CN101763512A - 高分辨率遥感图像中道路目标的半自动检测方法 - Google Patents
高分辨率遥感图像中道路目标的半自动检测方法 Download PDFInfo
- Publication number
- CN101763512A CN101763512A CN200910219443A CN200910219443A CN101763512A CN 101763512 A CN101763512 A CN 101763512A CN 200910219443 A CN200910219443 A CN 200910219443A CN 200910219443 A CN200910219443 A CN 200910219443A CN 101763512 A CN101763512 A CN 101763512A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- window
- center point
- point coordinate
- 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)
- Image Processing (AREA)
Abstract
本发明公开了一种高分辨率遥感图像中道路目标的半自动检测方法,它涉及遥感图像处理技术领域,主要解决现有方法对背景复杂的图像、道路的宽度和路面标记各不相同且灰度值上存在很大差异时不能准确检测道路的问题。其实现步骤为:首先结合人工输入的起始种子点和初始方向选取2N*2N的窗口;接着对窗口内图像进行直方图均衡化、高斯滤波预处理;再利用小波变换和Hough变换提取道路的边界直线,计算出道路中心点坐标;然后利用基于灰度比较的模板匹配方法对道路中心点坐标进行较正,利用已得的道路中心点坐标信息对道路方向进行较正;最后依次连接各次迭代所得的道路中心点坐标即得道路中心线,并输出。本发明能够处理背景复杂的遥感图像,当道路的宽度和路面标记各不相同,灰度值上也存在很大差异时,能够有效的检测道路,并对道路的中心线进行准确定位,可用于对道路目标的半自动检测。
Description
技术领域
本发明属于图像处理技术领域,涉及遥感图像的目标检测,具体地说是一种目标检测方法。该方法可用在高分辨率遥感图像中道路目标的半自动检测。
背景技术
遥感图像的道路检测对国民建设和军事目标侦察等有重要意义,特别是高分辨率遥感图像中道路的半自动检测对于地理信息系统的数据获取与自动更新意义更重大。
针对不同的图像,例如SAR图像、多光谱图像,已经有学者提出了许多道路检测的方法,但是由于这些图像与高分辨率遥感图像特点不同,图像中道路表现的特征也不同,所以这些方法不适于高分辨率遥感图像中道路的检测。
目前提出的高分辨率遥感图像中道路目标的检测方法有:
李伟等在文章“基于数学形态学的高分辨率遥感影像道路提取”中提出了一种高分辨遥感图像的道路目标半自动检测方法,该方法首先对影像进行阈值分割得到二值影像,然后使用形态开运算去除细小噪声,同时将一部分粘连在道路上的噪声与道路信息进一步分割,接着结合形态腐蚀和形态重建运算获取影像中主要道路网络信息,并用形态闭运算完善道路网络信息,最后对道路网络信息进行形态细化和一定次数的形态修剪处理得到单像素宽的道路中心线。该方法过分依赖于初始影像的分割结果,对预处理后影像中道路的形状变化敏感,不能准确的检测道路目标。
王天鹏等在文章“遥感影像中道路的半自动提取研究”中提出了一种高分辨遥感图像的道路目标半自动检测方法,采用改进的模板匹配方法,先对影像进行重采样,再对生成的金字塔影像进行分频相关,然后根据最大相关点的坐标进行曲线最小二乘迭代拟合,得到道路初始轮廓,最后利用低通滤波器进行平滑得到道路中心线。该方法所建立的道路模型较简单,不能充分反映出道路的各种特性,其通用性和稳定性不够好。
朱炜等在文章“基于图像特征的遥感图像道路提取”中提出了一种遥感图像道路的半自动检测方法,采用基于图像特征的道路提取算法,首先通过颜色信息过滤像素,然后利用种子点区域扩展法,配合模糊函数减弱噪声的干扰,并结合形态学运算对图像进行选择性过滤,最后得到道路信息。该方法对于道路与背景灰度值接近的图像检测出的结果准确度不高。
综上所述,当图像背景复杂,道路宽度和路面标记各不相同,并且灰度值上也存在很大差异时,这些方法均不能准确地检测出道路中心线。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出了一种高分辨率遥感图像中道路目标的半自动检测方法,以实现对道路目标的准确检测。
本发明的技术方案是:首先结合人工输入的起始种子点和初始方向选取窗口,接着对窗口内图像进行直方图均衡化、高斯滤波预处理,再利用小波变换和Hough变换提取道路的边界直线,计算出道路中心点坐标,然后利用模板匹配对道路中心点坐标进行较正,利用已提取的道路中心点信息对道路方向进行较正,最后对提取的道路中心线进行输出。其具体步骤包括如下:
(1)结合人工输入的起始种子点和初始方向选取2N*2N的窗口,N=6;
(2)对窗口内图像依次进行直方图均衡化和高斯滤波预处理,得到道路边界较清晰的初步图像;
(3)对初步图像采用基于小波变换的边缘检测方法进行边缘提取,得到窗口图像的二值边缘图像;
(4)对二值边缘图像进行Hough变换,提取出道路的边界直线,得到道路的方向信息;
(5)结合当前道路中心点位置和道路方向信息,计算出下一个道路中心点坐标;
(6)利用基于灰度比较的模板匹配较正方法对得到的道路中心点坐标进行较正,得到较正后的道路中心点坐标;
(7)以较正后道路中心点坐标为中心,取2N*2N的窗口,N=6;
(8)重复步骤(2)至(7)共5次,得到5个道路中心点坐标,再以第1个道路中心点坐标指向第5个道路中心点坐标的方向作为新的道路方向,如果较正前后两次道路方向之差的绝对值大于90度时,转到步骤(9),否则转到步骤(2);
(9)依次连接各次迭代所得的道路中心点坐标即得道路中心线,并输出。
本发明由于采用基于小波变换和Hough变换的检测方法提取道路边界直线,利用基于灰度比较的模板匹配的校正方法对道路中心点进行较正,因而具有如下优点:
(A)对于背景复杂的高分辨遥感图像能够有效的检测出道路中心线。
(B)当道路的宽度和路面标记各不相同,灰度值上也存在很大差异时,仍然能够有效的检测道路,并对道路中心线进行准确定位。
附图说明
图1是本发明的整体实现流程图;
图2是本发明的道路中心点坐标较正子流程图;
图3是原始高分辨率遥感图像;
图4是本发明实验得到的道路中心线提取结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,人工确定道路的起始点和道路初始方向。
本发明采用人工输入点对的形式,输入的第一个点为道路的起始点,第一个点指向第二个点的方向为道路延伸的道路初始方向。
步骤2,选取2N*2N的窗口,N=6,并旋转至道路初始方向。
以第一个点为中心选取一个2N*2N的正方形窗口,N=6,并将窗口图像旋转至与道路方向平行。窗口旋转的公式为:
其中,x′,y′为旋转后图像中各像素坐标,x,y为原图像中各像素坐标,θ为道路方向。
步骤3,进行直方图均衡化、高斯滤波预处理。
为了抑制遥感图像中无关的细节和噪声,增强道路表面灰度的一致性,本发明采用直方图均衡化和高斯滤波对窗口图像的道路边缘信息进行增强,因为边缘和灰度急剧变化部分与高频分量相关联,在频域中进行高斯滤波将使图像得到锐化处理,有利于改善图像的纹理特征,高斯算子能够较好的解决抗噪声与边缘精确定位之间的问题。
步骤4,小波变换、Hough变换提取道路边界直线,计算下一道路中心点坐标。
(4a)利用二维小波变换对边缘信息增强后的窗口图像进行双阈值处理,得到高阈值Hth边缘检测图像和低阈值Lth边缘检测图像;再在高阈值Hth边缘检测图像中连接边缘轮廓,在低阈值Lth边缘检测图像中寻找弱边缘点弥补高阈值Hth边缘检测图像中的边缘间隙,得到完整的边缘图像,该高阈值Hth=4,低阈值Lth=0.5;
(4b)利用Hough变换对边缘图像的道路边界直线进行提取,并计算道路边界直线方向与窗口方向的偏差角度θ′;
(4c)利用偏差角度θ′,计算下一道路中心点坐标,其计算公式如下:
其中,xw,yw为下一道路中心点的坐标,N为窗口宽度,step为窗口前进的步长,θ′为道路边界直线方向与窗口方向的偏差角度。
步骤5,采用基于灰度比较的模板匹配方法对道路中心点坐标进行较正。
参照图2,具体的操作步骤如下:
(5a)挖掉路面上的车辆区域,填充邻近路面信息。由于有些路段路面的车辆较多,直接在原图像上对道路中心点进行较正的结果并不理想,本发明在道路中心点较正之前采用挖空、填充的方法对车辆较多的路面进行修补,即当路面上连续的一小块区域灰度平均值与邻近路面平均灰度值相差超过100时,则判定该小块区域为车辆,把车辆区域挖掉后填充上其邻近的路面灰度值信息,得到较为平滑的路面图像;
(5b)以道路中心点坐标为中心,沿着道路方向的两个垂直方向各延伸一个像素点,再分别以道路中心点和两个延伸出的像素点为中心,选取三个2N*2N的窗口,N=6,利用公式分别计算出这三个窗口内图像灰度与原窗口内图像灰度的方差和,并取方差和最小的窗口为新的窗口,并把这个新的窗口的中心点坐标作为较正后的道路中心点坐标,
式中,Pab为原窗口中各像素的灰度值,P′ab为当前窗口中各像素的灰度值,N为窗口宽度。
步骤6,利用已得的道路中心点坐标信息对道路方向进行较正。
以较正后的道路中心点坐标为中心,选取2N*2N的窗口,N=6,每当新得到5个道路中心点坐标时,就以第1个道路中心点指向第5个道路中心点的方向作为较正的道路方向,以提高道路中心线提取结果的准确性。如果较正前后的道路方向的差值超过90度时,则转到步骤7,否则,重复步骤3至步骤6,直到可以再次对道路方向进行较正为止。
步骤7,依次连接各次迭代所得的道路中心点坐标即得到道路中心线,并输出。
将提取出的各个离散的道路中心点依次连接,形成道路的中心线并加亮显示输出,至此完成道路目标的提取。
