-
公开(公告)号：CN104766313B
公开(公告)日：2017-10-31
申请号：CN201510140950.9
申请日：2015-03-27
Applicant: 哈尔滨工程大学
Abstract: 本发明属于图像处理尤其是高光谱图像异常目标检测领域，具体涉及一种采用核递归的高光谱快速异常探测方法。本发明包括：读入高光谱数据；对背景信息的核矩阵进行初始化；建立背景像元更新的因果关系；建立核矩阵ΚΒ(n)的递归方程更新核矩阵；结合KRX算子对高光谱图像进行快速检测。本发明提出了采用背景信息因果化的更新模型，利用检测像元的变化对背景信息进行快速更新，避免反复提取背景信息造成的数据冗余。采用构建全新核矩阵，有效的解决了核矩阵的维数随着背景像元数目的增加而产生变化的问题，同时使得算法无需每次重新计算核矩阵。引入卡尔曼滤波理论的递归思想，可大大减少实际处理中的工作量，提高了异常目标检测的效率。
-
公开(公告)号：CN104766313A
公开(公告)日：2015-07-08
申请号：CN201510140950.9
申请日：2015-03-27
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明属于图像处理尤其是高光谱图像异常目标检测领域，具体涉及一种采用核递归的高光谱快速异常探测方法。本发明包括：读入高光谱数据；对背景信息的核矩阵进行初始化；建立背景像元更新的因果关系；建立核矩阵ΚΒ(n)的递归方程更新核矩阵；结合KRX算子对高光谱图像进行快速检测。本发明提出了采用背景信息因果化的更新模型，利用检测像元的变化对背景信息进行快速更新，避免反复提取背景信息造成的数据冗余。采用构建全新核矩阵，有效的解决了核矩阵的维数随着背景像元数目的增加而产生变化的问题，同时使得算法无需每次重新计算核矩阵。引入卡尔曼滤波理论的递归思想，可大大减少实际处理中的工作量，提高了异常目标检测的效率。
-
Patent Agency Ranking
公开(公告)号：CN104699462A
公开(公告)日：2015-06-10
申请号：CN201510112355.4
申请日：2015-03-13
Applicant: 哈尔滨工程大学
IPC: G06F9/38
Abstract: 本发明具体涉及一种结合基于递归分析思想的高光谱实时探测算法在图形处理器(GPUs)上硬件实现的高光谱目标实时探测的GPU并行处理方法。本发明包括：(1)输入高光谱数据，初始化高度，原始数据高度，原始数据宽，原始数据波段数；从主机端到设备端拷贝初始化数据；初始化高光谱数据；从主机端到设备端拷贝当前检测像元数据；利用Woodbury恒等式更新相关矩阵的逆矩阵；在GPU配置多线程，结合异常检测算子对高光谱图像进行实时检测，最后输出探测结果。本发明充分利用了麦克斯韦结构的GPU加速复杂的计算，高光谱目标实时检测算法的GPU并行实现具有实用性和通用性，可以灵活应用到搭载嵌入式系统的机载或者星载平台。
-
公开(公告)号：CN104504686B
公开(公告)日：2017-06-23
申请号：CN201410734796.3
申请日：2014-12-04
Applicant: 哈尔滨工程大学
Abstract: 本发明属于高光谱图像异常目标检测领域，具体涉及一种采用局部自适应阈值分割的高光谱图像异常探测方法。读入高光谱数据；采用非线性KRX算子对高光谱数据处理得到检测结果灰度图；对检测的灰度图像进行预处理消除背景干扰；将图像分成若干个m×n的子图像对每一个子图像进行阈值迭代法选取阈值；用得到的自适应阈值Ti对子图像二值化，遍历整幅图像进而得到最终检测结果。本发明提出了针对大面积背景干扰抑制的算法，利用形态学滤波开运算的结构元素将背景干扰有效的提取和消除；采用迭代法计算出局部最佳阈值，无需大量试验验证求取阈值可大大减少实际处理中的工作量，提高了异常目标检测的效率和准确率。
-
公开(公告)号：CN104504686A
公开(公告)日：2015-04-08
申请号：CN201410734796.3
申请日：2014-12-04
Applicant: 哈尔滨工程大学
CPC classification number: G06T7/0004 , G06T7/11 , G06T7/155 , G06T2207/10036
Abstract: 本发明属于高光谱图像异常目标检测领域，具体涉及一种采用局部自适应阈值分割的高光谱图像异常探测方法。读入高光谱数据；采用非线性KRX算子对高光谱数据处理得到检测结果灰度图；对检测的灰度图像进行预处理消除背景干扰；将图像分成若干个m×n的子图像对每一个子图像进行阈值迭代法选取阈值；用得到的自适应阈值Ti对子图像二值化，遍历整幅图像进而得到最终检测结果。本发明提出了针对大面积背景干扰抑制的算法，利用形态学滤波开运算的结构元素将背景干扰有效的提取和消除；采用迭代法计算出局部最佳阈值，无需大量试验验证求取阈值可大大减少实际处理中的工作量，提高了异常目标检测的效率和准确率。
-
公开(公告)号：CN105184797B
公开(公告)日：2018-10-26
申请号：CN201510593935.X
申请日：2015-09-17
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于递归型核机器学习的高光谱异常目标检测方法。本发明包括：(1)输入高光谱数据；(2)选择核函数k(x,xi)＝(xTxi)d,d∈N，建立核机器学习的高光谱目标检测模型，初始化Gram矩阵；(3)建立Gram矩阵KB(n)的状态方程；(4)利用Woodbury恒等式更新高光谱Gram矩阵KB(n)的逆矩阵[KB(n)]‑1；(5)结合异常检测算子对高光谱图像进行快速检测；(6)高光谱图像检测完毕，输出结果。本发明无需重复计算KB(n)及其逆矩阵，可以大大减少算法计算时间，提高了高光谱异常目标检测效率。
-
公开(公告)号：CN105184797A
公开(公告)日：2015-12-23
申请号：CN201510593935.X
申请日：2015-09-17
Applicant: 哈尔滨工程大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/10036
Abstract: 本发明涉及一种基于递归型核机器学习的高光谱异常目标检测方法。本发明包括：(1)输入高光谱数据；(2)选择核函数k(x,xi)＝(xTxi)d,d∈N，建立核机器学习的高光谱目标检测模型，初始化Gram矩阵；(3)建立Gram矩阵KB(n)的状态方程；(4)利用Woodbury恒等式更新高光谱Gram矩阵KB(n)的逆矩阵[KB(n)]-1；(5)结合异常检测算子对高光谱图像进行快速检测；(6)高光谱图像检测完毕，输出结果。本发明无需重复计算KB(n)及其逆矩阵，可以大大减少算法计算时间，提高了高光谱异常目标检测效率。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
