-
公开(公告)号：CN114202671B
公开(公告)日：2024-10-29
申请号：CN202111361807.4
申请日：2021-11-17
Applicant: 桂林理工大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/09
Abstract: 本发明涉及一种图像预测优化处理方法及装置，属于图像处理领域，方法包括：对多个无人机影像进行预处理；将多个深度学习语义标签匹配至预处理的各个无人机影像上，得到多个训练样本，将各个训练样本进行扩充处理，得到扩充后的训练样本集合，在卷积神经网络中进行参数配置优化，通过扩充后的训练样本集合对优化后的卷积神经网络进行深度学习分类训练，得到训练后的卷积神经网络，并进行影像预测分类，得到多种分类结果，对多种分类结果进行融合处理，对融合的分类结果进行扩展裁剪处理，得到整幅遥感影像。能够对多种分类结果进行融合处理，融合的分类结果更为准确和全面，再对融合的分类结果进行扩展裁剪处理，能够消除明显的拼接痕迹。
-
公开(公告)号：CN115931727A
公开(公告)日：2023-04-07
申请号：CN202211193076.1
申请日：2022-09-28
Applicant: 桂林理工大学
Abstract: 本发明提供一种叶绿素a遥感反演方法、装置、系统以及存储介质，属于色素处理领域，方法包括：S1：从SeaBASS验证系统中获取多个叶绿素a浓度，并从中分辨率成像光谱仪中获取多个卫星传感器测量值；S2：分别将各个叶绿素a浓度及各个卫星传感器测量值进行匹配得到卫星原位匹配对集合；S3：对卫星原位匹配对集合进行分析筛选得到筛选后匹配对样本集合；S4：按照预设比例将筛选后匹配对样本集合划分为匹配对训练子集合以及匹配对测试子集合。本发明解决了现有叶绿素a反演算法输入特征和训练样本的不足，且反演精度易受扩展特征质量的影响的问题，还解决了人工构造扩展的缺点以及噪声不耐受及反演结果不丰富的问题。
-
公开(公告)号：CN115497002A
公开(公告)日：2022-12-20
申请号：CN202211195278.X
申请日：2022-09-28
Applicant: 桂林理工大学
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种多尺度特征融合的激光雷达遥感分类方法，通过构建一种多尺度特征融合的激光雷达遥感分类模型，实现利用遥感激光雷达数据的高精度地物分类。所述的模型包括多尺度特征编码器，特征融合编码器和解码器，不同大小的多尺度特征编码器将激光雷达特征构成的原始影像投影到不同尺度下，随后使用特征融合编码器逐尺度捕获图像特征，最后使用解码器将特征恢复至原始影像大小并对每个像素预测分类。本发明利用低成本的卷积层将尺度变换和尺度融合分离，提高模型对多通道遥感激光雷达特征影像的分类性能。
-
公开(公告)号：CN114120137A
公开(公告)日：2022-03-01
申请号：CN202111217868.3
申请日：2021-10-19
Applicant: 桂林理工大学
IPC: G06V20/13 , G06V10/30 , G06V10/58 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明是一种基于时序主被遥感影像的湿地要素时空演变监测方法，它使用所有可用的陆地卫星数据来构建时间光谱特征，从而解决单日期影像因未检测出的部分噪音而导致变化监测中出现大量的假阳性错误的问题。该方法针对现有湿地要素变化监测方法难以在空间上完整描述湿地要素变化信息且不能在时间尺度上实现实时的连续观测的问题，尤其是无法识别长时间序列中多种湿地要素之间的变化，该方法基于连续变化监测和分类算法提出一种基于时序主被遥感影像的湿地要素时空演变监测方法，实现湿地要素的高精度和高效率时空演变监测。
-
公开(公告)号：CN119672215A
公开(公告)日：2025-03-21
申请号：CN202411721662.8
申请日：2024-11-28
Applicant: 桂林理工大学
IPC: G06T17/00 , G06T19/20 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于多光谱影像数据和激光雷达点云数据的浅层和深层多光谱点云生成方法，涉及遥感数据处理领域，包括：获取目标区域多光谱影像和激光雷达点云数据；通过ENVI软件计算浅层多光谱特征图，构建三维多光谱点云融合模型，将浅层/深层多光谱特征图和点云数据输入三维多光谱点云融合模型中，通过仿射变换实现多光谱影像栅格坐标系和点云平面坐标系的空间配准，分别生成浅层多光谱点云和深层多光谱点云数据。本发明分别提取了浅层和深层多光谱特征图，并基于构建的三维多光谱点云融合模型实现了多光谱影像和激光雷达点云的高效融合，弥补了点云数据缺乏光谱信息和高光谱点云数据成本高昂的缺陷。
-
Patent Agency Ranking
公开(公告)号：CN119067798A
公开(公告)日：2024-12-03
