CN101393641A - 一种基于上下文的机场目标解译方法 - Google Patents
一种基于上下文的机场目标解译方法 Download PDFInfo
- Publication number
- CN101393641A CN101393641A CNA2008101975569A CN200810197556A CN101393641A CN 101393641 A CN101393641 A CN 101393641A CN A2008101975569 A CNA2008101975569 A CN A2008101975569A CN 200810197556 A CN200810197556 A CN 200810197556A CN 101393641 A CN101393641 A CN 101393641A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- airport
- theta
- combination
- straight line
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于上下文的机场目标解译方法,该方法以机场草坪、主跑道、辅跑道作为机场主体,确定了机场构成概率的计算方法。对输入图像进行自底向上的数据驱动产生基本的元素空间,在元素空间中搜索使得机场构成概率值最大的机场解。若最大的机场构成概率大于阈值,则机场存在,对机场解包含的机场草坪、主跑道、辅跑道分别进行标示。本发明能对遥感图像中的机场目标进行有效的完整识别和解译,并且操作简便,工作效率高。
Description
技术领域
本发明属于图像解译技术领域,具体涉及一种以卫星图片中的机场目标为对象,利用上下文信息实现对机场目标的解译。
背景技术
机场是重要的军事目标,在遥感图像中对机场目标进行解译具有重要的理论意义与应用价值。
机场是供飞机起飞、着陆、停放和组织保障飞行活动的场所。它是一个较大的目标群,通常由跑道、滑行道、停机坪、飞机掩体、机窝、指挥通讯设备、飞行管制室、气象台、飞机修理设备、油库、弹药库和营房、生活区等组成。这些组成部分在建筑形式和配置位置等都有不同的特点,反映在影像上的特征也不一样。它包括飞行场地和各种保障设施。按其跑道和其它设施的条件,分为永备机场和野战机场;按其使用性质,又可分为军用机场和民用机场。在影像上判读机场目标,主要是查明机场的种类和建筑设施的情况,同时,还应判明机场上的防御设施以及飞机的位置等。因此,机场的复杂多样性决定了在遥感图像中对机场进行识别和解译是一项困难的任务。
然而,由于机场跑道的特征最为明显,因此,现有的机场检测算法一般仅限于对机场跑道的识别,且常常是通过提取跑道边缘,并判定其是否为平行线作为判断依据。这是一种完全从知识驱动出发的识别方法,且容易将机场跑道和高速公路混淆,具有识别精度不高,适应性差的缺点。同时,这类方法也忽略了构成机场目标的其它要素,如机窝、联络道、机场建筑等,从而导致了现有方法无法完成对机场目标的解译,只不过是完成了机场跑道的识别任务。
发明内容
本发明的目的在于提供一种基于上下文的机场目标解译方法,对遥感图像中的机场目标有效完整识别和解译,操作简便,准确率高。
一种基于上下文的机场目标解译方法,包括对机场跑道、草坪、联络道和机窝的标记,具体步骤如下:
步骤(1):将待识别遥感图像进行大津分割得到二值图像I;
步骤(2):从二值图像I中提取平行线空间以及由亮和暗连通域空间构成的连通域空间,若平行线空间或暗连通域空间为空,结束,否则进入步骤(3);
步骤(3):搜索到一个机场候选解W,该解构成机场的概率p(W|I)值为最大,将该机场候选解W作为机场解W′;
机场候选解W包含的信息有:候选主跑道、候选草坪阵列和候选辅助跑道,候选主跑道由平行线空间中的一组平行线组合{l1,l2}表示,候选草坪阵列由暗连通域空间中的3~6个暗连通域组合{Ri}表示,候选辅助跑道由一条依据前述候选主跑道和候选草坪阵列构建而成的直线l3表示;
概率p(W|I)表示为:p(W|I)∝p(W)p(I|W),其中
令平行线组合为{l1,l2}表示为直线l1:xcosθ1+ysinθ1=b1,
直线l2:xcosθ2+ysinθ2=b2;
直线l3:xcosθ3+ysinθ3=b3,其中
(x,y)为直线上某一点在直角坐标系的坐标值,θ1,θ2,θ3分别为直线l1,l2,l3的法线与横坐标轴的夹角,b1,b2,b3分别为坐标原点到直线l1,l2,l3的距离;
则上下文似然函数
其中,σd1,σd2,σd3∈[30,60],d0∈[10,70],σθ∈(0,0.2],θ=(θ1+θ2)/2,
f3(Ri,Ri+1)为暗连通域组合{Ri}中第i个暗连通域与第i+1个暗连通域间的质心间距;
步骤(4):若概率p(W′|I)小于阈值pT,机场不存在,结束,否则进入步骤(5);
步骤(5):对机场解W′包含的平行线组合进行主跑道标示,对机场解W′包含的直线进行辅助跑道标记,对机场解W′包含的暗连通域组合进行草坪标记,相邻草坪间的部分标记为联络道,在主跑道和辅助跑道同时所在的亮连通域内,对辅助跑道远离主跑道的一侧进行机窝识别和标记。
本发明的技术效果体现在:
(1)本发明通过Otsu法分割得到二值图像,在二值图像中提取平行线空间和连通域空间,作为机场候选解空间,用于机场的识别和解译。因此本发明在机场的识别和解译中,不像现有的机场识别方法仅仅采用机场主跑道作为机场的特征,而是综合利用了机场主跑道、辅助跑道和草坪阵列的上下文关系;
(2)本发明定义了机场先验概率和上下文似然函数,从而得到后验概率的表达式。采用马尔科夫链蒙特卡洛方法(MCMC)在解空间中搜索使后验概率最大的解,从而完成机场的识别和解译,具有很强的鲁棒性,能够识别各种不同类型的机场,同时具有一定的抗噪声、抗图像畸变的能力;
(3)本发明采用贝叶斯分析理论,将自顶向下的基于知识驱动的方法与自底向上的数据驱动方法相结合,能对遥感图像中的机场目标进行有效得识别和解译,并且操作简便,工作效率高。
附图说明
图1示出了本发明流程图;
图2示出了搜索算法的流程示意图;
图3示出了一幅包含机场的可见光遥感图像;
图4示出了对原始图像Otsu分割的结果;
图5示出了平行线空间中所有的平行线元素;
图6示出了亮、暗连通域标记的结果,其中,图6a代表亮连通域标记结果,图6b代表暗连通域标记结果;
图7示出了主跑道、辅助跑道和机场草坪区域的标记结果,其中,图7a代表主跑道和辅助跑道标记的结果,图7b代表机场草坪区域的标记结果;
图8示出了联络道标记的结果;
图9示出了标记机窝过程中的一些中间结果,其中,图9a代表提取主辅跑道所在亮连通域,图9b代表辅助跑道一侧远离主跑道的部分,图9c代表只机窝所在连通域,图9d代表细化后的机窝连通域,图9e代表标记细化后的机窝连通域末端的位置。
图10示出了对图3进行机场解译的最终结果。
具体实施方式
本发明定义的机场解译就是对图像中机场的各个组成部分,包括机场草坪、主跑道、辅跑道、联络道以及机窝群分别加以识别并输出。
假定已经获得了待识别的遥感图像,在该遥感图像中,至多只可能包含一个完整的机场。
下面参照图1详细说明本发明的步骤:
(1)将待识别遥感图像进行大津(Otsu)分割,得到分割后的二值图像I;
(2)从分割后的二值图像中产生基本的元素空间,即提取平行线空间和连通域空间。具体过程如下:
(2.1)通过拉东(Radon)变换,我们可以得到所有直线的响应强度、角度与投影。对于任意两条直线l11、l22,其响应强度记为u11,u22,角度记为theta11,theta22,投影记为b11,b22。则平行线元素空间通过pM(l11,l22)得到。如果pM(l11,l22)=1,则直线l11、l22组成平行线加入平行线空间;否则不加入平行线空间。pM(l11,l22)的计算公式如下,
pM(l11,l22)=pu(u11,u22)pb(b11,b22)ptheta(theta11,theta22)
等式右边第一项pu(u11,u22)表示两条直线的响应强度的相似程度,计算公式如下:
其中p0,u0限制求取的平行线的强度范围。
等式右边第二项,pb(b11,b22)检验两条直线的间距是否满足要求,计算公式如下:
其中b1,b2限制了所求平行线的间距范围,与图像的分辨率有关。
等式右边第三项ptheta(theta11,theta22)体现了两条直线的角度相似程度,计算公式如下:
其中theta0为预定的两条直线的角度相似程度阈值。
(2.2)对(1)得到的二值化图像,分别求取亮连通域与暗连通域,组成亮连通域空间和暗连通域空间。其中亮连通域用来识别机场的主体部分,暗连通域用来求解机场的草坪阵列。
(3)在平行线空间和连通域空间构成的解空间中,采用马尔科夫链蒙特卡洛方法(MCMC)搜索使后验概率p(W|I)最大的解W,后验概率p(W|I)即为机场构成概率p(W|I)。
首先在(3.1)中将具体描述最大后验概率的计算表达式;然后在(3.2)中描述如何使用MCMC方法。总体来讲,(3.2)中描述的MCMC方法是按照某种准则不断地从解空间中抽取出一个特定的解,将这个解代入(3.1)中描述的p(W|I)的计算表达式,计算出一个p(W|I)的值,这些p(W|I)的值当中会有一个极大值,如果这个极大值在不断计算了1000~2000次之后仍然是极大值,那么可以认为这个极大值就是最大值,即最大后验概率,然后结束解空间的搜索。
(3.1)根据贝叶斯公式,后验概率p(W|I)可以由先验概率p(W)和上下文似然函数p(I|W)如下式表示,
p(W|I)∝p(W)p(I|W),
平行线组合为{l1,l2}表示为直线l1:x cos θ1+y sin θ1=b1,
直线l2:x cos θ2+y sin θ2=b2;
直线l3:x cos θ3+y sin θ3=b3,(x,y)为直线上某一点在直角坐标系的坐标值,θ1,θ2,θ3分别为直线l1,l2,l3的法线与横坐标轴的夹角,b1,b2,b3分别为坐标原点到直线l1,l2,l3的距离;
则上下文似然函数
其中,σd1,σd2,σd3∈[30,60],d0∈[10,70],σθ∈(0,0.2],θ=(θ1+θ2)/2,
