-
公开(公告)号：CN113506212B
公开(公告)日：2023-05-23
申请号：CN202110558431.X
申请日：2021-05-21
Applicant: 大连海事大学
Abstract: 本发明公开了一种改进的基于POCS的高光谱图像超分辨率重建方法，该方法首先从序列低分辨率高光谱图像的第一波段的灰度图像中随机选取一幅，通过双三次插值得到初始参考帧，在一定程度上缓解了重建图像边缘模糊问题；然后利用剩余的第一波段的灰度图像根据引入了松弛算子的投影公式对其进行修正，抑制了重建图像平滑区的毛刺；在迭代两次以上后，根据前后两次迭代重建图像之间均方误差是否小于某个阈值作为退出迭代的条件，使迭代过程自适应化，避免了人为设定迭代次数的主观性；最后对高光谱图像的每一个波段的灰度图像都重复上述过程，得到空间分辨率提升的高光谱图像。该方法可以作为高光谱图像空间分辨率提升的一种有效手段。
-
公开(公告)号：CN110490270B
公开(公告)日：2022-11-04
申请号：CN201910797540.X
申请日：2019-08-27
Applicant: 大连海事大学
IPC: G06V10/764 , G06V20/00
Abstract: 本发明公开了一种基于空间信息自适应处理的高光谱图像分类方法，包括：采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果，将初分类结果作为光谱项并构建传统马尔科夫随机场模型；计算各像元的相对同质性指数，将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数，根据像元空间项权重系数的自适应调整，采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型，采用该自适应马尔可夫随机场模型对高光谱图像进行分类。该方法可以作为一种高光谱图像基于空间信息分类的有效手段，在高光谱图像地表精细分类等方面具有重要的应用价值。
-
公开(公告)号：CN114139444A
公开(公告)日：2022-03-04
申请号：CN202111403977.4
申请日：2021-11-24
Applicant: 大连海事大学
IPC: G06F30/27 , G06K9/62 , G06N20/00 , G06F111/08 , G06F119/08
Abstract: 本发明公开了一种基于机器学习的近海海表温度反演方法，包括：基于遥感影像数据，引入传感器视角、初始估计温度场、初始辅助温度场和时间表征变量并添加组合变量数据作为特征扩展，解决传统温度反演算法中参数关系表达不充分的缺点；通过近海浮标实测数据作为数据集输入数据训练模型，有效校正参数空间匹配受混合像元的影响；采用随机森林算法提供特征重要性的选择指标，得到最优温度反演参数组合，构建机器学习模型实现有限实测数据下的高精度近海海表温度反演。
-
公开(公告)号：CN113505856A
公开(公告)日：2021-10-15
申请号：CN202110898291.0
申请日：2021-08-05
Applicant: 大连海事大学
Abstract: 本发明公开了一种高光谱影像无监督自适应分类方法，包括：S1、选择两个地物类别相同但分布不同的高光谱场景图像；S2、根据高光谱影像的特点构建以卷积神经网络为基础的深度学习网络模型作为特征提取器、分类器、域判别器；S3、交替训练分类器和特征提取器，直到域判别器不能正确区分两个域，判别过程通过采用深层特征和风格特征两部分的内容将源域和目标域进行对齐；S4、用训练好的特征提取器和分类器对目标域分类，得到分类结果图。本发明采用深度神经网络搭建特征提取器用于提取特征，并且同时构建分类器和域判别器；利用深层特征对齐和风格特征对齐两方面的内容减小两个域的差异，一定程度上缓解了跨域分类中的特征对齐难题。
-
公开(公告)号：CN110516614A
公开(公告)日：2019-11-29
申请号：CN201910807225.0
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于子空间投影的高光谱图像分类方法，包括：获取原始高光谱图像类别的基向量先验信息、计算各类别子空间基向量、构建子空间投影改进模型；将原始高光谱图像投影至由各类别基向量张成的低维子空间；采用支持向量机模型对投影后的图像数据进行分类，得到分类结果图像。本发明采用子空间投影算法，将原始高维度的图像投影至依类别构建的低维子空间中，引入支持向量机模型对投影后的图像进行分类，去除数据冗余的同时，降低了原始数据的维度、具有投影后的数据维度只与类别数量相关，与原始数据维度和训练样本个数均无关，以及分类效果提升明显优点，极大程度上避免了“休斯”现象的发生，解决了有限样本条件下的波段冗余问题。
-
Patent Agency Ranking
公开(公告)号：CN110490270A
公开(公告)日：2019-11-22
申请号：CN201910797540.X
申请日：2019-08-27
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于空间信息自适应处理的高光谱图像分类方法，包括：采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果，将初分类结果作为光谱项并构建传统马尔科夫随机场模型；计算各像元的相对同质性指数，将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数，根据像元空间项权重系数的自适应调整，采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型，采用该自适应马尔可夫随机场模型对高光谱图像进行分类。该方法可以作为一种高光谱图像基于空间信息分类的有效手段，在高光谱图像地表精细分类等方面具有重要的应用价值。
-
公开(公告)号：CN113673556B
公开(公告)日：2024-07-16
申请号：CN202110778881.X
申请日：2021-07-09
Applicant: 大连海事大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06T5/70
Abstract: 本发明公开了一种基于多尺度密集卷积网络的高光谱图像分类方法，包括：在训练阶段，将包含训练样本的整张高光谱图像输入至多尺度密集卷积网络模型中对该模型进行训练，从而输出整张图像所有像素的预测标签；通过标记训练样本的位置来选择相应的像素，在所选像素和预测像素之间计算损失，更新网络模型参数；在测试阶段，采用多尺度密集卷积网络模型对整张高光谱图像进行分类获得分类结果。首先使用基于图像的高光谱图像分类框架提高了模型的计算效率，充分利用了图像中的邻域细节信息，避免冗余信息对模型产生的误差和干扰。最后多尺度密集卷积网络的引入完成了对高光谱图像的分类。
-
公开(公告)号：CN113505856B
公开(公告)日：2024-04-09
申请号：CN202110898291.0
申请日：2021-08-05
Applicant: 大连海事大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种高光谱影像无监督自适应分类方法，包括：S1、选择两个地物类别相同但分布不同的高光谱场景图像；S2、根据高光谱影像的特点构建以卷积神经网络为基础的深度学习网络模型作为特征提取器、分类器、域判别器；S3、交替训练分类器和特征提取器，直到域判别器不能正确区分两个域，判别过程通过采用深层特征和风格特征两部分的内容将源域和目标域进行对齐；S4、用训练好的特征提取器和分类器对目标域分类，得到分类结果图。本发明采用深度神经网络搭建特征提取器用于提取特征，并且同时构建分类器和域判别器；利用深层特征对齐和风格特征对齐两方面的内容减小两个域的差异，一定程度上缓解了跨域分类中的特征对齐难题。
-
公开(公告)号：CN116524362A
公开(公告)日：2023-08-01
申请号：CN202310551648.7
申请日：2023-05-16
Applicant: 大连海事大学
IPC: G06V20/10 , G06V20/70 , G06V10/28 , G06V10/42 , G06V10/44 , G06V10/54 , G06V10/62 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于时空注意力增强的遥感图像变化检测方法，包括：将通过遥感图像组获取训练集输入至孪生网络中，得到特征提取后的特征图；其中，进行特征提取的特征包括边缘特征、线特征、形状特征、纹理特征、场景特征和语义特征；将特征提取后的特征图输入至时空信息增强模块，获取时空信息增强特征图；根据时空信息增强特征图获取变化二值图；并对所述孪生网络、时空信息增强模块和解码模块进行训练；获取最终的变化二值图，以对遥感图像的变化进行检测。本发明在不增加模型参数的情况下提高模型的准确率，充分捕捉输入数据中的局部特征，在细小变化目标的检测以及变化物体边缘的识别方面具有明显的效果，能够明显提高模型的性能和准确率。
-
公开(公告)号：CN115908180A
公开(公告)日：2023-04-04
申请号：CN202211449281.X
申请日：2022-11-18
Applicant: 大连海事大学
Abstract: 本发明公开了一种耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法，包括：采用深度去噪先验子网络一优化初始的噪声高光谱影像；采用低秩张量对优化后的高光谱影像进行分解生成光谱正交基；通过深度去噪先验子网络二估计空间缩减因子；基于光谱正交基和空间缩减因子利用张量塔克分解方法获取高光谱影像去噪结果。本方法考虑高光谱影像空间和光谱邻域信息，耦合深度学习网络和低秩张量分解，对高光谱影像中的噪声进行去除，提升高光谱影像的数据质量，具有重要的实际意义。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.023 seconds)
