CN104217196B - 一种遥感影像圆形油罐自动检测方法 - Google Patents
一种遥感影像圆形油罐自动检测方法 Download PDFInfo
- Publication number
- CN104217196B CN104217196B CN201410424506.5A CN201410424506A CN104217196B CN 104217196 B CN104217196 B CN 104217196B CN 201410424506 A CN201410424506 A CN 201410424506A CN 104217196 B CN104217196 B CN 104217196B
- Authority
- CN
- China
- Prior art keywords
- oil tank
- remote sensing
- sensing image
- section
- segmentation
- 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
Abstract
本发明公开了一种遥感影像圆形油罐自动检测方法,首先,对遥感影像进行MHC视觉显著变换得到视觉显著图,再经过数学形态学增强,得到增强视觉显著图,利用hough变换在增强视觉显著图上圆检测,得到疑似油罐区域;然后,对遥感影像进行turbopixels过分割,根据特征合并分割块,根据似圆特征,得到疑似油罐区域;最后,结合由hough检测结果和似圆特征检测结果,利用油罐圆心与半径关系和多特征进行SVM分类,过滤掉同心圆和非油罐区,最终得到油罐区。通过大量的实验证明该方法能够在大区域高分辨率光学影像上取得较高的查准率和查全率,不仅对亮色油罐有显著检测效果,而且对较暗的油罐有一定的检测结果。
Description
技术领域
本发明属于高分光学遥感影像目标识别技术领域,具体涉及一种基于过分割加多特征检测和显著图上Hough圆检测相结合的遥感影像圆形油罐自动检测方法。
背景技术
油库一直以来对军事和民用应用具有重要意义。在民用方面,在机场遥感影像的毁伤信息提取和分析中,油罐识别与检测的准确度直接影响到毁伤信息提取和分析的效果;在军事上,油库作为原油和成品油等物资的储备设施,在战略上有着重要地位,对敌方油库目标的有效打击,往往可以破坏敌人的战略部署,大大降低敌军机动性,甚至让敌军陷于瘫痪。因此,利用遥感影像进行地面油库目标的精确定性和定位在军事上有着重要的战略意义。
然而,在复杂的遥感影像上,油罐的检测面临巨大的难点。
首先,油罐大多呈行列排列,然而也有杂乱排列,统一的空间关系难以应用到检测上;其次,油罐有不同颜色,很容易受到复杂背景地物的干扰,甚至有些油库的灰度与背景接近,边缘易模糊或者表面灰度不均匀;由于光照、成像质量及油罐材料、结构、位置等影响,导致油罐在影像中存在着一定的几何变形,使得它在影像中无法达到理想的圆形,几何特征无法充分提取。这一系列的复杂情况对油罐的检测与识别带来了很大的难度。
现有舰船目标检测主要有如下算法:模板匹配、Hough变换、基于分割算法、区域聚类以及两者结合的算法。采用模板匹配的方法计算量大而且模板选择易受尺度,旋转变化等因素影响;采用整体匹配,识别率低且模板难以统一和确定。由于油罐大多呈圆形,就有很多基于改进Hough变换的油罐检测与识别,如:利用Canny边缘提取算法提取边缘后用改进椭圆Hough检测算法检测油罐的;改进了基于梯度信息的圆形检测Hough变换方法检测;改进的梯度模糊Hough变换进行油罐目标检测等等。这种算法总是受到边缘检测结果的影响,特别是遇见复杂的背景时,边缘检测结果比较复杂,并且大多的Hough变换方法计算量较大,而且由于图像存在几何变形,使得油罐无法达到真正的圆形,误检率较高。根据这种情况有人也把模板匹配与Hough变换相结合起来:利用改进Canny边缘提取算法,再用改进椭圆Hough检测算法,最后采用金字塔算法得到低分辨率影像进行模板匹配。这种方法受到边缘检测的约束,在低分辨率影像上进行模板匹配,虽然降低了计算时间,但对于尺度的选择,模板匹配方法依然不适应普适性。根据油罐似圆特征加上空间关系特征进行检测:首先利用多阂值Otsu方法分割出目标,然后利用油罐的类圆形特征和分布式目标的空间分布规律对油库进行检测;目前的分割算法,不太具有普适性,对于复杂的背景,分割效果比较差;此外,也有利用油罐目标相对集中而虚假目标相对较离散的分布特点,基于区域生长原理的聚类方法,即是利用边缘检测后得到轮廓提取,再进行椭圆拟合,再根据油库内油罐相对集中分布的先验知识,通过聚类方法,将椭圆聚类,提取出油罐,区域生长的方法实质是一种图像分割算法,得到的检测结果,也具有分割算法后的检测结果的缺点,并且分辨率的大小会影响到前面椭圆提取,检测油罐具体位置不能给出,而只能检测出油库的位置,具体检测油罐的具体位置,漏检率是非常高,对于邻域半径的选择,也是经验值,不能自动调节半径;也有利用分类器来实现快速检测,然后对检测到的疑似区域经过分割,再根据具体的形状的先验知识,进一步的确认,对于大幅图像来说,耗时过多,效率过低。近来,也有用视觉显著图来检测油罐,但也只是针对亮白油罐效果较好,对于深色油罐效果不大,几乎检测不出来。
可以看出各种算法依然要受诸多条件的限制,比如图像背景的干扰、目标尺寸大小、光照变化等的影响,对于高分遥感影像,油罐目标属于小目标,有些呈规则,有些又杂乱地分布着,检测过程中出现漏警、虚警的概率较高。同时,在一般情况下,可见光图像会受到云层影响,油罐的背景不尽相同,建立背景模型比较困难,油罐颜色各异,各地区图像中目标与背景差异不一致,与背景对比也不相同,特别是对于黑极性油罐来讲,与背景相似,不易分别。
发明内容
针对上述问题,本发明提出了一种结合过分割多特征检测和显著图Hough圆检测的油罐检测方法。
本发明所采用的技术方案是:一种遥感影像圆形油罐自动检测方法,其特征在于,包括以下步骤:
步骤1:采集油罐遥感影像数据;
步骤2:利用MHC视觉显著模型得到油罐遥感影像数据的显著图;
步骤3:经过数学形态学处理,得到油罐遥感影像数据进一步的增强显著图;
步骤4:利用Hough变换圆检测,对增强显著图的每个检测区域增加缓冲区,得到油罐的疑似候选区域,包括一部分油罐切片与非油罐切片;
步骤5:对步骤1中采集的油罐遥感影像数据进行基于分割的油罐检测,得到油罐的疑似候选区域,包括油罐切片与非油罐切片;
步骤6:基于现有的遥感油库训练样本影像,提取样本影像切片的统计特征、纹理特征、颜色特征和步骤4、步骤5中所述的油罐切片与非油罐切片的统计特征、纹理特征、颜色特征;利用提取的统计特征、纹理特征、颜色特征对样本影像切片进行训练,得到训练模型;
步骤7:根据步骤6得到的训练模型,用SVM分类器判断由步骤4和步骤5得到的油罐的疑似候选区域内的切片是否为油罐切片;利用训练好的SVM进行油罐的疑似候选区域的切片分类,得到部分油罐准确区域;
步骤8:根据步骤7所得的油罐准确位置,根据圆心距离空间关系,剔除掉同心圆,得到所有油罐的准确位置。
作为优选,步骤3中所述的经过数学形态学处理,得到油罐遥感影像数据进一步的增强显著图,其具体实现过程是使用油罐遥感影像数据的显著图加上顶帽变换后的图像,然后减去底帽变换后的图像,然后再用侵蚀变换,得到油罐遥感影像数据进一步的增强显著图。
作为优选,步骤5的具体实现包括以下子步骤:
步骤5.1:对油罐遥感影像数据进行turbopixels过分割,得到过分割的遥感影像;
步骤5.2:基于过分割的遥感影像,找出分割轮廓,对每一分割块提取颜色统计和纹理特征,进行合并,得到最终分割图;
步骤5.3:基于最终分割图,对每一个分割块,根据检测圆的压实率、长宽比和圆度过滤掉非圆分割块,再根据油罐的阵列特征,得到油罐的疑似候选区域,包括一部分油罐切片与非油罐切片。
作为优选,步骤6中所述的提取样本影像切片的统计特征、纹理特征、颜色特征和步骤4、步骤5中所述的油罐切片与非油罐切片的统计特征、纹理特征、颜色特征,其具体实现过程为:统计特征的提取是对一个切片提取出R、G、B三个通道,提取每个通道的均值和方差,并且把切片转化为灰度图像,提取出灰度图像的均值和方差;纹理特征的提取选择的是能有效表达纹理特征的5个尺度和6个方向的Gabor滤波器,由30个过滤器的均值和方差组成的一个60维的特征矢量;颜色特征的提取选择的是颜色直方图,在RGB、HLS以及CIE Lab颜色通道中,每个维度是量化成八个容器,共512维的直方图特征。
本发明相对于现有技术,不仅能对亮色油罐具有较好的检测结果,而且能检测出相对较暗的油罐。
附图说明
图1:为本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明基于复杂遥感影像视觉显著图影像分割和油罐检测方法是利用油罐的似圆特征,得到油罐影像的子影像,再使用颜色、纹理多特征对子影像用SVM分类器(支持向量机分类器)进行训练,得到一个预测模型,该模型中的支持向量代表了油罐的典型特征,再根据油罐圆的空间特征,过滤掉同心圆,得到最终的检测结果。借鉴韩宪伟等人MHC视觉模型,得到带有亮色油罐疑似区域的显著图,可以利用油罐似圆特征在显著图上使用hough变换进行圆检测。
请见图1,本发明所采用的技术方案是:一种遥感影像圆形油罐自动检测方法,包括以下步骤:
步骤1:采集油罐遥感影像数据;
具体实施时,采用训练数据覆盖应尽可能的多,以应对后面的检测步骤。实施例采集不同时相、不同传感器、不同尺度的复杂油罐遥感影像数据。
步骤2:利用MHC视觉显著模型得到油罐遥感影像数据的显著图;
首先,将遥感影像的RGB通道转化为HSV通道,最后将HSV通道的遥感影像量化为H:S:V=16:4:4,然后再把量化后的HSV影像转为RGB影像,用转换后的RGB影像创建影像高斯金字塔,即是
I={I0,I1,I2...In-1} (1)
其中,n是影像金字塔的层数。
根据颜色对比度直方图,利用HC显著度模型得到每一个高斯层的显著区域,得到相应的显著图,即是:H1,H2,…,Hn-1。
