-
公开(公告)号：CN111739079A
公开(公告)日：2020-10-02
申请号：CN202010560921.9
申请日：2020-06-18
Applicant: 东华理工大学 , 江西裕丰智能农业科技有限公司
Abstract: 本发明公开了一种基于语义特征多源立体像对快速匹配方法。首先，构建多尺度差分卷积层(Difference of Convolutional Layers,DoC)提取影像多尺度高频信息用于检测稳定极值点，并采用尺度空间DoC函数进行曲线拟合方程精确定位特征点位，实现由低级-高级语义特征检测；然后，基于语义特征点尺度确定局部特征支撑区范围；最后，通过楔入多级相似性测度模块的深度卷积神经网络对语义特征点进行快速相似性测度，并结合核几何约束的RANSAC算法剔除误匹配点和粗差。本发明解决了多源立体像对宽基线大倾角、背景非线性变化情况下语义特征尺度不变性的快速匹配问题。
-
公开(公告)号：CN111739079B
公开(公告)日：2022-10-11
申请号：CN202010560921.9
申请日：2020-06-18
Applicant: 东华理工大学 , 江西裕丰智能农业科技有限公司
Abstract: 本发明公开了一种基于语义特征多源立体像对快速匹配方法。首先，构建多尺度差分卷积层(Difference of Convolutional Layers,DoC)提取影像多尺度高频信息用于检测稳定极值点，并采用尺度空间DoC函数进行曲线拟合方程精确定位特征点位，实现由低级‑高级语义特征检测；然后，基于语义特征点尺度确定局部特征支撑区范围；最后，通过楔入多级相似性测度模块的深度卷积神经网络对语义特征点进行快速相似性测度，并结合核几何约束的RANSAC算法剔除误匹配点和粗差。本发明解决了多源立体像对宽基线大倾角、背景非线性变化情况下语义特征尺度不变性的快速匹配问题。
-
公开(公告)号：CN111650615B
公开(公告)日：2023-05-09
申请号：CN202010038297.6
申请日：2020-01-14
Applicant: 东华理工大学
IPC: G01S19/37
Abstract: 本发明公开了一种模糊度格基规约质量评价方法，包含以下步骤：首先，由GNSS观测值建立观测方程，采用平差方法估计出模糊度浮点解及其方差矩阵其次，对进行乔列斯基分解，得到上三角阵B，将模糊度整数最小二乘问题转化为格上最近向量问题；再次，对B施密特正交化，得到正交矩阵B*和单位上三角矩阵U；其后，采用格基规约算法对U和B*依次进行尺度规约和正交基向量长度交换；相比于现有的模糊度格基规约质量评价方法，本发明定义的指标可以顾及正交基向量长度的整体大小，并反映其排序趋势，因此可以准确地定量评价规约算法的规约质量，能够为模糊度规约算法的选取提供参考，在GNSS快速高精度定位方面具有较好的应用价值。
-
公开(公告)号：CN112013914B
公开(公告)日：2023-01-17
申请号：CN202010776734.4
申请日：2020-08-05
Applicant: 东华理工大学
Abstract: 本发明提供一种简便的ADCP流量校准方法及系统，包括计算由底跟踪船速推导的坐标矢量差、由GPS定位信息推导的坐标矢量差以及二者之间的差值；根据各历元底跟踪船速的大小，将差值分配到各历元的底跟踪船速中，实现底跟踪船速的偏差改正；利用ADCP水跟踪获得的相对流速和改正后的底跟踪船速，计算改正后的绝对流速；根据改正后的底跟踪船速和改正后的绝对流速计算断面流量，实现ADCP流量校准。本发明技术方案利用低精度的GPS动态定位结果消除了底质流动对底跟踪船速的影响，实现了ADCP流量的精确校准，非常适用于水文测量和水利工程应用。
-
公开(公告)号：CN112347894A
公开(公告)日：2021-02-09
申请号：CN202011203898.4
申请日：2020-11-02
Applicant: 东华理工大学
Abstract: 本发明公开了一种基于迁移学习和高斯混合模型分离的单株植被提取方法，包括以下步骤：S1，基于直推式迁移学习进行树干探测，以获取树干点；S2，以树干点云为基础进行最邻近聚类获取初始分割结果；S3，采用主成分变换和核密度估计确定初始分割中各部分的混合成分的数目，并基于混合成分的数目实现高斯混合模型分离获得树冠分离结果；S4，进行基于点密度重心的过分割植被优化合并；S5，基于竖直连续性原则采用从上之下的方式获取各个树冠所对应的树干点云，完成单木提取。本发明能够在保证获取较高树木提取精度的同时，可以实现更多的树木的探测。
-
Patent Agency Ranking
公开(公告)号：CN109242786B
公开(公告)日：2020-09-22
申请号：CN201810926973.6
申请日：2018-08-15
