-
公开(公告)号：CN108985247B
公开(公告)日：2021-12-21
申请号：CN201810832373.3
申请日：2018-07-26
Applicant: 北方工业大学
Abstract: 本发明提供了一种多光谱图像城市道路识别方法，包括：步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；步骤2，提取每个分割区域的底层特征，建立底层特征到高层语义对象的映射规则，实现从图像底层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，所述底层特征包括几何特征及光谱特征，所述高层语义对象包括绿化带、车道线、道路潜在区域。本发明采用SLIC超像素与结构张量粗分割相结合的方法，具有良好的抗噪能力，对复杂城区多光谱图像能够得到较好的分割结果；基于语义知识的道路识别方法对道路进行识别，解决了目前多光谱图像复杂环境城市道路识别精度不高，容易产生孔洞、断裂等问题。
-
Patent Agency Ranking
公开(公告)号：CN111932457A
公开(公告)日：2020-11-13
申请号：CN202010786064.4
申请日：2020-08-06
Applicant: 北方工业大学
Abstract: 本发明公开了一种遥感影像高时空融合处理算法、装置，获取低空间高时间的第一遥感影像和高空间低时间的第二遥感影像；对第一遥感影像进行重采样得到第三遥感影像；对第二遥感影像进行降采样得到第四遥感影像；将第三遥感影像和第四遥感影像输入至SRCNN网络，得到具有中间空间分辨率的第一重建影像；对第一重建影像进行重采样得到具有第二空间分辨率的第一重建影像；将具有第二空间分辨率的第一重建影像和第二遥感影像输入至SRCNN网络得到第二重建影像，将第二重建影像输入至时空融合模型得到高空间高时间的遥感影像。解决了现有技术中，将遥感影像进行时空融合得到高时空分辨率特征数据的过程融合算法复杂度高，融合质量低，运算效率低的问题。
-
公开(公告)号：CN111932457B
公开(公告)日：2023-06-06
申请号：CN202010786064.4
申请日：2020-08-06
Applicant: 北方工业大学
Abstract: 本发明公开了一种遥感影像高时空融合处理算法、装置，获取低空间高时间的第一遥感影像和高空间低时间的第二遥感影像；对第一遥感影像进行重采样得到第三遥感影像；对第二遥感影像进行降采样得到第四遥感影像；将第三遥感影像和第四遥感影像输入至SRCNN网络，得到具有中间空间分辨率的第一重建影像；对第一重建影像进行重采样得到具有第二空间分辨率的第一重建影像；将具有第二空间分辨率的第一重建影像和第二遥感影像输入至SRCNN网络得到第二重建影像，将第二重建影像输入至时空融合模型得到高空间高时间的遥感影像。解决了现有技术中，将遥感影像进行时空融合得到高时空分辨率特征数据的过程融合算法复杂度高，融合质量低，运算效率低的问题。
-
公开(公告)号：CN109034066B
公开(公告)日：2022-05-03
申请号：CN201810840821.4
申请日：2018-07-27
Applicant: 北方工业大学
IPC: G06V20/10 , G06V10/44 , G06V10/50 , G06V10/764 , G06K9/62
Abstract: 本发明提供了一种基于多特征融合的建筑物识别方法，包括：对输入的多光谱图像提取Gabor‑HOG特征；将提取的Gabor‑HOG特征与图像RGB颜色特征进行融合，形成低层特征向量；将低层特征向量输入到训练好的深度置信网络模型中，提取建筑物的高层特征，并生成每个像素点的后验概率；将生成的每个像素点的后验概率输入到训练好的条件随机场模型中，提取每个像素点邻域信息的上下文特征，并根据最大后验概率识别建筑物目标。本发明通过设计低层视觉特征，利用深度置信网络提取建筑物的高层特征，采用条件随机场提取建筑物的上下文特征，解决了提取建筑物特征单一化和传统方法只提取低层特征导致建筑物识别率低的问题，能够提高建筑物识别的精度和召回率。
-
公开(公告)号：CN108985247A
公开(公告)日：2018-12-11
申请号：CN201810832373.3
申请日：2018-07-26
Applicant: 北方工业大学
Abstract: 本发明提供了一种多光谱图像城市道路识别方法，包括：步骤1，基于面向对象分割方法将多光谱图像中的道路与周围地物进行分割；步骤2，提取每个分割区域的低层特征，建立低层特征到高层语义对象的映射规则，实现从图像低层特征到高层语义特征的映射，构建语义模型对道路进行识别；其中，所述低层特征包括几何特征及光谱特征，所述高层语义对象包括绿化带、车道线、道路潜在区域。本发明采用SLIC超像素与结构张量粗分割相结合的方法，具有良好的抗噪能力，对复杂城区多光谱图像能够得到较好的分割结果；基于语义知识的道路识别方法对道路进行识别，解决了目前多光谱图像复杂环境城市道路识别精度不高，容易产生孔洞、断裂等问题。
-
公开(公告)号：CN109034066A
公开(公告)日：2018-12-18
申请号：CN201810840821.4
申请日：2018-07-27
Applicant: 北方工业大学
CPC classification number: G06K9/00637 , G06K9/4619 , G06K9/4647 , G06K9/6273
Abstract: 本发明提供了一种基于多特征融合的建筑物识别方法，包括：对输入的多光谱图像提取Gabor‑HOG特征；将提取的Gabor‑HOG特征与图像RGB颜色特征进行融合，形成低层特征向量；将低层特征向量输入到训练好的深度置信网络模型中，提取建筑物的高层特征，并生成每个像素点的后验概率；将生成的每个像素点的后验概率输入到训练好的条件随机场模型中，提取每个像素点邻域信息的上下文特征，并根据最大后验概率识别建筑物目标。本发明通过设计低层视觉特征，利用深度置信网络提取建筑物的高层特征，采用条件随机场提取建筑物的上下文特征，解决了提取建筑物特征单一化和传统方法只提取低层特征导致建筑物识别率低的问题，能够提高建筑物识别的精度和召回率。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