Hk=SMhc(Ik)(k=0,1,2...n-1) (2)
其中,的具体算法,参见M.M.Cheng等人的,“Globalcontrast based salient region detection,”文中的HC算法。多尺度HC显著图如下定义:
Sm=H0*H1*...*Hn-1 (3)
其中(*)表示H1,H2,…,Hn-1其中的两个像素矩阵的元素的卷积,其中H1,H2,…,Hn-1调整与H0大小一样,Sm是多尺度HC显著图。
步骤3:经过数学形态学处理,得到油罐遥感影像数据进一步的增强显著图;
成像方式使部分油油罐在影像上呈现相连和变形。数学形态学不仅简化了图型形状,而且还增强了油箱,并进一步抑制了背景。在多尺度视觉显著图上使用顶帽和底帽算法相结合的增强技术。顶帽变换是从原始图像,开运算,可以提取看作是对象区域更高的灰色地带不同。底帽变换不同于原始图像,闭运算,可以提取看作是背景区域下的灰色区域。本实施例使用原始视觉显著图加上顶帽变换后的图像,然后减去底帽变换后的图像,然后再用侵蚀变换,得到最终的图像。
Ip=Sm+Itop(Sm,b)-Ibot(Sm,b) (4)
I=Erode(Ip,b) (5)
其中,Sm,Itop,Ibot和b分别为多尺度视觉显著图,顶帽变换,底帽变换和结构元素,I是最终的图像。
步骤4:利用Hough变换圆检测,对增强显著图的每个检测区域增加缓冲区,得到油罐的疑似候选区域,包括一部分油罐切片与非油罐切片;
在实施中,利用随机Hough变换检测圆,得到每个圆区域,在每个圆区域上,得到最小外接矩形,增加外接矩形10个像素的边长缓冲区。得到油罐的疑似候选区域。
步骤5:对步骤1中采集的油罐遥感影像数据进行基于分割的油罐检测,得到油罐的疑似候选区域,包括油罐切片与非油罐切片;其具体实现包括以下子步骤:
步骤5.1:对油罐遥感影像数据进行turbopixels过分割,得到过分割的遥感影像;
利用一种以几何流为基础,用于计算图像的密集过分割的算法。借鉴Levinshtein,A.等人的“Turbopixels:Fast superpixels using geometric flows”文中的turbopixels算法,应用于遥感影像上,得到过分割的遥感影像。
步骤5.2:基于过分割的遥感影像,找出分割轮廓,对每一分割块提取颜色统计和纹理特征,进行合并,得到最终分割图;
根据过分割的轮廓,提取每一分割块的提取颜色统计、纹理特征;
其中每张影像块的特征提取如下:
统计特征:一个6维的特征向量由计算每个分割块图像的R、G、B三个通道的均值和标准偏差组成,并将其归一化到[0,1]:
fss=(μr,σr,μg,σg,μb,σb,) (6)
纹理特征:选择的是能很好表达纹理的灰度共生矩阵,得到0°、45°、90°、135°的灰度共生矩阵,提取这四个灰度共生矩阵的能量、对比度、熵和自相关特征,共16维纹理特征,再将其归一化到[0,1]。
根据相邻两个分割块的特征之差,进行合并。在实施中,特征之差的选择,根据大量实验得出,特征之差等于0.1左右时效果最好。
步骤5.3:基于最终分割图,对每一个分割块,根据检测圆的压实率、长宽比和圆度过滤掉非圆分割块,再根据油罐的阵列特征,得到油罐的疑似候选区域,包括一部分油罐切片与非油罐切片。
根据分割图,对每个分割块进行如下似圆特征的过滤,得到似圆候选区。
压实率:R1=A0/AMER, (7)
A0和AMER表示相连组成部分区域的面积,和它的MER面积。对于长方形,它能达到最大值是1,而对于理想的圆大约是0.79(π/4),对于其他的更细或者曲线,其值更小。在实施中的取值为[0.6,1.2]
长宽比:R2=W/L,(8)
W和L分别是MER的宽和长,对于正方形和圆,R2=1.在实施中的取值为[0.8,1.2]
圆度:R1=P^2/A0 (9)
P是物体的周长,A0是它的面积。R1对于理想的圆最小取值是4π,对于其他复杂的形状,其值更大。在实施中的取值为[4π,15]。
由于油罐大多是成堆出现的,所以保留两个及两个以上的相邻圆区域,对于单个似圆区域,则过滤掉。根据两个相邻圆的距离关系,过滤掉单个圆。
该距离dij;两个相邻油罐i和j在一个区域之间通常满足以下条件。
di,j∈[ri+rj,σ(ri+rj)](σ∈[1.2,3]) (10)
其中,j为2圈的中心,ri和rj之间的欧几里得距离是其半径,δ是常数因子。
最后得到油罐的疑似候选区域。
步骤6:基于现有的遥感油库训练样本影像,提取样本影像切片的统计特征、纹理特征、颜色特征和步骤4、步骤5中所述的油罐切片与非油罐切片的统计特征、纹理特征、颜色特征;利用提取的统计特征、纹理特征、颜色特征对样本影像切片进行训练,得到训练模型;
在实施例中,由步骤1采集到的遥感影像数据中,选取一部分遥感影像,实施步骤2、3、4,得到样本影像切片,选取油罐正样本和非油罐的负样本;提取这些样本的多特征(统计特征、纹理特征、颜色特征)。
其中每张影像切片的多特征提取如下:
统计特征:一个2维的特征向量由计算每个切片图像的灰度均值和标准偏差组成:
fss=(μ,σ) (11)
纹理特征:纹理特征提取的是5个尺度和6个方位所描述的Gabor滤波器。一个60维的特征向量是由30个过滤器均值和30个过滤器标准偏差组成的。
ftexture=[μ11,σ11,μ12,σ12,...,μ1S,σ1S,...,uRS,σRS] (12)
其中,uRS和σRS分别是在方向R和尺度S的Gabor滤波器的均值和标准差。为了说明在不同范围的滤波器的输出的标准偏差,纹理特征被归一化到[0,1]。
颜色特征:颜色特征提取的是在3颜色空间的直方图:RGB;色相、亮度、饱和度(HLS)和CIE LAB。以512的总直方图特征长度,每个维度都被量化成八个箱子。直方图被归一化总和为[0,1]。结果为3种不同的颜色直方图特征:fRGB、fHLS和fLab。
最终得到的多特征为:统计特征、纹理特征和颜色特征。
根据样本影像切片的多特征,以及属于正样本影像切片还是负样本影像切片,即可进行训练。具体训练实现可采用现有技术中的SVM训练器,对所有样本影像切片进行训练后即可获得训练模型。
步骤7:根据步骤6得到的训练模型,用SVM分类器判断由步骤4和步骤5得到的油罐的疑似候选区域内的切片是否为油罐切片;利用训练好的SVM进行油罐的疑似候选区域的切片分类,得到部分油罐准确区域;
训练模型和预测结果都是通过现有的SVM方法实现的,例如SVM核函数用现有RBF核函数(径向基函数),本发明不予赘述。
步骤8:根据步骤7所得的油罐准确位置,根据圆心距离空间关系,剔除掉同心圆,得到所有油罐的准确位置。
根据公式(8)的圆心关系,过滤掉同心圆。
其中r1和r2是任意圆的半径,d表示的两个圆的中心的欧几里德距离。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种遥感影像圆形油罐自动检测方法,其特征在于,包括以下步骤:
步骤1:采集油罐遥感影像数据;
步骤2:利用MHC视觉显著模型得到油罐遥感影像数据的显著图;
步骤3:经过数学形态学处理,得到油罐遥感影像数据进一步的增强显著图;
步骤4:利用Hough变换圆检测,对增强显著图的每个检测区域增加缓冲区,得到油罐的疑似候选区域,包括一部分油罐切片与非油罐切片;
步骤5:对步骤1中采集的油罐遥感影像数据进行基于分割的油罐检测,得到油罐的疑似候选区域,包括油罐切片与非油罐切片;
具体实现包括以下子步骤:
步骤5.1:对油罐遥感影像数据进行turbopixels过分割,得到过分割的遥感影像;
步骤5.2:基于过分割的遥感影像,找出分割轮廓,对每一分割块提取颜色统计和纹理特征,进行合并,得到最终分割图;
步骤5.3: 基于最终分割图,对每一个分割块,根据检测圆的压实率、 长宽比和圆度过滤掉非圆分割块,再根据油罐的阵列特征,得到油罐的疑似候选区域,包括一部分油罐切片与非油罐切片;
步骤6:基于现有的遥感油库训练样本影像,提取样本影像切片的统计特征、纹理特征、颜色特征和步骤4、步骤5中所述的油罐切片与非油罐切片的统计特征、纹理特征、颜色特征;利用提取的统计特征、纹理特征、颜色特征对样本影像切片进行训练,得到训练模型;
步骤7:根据步骤6得到的训练模型,用SVM分类器判断由步骤4和步骤5得到的油罐的疑似候选区域内的切片是否为油罐切片;利用训练好的SVM进行油罐的疑似候选区域的切片分类,得到部分油罐准确区域;
步骤8:根据步骤7所得的油罐准确位置,根据圆心距离空间关系,剔除掉同心圆,得到所有油罐的准确位置。
2.根据权利要求1所述的遥感影像圆形油罐自动检测方法,其特征在于:步骤3中所述的经过数学形态学处理,得到油罐遥感影像数据进一步的增强显著图,其具体实现过程是使用油罐遥感影像数据的显著图加上顶帽变换后的图像,然后减去底帽变换后的图像,然后再用侵蚀变换,得到油罐遥感影像数据进一步的增强显著图。
3. 根据权利要求1所述的遥感影像圆形油罐自动检测方法,其特征在于:步骤6中所述的提取样本影像切片的统计特征、纹理特征、颜色特征和步骤4、步骤5中所述的油罐切片与非油罐切片的统计特征、纹理特征、颜色特征,其具体实现过程为:统计特征的提取是对一个切片提取出R、G、B三个通道,提取每个通道的均值和方差,并且把切片转化为灰度图像,提取出灰度图像的均值和方差;纹理特征的提取选择的是能有效表达纹理特征的5个尺度和6个方向的Gabor滤波器,由30个过滤器的均值和方差组成的一个60维的特征矢量;颜色特征的提取选择的是颜色直方图,在RGB、HLS以及CIE Lab颜色通道中,每个维度是量化成八个容器,共512维的直方图特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410424506.5A CN104217196B (zh) | 2014-08-26 | 2014-08-26 | 一种遥感影像圆形油罐自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410424506.5A CN104217196B (zh) | 2014-08-26 | 2014-08-26 | 一种遥感影像圆形油罐自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217196A CN104217196A (zh) | 2014-12-17 |
CN104217196B true CN104217196B (zh) | 2017-07-11 |
Family
ID=52098663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410424506.5A Active CN104217196B (zh) | 2014-08-26 | 2014-08-26 | 一种遥感影像圆形油罐自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217196B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326808B (zh) * | 2015-06-23 | 2020-04-03 | 上海深邃智能科技有限公司 | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 |
CN106886780A (zh) * | 2015-12-10 | 2017-06-23 | 北京航天长峰科技工业集团有限公司 | 一种低空遥感影像中特种车辆提取方法 |
CN106295498B (zh) * | 2016-07-20 | 2019-04-16 | 湖南大学 | 光学遥感图像目标区域检测装置与方法 |
CN106504262A (zh) * | 2016-10-21 | 2017-03-15 | 泉州装备制造研究所 | 一种多特征融合的小瓷砖智能定位方法 |
CN107688782A (zh) * | 2017-08-23 | 2018-02-13 | 中国科学院软件研究所 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
CN107967454B (zh) * | 2017-11-24 | 2021-10-15 | 武汉理工大学 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
CN108363958B (zh) * | 2018-01-19 | 2021-10-01 | 中国公路工程咨询集团有限公司 | 一种基于高分辨率光学遥感影像的油罐检测方法 |
CN108805186B (zh) * | 2018-05-29 | 2020-11-17 | 北京师范大学 | 一种基于多维显著特征聚类的sar图像圆形油库检测方法 |
CN109190457B (zh) * | 2018-07-19 | 2021-12-03 | 北京市遥感信息研究所 | 一种基于大幅面遥感图像的油库集群目标快速检测方法 |
CN112749673A (zh) * | 2021-01-20 | 2021-05-04 | 西安中科星图空间数据技术有限公司 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
CN113808134B (zh) * | 2021-11-19 | 2022-05-20 | 中科星睿科技(北京)有限公司 | 油罐布局信息生成方法、装置、电子设备、介质 |
CN115082779B (zh) * | 2022-05-05 | 2022-11-15 | 生态环境部卫星环境应用中心 | 基于遥感影像的煤电企业检测方法和装置 |
CN117452838A (zh) * | 2023-12-25 | 2024-01-26 | 嘉里粮油(天津)有限公司 | 一种应急回收油控制方法、装置、电子设备及存储介质 |
CN117788472A (zh) * | 2024-02-27 | 2024-03-29 | 南京航空航天大学 | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5619560A (en) * | 1995-06-05 | 1997-04-08 | Scully Signal Company | Residential fuel oil tank level reporting device |
CN103456006A (zh) * | 2013-08-06 | 2013-12-18 | 北京航空航天大学 | 一种sar图像的油库目标定位方法 |
CN103729852A (zh) * | 2014-01-09 | 2014-04-16 | 北京航空航天大学 | 一种基于二次亮线的油库sar图像和光学图像的配准方法 |
-
2014
- 2014-08-26 CN CN201410424506.5A patent/CN104217196B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5619560A (en) * | 1995-06-05 | 1997-04-08 | Scully Signal Company | Residential fuel oil tank level reporting device |
CN103456006A (zh) * | 2013-08-06 | 2013-12-18 | 北京航空航天大学 | 一种sar图像的油库目标定位方法 |
CN103729852A (zh) * | 2014-01-09 | 2014-04-16 | 北京航空航天大学 | 一种基于二次亮线的油库sar图像和光学图像的配准方法 |
Non-Patent Citations (2)
Title |
---|
"Automatic circular oil tank detection in high-resolution optical image based on visual saliency and hough transform";Xiaoyu Cai 等;《IEEE Workshop on Electronics, Computer and Applications》;20140630;论文第408页右栏-第410页、附图1 * |
"高分辨率遥感图像中油库的检测识别";王岳环 等;《华中科技大学学报(自然科学版)》;20111130;第39卷;论文第111页、第112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104217196A (zh) | 2014-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN108875659B (zh) | 一种基于多光谱遥感影像的海图养殖区识别方法 | |
Chaudhuri et al. | Automatic building detection from high-resolution satellite images based on morphology and internal gray variance | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
CN103886285B (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN102663348B (zh) | 一种光学遥感图像中的海上舰船检测方法 | |
CN103218831B (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN109740478A (zh) | 车辆检测及识别方法、装置、计算机设备及可读存储介质 | |
Ursani et al. | Fusion of textural and spectral information for tree crop and other agricultural cover mapping with very-high resolution satellite images | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
Pinto et al. | Detecting stranded macro-litter categories on drone orthophoto by a multi-class Neural Network | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN108021890A (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
Ouyang et al. | The research of the strawberry disease identification based on image processing and pattern recognition | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
Lei et al. | Sea-land segmentation for infrared remote sensing images based on superpixels and multi-scale features | |
Tamim et al. | A simple and efficient approach for coarse segmentation of Moroccan coastal upwelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |