CN102156882A - 一种基于高分辨遥感图像的机场目标检测方法 - Google Patents
一种基于高分辨遥感图像的机场目标检测方法 Download PDFInfo
- Publication number
- CN102156882A CN102156882A CN 201110094462 CN201110094462A CN102156882A CN 102156882 A CN102156882 A CN 102156882A CN 201110094462 CN201110094462 CN 201110094462 CN 201110094462 A CN201110094462 A CN 201110094462A CN 102156882 A CN102156882 A CN 102156882A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- value
- point
- airport
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于高分辨遥感图像的机场目标检测方法,其特征在于:利用模糊增强对图像进行预处理,然后利用基于像素梯度与标准差的模糊边缘检测方法提取图像边缘;对图像边缘进行筛选只留下近似直线的边缘,并利用基于这些边缘区域的自适应多尺度Beamlet变化检测出其中平行的长直线,作为跑道候选特征;以机场的先验知识在候选特征集中筛选出机场特征;以特征点八邻域范围内最高灰度的点作为种子点,进行区域增长提取机场目标,可以较大地提高机场目标的检测精度。
Description
技术领域
本发明涉及一种遥感图像中机场目标检测的方法,特别是基于高分辨遥感图像的机场目标检测方法。
背景技术
现有的机场目标检测方法大致分为以下几个步骤:图像预处理、边缘检测、平行线提取、目标检测与提取。在平行线检测的步骤中一般采用Hough变换方法,该方法基于散点,检测出的平行线不够完整且容易误检,则使用Hough变换的机场目标检测方法也就不够精确。此外,在平行线提取步骤之后直接检测机场目标也是不合理的,因为高分辨遥感图像背景复杂,除了机场跑道还有其它许多目标都含有平行线特征,因此,若不对提取出来的平行线进行筛选则容易出现大量误检的现象,严重影响机场目标检测的质量。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于高分辨遥感图像的机场目标检测方法。
本发明的思想在于:利用模糊增强对图像进行预处理,然后利用基于像素梯度与标准差的模糊边缘检测方法提取图像边缘;对图像边缘进行筛选只留下近似直线的边缘,并利用基于这些边缘区域的自适应多尺度Beamlet变化检测出其中平行的长直线,作为跑道候选特征;以机场的先验知识在候选特征集中筛选出机场特征;以特征点八邻域范围内最高灰度的点作为种子点,进行区域增长提取机场目标。
技术方案
一种基于高分辨遥感图像的机场目标检测方法,其特征在于步骤如下:
步骤1对图像进行增强预处理:采用变换T
μmn=T(Xmn)=1-(Xmax-Xmn)/D
将大小为m×n,灰度级为L的图像从灰度空间G={Gmn}映射为与之对应的广义隶属度空间P={μmn},其中:Xmax表示图像G中最大灰度值,D是常数,取D=2×(Xmax-Xmin)/3;Xmin表示图像G中最小灰度值;
通过广义模糊算子GFO
得到各像素的隶属度μ′mn=GFO[μmn],其中,r和f是常数,其范围为0<r≤1及f>0;当-r≤μmn<0时,μ′mn≤μmn;当0≤μmn≤r时μmn≤μ′mn;
通过T的逆变换Xmn=Xmax-D×(1-μ′mn)对隶属度空间P′={μ′mn}进行逆变换,将隶属度空间P′映射为增强后的灰度空间图像G′,完成对图像进行增强预处理;
步骤2:先利用sobel算子计算图像G′中每个像素点的像素梯度值和梯度方向,将像素梯度值投影到[1,100]的范围内,作为模糊系统的一个输入值;
利用公式计算每个像素点的标准差值,将标准差值投影到[1,100]的范围内,作为模糊系统的另一个输入值;其中,Pi(i=1,2,...,9)表示像素点及周围八个领域点,算子E表示求Pi(i=1,2,...,9)的均值;定义模糊系统的四个常数阈值:a1∈[1,100],a2∈[1,100],c1∈[1,100],c2∈[1,100],且a1<c1<a2<c2,1<间隔<100;
当像素梯度值在范围[0,c1]内时,则属于梯度低值类GD_L;
当像素梯度值在范围[a1,c2]内时,则属于梯度中值类GD_M;
当像素梯度值在范围[a2,100]内时,则属于梯度高值类GD_H;
当像素标准差值在范围[0,c1]内时,则属于标准差低值类SD_L;
当像素标准差值在范围[a1,c2]内时,则属于标准差中值类SD_M;
当像素标准差值在范围[a2,100]内时,则属于标准差高值类SD_H;模糊系统的输出为一个像素点属于边界点的概率,分为三类,由高到低分别为EL,EM,EH;
根据公式Pfinal=∑(Cj×PEdge(j))计算出图像每一点的边界隶属度,得到图像的边缘检测结果,若值大于阈值则为边界点,否则为背景点;其中,j是EL,EM,EH三类之一,Cj代表第j类的边界隶属度,PEdge(j)代表当前点隶属于第j类的概率;
当该点的边缘隶属度值大于阈值则为边界点,否则为背景点由此得到图像的边缘检测结果图E;判断阈值取0.5;
步骤3:利用梯度方向信息以及线段长度两个限制条件剔除弯曲或者较短线段,比较八邻域内各个像素梯度方向与当前像素梯度方向,当差值的绝对值在0.3以内时,保留该邻域像素并重新记录长度,记录长度为线段中所含像素的个数,再以该邻域像素为当前像素,重复此过程直至8邻域内无满足保留要求的像素,最后去除记录长度中小于50的线段,得到只包含近似长直线的线性区域,并利用基于线性区域的多尺度快速离散Beamlet变换对剩下的轮廓线进行平行直线检测,检索出平行的直线作为机场跑道的候选特征集CF={cf1,cf2,...,cfn},得到只含机场候选特征的图像S;
步骤4:利用机场跑道先验知识对候选特征集CF={cf1,cf2,...,cfn}进行筛选,提取出其中属于机场目标的特征集合AF={af1,...,afm},并在特征图像S中标识出AF集中的所有元素,即afi(i=0,1,...,m)中每个像素均有一个用i标识的类别标签,特征集合AF={af1,...,afm}就表示为特征图像S中的标识部分图;所述机场目标的先验知识:机场目标的主跑道在图中是相对较长的平行直线;机场目标的主跑道附近有大量密集的同向平行直线;
步骤5:遍历机场跑道的特征图像S,通过访问标识部分图判断其是否被访问,若其相应的标示点为0代表未被访问,为1则代表被访问;如果已被访问则继续查找,否则保存该点坐标记为Sp;
在模糊增强后的图片G′中以Sp为中心点,遍历其八领域,找到灰度最高的点作为种子节点,保存其坐标,记为SeedP;
步骤6:以点SeedP为种子点开始区域生长,直到所有符合要求的点,都生长完毕,并把所有访问过的点标识都设为1;判断图像S是否遍历完毕;若是,则输出区域生长后的结果图片;否则继续查找特征点。
有益效果
本发明提出的一种基于高分辨遥感图像的机场目标检测方法,由于利用模糊增强对图像进行预处理,然后利用基于像素梯度与标准差的模糊边缘检测方法提取图像边缘;对图像边缘进行筛选只留下近似长直线的线性区域,并利用基于线性区域的自适应多尺度Beamlet变换检测平行的长直线作为跑道候选特征;利用机场目标的先验知识在候选特征集中筛选出机场特征,并在特征图S中标识;以S图中标识的特征点8领域范围内最高灰度的点作为种子点,进行区域增长提取机场目标,提高了所检测机场目标的准确度。
附图说明
图1是本发明高分辨遥感图像中快速提取机场目标的方法流程图
图2是本发明高分辨遥感图像中快速提取机场目标的方法用八领域模板图
图3是本发明高分辨遥感图像中快速提取机场目标的方法用模糊规则图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
参照图1~3。
1.模糊增强预处理
为了使目标的提取更加精确,首先对图像进行增强预处理。其具体步骤如下:
(1)采用变换T
μmn=T(Xmn)=1-(Xmax-Xmn)/D
将大小为m×n,灰度级为L的图像从灰度空间G={Gmn}映射为与之对应的广义隶属度空间P={μmn}。其中,Xmax表示图像G中最大灰度值,D是常数,一般取D=2×(Xmax-Xmin)/3;Xmin表示图像G中最小灰度值。
(2)通过广义模糊算子GFO
得到各像素的隶属度μ′mn=GFO[μmn]。该过程实质上是一种模糊增强的过程。式中,r和f是常数,其范围是0<r≤1及f>0。在这里f取值为0.5,而r值为1。当-r≤μmn<0时,μ′mn≤μmn;当0≤μmn≤r时μmn≤μ′mn。显然广义模糊算子通过降低-r≤μmn<0区域中μmn的值和增加0≤μmn≤r区域中μmn的值,起到了增强两个区域之间对比度的作用。
(3)通过T的逆变换Xmn=Xmax-D×(1-μ′mn)对隶属度空间P′={μ′mn}进行逆变换,将隶属度空间P′映射为增强后的灰度空间图像G′,从而完成整个模糊增强的过程。
2.图像边缘检测
先利用sobel算子对计算图像G′中每个像素点的梯度值和梯度方向,把像素梯度值投影到[1,100]的范围内,作为模糊系统的一个输入值。利用公式
计算每个像素点的标准差值,将标准差值投影到[1,100]的范围内,作为模糊系统的另一个输入值;其中,Pi(i=1,2,...,9)表示像素点及周围八个领域点,算子E表示求Pi(i=1,2,...,9)的均值;定义模糊系统的四个常数阈值:a1∈[1,100],a2∈[1,100],c1∈[1,100],c2∈[1,100],且a1<c1<a2<c2,1<间隔<100,这里,取a1=12,c1=37,a2=62,c2=87。当像素梯度值在范围[0,c1]内时,则属于梯度低值类GD_L;在范围[a1,c2]内时,则属于梯度中值类GD_M;在范围[a2,100]内时,则属于梯度高值类GD_H;当像素标准差值在范围[0,c1]内时,则属于标准差低值类SD_L;在范围[a1,c2]内时,则属于标准差中值类SD_M;在范围[a2,100]内时,则属于标准差高值类SD_H;模糊系统的输出是一个像素点属于边界点的概率,分为三类,由高到低分别为EL,EM,EH。这三类隶属于边缘点的隶属度分别为0.25,0.5和0.75。
由公式
Pfinal=∑(Cj×PEdge(j))
计算出图像每一点的边缘隶属度。式中,j是EL,EM,EH三类之一,Cj代表第j类的边缘隶属度,PEdge(j)代表当前点隶属于第j类的概率。
在得到该点的边缘隶属度之后,对其进行判断。若值大于阈值则为边界点,否则为背景点。一般来说判断阈值应取0.5。由此得到图像的边缘检测结果图E。
举例说明:若一个像素点的标准差值SD为75,梯度值GD为30,根据四个阈值a1,a2,c1,c2。(12,37,62,87)可以计算出其SD隶属于低中高三类的隶属度分别为μ(SDL)=0, GD隶属于低中高三类的隶属度分别为 μ(GDH)=0。则根据模糊规则:
PEdge(EL)=μ(GDL)×μ(SDM)=0.28×0.48=0.13
PEdge(EM)=μ(GDM)×μ(SDM)+μ(GDL)×μ(SDH)=0.49
PEdge(EH)=μ(GDM)×μ(SDH)=0.72×0.52=0.37
Pfinal=∑(Cj×PEdge(j))=CEL×PEdge(EL)+CEM×PEdge(EM)+CEH×PEdge(EH)=0.56
Pfinal>0.5则该像素点被判定为边缘点。
3.机场目标特征提取。
利用边缘点的梯度方向信息消除干扰的边缘轮廓线:
(1)在边缘图E中自上向下由左向右寻找边缘点(即白点),若找到边缘点Pe,则压入栈顶,否则算法结束。
(2)遍历栈顶点在图E中的八邻域点,若找到边缘点Pe′,对Pe,Pe′两点梯度方向的绝对差值|OGPe-OGPe′|与给定阈值threshold进行比较,若|OGPe-OGPe′|≤threshold,这里取则转向步骤(3),否则转向步骤(4)。
(3)把Pe′点压入栈,成为新的栈顶点,进而返回转向步骤(2)。
(4)在栈顶点的周围没有再找到符合条件的边缘点,则把该栈顶点弹出栈,并在标记图L中,以数字标识该点(其中同一个线区的标识数字相同)。此时判断栈是否为空,若为空则转向步骤(5),否则转回执行步骤(2)。
(5)至此,一个完整的线区已经被找出并在标识图中记录,统计该线区中的成员点个数。最后判断图E中边缘点是否已经遍历完毕,完毕则执行步骤(6);否则继续遍历边缘点,并把新找到的边缘点压入栈顶,重新执行步骤(2)。
(6)跟据所统计的线区成员个数,根据阈值消除较小的线区,以进一步减少检测干扰,得到只含有较长线区的图像E′。
对经长直线筛选过的边缘图像E′进行基于线性区域的自适应多尺度Beamlet(LR-AMFDBT)变换以寻找平行的长直线作为机场的候选特征,得到只含机场候选特征的图像S,LR-AMFDBT算法描述如下:
(1)以标识数1为初始值,在标记图中查询相应线性区域,并记录其边缘点的坐标,从而形成矩形区域,作为AMFDBT的分区块。
(2)对步骤(1)得到的分区块进行FDBT,FDBT为快速离散Beamlet变换,具体步骤为:由分区块边界任意两点连成的直线为Beamlet b,b所通过所有的像素点个数为||Λb||,通过边界点的个数为则定义为该直线的能量函数,遍历该分区子块中所有的Beamlet b,选取能量最大的为该分区块中唯一的直线。
(3)判断标记图中所有线性区域是否遍历完毕,是则算法结束,每个线区都以唯一的直线表示,并记录其起点、终点和直线斜率等信息执行步骤4。否则标识数自增1,转回执行步骤(1)。
(4)利用所找到的所有直线的斜率信息,找到所有平行的直线,作为机场跑道的候选特征集CF={cf1,cf2,...,cfn}。
利用机场目标的先验知识:机场目标的主跑道在图中是相对较长的平行直线;机场目标的主跑道附近有大量密集的同向平行直线。首先从集合CF={cf1,cf2,...,cfn}中选取不独立的长平行线作为基准特征SF,(所谓不独立是指周围存在较多同向的平行线),然后以基准特征为中心判别CF中其余平行线是否属于机场目标特征,最终得到机场目标特征集AF={af1,af2,...,afn}。具体方法流程:
