-
公开(公告)号：CN110781791B
公开(公告)日：2023-03-24
申请号：CN201910998018.8
申请日：2019-10-18
申请人： 河南大学
摘要： 本发明提供了一种一种基于重心对齐的步态能量图优化合成方法，对属于一个步态周期的二值化图片进行判断，首先判断属于一个步态周期的每帧二值化图片是否属于断头图片，并根据判断结果获取每帧二值化图片的人物轮廓的高度值，进而根据每帧二值化图片的人物轮廓的高度值判断并剔除属于一个步态周期的二值化图片中的无头图片，即对断头的图像把头部与躯干合并，对无头的图像找到进行删除，计算出保留图像的准确重心坐标，最终即可使用重心对齐合成步态能量图；本发明所述的一种基于重心对齐的步态能量图优化合成方法，相对于传统的通过重心对齐合成的步态能量图有一定的提升，特别是头部的鬼影得到了很好的改善。
-
公开(公告)号：CN112633202B
公开(公告)日：2022-09-16
申请号：CN202011591630.2
申请日：2020-12-29
申请人： 河南大学
IPC分类号： G06V20/13 , G06V10/26 , G06V10/30 , G06V10/762 , G06V10/77
摘要： 本发明通过将基于变换域滤波去噪和空间域滤波去噪的双重去噪算法结起来应用于含超像素的多尺度高光谱图像降维分类当中，因此本方法与基于变换域滤波去噪的高光谱图像分类算法相比，使用了层级域变换递归滤波消除了小尺度的纹理结构，同时起到边缘保护的作用；本方法与基于空间域滤波去噪的高光谱图像分类算法相比，利用噪声部分的非低秩属性将其和原始高光谱图像分离可以去除原始图像中的混合噪声，增强了图像的质量提升了高光谱图像后续的分类精度。
-
公开(公告)号：CN112633202A
公开(公告)日：2021-04-09
申请号：CN202011591630.2
申请日：2020-12-29
申请人： 河南大学
摘要： 本发明通过将基于变换域滤波去噪和空间域滤波去噪的双重去噪算法结起来应用于含超像素的多尺度高光谱图像降维分类当中，因此本方法与基于变换域滤波去噪的高光谱图像分类算法相比，使用了层级域变换递归滤波消除了小尺度的纹理结构，同时起到边缘保护的作用；本方法与基于空间域滤波去噪的高光谱图像分类算法相比，利用噪声部分的非低秩属性将其和原始高光谱图像分离可以去除原始图像中的混合噪声，增强了图像的质量提升了高光谱图像后续的分类精度。
-
公开(公告)号：CN111860654B
公开(公告)日：2024-02-02
申请号：CN202010712607.8
申请日：2020-07-22
申请人： 河南大学
摘要： 本发明公开了基于循环神经网络的高光谱图像分类方法，包括以下步骤：使用主成分分析方法将三维的高光谱图像数据作进行降维处理，获取二维主成分图像；获取二维主成分图像的纹理特征和形态特征，将两个特征叠加在一起得到融合特征图像和其特征矩阵，获取融合特征图像中每个像素的非邻域像素特征，作为训练样本；利用训练样本的非邻域像素特征对循环神经网络进行参数训练，得到训练好的高光谱图像分类模型，利用训练好的高光谱图像分类模型对高光谱图像进行分类。本发明整合了高光谱图像纹理特征和形态学特征，引入非邻域像素特征的思想并同时使用循环神经网络的记忆功能完成高光谱图像分类任务，提升分类结果的可靠性。
-
公开(公告)号：CN112818831A
公开(公告)日：2021-05-18
申请号：CN202110124287.9
申请日：2021-01-29
申请人： 河南大学
摘要： 本发明的目的在于提供一种基于波段聚类和改进递归滤波的高光谱图像分类算法，利用基于相对熵的波段聚类算法迭代的找出各个波段子集中的中心波段，保留了原始光谱波段的信息，相比于原始域变换递归滤波算法，本发明将聚类得到的中心波段集合进行高斯滤波作为域变换递归滤波的引导图像，同时每一个集合的中心波段都执行改进的域变换递归滤波算法，最后得到了所有中心波段的特征图像集合充分获取了高光谱图像的空谱联合信息，提升了后续的分类精度。
-
公开(公告)号：CN114187479B
公开(公告)日：2024-08-20
申请号：CN202111619914.2
申请日：2021-12-28
申请人： 河南大学
IPC分类号： G06V10/764 , G06V10/58 , G06V10/54 , G06V10/44 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464
摘要： 本发明涉及一种基于空谱特征联合的高光谱图像分类方法，针对高光谱图像的数据特点，将二维的Gabor滤波器与随机块卷积特征提取相结合，构建了一种新型的适用于高光谱图像分类的空谱特征联合方法GRPC。首先通过主成分分析和线性判别分析进行降维，对降维后的图像使用Gabor滤波器提取图像的边缘纹理和空间信息。其次，对提取后的信息通过随机块卷积提取光谱特征信息。最后，融合空间特征和多层次光谱特征使用支持向量机分类器对图像进行分类，解决了现有的分类技术中容易出现过拟合的问题；构建出适用于高光谱图像数据的分类模型，充分利用了高光谱图像丰富的信息；基于提出的空谱特征联合的高光谱图像分类方法，提高了高光谱图像的分类精度。
-
公开(公告)号：CN114187479A
公开(公告)日：2022-03-15
申请号：CN202111619914.2
申请日：2021-12-28
申请人： 河南大学
IPC分类号： G06V10/764 , G06V10/58 , G06V10/54 , G06V10/80 , G06V10/77 , G06V10/82 , G06K9/62 , G06N3/04
摘要： 本发明涉及一种基于空谱特征联合的高光谱图像分类方法，针对高光谱图像的数据特点，将二维的Gabor滤波器与随机块卷积特征提取相结合，构建了一种新型的适用于高光谱图像分类的空谱特征联合方法GRPC。首先通过主成分分析和线性判别分析进行降维，对降维后的图像使用Gabor滤波器提取图像的边缘纹理和空间信息。其次，对提取后的信息通过随机块卷积提取光谱特征信息。最后，融合空间特征和多层次光谱特征使用支持向量机分类器对图像进行分类，解决了现有的分类技术中容易出现过拟合的问题；构建出适用于高光谱图像数据的分类模型，充分利用了高光谱图像丰富的信息；基于提出的空谱特征联合的高光谱图像分类方法，提高了高光谱图像的分类精度。
-
公开(公告)号：CN110781791A
公开(公告)日：2020-02-11
申请号：CN201910998018.8
申请日：2019-10-18
申请人： 河南大学
摘要： 本发明提供了一种一种基于重心对齐的步态能量图优化合成方法，对属于一个步态周期的二值化图片进行判断，首先判断属于一个步态周期的每帧二值化图片是否属于断头图片，并根据判断结果获取每帧二值化图片的人物轮廓的高度值，进而根据每帧二值化图片的人物轮廓的高度值判断并剔除属于一个步态周期的二值化图片中的无头图片，即对断头的图像把头部与躯干合并，对无头的图像找到进行删除，计算出保留图像的准确重心坐标，最终即可使用重心对齐合成步态能量图；本发明所述的一种基于重心对齐的步态能量图优化合成方法，相对于传统的通过重心对齐合成的步态能量图有一定的提升，特别是头部的鬼影得到了很好的改善。
-
公开(公告)号：CN112819077B
公开(公告)日：2023-04-07
申请号：CN202110150910.8
申请日：2021-02-02
申请人： 河南大学
摘要： 本发明提供了基于新型激活函数的高光谱图像分类方法，在随机块网络的每一层中对高光谱数据集进行降维和白化操作，并获取特征矩阵，并利用s‑ReLu修正线性单元激活函数获取特征图，最终对归一化后的特征融合图像进行地物分类，获取分类结果图；本发明通过使用softsign激活函数优化了ReLu激活函数的线性单元，得到新的s‑ReLu修正线性单元激活函数，使得值域在0‑0.5时更加平滑灵活度更高，优化了其它激活函数不能更好的为像素点提供恰当的特征激活问题，从而提升特征的表达能力，提高了分类模型的分类精度。
-
公开(公告)号：CN112818831B
公开(公告)日：2022-09-16
申请号：CN202110124287.9
申请日：2021-01-29
申请人： 河南大学
IPC分类号： G06V20/10 , G06V10/764 , G06V10/762 , G06T5/00
摘要： 本发明的目的在于提供一种基于波段聚类和改进递归滤波的高光谱图像分类算法，利用基于相对熵的波段聚类算法迭代的找出各个波段子集中的中心波段，保留了原始光谱波段的信息，相比于原始域变换递归滤波算法，本发明将聚类得到的中心波段集合进行高斯滤波作为域变换递归滤波的引导图像，同时每一个集合的中心波段都执行改进的域变换递归滤波算法，最后得到了所有中心波段的特征图像集合充分获取了高光谱图像的空谱联合信息，提升了后续的分类精度。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.023 秒)
