-
公开(公告)号：CN104637037A
公开(公告)日：2015-05-20
申请号：CN201510110333.4
申请日：2015-03-13
Applicant: 重庆大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于非本地分类稀疏表示的SAR图像降噪方法。属于数字图像处理技术领域。它是一种基于分类系数估计与稀疏表示相结合的SAR图像降噪方法。首先按照图像的同质区和异质区进行分类，而后分别采用非本地均值方法和3D变换域硬阈值收缩方法实现对同质区和异质区的降噪，并由降噪结果获得非本地系数。为进一步提高降噪性能，利用所估计出的非本地系数对稀疏表示模型中的系数进行约束，以更好的逼近真实图像的系数。最后,利用最终估计的系数重构出降噪后的图像。本发明对图像的同质区和异质区采用不同方法进行处理，不仅可有效的实现同质区抑斑，同时能保留异质区中存在的细节，可用于SAR图像降噪。
-
公开(公告)号：CN104251675A
公开(公告)日：2014-12-31
申请号：CN201410477613.4
申请日：2014-09-18
Applicant: 重庆大学
IPC: G01B15/06
Abstract: 本发明公开一种多目标微变形实时遥测方法与系统，系统由安装在固定位置的微变形遥测射频标签阅读器和安装在被测物上的多个观测点射频标签构成。标签阅读器辐射射频载波信号，标签收到该信号后，使用不同频率的正弦波信号对其进行调制，然后再转发回标签阅读器，标签阅读器收到多个标签的混合回波信号，使用正交下变频电路将其下变频至基带，然后使用标签分离电路即多个极窄带带通滤波器分离识别标签，使用相位检测电路获取射频信号往返于标签阅读器和各个标签之间的相位差，从而测量出每个标签的位移量。该方法具有如下优点：(1)系统测量精度高，实时响应速度快；(2)安装使用方便，观测点之间，观测点与遥测终端之间无需线缆连接。
-
公开(公告)号：CN104021399A
公开(公告)日：2014-09-03
申请号：CN201410116391.3
申请日：2014-03-26
Applicant: 重庆大学
IPC: G06K9/66
Abstract: 本发明提供了一种基于距离像时频图非负稀疏编码的SAR目标识别方法，该方法采用非负稀疏编码，整个识别过程中，均不需要对SAR图像目标进行方位角估计，因此降低了识别复杂程度，也避免了识别准确性对目标方位角估计的依赖，有助于提高目标识别率，同时基于距离像时频图的非负稀疏编码技术进行雷达目标识别在噪声环境下也具有良好的识别性能，不仅不会在目标运动导致散焦或者信噪比等因素造成图像质量不高时影响识别效果，还能够帮助提升雷达目标识别的鲁棒性能。
-
公开(公告)号：CN103226196A
公开(公告)日：2013-07-31
申请号：CN201310184862.X
申请日：2013-05-17
Applicant: 重庆大学
IPC: G01S7/41
Abstract: 本发明提供了一种基于稀疏特征的雷达目标识别方法，该方法以雷达目标图像的稀疏特征作为雷达目标图像训练样本和待测雷达目标的识别特征，帮助提升雷达目标识别的数据针对性并减少数据处理运算量，再通过训练样本的稀疏特征构建待测雷达目标的稀疏线性方程，然后通过贝叶斯压缩感知算法求解稀疏线性方程，借助压缩感知理论实现对待测雷达目标的识别，不需要借助目标方位角估计，降低了识别复杂程度，避免了识别准确性对目标方位角估计的依赖，同时基于压缩感知理论进行雷达目标识别在噪声环境下也具有良好的识别性能，从而解决了现有技术中雷达目标识别系统较为复杂、识别准确性有限的问题，达到提高雷达目标识别的处理效率和识别准确性的目的。
-
公开(公告)号：CN102645649A
公开(公告)日：2012-08-22
申请号：CN201210148117.5
申请日：2012-05-14
Applicant: 重庆大学
Abstract: 本发明提供了一种基于雷达目标距离像时频特征提取的雷达目标识别方法，该方法首先采用匹配追踪时频分析方法计算得到雷达目标距离像的时频分布矩阵，然后应用非负矩阵分解技术分解时频分布矩阵，得到能够有效反映雷达目标HRRP内部时频相干结构的时频特征；最后，再根据雷达目标距离像的时频特征提取方案进行雷达目标识别；该方法能够通过计算机运行执行，减少雷达目标识别观测人员的工作量，有助于提高雷达目标识别效率，并且该方法中采用非负矩阵分解有效实现了目标距离像时频矩阵的降维，并分解得到雷达目标散射的时相结构，能够进一步提高雷达目标识别的运算性能和准确性。
-
Patent Agency Ranking
公开(公告)号：CN119741468A
公开(公告)日：2025-04-01
申请号：CN202411645078.9
申请日：2024-11-18
Applicant: 重庆大学
IPC: G06V10/25 , G06V10/774 , G06V10/42 , G06V10/764
Abstract: 本发明公开了一种基于无监督域适应的SAR目标识别方法，包括：将待识别的SAR图像输入训练好的目标识别模型中，输出对应的目标预测结果；训练步骤如下：通过渐进多级小波变换数据增广模块对源域样本进行增广，计算小波变换增广源样本损失；通过渐近实例‑原型对齐模块根据每个源域样本与每个目标原型的距离计算源域样本的分类概率，计算实例‑原型损失；基于弱增广目标样本和强增广目标样本的单样本一致性对齐和多样本关系一致性对齐来计算一致性对齐损失；基于小波变换增广源样本损失、实例‑原型损失和一致性对齐损失来对目标识别模型进行参数优化；重复训练直至模型收敛。本发明能够在目标域无标注样本的情况下提高SAR目标识别的准确性。
-
公开(公告)号：CN115100314B
公开(公告)日：2025-03-25
申请号：CN202210852123.2
申请日：2022-07-20
Applicant: 重庆大学
Abstract: 本发明公开了一种基于行与列同时低秩约束的磁共振波谱重建方法。属于数字图像处理技术领域。它是一种利用二维磁共振波谱的二元指数结构对其行与列分别构成的汉克尔矩阵进行低秩约束的磁共振波谱重建方法。首先将二维磁共振波谱的各行与各列构建对应汉克尔矩阵，然后采用一种非凸范数约束汉克尔矩阵的低秩特性，最后通过交替方向乘子法优化求解建立的磁共振波谱重建模型。本发明对二维磁共振波谱施加非凸的低秩约束，有效提取了其二元指数结构，同时分别对重建模型的各子问题进行精确求解，使得从欠采样的时空编码数据中重建的磁共振波谱有效抑制了伪影现象，而且重建波谱中的谱峰更接近于真实的谱峰，因此可用于磁共振波谱的重建。
-
公开(公告)号：CN111080678B
公开(公告)日：2022-02-01
申请号：CN201911413117.1
申请日：2019-12-31
Applicant: 重庆大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06T7/246 , G06T7/11 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的多时相SAR图像变化检测方法，与现有技术相比，以超像素为单位，将邻域信息带入分类，进行聚类，抑制了矩形patch产生时的人为干扰，降低了聚类的不确定性，也抑制了影响SAR图像可解释性的斑点噪声。并且本发明将变化检测作为两个阶段的分类，抑制了大量由斑噪引起的虚警。在第一阶段，我们简单地将DI聚集成变化和无变化的类。在第二阶段，基于斑噪引起的变化与真实物体的变化之间的内在差异，我们采用低秩稀疏分解(LRSD)进行预处理。LRSD的低秩项使斑噪引起的假变化恢复到原来的状态，而稀疏项将斑噪从图像中分离出来，大大削弱了斑噪对后续分类的影响。
-
公开(公告)号：CN108985365B
公开(公告)日：2021-10-01
申请号：CN201810732829.9
申请日：2018-07-05
Applicant: 重庆大学
Abstract: 本发明公开了一种基于深度子空间切换集成学习的多源异构数据融合方法，按照以下步骤进行：S1：分别对每个源数据集进行特征提取，并组成空谱特征；S2：重组构成空谱特征数据集；S3：基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；S4：针对三组样本集，分别构建分类器模型；S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。其效果是：本发明联合光谱空间信息并融入分层子空间切换集成学习算法，利用了多尺度的空谱样本，增加了有用样本，提高了训练的质量，既保留了边缘信息，又提高了样本的多样性和可分性。
-
公开(公告)号：CN109344767B
公开(公告)日：2021-09-28
申请号：CN201811148970.0
申请日：2018-09-29
Applicant: 重庆大学
Abstract: 本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，本发明首次通过挖掘相邻SAR图像的方位相关性，对传统的协同表示算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，更加适用于SAR图像目标分类。此方法不仅保留了协同表示操作简单的优点，同时也提高了SAR目标分类的准确度，并且其抗噪声能力和对各参数变化的鲁棒性都很优越。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.021 seconds)
