-
公开(公告)号：CN103473785B
公开(公告)日：2016-04-20
申请号：CN201310455290.4
申请日：2013-09-29
Applicant: 哈尔滨工业大学
IPC: G06T7/00
Abstract: 一种基于三值化图像聚类的快速多目标分割方法，涉及图像处理领域的分割方法。本发明是要解决现有的分割算法无法有效解决相互靠近的多目标分割的技术问题。本发明的分割方法为：一、计算彩色图像的梯度；二、结合梯度信息进行阈值处理得到三值化图像；三、在三值化图像中进行基于形态学的聚类；四、结合聚类结果图像进行目标区域修复及目标分割。本发明通过在对彩色图像进行三值化的时候，创新性地结合了图像中的轮廓信息和色彩信息，将图像映射为“前景、轮廓、背景”三个值，然后采用基于形态学的搜索方法完成聚类，进而实现目标图像的快速分割。本发明应用于实时性要求比较高的彩色多目标检测或者跟踪中的分割处理。
-
公开(公告)号：CN103438892A
公开(公告)日：2013-12-11
申请号：CN201310419075.9
申请日：2013-09-16
Applicant: 哈尔滨工业大学
IPC: G01C21/24
Abstract: 一种改进的基于EKF的天文自主定轨算法，涉及一种控制领域的导航方法。所述方法步骤如下：一、EKF滤波器参数初始化；二、参考坐标系由地心惯性坐标系转为滤波坐标系；三、在滤波坐标系中线性化和离散化滤波器状态方程；四、在滤波坐标系中进行EKF滤波；五、参考坐标系由滤波坐标系转回为地心惯性坐标系。本发明在传统的基于EKF天文自主定轨算法中，提出并引入滤波坐标系，同时增加坐标变换和坐标反转换等步骤使得传统的基于EKF天文自主定轨算法在线性化和离散化的时候，航天器的位置矢量在滤波坐标系中的各分量能够相等，从而使得状态方程线性化的展开点处于一个线性度较好的位置，进而使得定轨算法的稳定性有所提高。
-
公开(公告)号：CN104050482B
公开(公告)日：2017-06-13
申请号：CN201410288959.X
申请日：2014-06-24
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于局部线性回归的流形学习泛化算法，属于高光谱图像数据降维技术领域。本发明的目的在于提出一种适用于任何一种流形学习算法、能够保持原流形学习降维结果、基于局部线性回归的流形学习泛化方法，其步骤为：一、寻找邻域；二、计算投影矩阵；三、求取线性回归系数矩阵；四、计算新样本降维结果。本发明可以在保持原有流形学习降维结果的基础上实现新样本的泛化，构建了一个从高维到低维的线性映射，可使得任一不具备泛化能力的流形学习算法如LE、LLE、LTSA等具有泛化能力，从而使得这些耗时的流形学习算法适用于高光谱图像的降维处理过程。
-
Patent Agency Ranking
公开(公告)号：CN103438892B
公开(公告)日：2015-09-30
申请号：CN201310419075.9
申请日：2013-09-16
Applicant: 哈尔滨工业大学
IPC: G01C21/24
Abstract: 一种改进的基于EKF的天文自主定轨算法，涉及一种控制领域的导航方法。所述方法步骤如下：一、EKF滤波器参数初始化；二、参考坐标系由地心惯性坐标系转为滤波坐标系；三、在滤波坐标系中线性化和离散化滤波器状态方程；四、在滤波坐标系中进行EKF滤波；五、参考坐标系由滤波坐标系转回为地心惯性坐标系。本发明在传统的基于EKF天文自主定轨算法中，提出并引入滤波坐标系，同时增加坐标变换和坐标反转换等步骤使得传统的基于EKF天文自主定轨算法在线性化和离散化的时候，航天器的位置矢量在滤波坐标系中的各分量能够相等，从而使得状态方程线性化的展开点处于一个线性度较好的位置，进而使得定轨算法的稳定性有所提高。
-
公开(公告)号：CN104050482A
公开(公告)日：2014-09-17
申请号：CN201410288959.X
申请日：2014-06-24
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于局部线性回归的流形学习泛化算法，属于高光谱图像数据降维技术领域。本发明的目的在于提出一种适用于任何一种流形学习算法、能够保持原流形学习降维结果、基于局部线性回归的流形学习泛化方法，其步骤为：一、寻找邻域；二、计算投影矩阵；三、求取线性回归系数矩阵；四、计算新样本降维结果。本发明可以在保持原有流形学习降维结果的基础上实现新样本的泛化，构建了一个从高维到低维的线性映射，可使得任一不具备泛化能力的流形学习算法如LE、LLE、LTSA等具有泛化能力，从而使得这些耗时的流形学习算法适用于高光谱图像的降维处理过程。
-
公开(公告)号：CN104008383B
公开(公告)日：2017-03-08
申请号：CN201410286545.3
申请日：2014-06-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于流形学习线性化的高光谱图像特征提取方法，属于高光谱图像数据处理与应用技术领域。本发明针对流形学习方法无泛化能力的不足，提出了一种改进的流形学习线性化方法。所述方法包括如下步骤：一、计算初步降维结果和拉普拉斯矩阵；二、构建矩阵方程组常数项矩阵和系数矩阵；三、计算特征转换矩阵；四、通过特征转换矩阵计算最终降维结果。本发明针对LPP、NPE和LLTSA线性化流形学习方法中全局线性映射的假设在很多时候不成立的不足，在原有的代价函数中加入了偏离原流形学习方法结果的惩罚项，并且舍去了原目标函数中的约束项，将最优特征转换矩阵的求解转换为一个矩阵方程组的求解问题。该方法适用于高光谱图像的特征提取。
-
公开(公告)号：CN104008383A
公开(公告)日：2014-08-27
申请号：CN201410286545.3
申请日：2014-06-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于流形学习线性化的高光谱图像特征提取算法，属于高光谱图像数据处理与应用技术领域。本发明针对流形学习算法无泛化能力的不足，提出了一种改进的流形学习线性化算法。所述方法包括如下步骤：一、计算初步降维结果和拉普拉斯矩阵；二、构建矩阵方程组常数项矩阵和系数矩阵；三、计算特征转换矩阵；四、通过特征转换矩阵计算最终降维结果。本发明针对LPP、NPE和LLTSA线性化流形学习算法中全局线性映射的假设在很多时候不成立的不足，在原有的代价函数中加入了偏离原流形学习算法结果的惩罚项，并且舍去了原目标函数中的约束项，将最优特征转换矩阵的求解转换为一个矩阵方程组的求解问题。该方法适用于高光谱图像的特征提取。
-
公开(公告)号：CN103473785A
公开(公告)日：2013-12-25
申请号：CN201310455290.4
申请日：2013-09-29
Applicant: 哈尔滨工业大学
IPC: G06T7/00
Abstract: 一种基于三值化图像聚类的快速多目标分割方法，涉及图像处理领域的分割方法。本发明是要解决现有的分割算法无法有效解决相互靠近的多目标分割的技术问题。本发明的分割方法为：一、计算彩色图像的梯度；二、结合梯度信息进行阈值处理得到三值化图像；三、在三值化图像中进行基于形态学的聚类；四、结合聚类结果图像进行目标区域修复及目标分割。本发明通过在对彩色图像进行三值化的时候，创新性地结合了图像中的轮廓信息和色彩信息，将图像映射为“前景、轮廓、背景”三个值，然后采用基于形态学的搜索方法完成聚类，进而实现目标图像的快速分割。本发明应用于实时性要求比较高的彩色多目标检测或者跟踪中的分割处理。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
