-
公开(公告)号：CN114092834A
公开(公告)日：2022-02-25
申请号：CN202210076344.5
申请日：2022-01-24
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于空谱联合残差修正网络的无监督高光谱图像盲融合方法及系统，方法包括：建立高光谱图像的退化网络结构，用来模拟空间和光谱降采样过程；建立空间和光谱残差融合网络模型，利用退化模型得到的低分辨率结果与训练数据的差值作为融合网络的输入，即空间和光谱维度上的残差进行融合，得到对应于输入数据的残差图；对初始化数据进行修正，并将修正后的结果再送入退化网络和空谱联合修正网络中进行多次迭代以提高融合结果精度。本发明使用适用于无监督高光谱图像盲融合的空谱联合修正网络，空谱联合修正网络可以获得输入高光谱图像和真实值之间的误差图。
-
公开(公告)号：CN107633264B
公开(公告)日：2021-09-03
申请号：CN201710782177.5
申请日：2017-09-02
Applicant: 南京理工大学
Abstract: 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：CN113076659A
公开(公告)日：2021-07-06
申请号：CN202110443152.9
申请日：2021-04-23
Applicant: 南京理工大学
IPC: G06F30/20 , G06F111/04
Abstract: 本发明公开了一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统，所述方法包括以下步骤：根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。本发明能够对高光谱海洋图像数据进行快速、准确的舰船检测。
-
公开(公告)号：CN112016529A
公开(公告)日：2020-12-01
申请号：CN202011129045.0
申请日：2020-10-21
Applicant: 南京理工大学
Abstract: 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：CN104112263B
公开(公告)日：2018-05-01
申请号：CN201410306238.7
申请日：2014-06-28
Applicant: 南京理工大学
Abstract: 本发明提供了一种基于深度神经网络的全色图像与多光谱图像融合的方法，具体步骤如下：步骤1，构建高分辨与低分辨图像块对的训练集；步骤2，利用改进的稀疏去噪自编码器学习训练神经网络模型中第一层的初始化参数；步骤3，利用改进的稀疏去噪自编码器对神经网络进行逐层的预训练；步骤4，对经过预训练的深度神经网络的参数进行微调；步骤5，根据已知的低空间分辨的多光谱图像，利用该深度神经网络重构出高分辨的多光谱图像。本发明提供的方法采用了深度学习的方法，能够充分利用非线性的神经网络刻画多光谱图像复杂的结构信息，从而使融合后的多光谱图像不仅具有高空间分辨率，而且能很好地保留了其光谱信息。
-
Patent Agency Ranking
公开(公告)号：CN104063897B
公开(公告)日：2017-09-22
申请号：CN201410304965.X
申请日：2014-06-28
Applicant: 南京理工大学
IPC: G06T17/00
Abstract: 本发明提供了一种基于图稀疏正则化的卫星高光谱图像压缩感知重建方法,包括以下步骤：步骤1，将已知的高光谱数据的三维立方体重新排列为矩阵；步骤2，以随机卷积变换作为线性观测矩阵，构建多向量测量模型，对每一波段进行独立采样，生成测量向量矩阵；步骤3，将高光谱图像在稀疏变换域分解为谱间的关联成分和差异成分，构建包含关联成分和差异成分的图稀疏正则化的联合重建模型；步骤4，提出联合重建模型求解的交替方向乘子迭代算法，获得变换域的关联成分和差异成分，然后合并关联成分和差异成分，得到重建的高光谱数据。本发明提供的方法对卫星高光谱遥感数据进行压缩时压缩程度高、精度高。
-
公开(公告)号：CN103632385B
公开(公告)日：2016-09-21
申请号：CN201310652415.2
申请日：2013-12-05
Applicant: 南京理工大学
IPC: G06T9/00
Abstract: 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：CN103236046B
公开(公告)日：2016-01-20
申请号：CN201310157990.5
申请日：2013-04-28
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法。该方法通过分数阶全变差正则化加性噪声去噪和残差图像加权反馈两个步骤的交替迭代来实现相干斑滤波，利用对噪声标准差、图像卡通形态成分及其相应的残差图像的局部方差的估计，计算每个像素点归属于图像边缘、纹理和平滑三种形态的模糊隶属度，在此基础上提出模型参数的自适应计算方法，并简化分数阶差分的计算，提出一种分数阶自适应相干斑滤波方法。本方法能有效抑制噪声和“阶梯效应”，较好地保持图像边缘和纹理细节，滤波图像具有良好的视觉效果。本方法计算速度快，算法参数自适应计算，具有良好的实用性，在遥感、合成孔径雷达以及医学成像等领域具有广泛应用前景。
-
公开(公告)号：CN103150713B
公开(公告)日：2015-12-09
申请号：CN201310033127.9
申请日：2013-01-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种利用图像块分类稀疏表示与自适应聚合的图像超分辨方法，首先对训练集的图像块对进行分类，通过学习得到分类的高分辨与低分辨的字典对；然后对低分辨图像块进行分类稀疏表示超分辨重构，得到高分辨图像块；最后对图像块进行自适应聚合得到输出的高分辨图像。本发明能够有效地对各类自然图像进行超分辨重构，显著地提高了边缘清晰度与纹理细节的恢复程度。
-
公开(公告)号：CN104063897A
公开(公告)日：2014-09-24
申请号：CN201410304965.X
申请日：2014-06-28
Applicant: 南京理工大学
IPC: G06T17/00
Abstract: 本发明提供了一种基于图稀疏正则化的卫星高光谱图像压缩感知重建方法,包括以下步骤：步骤1，将已知的高光谱数据的三维立方体重新排列为矩阵；步骤2，以随机卷积变换作为线性观测矩阵，构建多向量测量模型，对每一波段进行独立采样，生成测量向量矩阵；步骤3，将高光谱图像在稀疏变换域分解为谱间的关联成分和差异成分，构建包含关联成分和差异成分的图稀疏正则化的联合重建模型；步骤4，提出联合重建模型求解的交替方向乘子迭代算法，获得变换域的关联成分和差异成分，然后合并关联成分和差异成分，得到重建的高光谱数据。本发明提供的方法对卫星高光谱遥感数据进行压缩时压缩程度高、精度高。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.025 seconds)