(1)在集合CF中,选取五条最长的直线。
(2)分别以五条直线为候选基准特征CSF={csf1,csf2,csf3,csf4,csf5},计算CF集中各个元素到候选基准特征的距离(i=1,...,n;j=1,...,5)。其中 (xi1,yi1),(xi2,yi2)和(xj1,yj1),(xj2,xj2)分别为cfi和csfj的起点和终点。
4.提取机场目标。
提取了机场跑道特征之后,还需要对机场目标进行提取。由于材质,光滑度等原因,大多数机场跑道区域的灰度会比陆地区域要高。可以根据这一特征,提取机场目标。算法描述如下:
(1)遍历特征图像S,查找机场特征点。
(2)找到特征点后,通过访问标示图判断其是否被访问,若其相应的标示点为0代表未被访问,为1则代表被访问。如果已被访问则跳回步骤1继续查找,否则保存该点坐标记为Sp。
(3)在模糊增强后的图片G′中以Sp为中心点,遍历其八领域,找到灰度最高的点作为种子节点。保存其坐标,记为SeedP。
以点SeedP为种子点开始区域生长,直到所有符合要求的点,都生长完毕。即灰度值与种子点绝对值之差小于一定阈值,这里阈值取20。并把所有访问过的点标识都设为1。判断图像S是否遍历完毕。若是,则输出区域生长后的结果图片,算法结束。若否则返回步骤1继续查找特征点。
Claims (1)
1.一种基于高分辨遥感图像的机场目标检测方法,其特征在于步骤如下:
步骤1对图像进行增强预处理:采用变换T
μmn=T(Xmn)=1-(Xmax-Xmn)/D
将大小为m×n,灰度级为L的图像从灰度空间G={Gmn}映射为与之对应的广义隶属度空间P={μmn},其中:Xmax表示图像G中最大灰度值,D是常数,取D=2×(Xmax-Xmin)/3;Xmin表示图像G中最小灰度值;
通过广义模糊算子GFO
得到各像素的隶属度μ′mn=GFO[μmn],其中,r和f是常数,其范围为0<r≤1及f>0;当-r≤μmn<0时,μ′mn≤μmn;当0≤μmn≤r时μmn≤μ′mn;
通过T的逆变换Xmn=Xmax-D×(1-μ′mn)对隶属度空间P′={μ′mn}进行逆变换,将隶属度空间P′映射为增强后的灰度空间图像G′,完成对图像进行增强预处理;
步骤2:先利用sobel算子计算图像G′中每个像素点的像素梯度值和梯度方向,将像素梯度值投影到[1,100]的范围内,作为模糊系统的一个输入值;
利用公式计算每个像素点的标准差值,将标准差值投影到[1,100]的范围内,作为模糊系统的另一个输入值;其中,Pi(i=1,2,...,9)表示像素点及周围八个领域点,算子E表示求Pi(i=1,2,...,9)的均值;定义模糊系统的四个常数阈值:a1∈[1,100],a2∈[1,100],c1∈[1,100],c2∈[1,100],且a1<c1<a2<c2,1<间隔<100;
当像素梯度值在范围[0,c1]内时,则属于梯度低值类GD_L;
当像素梯度值在范围[a1,c2]内时,则属于梯度中值类GD_M;
当像素梯度值在范围[a2,100]内时,则属于梯度高值类GD_H;
当像素标准差值在范围[0,c1]内时,则属于标准差低值类SD_L;
当像素标准差值在范围[a1,c2]内时,则属于标准差中值类SD_M;
当像素标准差值在范围[a2,100]内时,则属于标准差高值类SD_H;模糊系统的输出为一个像素点属于边界点的概率,分为三类,由高到低分别为EL,EM,EH;
根据公式Pfinal=∑(Cj×PEdge(j))计算出图像每一点的边界隶属度,得到图像的边缘检测结果,若值大于阈值则为边界点,否则为背景点;其中,j是EL,EM,EH三类之一,Cj代表第j类的边界隶属度,PEdge(j)代表当前点隶属于第j类的概率;
当该点的边缘隶属度值大于阈值则为边界点,否则为背景点由此得到图像的边缘检测结果图E;判断阈值取0.5;
步骤3:利用梯度方向信息以及线段长度两个限制条件剔除弯曲或者较短线段,比较八邻域内各个像素梯度方向与当前像素梯度方向,当差值的绝对值在0.3以内时,保留该邻域像素并重新记录长度,记录长度为线段中所含像素的个数,再以该邻域像素为当前像素,重复此过程直至8邻域内无满足保留要求的像素,最后去除记录长度中小于50的线段,得到只包含近似长直线的线性区域,并利用基于线性区域的多尺度快速离散Beamlet变换对剩下的轮廓线进行平行直线检测,检索出平行的直线作为机场跑道的候选特征集CF={cf1,cf2,...,cfn},得到只含机场候选特征的图像S;
步骤4:利用机场跑道先验知识对候选特征集CF={cf1,cf2,...,cfn}进行筛选,提取出其中属于机场目标的特征集合AF={af1,...,afm},并在特征图像S中标识出AF集中的所有元素,即afi(i=0,1,...,m)中每个像素均有一个用i标识的类别标签,特征集合AF={af1,...,afm}就表示为特征图像S中的标识部分图;所述机场目标的先验知识:机场目标的主跑道在图中是相对较长的平行直线;机场目标的主跑道附近有大量密集的同向平行直线;
步骤5:遍历机场跑道的特征图像S,通过访问标识部分图判断其是否被访问,若其相应的标示点为0代表未被访问,为1则代表被访问;如果已被访问则继续查找,否则保存该点坐标记为Sp;
在模糊增强后的图片G′中以Sp为中心点,遍历其八领域,找到灰度最高的点作为种子节点,保存其坐标,记为SeedP;
步骤6:以点SeedP为种子点开始区域生长,直到所有符合要求的点,都生长完毕,并把所有访问过的点标识都设为1;判断图像S是否遍历完毕;若是,则输出区域生长后的结果图片;否则继续查找特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110094462 CN102156882A (zh) | 2011-04-14 | 2011-04-14 | 一种基于高分辨遥感图像的机场目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110094462 CN102156882A (zh) | 2011-04-14 | 2011-04-14 | 一种基于高分辨遥感图像的机场目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102156882A true CN102156882A (zh) | 2011-08-17 |
Family
ID=44438372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110094462 Pending CN102156882A (zh) | 2011-04-14 | 2011-04-14 | 一种基于高分辨遥感图像的机场目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102156882A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663395A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于自适应多尺度快速离散Beamlet变换的直线检测方法 |
CN102750703A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN103679138A (zh) * | 2013-11-15 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 舰船与港口先验知识支持的大型舰船检测方法 |
CN104156722A (zh) * | 2014-08-14 | 2014-11-19 | 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 |
CN104424475A (zh) * | 2013-09-10 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 图像中的条纹区域的识别方法及装置 |
CN104463249A (zh) * | 2014-12-09 | 2015-03-25 | 西北工业大学 | 一种基于弱监督学习框架的遥感图像机场检测方法 |
WO2015123973A1 (zh) * | 2014-02-22 | 2015-08-27 | 小米科技有限责任公司 | 直线检测方法和装置 |
CN105023013A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于局部标准差和Radon变换的目标检测方法 |
CN105160308A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于线分类和纹理分类的机场目标自动识别方法 |
CN106951898A (zh) * | 2017-03-15 | 2017-07-14 | 纵目科技(上海)股份有限公司 | 一种车辆候选区域推荐方法及系统、电子设备 |
CN107194940A (zh) * | 2017-05-23 | 2017-09-22 | 北京计算机技术及应用研究所 | 一种基于颜色空间与线段的彩色图像轮廓提取方法 |
CN108399626A (zh) * | 2018-03-02 | 2018-08-14 | 苏州大学 | 一种图像中直线段的检测方法、装置及设备 |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
CN110232302A (zh) * | 2018-03-06 | 2019-09-13 | 香港理工大学深圳研究院 | 一种集成灰度值、空间信息和类别知识的变化检测方法 |
CN111539297A (zh) * | 2020-04-20 | 2020-08-14 | 武汉中地数码科技有限公司 | 一种高分辨率遥感影像道路信息半自动提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763512A (zh) * | 2009-12-11 | 2010-06-30 | 西安电子科技大学 | 高分辨率遥感图像中道路目标的半自动检测方法 |
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 |
-
2011
- 2011-04-14 CN CN 201110094462 patent/CN102156882A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763512A (zh) * | 2009-12-11 | 2010-06-30 | 西安电子科技大学 | 高分辨率遥感图像中道路目标的半自动检测方法 |
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 |
Non-Patent Citations (3)
Title |
---|
《计算机安全》 20090331 侯阿临 等 《基于离散Beamlet变换的线特征检测算法》 , * |
《计算机应用于软件》 20060331 应龙 等 《一种快速检测遥感图像中机场跑道的方法》 第23卷, 第3期 * |
《计算机应用研究》 20080531 梅小明 等 《利用Beamlet变换算法提取遥感图像线性特征》 第25卷, 第5期 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663395A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于自适应多尺度快速离散Beamlet变换的直线检测方法 |
CN102750703A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN102750703B (zh) * | 2012-06-27 | 2015-01-07 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN104424475B (zh) * | 2013-09-10 | 2018-05-01 | 阿里巴巴集团控股有限公司 | 图像中的条纹区域的识别方法及装置 |
CN104424475A (zh) * | 2013-09-10 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 图像中的条纹区域的识别方法及装置 |
CN103679138A (zh) * | 2013-11-15 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 舰船与港口先验知识支持的大型舰船检测方法 |
WO2015123973A1 (zh) * | 2014-02-22 | 2015-08-27 | 小米科技有限责任公司 | 直线检测方法和装置 |
US9449245B2 (en) | 2014-02-22 | 2016-09-20 | Xiaomi Inc. | Method and device for detecting straight line |
CN104156722A (zh) * | 2014-08-14 | 2014-11-19 | 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 |
CN104463249A (zh) * | 2014-12-09 | 2015-03-25 | 西北工业大学 | 一种基于弱监督学习框架的遥感图像机场检测方法 |
CN104463249B (zh) * | 2014-12-09 | 2018-02-02 | 西北工业大学 | 一种基于弱监督学习框架的遥感图像机场检测方法 |
CN105023013A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于局部标准差和Radon变换的目标检测方法 |
CN105023013B (zh) * | 2015-08-13 | 2018-03-06 | 西安电子科技大学 | 基于局部标准差和Radon变换的目标检测方法 |