Applicant: 东华理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种适用于城市区域的自动化形态学滤波方法，包括：S1，将点云转换为深度图像，获取二维格网数据；S2，采用中值去噪法去除深度图像中的噪声数据；S3，设定滤波窗口尺度范围，采用形态学高帽运算对格网数据进行尺寸标记；S4，设定面积和粗糙度约束条件，对最大建筑物尺寸进行探测，同时确定最优滤波窗口；S5，依据形态学滤波结果计算各局部地形区域梯度变化，将滤波阈值设定为梯度变化的线性函数；S6，根据自适应变化的滤波阈值，按点基元逐点进行滤波实现。本发明能够实现最优滤波窗口的自动化确定，提升自动化程度。采用基于梯度变化的阈值设定，此阈值能够根据实际地形进行自适应更新，提高了对于复杂地形区域的鲁棒性及滤波精度。
-
公开(公告)号：CN111950589B
公开(公告)日：2022-09-30
申请号：CN202010634692.0
申请日：2020-07-02
Applicant: 东华理工大学
IPC: G06V10/762 , G06V10/26 , G06V10/44 , G06V10/764
Abstract: 本发明公开了一种结合K‑means聚类的点云区域生长优化分割方法，包括以下步骤：S1，对点云数据进行K‑means聚类，获取聚类后各对象基元的质心，将质心按高程进行排序，获取最低质心点；S2，遍历所有对象基元，计算各个对象基元的质心与高程最低的质心之间的角度和高差，将符合高差阈值和角度阈值的质心所在的对象基元被划分为地面点，其余质心所在的对象基元划分为地物点；S3，遍历未划分的地物对象基元，对未划分的地物对象基元进行区域生长，直到所有的对象基元都遍历完，结束生长。本发明采用对聚类后的对象基元进行生长，能够解决传统的三维数据区域生长过慢的问题，提高了点云数据运算速度，同时解决了点云分割结果较零散造成的分割精度过低的问题。
-
公开(公告)号：CN110119438B
公开(公告)日：2021-05-07
申请号：CN201910326254.5
申请日：2019-04-23
Applicant: 东华理工大学
Abstract: 本发明公开了一种基于主动学习的机载LiDAR点云滤波方法，包括步骤：S1，获取点云数据并进行低位噪声点剔除；S2，采用多尺度形态学运算自动获取并标记训练样本集；S3，对训练样本集进行特征提取并建立SVM模型S4，采用训练模型对候选样本集进行分类，分为候选地面点集和候选非地面点集，将神谕设置为候选点集至拟合曲面距离的S型函数，每次迭代分别从候选地面点集和候选非地面点集中各选取q个点加入训练样本集中并更新训练模型，一直迭代，直到候选地面点集和候选非地面点集中的点云个数均不再大于q为止，最后将最新训练模型的分类作为点云滤波结果；S5，滤波优化。本发明能够解决现有技术需要大量的样本标记，滤波精度不够理想的问题。
-
公开(公告)号：CN112348829A
公开(公告)日：2021-02-09
申请号：CN202011205299.6
申请日：2020-11-02
Applicant: 东华理工大学
Abstract: 本发明公开了一种基于模态点演化的地面LiDAR点云枝叶分离方法，包括以下步骤：S1，采用Mean Shift分割方法对地面LiDAR点云进行分割，以获取模态点；S2，利用模态点构建图形结构并进行最短路径分析；S3，基于路径回溯和节点演化进行叶子节点探测；S4，基于节点访问频率和节点演化进行枝干节点探测。根据本发明提供的基于模态点演化的地面LiDAR点云枝叶分离方法，首先采用Mean Shift方法获取模态点，每个模态点对应一个分割对象，进行将基于点的枝叶分离转化为基于对象的枝叶分离。相较于基于几何特征的枝叶分离，基于对象的方法能够大大减小计算量并能提高分离效率。
-
公开(公告)号：CN112348829B
公开(公告)日：2022-06-28
申请号：CN202011205299.6
申请日：2020-11-02
Applicant: 东华理工大学
IPC: G06T7/11 , G06T7/60 , G06T7/62 , G06V10/762 , G06K9/62
Abstract: 本发明公开了一种基于模态点演化的地面LiDAR点云枝叶分离方法，包括以下步骤：S1，采用Mean Shift分割方法对地面LiDAR点云进行分割，以获取模态点；S2，利用模态点构建图形结构并进行最短路径分析；S3，基于路径回溯和节点演化进行叶子节点探测；S4，基于节点访问频率和节点演化进行枝干节点探测。根据本发明提供的基于模态点演化的地面LiDAR点云枝叶分离方法，首先采用Mean Shift方法获取模态点，每个模态点对应一个分割对象，进行将基于点的枝叶分离转化为基于对象的枝叶分离。相较于基于几何特征的枝叶分离，基于对象的方法能够大大减小计算量并能提高分离效率。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.081 seconds)
