-
公开(公告)号：CN109360231B
公开(公告)日：2022-01-07
申请号：CN201811248556.7
申请日：2018-10-25
申请人： 哈尔滨工程大学
摘要： 本发明涉及一种基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法，包括以下步骤：步骤1：收集N幅实际海冰遥感图像，利用分形方法生成N个K×K的海冰场景高程矩阵；步骤2：依据每个高程矩阵和海冰色带，逐一索引生成初始仿真海冰RGB图像集；步骤3：将初始仿真海冰RGB图像矢量化，形成N个初始化矢量数据；步骤4：利用步骤3形成的矢量数据作为生成网络初始输入，同时初始化生成网络和判别网络权重参数；步骤5：利用N幅实际海冰遥感图像训练分形深度卷积生成对抗网络；步骤6：通过步骤1～步骤3重新生成矢量数据，将数据输入步骤5所训练完成的分形深度卷积生成对抗网络。本发明能够降低网络计算量，同时提升海冰仿真效果。
-
公开(公告)号：CN109409286A
公开(公告)日：2019-03-01
申请号：CN201811248521.3
申请日：2018-10-25
申请人： 哈尔滨工程大学
摘要： 本发明涉及一种基于伪样本增强训练的船舶目标检测方法，包括以下步骤：搜集船舶3D模型数据，生成初步船舶模型；对初步船舶模型进行纹理映射，生成仿真船舶模型；以真实图像为基底，采用正投影方法将仿真船舶模型投射至图像中，生成仿真图像，以仿真图像数据构成伪样本集；将伪样本集与真实图像数据集结合，构成训练集，采用Faster-RCNN目标检测方法进行训练，得到船舶检测网络；使用检测网络对待检测的图像进行船舶检测。本发明降低了Faster-RCNN目标检测方法训练过程中对训练数据量的要求，提升了检测精度，减少了船舶目标漏检。
-
公开(公告)号：CN109360231A
公开(公告)日：2019-02-19
申请号：CN201811248556.7
申请日：2018-10-25
申请人： 哈尔滨工程大学
摘要： 本发明涉及一种基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法，包括以下步骤：步骤1：收集N幅实际海冰遥感图像，利用分形方法生成N个K×K的海冰场景高程矩阵；步骤2：依据每个高程矩阵和海冰色带，逐一索引生成初始仿真海冰RGB图像集；步骤3：将初始仿真海冰RGB图像矢量化，形成N个初始化矢量数据；步骤4：利用步骤3形成的矢量数据作为生成网络初始输入，同时初始化生成网络和判别网络权重参数；步骤5：利用N幅实际海冰遥感图像训练分形深度卷积生成对抗网络；步骤6：通过步骤1～步骤3重新生成矢量数据，将数据输入步骤5所训练完成的分形深度卷积生成对抗网络。本发明能够降低网络计算量，同时提升海冰仿真效果。
-
公开(公告)号：CN104200217B
公开(公告)日：2017-05-24
申请号：CN201410386737.1
申请日：2014-08-07
申请人： 哈尔滨工程大学
IPC分类号： G06K9/62
摘要： 本发明提供的是基于一种复合核函数的高光谱分类方法。输入一幅高光谱图像，类别数为N；以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；利用复合核构建策略，构造复合核函数，对支持向量机进行训练；利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵确定多分类器策略，即找到矩阵每列的最大值。本发明具有可以更好的描述数据集的分布特征，且分类精度相对较高等特点。其参数优化所消耗的时间相对于传统多核学习方法也相对较短。
-
公开(公告)号：CN104504391A
公开(公告)日：2015-04-08
申请号：CN201410734811.4
申请日：2014-12-04
申请人： 哈尔滨工程大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6249 , G06K9/6277
摘要： 本发明属于遥感信息处理技术领域，具体涉及一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法。本发明包括：读入高光谱图像数据；求解字典；求解稀疏特征；用概率支持向量机求解概率输出，并确定初始分类结果：通过马尔科夫随机场来求解样本概率；确定高光谱图像最终分类结果。本发明应用稀疏特征使得图像得到很好的表述，能够对图像中的邻域信息充分的利用，优化了分类图的视觉效果，提高了分类的精度等优点。
-
公开(公告)号：CN104200217A
公开(公告)日：2014-12-10
申请号：CN201410386737.1
申请日：2014-08-07
申请人： 哈尔滨工程大学
IPC分类号： G06K9/62
摘要： 本发明提供的是基于一种复合核函数的高光谱分类方法。输入一幅高光谱图像，类别数为N；以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；利用复合核构建策略，构造复合核函数，对支持向量机进行训练；利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵确定多分类器策略，即找到矩阵每列的最大值。本发明具有可以更好的描述数据集的分布特征，且分类精度相对较高等特点。其参数优化所消耗的时间相对于传统多核学习方法也相对较短。
-
公开(公告)号：CN104036289A
公开(公告)日：2014-09-10
申请号：CN201410246849.7
申请日：2014-06-05
申请人： 哈尔滨工程大学
摘要： 本发明的目的在于提供一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法，包括如下步骤：读入高光谱高维数据，进行维数转换，并对其作归一化处理，其中含有样本类别数为L；分别提取图像空间纹理特征和光谱特征，得到空间纹理特征T1、光谱特征T2；融合空间纹理特征和光谱特征得到图像的空间-光谱特征集合T＝{T1,T2}；从T中将L个类别各选取一部分样本来构成训练集A，测试集设定为T中所有L个类别的集合为M；利用M和A，求解高光谱数据的稀疏表达系数进行图像重构，并计算对应的每类的冗余；根据冗余确定样本的类别。本发明能够充分利用高光谱图像中的信息，通过空间-光谱特征来很好的刻画高光谱图像；能够提高分类精度；能够适用于不同的高光谱图像，适用性强。
-
公开(公告)号：CN103903007A
公开(公告)日：2014-07-02
申请号：CN201410083791.9
申请日：2014-03-10
申请人： 哈尔滨工程大学
摘要： 本发明属于遥感信息处理技术领域，具体涉及一种基于空-谱信息的高光谱半监督分类方法。本发明包括：参数设置；空-谱信息提取；分类过程；半监督分类无标签样本的选取。本发明将空间信息与光谱信息相结合可以有效地有监督分类方法的性能，随无标签训练样本数的增多本文所提方法性能提升，这是因为当无标签样本增多时，其提供了更多的空间分布信息，使得分类器做出更好的预测。
-
公开(公告)号：CN103761530A
公开(公告)日：2014-04-30
申请号：CN201410003264.2
申请日：2014-01-03
申请人： 哈尔滨工程大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于相关向量机的高光谱图像解混方法，包括以下几个步骤，步骤一，读取高光谱图像中k个数据类别的训练样本，并且读取高光谱图像的k个数据类别测试样本；步骤二，将具有监督信息的训练样本中属于第i数据类别对应的样本标号t值标记为+1，其余k-1的数据类别对应的样本标号t值标记为0，其中1≤i≤k；步骤三，利用训练样本训练相关向量机；步骤四，利用训练好的相关向量机模型对测试样本进行测试；步骤五，计算测试样本属于第i数据类别的概率值fi；步骤六，重复步骤二～步骤五，计算出测试样本分别属于k个数据类别的概率值fk；步骤七，将所求的k个概率值分别进行归一化操作，得到最终解混丰度值fi。本发明具有解混精度高，实时性好和统计性好的优点。
-
公开(公告)号：CN103514602A
公开(公告)日：2014-01-15
申请号：CN201310432897.0
申请日：2013-09-23
申请人： 哈尔滨工程大学
IPC分类号： G06T7/00
摘要： 本发明提供的是一种基于Volterra级数的高光谱图像非线性解混方法。取待解混高光谱图像，同时取用于解混的光谱端元，对于待解混高光谱图像中的每个待解混像元Y中各光谱端元mi,i=1,2,...,p在像元Y中所占的混合比例αi,i=1,2,...,p，利用非线性混合模型解出来。本发明利用地物间反射及折射对光谱仪成像的影响，考虑到光谱成像中的非线性因素，建立新的非线性模型，它包括地物光谱间的线性混合，以及两两折射反射影响。并提出基于Volterra级数的非线性模型解混方法，在模型的解混方法中应用LMS算法，不需要平方，平均或者微分等运算，使得该解混算法快速高效。
-
-
-
-
-
-
-
-
-
搜索结果
54 条记录 (耗时 0.035 秒)
