CN102521597A - 一种基于分级策略的影像直线特征匹配方法 - Google Patents
一种基于分级策略的影像直线特征匹配方法 Download PDFInfo
- Publication number
- CN102521597A CN102521597A CN2011104161649A CN201110416164A CN102521597A CN 102521597 A CN102521597 A CN 102521597A CN 2011104161649 A CN2011104161649 A CN 2011104161649A CN 201110416164 A CN201110416164 A CN 201110416164A CN 102521597 A CN102521597 A CN 102521597A
- Authority
- CN
- China
- Prior art keywords
- straight line
- image
- straightway
- short straight
- line section
- 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
本发明涉及一种基于分级策略的影像直线特征匹配方法,包括以下步骤:首先,对待匹配的影像进行边缘检测,将检测到的边缘进行筛选和拆分,并拟合成直线段;然后,将所有直线段分为长直线段特征和短直线段特征,计算长直线段特征的特征参数,实现长直线段特征的匹配,并将未匹配成功的长直线段归为短直线段;最后,利用同名长直线段特征对作为控制基础,计算短直线特征的关系描述符,实现短直线段特征的匹配。本发明能够同时得到较高的特征重复率和匹配概率,同时,对图像尺度、旋转以及亮度变换具有较好的稳健性,在形状明显的弱纹理区域相对于点特征匹配算法具有明显的优越性。
Description
技术领域
本发明属于遥感图像处理影像匹配技术领域,涉及一种基于分级策略的影像直线特征匹配方法。
背景技术
影像匹配技术目前已经被广泛地应用于三维重建、影像拼接、影像检索、目标跟踪、人脸识别等方面,在民用、军事、医疗等领域具有重要的应用价值。影像匹配算法主要分为2类:基于影像像素灰度的匹配算法和基于影像特征的匹配算法。基于像素灰度的匹配方法直接以待定点为中心的窗口内影像灰度值为依据进行同名点的搜索。一般而言,这类方法大多不能顾及图像的总体结构,而是机械地按照某种或某几种相似性判据逐像素以一定大小的窗口顺序进行相关搜索。虽然在某些情况下能够获得较高的相关精度,但是由于对影像的灰度变化敏感,这类方法很难适应影像的不连续、阴影、遮蔽等问题。基于影像特征的匹配方法首先用某种特征提取算子提取影像中的特征,如点、线、面等,然后对提取的特征进行参数描述,最后以特征的参数值为依据进行同名特征的搜索,继而获得同名像点。基于特征的匹配方法能较好地克服基于灰度的匹配方法的不足。为了适应不同的图像变换,研究人员提出了各式各样的特征提取和匹配方法,其中,应用最广泛的是SIFT算法。SIFT算法在图像旋转、尺度变换、仿射变换和亮度变换条件下都具有较好的不变性。SIFT算法虽然有较好的匹配性能,但该算法是以牺牲存储空间和计算时间为代价,而且提取的部分特征点不具有直观的视觉意义。
随着高分辨率技术的发展,高分辨率影像的应用越来越广泛。高分辨率影像的特点是地物细节清晰,直线特征在影像上表现为直线段。只要有人类活动的地方,就会有人类社会的印记,房屋、道路、农田等,这些地物有个共同的特性——包含许多线特征。所以高分辨率影像上直线特征丰富。另外,直线特征相比于点特征,具有特征的数量少,但是特征的信息丰富,特征独特性高等特点。尤其在一些弱纹理区域,比如农田、水塘等,点特征少,但是,水塘有边界,农田有边界,田间有小路,这些在高分辨率影像上都呈现为线特征。在这些区域利用线特征得到的信息量远远大于点特征得到的信息量。针对以上特点,研究人员对高分辨率影像直线特征提取和匹配进行研究,提出了多种直线特征提取和匹配方法,但这些方法存在以下问题:
(1)一些方法试图仿照点特征匹配方法,先利用直线特征邻域像素灰度信息进行特征描述,然后利用特征描述符进行匹配。由于直线特征长短不一、支撑区域包含的结构信息不一致,对直线特征进行描述将十分困难;
(2)另外一些方法不对直线特征进行描述,直接利用简单的距离信息进行匹配,只能适用于已经基本配准的影像对之间的匹配。
发明内容
针对现有技术的缺点,本发明的目的是提供一种时间和存储效率高,且对影像旋转变换和尺度变换较稳定的影像直线特征匹配方法。
为实现上述目的,本发明的技术方案为一种基于分级策略的影像直线特征匹配方法,包括以下步骤:
