CN103761522B - 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 - Google Patents
基于最小外接矩形窗河道分段模型的sar图像河道提取方法 Download PDFInfo
- Publication number
- CN103761522B CN103761522B CN201310738152.7A CN201310738152A CN103761522B CN 103761522 B CN103761522 B CN 103761522B CN 201310738152 A CN201310738152 A CN 201310738152A CN 103761522 B CN103761522 B CN 103761522B
- Authority
- CN
- China
- Prior art keywords
- region
- river course
- river
- image
- river channel
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,首先,对原始SAR图像采用直方图均值化的方法拉伸灰度对比度。然后,将河道分成离散且较为均匀的直线条带状区域,采用最小外接矩形窗紧致包络河道的每个分段区域,并通过矩形窗的组合实现对复杂河道轮廓形态的近似。在此基础上,将河道模型转换生成的图模型中用于判断区域边界置信度的阈值函数,优化分割结果使其更加适用于河道提取任务。最后,根据对河道轮廓的先验经验,考虑矩形窗长宽比也兼顾矩形窗间连通性的河道区域识别方法,实现对河道区域的有效识别。本发明能够稳定可靠的用于SAR图像河道提取,尤其适用于复杂背景下或河道轮廓极端复杂情况下的河道提取。
Description
技术领域
本发明涉及一种针对SAR图像的分割及识别方法,具体是一种基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,属于计算机视觉技术领域。
背景技术
随着各种常规、应急监测的需要,如气象预测、洪水监测等,越来越多高性能的合成孔径雷达(Synthetic Aperture Rader,SAR)被加载到各种载体上,为用户提供数据量丰富且质量较高的观测数据,作为各种后期研判的依据。相比较其他类型的成像传感器,SAR成像传感器的技术优势主要在于其能够全天候,全天时的实现对地观测且具备一定的穿透能力。目前,随着SAR成像设备技术的飞速发展,高分辨率的SAR成像及图像传输已成为现实。面对如此大数据量的SAR图像数据,单纯依赖人工处理已经变得不现实。目前研究的热点逐渐转向对SAR图像的智能化分析及处理上。结合SAR图像的成像原理,可以发现这种主动成像方式有利于对于对河道形态的描写,这主要是因为河流水体对电磁波的反射率相对较低,表现为极低的图像强度,易于拉伸同背景和其他目标间的对比度。从SAR图像中检测和提取河道是SAR图像目标检测和提取研究中的一个重要课题,不仅有利于对地理信息的获取和更新,而且有利于对高洪及洪水期间的应急监测或救援的迅速展开。此外,河道轮廓形态提取对各种军事行动的展开也有重要的意义。对于河道提取任务,虽然SAR图像具有分辨率高,信息量丰富等优势,但是图像中固有的相干斑噪声成为制约基于SAR图像处理所面临的普遍问题。具体到河道提取任务,复杂的背景及河道轮廓的不规则性成为影响SAR图像河道提取精度的主要瓶颈。因此,基于SAR图像的河道提取任务所面临的困难主要包括:①图像噪声强②背景复杂③河道轮廓复杂。针对这些问题,在各种图像降噪预处理的基础上,所采用的技术手段主要包括基于特征分类和基于阈值判决的河道提取方法。前者采用各种图像特征提取技术,将图像信息投影到高维特征空间中进行分类,达到河道识别的目的。相比较,基于灰度阈值判决的方法根据河面的电磁波反射率较低的特点,认为图像中较暗的像素对应于河道区域。因而可采用简单的阈值分割实现河道提取,算法不需要繁琐的特征提取和学习的过程,计算复杂度较低。通过理论研究和对比大量的河道图像后,基于灰度阈值的分割算法所面临的主要问题是阈值的选择和阈值的鲁棒性问题。通常阈值分割的结果需要经过繁琐的后处理,处理结果也并不十分理想。
发明内容
发明目的:为了准确的实现河道的提取,对河道轮廓的建模是关键。一方面有助于降低SAR图像噪声的对河道区域分割的影响,另一方面也有助于对背景噪声的抑制。针对复杂的河道轮廓,发明提出了一种分段建模方法,能够将连续的曲线河道轮廓近似为直线线段的组合,而河道区域表示为规则的最小外接矩形窗的组合。进而,将该建模方法融入到图像分割过程中,得到更加有利于河道提取的图像分割结果。最后在先验知识的指导下,对每一个矩形窗的信息进行辨别,识别出包含河道区域的矩形窗,通过矩形窗的组合重构出完整的河道区域。该方法的最大优势在于能够抑制背景区域中与河道灰度相近且轮廓特征也极为相似的干扰目标对河道提取的影响,从而实现河道提取精度的提高。
