-
公开(公告)号：CN103646409B
公开(公告)日：2016-08-17
申请号：CN201310699067.4
申请日：2013-12-19
Applicant: 哈尔滨工程大学
IPC: G06T9/00
Abstract: 本发明涉及的是一种高光谱图像压缩编码方法，具体地说是一种多元向量量化的高光谱图像压缩编码方法。多元向量量化的高光谱图像压缩编码方法，包括读入高光谱图像数据；构建压缩字典：根据2种多元向量量化模型和字典原子选择策略，利用多元回归计算每一像元压缩时所使用的字典原子及其系数压缩和编码。本发明重新构建向量量化模型，提出2种多元向量量化模型，省略的误差信息要比传统的向量量化方法中的误差信息量少，而且在新提出的多元向量量化模型中，选取出的字典原子的系数也没有限定，其值为根据光谱本身和字典构成计算得出，从而保证了重建图像的质量，减小压缩编码所造成的图像失真。
-
公开(公告)号：CN103646409A
公开(公告)日：2014-03-19
申请号：CN201310699067.4
申请日：2013-12-19
Applicant: 哈尔滨工程大学
IPC: G06T9/00
Abstract: 本发明涉及的是一种高光谱图像压缩编码方法，具体地说是一种多元向量量化的高光谱图像压缩编码方法。多元向量量化的高光谱图像压缩编码方法，包括读入高光谱图像数据；构建压缩字典：根据2种多元向量量化模型和字典原子选择策略，利用多元回归计算每一像元压缩时所使用的字典原子及其系数压缩和编码。本发明重新构建向量量化模型，提出2种多元向量量化模型，省略的误差信息要比传统的向量量化方法中的误差信息量少，而且在新提出的多元向量量化模型中，选取出的字典原子的系数也没有限定，其值为根据光谱本身和字典构成计算得出，从而保证了重建图像的质量，减小压缩编码所造成的图像失真。
-
公开(公告)号：CN103530875B
公开(公告)日：2016-08-17
申请号：CN201310466843.6
申请日：2013-10-09
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明提供了一种端元提取数据预处理方法，该方法通过建立基于模糊特征空间核空间引力模型，为高光谱数据像素点定义像元变异指数，实现了高光谱图像变异像素点的检测和移除。首先对高光谱数据集合进行模糊特征空间变换，得到模糊特征。利用像素的模糊特征，运用高斯径向基核函数优化的空间引力模型，计算3×3的空间邻域窗口内，邻域像素对中心像素的累加引力值，该引力值与像素变异指数成反比，对高变异指数像素进行移除。
-
公开(公告)号：CN103942776A
公开(公告)日：2014-07-23
申请号：CN201410083794.2
申请日：2014-03-10
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于支持向量数据描述的近边界端元提取方法。本发明的目的是这样实现的：（1）基于支持向量数据描述获取近边界端元搜索区域：（2）基于PCA最值最大距离法初始化端元集。本发明实施简单，为端元提取过程搜索空间大、随机初始化端元影响提取结果的两大难题找到有效的解决方案。两部可独立改善提取结果性能，也可结合使用，在效率和精度上同时取得性能的提升。此外两方面都可以灵活适用于其他的端元提取算法，为有端元提取需求的相关研究内容提供了一个通用、高效、性能优越的处理模板。
-
公开(公告)号：CN103200669B
公开(公告)日：2016-05-04
申请号：CN201310056974.7
申请日：2013-02-22
Applicant: 哈尔滨工程大学
IPC: H04W64/00
Abstract: 本发明提供了一种基于压缩感知理论的无线传感器节点定位方法。首先利用信标节点发送的特殊信息，得到所有节点到信标节点的连通信息；然后利用信标节点得到的连通信息得到采样矩阵，和目标节点得到压缩连通信息，通过压缩感知算法，得到目标节点和所有信标节点的相关系数。最后，使用这些相关系数得到每个信标对目标节点的权值系数，利用质心算法得到每个目标节点的估计位置。本发明引入压缩感知理论，充分的挖掘了目标节点和信标节点在地理位置上的相关性。由于该算法满足了4个条件，因此它是一种可靠的、有效的、通用的、适合大规模网络的节点自定位方法。
-
Patent Agency Ranking
