-
公开(公告)号：CN105046673A
公开(公告)日：2015-11-11
申请号：CN201510408771.9
申请日：2015-07-13
Applicant: 哈尔滨工业大学
Abstract: 基于自学习的高光谱图像和可见光图像融合分类方法，属于高光谱图像小样本分类领域。现有的主动学习算法忽略了对候选样本集的确定过程，且人工标记候选样本集中信息量最大的样本存在程耗时费力的问题。一种基于自学习的高光谱图像和可见光图像融合分类方法，首先，获取大量未标记样本的对象标签；然后，根据对象标签和分类标签确定候选样本集，这样在确定候选样本的同时获得样本的标签，避免人工标记的过程。本发明具有提高分类精度的优点。
-
公开(公告)号：CN105869114B
公开(公告)日：2018-12-11
申请号：CN201610179673.7
申请日：2016-03-25
Applicant: 哈尔滨工业大学
IPC: G06T3/40
Abstract: 基于多层带间结构模型的多光谱图像和全色图像融合方法，属于图像融合方法领域。为了解决在建立ARSIS模型的过程中，单层细节图像在描述带间关系时的局限性。本发明将低分辨率多光谱图像MSLR重采样到PAN图像大小，将其均值作为z1LR图像；对z1LR和MSLR进行GS正交变换，将z1LR图像变换后的图像记为利用SWT构建多尺度模型MSM；将MSM中各近似图像和细节图像划分为64×64大小的图像块；对和计算全局结构相似度SSIM，对每个图像块计算局部结构相似度，并应用定义的模型求得利用SWT逆变换得到得到z1HR后进行GS反变换；输出高分辨率多光谱图像MSHR。本发明有效地提升了多光谱图像的空间分辨率，实现了多光谱图像全色锐化的目的。
-
公开(公告)号：CN105046673B
公开(公告)日：2017-11-03
申请号：CN201510408771.9
申请日：2015-07-13
Applicant: 哈尔滨工业大学
Abstract: 基于自学习的高光谱图像和可见光图像融合分类方法，属于高光谱图像小样本分类领域。现有的主动学习算法忽略了对候选样本集的确定过程，且人工标记候选样本集中信息量最大的样本存在程耗时费力的问题。一种基于自学习的高光谱图像和可见光图像融合分类方法，首先，获取大量未标记样本的对象标签；然后，根据对象标签和分类标签确定候选样本集，这样在确定候选样本的同时获得样本的标签，避免人工标记的过程。本发明具有提高分类精度的优点。
-
公开(公告)号：CN105869114A
公开(公告)日：2016-08-17
申请号：CN201610179673.7
申请日：2016-03-25
Applicant: 哈尔滨工业大学
IPC: G06T3/40
Abstract: 基于多层带间结构模型的多光谱图像和全色图像融合方法，属于图像融合方法领域。为了解决在建立ARSIS模型的过程中，单层细节图像在描述带间关系时的局限性。本发明将低分辨率多光谱图像MSLR重采样到PAN图像大小，将其均值作为z1LR图像；对z1LR和MSLR进行GS正交变换，将z1LR图像变换后的图像记为利用SWT构建多尺度模型MSM；将MSM中各近似图像和细节图像划分为64×64大小的图像块；对和计算全局结构相似度SSIM，对每个图像块计算局部结构相似度，并应用定义的模型求得利用SWT逆变换得到得到z1HR后进行GS反变换；输出高分辨率多光谱图像MSHR。本发明有效地提升了多光谱图像的空间分辨率，实现了多光谱图像全色锐化的目的。
-
-
-
Search Results
4
records
(took 0.021 seconds)