本发明的效果可以通过仿真实验具体说明:
1.实验条件
实验所用微机CPU为Intel Pentium4 3.0GHz,内存为1GB,编程平台是Matlab 7.0.1。实验中采用的图像数据为北京郊区部分图像,大小为800×560,图像来自Google Earth数据库。
2.实验内容
首先结合人工输入的起始种子点和初始方向选取2N*2N的窗口,N=6,接着对窗口内图像进行直方图均衡化、高斯滤波预处理,再利用小波变换和Hough变换提取道路的边界直线,计算出道路中心点坐标,然后利用模板匹配对道路中心点进行较正,利用已得的道路中心点信息对道路方向进行较正,最后对提取道路中心线进行输出。
通过原始遥感图像中的道路信息和实验得到的道路中心线检测结果图对比,来评价本发明的效果。
3.实验结果
图3是原始遥感图像,图4是本发明实验得到的道路中心线提取结果图。
从图3可以看出,图像背景复杂,道路的宽度和路面标记各不相同,且灰度值上也存在很大差异。通过比较图3和图4可以看出,图3中的道路都能够被准确的检测出来。
Claims (3)
1.一种高分辨率遥感图像中道路目标的半自动检测方法,包括如下步骤:
(1)结合人工输入的起始种子点和道路初始方向选取2N*2N的窗口,N=6;
(2)对窗口内图像依次进行直方图均衡化和高斯滤波预处理,得到道路边界较清晰的初步图像;
(3)对初步图像采用基于小波变换的边缘检测方法进行边缘提取,得到窗口内图像的二值边缘图像;
(4)对二值边缘图像进行Hough变换,提取出道路的边界直线,得到道路的方向信息;
(5)结合当前道路中心点位置和道路方向信息,计算出下一个道路中心点坐标;
(6)利用基于灰度比较的模板匹配较正方法对得到的道路中心点坐标进行较正,得到较正后的道路中心点坐标;
(7)以较正后道路中心点坐标为中心,取2N*2N的窗口,N=6;
(8)重复步骤(2)至(7)共5次,得到5个道路中心点坐标,再以第1个道路中心点坐标指向第5个道路中心点坐标的方向作为新的道路方向,如果较正前后两次道路方向之差的绝对值大于90度时,转到步骤(9),否则转到步骤(2);
(9)依次连接各次迭代所得的道路中心点坐标即得道路中心线,并输出。
2.根据权利要求1所述的高分辨率遥感图像中道路目标的半自动检测方法,其中步骤(3)所述的采用基于二维小波变换的边缘检测方法对道路边缘进行提取,是先利用二维小波变换对窗口内图像进行双阈值处理,得到高阈值Hth边缘检测图像和低阈值Lth边缘检测图像;再在高阈值Hth边缘检测图像中连接边缘轮廓,在低阈值Lth边缘检测图像中寻找弱边缘点弥补高阈值Hth边缘检测图像中的边缘间隙,得到完整的边缘图像,该高阈值Hth=4,低阈值Lth=0.5。
3.根据权利要求1所述的高分辨率遥感图像中道路目标的半自动检测方法,其中步骤(6)所述的利用基于灰度比较的模板匹配方法对得到的道路中心点坐标进行较正,按如下操作进行:
(3a)挖掉路面上的车辆区域,填充邻近路面灰度值信息,当路面上连续的一小块区域灰度平均值与邻近路面平均灰度值相差超过100时,则判定该小块区域为车辆,把车辆区域挖掉后填充上其邻近的路面灰度值信息,得到较为平滑的路面图像;
(3b)以道路中心点坐标为中心,沿着道路方向的两个垂直方向各延伸一个像素点,再分别以道路中心点和两个延伸出的像素点为中心,选取三个2N*2N的窗口,N=6,利用公式分别计算出这三个窗口内图像灰度与原窗口内图像灰度的方差和,并取方差和最小的窗口为新的窗口,并把这个新的窗口的中心点坐标作为较正后的道路中心点坐标,
式中,Pab为原窗口中各像素的灰度值,P′ab为当前窗口中各像素的灰度值,N为窗口宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102194439A CN101763512B (zh) | 2009-12-11 | 2009-12-11 | 高分辨率遥感图像中道路目标的半自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102194439A CN101763512B (zh) | 2009-12-11 | 2009-12-11 | 高分辨率遥感图像中道路目标的半自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101763512A true CN101763512A (zh) | 2010-06-30 |
CN101763512B CN101763512B (zh) | 2012-03-28 |
Family
ID=42494668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102194439A Active CN101763512B (zh) | 2009-12-11 | 2009-12-11 | 高分辨率遥感图像中道路目标的半自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101763512B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN101968885A (zh) * | 2010-09-25 | 2011-02-09 | 西北工业大学 | 一种基于边缘和灰度的遥感图像变化检测方法 |
CN101976349A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于哈夫变换的遥感图像中交通枢纽目标识别方法 |
CN101976443A (zh) * | 2010-11-09 | 2011-02-16 | 西安电子科技大学 | 利用非下采样轮廓波方向场的道路提取方法 |
CN102073848A (zh) * | 2010-12-31 | 2011-05-25 | 深圳市永达电子股份有限公司 | 一种基于智能优化的道路识别系统与方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
CN104036277A (zh) * | 2014-06-03 | 2014-09-10 | 中国科学院电子学研究所 | 一种提取道路特征的方法和设备 |
CN104200483A (zh) * | 2014-06-16 | 2014-12-10 | 南京邮电大学 | 多摄像头环境中基于人体中心线的目标检测方法 |
CN104700428A (zh) * | 2015-04-08 | 2015-06-10 | 胡景鲁 | 一种位于无人机上的沙漠区域道路检测方法 |
CN104699112A (zh) * | 2015-03-10 | 2015-06-10 | 无锡桑尼安科技有限公司 | 戈壁区域道路空中识别系统 |
CN104715462A (zh) * | 2015-04-08 | 2015-06-17 | 胡景鲁 | 位于无人机上的沙漠区域道路检测平台 |
CN104899592A (zh) * | 2015-06-24 | 2015-09-09 | 武汉大学 | 一种基于圆形模板的道路半自动提取方法及系统 |
CN104992150A (zh) * | 2015-06-29 | 2015-10-21 | 浪潮集团有限公司 | 一种基于高分辨率遥感图像城市道路的自动提取方法 |
US9406138B1 (en) * | 2013-09-17 | 2016-08-02 | Bentley Systems, Incorporated | Semi-automatic polyline extraction from point cloud |
CN106355185A (zh) * | 2016-08-30 | 2017-01-25 | 兰州交通大学 | 一种振动条件下快速提取钢轨表面区域的方法 |
CN106952320A (zh) * | 2017-03-07 | 2017-07-14 | 深圳大学 | 改善图像处理中图像延拓质量的方法及装置 |
CN108416784A (zh) * | 2018-02-06 | 2018-08-17 | 石家庄铁道大学 | 城市建成区边界快速提取方法、装置及终端设备 |
CN109741406A (zh) * | 2019-01-03 | 2019-05-10 | 广州广电银通金融电子科技有限公司 | 一种监控场景下的车身颜色识别方法 |
CN109949360A (zh) * | 2019-03-18 | 2019-06-28 | 北京百度网讯科技有限公司 | 一种道路中心线的提取方法、装置、电子设备及存储介质 |
CN110047093A (zh) * | 2019-04-23 | 2019-07-23 | 南昌航空大学 | 高精度边缘保护型rgbd场景流估计方法 |
CN110335322A (zh) * | 2019-07-09 | 2019-10-15 | 成都理工大学 | 基于图像的道路识别方法及道路识别装置 |
CN111144246A (zh) * | 2019-12-15 | 2020-05-12 | 东南大学 | 利用多时相sar影像和光学辅助信息的道路提取方法 |
WO2021174506A1 (zh) * | 2020-03-05 | 2021-09-10 | 深圳市大疆创新科技有限公司 | 图像边缘检测方法、装置以及图像信号处理器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7646916B2 (en) * | 2005-04-15 | 2010-01-12 | Mississippi State University | Linear analyst |
CN101339616B (zh) * | 2008-08-12 | 2012-11-28 | 北京中星微电子有限公司 | 道路识别方法及装置 |
-
2009
- 2009-12-11 CN CN2009102194439A patent/CN101763512B/zh active Active
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968885A (zh) * | 2010-09-25 | 2011-02-09 | 西北工业大学 | 一种基于边缘和灰度的遥感图像变化检测方法 |
CN101944233B (zh) * | 2010-09-25 | 2012-09-05 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN101976349A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于哈夫变换的遥感图像中交通枢纽目标识别方法 |
CN101976443A (zh) * | 2010-11-09 | 2011-02-16 | 西安电子科技大学 | 利用非下采样轮廓波方向场的道路提取方法 |
CN102073848A (zh) * | 2010-12-31 | 2011-05-25 | 深圳市永达电子股份有限公司 | 一种基于智能优化的道路识别系统与方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
US9406138B1 (en) * | 2013-09-17 | 2016-08-02 | Bentley Systems, Incorporated | Semi-automatic polyline extraction from point cloud |
CN104036277A (zh) * | 2014-06-03 | 2014-09-10 | 中国科学院电子学研究所 | 一种提取道路特征的方法和设备 |
CN104200483A (zh) * | 2014-06-16 | 2014-12-10 | 南京邮电大学 | 多摄像头环境中基于人体中心线的目标检测方法 |
CN104200483B (zh) * | 2014-06-16 | 2018-05-18 | 南京邮电大学 | 多摄像头环境中基于人体中心线的目标检测方法 |
CN104699112A (zh) * | 2015-03-10 | 2015-06-10 | 无锡桑尼安科技有限公司 | 戈壁区域道路空中识别系统 |
CN106097270A (zh) * | 2015-04-08 | 2016-11-09 | 陈思思 | 位于无人机上的沙漠区域道路检测平台 |
CN105184279A (zh) * | 2015-04-08 | 2015-12-23 | 胡景鲁 | 一种位于无人机上的沙漠区域道路检测方法 |
CN104700428B (zh) * | 2015-04-08 | 2016-04-27 | 华北水利水电大学 | 一种位于无人机上的沙漠区域道路检测方法 |
CN106097271A (zh) * | 2015-04-08 | 2016-11-09 | 魏芳芳 | 位于无人机上的沙漠区域道路检测平台 |
CN104715462A (zh) * | 2015-04-08 | 2015-06-17 | 胡景鲁 | 位于无人机上的沙漠区域道路检测平台 |
CN104715462B (zh) * | 2015-04-08 | 2017-05-03 | 福建爱特点信息科技有限公司 | 位于无人机上的沙漠区域道路检测平台 |
CN104700428A (zh) * | 2015-04-08 | 2015-06-10 | 胡景鲁 | 一种位于无人机上的沙漠区域道路检测方法 |
CN104899592B (zh) * | 2015-06-24 | 2018-11-13 | 武汉大学 | 一种基于圆形模板的道路半自动提取方法及系统 |
CN104899592A (zh) * | 2015-06-24 | 2015-09-09 | 武汉大学 | 一种基于圆形模板的道路半自动提取方法及系统 |
CN104992150A (zh) * | 2015-06-29 | 2015-10-21 | 浪潮集团有限公司 | 一种基于高分辨率遥感图像城市道路的自动提取方法 |
CN106355185A (zh) * | 2016-08-30 | 2017-01-25 | 兰州交通大学 | 一种振动条件下快速提取钢轨表面区域的方法 |
CN106355185B (zh) * | 2016-08-30 | 2019-07-16 | 兰州交通大学 | 一种振动条件下快速提取钢轨表面区域的方法 |
CN106952320B (zh) * | 2017-03-07 | 2020-07-03 | 深圳大学 | 改善图像处理中图像延拓质量的方法及装置 |
CN106952320A (zh) * | 2017-03-07 | 2017-07-14 | 深圳大学 | 改善图像处理中图像延拓质量的方法及装置 |
CN108416784B (zh) * | 2018-02-06 | 2021-08-27 | 石家庄铁道大学 | 城市建成区边界快速提取方法、装置及终端设备 |
CN108416784A (zh) * | 2018-02-06 | 2018-08-17 | 石家庄铁道大学 | 城市建成区边界快速提取方法、装置及终端设备 |
CN109741406A (zh) * | 2019-01-03 | 2019-05-10 | 广州广电银通金融电子科技有限公司 | 一种监控场景下的车身颜色识别方法 |
CN109949360A (zh) * | 2019-03-18 | 2019-06-28 | 北京百度网讯科技有限公司 | 一种道路中心线的提取方法、装置、电子设备及存储介质 |
CN109949360B (zh) * | 2019-03-18 | 2021-08-17 | 北京百度网讯科技有限公司 | 一种道路中心线的提取方法、装置、电子设备及存储介质 |
CN110047093A (zh) * | 2019-04-23 | 2019-07-23 | 南昌航空大学 | 高精度边缘保护型rgbd场景流估计方法 |
CN110047093B (zh) * | 2019-04-23 | 2021-04-27 | 南昌航空大学 | 高精度边缘保护型rgbd场景流估计方法 |
CN110335322A (zh) * | 2019-07-09 | 2019-10-15 | 成都理工大学 | 基于图像的道路识别方法及道路识别装置 |
CN110335322B (zh) * | 2019-07-09 | 2024-03-01 | 成都理工大学 | 基于图像的道路识别方法及道路识别装置 |
CN111144246A (zh) * | 2019-12-15 | 2020-05-12 | 东南大学 | 利用多时相sar影像和光学辅助信息的道路提取方法 |
CN111144246B (zh) * | 2019-12-15 | 2021-09-03 | 东南大学 | 利用多时相sar影像和光学辅助信息的道路提取方法 |
WO2021174506A1 (zh) * | 2020-03-05 | 2021-09-10 | 深圳市大疆创新科技有限公司 | 图像边缘检测方法、装置以及图像信号处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN101763512B (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101763512B (zh) | 高分辨率遥感图像中道路目标的半自动检测方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Wang et al. | Lane detection based on random hough transform on region of interesting | |
CN101916373B (zh) | 基于小波检测和脊线跟踪的道路半自动提取方法 | |
CN103034982B (zh) | 一种基于变焦视频序列的图像超分辨率重建方法 | |
CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
CN109712112B (zh) | 基于局部特征的航拍绝缘子图像的定位方法 | |
CN104183127A (zh) | 交通监控视频检测方法和装置 | |
CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN104200485A (zh) | 一种面向视频监控的人体跟踪方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN103177444A (zh) | 一种sar图像自动配准方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN103839264A (zh) | 一种车道线的检测方法 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN103162669B (zh) | 航拍图像机场区域检测方法 | |
CN103295232A (zh) | 基于直线和区域的sar图像配准方法 | |
CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
CN102261916B (zh) | 一种沙质环境中基于视觉的月球车定位方法 | |
CN105469408A (zh) | 一种sar图像建筑群分割方法 | |
CN103679740B (zh) | 一种无人机对地目标roi提取方法 |
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 |