CN104715474B - 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 - Google Patents
基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 Download PDFInfo
- Publication number
- CN104715474B CN104715474B CN201510027479.2A CN201510027479A CN104715474B CN 104715474 B CN104715474 B CN 104715474B CN 201510027479 A CN201510027479 A CN 201510027479A CN 104715474 B CN104715474 B CN 104715474B
- Authority
- CN
- China
- Prior art keywords
- image
- watershed algorithm
- high resolution
- labeling
- linearity
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,利用canny边缘检测算法得到原始边缘增强图像;利用二维最小Tsallis交叉熵法和二阶巴特沃斯低通滤波,消除噪声的干扰;采用形态学运算方法,在保证不丧失有效区域信息的同时,将某些模糊区域或相连区域分开,保证建筑物的完整和一致性;结合连通区域的计算,排除非噪声点信息,精确定位标记分水岭算法的前景标记;对滤波后的图像使用分水岭算法,得到的图作为标记分水岭算法的背景标记,保证建筑物边界信息的完整性;利用H‑minima技术和形态学重构对原始边缘增强图像进行修改,使局部极小值仅出现在前景和背景标记的位置,消除了过分割的现象。
Description
技术领域
本发明涉及一种合成孔径雷达图像建筑物检测方法,具体涉及一种基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,可用于高分辨率合成孔径雷达图像线性建筑物的检测。
背景技术
建筑物的检测是指从图像中检测出建筑物,并将其从场景中分离开来。而从合成孔径雷达图像中检测建筑物等人造目标是合成孔径雷达图像解译的一项重要内容。近年来,有关合成孔径雷达图像建筑物检测的研究已经逐渐引起研究人员的关注。目前常用的方法多为基于多种图像信息的融合检测,如两幅或者两幅以上的合成孔径雷达图像,合成孔径雷达图像与光学图像以及干涉高度与相干数据的信息融合。随着合成孔径雷达技术的发展,特别是高分辨率合成孔径雷达图像的获得,单幅合成孔径雷达图像中可以获得的有效信息越来越多。以X波段高分辨率机载合成孔径雷达图像为例,二面角反射、叠掩效应和屋顶(特别是斜顶)及其子结构所造成的散射使得城区常见的长条形、多层建筑物的信息更为丰富,表现为具有一定宽度的直线型的高亮目标。这使得基于单幅合成孔径雷达图像的建筑物检测成为可能。基于单幅合成孔径雷达图像建筑物检测,往往是以建筑物高亮线条和黑色阴影作为检测的依据。而基于亮条和黑色阴影的建筑物的检测,往往是采用图像分割的方法对建筑物进行检测。
分水岭算法是一种基于拓扑理论的数学形态学的分割方法,也是一种常用的图像分割的方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,图像中的凹陷地点就是图像中的局部极小值。而汇水盆就是地形中凹陷地点影响的区域,也是图像中包围局部极小值的区域。通过注水,在水面上涨的过程中,这些凹陷的地点被浸没,每一个汇水盆被水面浸没,最终在其周围形成堤坝,这些堤坝用来阻挡其他汇水盆里的水混到自己的盆中。当地形中所有的汇水盆都被水坝包围后,停止注水,此时这些堤坝即是分水岭。对应于合成孔径雷达二值图像,局部极小值为建筑物连通区域的每个像素点。汇水盆为建筑物连通区域整体,通过距离变换,靠近建筑物中心的位置距离较小,远离建筑物中心的位置距离较大,经过分水岭转换后,相邻建筑物之间的界限即是分水岭。由于图像容易受到噪声和暗纹理细节的影响,在图像中会存在大量的伪局部极小值,它们在图像中产生相应的汇水盆。这些伪局部极小值和那些真正的局部极小值一起会被作为一个独立的区域,通过分水岭算法将其分割出来,在进行合成孔径雷达图像建筑物检测时会造成严重的过分割现象。
发明内容
本发明的目的在于针对以上所述技术的不足之处,提出一种基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测的方法,是将二维最小Tsallis交叉熵法、形态学运算以及分水岭算法相结合,用分水岭算法和形态学运算处理后的图像作为标记分水岭算法标记的来源,对高分辨率合成孔径雷达图像线性建筑物进行检测。
为了方便描述本发明的内容,首先定义:
定义一、标记分水岭算法
标记分水岭算法是为了解决分水岭算法中存在的过分割现象而被提出来的。该算法是在使用分水岭算法之前,利用给图像设置前景标记和背景标记的方法来减少局部极小值区域。该算法的主要思想是:首先对图像进行标记,标记提取出感兴趣的目标,一个标记就可以标记图像中一个有意义的区域。利用以上标记强制性的修改原始边缘增强图像的极小值区域,把原始边缘增强图像中无关的极小值屏蔽掉,最后用分水岭算法对修改后的边缘增强图像进行分割。
