-
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。
-
-
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。
-
Patent Agency Ranking
公开(公告)号：CN107220996A
公开(公告)日：2017-09-29
申请号：CN201710349806.5
申请日：2017-05-17
Applicant: 武汉大学
IPC: G06T7/33
CPC classification number: G06T7/33 , G06T2207/10032 , G06T2207/20021
Abstract: 本发明提供一种基于三角结构一致的无人机线阵与面阵影像匹配方法，包括对无人机所采集原始的面阵影像和线阵影像进行预处理；设左影像为面阵影像，设右影像为线阵影像，获得初始匹配点对，进行误匹配剔除；对特征点进行聚类，并根据聚类中心对左右影像进行Voronoi图划分；将左影像上任一个特征点作为待匹配点，选择距离最近的两个聚类中心构成三角结构；然后根据三角结构的一致性，在右影像上基于相应聚类中心估算待匹配点的同名点所在区域，得到最终的同名点对；将获取的同名点对反算得到匹配结果。本发明利用预处理影像后同名特征点之间几何结构的一致性，精确估算待匹配点所在区域，极大地提高了影像匹配的效率和正确率。
-
公开(公告)号：CN112766090B
公开(公告)日：2022-07-05
申请号：CN202110006569.9
申请日：2021-01-05
Applicant: 深圳市数字城市工程研究中心 , 武汉大学
IPC: G06V20/13 , G06V20/40 , G06K9/62 , G06V10/774 , G06V10/80
Abstract: 本发明涉及一种利用多季相Sentinel‑2影像快速识别城郊闲置耕地的方法与系统，通过挑选出不同季节的Sentinel‑2影像数据，进行一系列的预处理，消除闲置耕地识别影响因素，对预处理后的Sentinel‑2多季相时间序列影像，分别计算多季相EVI指数影像、多季相TTVI指数影像；合成多季相Sentinel‑2影像波段与多季相EVI、TTVI指数影像为多波段影像，利用高分辨率的Google earth影像，生成闲置耕地和其他用地的训练样本，利用选择的训练样本，对多波段影像进行决策树分类，从而快速识别闲置耕地。本发明利用闲置耕地和地物的季节特征，可以快速识别城郊闲置耕地，大大提高了对闲置耕地的监管效率。
-
公开(公告)号：CN109657082A
公开(公告)日：2019-04-19
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：CN105243154A
公开(公告)日：2016-01-13
申请号：CN201510708598.4
申请日：2015-10-27
Applicant: 武汉大学
CPC classification number: G06F17/30256 , G06K9/4671
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：CN111683221B
公开(公告)日：2021-08-03
申请号：CN202010438052.2
申请日：2020-05-21
Applicant: 武汉大学
Abstract: 一种嵌入矢量红线数据的自然资源实时视频监测方法及系统，包括获取自然资源矢量红线数据和对应的高分辨率遥感影像，获取摄像头初始画面图像；将矢量红线数据叠加到高分辨率遥感影像上，借助遥感影像语义信息，在视频图像和矢量红线数据上识别同名点，计算几何映射关系；将矢量红线数据映射到实时视频，获得视频监控区域；通过获得在尺度和空间均匀分布的特征点，对监控视频相邻帧图像进行匹配获得同名点；根据同名点得到图像间几何变换关系，将前一帧图像上的监控区域范围映射到后一帧图像，实现图像帧之间监控区域关联；根据几何关系，在监控视频上进行面积量测，并支持基于确定的视频区域，进行后续相关目标运动分析，实现区域自动预警报警。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.018 seconds)
