-
公开(公告)号：CN112883877B
公开(公告)日：2022-07-19
申请号：CN202110208379.5
申请日：2021-02-24
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/44 , G06V10/764 , G06K9/62
Abstract: 本发明还提供一种双重非监督分类的极化SAR红树林提取方法及系统，进行雷达影像噪声抑制，利用斑点噪声抑制后的极化相干矩阵，进行H‑α极化目标分解，进行极化SAR影像初始化分类；基于Wishart分布利用最大似然分类器进行迭代分类，从非监督分类结果中选择功率最小的类别作为水体类；红树林分布区域初选，包括根据水体进行缓冲区提取，同时利用数字高程模型对高程大于等于预设阈值的区域进行排除；在红树林分布区域初选结果影像范围内，根据最大似然分类结果，利用似然比假设检验的方式对结果进一步迭代；红树林类提取，包括在似然比迭代分类结果的基础上，计算有效影像区类中心平均熵和平均功率并排序，将具有中等以上功率且熵最大的类作为红树林类。
-
公开(公告)号：CN111429496B
公开(公告)日：2022-02-01
申请号：CN202010146915.9
申请日：2020-03-05
Applicant: 武汉大学
Abstract: 本发明提出了一种顾及统计特性的时序全极化合成孔径雷达影像无监督变化检测方法，主要解决了现有方法极化信息利用不充分、差异影像概率统计分布欠拟合的问题。本发明充分利用长时间序列PolSAR影像提供的丰富时空信息，结合综合检验统计和改进最小误差阈值选取方法，提取研究区域地物变化检测的信息。本发明全部参数均可自动获取，执行速度较快，能够充分利用时序PolSAR影像丰富的时空信息，高效并准确地获取变化检测结果。同时本发明不仅能够适用于时序PolSAR影像变化检测，同时也能较好的应用于单极化和双极化SAR数据的变化检测，为观测区域大范围、长时间的变化检测提供了基础。
-
公开(公告)号：CN113627480A
公开(公告)日：2021-11-09
申请号：CN202110775729.6
申请日：2021-07-09
Applicant: 武汉大学
Abstract: 本发明涉及一种基于强化学习的极化SAR影像分类方法。首先对极化SAR影像进行辐射定标、滤波处理，接着对其进行极化分解得到极化特征参数，并对极化特征参数进行归一化处理，构建极化‑空间联合样本集，然后采用强化学习的开发‑利用学习机制训练FCN模型，在提升样本空间上下文信息和极化特征信息利用效率的同时，通过对样本的学习探索，生成大量的经验数据来训练模型，以达到减少样本量和提升分类精度的双重目的，最后用训练好的FCN模型对极化SAR影像进行分类。与现有需要大量数据驱动的CNN网络模型不同，本发明经过强化学习的经验生成和利用，在不超过2％的标注样本需求下即可获取很高的分类精度，满足极化SAR影像在小样本下高精度分类需求。
-
公开(公告)号：CN112883877A
公开(公告)日：2021-06-01
申请号：CN202110208379.5
申请日：2021-02-24
Applicant: 武汉大学
Abstract: 本发明还提供一种双重非监督分类的极化SAR红树林提取方法及系统，进行雷达影像噪声抑制，利用斑点噪声抑制后的极化相干矩阵，进行H‑α极化目标分解，进行极化SAR影像初始化分类；基于Wishart分布利用最大似然分类器进行迭代分类，从非监督分类结果中选择功率最小的类别作为水体类；红树林分布区域初选，包括根据水体进行缓冲区提取，同时利用数字高程模型对高程大于等于预设阈值的区域进行排除；在红树林分布区域初选结果影像范围内，根据最大似然分类结果，利用似然比假设检验的方式对结果进一步迭代；红树林类提取，包括在似然比迭代分类结果的基础上，计算有效影像区类中心平均熵和平均功率并排序，将具有中等以上功率且熵最大的类作为红树林类。
-
公开(公告)号：CN111429496A
公开(公告)日：2020-07-17
申请号：CN202010146915.9
申请日：2020-03-05
Applicant: 武汉大学
Abstract: 本发明提出了一种顾及统计特性的时序全极化合成孔径雷达影像无监督变化检测方法，主要解决了现有方法极化信息利用不充分、差异影像概率统计分布欠拟合的问题。本发明充分利用长时间序列PolSAR影像提供的丰富时空信息，结合综合检验统计和改进最小误差阈值选取方法，提取研究区域地物变化检测的信息。本发明全部参数均可自动获取，执行速度较快，能够充分利用时序PolSAR影像丰富的时空信息，高效并准确地获取变化检测结果。同时本发明不仅能够适用于时序PolSAR影像变化检测，同时也能较好的应用于单极化和双极化SAR数据的变化检测，为观测区域大范围、长时间的变化检测提供了基础。
-
Patent Agency Ranking
公开(公告)号：CN109521182A
公开(公告)日：2019-03-26
申请号：CN201811277362.X