定义二、形态学操作
形态学操作是一个广泛的图像处理操作过程,它处理图像是基于形状的。形态学操作在输入图像中使用一个结构化的参数,建立一个同样大小的输出函数。在形态学操作中,输出图像中的每个像素的值是基于输入图像中相应像素及其邻域像素间的对比。通过选择邻域的大小和形状,可以构造一个在输入图像中对特殊形状敏感的形态学操作。形态学操作包括腐蚀操作、膨胀操作和细化操作等。腐蚀操作是一种消除边界点,使边界点向内收缩的过程,用来消除相连区域或相邻区域在图像中以像素连接造成的边缘干扰。膨胀操作是将与物体接触的所有背景点合并到该物体中,使边界向外扩张的过程。该操作可以对边界进行填充,对目标断裂处进行连接。细化操作一种图像处理运算,就是将占有多个栅格宽的图像要素缩减为只有单个栅格宽的图像要素的过程。它可以把二值图像区域缩成线条,以减少区域的中心线,也称为骨架。它的主要目的是减少图像的成分,直到只留下区域的基本信息,以便进一步分析和识别。
定义三、形态学重构
形态学重构,就是根据一幅图像(称之为掩膜图像)的特征对另一幅图像(称之为标记图像)进行重复膨胀操作,直到该图像的像素值不再变化为止。形态学重构可以分为形态学膨胀重构和形态学腐蚀重构。而形态学腐蚀重构运算是建立在测地腐蚀的基础上的。
本发明提供的高分辨率合成孔径雷达图像建筑物检测方法既可以保证标记的准确性,消除噪声、斑点等无效信息,还可以精确检测出线性建筑物。
本发明提供的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,包括以下步骤:
(1)利用canny边缘检测算法,对原始高分辨率合成孔径雷达图像I进行处理,得到边缘检测结果图▽I,作为标记分水岭算法的原始边缘增强图像;
(2)对原始高分辨率合成孔径雷达图像I进行二阶巴特沃斯低通滤波,得到滤波图像ID;
(3)对滤波图像ID进行分水岭算法处理,得到的边界图IB,作为标记分水岭算法的背景标记图像;
(4)利用二维最小Tsallis交叉熵法,对滤波图像ID处理,得到二值化图像IE;
(5)利用形态学运算方法,对二值化图像IE进行处理,得到处理后的图像IF,作为标记分水岭算法的前景标记图像;
(6)利用公式
对背景标记图像IB和前景标记图像IF进行计算,得到标记分水岭算法的标记图像fm。其中,max(.)表示求最大值,▽I为标记分水岭算法的原始边缘增强图像。
(7)利用H-minima技术和形态学腐蚀重构对原始边缘增强图像▽I进行强制修改,得到修改后的边缘增强图像▽I';
(8)采用分水岭算法对修改后的边缘增强图像▽I'进行检测,得到线性建筑物检测结果图像。
进一步地,步骤(3)中分水岭算法采用像素点的欧几里得距离作为分割标准。
进一步地,步骤(5)包括以下步骤:
(51)统计二值化图像IE中每个连通区域的像素面积。删除二值化图像IE内部连通区域的像素面积小于100的连通区域,得到结果f;
(52)对f进行形态学腐蚀操作,得到腐蚀图像f1;腐蚀操作的结构元素为线性算子,线性算子长度为l,角度为θ。
(53)对腐蚀图像f1进行形态学膨胀操作,获得膨胀图像f2;膨胀操作使用的结构元素与步骤(52)中腐蚀操作的结构元素相同。
(54)对膨胀图像f2进行形态学细化操作,得到图像IF,作为标记分水岭算法的前景标记图像。
进一步地,步骤(8)中分水岭变换采用的分割标准与步骤(3)中的分割标准一致。
本发明的创新点在于针对利用分水岭算法提取建筑物时存在的过分割现象,提出了一种基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,此方法将二维最小Tsallis交叉熵法、形态学运算以及分水岭算法相结合,用分水岭算法和形态学运算处理后的图像作为标记分水岭算法标记的来源,实现了对高分辨率合成孔径雷达图像线性建筑物的精确检测。
本发明的优点在于将二维最小Tsallis交叉熵法、形态学运算和分水岭算法相结合,用分水岭算法和形态学运算处理后的图像作为标记分水岭算法标记的来源,实现了对高分辨率合成孔径雷达图像线性建筑物精确检测的结果,与现有的方法相比,该方法即保持了分水岭算法对边缘定位准确,运行简单的优点,同时还能实现对高分辨率合成孔径雷达图像线性建筑物进行精确的检测。
附图说明
图1是本发明的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法的流程示意图;
图2是原始高分辨率合成孔径雷达图像;
图3是标记分水岭算法的原始边缘增强图像;
图4是标记分水岭算法的背景标记图像;
图5是二维直方图;
图6是标记分水岭算法的前景标记图像;
图7是标记分水岭算法修改后的边缘增强图像;
图8是线性建筑物检测结果图。
具体实施方式
如图1流程图所示,本发明提供的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法包括以下步骤:
本实施例中,原始高分辨率合成孔径雷达图像I如图2所示。该图是L波段的地距图像,位于美国圣地亚哥附近,图像的分辨率为1m(方位向)×1m(距离向),图像大小为267×866。图像中白色亮条带为建筑物,其中共有28个建筑物(1-28)。
1、对原始高分辨率合成孔径雷达图像I利用canny边缘检测算法,得到边缘检测结果图▽I,作为标记分水岭算法的原始边缘增强图像,如图3所示。
canny边缘检测算法求边缘点具体算法步骤为:
(1)利用公式g=I*h,对原始高分辨率合成孔径雷达图像I与高斯平滑滤波器进行卷积操作,得到高斯平滑滤波图像g。其中,高斯平滑滤波器(x,y)代表原始高分辨率合成孔径雷达图像I上任意一像素点位置;σ为标准方差,设为1.4;*表示卷积操作。
(2)利用如下公式计算高斯平滑滤波图像g的梯度幅值图像M(x,y)和梯度方向图像θ(x,y)。
和θ(x,y)=arctan[Q(x,y)/P(x,y)]
其中,P和Q为x方向和y方向上的一阶偏导矩阵,其表示为:
P(x,y)=(I(x,y+1)-I(x,y)+I(x+1,y+1)-I(x+1,y))/2
Q(x,y)=(I(x,y)-I(x+1,y)+I(x,y+1)-I(x+1,y+1))/2
(3)对梯度幅值进行“非极大值抑制”。
非极大值抑制操作为:对于图像中的每一点像素点,将该像素点的梯度幅值与沿着该像素点梯度方向上的两个像素点的梯度幅值进行比较。如果该像素点的梯度幅值小于该像素点梯度方向上的两个像素点的梯度幅值,表示该点不是局部最大值点,则将像素点灰度值设为0。
通过上述非极大值抑制操作,抑制了梯度图像M(x,y)在梯度方向图像θ(x,y)上所有非局部极大幅值,得到非极大抑制的梯度幅值图像N(x,y)。
(4)对非极大抑制的梯度幅值图像N(x,y)进行阈值化和边缘连接操作,得到边缘检测结果图▽I,作为标记分水岭算法的原始边缘增强图像。
利用阈值τ1=0.3和τ2=0.6,把梯度幅值图像N(x,y)中梯度值小于τ1的像素点灰度值设置为0,得到阈值边缘图像T1,把梯度幅值图像N(x,y)中梯度值小于τ2的像素点灰度值设置为0,可以得到阈值边缘图像T2。
以T2为基础,以T1为补充来链接图像的边缘,其步骤为:第一步:对图像T2进行扫描,当遇到一个非零灰度图像的像素p时,跟踪以p为开始点的轮廓线,直到轮廓线的终点q;考察图形T1中与图像T2中q点位置对应的点s的8邻域区域,如果在s点的8邻域区域中有非零像素s存在,则将其包括到图像T2中,作为r点。从r开始,重复第一步,直到在图像T1和图像T2中都无法继续位置。当完成包含p的轮廓线的连接之后,将这条轮廓线标记为已经访问。回到第一步,寻找下一条轮廓线。重复第一步、第二步、第三步,直到图像T2中找不到新轮廓线为止。将得到的边缘检测结果图▽I,作为作为标记分水岭算法的原始边缘增强图像。
2、对原始高分辨率合成孔径雷达图像I进行二阶巴特沃斯低通滤波,得到滤波后的图像ID。
3、利用分水岭算法对滤波后的图像ID进行处理,得到的边界图IB,作为标记分水岭算法的背景标记图像,如图4所示。
4、对滤波后的图像ID利用二维最小Tsallis交叉熵法,得到二值化图像IE。
二维最小Tsallis交叉熵法利用了图像中目标和背景之间灰度值上的差异,将图像视为不同灰度等级的目标与背景的组合,通过选取最优阈值向量,判断图像中某个具体的像素点是属于目标还是属于背景,从而得到二值化图像。具体步骤如下:
(1)对滤波后的图像ID,在每个像素点处计算3×3邻域的平均灰度值,得到平滑后的图像k。
(2)利用公式①,得到图像ID和图像k的二维直方图pij。
①
其中,M,N分别为图像ID的行数和列数。L为图像ID以及图像k的灰度级。rij为图像ID中灰度值为i且图像k中灰度值为j的像素对的个数。i为图像ID某一点的灰度值,j为图像k某一点的灰度值。如图5所示为二维直方图pij的示意图,区域A和C代表背景或目标类,区域B和D表示边界点或者噪声点。
(3)利用二维直方图pij,目标和背景的概率PA和PC可以用公式②和公式③计算得到。
②
③
向量(s,t)是可变的阈值向量。其中,i为图像ID某一点的灰度值,j为图像k某一点的灰度值。
进一步地,利用目标和背景的概率PA和PC,目标和背景的均值μA和μC可以用公式④和公式⑤求得。
④
⑤
向量(s,t)与公式②和公式③中的(s,t)相同,为可变的阈值向量。其中,L为图像ID以及图像k的灰度级。i为图像ID某一点的灰度值,j为图像k某一点的灰度值。
进一步地,利用目标和背景的概率PA和PC以及均值μA和μC,图像总的二维Tsallis交叉熵Ta可以通过公式⑥、公式⑦和公式⑧求得。
⑥
⑦
Ta=TA+TC+(1-α)TATC ⑧
向量(s,t)与公式②和公式③中的(s,t)相同,图像总的二维Tsallis交叉熵Ta随着阈值向量(s,t)的变化而变化。其中,α为调节常数,设为0.7。L为图像ID以及图像k的灰度级。i为图像ID某一点的灰度值,j为图像k某一点的灰度值。
进一步地,利用粒子群优化算法计算图像总的二维Tsallis交叉熵Ta的最小值,该最小值对应的阈值向量即为最优阈值向量(s*,t*)。其具体步骤如下:
(31)随机生成n个二维的粒子,粒子的位置在[0,255]之间随机产生,速度在[-vmax,vmax]之间随机产生,设置最大的迭代次数为tmax,最大惯性因子wmax和最小惯性因子wmin,令t=0。其中,wmax为最大惯性因子,设为0.95;wmin为最小惯性因子,设为0.4;tmax为最大的迭代次数,设为50;vmax为粒子最大速度,设为4。
(32)将公式⑧作为粒子的适应函数,计算每个粒子的适应度,更新每个粒子的个体极值Bps(s=1,2,...,n)和整个粒子群的全局极值Bm。
(33)根据公式计算新的惯性因子,按照公式⑨和公式⑩式更新每个粒子的位置和速度。
vs(t+1)=w*vg(t)+c1*r1(Bps-xs(t))+c2*r2(Bm-xs(t)) ⑨
xs(t+1)=xs(t)+vs(t+1) ⑩
其中,xs代表每个粒子s的位置。vs为每个粒子s的“飞行”速度。t表示迭代次数。w是惯性因子;c1,c2是学习因子,设为c1=c2=2;r1,r2是均匀分布在区间上的随机数。
(34)令t=t+1返回步骤(32),直至t=tmax。
(35)输出粒子群的最佳位置,即最优阈值向量(s*,t*)。
(4)利用最优阈值向量(s*,t*)和公式得到二值化图像IE。
5、利用形态学运算方法,对二值化图像IE进行处理,得到处理后的图像IF,作为标记分水岭算法的前景标记图像,如图6所示。其具体步骤如下:
(1)统计从步骤4得到的二值化图像IE中每个连通区域的像素面积,删除二值化图像IE内部连通区域面积小于100的连通区域,得到结果f;
(2)利用公式对f进行形态学腐蚀操作,得到腐蚀图像f1;
其中,A为线性算子,线性算子长度l设为10;角度θ设为45°。
(3)对利用公式对腐蚀图像f1进行膨胀操作,获得膨胀图像f2;
(4)利用公式对膨胀图像f2进行细化操作,得到图像IF,作为标记分水岭算法的前景标记图像。
6、利用公式对背景标记图像IB和前景标记图像IF进行操作,得到标记图像fm。
得到标记图像fm。其中,max(.)表示求最大值。
7、利用H-minima技术和形态学重构技术对原始边缘增强图像▽I进行强制修改,得到修改后的边缘增强图像▽I'。如图7所示。
利用H-minima技术和形态学腐蚀重构技术对输入的原始边缘增强图像▽I进行强制修改的过程分为两步:
(1)计算每一个像素点对应的原始边缘增强图像▽I的灰度值与该像素点处对应的标记图像fm的灰度值的最小值:▽I∧fm;
(2)以▽I∧fm为掩膜图像,从标记图像fm中腐蚀重构▽I∧fm,得到修改后的边缘增强图像▽I'。
fm相对于▽I∧fm的n次测地腐蚀是一个迭代过程,定义为
其中ε(1)表示形态学中常用的结构元素的腐蚀。∨表示逐点取较大值,∧表示逐点取最小值,迭代的初始条件为当测地腐蚀迭代持续到腐蚀的结果达到稳定时,就得到从标记图像fm重构▽I∧fm的结果▽I':
并且i满足
8、利用分水岭算法对修改后的边缘增强图像▽I'进行检测,得到线性建筑物检测后的图像,如图8所示。
图8表明,本发明提供的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,其中28个建筑物目标全部正确的检测出来,正确率较高,即能够精确检测出图像中的线性建筑物,为进一步的分析提供良好的基础。
Claims (7)
1.一种基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,其特征在于:所述方法包括:
(1)利用canny边缘检测算法,对原始高分辨率合成孔径雷达图像I进行处理,得到边缘检测结果图▽I,作为标记分水岭算法的原始边缘增强图像;
(2)对原始高分辨率合成孔径雷达图像I进行二阶巴特沃斯低通滤波,得到滤波图像ID;
(3)对滤波图像ID进行分水岭算法处理,得到的边界图IB,作为标记分水岭算法的背景标记图像;
(4)利用二位最小Tsallis交叉熵法,对滤波图像ID处理,得到二值化图像IE;
(5)利用形态学运算方法,对二值化图像IE进行处理,得到处理后的图像IF,作为标记分水岭算法的前景标记图像;
(6)利用公式
对背景标记图像IB和前景标记图像IF进行计算,得到标记分水岭算法的标记图像fm,其中,max(.)表示求最大值,▽I为标记分水岭算法的原始边缘增强图像;
(7)利用H-minima技术和形态学重构对原始边缘增强图像▽I进行强制修改,得到修改后的边缘增强图像▽I′;
(8)采用分水岭算法对修改后的边缘增强图像▽I′进行检测,得到线性建筑物检测结果图像。
2.根据权利要求1所述的基于标记分水岭算法的高分辨合成孔径雷达图像线性建筑物检测方法,其特征在于:步骤(3)中所述的分水岭算法是采用像素点的欧几里得距离作为分割标准。
3.根据权利要求1所述的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,其特征在于:步骤(5)具体包括:
(51)统计二值化图像IE中每个连通区域的像素面积,删除二值化图像IE内部连通区域的像素面积小于100的连通区域,得到结果f;
(52)对f进行形态学腐蚀操作,得到腐蚀图像f1;
(53)对腐蚀图像f1进行形态学膨胀操作,获得膨胀图像f2;
(54)对膨胀图像f2进行形态学细化操作,得到图像IF,作为标记分水岭算法的前景标记图像。
4.根据权利要求3所述的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,其特征在于:步骤(52)中的腐蚀操作的结构操作的结构元素为线性算子。
5.根据权利要求4所述的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,其特征在于:所述结构元素直线长度为l,角度为θ。
6.根据权利要求2所述的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,其特征在于:步骤(53)中的膨胀操作,使用的结构元素与步骤(52)中腐蚀操作的结构元素相同。
7.根据权利要求1所述的基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法,其特征在于:步骤(8)中的分水岭变换采用的分割标准与步骤(3)中的分割标准一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510027479.2A CN104715474B (zh) | 2015-01-20 | 2015-01-20 | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510027479.2A CN104715474B (zh) | 2015-01-20 | 2015-01-20 | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104715474A CN104715474A (zh) | 2015-06-17 |
CN104715474B true CN104715474B (zh) | 2017-09-01 |
Family
ID=53414768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510027479.2A Expired - Fee Related CN104715474B (zh) | 2015-01-20 | 2015-01-20 | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104715474B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017113422A1 (zh) * | 2015-12-31 | 2017-07-06 | 深圳配天智能技术研究院有限公司 | 图像的斑点处理方法 |
CN106600558A (zh) * | 2016-12-19 | 2017-04-26 | 南通大学 | 一种针对车辆观测场景的高分辨率雷达图像增强方法 |
CN107122728B (zh) * | 2017-04-21 | 2019-10-11 | 西安电子科技大学 | 基于证据理论算法的sar图像中检测建筑物方法 |
EP3451203A1 (en) * | 2017-08-30 | 2019-03-06 | Dassault Systèmes | Computer-implemented method for computing an envelope for a building complying with shadow duration requirements |
CN112330561B (zh) * | 2020-11-05 | 2023-06-13 | 湖南科技大学 | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 |
CN112233042B (zh) * | 2020-11-05 | 2021-05-11 | 中国人民解放军国防科技大学 | 一种含非合作目标的大场景sar图像快速生成方法 |
CN112580642A (zh) * | 2020-11-27 | 2021-03-30 | 国网上海市电力公司 | 一种结合边缘特征和纹理特征的图像混合分割方法及设备 |
CN116309948B (zh) * | 2023-05-24 | 2023-07-21 | 中海油田服务股份有限公司 | 基于电成像的地层背景图像计算方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
CN103020964A (zh) * | 2012-11-29 | 2013-04-03 | 北京航空航天大学 | 一种基于自适应分水岭的图割的双目立体匹配方法 |
WO2013155358A1 (en) * | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects |
CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
CN104268836A (zh) * | 2014-09-24 | 2015-01-07 | 江西理工大学 | 一种基于局域均质指标的分水岭分割标记点提取方法 |
-
2015
- 2015-01-20 CN CN201510027479.2A patent/CN104715474B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
WO2013155358A1 (en) * | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects |
CN103020964A (zh) * | 2012-11-29 | 2013-04-03 | 北京航空航天大学 | 一种基于自适应分水岭的图割的双目立体匹配方法 |
CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
CN104268836A (zh) * | 2014-09-24 | 2015-01-07 | 江西理工大学 | 一种基于局域均质指标的分水岭分割标记点提取方法 |
Non-Patent Citations (1)
Title |
---|
基于标记的多尺度分水岭视频目标分割算法;程淑红 等;《光电工程》;20100430;第37卷(第4期);第130-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104715474A (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104715474B (zh) | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 | |
Guo et al. | A coarse-to-fine boundary refinement network for building footprint extraction from remote sensing imagery | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
Liu et al. | Algorithmic foundation and software tools for extracting shoreline features from remote sensing imagery and LiDAR data | |
Zhang et al. | S-CNN-based ship detection from high-resolution remote sensing images | |
Schumann et al. | The utility of spaceborne radar to render flood inundation maps based on multialgorithm ensembles | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN111783523B (zh) | 一种遥感影像旋转目标检测方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
Ghorai et al. | Extracting shoreline from satellite imagery for GIS analysis | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
Barbat et al. | Automated iceberg tracking with a machine learning approach applied to SAR imagery: A Weddell sea case study | |
Wiehle et al. | Automated waterline detection in the Wadden Sea using high-resolution TerraSAR-X images | |
CN105469393A (zh) | 基于决策融合的浅海水深多时相遥感影像反演方法 | |
Ding et al. | Improved object detection algorithm for drone-captured dataset based on yolov5 | |
CN112883971A (zh) | 一种基于深度学习的sar图像舰船目标检测方法 | |
Wang et al. | Soft thresholding attention network for adaptive feature denoising in SAR ship detection | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
Lee et al. | Optimal parameter determination for mean-shift segmentation-based shoreline extraction using lidar data, aerial orthophotos, and satellite imagery | |
CN104036295A (zh) | 多光谱遥感影像道路中心线自动检测方法 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
Kumar | Solar potential analysis of rooftops using satellite imagery | |
CN108447045B (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170901 Termination date: 20190120 |