CN103606157A - 高光谱图像处理方法及装置 - Google Patents
高光谱图像处理方法及装置 Download PDFInfo
- Publication number
- CN103606157A CN103606157A CN201310627384.5A CN201310627384A CN103606157A CN 103606157 A CN103606157 A CN 103606157A CN 201310627384 A CN201310627384 A CN 201310627384A CN 103606157 A CN103606157 A CN 103606157A
- Authority
- CN
- China
- Prior art keywords
- high spectrum
- abnormal object
- spectrum image
- rxd
- image
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims description 103
- 230000005856 abnormality Effects 0.000 claims description 26
- 239000000284 extract Substances 0.000 claims description 18
- 238000000701 chemical imaging Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000003672 processing method Methods 0.000 claims description 12
- 206010038743 Restlessness Diseases 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种高光谱图像处理方法及装置，该方法包括：确定待处理的高光谱图像；从所述待处理的高光谱图像中提取异常目标；对所述异常目标进行分离处理，得到异常检测结果。本实施例的高光谱图像处理方法，通过确定待处理的高光谱图像，从待处理的高光谱图像中提取异常目标，对异常目标进行分离处理，得到异常检测结果。这样，从高光谱图像中提取异常目标，并对异常目标进行分离处理，得到异常检测结果，能够降低虚警率，从而提高定位精度。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种高光谱图像处理方法及装置。
背景技术
高光谱图像数据作为一个三维的数据立方体，在提供地物空间维的纹理和位置信息的同时，第三维光谱维又包含了地物丰富的光谱特征信息，因此在对地物识别能力上有其他探测影像所不能比拟的优势。
高光谱图像对地物目标识采用光谱识别的方法，利用统计学知识找寻与背景环境存在光谱差异的目标点可以在没有先验信息的条件下完成对异常目标的检测。例如，在没有目标光谱先验知识的情况下定位与邻域背景或全局背景存在明显光谱差异的异常点。
但是，这种方法容易受到背景噪声分布和异常点面积的影响，存在检测结果虚警率过高的问题，影响定位精度。
发明内容
本发明实施例提供一种高光谱图像处理方法及装置，能够降低虚警率，从而提高定位精度。
本发明实施例采用如下技术方案：
一种高光谱图像处理方法，包括：
确定待处理的高光谱图像；
从所述待处理的高光谱图像中提取异常目标；
对所述异常目标进行分离处理，得到异常检测结果。
可选的，所述从所述待处理的高光谱图像中提取异常目标包括：
根据δrxd(r)=(r-μb)TK-1(r-μb)从所述待处理的高光谱图像中提取异常目标，其中，δrxd(r)为RXD检测算子，r为高光谱图像中任一像元的光谱矢量，
为高光谱图像样本的光谱协方差矩阵，
为高光谱图像样本均值向量；
如果δrxd(r)的值小于预设阀值并与K的小特征值相对应，且K值越小δrxd(r)值越大，则δrxd(r)对应的目标为异常目标。
可选的，所述根据恒虚警率CFAR对所述异常目标进行分离处理，得到异常检测结果包括：
根据Xb=[x1，x2，···xm]分离异常目标，其中Xb为L×M的矩阵，L为高光谱图像的波段数，M为背景数据中像素点的数量，Xi=[x1，x2，···xL]，X为待检测点向量，n表示背景噪声，s为目标光谱向量，如果x=n且a=0则不存在待分离目标，如果x=ax+n且a＞0则存在待分离的异常目标。
可选的，所述根据恒虚警率CFAR对所述异常目标进行分离处理，得到异常检测结果之后，还包括：
将Kij值用进行计算，获得最终检测结果；
其中，Kij为异常目标，r为像素点的光谱向量，m为整幅影像的像素总数，n为每行的像素数。
可选的，所述确定待处理的高光谱图像包括：
获取高光谱影像；
从获取的高光谱影像中去除误差谱段后，从中选取目标波段影像组成的待检测数据立方体，得到所述待处理的高光谱图像。
一种高光谱图像处理装置，包括：
确定模块，用于确定待处理的高光谱图像；
提取模块，用于从所述待处理的高光谱图像中提取异常目标；
处理模块，用于对所述异常目标进行分离处理，得到异常检测结果。
可选的，所述提取模块具体用于：
根据δrxd(r)=(r-μb)TK-1(r-μb)从所述待处理的高光谱图像中提取异常目标，其中，δrxd(r)为RXD检测算子，r为高光谱图像中任一像元的光谱矢量，
为高光谱图像样本的光谱协方差矩阵，
为高光谱图像样本均值向量；
如果δrxd(r)的值小于预设阀值并与K的小特征值相对应，且K值越小δrxd(r)值越大，则δrxd(r)对应的目标为异常目标。
可选的，所述处理模块具体用于：
根据Xb=[x1，x2，···xm]分离异常目标，其中Xb为L×M的矩阵，L为高光谱图像的波段数，M为背景数据中像素点的数量，Xi=[x1，x2，···xL]，X为待检测点向量，n表示背景噪声，s为目标光谱向量，如果x=n且a=0则不存在待分离目标，如果x=ax+n且a＞0则存在待分离的异常目标。
可选的，所述处理模块还用于：
将Kij值用进行计算，获得最终检测结果；
其中，Kij为异常目标，r为像素点的光谱向量，m为整幅影像的像素总数，n为每行的像素数。
可选的，所述确定模块具体用于：
获取高光谱影像；从获取的高光谱影像中去除误差谱段后，从中选取目标波段影像组成的待检测数据立方体，得到所述待处理的高光谱图像。
基于上述技术方案，本发明实施例提供的本实施例的高光谱图像处理方法，通过确定待处理的高光谱图像，从待处理的高光谱图像中提取异常目标，对异常目标进行分离处理，得到异常检测结果。这样，从高光谱图像中提取异常目标，并对异常目标进行分离处理，得到异常检测结果，能够降低虚警率，从而提高定位精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种高光谱图像处理方法的流程图；
图2为本发明实施例2提供的一种高光谱图像处理方法的流程图；
图3为本发明实施例2提供的高光谱图像示意图之一；
图4为本发明实施例2提供的高光谱图像示意图之二；
图5为本发明实施例2提供的背景和目标对象波普曲线对比示意图；
图6为本发明实施例2提供的检测结果示意图之一；
图7为本发明实施例2提供的检测结果示意图之二；
图8为本发明实施例3提供的一种高光谱图像处理装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例1
如图1所示，本实施例提供一种高光谱图像处理方法，该方法盖可以由高光普图像处理装置实现，该方法包括：
11、确定待处理的高光谱图像。
12、从待处理的高光谱图像中提取异常目标。
13、对异常目标进行分离处理，得到异常检测结果。
本实施例的高光谱图像处理方法，通过确定待处理的高光谱图像，从待处理的高光谱图像中提取异常目标，对异常目标进行分离处理，得到异常检测结果。这样，从高光谱图像中提取异常目标，并对异常目标进行分离处理，得到异常检测结果，能够降低虚警率，从而提高定位精度。
实施例2
如图2所示，本实施例提供一种高光谱图像处理方法，该方法盖可以由高光普图像处理装置实现，该方法包括：
21、获取高光谱影像。
本实施例中，高光普图像处理装置获取的高光谱影像，可以是输入该高光普图像处理装置的高光谱影像。
22、从获取的高光谱影像中去除误差谱段后，从中选取目标波段影像组成的待检测数据立方体，得到待处理的高光谱图像。
本实施例中，该高光普图像处理装置可以根据用户操作从获取的高光谱影像中去除误差谱段，也可以自主执行从获取的高光谱影像中去除误差谱段的操作，本实施例不做限定。例如，如图3所示该误差谱段可以是水汽吸收谱段、噪声明显的谱段等。
23、从待处理的高光谱图像中提取异常目标。
本实施例中，该高光普图像处理装置对原始高光谱图像进行最小噪声分离变换，选择富含光谱空间信息的前N个波段影像构成待检测数据立方体，利用图像的统计信息，用改进的RX算子(improved-RXD)对其进行异常目标的提取。本实施例中，改进的RXD算子是指对K这个光谱方差矩阵计算方法的改变，将修改后的K值带入RX检测算子的公式中，即可获得改进的检测结果。图4为本实施例的一种待检测数据立方体的示例。
具体地，该高光普图像处理装置可以根据δrxd(r)=(r-μb)TK-1(r-μb)从所述待处理的高光谱图像中提取异常目标，其中，δrxd(r)为RXD检测算子，r为高光谱图像中任一像元的光谱矢量，
为高光谱图像样本的光谱协方差矩阵，
为高光谱图像样本均值向量；
如果δrxd(r)的值小于预设阀值并与K的小特征值相对应，且K值
越小δrxd(r)值越大，则δrxd(r)对应的目标为异常目标。
这样能够将异常目标从背景中分离出来。其中，预设的阀值可以预先设置并且能够根据不同的场景进行变更。
24、对异常目标进行分离处理，得到异常检测结果。
本实施例中，该高光普图像处理装置可以根据Xb=[x1，x2，···xm]分离异常目标，其中Xb为L×M的矩阵，L为高光谱图像的波段数，M为背景数据中像素点的数量，Xi=[x1，x2，···xL]，X为待检测点向量，n表示背景噪声，s为目标光谱向量，如果x=n且a=0则不存在待分离目标，如果x=ax+n且a＞0则存在待分离的异常目标。图5为一个高光普图像中背景和目标对象波谱曲线对比示意图。
本实施例中，该高光普图像处理装置在检测过程中不需要知道高光普图像的光谱，仅需要估计背景协方差矩阵，通过确定阈值获得保持恒虚警率（英文全称为：constant false alarm rate,简称为：CFAR）的特性，高光普图像中的观测数据存在目标中或者存在于背景中，适合于背景分布比较简单的情形下的目标探测。背景服从空间均值变快，方差变慢的多维高斯随机过程，检测处理时，在设定大小的背景和目标检测窗口内，通过统计处理检测窗口内部的均值和方差来获取算法参数，得到的检测结果作为判断检测窗口中心点是否为异常点的依据。通过平移检测窗口，即可获得整个图像的检测结果。
本实施例中可选的，对考虑到特定异常目标的图像邻近像元的空间相关性，将Kij值用
进行计算，获得最终检测结果；其中，Kij为异常目标，r为像素点的光谱向量，m为整幅影像的像素总数，n为每行的像素数。Kij为光谱协方差矩阵K中第i行第j列对应的值，M为高光谱影像中的像元总数，T是指矩阵的转置，i，j为像元的行列号。
为使本领域技术人员充分了解本实施例的高光普图像处理的处理效果，图6为现有的处理方法得到的检测结果效果图，图7为应用本实施例的方法得到的检测结果效果图。
本实施例的高光谱图像处理方法，通过确定待处理的高光谱图像，从待处理的高光谱图像中提取异常目标，对异常目标进行分离处理，得到异常检测结果。这样，从高光谱图像中提取异常目标，并对异常目标进行分离处理，得到异常检测结果，能够降低虚警率，从而提高定位精度。另外本实施例的方法，去除相关波谱冗余信息，放大目标和背景波谱特征，能够更好的估计背景噪声，对异常目标进行提取，从而降低异常检测时的虚警率，从而提高定位精度。
实施例3
如图8所示，本实施例提供一种高光谱图像处理装置，包括：
确定模块81，用于确定待处理的高光谱图像；
提取模块82，用于从所述待处理的高光谱图像中提取异常目标；
处理模块83，用于对所述异常目标进行分离处理，得到异常检测结果。
可选的，所述提取模块82具体用于：
根据δrxd(r)=(r-μb)TK-1(r-μb)从所述待处理的高光谱图像中提取异常目标，其中，δrxd(r)为RXD检测算子，r为高光谱图像中任一像元的光谱矢量，
为高光谱图像样本的光谱协方差矩阵，
为高光谱图像样本均值向量；
如果δrxd(r)的值小于预设阀值并与K的小特征值相对应，且K值越小δrxd(r)值越大，则δrxd(r)对应的目标为异常目标。
可选的，所述处理模块83具体用于：
根据Xb=[x1，x2，···xm]分离异常目标，其中Xb为L×M的矩阵，L为高光谱图像的波段数，M为背景数据中像素点的数量，Xi=[x1，x2，···xL]，X为待检测点向量，n表示背景噪声，s为目标光谱向量，如果x=n且a=0则不存在待分离目标，如果x=ax+n且a＞0则存在待分离的异常目标。
可选的，所述处理模块83还用于：将Kij值用
进行计算，获得最终检测结果；其中，Kij为异常目标，r为像素点的光谱向量，m为整幅影像的像素总数，n为每行的像素数。
可选的，所述确定模块81具体用于：获取高光谱影像；从获取的高光谱影像中去除误差谱段后，从中选取目标波段影像组成的待检测数据立方体，得到所述待处理的高光谱图像。
本实施例的高光谱图像处理装置能够实现上述方法实施例，该装置中各个模块的功能仅为简要描述，详细实现过程请参阅上述方法实施例。
本实施例的高光谱图像处理装置，通过确定待处理的高光谱图像，从待处理的高光谱图像中提取异常目标，对异常目标进行分离处理，得到异常检测结果。这样，从高光谱图像中提取异常目标，并对异常目标进行分离处理，得到异常检测结果，能够降低虚警率，从而提高定位精度。
本说明书中的各个实施例均采用递进的方式描述，各个实施例相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，通用硬件包括通用集成电路、通用CPU、通用存储器、通用元器件等，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例的方法。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种高光谱图像处理方法，其特征在于，包括：
确定待处理的高光谱图像；
从所述待处理的高光谱图像中提取异常目标；
对所述异常目标进行分离处理，得到异常检测结果。
2.根据权利要求1所述的方法，其特征在于，所述从所述待处理的高光谱图像中提取异常目标包括：
根据δrxd(r)=(r-μb)TK-1(r-μb)从所述待处理的高光谱图像中提取异常目标，其中，δrxd(r)为RXD检测算子，r为高光谱图像中任一像元的光谱矢量，
为高光谱图像样本的光谱协方差矩阵，为高光谱图像样本均值向量；
如果δrxd(r)的值小于预设阀值并与K的小特征值相对应，且K值越小δrxd(r)值越大，则δrxd(r)对应的目标为异常目标。
3.根据权利要求1所述的方法，其特征在于，所述对所述异常目标进行分离处理，得到异常检测结果包括：
根据Xb=[x1，x2，···xm]分离异常目标，其中Xb为L×M的矩阵，L为高光谱图像的波段数，M为背景数据中像素点的数量，Xi=[x1，x2，···xL]，X为待检测点向量，n表示背景噪声，s为目标光谱向量，如果x=n且a=0则不存在待分离目标，如果x=ax+n且a＞0则存在待分离的异常目标。
4.根据权利要求1所述的方法，其特征在于，所述对所述异常目标进行分离处理，得到异常检测结果之后，还包括：
将Kij值用进行计算，获得最终检测结果；
其中，Kij为异常目标，r为像素点的光谱向量，m为整幅影像的像素总数，n为每行的像素数。
5.根据权利要求1所述的方法，其特征在于，所述确定待处理的高光谱图像包括：
获取高光谱影像；
从获取的高光谱影像中去除误差谱段后，从中选取目标波段影像组成的待检测数据立方体，得到所述待处理的高光谱图像。
6.一种高光谱图像处理装置，其特征在于，包括：
确定模块，用于确定待处理的高光谱图像；
提取模块，用于从所述待处理的高光谱图像中提取异常目标；
处理模块，用于对所述异常目标进行分离处理，得到异常检测结果。
7.根据权利要求6所述的装置，其特征在于，所述提取模块具体用于：
根据δrxd(r)=(r-μb)TK-1(r-μb)从所述待处理的高光谱图像中提取异常目标，其中，δrxd(r)为RXD检测算子，r为高光谱图像中任一像元的光谱矢量，
为高光谱图像样本的光谱协方差矩阵，
为高光谱图像样本均值向量；
如果δrxd(r)的值小于预设阀值并与K的小特征值相对应，且K值越小δrxd(r)值越大，则δrxd(r)对应的目标为异常目标。
8.根据权利要求6所述的装置，其特征在于，所述处理模块具体用于：
根据Xb=[x1，x2，···xm]分离异常目标，其中Xb为L×M的矩阵，L为高光谱图像的波段数，M为背景数据中像素点的数量，Xi=[x1，x2，···xL]，X为待检测点向量，n表示背景噪声，s为目标光谱向量，如果x=n且a=0则不存在待分离目标，如果x=ax+n且a＞0则存在待分离的异常目标。
9.根据权利要求6所述的装置，其特征在于，所述处理模块还用于：
将Kij值用
进行计算，获得最终检测结果；
其中，Kij为异常目标，r为像素点的光谱向量，m为整幅影像的像素总数，n为每行的像素数。
10.根据权利要求6所述的装置，其特征在于，所述确定模块具体用于：
获取高光谱影像；从获取的高光谱影像中去除误差谱段后，从中选取目标波段影像组成的待检测数据立方体，得到所述待处理的高光谱图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310627384.5A CN103606157B (zh) | 2013-11-28 | 2013-11-28 | 高光谱图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310627384.5A CN103606157B (zh) | 2013-11-28 | 2013-11-28 | 高光谱图像处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103606157A true CN103606157A (zh) | 2014-02-26 |
| CN103606157B CN103606157B (zh) | 2016-09-28 |
Family
ID=50124377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310627384.5A Expired - Fee Related CN103606157B (zh) | 2013-11-28 | 2013-11-28 | 高光谱图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103606157B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331684A (zh) * | 2014-10-20 | 2015-02-04 | 西北工业大学 | 基于双机通信的高光谱图像目标检测系统 |
| CN104570344A (zh) * | 2014-12-23 | 2015-04-29 | 中国科学院光电研究院 | 一种数字成像系统的光学和数字联合设计方法 |
