方法中，存在利用的2维指标单一、3维指标少，无法合理、全面评价城市密度的问题。本发明方法按以下步骤进行：1、获取多/高光谱图像和激光雷达数据，分别对两种数据源进行预处理，利用激光雷达数据生成数字表面模型；2、在多/高光谱图像上提取光谱信息和空间信息，在激光雷达数据上提取高度信息；3、将提取得到的光谱信息、空间信息和高度信息输入到分类器中，得到分类主题图；4、用分类主题图和激光雷达提供的高度信息进行城市密度指标计算，最终生成城市密度主题图。本发明可应用于数字图像处理领域。
-
公开(公告)号：CN106778802B
公开(公告)日：2020-04-24
申请号：CN201611008770.6
申请日：2016-11-16
Applicant: 哈尔滨工业大学
Abstract: 一种最大化类别可分性的高光谱图像分类多核学习方法，本发明涉及多核学习模型求解。本发明为解决现有应用于高光谱图像分类的多核学习方法中，存在没有考虑将多核模型求解与后续分类应用相结合以及求解效率低的问题。按以下步骤进行：步骤一、从给定的输入高光谱图像数据集中获取训练样本和测试样本；步骤二、利用训练样本集构造多核学习模型中的基核矩阵Km，得到基核矩阵集合步骤三、利用基核矩阵集合在希尔伯特核空间度量数据集类内离散度和类间离散度；步骤四、在类内离散度和类间离散度基础上以最大类别间隔准则度量类别可分性，以类别可分性最大为多核学习模型求解准则，求解基核权重。本发明用于模式识别领域。
-
公开(公告)号：CN106778802A
公开(公告)日：2017-05-31
申请号：CN201611008770.6
申请日：2016-11-16
Applicant: 哈尔滨工业大学
Abstract: 一种最大化类别可分性的高光谱图像分类多核学习方法，本发明涉及多核学习模型求解。本发明为解决现有应用于高光谱图像分类的多核学习方法中，存在没有考虑将多核模型求解与后续分类应用相结合以及求解效率低的问题。按以下步骤进行：步骤一、从给定的输入高光谱图像数据集中获取训练样本和测试样本；步骤二、利用训练样本集构造多核学习模型中的基核矩阵Km，得到基核矩阵集合步骤三、利用基核矩阵集合在希尔伯特核空间度量数据集类内离散度和类间离散度；步骤四、在类内离散度和类间离散度基础上以最大类别间隔准则度量类别可分性，以类别可分性最大为多核学习模型求解准则，求解基核权重。本发明用于模式识别领域。
-
-
-
-
Search Results
5
records
(took 0.064 seconds)