公开(公告)号：CN103942787A
公开(公告)日：2014-07-23
申请号：CN201410143292.4
申请日：2014-04-10
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于核原型样本分析的光谱解混方法。本发明包括：采集待处理的高光谱数据；确定整体流程的参数；对输入图像数据预处理；在预处理后的数据上采用基于核原型样本分析方法实现光谱解混。本发明实施简单，光谱解混的过程不用独立拆解为端元提取和解混两个过程，可以处理无纯端元存在的解混情况，及不同混合程度数据最优端元选择和解混问题。此外最终提取结果物理含义明确，对数据的解译性更强。同时该方法结果相对非负矩阵分解光谱解混的结果更稳定，精度更好。
-
公开(公告)号：CN103391438A
公开(公告)日：2013-11-13
申请号：CN201310303400.5
申请日：2013-07-19
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种高光谱图像压缩编码方法及装置。该方法包括：检测高光谱图像，获得高光谱图像中包含的目标部分和背景部分；将目标部分和背景部分分离；分别对目标部分和背景部分进行压缩和编码。通过将目标部分和背景部分分别压缩编码，本发明提高了高光谱图像压缩编码的可靠性和高效性。
-
公开(公告)号：CN103200669A
公开(公告)日：2013-07-10
申请号：CN201310056974.7
申请日：2013-02-22
Applicant: 哈尔滨工程大学
IPC: H04W64/00
Abstract: 本发明提供了一种基于压缩感知理论的无线传感器节点定位方法。首先利用信标节点发送的特殊信息，得到所有节点到信标节点的连通信息；然后利用信标节点得到的连通信息得到采样矩阵，和目标节点得到压缩连通信息，通过压缩感知算法，得到目标节点和所有信标节点的相关系数。最后，使用这些相关系数得到每个信标对目标节点的权值系数，利用质心算法得到每个目标节点的估计位置。本发明引入压缩感知理论，充分的挖掘了目标节点和信标节点在地理位置上的相关性。由于该算法满足了四个条件，因此它是一种可靠的、有效的、通用的、适合大规模网络的节点自定位方法。
-
公开(公告)号：CN106503734B
公开(公告)日：2019-08-06
申请号：CN201610899753.X
申请日：2016-10-14
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于三边滤波器和堆栈稀疏自动编码器的图像分类方法。首先，使用三边滤波器获取平滑的图像，提取所述图像的像素的光谱‑空间特征的同时滤除退化图像的高斯、斑点和脉冲噪声；其次，使用改进的堆栈稀疏自动编码器进行高阶特征提取；最后，利用随机森林分类器进行有监督微调网络和分类。本发明将改进的堆栈稀疏自动编码器和随机森林分类器引入到高光谱数据分类中，作为一种深度学习架构，改进的堆栈稀疏自动编码器可以逐层地提取光谱数据的抽象的和有用的深层次特征，从而提高光谱数据的分类性能。本发明不仅适用于对高光谱图像进行分类，同时也可以对其他图像进行分类。具有很强的可移植性，更易满足图像分类的需求。
-
公开(公告)号：CN104794457A
公开(公告)日：2015-07-22
申请号：CN201510223971.7
申请日：2015-05-05
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及的是一种基于稀疏误差矩阵的高光谱图像目标检测方法。本发明包括：读入高光谱数据这一图像的大小为m×n，输入正定权重系数λ；利用RPCA方法，将高光谱图像分解为一个低秩矩阵A和一个稀疏误差矩阵E；利用稀疏误差矩阵E第一波段进行目标检测。在此目标检测模型中，不需要假设目标和背景的分布特性，检测方法简单。由于背景像元和目标像元本身光谱特性的区别，它们分布在不同的子空间中。根据上述特性，将不同子空间的图像数据映射到一个低秩矩阵和一个稀疏误差矩阵：低秩矩阵中通常包含图像中背景信息，稀疏误差矩阵中包含目标信息及噪声信息。通过鲁棒主成分分析方法解得稀疏误差矩阵，利用稀疏误差矩阵第一主成分即可检测目标。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