步骤a,对参考影像和待匹配影像分别提取直线段,包括进行边缘检测,将检测到的边缘链码进行筛选和拆分,得到近似为直线段的边缘,然后将近似为直线段的边缘拟合成直线段;
步骤b,将步骤a中得到的直线段分为长直线段和短直线段,计算长直线段的特征参数,根据特征参数对参考影像和待匹配影像的长直线段进行匹配,得到同名长直线段特征对,将未匹配成功的长直线段归为短直线段;
步骤c,利用步骤b所得的同名长直线段特征对作为控制基础,计算短直线段的关系描述符,实现短直线段的匹配。
而且,步骤a中,对检测到的每一条边缘链码进行筛选和拆分包括如下步骤,
而且,步骤b中,将直线段分为长直线段和短直线段的实现方式是,对参考影像和待匹配影像分别将所有直线段按从长到短进行排序,选择前条两两互不平行的直线段作为长直线段,其余直线段为短直线段,为预设的长直线段条数。
而且,步骤b中,计算长直线段的顺时针方向值作为特征参数,得到参考影像的长直线段特征参数集和待匹配影像的长直线段特征参数集,其中,表示参考影像中长直线段的顺时针方向值,;表示待匹配影像中长直线段的顺时针方向值,;采用如下穷举搜索方法寻找同名长直线段特征对:
(1)
而且,步骤c中,对参考影像和待匹配影像中任一短直线段的关系描述符计算方法如下,
步骤2.4,如下公式(4),将步骤2.1所得夹角与步骤2.3所得距离合并,构成短直线段的关系描述符,
式(4)中,表示参考影像或待匹配影像中第条短直线段的关系描述符。
而且,步骤c中,短直线段的匹配实现方式如下,
当参考影像中某条短直线段A与待匹配影像中某条短直线段B的关系描述符的向量中每个元素之差都小于预设阈值时,短直线段B作为短直线段A的候选同名短直线段;
对于参考影像中的任一条短直线段,若在待匹配影像中对应的候选同名短直线段数目为零,则认为没有相应的同名短直线段特征对;若待匹配影像中对应的候选同名短直线段数目为一,则得到一对同名短直线段特征对;若待匹配影像中对应的候选同名短直线段有多条,则利用已匹配得到的所有同名长直线段特征对和同名短直线段特征对估计影像之间的变换参数,选择最符合变换参数的候选同名短直线段,得到一对同名短直线段特征对。
本发明提供的技术方案的有益效果为:(1)将直线段特征分为长直线段特征和短直线段特征分别进行匹配,避免了所有直线段特征的穷举迭代,提高了匹配的时间效率;(2)在整个匹配算法中,只利用特征之间的几何位置关系,克服了直线段特征由于长短不一、支撑区域包含的结构信息不一致而造成的描述困难;(3)每条特征直线段所在直线都有唯一对应的直线方程,特征的独特性很高,可以很好的避免误匹配;(4)在匹配过程中消除了图像旋转和缩放影响,使整个算法具有旋转和尺度不变性,并且在匹配过程中不涉及像素灰度信息,所以对图像亮度变换也具有很好的不变性。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中计算变换参数的参考图像示意图。
图3为本发明实施例中计算变换参数的待匹配图像示意图。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图对本发明做进一步的详细说明。本发明的实施例是对两幅农田区域高分辨率影像进行直线特征匹配,参照图1,本发明实施例的步骤如下:
步骤a,提取直线段。
实施例首先对参考影像(影像1)和待匹配影像(影像2)分别采用Canny算子进行边缘检测,对边缘检测得到的边缘链码进行筛选和拆分,得到近似直线段的边缘链码;然后采用最小二乘原理将保存的边缘链码进行直线拟合。
进行边缘检测的Canny算子属于遥感影像处理领域的常规方法,直线拟合采用的最小二乘方法是遥感图像处理领域的常规方法,具体流程在此不再赘述。
实施例中,对边缘检测得到的边缘链码进行筛选和拆分的具体规则为:
步骤b,将步骤a中得到的直线段分为长直线段和短直线段,计算长直线段的特征参数,根据特征参数对参考影像和待匹配影像的长直线段进行匹配,得到同名长直线段特征对,将未匹配成功的长直线段归为短直线段。
本发明实施例中采用分级策略以提高方法的效率,即将直线段分为长直线段和短直线段。直线段的分级与长直线段的匹配是迭代进行的。
实施例的步骤b具体实现步骤如下:
同时对两个长直线段特征参数集从第一个方向值开始依次遍历,例如中遍历到,中从开始,依次遍历,然后中遍历到,中再从开始,依次遍历,如此反复,直到和中遍历完和。为了使长直线段的匹配具有旋转不变性,在每次遍历中,首先对长直线段特征参数集中的每个方向值同时减去一个方向,使长直线段特征参数集中正在遍历的方向值与长直线段特征参数集中正在遍历的方向值相等。即对于每一次遍历,假设长直线段特征参数集和中此次遍历的顺时针方向值分别为和,令,则按式(1)和式(2)计算,