| CN106097321A (zh) * | 2016-06-06 | 2016-11-09 | 哈尔滨工业大学 | 一种基于张量表示的偏振高光谱图像目标检测方法 |
| CN108765460A (zh) * | 2018-05-22 | 2018-11-06 | 北京航空航天大学 | 基于高光谱图像的空时联合异常检测方法和电子设备 |
| CN109165628A (zh) * | 2018-09-12 | 2019-01-08 | 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 |
| CN109255353A (zh) * | 2018-09-12 | 2019-01-22 | 首都师范大学 | 一种动目标检测方法、装置、电子设备及存储介质 |
| CN110363186A (zh) * | 2019-08-20 | 2019-10-22 | 四川九洲电器集团有限责任公司 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
| CN112163523A (zh) * | 2020-09-29 | 2021-01-01 | 北京环境特性研究所 | 一种异常目标检测方法、装置和计算机可读介质 |
-
2013
- 2013-11-28 CN CN201310627384.5A patent/CN103606157B/zh not_active Expired - Fee Related
Non-Patent Citations (6)
| Title |
|---|
| IRVING S.REED等: "《Adaptive Multiple-Band CFAR Detection of an Optical Pattern with Unknown Spectral Distribution》", 《IEEE TRANSACTIONS ON ACOUSTICS SPEECH AND SIGNAL PROCESSING》 * |
| 史振威等: "《RX及其变种在高光谱图像中的异常检测》", 《红外与激光工程》 * |
| 叶怡等: "《高光谱图像异常检测算法研究进展》", 《激光与红外》 * |
| 梅锋等: "《基于空域滤波的核RX高光谱图像异常检测算法》", 《哈尔滨工程大学学报》 * |
| 梅锋等: "《基于空域滤波的核RX高光谱图像异常检测算法》", 《哈尔滨工程大学学报》, vol. 30, no. 6, 30 June 2009 (2009-06-30) * |
| 王斯博等: "《基于RX算法的高光谱红外弱小目标检测》", 《红外技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331684A (zh) * | 2014-10-20 | 2015-02-04 | 西北工业大学 | 基于双机通信的高光谱图像目标检测系统 |
| CN104570344A (zh) * | 2014-12-23 | 2015-04-29 | 中国科学院光电研究院 | 一种数字成像系统的光学和数字联合设计方法 |
| CN104570344B (zh) * | 2014-12-23 | 2017-02-22 | 中国科学院光电研究院 | 一种数字成像系统的光学和数字联合设计方法 |
| CN106097321A (zh) * | 2016-06-06 | 2016-11-09 | 哈尔滨工业大学 | 一种基于张量表示的偏振高光谱图像目标检测方法 |
| CN106097321B (zh) * | 2016-06-06 | 2018-12-11 | 哈尔滨工业大学 | 一种基于张量表示的偏振高光谱图像目标检测方法 |
| CN108765460A (zh) * | 2018-05-22 | 2018-11-06 | 北京航空航天大学 | 基于高光谱图像的空时联合异常检测方法和电子设备 |
| CN109165628A (zh) * | 2018-09-12 | 2019-01-08 | 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 |
| CN109255353A (zh) * | 2018-09-12 | 2019-01-22 | 首都师范大学 | 一种动目标检测方法、装置、电子设备及存储介质 |
| CN110363186A (zh) * | 2019-08-20 | 2019-10-22 | 四川九洲电器集团有限责任公司 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
| CN112163523A (zh) * | 2020-09-29 | 2021-01-01 | 北京环境特性研究所 | 一种异常目标检测方法、装置和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103606157B (zh) | 2016-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103606157A (zh) | 高光谱图像处理方法及装置 | |
| CN108604301B (zh) | 用于大rgb-d扫描的可缩放自动全局配准的基于关键点的点对特征 | |
| Yuan et al. | Fast hyperspectral anomaly detection via high-order 2-D crossing filter | |
| US9767604B2 (en) | Image analysis method by analyzing point cloud using hierarchical search tree | |
| CN110807473B (zh) | 目标检测方法、装置及计算机存储介质 | |
| Ren et al. | A superpixel-based dual window RX for hyperspectral anomaly detection | |
| WO2017206147A1 (en) | Recognition of activity in a video image sequence using depth information | |
| US8218892B2 (en) | Visual object detection | |
| Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
| WO2019100348A1 (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
| US10311332B2 (en) | Orientation-based subject-matching in images | |
| Chen et al. | Contourlet-1.3 and Generalized Gaussian model texture image retrieval | |
| CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| Wu et al. | RGB-D salient object detection via feature fusion and multi-scale enhancement | |
| Kim et al. | Building footprints extraction of dense residential areas from Lidar data | |
| Mehta et al. | SPCA assisted correlation clustering of hyperspectral imagery | |
| CN113095257A (zh) | 异常行为检测方法、装置、设备及存储介质 | |
| Akhyar et al. | Image stitching development by combining SIFT Detector and SURF descriptor for aerial view images | |
| Chen et al. | When semantic segmentation meets frequency aliasing | |
| Lee et al. | Extensive analysis of feature selection for compact descriptor | |
| CN111382632A (zh) | 目标检测方法、终端设备及计算机可读存储介质 | |
| Li et al. | Multiframe astronomical image registration based on block homography estimation | |
| CN111597893B (zh) | 一种行人图像的匹配方法、装置、存储介质及终端 | |
| Gominski et al. | Benchmarking individual tree mapping with sub-meter imagery | |
| Radhika et al. | Texture-wavelet analysis for automating wind damage detection from aerial imageries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20160928 |