申请日：2018-10-30
Applicant: 武汉大学
Abstract: 本发明公开了一种利用PolSAR数据和二分量极化目标分解模型反演土壤含水量的方法。其基本思想是：1)基于Cloude-Pottier分解，计算极化熵H和平均散射角α，判定地表覆盖类型；2)对于植被覆盖地表，基于二分量分解模型，去除体散射成分，分离出表面散射成分；对于裸地区域，认为观测数据仅包含表面散射成分；3)根据提取的表面散射分量，基于Bragg模型、X-Bragg散射模型、改进的Frenel模型解算地表介电常数εsoil；4)利用土壤介电混合模型(Topp模型)，即表面介电常数与土壤含水量间的非线性关系，计算土壤的体积含水量。本发明参数设置简单，执行速度较快，能够实现在无野外地表参数观测数据的情况下，大范围的获取高空分辨率的土壤含水量数据。
-
公开(公告)号：CN119375255A
公开(公告)日：2025-01-28
申请号：CN202411315604.5
申请日：2024-09-20
Applicant: 武汉大学
IPC: G01N22/00 , G01S13/90 , G06F18/10 , G06F18/213 , G06F17/18 , G06F18/2131 , G06V10/40 , G06V20/10
Abstract: 本申请涉及一种基于时序SAR与累积温度的水稻关键生育期监测方法，其中，方法包括：获取目标区域内水稻的时序SAR对应的年时序VH曲线和年时序VV曲线，并对年时序VH曲线进行滤波平滑处理，以得到年时序VH曲线对应的平滑曲线，且根据平滑曲线确定水稻播种期；提取水稻播种期至目标区域的水稻孕穗‑抽穗日期间的累积温度信息，并构建年时序VV曲线的多尺度信息；根据多尺度信息提取水稻关键生育期中的分蘖期信息和果实发育成熟期信息，同时基于多尺度信息和累积温度信息，提取目标区域内水稻关键生育期中的孕穗‑抽穗期信息。由此，解决了现有的水稻监测方法存在的作物生育期信息利用不充分、气候因素考虑不足等问题。
-
公开(公告)号：CN113343804A
公开(公告)日：2021-09-03
申请号：CN202110577250.1
申请日：2021-05-26
Applicant: 武汉大学
Abstract: 本发明提供一种面向单视全极化SAR数据的集成迁移学习分类方法，采用全图分割和局部开窗分割，利用图像空间上下文信息浓缩源域有标签样本量和扩充目标域有标签样本量；然后结合散射矢量相似性系数和适应度函数设置源域有标签样本选取过程，根据目标域类别中心调整训练评判器模型所用源域样本分布；引入对弱分类器可靠性的参考信息作为权重因子，采用加权形式利用迁移弱分类器进行类别软预测，给予预测结果一致的目标域无标签像元伪标签，以扩充目标域有标签样本量并训练新弱分类器；通过迭代利用生成的迁移弱分类器集合完成目标域所有像元的集成分类。本发明能够显著降低雷达图像分类任务对目标域标签信息的高度依赖，提高分类效率和自动化水平。
-
公开(公告)号：CN103761740A
公开(公告)日：2014-04-30
申请号：CN201410032188.8
申请日：2014-01-23
Applicant: 武汉大学
CPC classification number: G06K9/0063
Abstract: 一种基于震后单张POLSAR影像的建筑物损毁评估方法，包括对原始的POLSAR影像进行噪声去除、研究区域提取及分块；非建筑物区域检测；将规范化圆极化相关系数NCCC大于设定阈值的建筑物归为倒塌建筑物类，小于等于设定阈值的建筑物归为非倒塌建筑物类，然后进行预评价；当某个属于严重损毁类的分块的均质性纹理特征HOM大于等于预设的HOM纹理阈值时，将该分块改为属于中等损毁类；对最终的损毁程度分类结果进行精度评价。本发明仅利用震后单张全极化SAR数据进行倒塌建筑物的检测和评估，在提高评估精度的同时，减少了现有技术在灾害监测上对震前数据的依赖性。
-
公开(公告)号：CN119399617A
公开(公告)日：2025-02-07
申请号：CN202411315607.9
申请日：2024-09-20
Applicant: 武汉大学
Abstract: 本申请涉及一种基于生长早期短时序SAR影像的水稻识别方法，其中，方法包括：获取目标区域内水稻生长早期时序SAR数据，并对水稻生长早期时序SAR数据进行预处理，以得到标准早期SAR数据；采集目标区域内水稻生长的目标历史SAR数据，并根据目标历史SAR数据计算目标区域的水体后向散射值和植被后向散射值，且基于水体后向散射值、植被后向散射值和标准早期SAR数据计算目标区域的水稻判别指数；利用预设的SSSI阈值分割水稻判别指数，以得到指数分割结果，并根据指数分割结果提取目标区域内的水稻种植范围，且通过水稻种植范围识别目标区域的水稻最早识别期。由此，解决了现有的水稻早期提取方法较为依赖先验知识，且区域推广能力较弱等问题。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.018 seconds)