完成所有顺时针方向值的遍历后,把取最大值时所对应的方向对作为同名方向,同名方向所对应的长直线段对即为同名长直线段。
为了保证长直线段匹配的可靠性,本发明提出长直线段的条数应该使得匹配得到的同名长直线段对数满足。实施例的流程设计为:给赋初值(可根据经验预先设定),对影像1和影像2分别分级得到条长直线段,然后进行长直线段匹配得到对同名长直线段特征对,如果不满足,则将加1,然后重新迭代进行对直线段分级并实现长直线段特征的匹配,直到匹配得到的满足为止。
步骤c,利用步骤b所得的同名长直线段特征对作为控制基础,计算短直线段的关系描述符,实现短直线段的匹配。
本发明提出,为了克服直线段特征由于长短不一、支撑区域包含的结构信息不一致而造成的描述困难,仅利用直线段特征的空间关系来实现特征的匹配。
实施例的步骤c具体实现步骤如下:
首先,按如下方法计算短直线段特征的关系描述符:
然后,采用如下策略实现短直线段特征的匹配:
当参考影像中某条短直线段A与待匹配影像中某条短直线段B的关系描述符的向量中每个元素之差都小于预设阈值(可取经验值)时,短直线段B作为短直线段A的候选同名短直线段。
此时,对于参考影像中的直线段,在待匹配图像中可能存在一对零、一对一、一对多三种情况。对于参考影像中的任一条短直线段,若在待匹配影像中对应的候选同名短直线段数目为零,则认为没有相应的同名短直线段特征对;若待匹配影像中对应的候选同名短直线段数目为一,则得到一对同名短直线段特征对;若待匹配影像中对应的候选同名短直线段有多条,则利用已匹配得到的所有同名长直线段特征对和同名短直线段特征对估计影像之间的变换参数,选择最符合变换参数的候选同名短直线段,得到一对同名短直线段特征对,这样可以提高正确匹配的概率。
变换参数的计算方法如下,如附图2和附图3所示,参考图像上的直线段(端点为、)与待匹配图像上的直线段是一对同名直线段,是经过图像纠正后的直线段,因此与共线,直线段与在同一条直线上。图2中,、为的端点,、为的端点。取为到的矢量,为到的矢量,为到的矢量,则有,
由矢量共线可得,
(6)
转化为误差方程式为,
以仿射变换
作为两幅图像之间的变换函数形式,则将式(7)代入式(8)进行最小二乘平差,即可求出两幅图像之间的变换参数。其中,(,)是参考影像上点的坐标,(,)是待匹配影像上对应点的坐标,、、、、、为仿射变换参数。
综上所述,本发明提出的高分辨率影像直线段特征匹配方法,在提取直线段特征后,将直线段特征分为长直线段特征和短直线段特征分别进行匹配,避免了所有直线段特征的穷举迭代,提高了匹配的时间效率。在整个匹配算法中,只利用特征之间的几何位置关系,克服了直线段特征由于长短不一、支撑区域包含的结构信息不一致而造成的描述困难。在同一幅影像中,每条特征直线段所在直线都有唯一对应的直线方程,特征的独特性很高,可以很好的避免误匹配。同时,本发明提出的方法对图像旋转、尺度和亮度变换具有较好的稳健性,并且在形状明显的弱纹理区域相对于点特征匹配方法具有明显的优越性。
以下通过仿真实验来验证本发明的有效性:
仿真实验采用3对城市区域高分辨率卫星影像,影像对分别存在旋转变换、尺度变换、亮度变换;3对农田区域高分辨率卫星影像,影像对分别存在旋转变换、尺度变换、亮度变换。标准影像大小为200×200。
评价指标:对影像匹配应该从特征重复率和匹配概率两个方面进行评价。
仿真结果:根据评价指标,仿真实验一的实验数据如下表1、表2、表3所示:
表1 城市区域高分辨率影像实验结果统计表
影像间变换 | 左/右影像特征数 | 匹配特征数 | 匹配概率 | 重复率 |
旋转 | 51/61 | 45 | 88.2% | 88.2% |
亮度 | 51/57 | 46 | 90.2% | 90.2% |
旋转、缩放 | 51/35 | 33 | 94.3% | 94.3% |
表2 农田区域高分辨率影像实验结果统计表
影像间变换 | 左/右影像特征数 | 匹配特征数 | 匹配概率 | 重复率 |
旋转 | 43/46 | 38 | 88.4% | 88.4% |
亮度 | 43/39 | 37 | 94.9% | 94.9% |
旋转、缩放 | 43/36 | 33 | 91.7% | 91.7% |
表3 农田区域高分辨率影像SIFT特征匹配结果统计表
影像间变换 | 左/右影像特征数 | 匹配特征数 | 匹配概率 | 重复率 | |
SIFT | 旋转、缩放 | 297/216 | 173 | 61.3% | 67.6% |
本发明 | 旋转、缩放 | 43/36 | 33 | 91.7% | 91.7% |
