-
公开(公告)号：CN104700116A
公开(公告)日：2015-06-10
申请号：CN201510111200.9
申请日：2015-03-13
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于多层量子脊波表示的极化SAR图像地物分类方法，主要解决现有技术特征表达不充分、分类精度低及时间复杂度高的问题。其实现步骤为：1.提取极化SAR图像的图像特征；2.将特征组合构成特征矩阵并归一化；3.从特征矩阵中选取训练数据集和测试数据集；4.用两层量子脊波网络训练训练数据集；5.用人工神经网络NN网络分类器对训练数据集训练并分类；6.利用训练好的分类器对测试数据集分类。本发明由于使用了多层量子脊波神经网络，结构更灵活，提高了极化SAR图像特征的表达能力，能够有效地提高极化SAR图像分类的精度，并降低时间复杂度，可用于复杂图像分类。
-
公开(公告)号：CN104680182A
公开(公告)日：2015-06-03
申请号：CN201510103312.X
申请日：2015-03-09
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于NSCT和判别字典学习的极化SAR分类方法，主要解决现有极化SAR图像分类方法的分类准确率低和分类速度慢的问题。其实现步骤是:1.获取待分类极化SAR图像的相干矩阵，对其进行Lee滤波，得到去噪后的相干矩阵；2.对去噪后的相干矩阵进行Cloude分解，将分解值中的3个非负特征值和散射角作为分类特征；3.对分类特征进行3层非下采样Contourlet变换，将变换后的低频系数作为变换域分类特征；4.使用变换域分类特征，结合判别字典学习模型训练字典和分类器；5.使用训练得到的字典和分类器对测试样本进行分类，得到分类结果。本发明提高了分类准确率和分类速度，适用于图像处理。
-
公开(公告)号：CN103310429B
公开(公告)日：2015-05-27
申请号：CN201310071841.7
申请日：2013-03-06
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于方向波域的隐马尔可夫树模型的图像增强方法，主要解决传统图像增强算法会引起边缘处失真，细节增强不明显的问题。其实现步骤为：(1)对图像进行方向波变换，获得三组高低频系数；(2)对高频系数建立HMT模型，得到模型参数集；(3)利用EM算法对参数集进行训练得到它的估计值，并计算高频系数的后验概率；(4)对三组高频系数进行非线性匹配的增强处理；(5)对三组低频系数和增强后高频系数进行方向波逆变换，获得三个增强后的图像；(6)将三个增强图像进行加权平均，获得最终的增强图像。本发明具有方向选择性好，细节增强效果明显，对比度高的优点，可用于遥感图像、低对比度的图像增强处理。
-
公开(公告)号：CN104517120A
公开(公告)日：2015-04-15
申请号：CN201410733535.X
申请日：2014-12-04
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6256
Abstract: 本发明公开了一种基于多路分层匹配追踪算法的遥感图像场景分类方法，主要解决现有技术分类精度不高的问题，其实现步骤为：(1)分别建立对遥感场景图像进行分类的训练集和测试集；(2)采用五种不同的滑窗对图像进行密集采样，得到图像采样点；(3)用K-SVD算法字典学习；(4)对图像采样点进行稀疏编码；(5)对图像进行块最大池化；(6)针对不同滑窗得到的图像块大小，分别建立第二层或第三层特征学习过程；(7)用金字塔模型和最大池化得到图像特征向量；(8)用半监督的支持向量机进行分类。本发明充分利用图像本身的信息建立了不同层次不同路径的特征学习过程，可用于遥感图像的场景检测和目标识别。
-
公开(公告)号：CN102968790B
公开(公告)日：2015-04-08
申请号：CN201210414782.4
申请日：2012-10-25
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于图像融合的SAR图像变化检测方法，主要解决现有技术中细节信息丢失和检测精度低的问题。其实现过程是：提取变化前后图像的差值差异图和比值差异图，并提取差值图像的方差矩阵；用KI阈值分割法，得到最佳阈值T；根据最佳阈值T和方差矩阵将差值图与比值图融合，得到融合后的最终差异图D；对所得的最终差异图D的灰度值进行类别数为2的模糊C均值聚类分割，将聚类中心取值较大的一类作为变化类，另一类为非变化类，得到变化监测结果。本发明克服了差值图对噪声敏感和比值图边缘信息丢失的缺点，降低了错误率，更好的保存了细节信息。
-
Patent Agency Ranking
公开(公告)号：CN102903118B
公开(公告)日：2015-04-08
申请号：CN201210415237.7
申请日：2012-10-25
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于快速全局K均值的自适应图像分割方法，主要解决现有技术自适应分割图像效果差和计算复杂度高的缺点，其实现步骤为：(1)读入一幅待分割的图像，提取待分割的图像的纹理特征；(2)设置图像聚类数c的搜索范围；(3)用改进后的快速全局K均值方法将纹理特征聚成c类，得到聚类中心；(4)计算每一个纹理特征属于每一类的隶属度；(5)根据隶属度和聚类中心计算聚类数为c，c-1，c-2分别对应的有效性指标L(c),L(c-1),L(c-2)；(6)若L(c-1)＞L(c-2)并且L(c-1)＞L(c)，则输出分割结果，否则，令c=c+1，返回步骤(3)。本发明与其他方法相比，计算复杂度低，自适应获得的最佳类别数和分割结果更准确，可用于对图像进行分割和聚类。
-
公开(公告)号：CN102800055B
公开(公告)日：2015-04-08
申请号：CN201210218612.9
申请日：2012-06-28
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种图像盲去模糊的低秩分解方法，主要解决现有技术在图像盲去模糊时不能良好的恢复图像边缘和高频细节的问题。其实现过程为：(1)利用频域迭代法对模糊图像b进行预恢复，得到迭代图像和模糊核i＝1,2,3...45；(2)对迭代图像i＝1,2,3...45中的每幅图像做归一化处理，得到规范的迭代图像i＝1,2,3...45；(3)将规范的迭代图像i＝1,2,3...45中的每幅图像都拉成一列，按照i＝1,2,3...45的顺序排成高维数据M；(4)计算高维数据M的低秩矩阵L；(5)把低秩矩阵L的每一列还原成图像，得到低秩图像ri，i＝1,2,3...45；(6)对低秩图像ri，i＝1,2,3...45做均值处理，得到最终清晰图像F。本发明能够充分利用每次迭代的图像信息，去除振铃效应，恢复出清晰且细节丰富的图像，可用于对各种模糊图像进行盲去模糊。
-
公开(公告)号：CN104463207A
公开(公告)日：2015-03-25
申请号：CN201410741792.8
申请日：2014-12-05
Applicant: 西安电子科技大学
CPC classification number: G06K9/6277 , G06N3/08
Abstract: 本发明方法公开了一种知识自编码网络及其极化SAR影像地物分类方法，主要解决现有极化SAR影像地物分类方法人工标记过多、分类正确率较低等问题。其实现主要是：构建知识自编码网络，逐层提取输入数据在不同深度层次的特征，用极化SAR影像数据Wishart距离作为先验知识指导地物分类；在网络学习时用正交PSO算法对网络参数寻优得到分类网络；将待分类数据输入网络得到分类结果。本发明通过构建知识自编码网络，自动对数据进行特征提取，避免人工参与，消除不确定因素；用先验知识指导分类结果，提高分类正确率；用正交PSO算法对网络寻优，加快训练速度。本发明可用于数据分类、图像分类、场景分类、目标识别及数据预测分析。
-
公开(公告)号：CN104392462A
公开(公告)日：2015-03-04
申请号：CN201410781342.1
申请日：2014-12-16
Applicant: 西安电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/33 , G06T2207/10044
Abstract: 本发明提供了一种基于显著分割子区域对的SAR图像配准方法，步骤是：1)输入同一地区两个时相的SAR图像；2)对两幅SAR图像进行均值滤波和直方图均衡化抑制相干斑；3)对两幅滤波均衡化后图像进行基于频谱残差的显著区域分割；4)对两幅图像的显著分割区域利用直方图众数排序后的灰度级序列计算最小欧氏距离获得匹配区域；5)利用改进后的综合学习粒子群算法对匹配区域计算配准参数；6)将配准参数利用像素点在子区域和原图像的坐标关系转化为原图像对的配准参数，得到最终配准结果。本发明解决现有方法在区域分割一致性不理想情况下的配准问题和基于灰度信息的配准计算量大的问题，用于变化检测、地物分类、地图修正、数据融合等。
-
公开(公告)号：CN104331707A
公开(公告)日：2015-02-04
申请号：CN201410609939.8
申请日：2014-11-02
Applicant: 西安电子科技大学
CPC classification number: G06K9/6269 , G06K9/6259
Abstract: 本发明公开了一种基于深度PCA网络和SVM分类器的极化SAR图像分类方法。本发明实现步骤为：对极化SAR图像进行滤波，提取形状特征参数、散射特征参数、偏振特征参数及协方差矩阵C的独立元素，且组合归一化为高维新特征，作为下一步要处理的数据；根据实际地物标记，分别从每个类别随机选取10％有标记数据作为训练样本；对训练样本白化处理作为输入对网络第一层进行训练，然后将结果作为第二层的输入对网络第二层进行训练，并对输出结果进行二值化和直方图统计；将深度PCA网络的输出作为最终学习到的特征训练SVM分类器；对测试样本白化处理，输入到训练好的网络框架中预测并计算正确率；上色显示分类后的图像并输出最终结果。
-
-
-
-
-
-
-
-
-
Search Results
1205
records
(took 0.064 seconds)