申请号：CN202411146996.7
申请日：2024-08-20
Applicant: 桂林理工大学
IPC: G06Q50/02 , G06F18/20 , G06F18/213 , G01N21/17 , G01N21/25
Abstract: 本发明公开了一种红树林物候及其生理性状季节性节律监测方法。该方法基于遥感时序数据，可绘制红树林物候事件的空间分布图；使用CCDC‑HANTS双重物候算法和地面实测数据，由面到点精细拟合红树林性状的生理参数季节性轨迹，探明红树林物种生理参数季节性规律，分析红树林生理性状种间差异和同种红树林不同生理性状的时间变异。本发明基于遥感影像在大范围空间尺度上监测了红树林的物候变化的稳定性，提取了稳定期红树林的生长季开始、结束、峰值和振幅等物候参数，弥补了地面实地物候观测范围小、成本高的缺陷。
-
公开(公告)号：CN118675649A
公开(公告)日：2024-09-20
申请号：CN202410649630.5
申请日：2024-05-23
Applicant: 桂林理工大学
IPC: G16C20/70 , G01N21/25 , G01N21/55 , G16C20/20 , G06F18/2113 , G06F18/213 , G06F18/23213 , G06F18/27 , G06F17/18 , G06N20/00
Abstract: 本发明公开了一种基于多尺度光谱形态特征的岩溶湿地水体弱光学活性参数反演方法，该方法基于实测原位ASD高光谱数据和实测水质数据，提取了岩溶湿地水体多尺度光谱形态，并对比了岩溶湿地水体与其他水体光谱形态特征的差异，厘清了岩溶湿地遥感反演水体弱光学活性水质参数的敏感特征波段；构建了岩溶湿地弱光学活性水质参数的直接反演、间接反演和辅助估算模型，评估了三种估算方法对岩溶湿地弱光学活性水质参数的估算精度差异，同时，定量评估了不同机器学习算法和深度学习算法对岩溶湿地水体弱光学活性水质参数的反演精度。本发明便于进行选择合适的反演模型，以至于快速、准确的实现岩溶湿地水体四种弱光学活性水质参数浓度反演。
-
公开(公告)号：CN114782821B
公开(公告)日：2024-03-22
申请号：CN202210539204.7
申请日：2022-05-18
Applicant: 桂林理工大学
IPC: G06V20/10 , G06V10/26 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种联合多种迁移学习策略的滨海湿地植被遥感识别方法。该方法通过整合递归特征消除和主成分分析对无人机数据进行降维，降低了模型训练的时间成本，并提高了模型对红树林群落的识别能力；通过改进卷积神经网络的结构，提高了卷积神经网络的分割性能，进而提高了深度学习模型对红树林群落的边界的判别能力；通过运用不同的迁移学习策略，使得深度学习模型能低成本的应用于不同的红树林湿地，并提高了模型对红树林群落的分类精度和效率。
-
公开(公告)号：CN114266961A
公开(公告)日：2022-04-01
申请号：CN202111461864.X
申请日：2021-12-02
Applicant: 桂林理工大学
IPC: G06V20/10 , G06V10/26 , G06V10/54 , G06V10/70 , G06V10/774 , G06V10/764 , G06K9/62 , G06N20/20
Abstract: 本发明公开了一种整合高光谱和多频段全极化SAR影像的沼泽植被堆栈集成学习分类方法，该方法将高光谱影像和不同频段全极化SAR影像进行整合，通过多尺度分割、剔除高相关变量和Boruta算法进行变量优选，构建多维变量数据集，利用Stacking算法将不同的参数优化后的分类模型进行堆栈集成，构建沼泽植被识别分类模型，最后使用该模型对待分类数据进行分类得到沼泽湿地植被分类结果，并对分类结果使用评价指标进行定量评价。本发明将高光谱影像丰富的光谱信息优势和极化SAR影像能穿透植被冠层的优势进行整合来实现沼泽植被高精度识别与分类。
-
公开(公告)号：CN117037931A
公开(公告)日：2023-11-10
申请号：CN202310753100.0
申请日：2023-06-25
Abstract: 本发明提出了一种基于双差比值指数的叶片叶绿素含量计算方法，涉及叶片叶绿素含量计算领域；该方法包括以下步骤：获取样本叶片的叶片光谱数据，对叶片光谱数据进行导数光谱变换处理，得到不同阶的导数光谱；对导数光谱进行特征扩建，得到各个导数光谱的波段植被指数，将满足预设条件的波段植被指数确定为波段组合；根据波段组合的叶绿素真实值和叶绿素预测值，计算得到每个波段组合的评价系数，将满足预设条件的评价系数的波段组合确定为特征波段组合；通过特征波段组合、叶绿素真实值和叶绿素预测值，对初始模型进行训练，得到训练完成的计算模型；根据目标叶片的目标光谱数据并输入计算模型，得到目标叶片对应的叶绿素含量。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.019 seconds)