f3(Ri,Ri+1)为暗连通域组合{Ri}中第i个暗连通域与第i+1个暗连通域间的质心间距。
(3.2)MCMC搜索方法具体过程如下:
首先设计马尔可夫链的三种子转移核。每运行一个子转移核都会得到一个新的解,如图2所示,然后根据(3.1)中的式(1)计算得到一个新的后验概率值。
(a)子转移核1:
子转移核1的作用是更新机场候选解W的暗连通域{Ri}。设运行子转移核1前机场候选解W的暗连通域是{Ri},i=1,2…,K,剩下的非机场候选解的暗连通域是{Sz},z=1,2…,K′。那么,每运行一次子转移核1,将以转移概率Q1r将{Ri}中的Rr去除,并且以转移概率Q1l将{Sz}中的Sl加入{Ri}。
转移概率Q1r和Q1l的计算方法如下,
在这里,权值ω1m(Ri)与ω1n(Sz)的计算方法如下,
其中,p(K)=λK exp(-λ)/K!,λ∈{4,5,6},λ1,λ2∈(0,1),且λ1>λ2。
wi为各连通域等价椭圆的宽度, σlp∈[30,60],σw∈[90,110],这里dc{Ri}为{Ri}的中心偏移距离,计算方式如下,
令暗连通域组合{Ri}中各连通域的质心依次为{(ei,fi),i=1,2,..K},通过最小二乘法将质心横坐标ei和纵坐标fi拟合为直线lc:
x cos θc+y sin θc=bc,θc为直线lc的法线与横坐标轴的夹角,bc为坐标原点到直线lc的距离,则暗连通域组合{Ri}的中心偏移距离
(b)子转移核2:主跑道的转换
通过(2.1)建立的平行线空间,我们得到一系列候选的主跑道。运行子转移核2时,将根据每组平行线的权值重新选择一组平行线,被选中的概率与权值的大小成正比。
其中,q({lh1,lh2})体现了一组平行线的平行程度,计算方法如下,
θh1、θh2分别是直线lh1、lh2的法线与横坐标的夹角, σθ∈(0,0.2]。
(c)子转移核3:辅助跑道参数更新
辅助跑道表示为直线l3:x cos θ3+y sin θ3=b3,直线l3的法线与横坐标轴的夹角θ3依据正态分布N(2θ4-θc,0.1)确定,坐标原点到直线l3的距离b3依据正态分布N(2b4-bc,2)确定;当平行线组合{l1,l2}中的直线l1与质心{(ei,fi),i=1,2,..K}的距离总和小于直线l2与质心{(ei,fi),i=1,2,..K}的距离总和,θ4=θ1,b4=b1,否则θ4=θ2,b4=b2。
每运行一次子转移核3,辅助跑道所在的直线方程的参数θ3,b3都会根据其各自的分布取得一个新的值,这样就得到了一个新的直线方程。这样确定辅助跑到所在直线可以避免传统的方法在寻找机场辅助跑道时,由于图像的畸变、噪声干扰等造成的定位不准。
整个搜索算法的流程参见附图2。设定运行子转移核1的概率为P1,运行子转移核2的概率为P2,运行子转移核3的概率为P3。其中P1,P2,P3为常数,P1,P2,P3∈(0,1),且P1+P2+P3=1。
如果最大后验概率p(W|I)小于阈值pT,那么图像中不存在机场,识别结束。如果最大后验概率p(W|I)大于等于阈值pT,那么W中的平行线标记为主跑道和辅助跑道,W中的连通域空间标记为机场草坪,其中pT∈(0,0.2]。
(4)相邻草坪间夹在主辅跑道中间的部分标记为联络道。
(5)首先提取主辅跑道同时所在亮连通域,如附图3a所示;接着,在亮连通域内提取辅助跑道一侧远离主跑道的部分,如附图3b所示;分别对附图3b中每个连通域分析它的端点数量,得到机窝所在连通域如附图3c所示,最后我们将机窝连通域细化后(附图3d),标记末端的位置,也就是机窝的位置,如附图3e所示。
下面为一个实施例。
假定已经获得了待识别的遥感图像,在该遥感图像中,至多只可能包含一个完整的机场,如附图3所示。具体步骤为:
(1)将待识别遥感图像进行大津(Otsu)分割,得到分割后的二值图像I,如附图4所示。
(2)从分割后的二值图像中产生基本的元素空间,提取出的平行线空间中如图5所示,其中p0=0.3,u0=18,b1=10,b2=20,theta0=π/90,亮连通域空间如图6a所示,暗连通域空间如图6b所示。其中亮连通域用来识别机场的主体部分,暗连通域用来求解机场的草坪阵列。
(3)在平行线空间和连通域空间构成的解空间中,采用马尔科夫链蒙特卡洛方法(MCMC)搜索使后验概率p(W|I)最大的解W′。计算次数为1500次,σθ=0.2,设定运行子转移核1的概率P1为0.3,其中λ=4,λ1=0.6,λ2=0.4,σlp=40,σw=100;运行子转移核2的概率P2为0.3,其中σθ=0.1;运行子转移核3的概率P3为0.4。最后搜索出的最大后验概率p(W′|I)=0.8723,大于阈值pT=0.02,因此W′中的平行线标记为主跑道和辅助跑道(如附图7a),W′中的连通域空间标记为机场草坪(如附图7b)。
(4)相邻草坪间夹在主辅跑道中间的部分标记为联络道(如附图8)。
(5)首先提取主辅跑道同时所在亮连通域,如附图9a所示;接着,在亮连通域内提取辅助跑道一侧远离主跑道的部分,如附图9b所示;分别对附图9b中每个连通域分析它的端点数量,得到机窝所在连通域如附图9c所示,最后我们将机窝连通域细化后(附图9d),标记末端的位置,也就是机窝的位置,如附图9e所示。
最终图3的机场解译结果如图10所示。
综上所述,本发明将机场草坪、主跑道、辅跑道构成机场主体,通过自顶向下的基于知识驱动的方法对机场主体以上下文约束进行建模,获得机场主体的先验模型p(W)和机场主体的空间上下文似然函数p(I|W)。通过对输入图像进行自底向上的数据驱动,产生基本的元素空间,为先验模型提供信息元素,使机场解译的任务成为数学上的求解最大后验边缘概率的任务。依次对滑行道和机窝进行识别。该方法能对遥感图像中的机场目标进行有效的识别和解译,并且操作简便,工作效率高。
Claims (2)
1、一种基于上下文的机场目标解译方法,包括对机场跑道、草坪、联络道和机窝的标记,具体步骤如下:
步骤(1):将待识别遥感图像进行大津分割得到二值图像I;
步骤(2):从二值图像I中提取平行线空间以及由亮和暗连通域空间构成的连通域空间,若平行线空间或暗连通域空间为空,结束,否则进入步骤(3);
步骤(3):搜索到一个机场候选解W,该解构成机场的概率p(W|I)值为最大,将该机场候选解W作为机场解W′;
机场候选解W包含的信息有:候选主跑道、候选草坪阵列和候选辅助跑道;候选主跑道由平行线空间中的一组平行线组合{l1,l2}表示,候选草坪阵列由暗连通域空间中的3~6个暗连通域组合{Ri}表示,候选辅助跑道由一条依据前述候选主跑道和候选草坪阵列构建而成的直线l3表示;
概率p(W|I)表示为:p(W|I)∝p(W)p(I|W),其中
先验概率 其中,K为暗连通域组合{Ri}的暗连通域个数,为暗连通域组合{Ri}的第i个暗连通域的周长,|Ri|为暗连通域组合{Ri}的第i个暗连通域的面积,λ∈{4,5,6},α∈[0.5,1);令平行线组合为{l1,l2}表示为直线l1:xcosθ1+ysinθ1=b1,
直线l2:xcosθ2+ysinθ2=b2;
直线l3:xcosθ3+ysinθ3=b3,其中
(x,y)为直线上某一点在直角坐标系的坐标值,θ1,θ2,θ3分别为直线l1,l2,l3的法线与横坐标轴的夹角,b1,b2.b3分别为坐标原点到直线l1,l2,l3的距离;
其中,σd1,σd2,σd3∈[30,60],d0∈[10,70],σθ∈(0,0.2],θ=(θ1+θ2)/2,
f3(Ri,Ri+1)为暗连通域组合{Ri}中第i个暗连通域与第i+1个暗连通域间的质心间距;
步骤(4):若概率p(W′|I)小于阈值pT,机场不存在,结束,否则进入步骤(5);
步骤(5):对机场解W′包含的平行线组合进行主跑道标示,对机场解W′包含的直线进行辅助跑道标记,对机场解W′包含的暗连通域组合进行草坪标记,相邻草坪间的部分标记为联络道,在主跑道和辅助跑道同时所在的亮连通域内,对辅助跑道远离主跑道的一侧进行机窝识别和标记。
2、根据权利要求1所述的一种基于上下文的机场目标解译方法,其特征在于,所述步骤(3)的机场候选解W按照如下方式确定:以概率P1进入第一子转移核确定暗连通域组合{Ri},以概率P2进入第二子转移核确定平行线组合{l1,l2},以概率P3进入第三子转移核确定直线l3,P1,P2,P3∈(0,1),且P1+P2+P3=1;
第一子转移核:
以转移概率Q1r将暗连通域Rr,r∈[1,K]从暗连通域组合{Ri}中去除,以转移概率Q1l将暗连通域Sl,l∈[1,K′]加入暗连通域组合{Ri},暗连通域Sl从非候选暗连通域组合{Sl}中获取,非候选暗连通域组合{Sz}由暗连通域组合{Ri}以外的暗连通域构成,k′为非候选暗连通域组合{Sz}的暗连通域个数;
转移概率Q1r和Q1l的计算公式为:
其中
p(K)=λKexp(-λ)/K!,
λ1,λ2∈(0,1),且λ1>λ2,wi为暗连通域组合{Ri}的第i个暗连通域等价椭圆的宽度, σlp∈[30,60],σw∈[90,110];
中心偏移距离dc({Ri})的计算方法为:令暗连通域组合{Ri}中各连通域的质心依次为{(ei,fi),i=1,2,..K},通过最小二乘法将质心横坐标ei和纵坐标fi拟合为直线lc:xcosθc+ysinθc=bc,θc为直线lc的法线与横坐标轴的夹角,bc为坐标原点到直线lc的距离,则暗连通域组合{Ri}的中心偏移距离
第二子转移核:
在平行线空间中,各平行线组合对应一权值,按照与权值成正比的概率选择一组平行线组合,将其作为机场候选解W的平行线组合{l1,l2};
权值计算方法为:
其中,第h组平行线组合{lh1,lh2}的平行程度 θh1、θh2分别是直线lh1、lh2与纵坐标轴的夹角, σθ∈(0,0.2],N为平行线空间中的平行线组合数量;
第三子转移核:
辅助跑道表示为直线l3:xcosθ3+ysinθ3=b3,直线l3的法线与横坐标轴的夹角θ3依据正态分布N(2θ4-θc,0.1)确定,坐标原点到直线l3的距离b3依据正态分布N(2b4-bc,2)确定;当平行线组合{l1,l2}中的直线l1与质心{(ei,fi),i=1,2,..K}的距离总和小于直线l2与质心{(ei,fi),i=1,2,..K}的距离总和,则θ4=θ1,b4=b1,否则θ4=θ2,b4=b2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101975569A CN101393641B (zh) | 2008-11-07 | 2008-11-07 | 一种基于上下文的机场目标解译方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101975569A CN101393641B (zh) | 2008-11-07 | 2008-11-07 | 一种基于上下文的机场目标解译方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101393641A true CN101393641A (zh) | 2009-03-25 |
CN101393641B CN101393641B (zh) | 2010-06-09 |
Family
ID=40493924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101975569A Expired - Fee Related CN101393641B (zh) | 2008-11-07 | 2008-11-07 | 一种基于上下文的机场目标解译方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101393641B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923575A (zh) * | 2010-08-31 | 2010-12-22 | 中国科学院计算技术研究所 | 一种目标图像搜索方法和系统 |
CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
CN102741815A (zh) * | 2010-02-04 | 2012-10-17 | 微软公司 | 基于跨域上下文来对图像加标签 |
CN103456027A (zh) * | 2013-08-01 | 2013-12-18 | 华中科技大学 | 一种机场空间关系约束下的时敏目标检测定位方法 |
-
2008
- 2008-11-07 CN CN2008101975569A patent/CN101393641B/zh not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102741815A (zh) * | 2010-02-04 | 2012-10-17 | 微软公司 | 基于跨域上下文来对图像加标签 |
CN102741815B (zh) * | 2010-02-04 | 2015-11-25 | 微软技术许可有限责任公司 | 基于跨域上下文来对图像加标签 |
US10275714B2 (en) | 2010-02-04 | 2019-04-30 | Microsoft Technology Licensing, Llc | Image tagging based upon cross domain context |
US11544588B2 (en) | 2010-02-04 | 2023-01-03 | Microsoft Technology Licensing, Llc | Image tagging based upon cross domain context |
CN101923575A (zh) * | 2010-08-31 | 2010-12-22 | 中国科学院计算技术研究所 | 一种目标图像搜索方法和系统 |
CN101923575B (zh) * | 2010-08-31 | 2012-10-10 | 中国科学院计算技术研究所 | 一种目标图像搜索方法和系统 |
CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
CN102004922B (zh) * | 2010-12-01 | 2012-12-26 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
CN103456027A (zh) * | 2013-08-01 | 2013-12-18 | 华中科技大学 | 一种机场空间关系约束下的时敏目标检测定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101393641B (zh) | 2010-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Road detection from remote sensing images by generative adversarial networks | |
CN102663394B (zh) | 基于多源遥感图像融合的大中型目标识别方法 | |
CN105139028B (zh) | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 | |
CN109800671B (zh) | 面向目标解译的多源遥感信息知识图谱构建方法和系统 | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
Iqbal et al. | Weakly-supervised domain adaptation for built-up region segmentation in aerial and satellite imagery | |
Li et al. | A three-step approach for TLS point cloud classification | |
Liu et al. | Review of remotely sensed imagery classification patterns based on object-oriented image analysis | |
San et al. | Building extraction from high resolution satellite images using Hough transform | |
CN104700398A (zh) | 一种点云场景物体提取方法 | |
Pan et al. | A generic FCN-based approach for the road-network extraction from VHR remote sensing images–using openstreetmap as benchmarks | |
CN101393641B (zh) | 一种基于上下文的机场目标解译方法 | |
CN104408463A (zh) | 一种基于PanTex和直线特征的高分辨率建设用地图斑识别方法 | |
CN105389799A (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN106991411A (zh) | 基于深度形状先验的遥感图像目标精细化提取方法 | |
CN106611422A (zh) | 基于素描结构的随机梯度贝叶斯sar图像分割方法 | |
Kahraman et al. | Road extraction techniques from remote sensing images: A review | |
Fan et al. | Pavement cracks coupled with shadows: A new shadow-crack dataset and a shadow-removal-oriented crack detection approach | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
CN107463944A (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
Hazaymeh et al. | A cascaded data fusion approach for extracting the rooftops of buildings in heterogeneous urban fabric using high spatial resolution satellite imagery and elevation data | |
CN103679746B (zh) | 一种基于多信息融合的目标跟踪方法 | |
CN106997460A (zh) | 基于深度曲线波卷积网络的sar目标识别方法 | |
Dahle et al. | Automatic change detection of digital maps using aerial images and point clouds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C53 | Correction of patent for invention or patent application | ||
CB03 | Change of inventor or designer information |
Inventor after: Cao Zhiguo Inventor after: Fan Yi Inventor after: Zhuo Wen Inventor before: Cao Zhiguo Inventor before: Fan Yi Inventor before: Zhuo Wen |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100609 Termination date: 20151107 |
|
EXPY | Termination of patent right or utility model |