从表1和表2的实验结果可以看出,由于直线特征提取方法对于影像的尺度、旋转和亮度变换都具有较好的稳健性,因此,无论影像存在尺度、旋转或是亮度变换,都能保证得到一定数量的直线特征。而在直线特征的匹配过程中,所采用的方法消除了影像的尺度和旋转变换影响,同时,由于整个匹配过程与图像的像素灰度值无关,因此具有亮度不变性。所有实验,都得到了较高的特征重复率和匹配概率,并且实验中匹配概率与特征重复率相同,说明匹配结果中没有错误匹配。从表3可以看出,本发明提出的方法在匹配概率和特征重复率方面都优于SIFT点特征匹配方法。从实验结果可以看出,无论是城市区域高分辨率影像,还是形状较明显的弱纹理区域高分辨率影像,本发明提出的方法对影像的尺度、旋转以及亮度变换都有较好的鲁棒性。
综上所述,本发明具有如下的优点:
(1)在提取直线段特征后,将直线段特征分为长直线段特征和短直线段特征分别进行匹配,避免了所有直线段特征的穷举迭代,提高了匹配的时间效率。
(2)在整个匹配算法中,只利用特征之间的几何位置关系,克服了直线段特征由于长短不一、支撑区域包含的结构信息不一致而造成的描述困难。
(3)由于在同一幅影像中,每条特征直线段所在直线都有唯一对应的直线方程,特征的独特性很高,可以很好的避免误匹配。
(4)对图像尺度、旋转以及亮度变换具有较好的稳健性,并且在形状明显的弱纹理区域相对于点特征匹配算法具有一定的优越性。
与传统影像特征匹配方法相比,本发明的方法都具有很明显的优势,既有较高的特征重复率,又有较高的匹配概率,是一种可行的影像特征匹配方法。
以上内容是结合遥感影像和最佳实施方案对本发明说做的进一步详细说明,不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于分级策略的影像直线特征匹配方法,其特征在于包括以下步骤:
步骤a,对参考影像和待匹配影像分别提取直线段,包括进行边缘检测,将检测到的边缘链码进行筛选和拆分,得到近似为直线段的边缘,然后将近似为直线段的边缘拟合成直线段;
步骤b,将步骤a中得到的直线段分为长直线段和短直线段,计算长直线段的特征参数,根据特征参数对参考影像和待匹配影像的长直线段进行匹配,得到同名长直线段特征对,将未匹配成功的长直线段归为短直线段;
步骤c,利用步骤b所得的同名长直线段特征对作为控制基础,计算短直线段的关系描述符,实现短直线段的匹配。
4.根据权利要求3所述基于分级策略的影像直线特征匹配方法,其特征在于:步骤b中,计算长直线段的顺时针方向值作为特征参数,得到参考影像的长直线段特征参数集和待匹配影像的长直线段特征参数集,其中,表示参考影像中长直线段的顺时针方向值,;表示待匹配影像中长直线段的顺时针方向值,;采用如下穷举搜索方法寻找同名长直线段特征对:
(3)
6.根据权利要求5所述基于分级策略的影像直线特征匹配方法,其特征在于:
步骤c中,对参考影像和待匹配影像中任一短直线段的关系描述符计算方法如下,
步骤2.4,如下公式(4),将步骤2.1所得夹角与步骤2.3所得距离合并,构成短直线段的关系描述符,
(4)
7.根据权利要求6所述基于分级策略的影像直线特征匹配方法,其特征在于:步骤c中,短直线段的匹配实现方式如下,
当参考影像中某条短直线段A与待匹配影像中某条短直线段B的关系描述符的向量中每个元素之差都小于预设阈值时,短直线段B作为短直线段A的候选同名短直线段;
对于参考影像中的任一条短直线段,若在待匹配影像中对应的候选同名短直线段数目为零,则认为没有相应的同名短直线段特征对;若待匹配影像中对应的候选同名短直线段数目为一,则得到一对同名短直线段特征对;若待匹配影像中对应的候选同名短直线段有多条,则利用已匹配得到的所有同名长直线段特征对和同名短直线段特征对估计影像之间的变换参数,选择最符合变换参数的候选同名短直线段,得到一对同名短直线段特征对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110416164 CN102521597B (zh) | 2011-12-14 | 2011-12-14 | 一种基于分级策略的影像直线特征匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110416164 CN102521597B (zh) | 2011-12-14 | 2011-12-14 | 一种基于分级策略的影像直线特征匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102521597A true CN102521597A (zh) | 2012-06-27 |
CN102521597B CN102521597B (zh) | 2013-04-24 |
Family