技术方案:一种基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,在图像预处理的前提下,首先根据河道分段建模的思想,即任何复杂的河道轮廓均可由有限的直线线段的组合所近似且任何复杂的河道区域均可由有限的矩形窗的组合所近似,将最小外接矩形窗的建模同基于图论的SAR图像分割方法结合,生成一种新的占空比参数阈值,约束区域合并过程,输出更加适用于河道提取的SAR图像分割结果。在图像分割的基础上,所分割出的矩形窗的形态大体能够描述其所紧致包络的区域的形态特征。因此,对图像中每个区域的最小外接矩形窗的形态进行判断,识别出属于河道区域的图像区域。在这一过程中,根据河道的连续性特点,将矩形窗的连续性作为一种新的准则实现对河道的准确识别。识别所得到的矩形窗中的河道分段区域进行拼接重构出完整的河道轮廓。
考虑到水面的电磁波反射率较低,在SAR图像中呈现为较低的强度。采用灰度直方图均值化的方法对图像进行预处理,拉伸图像的灰度对比度。
对河道轮廓形态进行建模,将河道分段,采用最小外接矩形窗紧致包络每段河道区域,通过矩形窗的组合拼接,实现对河道区域的准确描述。将复杂河道轮廓分段为不同的直线条状区域,从而将河道区域描述为有限个最小外接矩形窗的组合。该方法能以较为简单的形式准确描述河道区域。
将分段河道模型形式化转换成基于图论的图像分割中新的规则,使得不同的图像分割区域均对应于一个紧致的最小外接矩形窗。这种分割方法更加有利于对于河道这种轮廓复杂且成条带状的图像区域的提取。
根据先验知识对图像中每个分割得到区域的最小外接矩形窗的形态进行识别并考虑矩形窗间的连通性对河道区域进行识别,即矩形窗间必须是相互连通的才能为河道区域,否则判断为背景区域。配合矩形窗的长宽比特征,提出了一种新的河道判别规则,实现对河道的准确提取。
有益效果:与现有技术相比,本发明提供的基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,具有如下优点:
1、抗背景噪声能力强。能够有效的抑制背景中同河道具有相似灰度相似轮廓的目标对河道提取形成的强干扰噪声。
2、河道提取完整性高。通过对区域最小外接矩形窗的识别能够较好的识别出河道区域,漏检率较低。从而通过矩形窗的拼接后能够提取出完整性较高准确性较好的河道区域。
3、算法复杂度显著下降。算法的复杂度同图像的像素数能线性关系,复杂度较低易于实现在线的处理。
鉴于以上特点,本发明方法能够稳定、可靠地用于复杂场景中的SAR图像河道提取。
附图说明
图1为本发明实施例的原理图;
图2为本发明实施例的方法流程图;
图3为本发明实施例中图像分割流程图;
图4为本发明实施例中河道区域识别流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,基于灰度直方图对SAR图像进行预处理,通过提出一种河道分段模型,进而将其转换为图像分割的准侧,实现一种更加有利于河道提取的基于图论的图像分割,随后利用矩形窗间的连通性和矩形窗的长宽比特征实现对河道区域识别。最后,对识别得到的河道区域进行拼接,重构出完整的河道区域,作为提取结果。
如图2所示:
首先,对SAR图像进行预处理,降低图像噪声的同时拉伸河道和背景间的对比度。
随后,计算图像的大小,根据图像大小设置参数k(k>0),β(0<β≤1),Τ(Τ>1)及γ(γ>0)。
随后,根据图论模型及式(8)的区域合并方法对SAR图像进行分割如图3所示。
随后,根据式(9)和式(10)的判决规则对河道区域进行识别,如图4所示。
最后,对识别出的河道区域进行拼接,重构出完整的河道区域。
主要包括以下技术环节:
1、SAR图像预处理。采用图像处理方法对SAR图像的对比度进行拉伸有助于对河道区域的正确提取。可采用高斯滤波或直方图均值化的方法实现这一目的。
2、河道分段建模。由于河道轮廓的复杂性,仅通过图像自身所包含的信息和无经验的调制计算很难完整的辨识和提取出河道区域。首先河道区域被分解为不规则的零散区域,由于区域的不规则性,很难有效的建立形式化的准则对河道区域和背景区域进行分类,也就无法确定河道在图像中的准确区域。这一问题的解决必须建立在对河道的轮廓进行有效建模的基础上。然而,河道轮廓的不规则性使得对其的形式化建模变得困难,要么模型过于复杂,要么模型精度不高。对于这一问题,本文提出了一种分段河道建模方法,能够将复杂弯曲的河道区域分解为有限个简单最小外接矩形的组合,通过对这些较为规则的河道片段进行建模后组合重构出完整的河道轮廓,实现对河道轮廓特征的准确建模,有效区分河道和背景间的轮廓差异。
任何非线性的曲线线条均可近似为线性的直线线段的组合。任何复杂形态的河道轮廓均由两条大致平行的曲线所构成。因此,河道轮廓必然可以用有限个直线线段的组合近似,而河道区域可以采用最小外接矩形窗的组合来近似。鉴于此,本发明提出了一种河道分段建模的方法。每一个局部的区段的轮廓均可由一个最小的外接矩形进行近似。在此条件下,为了保证每一区段的河道模型能够准确描述该区段河道的轮廓特征,实现对相应河道区段的紧致包络。设计了一种占空比参数λ(Ci)
λ(Ci)=|Ci|/|Ri| (1)
其中|Ci|为所分割出图像区域像素数,|Ri|为该区域最小外接矩形所包络的像素数。显然,占空比参数λ(Ci)越大说明该矩形窗对区域的包络越紧致,λ(Ci)越小说明矩形窗所包络的区域中含有大量的临近区域Cjj≠i中的像素,矩形窗对特定区域形态的描述能力越差。最小外接矩形窗对其所包络区域轮廓描述的准确性同占空比参数值的排列保持一致。在保证最小邻接矩形窗的占空比的大于一定阈值的前提下,可建立河道轮廓模型为其分段矩形窗的组合:
其中,Cr为整个河道区域,为河道分段区域,为分段区域的最小外接矩形窗,为区域最小外接矩形窗的占空比,τ为占空比阈值,m为河道的分段数量。
3、基于优化图模型的SAR图像分割
在基于图论的图像分割方法将图像映射为带权无向图G=(V,E)的形式,其中vi∈V为图的顶点集合,在图像分割中对应于图像中的每个像素。(vi,vj)∈E为图的边界连接临接的顶点。在图中每个边界(vi,vj)∈E均对应着一个连接权重w((vi,vj)),该权重为非负值,对应着顶点vi和vj的相似性,对于图像分割,该相似性通常由像素点信息间的相关性计算算得到,如强度差异,色彩差异等。本质上基于图论的图像分割是将图像分为不同的区域,使得区域内各个像素点间差异最小,而不同区域间的差异最大。因此,属于同个区域的顶点间的连接权重w((vi,vj))应小于不同区域间顶点间的连接权重。通常将一个区域内的差异定义为该区域顶点最小生成树MST(C,E)的最大权重:
而不同区域间C1,的差异为连接两个区域顶点的最小权重:
据此可以形成对区域边界D(C1,C2)置信度的判决:
阈值MInt(C1,C2)可定义为两个临近区域内部权重Int(C)和调制参数η(C)之和的最小值:
MInt(C1,C2)=min(Int(C1)+η(C1),Int(C2)+η(C2)) (6)
其中,Int(C)是由图像信息本身所决定的,而分割结果的好坏主要取决于调制参数η(C)的设计。通常设计η(C)=k/|C|其中|C|为区域中的像素数,k为手工预设的调制幅度。通过这种设计,对于面积过小的区域,通常需要较大的权重才能确定区域边界的存在。因此,那些较小的区域有更大的机会进行区域合并,而较大的区域则相对稳定,本发明将河道模型中的占空比参数用于基于图论的图像分割,能够将图像规则化分割成不同由最小外接矩形窗紧致包络的区域。为了实现这一想法,在图像分割过程中,引入了新的区域合并约束条件,即合并区域的占空比大于阈值:
λ(Ci,Cj)≥β(λ(Ci)+λ(Cj)) (7)
其中,λ(Ci,Cj)为区域Ci和Cj合并后新区域的占空比,β为调制参数,由于区域合并后新区域的占空比通常小于原有区域占空比之和,因此0<β<1。将该约束条件引入到式(5)后可得新的区域边界的判决依据:
4、河道识别
采用本发明新的区域融合规则,图像每块区域均能够被其最小外接矩形窗紧致包络,因此最小外接矩形能够大体描述该区域的轮廓特征。由于河道被分割成不同的区段,每个区段建模为一个最小外接矩形作为该区域的轮廓特征。根据河道的特点,可以确定用于识别河道的分类准则如下:
(1)LR/WR>Τ (9)
考虑到河流轮廓大体上为条状,本准则要求区域的最小外接矩形窗所对应的长宽比LR/WR大于阈值Τ。
(2)d(Ri,Rj)<γ (10)
考虑到河流轮廓的连通性,本准则要求不同区域的最小外接矩形窗间最近像素点的距离小于阈值γ。
综合以上结果,满足所有条件的矩形窗所包络的图像区域为河道,根据式(2)拼接出完整的河道区域。
Claims (5)
1.一种基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,其特征在于:
首先,采用对SAR图像进行预处理,拉伸图像的灰度对比度;
随后,对河道轮廓形态进行建模,河道分段,将河道分成离散的直线条带状区域,采用最小外接矩形窗紧致包络每段河道区域,通过矩形窗的组合拼接,实现对河道区域的描述;
随后,将分段河道模型形式化转换成基于图论的图像分割规则,使得不同的图像分割区域均对应于一个紧致的最小外接矩形窗;
最后,根据先验知识对图像中每个分割得到区域的最小外接矩形窗的形态进行识别并考虑矩形窗间的连通性对河道区域进行识别,对识别出的河道区域进行拼接,重构出完整的河道区域;
考虑矩形窗间连通性的河道区域识别方法,即矩形窗间必须是相互连通的才能为河道区域,否则判断为背景区域。
2.如权利要求1所述的基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,其特征在于:采用高斯滤波或灰度直方图均值化的方法对SAR图像进行预处理,拉伸图像的灰度对比度。
3.如权利要求1所述的基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,其特征在于:
采用最小外接矩形窗紧致包络每段河道区域的过程中,定义占空比参数λ(Ci)
λ(Ci)=|Ci|/|Ri| (1)
其中|Ci|为所分割出图像区域像素数,|Ri|为该区域最小外接矩形所包络的像素数;最小外接矩形窗对其所包络区域轮廓描述的准确性同占空比参数值的排列保持一致;在保证最小邻接矩形窗的占空比的大于阈值的前提下,建立河道轮廓模型为其分段矩形窗的组合:
4.如权利要求1所述的基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,其特征在于:在基于图论的图像分割方法中,将图像映射为带权无向图G=(V,E)的形式,其中vi∈V为图的顶点集合,在图像分割中对应于图像中的每个像素;(vi,vj)∈E为图的边界连接临接的顶点;在图中每个边界(vi,vj)∈E均对应着一个连接权重w((vi,vj)),该权重为非负值,对应着顶点vi和vj的相似性,对于图像分割,该相似性由像素点间的差异计算得到;属于同个区域的顶点间的连接权重w((vi,vj))应小于不同区域间顶点间的连接权重;将一个区域内的差异定义为该区域顶点最小生成树MST(C,E)的最大权重:
而不同区域间的差异为连接两个区域顶点的最小权重:
两个区域间是否存在边界的阈值MInt(C1,C2)定义为两个临近区域内部权重Int(C)和调制参数η(C)之和的最小值:
MInt(C1,C2)=min(Int(C1)+η(C1),Int(C2)+η(C2)) (6)
其中,η(C)=k/|C|其中|C|为区域中的像素数,k为预设的调制幅度;
由于采用最小外接矩形窗对河道建模,分割得到的图像区域能够被的最小外接矩形窗紧致包络;因此,在区域合并时,不仅需要考虑相邻区域间的差异,也要考虑合并后所对应最小外接矩形窗的对该区域的占空比;即合并区域的占空比大于阈值:
λ(Ci,Cj)≥β(λ(Ci)+λ(Cj)) (7)
其中,λ(Ci,Cj)为区域Ci和Cj合并后新区域的占空比,β为调制参数,0<β<1;
区域边界的判决依据:
5.如权利要求1所述的基于最小外接矩形窗河道分段模型的SAR图像河道提取方法,其特征在于:
由于河道被分割成不同的区段,每个区段建模为一个最小外接矩形作为该区域的轮廓特征;根据河道的特点,确定用于识别河道的分类准则如下:
(1)LR/WR>Τ (9)
考虑到河流轮廓为条状,本准则要求区域的最小外接矩形窗所对应的长宽比LR/WR大于阈值Τ;
(2)d(Ri,Rj)<γ (10)
考虑到河流轮廓的连通性,本准则要求不同区域的最小外接矩形窗间最近像素点的距离小于阈值γ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310738152.7A CN103761522B (zh) | 2013-12-27 | 2013-12-27 | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310738152.7A CN103761522B (zh) | 2013-12-27 | 2013-12-27 | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103761522A CN103761522A (zh) | 2014-04-30 |
CN103761522B true CN103761522B (zh) | 2017-02-08 |
Family
ID=50528758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310738152.7A Active CN103761522B (zh) | 2013-12-27 | 2013-12-27 | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761522B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243353A (zh) * | 2015-09-07 | 2016-01-13 | 河海大学 | 一种融合图模型及形态模型的sar图像河道提取方法 |
CN105487053B (zh) * | 2015-12-29 | 2018-04-10 | 北京华航无线电测量研究所 | 一种基于监视雷达的陆地掩模制备方法 |
CN105976378B (zh) * | 2016-05-10 | 2019-05-10 | 西北工业大学 | 基于图模型的显著性目标检测方法 |
CN106914428A (zh) * | 2017-01-16 | 2017-07-04 | 哈尔滨理工大学 | 一种基于机器视觉的钢球表面缺陷差分检测的新型算法 |
CN107680121A (zh) * | 2017-09-29 | 2018-02-09 | 黑龙江省水利水电勘测设计研究院 | 河道图像的分析方法、装置、设备及计算机可读存储介质 |
CN109584245B (zh) * | 2018-11-12 | 2023-11-17 | 中国石油大学(北京) | 基于最大内切圆算法的河道参数智能统计方法和系统 |
CN110111352A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452530A (zh) * | 2008-12-25 | 2009-06-10 | 西安电子科技大学 | 基于灰度统计及区域编码的sar图像水域识别方法 |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
-
2013
- 2013-12-27 CN CN201310738152.7A patent/CN103761522B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452530A (zh) * | 2008-12-25 | 2009-06-10 | 西安电子科技大学 | 基于灰度统计及区域编码的sar图像水域识别方法 |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
Non-Patent Citations (3)
Title |
---|
一种获取图像区域最小外接矩形的算法及实现;吴晓光等;《计算机工程》;20040630;第30卷(第12期);第124-128页 * |
一种针对复杂背景下高分辨率SAR图像河道检测算法;王超 等;《遥感技术与应用》;20120831;第27卷(第4期);第516-521页 * |
线性工程带状地形图自动分幅的一种方法;杨善文 等;《天然气与石油》;20070228;第25卷(第1期);第55-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103761522A (zh) | 2014-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103761522B (zh) | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 | |
CN109711295B (zh) | 一种光学遥感图像近岸舰船检测方法 | |
CN106780485B (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
CN105654091B (zh) | 海面目标检测方法及装置 | |
CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN108647585A (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN103049763A (zh) | 一种基于上下文约束的目标识别方法 | |
CN101800890A (zh) | 一种高速公路监控场景下多车辆视频跟踪方法 | |
CN104408458B (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN103208115B (zh) | 基于测地线距离的图像显著性区域检测方法 | |
CN105528619A (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
CN107730515A (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN116665176B (zh) | 一种面向车辆自动驾驶的多任务网络道路目标检测方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN104123734A (zh) | 基于可见光和红外检测结果融合的运动目标检测方法 | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN105488787A (zh) | 基于几何活动轮廓模型的遥感图像海岸线检测方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN110097047A (zh) | 一种基于深度学习采用单线激光雷达的车辆检测方法 |
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 |