-
公开(公告)号：CN112016529B
公开(公告)日：2021-02-12
申请号：CN202011129045.0
申请日：2020-10-21
申请人： 南京理工大学
摘要： 本发明公开了一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，包括以下步骤：根据高阶奇异值分解构建空间维因子矩阵，以充分提取高光谱图像的空间维度信息；用聚类算法对高光谱数据的所有像元进行k个类别归类，去除聚类簇中像元数目少于P的像元，剩下的像元按每一簇进行计算其核空间异常指标，从而最终选取叠加和最大的前P个像元作为光谱维因子矩阵的组成原子；建立基于鲁棒光谱协方差距离正则化的高光谱图像异常智能检测模型，构造拉格朗日方程，逐步迭代求解某一个变量同时固定其余变量，求解异常检测模型，根据所求得的解得到异常目标。本发明能够对高光谱遥感图像中的异常目标实现智能检测，有效降低虚警率。
-
公开(公告)号：CN112184560A
公开(公告)日：2021-01-05
申请号：CN202011387862.6
申请日：2020-12-02
申请人： 南京理工大学
摘要： 本发明公开了一种基于深度闭环神经网络的高光谱图像超分辨率方法，包括面向高光谱数据构建深度闭环神经网络模型和变量分离精细优化重建高分辨率高光谱图像两个过程，该方法的主要步骤为：构建两个深度学习模型分别学习超分辨过程和逆超分辨过程，两个模型形成闭环网络减少映射空间，促进模型拟合；采用适合高光谱图像的网络结构分别提取空间特征和光谱特征，空间信息和光谱信息联合重构，提高超分辨得到的图像质量；利用训练好的深度闭合神经网络，采取变量分离精细优化方法进行模型迭代求解，优化重建结果。本发明使用适用于高光谱图像超分辨率的深度闭环神经网络，闭环网络可以缩减映射空间，可以得到比单向网络更好的重建结果。
-
公开(公告)号：CN111444007A
公开(公告)日：2020-07-24
申请号：CN202010545489.6
申请日：2020-06-16
申请人： 南京理工大学
摘要： 本发明公开了一种基于云计算的遥感大数据自动化处理方法，遥感大数据自动化处理引擎识别输入的遥感大数据处理请求，获知待处理遥感数据存储地址、遥感数据处理流程、资源-时间映射表、流程所涉及数据处理任务的存储地址和任务调度算法的存储地址；根据获得的算法存储地址从存储单元获取算法，并将流程、资源-时间映射表作为算法的输入，执行算法，得到任务调度结果；根据获得的调度结果在计算单元中部署计算环境；根据获得的遥感数据和任务的存储地址分别获取遥感数据和任务，并根据获得的任务调度结果在获得的计算环境中执行任务，得到遥感数据的处理结果。本发明遥感能够有效提高云计算平台处理遥感大数据的效率。
-
公开(公告)号：CN109785281A
公开(公告)日：2019-05-21
申请号：CN201811651581.X
申请日：2018-12-31
申请人： 南京理工大学
IPC分类号： G06T5/50
摘要： 本发明公开了一种基于光谱映射的灰度调幅的pansharpening方法。首先通过建立变分模型求解光谱映射转换矩阵T，得到具有一定光谱分辨率的高空间分辨率图像（P_HCM）。然后，对光谱映射后得到的图像进行空间滤波进而产生带有光谱信息的空间细节，并将其注入到上采样后的MS图像中，得到具有较高分辨率的HR_MS图像；最后，基于平滑滤波的亮度调幅（SFIM）原理，得到最终的具有高空间和光谱分辨率的融合图像（HRMS）。本发明基于传统的pansharpening方法，充分挖掘HRPAN图像和LRMS图像的光谱和空间信息，在很好的保持空间结构信息的前提下，具有很好的光谱保真性，能得到具有良好视觉效果的融合图像。
-
公开(公告)号：CN107633264A
公开(公告)日：2018-01-26
申请号：CN201710782177.5
申请日：2017-09-02
申请人： 南京理工大学
摘要： 本发明公开了一种基于空谱多特征极限学习的线性共识集成融合分类方法，包括以下步骤：提取高光谱图像的光谱特征、空间特征和几何结构特征；用条件类概率极限学习机作为分类器，分别处理光谱特征、空间特征和几何结构特征，各自得到一组分类标签以及概率分布；建立线性共识集成模型，分析不同特征得到的分类结果，得到最终分类结果。本发明利用多种光谱特征、空间特征和几何结构特征，定义条件类概率极限学习机作为分类器得到分类标签以及概率分布，最后建立线性共识集成融合模型，充分考虑不同特征对不同区域像元的作用，可以获得更好的分类结果。
-
-
公开(公告)号：CN103632385A
公开(公告)日：2014-03-12
申请号：CN201310652415.2
申请日：2013-12-05
申请人： 南京理工大学
IPC分类号： G06T9/00
摘要： 本发明方法提出一种基于空谱联合稀疏先验的卫星高光谱图像压缩感知重建方法。该方法包括星上编码端高光谱数据块对角随机测量和地面解码端压缩感知重建，星上编码端采用块对角的高光谱数据随机测量矩阵对每一个光谱波段进行独立随机采样获得测量数据后将其通过数据链路发送到地面解码端，地面解码端将数据分解为低秩成分和稀疏成分，联合高光谱数据光谱波段间的低秩先验与光谱波段内的稀疏性先验建立凸优化重建模型，进行迭代求解获得重建的高光谱数据低秩成分和稀疏成分，合并低秩成分和稀疏成分后获得重建的高光谱数据。本发明方法提高了卫星高光谱图像压缩感知重建的精度和效率。
-
公开(公告)号：CN101540043B
公开(公告)日：2012-05-23
申请号：CN200910031270.8
申请日：2009-04-30
申请人： 南京理工大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种单幅图像复原的解析迭代快速频谱外推方法，包括迭代系统初始化过程和解析迭代过程。其中：初始化过程计算降质图像频谱、设置初始迭代解、系统初始参数；解析迭代过程通过不断精细的梯度信息阈值收缩估计图像的水平和垂直方向梯度信息，通过解析迭代频谱和梯度信息频谱解析预测得到预测频谱，通过图像频谱合成校正将降质图像频谱和预测频谱解析合成校正得到高分辨率图像。本发明方法基于快速傅立叶变换技术，通过截止频率以下频谱，外推截止频率以上频谱，以很小的复杂度达到图像快速复原。去模糊和抑制噪声能力明显优于常规方法，信噪比得到显著提高。该方法非常便于利用快速傅立叶变换DSP芯片组成的图像处理硬件实现。
-
公开(公告)号：CN118628723A
公开(公告)日：2024-09-10
申请号：CN202410899933.2
申请日：2024-07-05
申请人： 南京理工大学
IPC分类号： G06V10/25 , G06V10/44 , G06V10/52 , G06V10/58 , G06V10/80 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/0455 , G06N3/048
摘要： 本发明公开了一种基于光谱鉴别信息提取与分块级样本模拟的高光谱目标检测方法，方法包括：使用双线性混合模型丰度生成模拟目标样本；结合目标位置随机性与形状随机性，使用BMM对图像分块模拟目标光谱多样性，从而迫使模型学习目标与背景的光谱差异鉴别信息；建立基于编码和解码部分的光谱鉴别信息提取网络结构，通过编码器提取多尺度、多层次的特征，通过解码器将从编码器获得的特征解码成最终的目标检测图。本发明适用于基于先验的深度高光谱目标检测的光谱鉴别信息提取网络与分块级样本模拟，光谱鉴别信息提取网络可以获得目标检测的结果图，分块级样本模拟可以得到模拟目标样本与对应标签图像。
-
公开(公告)号：CN116310856A
公开(公告)日：2023-06-23
申请号：CN202310036190.1
申请日：2023-01-08
申请人： 南京理工大学
IPC分类号： G06V20/13 , G06V10/42 , G06V10/762 , G06V10/82 , G06N3/0895 , G06N3/096
摘要： 本发明公开了一种基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法及系统，采用多尺度特征提取图像的特征，通过负样本队列与自监督网络的对抗学习，通过实例聚类群体辨别学习，由互斥信息对比损失和聚类信息对比损失训练自监督模型，再采用与上游自监督任务相适应的下游遥感目标检测网络进行迁移学习，提取待检测图像的特征信息，获得预测的标签类别、置信度和预测框，适用于尺度变化大、背景复杂的遥感目标检测。
-
-
-
-
-
-
-
-
-
搜索结果
69 条记录 (耗时 0.059 秒)