ID=46292508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110416164 Expired - Fee Related CN102521597B (zh) | 2011-12-14 | 2011-12-14 | 一种基于分级策略的影像直线特征匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521597B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324948A (zh) * | 2013-07-01 | 2013-09-25 | 武汉大学 | 一种基于线特征的低空遥感影像稳健匹配方法 |
CN103353984A (zh) * | 2013-04-03 | 2013-10-16 | 西安交通大学 | 一种非几何约束多幅图像线段匹配的方法 |
CN106709870A (zh) * | 2017-01-11 | 2017-05-24 | 辽宁工程技术大学 | 一种近景影像直线段匹配方法 |
CN109406521A (zh) * | 2018-12-07 | 2019-03-01 | 福建师范大学 | 一种实时水平能见度等级检测方法 |
CN110428430A (zh) * | 2019-07-03 | 2019-11-08 | 广州微林软件有限公司 | 一种区域内的直线定位拟合方法及应用 |
CN111414968A (zh) * | 2020-03-26 | 2020-07-14 | 西南交通大学 | 一种基于卷积神经网络特征图的多模态遥感影像匹配方法 |
CN112183596A (zh) * | 2020-09-21 | 2021-01-05 | 湖北大学 | 结合局部网格约束和几何约束的直线段匹配方法与系统 |
CN113095384A (zh) * | 2021-03-31 | 2021-07-09 | 安徽工业大学 | 一种基于直线段上下文特征的遥感图像匹配方法 |
CN115346058A (zh) * | 2022-10-19 | 2022-11-15 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种直线特征匹配方法、系统、电子设备及介质 |
-
2011
- 2011-12-14 CN CN 201110416164 patent/CN102521597B/zh not_active Expired - Fee Related
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353984A (zh) * | 2013-04-03 | 2013-10-16 | 西安交通大学 | 一种非几何约束多幅图像线段匹配的方法 |
CN103324948A (zh) * | 2013-07-01 | 2013-09-25 | 武汉大学 | 一种基于线特征的低空遥感影像稳健匹配方法 |
CN103324948B (zh) * | 2013-07-01 | 2016-04-27 | 武汉大学 | 一种基于线特征的低空遥感影像稳健匹配方法 |
CN106709870A (zh) * | 2017-01-11 | 2017-05-24 | 辽宁工程技术大学 | 一种近景影像直线段匹配方法 |
CN106709870B (zh) * | 2017-01-11 | 2020-02-14 | 辽宁工程技术大学 | 一种近景影像直线段匹配方法 |
CN109406521A (zh) * | 2018-12-07 | 2019-03-01 | 福建师范大学 | 一种实时水平能见度等级检测方法 |
CN110428430A (zh) * | 2019-07-03 | 2019-11-08 | 广州微林软件有限公司 | 一种区域内的直线定位拟合方法及应用 |
CN111414968A (zh) * | 2020-03-26 | 2020-07-14 | 西南交通大学 | 一种基于卷积神经网络特征图的多模态遥感影像匹配方法 |
CN112183596A (zh) * | 2020-09-21 | 2021-01-05 | 湖北大学 | 结合局部网格约束和几何约束的直线段匹配方法与系统 |
CN113095384A (zh) * | 2021-03-31 | 2021-07-09 | 安徽工业大学 | 一种基于直线段上下文特征的遥感图像匹配方法 |
CN115346058A (zh) * | 2022-10-19 | 2022-11-15 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种直线特征匹配方法、系统、电子设备及介质 |
