-
公开(公告)号：CN109086405B
公开(公告)日：2021-09-14
申请号：CN201810862331.4
申请日：2018-08-01
Applicant: 武汉大学
IPC: G06F16/583 , G06N3/04 , G06N3/08
Abstract: 本发明提供基于显著性和卷积神经网络的遥感图像检索方法及系统，包括对检索图像库中的图像提取显著图；将检索图像库中的图像输入预训练的卷积神经网络模型中，提取各卷积层的特征映射图作为卷积层特征；将各卷积层的特征映射图进行上采样，扩展至输入的图像原始大小，得到合成的卷积层特征；利用显著图对合成的卷积层特征进行加权整合，编码形成最终有效的特征表示；对于给定的待检测遥感影像，提取特征表示，基于检索图像库各图像的特征表示进行相似性度量检索。本发明结合显著图和卷积神经网络，同时考虑了显著区域和背景区域的信息，在卷积层特征上进一步提取有效特征表示，可降低计算成本，并且对于尺度变化、噪声干扰均具有鲁棒性。
-
公开(公告)号：CN105243154B
公开(公告)日：2018-08-21
申请号：CN201510708598.4
申请日：2015-10-27
Applicant: 武汉大学
Abstract: 一种基于显著点特征和稀疏自编码的遥感图像检索方法及系统，包括提取图像库中各图像的特征点得到特征点矩阵，并利用视觉注意模型计算各图像的显著图；采用自适应阈值法将显著图二值化，并与特征点矩阵进行掩膜运算得到过滤后的显著特征点；从各训练图像分别选取若干显著特征点构造训练样本，根据白化后的训练样本集训练稀疏自编码网络，得到特征提取器；利用特征提取器进行特征提取，并用阈值函数对提取的图像特征进行稀疏化处理，得到最终的用于检索的特征向量；基于提取的特征向量，根据预设的相似性度量准则进行图像检索。本发明通过训练的稀疏自编码网络实现了图像特征的自动提取，并且提取的特征具有很好的识别力，保证了检索查准率。
-
公开(公告)号：CN105160686A
公开(公告)日：2015-12-16
申请号：CN201510688554.X
申请日：2015-10-21
Applicant: 武汉大学
IPC: G06T7/00
CPC classification number: G06T2207/10032
Abstract: 本发明公开了一种基于改进SIFT算子的低空多视角遥感影像匹配方法，首先采用优化的DoG算子对第一影像和第二影像进行特征点检测，然后利用基于局部区域采样模拟的SIFT描述子对特征点进行描述形成特征向量，最后采用NNDR策略形成初始匹配特征点，并利用基于极几何约束的RANSAC算法对匹配点进行提纯。本发明能够有效地解决低空遥感影像匹配中存在的多视角以及弱纹理等问题。
-
公开(公告)号：CN109086405A
公开(公告)日：2018-12-25
申请号：CN201810862331.4
申请日：2018-08-01
Applicant: 武汉大学
Abstract: 本发明提供基于显著性和卷积神经网络的遥感图像检索方法及系统，包括对检索图像库中的图像提取显著图；将检索图像库中的图像输入预训练的卷积神经网络模型中，提取各卷积层的特征映射图作为卷积层特征；将各卷积层的特征映射图进行上采样，扩展至输入的图像原始大小，得到合成的卷积层特征；利用显著图对合成的卷积层特征进行加权整合，编码形成最终有效的特征表示；对于给定的待检测遥感影像，提取特征表示，基于检索图像库各图像的特征表示进行相似性度量检索。本发明结合显著图和卷积神经网络，同时考虑了显著区域和背景区域的信息，在卷积层特征上进一步提取有效特征表示，可降低计算成本，并且对于尺度变化、噪声干扰均具有鲁棒性。
-
公开(公告)号：CN104462494B
公开(公告)日：2018-01-12
申请号：CN201410802048.4
申请日：2014-12-22
Applicant: 武汉大学
Abstract: 本发明提供了基于无监督特征学习的遥感图像检索方法及系统，包括对检索图像库中各图像分别提取显著图，并根据显著图的分割阈值获得相应的二值化显著图；对检索图像库中各图像，根据相应的二值化显著图通过掩膜运算分割出显著区域；从图像显著区域提取尺寸相同的图像块构造训练样本，并利用无监督特征学习方法对样本进行训练学习图像的特征；最后，进行图像检索。本发明从图像的显著区域提取尺寸相同的图像块构造用于无监督特征学习的训练样本，弥补了传统的直接在原图像上进行随机取样的缺陷，不仅符合人眼的视觉注意特点而且更能直接反映出人们的检索需求，在保证检索查准率的同时免去了复杂的特征提取过程。
-
Patent Agency Ranking
-
公开(公告)号：CN104463224B
公开(公告)日：2017-06-27
申请号：CN201410817202.5
申请日：2014-12-24
Applicant: 武汉大学
Abstract: 本发明提供基于丰度显著性分析的高光谱图像解混方法及系统，包括建立待处理的高光谱遥感图像的端元光谱库；用基于稀疏回归的混合像元分解方法对每个像元进行初步混合像元分解并按照丰度值的大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性丰度的临界值，然后根据预设的显著性丰度阈值进行判断组成该像元的稀疏表示端元子集；最后采用丰度约束的最小二乘法再次进行混合像元分解，将结果作为最终的混合像元分解结果。本发明可以得到更为稀疏和准确的像元表示端元子集，并且提高高光谱遥感图像混合像元分解的精度，在基于高光谱遥感图像的高精度地物分类以及地面目标检测和识别方面具有重要的应用价值。
-
公开(公告)号：CN104462494A
公开(公告)日：2015-03-25
申请号：CN201410802048.4
申请日：2014-12-22
Applicant: 武汉大学
CPC classification number: G06F17/30244 , G06K9/66
Abstract: 本发明提供了基于无监督特征学习的遥感图像检索方法及系统，包括对检索图像库中各图像分别提取显著图，并根据显著图的分割阈值获得相应的二值化显著图；对检索图像库中各图像，根据相应的二值化显著图通过掩膜运算分割出显著区域；从图像显著区域提取尺寸相同的图像块构造训练样本，并利用无监督特征学习方法对样本进行训练学习图像的特征；最后，进行图像检索。本发明从图像的显著区域提取尺寸相同的图像块构造用于无监督特征学习的训练样本，弥补了传统的直接在原图像上进行随机取样的缺陷，不仅符合人眼的视觉注意特点而且更能直接反映出人们的检索需求，在保证检索查准率的同时免去了复杂的特征提取过程。
-
公开(公告)号：CN109657082B
公开(公告)日：2022-11-29
申请号：CN201810986598.4
申请日：2018-08-28
Applicant: 武汉大学
IPC: G06F16/53 , G06F16/583
Abstract: 本发明提供了一种基于全卷积神经网络的遥感图像多标签检索方法及系统，顾及遥感图像的多类别信息实现多标签的图像检索，包括输入检索图像库，分成训练集和验证集；构建全卷积神经网络模型FCN，利用训练集进行网络训练；利用FCN对验证集中的各图像分别进行多类别标签预测，得到分割结果；并对各卷积层特征图进行上采样；提取验证集中各图像的局部特征，得到用于检索的特征向量；最后基于提取的多尺度特征和多标签信息进行由粗到细的两步式检索。本发明利用全卷积神经网络不仅学习了图像的多尺度局部特征，而且充分挖掘了图像隐含的多标签信息，相比现有的基于单标签的遥感图像检索方法，有效地提高了图像检索的准确度。
-
公开(公告)号：CN109035315A
公开(公告)日：2018-12-18
申请号：CN201810987940.2
申请日：2018-08-28
Applicant: 武汉大学
CPC classification number: G06T7/33 , G06K9/4671 , G06K9/629 , G06N3/0454 , G06T2207/10032
Abstract: 本发明提供一种融合SIFT特征和CNN特征的遥感图像配准方法及系统，包括对输入的参考影像和待配准影像进行特征点提取，采用SIFT方式对特征点的邻域区域进行特征表达，获得SIFT特征；将特征点的邻域区域作为卷积神经网络CNN的输入端，使用预先采用迁移学习策略训练完成的CNN模型进行高层特征表达，获取CNN特征；将SIFT特征和CNN特征进行融合，计算相似性，估算参考影像和待配准影像之间几何变换参数，对待配准影像进行几何变换并重采样，获得配准影像。本发明结合传统特征提取的底层特征和基于卷积神经网络提取的高级特征，联合特征能更准确地表达遥感影像内容，极大提高了遥感影像配准精度，具有较强的适应性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.041 seconds)