CN105160308A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于线分类和纹理分类的机场目标自动识别方法 |
CN105160308B (zh) * | 2015-08-20 | 2018-05-29 | 武汉大学 | 基于线分类和纹理分类的机场目标自动识别方法 |
CN106951898A (zh) * | 2017-03-15 | 2017-07-14 | 纵目科技(上海)股份有限公司 | 一种车辆候选区域推荐方法及系统、电子设备 |
CN106951898B (zh) * | 2017-03-15 | 2021-06-04 | 纵目科技(上海)股份有限公司 | 一种车辆候选区域推荐方法及系统、电子设备 |
CN107194940A (zh) * | 2017-05-23 | 2017-09-22 | 北京计算机技术及应用研究所 | 一种基于颜色空间与线段的彩色图像轮廓提取方法 |
CN108399626A (zh) * | 2018-03-02 | 2018-08-14 | 苏州大学 | 一种图像中直线段的检测方法、装置及设备 |
CN110232302A (zh) * | 2018-03-06 | 2019-09-13 | 香港理工大学深圳研究院 | 一种集成灰度值、空间信息和类别知识的变化检测方法 |
CN110232302B (zh) * | 2018-03-06 | 2020-08-25 | 香港理工大学深圳研究院 | 一种集成灰度值、空间信息和类别知识的变化检测方法 |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
CN108596055B (zh) * | 2018-04-10 | 2022-02-11 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
CN111539297A (zh) * | 2020-04-20 | 2020-08-14 | 武汉中地数码科技有限公司 | 一种高分辨率遥感影像道路信息半自动提取方法 |
CN111539297B (zh) * | 2020-04-20 | 2023-08-08 | 武汉中地数码科技有限公司 | 一种高分辨率遥感影像道路信息半自动提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102156882A (zh) | 一种基于高分辨遥感图像的机场目标检测方法 | |
CN101944233B (zh) | 高分辨遥感图像中快速提取机场目标的方法 | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN102436644B (zh) | 基于自适应边缘配准的非结构化道路检测方法 | |
CN103034863B (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN105389550A (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN104899892B (zh) | 一种快速的星图图像星点提取方法 | |
CN102708356A (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN106295637A (zh) | 一种基于深度学习与强化学习的车辆识别方法 | |
CN103871062B (zh) | 一种基于超像素描述的月面岩石检测方法 | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN104573685A (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
CN104063713A (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
CN107564017A (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN106056598A (zh) | 基于线段检测和图像分割融合的卫星高分图像建筑物轮廓提取方法 | |
CN105046701A (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
CN104156722A (zh) | 一种基于高分辨遥感图像的机场目标检测方法 | |
CN105138992A (zh) | 一种基于区域主动轮廓模型的海岸线检测方法 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110817 |