CN115346058B (zh) * | 2022-10-19 | 2022-12-20 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种直线特征匹配方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102521597B (zh) | 2013-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521597A (zh) | 一种基于分级策略的影像直线特征匹配方法 | |
Ye et al. | Hopc: A novel similarity metric based on geometric structural properties for multi-modal remote sensing image matching | |
Chen et al. | An end-to-end shape modeling framework for vectorized building outline generation from aerial images | |
Li et al. | A unified framework for concurrent pedestrian and cyclist detection | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN104766084B (zh) | 一种多目标匹配的近复制图像检测方法 | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN105069811B (zh) | 一种多时相遥感图像变化检测方法 | |
Barrera et al. | Multispectral piecewise planar stereo using Manhattan-world assumption | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN106096497B (zh) | 一种针对多元遥感数据的房屋矢量化方法 | |
Li et al. | A complex junction recognition method based on GoogLeNet model | |
CN104240231A (zh) | 基于局部结构二进制模式的多源图像配准 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
Luo et al. | IMNN-LWEC: A novel infrared small target detection based on spatial–temporal tensor model | |
Naseer et al. | Vision-based Markov localization for long-term autonomy | |
CN104933719A (zh) | 一种积分图块间距离检测图像边缘方法 | |
Li et al. | Exploring label probability sequence to robustly learn deep convolutional neural networks for road extraction with noisy datasets | |
CN105894494A (zh) | 基于gpu技术的三线阵立体航测相机并行谱段配准方法 | |
CN107146215A (zh) | 一种基于颜色直方图和凸包的显著性检测方法 | |
CN105740878A (zh) | 地理信息系统的符号识别方法和装置 | |
Bhadauria et al. | Building extraction from satellite images | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
CN106780577A (zh) | 一种基于组特征的直线匹配方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130424 Termination date: 20181214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |