-
公开(公告)号：CN112710975A
公开(公告)日：2021-04-27
申请号：CN202110098931.X
申请日：2021-01-25
Applicant: 东北林业大学
IPC: G01R33/563 , A61B5/055
Abstract: 本发明基于稀疏和局部低秩矩阵分解的磁共振扩散图像重建方法属于数字图像处理技术领域，具体涉及一种磁共振扩散加权成像技术；该磁共振扩散图像重建方法首先获得k空间欠采样数据，并计算初始重建图像，然后构建基于稀疏和局部低秩矩阵分解的磁共振扩散图像压缩感知重建模型，再采用奇异值软阈值法求解磁共振扩散图像背景成分，并采用软阈值算法求解稀疏成分，接着采用数据一致性更新重建图像，最后根据是否满足收敛条件来判断继续迭代或得到重建图像的最终结果；本发明基于稀疏和局部低秩矩阵分解的磁共振扩散图像重建方法，能够保留图像的细节信息，实现多个不同扩散方向的DW图像的高质量重建，加快心脏磁共振扩散成像速度。
-
Patent Agency Ranking
公开(公告)号：CN117218535B
公开(公告)日：2024-05-14
申请号：CN202311173891.6
申请日：2023-09-12
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
Abstract: 一种基于SFA的长期森林覆盖变化检测方法，属于森林检测技术领域。方法如下：采集A1、A2时期被检测森林区域实时遥感图像并划分为多个栅格后进行存储；计算每个栅格的植被指数；对对应的栅格的植被覆盖度进行融合；获得数据集并将数据集划分为训练集和测试集；构建神经网络模型；利用训练集对神经网络模型进行训练；利用测试集和训练好的神经网络模型，实现对A1至A2期间的森林覆盖变化的检测；重复上述步骤实现长期森林覆盖变化的检测。本发明运用SFA提取森林信息，解决了目前没有对植被缓慢变化特征进行检测的问题，提高了长期森林覆盖变化检测的准确度，有助于对森林进行有效及时的排查维护，从而保证了整个森林的安全。
-
公开(公告)号：CN117349635A
公开(公告)日：2024-01-05
申请号：CN202311209346.8
申请日：2023-09-19
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
Abstract: 一种长时序森林覆盖变化监测模型评价方法，属于森林监测技术领域。方法如下：S1：构建A1时期的被监测森林的参考模型；S2：构建A2时期的被监测森林的对照模型；S3：将对照模型与参考模型进行对比得到对照集；S4：训练网络监测模型；S5：将对照集的数据输入训练好的网络监测模型中，得到森林覆盖变化监测模型的长时序预测结果。本发明通过构建两个不同时期的可用于进行对照的参考模型以及对照模型，得到森林覆盖变化监测模型的长时序预测结果。
-
公开(公告)号：CN117541916A
公开(公告)日：2024-02-09
申请号：CN202311292677.2
申请日：2023-10-08
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
IPC: G06V20/10 , G06V10/764 , G06V20/13 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/088
Abstract: 一种长时间序列森林覆盖时空变化分析方法，属于遥感技术与应用领域。方法如下；构建长时间序列森林覆盖时空数据集；对数据进行预处理；利用决策树分类器进行图像分类，得到森林覆盖类型图；通过比较不同时间点的森林覆盖类型图，采用动态规划方法进行变化检测；根据精度验证结果，调整变化检测算法，得到高精度长时间序列森林覆盖时空变化分析结果。本发明通过对长时间序列数据的处理，能够全面准确地反映森林覆盖的时空变化，具有操作简单、适用范围广、可靠性高等优点；采用动态规划方法进行变化检测，提高了检测的精度和可靠性；通过对不同时间点的森林覆盖类型图进行比较，实现了对森林覆盖变化的精细化管理。
-
公开(公告)号：CN117034778A
公开(公告)日：2023-11-10
申请号：CN202311089810.4
申请日：2023-08-28
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
IPC: G06F30/27 , G06T5/50 , G06V10/42 , G06V10/82 , G06V20/13 , G06V20/10 , G06N3/045 , G06N3/042 , G06N3/0464
Abstract: 本发明公开了一种基于Hypergraph‑Transformer结构反演地上生物量的方法，所述方法面向SAR与光学卫星遥感融合影像的生物量反演模型，构建基于Transformer相关结构的深度学习模型，充分发挥Transformer结构对全局信息的提取能力，挖掘融合后的遥感影像数据中的深层空间的特征信息，构建基于融合影像的高维度特征表示，通过深度学习算法实现生物量的估算反演。本发明基于超图(HyperGraph)的网络特征提取增强结构，进一步表征融合后的遥感影像数据中的几何拓扑信息。通过对原始特征构建超图结构，进行超图学习，为后续高维度特征空间信息的获取提供支持。
-
公开(公告)号：CN117218535A
公开(公告)日：2023-12-12
申请号：CN202311173891.6
申请日：2023-09-12
Applicant: 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) , 东北林业大学
Abstract: 一种基于SFA的长期森林覆盖变化检测方法，属于森林检测技术领域。方法如下：采集A1、A2时期被检测森林区域实时遥感图像并划分为多个栅格后进行存储；计算每个栅格的植被指数；对对应的栅格的植被覆盖度进行融合；获得数据集并将数据集划分为训练集和测试集；构建神经网络模型；利用训练集对神经网络模型进行训练；利用测试集和训练好的神经网络模型，实现对A1至A2期间的森林覆盖变化的检测；重复上述步骤实现长期森林覆盖变化的检测。本发明运用SFA提取森林信息，解决了目前没有对植被缓慢变化特征进行检测的问题，提高了长期森林覆盖变化检测的准确度，有助于对森林进行有效及时的排查维护，从而保证了整个森林的安全。
-
-
-
-
-
Search Results
6
records
(took 0.029 seconds)
