CN103824280B - 一种台风中心提取方法 - Google Patents
一种台风中心提取方法 Download PDFInfo
- Publication number
- CN103824280B CN103824280B CN201310752099.6A CN201310752099A CN103824280B CN 103824280 B CN103824280 B CN 103824280B CN 201310752099 A CN201310752099 A CN 201310752099A CN 103824280 B CN103824280 B CN 103824280B
- Authority
- CN
- China
- Prior art keywords
- pixel
- typhoon
- center
- region
- wind direction
- 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.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 title abstract description 4
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 14
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明提供了一种台风中心提取方法，旨在公开一种从微波散射计数据中确定台风中心的方法。其包括以下步骤：S100、通过阈值确定台风高风速云系区域；S200、对台风高风速云系区域中的像元划分为若干个二级矩阵，对各矩阵中的像元按风向分类并按类别进行向量赋值，将一个矩阵中的像元向量叠加，选择最终叠加向量模最小的二级矩阵为台风近中心漩涡区域；S300、对台风近中心漩涡区域中的像元按风向分类并统计种数，选择种数最小的3×3区域为台风中心。本方案间接明了，精度高，对误差敏感性小，适用于各气象分析中心。
Description
技术领域
本发明涉及一种气象卫星数据处理领域，尤其是涉及一种从微波散射计的数据中进行台风中心提取的方法。
背景技术
现有台风中心确定技术主要针对气象卫星数据，对于微波散射计数据的台风中心确定技术较为缺乏。主要技术有：
1、Dvorak技术；
2、模板匹配技术；
3、持久性与气候特征判别；
4、风场分析技术；
5、台风旋转定位法；
6、数学形态法。
上述方法都是通过卫星云图进行台风中心确定。
中华人民共和国国家知识产权局于2006年09月06日公开了公开号为CN1828668A的专利文献，名称是基于嵌入式隐马尔可夫模型与交叉熵的台风中心定位方法，包括以下步骤：(1)由云图的时间序列生成差分云图序列，并对差分云图进行小波变换，将小波域作为底层数据源和信息提取源；(2)根据台风差分云图的空间相关性，使用嵌入式隐马尔可夫模型实现了对图像的自适应状态块分割。分割成的状态块随着台风的变化而变化，具有一定的自适应性。(3)根据序列差分云图的时间相关性，使用交叉熵对状态块进行动态跟踪和运动能量的度量；(4)构造能量函数，在小波变换的低分辨率层通过寻找能量最小值初步确定台风中心。
现有的这些台风中心具有以下缺陷：（1）气象卫星台风云系分割算法较为复杂，并且分割效果也有待改进；
（2）卫星云图没有直接的风场信息，在中心拟合时常常精度不高，并且云导风矢量本身的矢量精度不高。
多数台风中心定位技术都只适用于气象卫星数据，无法移植到微波散射计数据中。
微波散射计的台风中心确定技术还处于起步阶段，其方法较为单一，一般以风向涡旋指向为基础，而风场数据在中心处类圆性稍差就会导致指向偏差，中心确定精度大大下降。2009年，Anand利用台风区域风矢量单元风向的涡旋特性，通过螺旋拟合，自动判断台风中心。但是微波散射计风矢量涡旋类圆稍有不佳，风向螺旋拟合方法适用性就会大大降低。
发明内容
本发明主要是解决现有技术所存在的算法复杂、精度不够高、对原始数据要求较为苛刻的技术问题，提供一种算法简便、精度高、对原始数据要求不大的针对微波散射计数据的台风中心确定方法。
本发明针对上述技术问题主要是通过下述技术方案得以解决的：一种台风中心提取方法，包括以下步骤：
S100、确定台风高风速云系区域；
S200、确定台风近中心漩涡区域；
S300、确定台风中心。
本方法采用逐步缩小区域的方式来确定台风中心。所处理的对象是来自于卫星上的微波散射计的数据。原始的数据由一个一个的像元构成。这里的像元不是指图像上的像素点，而是组成原始数据集合的基本单位，由于微波散射计所检测的对象是海洋上空，得到的数据根据经纬度排布以后形成的结构与图像类似。每个像元包括经度、纬度、风向、风速四个数据。
作为优选，所述确定台风高风速云系区域包括以下步骤：
S101、从初始像元集合中选择风速大于第一阈值像元的作为起始像元；
S102、以起始像元为中心向四周扩散直至找到风速最接近第二阈值的边缘像元，将所有边缘像元连接，连线内的区域即为台风高风速云系区域。
由于台风内核区的云墙强烈的上升运动造成积云对流，出现强烈的狂风暴雨；台风外包区紧挨着内核区，虽然风速略低但仍较为强劲，并且造成大片的螺旋雨带。故台风中心周围总是伴随着强烈的大风，这也是台风所带来的灾害性天气之一，达到台风以及飓风级别的气旋近中心风力可达12级以上（32.7m/s）。这里我们将风速大于17m/s的边界以内区域统称为台风高风速云系区域。第一阈值可以设为25m/s左右，第二阈值设为17m/s左右。
作为优选，所述确定台风近中心漩涡区域包括以下步骤：
S201、将台风高风速云系区域以17像元×17像元为单位进行划分获得若干个二级矩阵，设定风向为（22.5°，67.5°]的像元为第一类像元，风向为（67.5°，112.5°]的像元为第二类像元，风向为（112.5°，157.5°]的像元为第三类像元，风向为（157.5°，202.5°]的像元为第四类像元，风向为（202.5°，247.5°]的像元为第五类像元，风向为（247.5°，292.5°]的像元为第六类像元，风向为（292.5°，337.5°]的像元为第七类像元，风向大于337.5°或小于等于22.5°的像元为第八类像元；
S202、遍历台风高风速云系区域的像元集合中对像元进行分类，对第一类象元向量赋值为（1，1）；对第二类象元向量赋值为（1，0）；对第三类象元向量赋值为（1，-1）；对第四类象元向量赋值为（0，-1）；对第五类象元向量赋值为（-1，-1）；对第六类象元向量赋值为（-1，0）；对第七类象元向量赋值为（-1，1）；对第八类象元向量赋值为（0，1）；
S203、对每个二级矩阵进行以下处理：将一个二级矩阵中所有像元的向量进行叠加，获得此二级矩阵的叠加向量模；
S204、选择叠加向量模最小的二级矩阵，即为台风近中心漩涡区域。
由于台风中心有涡旋特征，故近中心的风向总是近似于中心对称，即如果某一风向出现在台风近中心涡旋区域，就很有可能存在与之相反方向的风向。利用这一特性，进行台风近中心涡旋区域的确定。同侧的向量相加以后模会变大，异侧的向量相加以后模会变小，包含有台风中心的区域所获得的叠加向量模就是最小的。
作为优选，步骤S300的确定台风中心具体包括以下步骤：
S301、将台风近中心漩涡区域中的各个像元按照风向划分小类，风向为（0，90]的像元为第一小类，风向为（90°，180°]的像元为第二小类，风向为（180°，270°]的像元为第三小类，风向为（270°，360°]的像元为第四小类；
S302、将台风近中心漩涡区域按照3像元×3像元为单位进行划分，得到若干个三级矩阵；
S303、对每个三级矩阵进行如下处理：统计一个三级矩阵中含有的不同小类的种数；
S304、选择小类种数最多的三级矩阵为预中心，如果预中心只有一个，则这个预中心即为台风中心，流程结束；如果预中心为两个或两个以上，则进入步骤S305；
S305、对每个预中心进行如下处理：将预中心中每个像元的风速相加获得风速总和；
S306、选择风速总和最小的预中心作为台风中心，流程结束。
可以在台风近中心涡旋区域的风向特征中观察到，其风向通常围绕中心旋转，一个圆周内每一个象元点较为平均的改变本象元的风向，即为较为连续的变化。故将近中心涡旋区域风向进行连续区间的分类后，风向将以台风眼为中心呈辐射状归属到各个类别中，而类别的交错中心即可作为台风中心。台风中心（台风眼）的风速是小于周边风速的，所以当出现多个预中心时选择风速总和最小的区域为台风中心。
作为优选，如果步骤S203结束以后有两个二级矩阵的叠加向量值同为最小且这两个二级矩阵相邻，则将两个二级矩阵中心连线的中点像元作中心点，框选18×18像元的区域作为台风近中心漩涡区域，两个二级矩阵相邻包括有共同的边线或有两个角为对顶角两种情况；如果两个二级矩阵不相邻，则判断数据有误，中止流程。
作为优选，如果步骤S203结束以后有三或四个二级矩阵的叠加向量值同为最小，且这三个或四个矩阵两两相邻，则将两个具有对顶角的二级矩阵的中心连线的中点作为中心点，框选18×18像元的区域作为台风近中心漩涡区域，两个二级矩阵相邻包括有共同的边线或有两个角为对顶角两种情况；如果有任意两个二级矩阵不相邻，则判断数据有误，中止流程。
如果台风中心恰好出现在两个二级矩阵交界的地方或者四个排布成2×2阵列的二级矩阵中心，则可能会有两个或两个以上二级矩阵叠加向量值同为最小的情况。尽管这种情况在实际使用中出现的情况非常非常小，但是一旦出现可能会对后续的确定带来影响，此时通过重新框选则可以将真正的中心框在台风近中心漩涡区域内。如果两个或两个以上不相邻的二级区域同时具有最小的叠加向量值，则表示采集的数据有误，不需要进行后续步骤。
本发明带来的实质性效果是，提供了一种新的简洁的微波散射计台风中心自动提取算法，提高微波散射计台风中心自动提取技术的精度，降低其对数据误差的敏感性，具有较高的适应性，使通过微波散射计数据进行台风中心确认的流程更适合在业务中稳定运行。
附图说明
图1是本发明的一种流程图；
图2是本发明的一种提取台风高风速云系区域示意图；
图3是本发明的一种确定台风近中心漩涡区域示意图；
图4和图5是本发明的一种风向分类别向量赋值示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种台风中心确定方法，如图1所示，包括以下步骤：
S100、确定台风高风速云系区域；
S200、确定台风近中心漩涡区域；
S300、确定台风中心。
首先，高风速云系区域确定能够较快速提取台风高风速云系区域，以待之后的技术提取。以较高的台风风速取阈值，再将高风速边界角点作为高风速区域边界，就能提取台风高风速云系区域。边界点阈值为17m/s。
然后，在高风速云系区域提取近中心涡旋区域，应用风向矢量叠加最小模，判断是否为近中心涡旋。涡旋区风向指向有涡旋特征，指向不一，并且通常相互抵消，而非涡旋区风向相对统一，风向往往有很大部分为同一指向。我们框选17*17的矩阵范围（即4°*4°），将风向进行八连通指向分类。如图4，将360区域按照22.5、67.5、112.5、157.5、202.5、247.5、292.5、337.5为边界分成八个区域，观察该象元点风向所归属的区域，进行八连通的指向分类。风向指向分类完成后，我们对各个指向类别进行向量赋值，各类别赋值向量如图5。我们可以观察到，在图5所示的向量中，相反风指向的向量叠加后为0向量，异侧向量叠加后叠加向量的模将减小，只有同侧向量叠加后，叠加向量的模将增加。遍历整个区域后，向量叠加最小模区域为近中心涡旋区域。
如果有两个二级矩阵的叠加向量值同为最小且这两个二级矩阵相邻，则将两个二级矩阵中心连线的中点像元作中心点，框选18×18像元的区域作为台风近中心漩涡区域；如果两个二级矩阵不相邻，则判断数据有误，中止流程。
如果有三或四个二级矩阵的叠加向量值同为最小，且这三个或四个矩阵两两相邻，则将两个具有对顶角的二级矩阵的中心连线的中点作为中心点，框选18×18像元的区域作为台风近中心漩涡区域，两个二级矩阵相邻包括有共同的边线或有两个角为对顶角两种情况；如果有任意两个二级矩阵不相邻，则判断数据有误，中止流程。
最后，进行台风中心的确定。本技术采用风向分类交错中心法进行最终的台风中心确定。将近中心涡旋区域风向进行(0,90]、(90,180] (180,270] (270,360]的四个连续区间进行分类，台风中心为各类别交错处。以3*3窗口遍历分类结果，窗口类别数最多的即为台风中心。窗口类别数最多的为两个或两个以上，则将各最多类别的窗口中每个像元的风速相加获得风速总和，然后选择风速总和最小的预中心作为台风中心，流程结束。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了像元、向量等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (3)
1.一种台风中心提取方法，其特征在于，包括以下步骤：
S100、确定台风高风速云系区域；
S200、确定台风近中心漩涡区域；
S300、确定台风中心；
所述确定台风高风速云系区域包括以下步骤：
S101、从初始像元集合中选择风速大于第一阈值的像元作为起始像元；
S102、以起始像元为中心向四周扩散直至找到风速最接近第二阈值的边缘像元，将所有边缘像元连接，连线内的区域即为台风高风速云系区域；
第一阈值为25m/s，第二阈值设为17m/s；
所述确定台风近中心漩涡区域包括以下步骤：
S201、将台风高风速云系区域以17像元×17像元为单位进行划分获得若干个二级矩阵，设定风向为（22.5°，67.5°]的像元为第一类像元，风向为（67.5°，112.5°]的像元为第二类像元，风向为（112.5°，157.5°]的像元为第三类像元，风向为（157.5°，202.5°]的像元为第四类像元，风向为（202.5°，247.5°]的像元为第五类像元，风向为（247.5°，292.5°]的像元为第六类像元，风向为（292.5°，337.5°]的像元为第七类像元，风向大于337.5°或小于等于22.5°的像元为第八类像元；
S202、遍历台风高风速云系区域的像元集合对像元进行分类，对第一类像元的向量赋值为（1，1）；对第二类像元的向量赋值为（1，0）；对第三类像元的向量赋值为（1，-1）；对第四类像元的向量赋值为（0，-1）；对第五类像元的向量赋值为（-1，-1）；对第六类像元的向量赋值为（-1，0）；对第七类像元的向量赋值为（-1，1）；对第八类像元的向量赋值为（0，1）；
S203、对每个二级矩阵进行以下处理：将一个二级矩阵中所有像元的向量进行叠加，获得此二级矩阵的叠加向量模；
S204、选择叠加向量模最小的二级矩阵，即为台风近中心漩涡区域；
步骤S300的确定台风中心具体包括以下步骤：
S301、将台风近中心漩涡区域中的各个像元按照风向划分小类，风向为（0°，90°]的像元为第一小类，风向为（90°，180°]的像元为第二小类，风向为（180°，270°]的像元为第三小类，风向为（270°，360°]的像元为第四小类；
S302、将台风近中心漩涡区域按照3像元×3像元为单位进行划分，得到若干个三级矩阵；
S303、对每个三级矩阵进行如下处理：统计一个三级矩阵中含有的不同小类的种数；
S304、选择小类种数最多的三级矩阵为预中心，如果预中心只有一个，则这个预中心即为台风中心，流程结束；如果预中心为两个或两个以上，则进入步骤S305；
S305、对每个预中心进行如下处理：将预中心中每个像元的风速相加获得风速总和；
S306、选择风速总和最小的预中心作为台风中心，流程结束。
2.根据权利要求1所述的一种台风中心提取方法，其特征在于，如果步骤S203结束以后有两个二级矩阵的叠加向量模同为最小且这两个二级矩阵相邻，则将两个二级矩阵中心连线的中点像元作中心点，框选18×18像元的区域作为台风近中心漩涡区域，两个二级矩阵相邻包括有共同的边线或有两个角为对顶角两种情况；如果两个二级矩阵不相邻，则判断数据有误，中止流程。
3.根据权利要求1所述的一种台风中心提取方法，其特征在于，如果步骤S203结束以后有三或四个二级矩阵的叠加向量模同为最小，且这三个或四个矩阵两两相邻，则将两个具有对顶角的二级矩阵的中心连线的中点作为中心点，框选18×18像元的区域作为台风近中心漩涡区域，两个二级矩阵相邻包括有共同的边线或有两个角为对顶角两种情况；如果有任意两个二级矩阵不相邻，则判断数据有误，中止流程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310752099.6A CN103824280B (zh) | 2013-12-30 | 2013-12-30 | 一种台风中心提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310752099.6A CN103824280B (zh) | 2013-12-30 | 2013-12-30 | 一种台风中心提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103824280A CN103824280A (zh) | 2014-05-28 |
| CN103824280B true CN103824280B (zh) | 2017-02-22 |
Family
ID=50759322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310752099.6A Expired - Fee Related CN103824280B (zh) | 2013-12-30 | 2013-12-30 | 一种台风中心提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103824280B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046056B (zh) * | 2015-06-24 | 2018-01-16 | 北京航天宏图信息技术股份有限公司 | 云导风数据的检验方法和装置 |
| CN106443830B (zh) * | 2016-06-16 | 2019-08-16 | 杭州师范大学 | 一种基于多源卫星数据的台风监测及评价监测精度的方法 |
| CN107578441B (zh) * | 2017-08-24 | 2023-05-09 | 浙江师范大学 | 热带气旋中心定位的红外亮温偏差角梯度分布均匀性方法 |
| CN108269268B (zh) * | 2018-01-31 | 2020-04-21 | 杭州师范大学 | 基于微波散射计数据自动提取台风高风速云系区域方法 |
| CN110531444B (zh) * | 2019-08-29 | 2021-10-08 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 数值天气预报模式的误差来源确定方法及装置 |
| CN110516025B (zh) * | 2019-09-30 | 2022-02-22 | 中国科学院大气物理研究所 | 台风追踪系统及方法 |
| CN111650673B (zh) * | 2020-06-05 | 2022-01-11 | 成都信息工程大学 | 一种利用风场资料订正低涡中心位置的方法 |
| CN112396646B (zh) * | 2020-11-18 | 2021-10-01 | 国家海洋环境预报中心 | 台风中心点定位方法和装置 |
| CN112596127A (zh) * | 2020-11-25 | 2021-04-02 | 中国人民解放军国防科技大学 | 一种计算台风潜在生成指数的新方法 |
| CN115964602B (zh) * | 2023-01-04 | 2023-11-03 | 中国气象局成都高原气象研究所 | 涡旋涡心识别方法、装置、存储介质及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365958A (zh) * | 2013-05-31 | 2013-10-23 | 南京信大高科技发展有限公司 | 台风预报平台及台风路径检索方法 |
| CN103700075A (zh) * | 2013-12-25 | 2014-04-02 | 浙江师范大学 | 基于Tetrolet变换的多通道卫星云图融合方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007256183A (ja) * | 2006-03-24 | 2007-10-04 | Tokyo Electric Power Co Inc:The | 台風による災害発生予測システム |
-
2013
- 2013-12-30 CN CN201310752099.6A patent/CN103824280B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365958A (zh) * | 2013-05-31 | 2013-10-23 | 南京信大高科技发展有限公司 | 台风预报平台及台风路径检索方法 |
| CN103700075A (zh) * | 2013-12-25 | 2014-04-02 | 浙江师范大学 | 基于Tetrolet变换的多通道卫星云图融合方法 |
Non-Patent Citations (3)
| Title |
|---|
| 卫星云图有眼台风中心定位算法研究;刘正光等;《模式识别与人工智能》;20030930;第16卷(第3期);第334-337页 * |
| 基于卫星云图的无眼台风中心定位算法;刘正光等;《天津大学学报》;20031130;第31卷(第6期);第668-672页 * |
| 基于红外卫星云图的台风中心自动定位方法研究;李妍 等;《红外》;20100331;第31卷(第3期);第10-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103824280A (zh) | 2014-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103824280B (zh) | 一种台风中心提取方法 | |
| CN104536009B (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
| CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
| CN111444821A (zh) | 一种城市道路标志自动识别方法 | |
| CN112836713A (zh) | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 | |
| CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
| CN104463856B (zh) | 基于法向量球的室外场景三维点云数据的地面提取方法 | |
| CN112287788A (zh) | 基于改进YOLOv3和改进NMS的行人检测方法 | |
| CN110163187A (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
| CN103258213B (zh) | 一种用于智能交通系统中的动态车辆车型识别方法 | |
| CN110619282A (zh) | 一种无人机正射影像建筑物自动提取方法 | |
| CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
| CN110222769A (zh) | 一种基于YOLOV3-tiny的改进目标检测方法 | |
| CN104899892B (zh) | 一种快速的星图图像星点提取方法 | |
| CN102830404B (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
| CN116166960B (zh) | 用于神经网络训练的大数据特征清洗方法及系统 | |
| CN104504389A (zh) | 一种基于卷积神经网络的卫星云量计算方法 | |
| CN112784779A (zh) | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 | |
| Zheng et al. | A review of remote sensing image object detection algorithms based on deep learning | |
| CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
| CN102073867B (zh) | 一种遥感图像分类方法及装置 | |
| CN109117745A (zh) | 一种基于建筑信息模型的云端人脸识别与定位方法 | |
| CN114299011A (zh) | 一种基于深度学习的遥感目标四边形框快速检测方法 | |
| CN112668441B (zh) | 一种结合先验知识的卫星遥感影像飞机目标识别方法 | |
| CN108932471B (zh) | 一种车辆检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 Termination date: 20211230 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |