CN107273858B - 一种数据处理方法及系统 - Google Patents
一种数据处理方法及系统 Download PDFInfo
- Publication number
- CN107273858B CN107273858B CN201710466609.1A CN201710466609A CN107273858B CN 107273858 B CN107273858 B CN 107273858B CN 201710466609 A CN201710466609 A CN 201710466609A CN 107273858 B CN107273858 B CN 107273858B
- Authority
- CN
- China
- Prior art keywords
- data
- pixel
- verification
- sample
- satellite
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种数据处理方法及系统，尤其涉及一种对目标进行分类的数据处理方法及装置。该方法包括：数据收集步骤，数据处理步骤，判断步骤，提取步骤，交互验证步骤，分类步骤，输出步骤。该系统包括：数据收集单元，数据处理单元，判断单元，提取单元，交互验证单元，分类单元，输出单元。通过该方法和系统，能够提高利用多种数据的特征，提高数据的处理速度，提高对目标分类的准确度和精度。
Description
技术领域
本发明涉及一种图像领域的数据处理方法及系统，具体地，涉及一种对目标进行分类的数据处理方法及系统。
背景技术
目前各种形式的数据采集系统在各行各业得到了广泛的应用，随着计算机技术、微电子技术、通信技术以及信息技术的发展，各种智能系统越来越广泛地应用于数据处理中，对多样化数据进行处理，例如最小距离法、最大似然法、神经元网络等。然而目前基于上述单一的手段对数据进行处理，通常会影响到数据处理的多样化信息提取、以及准确度和精度，因此如何利用多样化信息进行数据处理，仍然是一个亟待解决的问题。
发明内容
为了解决上述问题，本发明的目的在于提供一种图像领域的数据处理方法及系统，该方法及系统提出了有效的复合方式，能够将多样化信息进行有效地复合和优化，提出了高效的数据处理方法，提取多样化的样本数据，并对数据进行补偿和判断，以及对数据进行交互验证，从而提高多种数据的特征利用，提高数据的处理速度，提高对目标分类的准确度和精度。
发明采用的技术方案如下：
本发明公开了一种用于对目标进行分类验证的数据处理方法，包括：数据收集步骤，数据处理步骤，判断步骤，提取步骤，交互验证步骤，分类步骤，输出步骤。
所述数据收集步骤，包括收集实地调查数据以及传感器数据。
所述数据处理步骤，包括将数据收集步骤中收集的卫星数据进行复合和优化，将收集的卫星数据中的分类图数据进行处理得到粗分辨率的分类图数据。
所述判断步骤，包括对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断。
所述提取步骤，包括分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据。
所述交互验证步骤，包括将实地调查数据和样本解译数据的各类参数进行n重交叉验证。
所述分类步骤，包括如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估。
优选地，所述数据收集步骤中所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据。
优选地，所述数据处理步骤，包括将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据。
优选地，所述判断步骤，包括对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元。
本发明还公开了一种用于对目标进行分类验证的数据处理系统，包括：数据收集单元，数据处理单元，判断单元，提取单元，交互验证单元，分类单元，输出单元，
所述数据收集单元，收集实地调查数据以及传感器数据。
所述数据处理单元，将数据收集步骤中收集的卫星数据进行复合和优化，将收集的卫星数据中的分类图数据进行处理得到粗分辨率的分类图数据。
所述判断单元，对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断。
所述提取单元，分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据。
所述交互验证单元，将实地调查数据和样本解译数据的各类参数进行n重交叉验证。
所述分类单元，如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估。
所述输出单元，将不同输入参数得到的验证结果进行输出显示。
优选地，所述数据收集单元中所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据。
优选地，所述数据处理单元，将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据。
优选地，所述判断单元，对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元。
附图说明
下面结合附图及实施方式对本发明作进一步详细的说明：
图1为数据处理方法的流程图。
图2为数据处理系统的示意图。
具体实施方式
在下文中更详细地描述了本发明以有助于对本发明的理解。
应当理解的是，在说明书和权利要求书中使用的术语或词语不应当理解为具有在字典中限定的含义，而应理解为在以下原则的基础上具有与其在本发明上下文中的含义一致的含义：术语的概念可以适当地由发明人为了对本发明的最佳说明而限定。
本发明公开了一种用于对目标进行分类验证的数据处理方法，该方法包括：数据收集步骤，数据处理步骤，判断步骤，提取步骤，交互验证步骤，分类步骤，输出步骤。
进一步地，所述数据收集步骤，包括收集实地调查数据以及传感器数据，其中，所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据。
进一步地，所述数据处理步骤，包括将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据。
进一步地，所述判断步骤，包括对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元。
进一步地，所述提取步骤，包括分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据。
进一步地，所述交互验证步骤，包括将实地调查数据和样本解译数据的各类参数进行n重交叉验证。
进一步地，所述分类步骤，包括如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估。
进一步地，所述输出步骤，包括将不同输入参数得到的验证结果进行输出显示。
进一步地，所述将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，具体为：
xs′(l，i，j)＝xs(l，i，j)+[xs(l，i，j)/∑l(cl·xs(l，i，j))]·(q(i，j)-∑l(cl·xs(l，i，j)))
其中，xs(l，i，j)为复合前多光谱影像像素值，xs(l，i，j)为复合后多光谱影像像素值，l为波段序号，(i，j)表示像素位置，cl为像素(i，j)的数据块的多元线性回归参数，q(i，j)为选取的其他影像像素值。
进一步地，所述交互验证步骤具体为：将训练及验证样本随机m等分，训练样本用1份，验证样本用m-1份，交互验证共设m次，取其均值与方差，得到各类参数的误差矩阵。
本发明还公开了一种用于对目标进行分类验证的数据处理方法，该方法包括：数据收集步骤，数据处理步骤，判断步骤，提取步骤，交互验证步骤，分类步骤，输出步骤。
进一步地，所述数据收集步骤，包括收集实地调查数据以及传感器数据，其中，所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据。
进一步地，所述数据处理步骤，包括将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据。
进一步地，所述判断步骤，包括对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元。
进一步地，所述提取步骤，包括分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据。
进一步地，所述交互验证步骤，包括将实地调查数据和样本解译数据的各类参数进行n重交叉验证。
进一步地，所述分类步骤，包括如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估。
进一步地，所述输出步骤，包括将不同输入参数得到的验证结果进行输出显示。
进一步地，所述将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，具体为：
xs′(l，i，j)＝xs(l，i，j)+[xs(l，i，j)/∑l(cl·xs(l，i，j))]·(q(i，j)-∑l(cl·xs(l，i，j)))
其中，xs(l，i，j)为复合前多光谱影像像素值，xs(l，i，j)为复合后多光谱影像像素值，l为波段序号，(i，j)表示像素位置，cl为像素(i，j)的数据块的多元线性回归参数，q(i，j)为选取的其他影像像素值。
进一步地，所述判断步骤在判断是否是纯像元前还包括通过误差算法对像元位置进行补偿：
Δx＝a0+a1x+a2y
Δy＝b0+b1x+b2y
其中，Δx和Δy为像元坐标(x，y)对应的系统误差补偿值，包括数据在行和列方向上的补偿参数，以减小传感器的测量误差，(a0，a1，a2，b0，b1，b2)为未知的补偿参数，通过设定n个及以上目标控制点计算得到，n＞＝3。
进一步地所述交互验证步骤具体为：将训练及验证样本随机m等分，训练样本用1份，验证样本用m-1份，交互验证共设m次，取其均值与方差，得到各类参数的误差矩阵。
本发明还公开了一种用于对目标进行分类验证的数据处理系统，该系统包括：数据收集单元，数据处理单元，判断单元，提取单元，交互验证单元，分类单元，输出单元。
进一步地，所述数据收集单元，收集实地调查数据以及传感器数据，其中，所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据。
进一步地，所述数据处理单元，将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据。
进一步地，所述判断单元，对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元。
进一步地，所述提取单元，分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据。
进一步地，所述交互验证单元，将实地调查数据和样本解译数据的各类参数进行n重交叉验证。
进一步地，所述分类单元，如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估。
进一步地，所述输出单元，将不同输入参数得到的验证结果进行输出显示。
进一步地，所述将数据收集单元中收集的卫星数据进行复合和优化，得到高质量的卫星数据，具体为：
xs′(l，i，j)＝xs(l，i，j)+[xs(l，i，j)/∑l(cl·xs(l，i，j))]·(q(i，j)-∑l(cl·xs(l，i，j)))
其中，xs(l，i，j)为复合前多光谱影像像素值，xs(l，i，j)为复合后多光谱影像像素值，l为波段序号，(i，j)表示像素位置，cl为像素(i，j)的数据块的多元线性回归参数，q(i，j)为选取的其他影像像素值。
进一步地，所述交互验证单元训练及验证样本随机m等分，训练样本用1份，验证样本用m-1份，交互验证共设m次，取其均值与方差，得到各类参数的误差矩阵。
本发明还公开了一种用于对目标进行分类验证的数据处理系统，该系统包括：数据收集单元，数据处理单元，判断单元，提取单元，交互验证单元，分类单元，输出单元。
进一步地，所述数据收集单元，收集实地调查数据以及传感器数据，其中，所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据。
进一步地，所述数据处理单元，将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据。
进一步地，所述判断单元，对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元。
进一步地，所述提取单元，分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据。
进一步地，所述交互验证单元，将实地调查数据和样本解译数据的各类参数进行n重交叉验证。
进一步地，所述分类单元，如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估。
进一步地，所述输出单元，将不同输入参数得到的验证结果进行输出显示。
进一步地，所述将数据收集单元中收集的卫星数据进行复合和优化，得到高质量的卫星数据，具体为：
xs′(l，i，j)＝xs(l，i，j)+[xs(l，ij)/∑l(cl·xs(l，i，j))]·(q(i，j)-∑l(cl·xs(l，i，j)))
其中，xs(l，i，j)为复合前多光谱影像像素值，xs(l，i，j)为复合后多光谱影像像素值，l为波段序号，(i，j)表示像素位置，cl为像素(i，j)的数据块的多元线性回归参数，q(i，j)为选取的其他影像像素值。
进一步地，所述交互验证单元训练及验证样本随机m等分，训练样本用1份，验证样本用m-1份，交互验证共设m次，取其均值与方差，得到各类参数的误差矩阵。
进一步地，所述判断单元在判断是否是纯像元前还包括通过误差算法对像元位置进行补偿：
Δx＝a0+a1x+a2y
Δy＝b0+b1x+b2y
其中，Δx和Δy为像元坐标(x，y)对应的系统误差补偿值，包括数据在行和列方向上的补偿参数，以减小传感器的测量误差，(a0，a1，a2，b0，b1，b2)为未知的补偿参数，通过设定n个及以上目标控制点计算得到，n＞＝3。
以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。
Claims (6)
1.一种用于对目标进行分类验证的数据处理方法，其特征在于，该方法包括：数据收集步骤，数据处理步骤，判断步骤，提取步骤，交互验证步骤，分类步骤，输出步骤，
所述数据收集步骤，收集实地调查数据以及传感器数据，其中，所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据；
所述数据处理步骤，将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据；
所述判断步骤，对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元；
所述提取步骤，分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据；
所述交互验证步骤，包括将实地调查数据和样本解译数据的各类参数进行n重交叉验证；
所述分类步骤，如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估；
所述输出步骤，将不同输入参数得到的验证结果进行输出显示；
所述将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，具体为：
xs′(l，i，j)＝xs(l，i，j)+[xs(l，i，j)/∑l(cl·xs(l，i，j))]·(q(i，j)-∑l(cl·xs(l，i，j)))
其中，xs(l，i，j)为复合前多光谱影像像素值，xs’(l，i，j)为复合后多光谱影像像素值，l为波段序号，(i，j)表示像素位置，cl为像素(i，j)的数据块的多元线性回归参数，q(i，j)为选取的其他影像像素值。
2.根据权利要求1所述的一种用于对目标进行分类验证的数据处理方法，其特征在于，所述判断步骤在判断是否是纯像元前还包括通过误差算法对像元位置进行补偿：
Δx＝a0+a1x+a2y
Δy＝b0+b1x+b2y
其中，Δx和Δy为像元坐标(x，y)对应的系统误差补偿值，包括数据在行和列方向上的补偿参数，以减小传感器的测量误差，(a0，a1，a2，b0，b1，b2)为未知的补偿参数，通过设定n个目标控制点计算得到，n＞＝3。
3.根据权利要求1至2中任一权利要求所述的一种用于对目标进行分类验证的数据处理方法，其特征在于，所述交互验证步骤具体为：将训练及验证样本随机m等分，训练样本用1份，验证样本用m-1份，交互验证共设m次，取其均值与方差，得到各类参数的误差矩阵。
4.一种用于对目标进行分类验证的数据处理系统，其特征在于，该系统包括：数据收集单元，数据处理单元，判断单元，提取单元，交互验证单元，分类单元，输出单元，
所述数据收集单元，收集实地调查数据以及传感器数据，其中，所述实地调查数据来自于人工测量数据，所述传感器数据来自于卫星数据；
所述数据处理单元，将数据收集步骤中收集的卫星数据进行复合和优化，得到高质量的卫星数据，将收集的卫星数据中的分类图数据选取均匀区域，面积最优法进行聚合，得到粗分辨率的分类图数据；
所述判断单元，对高质量的卫星数据和粗分辨率的分类图数据中的像元进行判断，判断是否是纯像元，如果判断结果为是，则进入提取步骤，如果判断结果为否，则丢弃该像元，如果判断结果为疑似，则对疑似像元结合实地调查数据进行分析，确认结果为是则进入提取步骤，确认结果为否则丢弃该像元；
所述提取单元，分别提取判断步骤中判断为纯像元的像元数据，作为训练及验证样本，记作样本解译数据；
所述交互验证单元，将实地调查数据和样本解译数据的各类参数进行n重交叉验证；
所述分类单元，如果各类参数的误差矩阵在自定义范围内，则选取该参数针对数据处理后的数据对目标物进行分类，并对分类结果进行评估；
所述输出单元，将不同输入参数得到的验证结果进行输出显示；
所述将数据收集单元中收集的卫星数据进行复合和优化，得到高质量的卫星数据，具体为：
xs′(l，i，j)＝xs(l，i，j)+[xs(l，i，j)/∑l(cl·xs(l，i，j))]·(q(i，j)-∑l(cl·xs(l，i，j)))
其中，xs(l，i，j)为复合前多光谱影像像素值，xs’(l，i，j)为复合后多光谱影像像素值，l为波段序号，(i，j)表示像素位置，cl为像素(i，j)的数据块的多元线性回归参数，q(i，j)为选取的其他影像像素值。
5.根据权利要求4所述的一种用于对目标进行分类验证的数据处理系统，其特征在于，所述判断单元在判断是否是纯像元前还包括通过误差算法对像元位置进行补偿：
Δx＝a0+a1x+a2y
Δy＝b0+b1x+b2y
其中，Δx和Δy为像元坐标(x，y)对应的系统误差补偿值，包括数据在行和列方向上的补偿参数，以减小传感器的测量误差，(a0，a1，a2，b0，b1，b2)为未知的补偿参数，通过设定n个及以上目标控制点计算得到，n＞＝3。
6.根据权利要求4至5中任一权利要求所述的一种用于对目标进行分类验证的数据处理系统，其特征在于，所述交互验证单元训练及验证样本随机m等分，训练样本用1份，验证样本用m-1份，交互验证共设m次，取其均值与方差，得到各类参数的误差矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710466609.1A CN107273858B (zh) | 2017-06-19 | 2017-06-19 | 一种数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710466609.1A CN107273858B (zh) | 2017-06-19 | 2017-06-19 | 一种数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107273858A CN107273858A (zh) | 2017-10-20 |
| CN107273858B true CN107273858B (zh) | 2018-07-31 |
Family
ID=60069015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710466609.1A Expired - Fee Related CN107273858B (zh) | 2017-06-19 | 2017-06-19 | 一种数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107273858B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139369A (zh) * | 2015-08-24 | 2015-12-09 | 中国热带农业科学院橡胶研究所 | 消除基于palsar雷达影像的森林分类结果中城市建筑像元方法 |
| CN105279223A (zh) * | 2015-10-20 | 2016-01-27 | 西南林业大学 | 一种遥感图像计算机自动解译的方法 |
| CN106778738A (zh) * | 2016-11-30 | 2017-05-31 | 苏州大学 | 一种基于决策理论粗糙集的地物特征提取方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103902998A (zh) * | 2012-12-27 | 2014-07-02 | 核工业北京地质研究院 | 一种用于绿泥石信息提取的高光谱影像处理方法 |
| US9478038B2 (en) * | 2014-03-31 | 2016-10-25 | Regents Of The University Of Minnesota | Unsupervised spatio-temporal data mining framework for burned area mapping |
| CN105405102A (zh) * | 2014-08-28 | 2016-03-16 | 核工业北京地质研究院 | 一种用于水铝矿信息提取的高光谱影像处理方法 |
| WO2016201186A1 (en) * | 2015-06-11 | 2016-12-15 | University Of Pittsburgh-Of The Commonwealth System Of Higher Education | Systems and methods for finding regions of interest in hematoxylin and eosin (h&e) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue images |
-
2017
- 2017-06-19 CN CN201710466609.1A patent/CN107273858B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139369A (zh) * | 2015-08-24 | 2015-12-09 | 中国热带农业科学院橡胶研究所 | 消除基于palsar雷达影像的森林分类结果中城市建筑像元方法 |
| CN105279223A (zh) * | 2015-10-20 | 2016-01-27 | 西南林业大学 | 一种遥感图像计算机自动解译的方法 |
| CN106778738A (zh) * | 2016-11-30 | 2017-05-31 | 苏州大学 | 一种基于决策理论粗糙集的地物特征提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于像元分解与不确定性分析的遥感分类评估方法》;袁路;《中国优秀硕士学位论文全文数据库 信息科技辑》;20060815(第8期);I140-507 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107273858A (zh) | 2017-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112102646B (zh) | 一种泊车定位中的停车场入口定位方法、装置及车载终端 | |
| CN113065578B (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
| CN103065134B (zh) | 一种具有提示信息的指纹识别装置和方法 | |
| CN105184778B (zh) | 一种检测方法及装置 | |
| CN105354988B (zh) | 一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法 | |
| CN106780612A (zh) | 一种图像中的物体检测方法及装置 | |
| CN106096525A (zh) | 一种复合型车道识别系统及方法 | |
| CN105354565A (zh) | 基于全卷积网络人脸五官定位与判别的方法及系统 | |
| CN106548182A (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
| CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
| CN104913797A (zh) | 指针式仪表的读数识别方法及系统 | |
| CN104102929A (zh) | 基于深度学习的高光谱遥感数据分类方法 | |
| CN105426858A (zh) | 一种基于视觉和振动信息融合的地面类型辨识方法 | |
| CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
| CN109858476A (zh) | 标签的扩充方法和电子设备 | |
| CN110516691A (zh) | 一种车辆尾气检测方法和装置 | |
| CN104778341B (zh) | 磁共振线圈合并系数计算方法、磁共振成像方法及其装置 | |
| CN112735164B (zh) | 测试数据构建方法及测试方法 | |
| CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
| JPWO2018143277A1 (ja) | 画像特徴量出力装置、画像認識装置、画像特徴量出力プログラム、及び画像認識プログラム | |
| CN105404866B (zh) | 一种多模式自动实施人体状态感知的实现方法 | |
| CN107273858B (zh) | 一种数据处理方法及系统 | |
| CN111091131A (zh) | 基于多任务学习的自适应车牌字符识别系统及识别方法 | |
| CN105825215A (zh) | 一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体 | |
| CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180731 Termination date: 20190619 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |