BR102013022097A2 - Método de remoção de objetos estacionários a partir de pelo menos uma imagem hiperespectral - Google Patents
Método de remoção de objetos estacionários a partir de pelo menos uma imagem hiperespectral Download PDFInfo
- Publication number
- BR102013022097A2 BR102013022097A2 BR102013022097-3A BR102013022097A BR102013022097A2 BR 102013022097 A2 BR102013022097 A2 BR 102013022097A2 BR 102013022097 A BR102013022097 A BR 102013022097A BR 102013022097 A2 BR102013022097 A2 BR 102013022097A2
- Authority
- BR
- Brazil
- Prior art keywords
- hyperspectral
- hyperspectral image
- image
- target scene
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005286 illumination Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000011410 subtraction method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
método de remoção de objetos estacionários a partir de pelo menos uma imagem hiperespectral. trata-se de um método de remoção de objetos estacionários a partir de imagística hiperespectral que inclui entre outros, coletar uma série de imagens hiperespectrais de uma cena-alvo; determinar pelo menos uma primeira imagem hiperespectral que não tem objetos novos ou que se move na cena-alvo; selecionar pelo menos uma primeira imagem hiperespectral; determinar pelo menos uma segunda imagem hiperespectral que tem objetos em movimento na cena-alvo; e subtrair pelo menos uma primeira imagem hiperespectral a partir de pelo menos uma imagem hiperespectral para criar uma imagem hiperespectral com subtração de plano de fundo.
Description
(54) Título: MÉTODO DE REMOÇÃO DE OBJETOS ESTACIONÁRIOS A PARTIR DE PELO MENOS UMA IMAGEM
HIPERESPECTRAL (51) Int. Cl.: G06T 7/00; G06T 5/50 (52) CPC: G06T 7/00,G06T 5/50,G06T 2207/30181 (30) Prioridade Unionista: 09/11/2012 US 13/673,052 (73) Titular(es): GE AVIATION SYSTEM LLC (72) Inventor(es): BENJAMIN THOMAS OCCHIPINTI (74) Procurador(es): PRISCILA PENHA DE BARROS THEREZA (57) Resumo: MÉTODO DE REMOÇÃO DE OBJETOS ESTACIONÁRIOS A PARTIR DE PELO MENOS UMA IMAGEM
HIPERESPECTRAL. Trata-se de um método de remoção de objetos estacionários a partir de imagística hiperespectral que inclui entre outros, coletar uma série de imagens hiperespectrais de uma cena-alvo; determinar pelo menos uma primeira imagem hiperespectral que não tem objetos novos ou que se move na cena-alvo; selecionar pelo menos uma primeira imagem hiperespectral; determinar pelo menos uma segunda imagem hiperespectral que tem objetos em movimento na cena-alvo; e subtrair pelo menos uma primeira imagem hiperespectral a partir de pelo menos uma imagem hiperespectral para criar uma imagem hiperespectral com subtração de plano de fundo.
/ 16 “MÉTODO DE REMOÇÃO DE OBJETOS ESTACIONÁRIOS A PARTIR DE
PELO MENOS UMA IMAGEM HIPERESPECTRAL”
Antecedentes Da Invenção [001] O ambiente de um sistema de sensoriamento remoto por imagens hiperespectrais (HIS) é bem descrita em Hyperspectral Image Processing for Automatic Target Detection Applications por Manolakis, D., Marden, D., e Shaw G. (Lincoln Laboratory Journal; Volume 14; 2003 pp. 79 a 82). Um sensor de imagem tem pixels que registram uma medição de energia hiperespectral. Um dispositivo de HSI registrará a energia em uma disposição de pixels que capturam informações espaciais pela geometria da disposição e capturará informações espectrais fazendo medições em cada pixel de vários segmentos hiperespectrais contíguos. O processamento adicional das informações espaciais e espectrais depende de uma aplicação específica do sistema de sensoriamento remoto.
[002] A HSI detectada remotamente tem provado ser valiosa para aplicações de variações amplas, incluindo o monitoramento de uso da terra e do ambiente, inspeção militar e reconhecimento. A HSI fornece dados de imagem que contêm tanto as informações espaciais e quanto espectrais. Esses tipos de informações podem ser usados para detecção remota e tarefas de rastreamento. Especificamente, dado um conjunto de sensores visuais montados em uma plataforma, tal como um veículo aéreo não tripulado (UAV) ou uma estação terrestre estacionária, um vídeo de HSI pode ser adquirido e um conjunto de algoritmos pode ser aplicado ao vídeo espectral para detectar e rastrear objetos de quadro a quadro.
Breve Descrição Da Invenção [003] Um aspecto da invenção refere-se a um método de remoção de objetos estacionários a partir de pelo menos uma imagem hiperespectral. O método compreende coletar uma série de imagens
Petição 870160038419, de 22/07/2016, pág. 19/35 / 16 hiperespectrais de uma cena-alvo; determinar pelo menos uma primeira imagem hiperespectral que não tem objetos novos ou em movimento na cenaalvo; selecionar a pelo menos uma primeira imagem hiperespectral; determinar pelo menos uma segunda imagem hiperespectral que tem objetos em movimento na cena-alvo; e subtrair a pelo menos uma imagem hiperespectral a partir da pelo menos uma segunda imagem hiperespectral para criar uma imagem hiperespectral com subtração de plano de fundo.
Breve Descrição Dos Desenhos
Nos desenhos:
[004] A Figura 1 é uma vista diagramática de um método de seleção de imagens hiperespectrais de cenas sem objetos em movimento para serem usadas para a subtração de plano de fundo, de acordo com uma realização da invenção.
[005] A Figura 2 é uma vista diagramática de um método de criação de uma imagem hiperespectral com subtração de plano de fundo, de acordo com uma realização da invenção.
[006] A Figura 3 é uma vista diagramática de um método de criação de uma imagem hiperespectral com subtração de assinatura, de acordo com uma realização da invenção.
[007] A Figura 4 mostra uma imagem hiperespectral de uma cena de uma autoestrada cercada por terreno gramado.
[008] A Figura 5 mostra uma imagem hiperespectral de uma cena da Figura 4, em que carros atravessam a autoestrada.
[009] A Figura 6 mostra uma imagem hiperespectral com subtração de plano de fundo da cena da Figura 5, em que a autoestrada e o terreno gramado foram removidos, de acordo com uma realização da presente invenção.
Petição 870160038419, de 22/07/2016, pág. 20/35 / 16 [010] A Figura 7 mostra uma imagem hiperespectral com subtração de assinatura da cena da Figura 5, em que o terreno gramado foi removido de acordo com uma realização da presente invenção.
Descrição Das Realizações Da Invenção [011] Nos antecedentes e na descrição seguinte, para fins de explicação, numerosos detalhes específicos são apresentados a fim de fornecer um entendimento completo da tecnologia descrita no presente documento. Será evidente para um versado na técnica, no entanto, que as realizações exemplificativas podem ser praticadas sem esses detalhes específicos. Em outras instâncias, as estruturas e dispositivos são mostrados em forma de diagrama, a fim de facilitar a descrição das realizações exemplificativas.
[012] As realizações exemplificativas são descritas com referência aos desenhos. Esses desenhos ilustram certos detalhes de realizações específicas que implantam um módulo, método ou produto de programa de computador descritos no presente documento. No entanto, os desenhos não devem ser interpretados como impondo quaisquer limitações que possam estar presentes nos desenhos. O método e o produto de programa de computador podem ser fornecidos em quaisquer meios legíveis por máquina para realizar suas operações. As realizações podem ser implantadas usando um processador de computador existente ou por um processador de computador de finalidade especial incorporado para isso ou outra finalidade ou por um sistema conectado por fios.
[013] Conforme observado acima, as realizações descritas no presente documento podem incluir um produto de programa de computador que compreende meios legíveis por máquina ou que tem instruções executáveis por máquina ou estruturas de dados armazenadas no mesmo. Tais meios legíveis por máquina podem ser quaisquer meios disponíveis que
Petição 870160038419, de 22/07/2016, pág. 21/35 / 16 possam ser acessados por um computador de finalidade geral ou de finalidade especial ou outra máquina com um processador. A título de exemplo, tais meios legíveis por máquina podem compreender RAM, ROM, EPROM, EEPROM, CD-ROM ou outro disco de armazenamento, armazenamento de disco magnético ou dispositivos de armazenamento magnético ou qualquer outro meio que possa ser usado para carregar ou armazenar o código de programa desejado na forma de instruções executáveis por máquina ou estrutura de dados e que possa ser acessado por um computador de finalidade geral ou de finalidade especial ou outra máquina com um processador. Quando as informações são transferidas ou fornecidas através de uma rede ou outra conexão de comunicações (seja conectada por fios, sem fio ou uma combinação de conectada por fio ou sem fio) para uma máquina, a máquina percebe adequadamente a conexão como um meio legível por máquina. Desse modo, qualquer tal conexão é designada adequadamente como um meio legível por máquina. Combinações do citado acima também são incluídas dentro do escopo de meios legíveis por máquina. As instruções executáveis por máquina compreendem, por exemplo, instruções e dados, que fazem com que um computador de finalidade geral, computador de finalidade especial ou máquinas de processamento de finalidade especial desempenhem certa função ou grupo de funções.
[014] As realizações serão descritas no contexto geral de etapas de método que podem sem implantadas em uma realização pode um produto de programa, incluindo instruções executáveis por máquina, tal como código de programa, por exemplo, na forma de módulos de programa executados por máquinas em ambientes de rede. Geralmente, os módulos de programa incluem rotinas, programas, objetos, componentes, estruturas de dados, etc. que têm efeito técnico de desempenhar tarefas particulares ou implantar tipos de dados abstratos particulares. As instruções executáveis por máquina,
Petição 870160038419, de 22/07/2016, pág. 22/35 / 16 estruturas de dados associados, e módulos de programa representam exemplos de código de programa para executar etapas do método revelado no presente documento. A sequência particular de tais instruções executáveis ou estruturas de dados associados representam exemplos de atos correspondentes para implantação de funções descritas em tais etapas.
[015] As realizações podem ser praticadas em um ambiente de rede usando conexões lógicas para um ou mais computadores remotos que têm processadores. As conexões lógicas podem incluir uma rede de área local (LAN) e uma rede de área ampla (WAN) que são aqui apresentadas a título de exemplo e não de limitação. Tais ambientes de rede são comuns em amplas redes de computador de empresa ou escritório, redes corporativas e a internet e podem usar uma ampla variedade de protocolos de comunicações diferentes. Aqueles versados na técnica apreciarão que tais ambientes de computação de rede abrangerão tipicamente muitos tipos de configuração de sistema de computador, incluindo computadores pessoais, dispositivos de mão, sistemas de multiprocessador, eletrônicos de consumidor programáveis ou à base de microprocessador, PCs de rede, minicomputador, computadores centrais e semelhantes.
[016] As realizações também podem ser praticadas em ambientes de computação distribuídos, em que tarefas são desempenhadas por dispositivos de processamento remoto e local são conectados (tanto por enlace conectado por fio, enlaces sem fio ou uma combinação de enlaces conectados por fio ou sem fio) através de uma rede de comunicações. Em um ambiente de computação distribuído, módulos de programa podem ser localizados tanto nos dispositivos de armazenamento de memória remotos quanto locais.
[017] Um sistema exemplificativo para implantar o total ou porções das realizações exemplificativas pode incluir um dispositivo de
Petição 870160038419, de 22/07/2016, pág. 23/35 / 16 computação de finalidade geral na forma de um computador, incluindo uma unidade de processamento, uma memória de sistema e um barramento do sistema que acopla vários componentes de sistema, incluindo a memória de sistema para a unidade de processamento. A memória do sistema pode incluir memória somente para leitura (ROM) e memória de acesso aleatório (RAM). O computador também pode incluir uma unidade de disco rígido magnético para ler e gravar em um disco rígido magnético, uma unidade de disco rígido magnético para ler ou gravar em um disco magnético removível, e uma unidade de disco óptico para ler de ou gravar em um disco ótico removível como um CD-ROM ou outros meios ópticos. As unidades e seus meios legíveis por máquina associados fornecem armazenamento não volátil de instruções legíveis por máquina, estrutura de dados, módulos de programa e outros dados para o computador.
[018] Efeitos técnicos do método revelado nas realizações incluem aumentar a compressibilidade de imagística hiperespectral removendose todos os pixels que compreendem assinaturas hiperespectrais desnecessárias. Consequentemente, a quantidade de dados e tempo necessário para finalidades de arquivamento são reduzidos. Igualmente, o método aprimora na velocidade de métodos de detecção existentes reduzindo substancialmente o tamanho dos dados a serem pesquisados tanto manualmente quanto automaticamente. Além disso, o método acentua a imagística hiperespectral de modo que objetos não detectados previamente e recursos podem agora ser detectados.
[019] A Figura 1 é um vista diagramática de um método 10 de selecionar imagens hiperespectrais de cenas sem objetos em movimento para ser usados para subtração de plano de fundo acordo com uma realização da invenção. No início do processo 12, a HSI detectada remotamente que pode
Petição 870160038419, de 22/07/2016, pág. 24/35
Ί / 16 incluir imagens únicas ou um sinal de vídeo hiperespectral pode ser inserida em 14 para um processador capaz de processar a HSI.
[020] A entrada de HIS em 14 para o processador é um série de imagens hiperespectrais de uma cena-alvo. A cena-alvo é uma área imageada em que as barreiras espaciais da área imageada permanecem constantes pela coleção inteira de imagens hiperespectrais, tal como seria coletado por uma câmera estacionária. Por exemplo, a cena-alvo pode ser de um segmento de autoestrada cercado por terreno gramado. Embora cada imagem hiperespectral possa ser diferente como, por exemplo, carros que atravessam a autoestrada ou o nível de luz ambiente muda durante o dia, todas as imagens hiperespectrais na coleção precisam ser do mesmo segmento de autoestrada. Observe que esse exemplo é apenas para fins ilustrativos e não precisa ser considerado limitante; qualquer série de imagens hiperespectrais de uma cena estacionária pode ser relevante.
[021] Para determinar pelo menos uma imagem hiperespectral que não tem objetos em movimento na cena-alvo, o processador pode começar a iterar através da série coletada de imagens hiperespectrais em 16. Para cada imagem hiperespectral coletada na série, o processador pode determinar em 18 se a imagem hiperespectral tem algum objeto novo ou em movimento na cena-alvo. Se o processador determinar que há objetos novos ou em movimento na cena-alvo, o processador pode proceder para a próxima imagem hiperespectral na série de imagens hiperespectrais através das etapas de lógica iterativa no terminador em laço 32 e no iterador em laço16. Se o processador determinar que não há objetos novos ou em movimento na imagem hiperespectral em 20, o processador então pode selecionar a imagem hiperespectral como um plano de fundo da cena-alvo em 22.
[022] O método da invenção atual permite tanto que uma imagem hiperespectral represente um plano de fundo de uma cena-alvo quanto
Petição 870160038419, de 22/07/2016, pág. 25/35 / 16 que um conjunto de imagens hiperespectrais represente um plano de fundo de uma cena-alvo em 24 dependendo da implantação. Se o processador tiver que escolher uma única imagem hiperespectral para representar o plano de fundo de uma cena-alvo em 26, o processador pode armazenar uma única imagem hiperespectral selecionada em uma base de dados 46 e o processo de seleção de plano de fundo é finalizado em 48. Se o processador tiver que designar múltiplas imagens hiperespectrais para representar um plano de fundo de uma cena-alvo em 30, o processador pode continuar a iterar através do conjunto de imagens hiperespectrais através das etapas de lógica iterativa no terminador em laço 32 e no iterador em laço 16.
[023] Quando o processador foi iterado completamente através da série de imagens hiperespectrais de uma cena-alvo em 32, o processador pode determinar se múltiplas imagens hiperespectrais foram designadas para representar o plano de fundo de uma cena-alvo. Se o processador designou múltiplas imagens hiperespectrais para representar o plano de fundo de uma cena-alvo em 36, o processador pode calcular a média das imagens hiperespectrais em 38 para criar uma única imagem de plano de fundo que é armazenada na base de dados 46 e o processo de seleção de plano de fundo é finalizado em 48. Se o processador não designou múltiplas imagens hiperespectrais para representar o plano de fundo de uma cena-alvo 50, então, se o processador designou uma única imagem hiperespectral para representar o plano de fundo de uma cena-alvo em 40, o mesmo armazena a única imagem hiperespectral em 42 na base de dados 46. Desse modo, o processador finaliza o processo em 48. Se o processador não designou quaisquer imagens hiperespectrais para representar o plano de fundo de uma cena-alvo em 40, o processador em 44 pode coletar uma nova série de imagens hiperespectrais 14 para reiniciar o processo de selecionar pelo menos uma imagem hiperespectral de uma cena-alvo sem objetos em movimento.
Petição 870160038419, de 22/07/2016, pág. 26/35 / 16 [024] O processador em 18 pode determinar se uma imagem hiperespectral de uma cena-alvo contém alvos novos ou em movimento com intervenção manual por um usuário ou automaticamente. De acordo com uma realização da presente invenção, o processador em 18 pode exibir uma série de imagens hiperespectrais para um usuário enquanto em um estado inicial de operação. O usuário pode selecionar pelo menos uma imagem hiperespectral em 22 como uma imagem de plano de fundo da cena-alvo. Alternativamente, o processador em 18 pode selecionar automaticamente pelo menos uma imagem hiperespectral em 22 como uma imagem de plano de fundo de uma cena-alvo baseado em um conjunto de critérios aplicados a imagem hiperespectral atual. Os critérios podem ser baseados em características espaciais ou espectrais da imagem hiperespectral e pode empregar comparações da imagem hiperespectral atual para coletar previamente HSI.
[025] Mediante a determinação, seleção e armazenamento de uma imagem hiperespectral para representar o plano de fundo de uma cenaalvo sem objetos novos ou em movimento, o processador pode, então, remover o plano de fundo das imagens hiperespectrais da cena-alvo. A Figura 2 é uma vista diagramática de um método de criação de uma imagem hiperespectral com subtração de plano de fundo 100 de acordo com uma realização da invenção. No início do processo 112, a HSI detectada remotamente que pode incluir imagens únicas ou um sinal de vídeo hiperespectral pode ser inserida em 114 para um processador capaz de processar a HSI. A HSI detectada remotamente pode ser a mesma série de imagens de 14 da Figura 1 ou pode ser uma nova série de imagens hiperespectrais da mesma cena-alvo. O processador pode começar a iterar através da série coletada de imagens hiperespectrais em 116.
[026] Em 118, o processador pode subtrair a imagem de plano de fundo da cena-alvo em uma base de dados em 46 a partir da imagem
Petição 870160038419, de 22/07/2016, pág. 27/35 / 16 hiperespectral atual para criar uma imagem hiperespectral com subtração de plano de fundo. Embora a subtração possa ser uma simples subtração de pixel, pela qual a assinatura de pixel da imagem de plano de fundo é subtraída a partir da assinatura do pixel correspondente da imagem hiperespectral, outros métodos de subtração podem ser usados dependendo da implantação. Por exemplo, o processador pode desempenhar a subtração em 118 definindo o valor de pixel resultante como zero, se a diferença absoluta entre a assinatura da imagem de plano de fundo e a assinatura de pixel correspondente da imagem hiperespectral for menor do que um valor de limiar predeterminado. Para um limiar predeterminado exemplificativo, todo valor da assinatura hiperespectral precisa estar dentro de 5% do valor correspondente da assinatura do pixel da imagem de plano de fundo. Outros limiares podem ser usados, dependendo da implantação.
[027] A imagem hiperespectral com subtração de plano de fundo pode ser então, armazenada na base de dados em 46 ou exibida para um usuário. O processador pode, então, formar um laço através da série de imagens hiperespectrais através da lógica iterativa em 120 e 116 até finalizar o processo em 122.
[028] O formato da imagem hiperespectral armazenada na base de dados em 46 representa uma versão substancialmente comprimida da imagem hiperespectral original. Semelhante a como cada pixel RGB em uma imagem de cor tradicional contém três valores, cada pixel em uma imagem hiperespectral contém N valores, um para cada segmento espectral, em que N é muito maior do que três. Salvando-se apenas os pixels de objetos novos ou em movimento na cena-alvo, o número de pixels salvos na base de dados 46 pode ser abaixado drasticamente ao mesmo tempo em que preserva os N valores de todas as bandas espectrais. Por exemplo, uma imagem hiperespectral de pixel 640x480 com 20 bandas exigiria 6.114.000 valores
Petição 870160038419, de 22/07/2016, pág. 28/35 / 16 numéricos únicos para armazenar completamente na base de dados 46. Se apenas 300 pixels são determinados como sendo de objetos novos ou em movimento na cena, o processador precisaria armazenar 300*20=6.000 valores numéricos e as duas coordenadas de pixel dimensional correspondentes a um total de 6.600 valores na base de dados 46.
[029] Em uma realização da presente invenção, várias imagens de plano de fundo diferentes de uma única cena-alvo são armazenadas e categorizadas na base de dados 46 através de múltiplas instâncias do método de determinar uma imagem de plano de fundo 10. Cada imagem de plano de fundo da cena-alvo, na base de dados 46 é categorizada pela iluminação da cena-alvo. As categorias de exemplo podem ser representantes de condições de hora do dia tal como manhã, tarde, sol, anoitecer, noite, parcialmente nublado e completamente nublado. Quando o processador gera uma imagem hiperespectral com subtração de plano de fundo em 118, o processador pode determinar que imagem hiperespectral a ser retirada da base de dados 46 caracterizando-se os atributos da imagem hiperespectral ou comparando-se os tempos de coleta das imagens de plano de fundo e imagem hiperespectral da cena.
[030] A Figura 3 é uma vista diagramática de um método de criação de uma imagem hiperespectral com subtração de plano de fundo 200, de acordo com uma realização da invenção. No início do processo 212, uma imagem hiperespectral e uma assinatura hiperespectral podem ser inseridas em um processador capaz de processar os pixels de uma imagem hiperespectral. A imagem hiperespectral pode ser uma da série de imagens a partir de 14 da Figura 1, embora a fonte da imagem hiperespectral possa depender da implantação.
[031] A fonte da assinatura hiperespectral a ser removida a partir da imagem hiperespectral pode ser uma base de dados de assinaturas ou
Petição 870160038419, de 22/07/2016, pág. 29/35 / 16 assinaturas da própria imagem hiperespectral. Uma base de dados de assinaturas hiperespectrais podem conter as assinaturas de substâncias naturais ou artificiais de interesse para um usuário do método 200. Adicionalmente, um usuário pode escolher gerar assinaturas adicionais para subtração através da combinação de assinaturas conhecidas de substâncias na base de dados. Por exemplo, um usuário pode gerar uma assinatura para subtração combinando-se múltiplas assinaturas, cada uma com pesagens diferentes. Em outro exemplo, um usuário pode criar uma assinatura para subtração, selecionando-se um conjunto de segmentos espectrais a partir de uma primeira assinatura e um conjunto diferente de bandas espectrais a partir de uma segunda assinatura. Em ainda outro exemplo, o processador pode criar um conjunto de assinaturas relacionadas, aplicando-se uma transformação para uma assinatura selecionada para simular a assinatura de uma substância sob condições variadas de iluminação, tal como luz do sol, luz da lua ou faróis.
[032] O processador pode começar a iterar através de pixels da imagem hiperespectral em 214. O processador pode comparar a assinatura do pixel da imagem hiperespectral à assinatura hiperespectral selecionada para determinar uma correspondência através da determinação de uma medida de dissimilaridade em 216 e através da comparação do valor da medida de dissimilaridade para um limiar predeterminado em 218. Uma medida de dissimilaridade é uma métrica para determinar a distância matemática entre dois vetores. Por exemplo, o processador pode determinar uma correspondência usando a distância de Manhattan ou norma /1, para calcular se a soma das diferenças absolutas entre a assinatura de pixels da imagem hiperespectral e a assinatura hiperespectral selecionada é menor que um valor de limiar predeterminado.
[033] O processador pode calcular outras medidas de dissimilaridade. Uma classe de medidas de dissimilaridade é baseada em
Petição 870160038419, de 22/07/2016, pág. 30/35 / 16 normas e são cálculos diretos de uma distância entre dois vetores. Além da distância de Manhattan, o processador pode calcular uma medida de dissimilaridade a partir da distância Euclidiana, também conhecida como a norma /2, para determinar uma correspondência se a raiz quadrada da soma das diferenças quadradas entre a assinatura de pixels da imagem hiperespectral e a assinatura hiperespectral selecionada é menor do que um valor de limiar predeterminado. Em outro exemplo de uma medida de dissimilaridade baseada em norma, o processador pode calcular a distância Tchebyshev, também conhecida como a norma /», para determinar uma correspondência, se a diferença absoluta máxima entre a assinatura dos pixels da imagem hiperespectral e a assinatura hiperespectral selecionada é menor do que um valor de limiar predeterminado.
[034] Outra classe de medidas de dissimilaridade foi desenvolvida para explorar características estatísticas de alvos candidatos na imagística. Por exemplo, a distância Mahalanobis é uma medida estatística de similaridade que foi aplicada às assinaturas de pixel hiperespectral. A distância Mahalanobis mede uma similaridade de assinatura através do teste de uma assinatura contra um desvio padrão e médio de uma classe conhecida de assinaturas. Devido à natureza estatística da medida, o cálculo da distância Mahalanobis exige conjuntos de assinaturas em vez de uma única comparação de assinatura como usada para os cálculos com base em normas.
[035] Outras técnicas conhecidas incluem Mapeamento por Ângulo Espectral (SAM), Divergência de Informações Espectrais (SID), Área de Diferencial de Média Zero (ZMDA) e distância de Bhattacharyya. O SAM é um método para comparar uma assinatura a uma assinatura conhecida através do tratamento de cada espectro como vetores e do cálculo do ângulo entre os vetores. Devido ao SAM usar apenas a direção de vetor e não o comprimento de vetor, o método é insensível à variação em iluminação. O SID é um método
Petição 870160038419, de 22/07/2016, pág. 31/35 / 16 para comparar uma assinatura de alvo candidato a uma assinatura conhecida através da medição da divergência ou discrepância probabilística entre os espectros. O ZMDA normaliza as assinaturas por sua variância e computa a sua diferença, que corresponde à área entre os dois vetores. A distância de Bhattacharyya é semelhante à distância de Mahalanobois, mas é usada para medir a distância entre um conjunto de assinaturas-alvo candidatas contra uma conhecida classe de assinaturas.
[036] Após calcular a medida de dissimilaridade, o processor pode comparar o valor da medida de dissimilaridade para um limar predeterminado para determinar uma correspondência. Para um limiar predeterminado exemplificativo, todo valor da assinatura selecionada precisa estar dentro de 5% do valor correspondente à assinatura do pixel da imagem hiperespectral. Outros limiares podem ser usados, dependendo da implantação.
[037] Se as assinaturas não combinam em 220, o processador pode iterar ao próximo pixel na imagem hiperespectral através do terminador de lógica em laço 226 e iterador 214. Se as assinaturas combinam em 222, o pixel na imagem hiperespectral pode ser excluído, definindo-se seu valor como zero em 224 e desse modo, o processador pode continuar a iterar através dos pixels remanescentes da imagem hiperespectral através de terminador de lógica em laço 226 e iterador 214. Quando o processador iterou através de todos os pixels na imagem hiperespectral, o processo irá finalizar em 228 no ponto em que a imagem hiperespectral com subtração de assinatura pode ser armazenada em uma base de dados ou visto por um usuário em um visor.
[038] O método 200 pode ser repetido para remover assinaturas adicionais selecionadas para a imagem hiperespectral. Adicionalmente, o processo pode ser repetido para uma série de imagens hiperespectrais. O processador pode ser configurado para desempenhar essas etapas
Petição 870160038419, de 22/07/2016, pág. 32/35 / 16 automaticamente ou manualmente, exibindo resultados intermediários para um usuário através de uma exibição e recebendo instruções através de uma interface gráfica de usuário, considerando-se quais assinaturas subtrair. Em uma implantação do método, o processador remove todas as assinaturas representantes da imagem de plano de fundo, deixando apenas a imagem correlacionada às assinaturas dos objetos novos ou em movimento.
[039] A título de exemplo, as Figuras 4 a 7 demonstram uma realização da presente invenção. A Figura 4 mostra uma imagem hiperespectral de uma cena 300 de uma autoestrada cercada por terreno gramado. A imagem mostra uma autoestrada 310, uma torre 312, árvores 314, infraestrutura artificial 316, e terreno gramado 320. O processador pode identificar a imagem hiperespectral em 18 na Figura 1, como não tendo nenhum objeto em movimento e armazena a mesma na base de dados 46 como uma imagem de plano de fundo da cena-alvo.
[040] A Figura 5 mostra uma imagem hiperespectral 400 da cena da Figura 4, em que os carros 410 atravessam a autoestrada 310. O processador pode identificar essa imagem em 18 como tendo objetos em movimento. A imagem 400 da cena é uma candidata ao método de subtração de plano de fundo 100 da Figura 2.
[041] A Figura 6 mostra uma imagem hiperespectral com subtração de plano de fundo 500 da cena da Figura 5, em que a autoestrada e o terreno gramado foram removidos de acordo com uma realização da presente invenção. O processador pode retirar a imagem de plano de fundo 300 da Figura 4 a partir da base de dados 46 na Figura 2. O processador subtrai a imagem de plano de fundo 300 da Figura 4 a partir imagem hiperespectral 400 da cena da Figura 5. Os únicos elementos remanescentes da imagem são os carros 410. Todos os objetos sem movimento a partir de 300
Petição 870160038419, de 22/07/2016, pág. 33/35 / 16 foram excluídos, deixando espaço vazio 510. O contorno da autoestrada é mostrado meramente a título de referência e não estaria na imagem real 500.
[042] A Figura 7 mostra uma imagem hiperespectral com subtração de assinatura 600 da cena da Figura 5, em que o terreno gramado 320 da Figura 4 foi removido, de acordo com uma realização da presente invenção. O processor removeu a assinatura do terreno gramado 320 da Figura 4 usando o método de subtração de assinatura 200 da Figura 3, para criar uma grande faixa de espaço vazio 620 na imagem com subtração de assinatura resultante 600. Outra assinatura candidata poderia ser identificada para remoção, incluindo a assinatura da autoestrada 310, as árvores 314 e a infraestrutura feita pelo homem 316.
[043] O exemplo de imagem com subtração de plano de fundo 500 da Figura 6 e a imagem com subtração de assinatura 600 da Figura 7 demonstra que os métodos da presente invenção podem aprimorar drasticamente a detectabilidade de objetos em movimento em imagística hiperespectral. Adicionalmente, o nível descrito previamente de compressão de dados é visualmente aparente, especialmente na Figura 6, em que apenas os carros 410 permanecem.
[044] Esta descrição por escrito usa exemplos para revelar a invenção, incluindo o melhor modo, e também para possibilitar qualquer pessoa versada na técnica a praticar a invenção, incluindo produzir e usar quaisquer dispositivos ou sistemas e desempenhar quaisquer métodos incorporados. O escopo patenteável da invenção é definido pelas reivindicações, e pode incluir outros exemplos que ocorrerem àqueles versados na técnica. Tais outros exemplos são destinados a estar dentro do escopo das reivindicações se os mesmos têm elementos estruturais que não diferem da linguagem literal das reivindicações ou se os mesmos incluem elementos estruturais equivalentes com as diferenças insubstanciais das linguagens literais das reivindicações.
Petição 870160038419, de 22/07/2016, pág. 34/35
Claims (2)
1/7
Petição 870160038419, de 22/07/2016, pág. 5/35
1. MÉTODO (10) DE REMOÇÃO DE OBJETOS ESTACIONÁRIOS A PARTIR DE PELO MENOS UMA IMAGEM HIPERESPECTRAL, caracterizado pelo fato de que compreende:
coletar (14) uma série de imagens hiperespectrais de uma cenaalvo;
determinar (20) pelo menos uma primeira imagem hiperespectral que não tem objetos em movimento na cena-alvo;
selecionar (22) pelo menos uma primeira imagem hiperespectral; determinar pelo menos uma segunda imagem hiperespectral que tem objetos em movimento na cena-alvo, e subtrair (118) a pelo menos uma primeira imagem hiperespectral da pelo menos uma segunda imagem hiperespectral para criar uma imagem hiperespectral com plano de fundo subtraído.
2. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente a etapa de exibição de imagem hiperespectral com subtração de plano de fundo.
3. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente a etapa de armazenamento de imagem hiperespectral com subtração de plano de fundo.
4. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que se a diferença absoluta entre as assinaturas médias da pelo menos uma primeira imagem hiperespectral e as assinaturas da pelo menos uma segunda imagem hiperespectral na etapa de subtração for menor que o valor de limiar predeterminado, o valor da diferença é definido como zero.
5. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente a etapa de
Petição 870160038419, de 22/07/2016, pág. 17/35 calibração da pelo menos uma primeira imagem hiperespectral e da pelo menos uma segunda imagem hiperespectral para levar em conta as diferenças na iluminação da cena-alvo.
6. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que as etapas de determinar e selecionar são feitas manualmente.
7. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que as etapas de determinar e selecionar são feitas automaticamente.
8. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de selecionar compreende adicionalmente selecionar pelo menos duas primeiras imagens hiperespectrais e assinaturas médias para as pelo menos duas primeiras imagens hiperespectrais.
9. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de determinar a pelo menos uma primeira imagem hiperespectral que não tem objetos em movimento na cenaalvo é feita comparando-se a pelo menos uma primeira imagem hiperespectral à série de imagens hiperespectrais de uma cena-alvo.
Petição 870160038419, de 22/07/2016, pág. 18/35
2/7
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US13/673,052 US20140133753A1 (en) | 2012-11-09 | 2012-11-09 | Spectral scene simplification through background subtraction |
| US13/673,052 | 2012-11-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR102013022097A2 true BR102013022097A2 (pt) | 2018-01-23 |
| BR102013022097A8 BR102013022097A8 (pt) | 2018-12-26 |
Family
ID=49150757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR102013022097A BR102013022097A8 (pt) | 2012-11-09 | 2013-08-29 | método de remoção de objetos estacionários a partir de pelo menos uma imagem hiperespectral |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20140133753A1 (pt) |
| EP (1) | EP2731052A3 (pt) |
| JP (1) | JP2014096138A (pt) |
| CN (1) | CN103810667A (pt) |
| BR (1) | BR102013022097A8 (pt) |
| CA (1) | CA2825506A1 (pt) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8891870B2 (en) * | 2012-11-09 | 2014-11-18 | Ge Aviation Systems Llc | Substance subtraction in a scene based on hyperspectral characteristics |
| CN109165628B (zh) * | 2018-09-12 | 2022-06-28 | 首都师范大学 | 提高动目标检测精度的方法、装置、电子设备及存储介质 |
| KR102169687B1 (ko) * | 2019-01-03 | 2020-10-26 | 단국대학교 산학협력단 | 무인비행체를 이용한 초분광영상 획득 방법 |
| US11417090B2 (en) * | 2019-02-18 | 2022-08-16 | Nec Corporation | Background suppression for anomaly detection |
| CN110503664B (zh) * | 2019-08-07 | 2023-03-24 | 江苏大学 | 一种基于改进的局部自适应灵敏度背景建模方法 |
| US11386649B2 (en) | 2019-11-15 | 2022-07-12 | Maxar Intelligence Inc. | Automated concrete/asphalt detection based on sensor time delay |
| CN114076637B (zh) * | 2020-08-12 | 2023-06-09 | 舜宇光学（浙江）研究院有限公司 | 高光谱获取方法及其系统、电子设备和编码宽光谱成像装置 |
Family Cites Families (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5068909A (en) * | 1989-05-18 | 1991-11-26 | Applied Imaging Corporation | Method and apparatus for generating quantifiable video displays |
| US5166755A (en) * | 1990-05-23 | 1992-11-24 | Nahum Gat | Spectrometer apparatus |
| US5809161A (en) * | 1992-03-20 | 1998-09-15 | Commonwealth Scientific And Industrial Research Organisation | Vehicle monitoring system |
| DE59305180D1 (de) * | 1992-11-10 | 1997-02-27 | Siemens Ag | Verfahren zur detektion und abspaltung des schattens sich bewegender objekte in einer digitalen bildsequenz |
| US5371519A (en) * | 1993-03-03 | 1994-12-06 | Honeywell Inc. | Split sort image processing apparatus and method |
| JP3543978B2 (ja) * | 1993-07-23 | 2004-07-21 | ソニー株式会社 | デジタル画像信号の伝送装置、受信装置およびデジタル画像信号の記録装置、再生装置 |
| KR100292138B1 (ko) * | 1993-07-12 | 2002-06-20 | 이데이 노부유끼 | 디지탈비디오신호용송신기및수신기 |
| JPH09507930A (ja) * | 1993-12-08 | 1997-08-12 | ミネソタ マイニング アンド マニュファクチャリング カンパニー | 一眼ビジョンシステムに対する背景決定及び減算用の方法及び装置 |
| JP3123587B2 (ja) * | 1994-03-09 | 2001-01-15 | 日本電信電話株式会社 | 背景差分による動物体領域抽出方法 |
| US5729471A (en) * | 1995-03-31 | 1998-03-17 | The Regents Of The University Of California | Machine dynamic selection of one video camera/image of a scene from multiple video cameras/images of the scene in accordance with a particular perspective on the scene, an object in the scene, or an event in the scene |
| US5937102A (en) * | 1996-10-09 | 1999-08-10 | California Institute Of Technology | Image reconstruction |
| US6937651B1 (en) * | 1998-06-29 | 2005-08-30 | Texas Instruments Incorporated | Method and apparatus for compressing image information |
| US6226350B1 (en) * | 1998-12-31 | 2001-05-01 | General Electric Company | Methods and apparatus for cardiac scoring with a multi-beam scanner |
| US6546152B1 (en) * | 2000-05-04 | 2003-04-08 | Syscan Technology (Shenzhen) Co. Limited | Method and apparatus for providing images in portable 2-D scanners |
| US7190809B2 (en) * | 2002-06-28 | 2007-03-13 | Koninklijke Philips Electronics N.V. | Enhanced background model employing object classification for improved background-foreground segmentation |
| US7227893B1 (en) * | 2002-08-22 | 2007-06-05 | Xlabs Holdings, Llc | Application-specific object-based segmentation and recognition system |
| US20040100563A1 (en) * | 2002-11-27 | 2004-05-27 | Sezai Sablak | Video tracking system and method |
| US7440634B2 (en) * | 2003-06-17 | 2008-10-21 | The Trustees Of Columbia University In The City Of New York | Method for de-blurring images of moving objects |
| WO2006011593A1 (ja) * | 2004-07-30 | 2006-02-02 | Matsushita Electric Works, Ltd. | 個体検出器及び共入り検出装置 |
| US20060067562A1 (en) * | 2004-09-30 | 2006-03-30 | The Regents Of The University Of California | Detection of moving objects in a video |
| US7903141B1 (en) * | 2005-02-15 | 2011-03-08 | Videomining Corporation | Method and system for event detection by multi-scale image invariant analysis |
| CN101326545B (zh) * | 2005-08-19 | 2012-05-30 | 松下电器产业株式会社 | 图像处理方法和图像处理系统 |
| US8000440B2 (en) * | 2006-07-10 | 2011-08-16 | Agresearch Limited | Target composition determination method and apparatus |
| US20080181457A1 (en) * | 2007-01-31 | 2008-07-31 | Siemens Aktiengesellschaft | Video based monitoring system and method |
| US8456528B2 (en) * | 2007-03-20 | 2013-06-04 | International Business Machines Corporation | System and method for managing the interaction of object detection and tracking systems in video surveillance |
| US8126213B2 (en) * | 2007-09-27 | 2012-02-28 | The United States Of America As Represented By The Secretary Of Agriculture | Method and system for wholesomeness inspection of freshly slaughtered chickens on a processing line |
| US8200011B2 (en) * | 2007-09-27 | 2012-06-12 | Behavioral Recognition Systems, Inc. | Context processor for video analysis system |
| JP2009123150A (ja) * | 2007-11-19 | 2009-06-04 | Sanyo Electric Co Ltd | 対象物検出装置及び方法、対象物検出システム、プログラム |
| TWI353778B (en) * | 2007-12-21 | 2011-12-01 | Ind Tech Res Inst | Moving object detection apparatus and method |
| US9251423B2 (en) * | 2008-03-21 | 2016-02-02 | Intel Corporation | Estimating motion of an event captured using a digital video camera |
| TWI381717B (zh) * | 2008-03-31 | 2013-01-01 | Univ Nat Taiwan | 數位視訊動態目標物體分割處理方法及系統 |
| TW201001338A (en) * | 2008-06-16 | 2010-01-01 | Huper Lab Co Ltd | Method of detecting moving objects |
| JP5223486B2 (ja) * | 2008-06-18 | 2013-06-26 | ソニー株式会社 | 電子双眼鏡 |
| JP2010237865A (ja) * | 2009-03-30 | 2010-10-21 | Nec Corp | 画像解析装置、画像解析方法、及び画像解析プログラム |
| CN101894366B (zh) * | 2009-05-21 | 2014-01-29 | 北京中星微电子有限公司 | 一种获取标定参数的方法、装置及一种视频监控系统 |
| US8295548B2 (en) * | 2009-06-22 | 2012-10-23 | The Johns Hopkins University | Systems and methods for remote tagging and tracking of objects using hyperspectral video sensors |
| US8712096B2 (en) * | 2010-03-05 | 2014-04-29 | Sri International | Method and apparatus for detecting and tracking vehicles |
| JP2011210139A (ja) * | 2010-03-30 | 2011-10-20 | Sony Corp | 画像処理装置および方法、並びにプログラム |
| US20130265423A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | Video-based detector and notifier for short-term parking violation enforcement |
-
2012
- 2012-11-09 US US13/673,052 patent/US20140133753A1/en not_active Abandoned
-
2013
- 2013-08-29 CA CA2825506A patent/CA2825506A1/en not_active Abandoned
- 2013-08-29 BR BR102013022097A patent/BR102013022097A8/pt not_active IP Right Cessation
- 2013-09-05 EP EP13183185.1A patent/EP2731052A3/en not_active Ceased
- 2013-09-06 JP JP2013184551A patent/JP2014096138A/ja active Pending
- 2013-09-09 CN CN201310406333.XA patent/CN103810667A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20140133753A1 (en) | 2014-05-15 |
| CA2825506A1 (en) | 2014-05-09 |
| BR102013022097A8 (pt) | 2018-12-26 |
| EP2731052A2 (en) | 2014-05-14 |
| CN103810667A (zh) | 2014-05-21 |
| EP2731052A3 (en) | 2015-01-14 |
| JP2014096138A (ja) | 2014-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR102013022097A2 (pt) | Método de remoção de objetos estacionários a partir de pelo menos uma imagem hiperespectral | |
| Wei et al. | An assessment study of three indirect methods for estimating leaf area density and leaf area index of individual trees | |
| US20150036874A1 (en) | Automatic generation of built-up layers from high resolution satellite image data | |
| Ye et al. | Analysing the potential of UAV point cloud as input in quantitative structure modelling for assessment of woody biomass of single trees | |
| Moriondo et al. | Use of digital images to disclose canopy architecture in olive tree | |
| Lee et al. | Semi-automatic calculation of joint trace length from digital images based on deep learning and data structuring techniques | |
| Martin-Ducup et al. | Evaluation of automated pipelines for tree and plot metric estimation from TLS data in tropical forest areas | |
| CN108509993A (zh) | 一种矿井突水激光诱导荧光光谱图像识别方法 | |
| Zhou et al. | Tree crown detection in high resolution optical and LiDAR images of tropical forest | |
| CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
| CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及系统 | |
| EP3553700A2 (en) | Remote determination of containers in geographical region | |
| Westling et al. | Graph-based methods for analyzing orchard tree structure using noisy point cloud data | |
| Jiang et al. | Efficient match pair selection for oblique UAV images based on adaptive vocabulary tree | |
| Hong et al. | Rapid three-dimensional detection approach for building damage due to earthquakes by the use of parallel processing of unmanned aerial vehicle imagery | |
| Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
| Li et al. | 3D map system for tree monitoring in hong kong using google street view imagery and deep learning | |
| BR102013022240A2 (pt) | método para remover uma assinatura hiperespectral de pelo menos uma imagem hiperespectral | |
| Keyvanfar et al. | Performance comparison analysis of 3D reconstruction modeling software in construction site visualization and mapping | |
| Mace et al. | Overhead detection: Beyond 8-bits and rgb | |
| Motta et al. | Landslide displacement monitoring from multi-temporal terrestrial digital images: Case of the Valoria Landslide site | |
| US20240161325A1 (en) | Improved vision-based measuring | |
| Maggiori et al. | Improved partition trees for multi-class segmentation of remote sensing images | |
| Fetai et al. | Detection of Visible Boundaries from Uav Images Using U-Net | |
| Costăchioiu et al. | Multitemporal satellite image time series analysis of urban development in Bucharest and Ilfov areas |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B03A | Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette] | ||
| B06F | Objections, documents and/or translations needed after an examination request according [chapter 6.6 patent gazette] | ||
| B03H | Publication of an application: rectification [chapter 3.8 patent gazette] |
Free format text: REFERENTE AO ITEM (72) DA PUBLICACAO 3.1 DA RPI NO 2455 DE 23/01/2018 |
|
| B08F | Application dismissed because of non-payment of annual fees [chapter 8.6 patent gazette] |
Free format text: REFERENTE A 6A ANUIDADE. |
|
| B08K | Patent lapsed as no evidence of payment of the annual fee has been furnished to inpi [chapter 8.11 patent gazette] |
Free format text: EM VIRTUDE DO ARQUIVAMENTO PUBLICADO NA RPI 2529 DE 25-06-2019 E CONSIDERANDO AUSENCIA DE MANIFESTACAO DENTRO DOS PRAZOS LEGAIS, INFORMO QUE CABE SER MANTIDO O ARQUIVAMENTO DO PEDIDO DE PATENTE, CONFORME O DISPOSTO NO ARTIGO 12, DA RESOLUCAO 113/2013. |