CN105005761A - 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 - Google Patents
一种结合显著性分析的全色高分辨率遥感图像道路检测方法 Download PDFInfo
- Publication number
- CN105005761A CN105005761A CN201510331173.6A CN201510331173A CN105005761A CN 105005761 A CN105005761 A CN 105005761A CN 201510331173 A CN201510331173 A CN 201510331173A CN 105005761 A CN105005761 A CN 105005761A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- road
- resolution remote
- block
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种结合显著性分析的全色高分辨率遥感图像道路检测方法,属于遥感图像处理及图像识别技术领域。实施过程包括:1)对全色高分辨率遥感图像进行基于最大类间方差法的阈值分割,获得二值化前景特征图;2)对遥感图像进行基于视觉特征的显著性分析,通过低通滤波和伽马变换获得居民区显著图;3)对居民区显著图进行阈值分割与腐蚀操作,获得二值化的居民区特征图;4)将前景特征图与居民区特征图进行异或运算得到道路特征图,将道路特征图与全色图像进行逻辑与运算获得最终的道路信息;本发明实现了全色高分辨率遥感图像道路信息的快速、准确检测,具有不依赖先验知识、计算复杂度低等优点,可用于土地规划及城乡建设等领域。
Description
技术领域
本发明属于遥感图像处理及图像识别技术领域,具体涉及一种结合显著性分析的全色高分辨率遥感图像道路检测方法。
背景技术
道路提取是遥感图像处理技术的一个重要应用,在城乡规划、土地利用、应急处理以及车辆导航等方面都有广泛的实际应用价值。
传统的道路提取方法包括:1)模板匹配法,即通过固定模板大小、形状和检验特征,让模板在图像上滑动,通过在每个位置评价模板的匹配程度来检测道路;2)动态规划法:先建立道路属性的数学模型,根据模型来构建代价函数和边界条件的表达式;3)脊谷线道路提取法:把图像灰度看作高程值,局部灰度值最大值的连线为脊线,局部灰度最小值的连线为谷线,它们在道路提取中分别对应亮线道路和暗线道路;4)霍夫变换法:利用图像全局特性直接检测目标轮廓,可以方便地将不连续的边缘像素点连接起来,具有受噪声和曲线间断影响小的优点。
近年来,利用数学形态学以及阈值分割等技术提取道路的方法得到人们的高度重视与广泛研究。同传统道路提取方法相比,它们具有实现方法灵活、道路提取效率高以及计算复杂度低等优势,这其中又以对遗传算法(Genetic Algorithm,GA)的研究较为深入。遗传算法模拟自然选择机制,按照优胜劣汰、适者生存的自然法则,保证经过若干代后,存活下来的是最优个体。对于输入的遥感图像,通过遗传算法模拟染色体的交叉与变异等生物学过程,可以确定一个全局最优的图像分割阈值,利用该阈值对输入图像进行分割,从而达到将道路从图像中快速提取出来。
基于最大类间方差法(Otsu)的道路提取算法也得到了广泛研究。该方法通过计算图像前景与背景间具有最大方差时的分割阈值,将输入图像有效分割为前景与背景两类,由于遥感图像中的道路与背景在亮度上具有明显不同,因而可以将道路从图像中快速分离出来。然而,随着遥感图像空间分辨率的不断提高,图像中所包含的地物目标更为复杂,居民区、山脉、阴影等对道路提取容易造成干扰的背景信息也相应增多,导致上述道路检测方法应用于全色高分辨率遥感图像的提取效果并不理想。
基于视觉注意机制的显著性分析模型为遥感图像目标检测提供了一个全新视角,不同于传统的检测方法,显著性分析模型是一种完全由数据驱动的图像分析机制,不涉及知识库等外部因素的影响,可以为观察者快速提供可能的感兴趣区域信息,继而在该区域中寻找重要目标,从而大幅提升图像处理系统的运行效率。
Itti等人于1998年提出了极具代表意义的显著性分析模型,即Itti模型。该模型利用人眼低层视觉特征构建颜色、亮度和方向特征图,通过特征图融合得到最终显著图,运用胜者为王机制和返回抑制机制实显著目标的高效检测。2007年,Hou等人提出了一种基于傅立叶变换谱残差的视觉显著性模型(Spectral Residual,SR),即SR模型,它利用频域的相 位谱与幅度谱的残差信息构建图像的显著图,在较低计算复杂度下实现了图像显著信息的检测。
综上所述,本发明提出一种结合显著性分析的全色高分辨率遥感图像道路检测方法。首先利用阈值分割获得包含道路和居民区的前景特征图,然后通过显著性分析获得输入遥感影像的居民区特征图,最后将前景特征图与居民区特征图进行异或运算得到道路特征图,将道路特征图与全色高分辨率遥感图像进行逻辑与运算得到最终的道路信息
发明内容
本发明的目的在于提供了一种结合显著性分析的全色高分辨率遥感图像道路检测方法,该方法用于对全色高分辨率遥感图像的道路进行精确检测。现有的道路检测方法主要依靠先验知识库和匹配的方法完成检测,对于一些形状较不规则的道路,检测的精度和效率都比较低。所以本发明方法主要关注两个方面:
1)提升全色高分辨率遥感图像道路检测精度,获得更为准确的道路信息;
2)降低全色高分辨率遥感图像道路检测的计算复杂度。
本发明所使用的技术方案包括前景特征图生成,居民区特征图生成以及道路提取三个主要过程。
在该方法中,首先对全色高分辨率遥感图像进行基于最大类间方差法的阈值分割,获得二值化前景特征图,其次对遥感图像进行基于视觉特征的显著性分析,通过低通滤波和伽马变换获得居民区显著图,再次对居民区显著图进行阈值分割与腐蚀操作,获得二值化的居民区特征图,最后将前景特征图与居民区特征图进行异或运算得到道路特征图,将道路特征图与全色高分辨率遥感图像进行逻辑与运算得到最终的道路信息,具体包括以下步骤:
步骤一:提取所输入全色高分辨率遥感图像的二值化前景特征图,即利用最大类间方差法确定输入图像的分割阈值,并用该阈值对输入图像进行分割,以分离前景和背景信息,将背景信息置为“0”,将包含居民区与道路的前景信息置为“1”,从而获得包含居民区和道路的二值化前景特征图;
步骤二:对输入的全色高分辨率遥感图像进行显著性分析,即根据输入图像尺寸和视网膜离心率将输入图像分成大小相等且互不重叠的图像块,然后计算每个图像块的显著值,最后通过低通滤波和伽马变换获得居民区显著图,具体过程包括:
1)根据输入全色高分辨率遥感图像的尺寸以及视网膜离心率计算图像的分块尺寸,并将图像分成大小相等且互不重叠的图像块;
2)对全色高分辨率遥感图像的每个图像块均进行傅里叶变换,依据傅里叶变换后各图像块的幅度谱计算任意两个图像块间的差异;
3)通过人类视觉敏感度确定任意两个图像块间差异的权重;
4)利用一个图像块和其余图像块间的差异及相应权重计算该图像块的显著值;
5)使用高斯低通滤波器消除边缘效应,利用伽马变换消除背景中的阴影等干扰因素,最终得到居民区显著图。
步骤三:对居民区显著图进行阈值分割、二值化操作及腐蚀操作,得到居民区特征图,即利用最大类间方差法确定居民区显著图的分割阈值,然后利用该阈值对居民区显著图进行分割并以“0”表示背景,“1”表示前景,得到一幅二值化图像,最后对这幅二值化图像进行腐蚀操作,得到二值化的居民区特征图;
步骤四:利用异或逻辑运算检测全色高分辨率遥感图像中的道路,即将步骤一中所得到的前景特征图与步骤三中所得到的居民区特征图进行异或逻辑运算,从而获得二值化的道路特征图,然后将该特征图与所输入的全色高分辨率遥感图像进行逻辑与运算,最终检测出输入图像中的道路信息。
本发明提出的方法具有如下的优点:
(1)本发明利用最大类间方差法对输入全色高分辨率遥感图像进行阈值分割,在低计算复杂度的条件下快速除去背景信息,从而快速、高效地获得作为前景的居民区和道路。
(2)本发明将显著性分析引入到遥感图像道路检测中,不依赖先验知识,一定程度上降低了计算复杂度并保证了检测精度。
(3)本发明对分割居民区的显著图后得到的二值化图像进行了腐蚀操作,从而获得更加精确的居民区的特征图,进一步保证了后续道路检测的完整性。
附图说明
图1为本发明的流程图;
图2为本发明所使用的全色高分辨率遥感图像示例图片;
图3为本发明所使用示例图片的前景特征图、居民区显著图和居民区特征图。(a)为示例图片的前景特征图,(b)为示例图片的居民区显著图,(c)为示例图片的居民区特征图;
图4为利用本发明得到的道路特征图和道路检测结果图。(a)为示例图片的道路特征图,(b)为示例图片的道路检测结果图;
图5为示例图片采用本发明方法和其他方法生检测道路的比较。(a)为利用最大类间方差(Otsu)方法检测出的道路,(b)为遗传算法(GA)方法检测出的道路,(c)为本发明方法检测出的道路;
图6为示例图片的地面实况(Ground-Truth)显著度图;
图7为使用Otsu方法、GA方法和本发明方法对示例图片进行检测的结果量化对比图。
具体实施方式
下面结合附图对本发明做进一步详细说明。本发明的总体框架如图1所示,现介绍每一步实现细节。
步骤一:提取所输入全色高分辨率遥感图像的二值化前景特征图,即利用最大类间方差法确定输入图像的分割阈值,并用该阈值对输入图像进行分割,以分离前景和背景信息,将背景信息置为“0”,将包含居民区与道路的前景信息置为“1”,从而获得包含居民区和道路的二值化前景特征图。给定一幅图像,分割阈值的确定方法如下:
设输入图像共有L个灰度级,假设在第k个灰度级将图像分为C0和C1两类,每一类出现的概率如下2式计算:
在此基础上,每一类的方差和如下2式计算:
其中,pi是第i个灰度级出现的概率,μ是每一类中灰度级的均值,Pr(i|C)是每一类中第i个灰度级出现的条件概率。定义2类间的方差为如下式计算:
σB 2(k)=ω0ω1(μ1-μ0)2,
其中,最佳阈值k*为使上式取得最大值时的k。
步骤二:对输入的全色高分辨率遥感图像进行显著性分析,即根据输入图像尺寸和视网膜离心率将输入图像分成大小相等且互不重叠的图像块,然后计算每个图像块的显著值,最后通过低通滤波和伽马变换获得居民区显著图。
结合视觉显著性分析算法与其它基于模板或全局搜索的算法相比,具有计算复杂度低、不依赖于具体实验数据和准确率高等特点。傅里叶变换作为一种常用的变换,已经发展得很成熟,并具有多种形式,其在频域分析中的影响非常广泛。所以算法中使用视觉显著性中的人类视觉系统对图像进行分块,利用傅里叶幅度计算图像块间的差异,从而得到居民区的显著图。
图像分块是为了更好地计算局部对比度和降低计算复杂度。我们使用人类视觉系统来确定图像分块大小。视网膜离心率表示了视角中的一个给定点和视网膜中央凹的远近,通常以角度为单位。当视角变大,相应的视网膜离心率就变大了。假设每个图像块都是正方形,边长为m,人眼观测距离为d,则视网膜离心率e可以用下式表示:
当输入图像大小为512×512像素,观测距离d为输入图像宽度的3倍时,每个图像块的大小应为8×8像素。
当一个图像块与其周围图像块有明显差异时,其成为显著区域的可能性就变大了,相应地,图像块显著值也跟着变大。傅里叶幅度谱具有旋转不变性,因此其能够较好地表示出图像中的方向特征。我们用傅里叶幅度谱的欧式距离表征一个图像块和其余全部图像块间的差异。
分块后,对于一个图像块f(p,q),其傅里叶变换在极坐标下表示为:
其中u=0,1,...,7,v=0,1,...,7,A是幅度。这样就可以计算每个图像块的幅度谱信息。sum表示一个图像块中任一像素的下标,则图像块i,j间的差异Dij如下式计算:
视觉敏感度被用来计算图像块间傅里叶幅度谱差异的权重。我们知道,图像块间的距离越大,它们之间的差异对显著度的贡献就越小。Geisler提出了如下计算人类差别敏感度的公式,视网膜离心率作为其中的一个参数:
f是空间频率,是最小差异的阈值,e是视网膜离心率,α是频率衰减常数,e2是半分辨率的离心率。Geisler给出了参数:α=0.106,e=2.3。
设(x1,y1)是一个图像块的中心点,(x2,y2)是另一个图像块的中心点,dE是(x1,y1)和(x2,y2)的欧式距离,观测距离d是图像宽度的3倍。则视网膜离心率e可以表示为:
最终得到计算图像间差异权重χij的公式如下:
通过上述步骤,我们得到了图像块间的差异和差异的权重。图像块i的显著值Si由其 和其余全部图像块间的差异Dij及相应权重χij决定,如下式:
接下来使用方差为3.5,模板大小为10×10的高斯低通滤波器消除边缘效应以获得更为平滑的边缘,这样就得到了图像G(n,m),然后利用伽马变换消除背景中阴影等干扰的影响,如下2式所示:
Sra=cG(n,m)γ
其中c=1,N×M是图像大小。通过本步骤,我们就得到了居民区的显著图Sra。
步骤三:对居民区显著图进行阈值分割、二值化操作及腐蚀操作,得到居民区特征图,即利用最大类间方差法确定居民区显著图的分割阈值,然后利用该阈值对居民区显著图进行分割并以“0”表示背景,“1”表示前景,得到一幅二值化图像,最后对这幅二值化图像进行腐蚀操作,得到二值化的居民区特征图。
通过上述步骤得到居民区的显著图后,利用最大类间方差法确定的阈值对显著图进行分割,得到一张包含居民区的二值化图像Bra。然而,由于在生成显著图的过程中使用了高斯低通滤波器,Bra中居民区的边缘比实际居民区的边缘更向外扩展,导致了一部分道路被误当做居民区。我们使用图像腐蚀操作让居民区的边缘向内部收缩,以确保后续检出道路的完整性:
这样就得到了居民区的二值化特征图Ira,其中Tse是直径为6的圆形结构元素。
步骤四:利用异或逻辑运算检测全色高分辨率遥感图像中的道路,即将步骤一中所得到的前景特征图与步骤三中所得到的居民区特征图进行异或逻辑运算,从而获得二值化的道路特征图,然后将该特征图与所输入的全色高分辨率遥感图像进行逻辑与运算,最终获得输入图像中的道路。
通过步骤一,我们得到了包含居民区和道路的二值化前景特征图Iotsu,通过步骤三我们得到了居民区的二值化特征图Ira。对这两张特征图进行异或逻辑运算,就可以得到二值化的道路特征图Irosd:
最后,通过Iroad和输入的全色高分辨率遥感图像Ioriginal的逻辑与操作,就能提取出原图像中的道路R:
R=Iroad∩Ioriginal,
本发明的效果可通过以下实验结果与分析进一步说明:
1.实验数据
本发明从SPOT5卫星源图中选取了一幅北京某郊区的全色高分辨率遥感图像,并分别从中截取生成了大小为512×512的一幅图作为本文实验源图,如图2所示。
2.对比实验及实验评价指标
本发明方法对比了利用Otsu(最大类间方差)分割检测道路的方法和基于遗传算法(GA)获得最优分割阈值的道路检测方法。从主观上分别对比了不同方法的道路检测结果,如图5所示。图5中,(a)为Otsu方法的检测结果,(b)为GA方法的检测结果,(c)为本发明方法检测的结果。
本发明的评价指标采用了完整率和正确率两项。计算公式如下:
图6为地面实况(Ground-Truth)显著度图。图7是三种检测结果的量化对比。由图7可以看出,完整率方面,本发明方法与其它2种方法效果接近,而在准确率方面,本发明方法要明显好于其它2种方法。
Claims (2)
1.一种结合显著性分析的全色高分辨率遥感图像道路检测方法,在该方法中,首先对全色高分辨率遥感图像进行基于最大类间方差法的阈值分割,获得二值化前景特征图,其次对遥感图像进行基于视觉特征的显著性分析,通过低通滤波和伽马变换获得居民区显著图,再次对居民区显著图进行阈值分割与腐蚀操作,获得二值化的居民区特征图,最后将前景特征图与居民区特征图进行异或运算得到道路特征图,将道路特征图与全色高分辨率遥感图像进行逻辑与运算得到最终的道路信息,其特征在于,具体包括以下步骤:
步骤一:提取所输入全色高分辨率遥感图像的二值化前景特征图,即利用最大类间方差法确定输入图像的分割阈值,并用该阈值对输入图像进行分割,以分离前景和背景信息,将背景信息置为“0”,将包含居民区与道路的前景信息置为“1”,从而获得包含居民区和道路的二值化前景特征图;
步骤二:对输入的全色高分辨率遥感图像进行显著性分析,即根据输入图像尺寸和视网膜离心率将输入图像分成大小相等且互不重叠的图像块,然后计算每个图像块的显著值,最后通过低通滤波和伽马变换获得居民区显著图;
步骤三:对居民区显著图进行阈值分割、二值化操作及腐蚀操作,得到居民区特征图,即利用最大类间方差法确定居民区显著图的分割阈值,然后利用该阈值对居民区显著图进行分割并以“0”表示背景,“1”表示前景,得到一幅二值化图像,最后对这幅二值化图像进行腐蚀操作,得到二值化的居民区特征图;
步骤四:利用异或逻辑运算检测全色高分辨率遥感图像中的道路,即将步骤一中所得到的前景特征图与步骤三中所得到的居民区特征图进行异或逻辑运算,从而获得二值化的道路特征图,然后将该特征图与所输入的全色高分辨率遥感图像进行逻辑与运算,最终检测出输入图像中的道路信息。
2.根据权利要求1所述的一种结合显著性分析的全色高分辨率遥感图像道路检测方法,其特征在于,所述步骤二的具体过程为:
1)根据输入全色高分辨率遥感图像的尺寸以及视网膜离心率计算图像的分块尺寸,并将图像分成大小相等且互不重叠的图像块;
2)对全色高分辨率遥感图像的每个图像块均进行傅里叶变换,依据傅里叶变换后各图像块的幅度谱计算任意两个图像块间的差异;
3)通过人类视觉敏感度确定任意两个图像块间差异的权重;
4)利用一个图像块和其余图像块间的差异及相应权重计算该图像块的显著值;
5)使用高斯低通滤波器消除边缘效应,利用伽马变换消除背景中的阴影等干扰因素,最终得到居民区显著图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510331173.6A CN105005761B (zh) | 2015-06-16 | 2015-06-16 | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510331173.6A CN105005761B (zh) | 2015-06-16 | 2015-06-16 | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005761A true CN105005761A (zh) | 2015-10-28 |
CN105005761B CN105005761B (zh) | 2018-08-17 |
Family
ID=54378426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510331173.6A Active CN105005761B (zh) | 2015-06-16 | 2015-06-16 | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005761B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295604A (zh) * | 2016-08-19 | 2017-01-04 | 厦门大学 | 基于联合滤波的遥感影像路网提取技术 |
CN109977766A (zh) * | 2019-02-18 | 2019-07-05 | 南京航空航天大学 | 一种基于局部特征的车型精细识别方法 |
CN110310263A (zh) * | 2019-06-24 | 2019-10-08 | 北京师范大学 | 一种基于显著性分析和背景先验的sar图像居民区检测方法 |
CN110363784A (zh) * | 2019-06-28 | 2019-10-22 | 青岛理工大学 | 一种重叠果实的识别方法 |
CN110853058A (zh) * | 2019-11-12 | 2020-02-28 | 电子科技大学 | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 |
CN111640126A (zh) * | 2020-05-29 | 2020-09-08 | 成都金盘电子科大多媒体技术有限公司 | 基于医学影像的人工智能诊断辅助方法 |
CN113445377A (zh) * | 2020-03-25 | 2021-09-28 | 北京瑞途科技有限公司 | 一种远距离铁轨轨距自动测量装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090154792A1 (en) * | 2005-12-07 | 2009-06-18 | Commonwealth Scientific And Industrial Research Organisation | Linear Feature Detection Method and Apparatus |
CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
US8537338B1 (en) * | 2011-08-24 | 2013-09-17 | Hrl Laboratories, Llc | Street curb and median detection using LIDAR data |
CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
-
2015
- 2015-06-16 CN CN201510331173.6A patent/CN105005761B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090154792A1 (en) * | 2005-12-07 | 2009-06-18 | Commonwealth Scientific And Industrial Research Organisation | Linear Feature Detection Method and Apparatus |
US8537338B1 (en) * | 2011-08-24 | 2013-09-17 | Hrl Laboratories, Llc | Street curb and median detection using LIDAR data |
CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295604A (zh) * | 2016-08-19 | 2017-01-04 | 厦门大学 | 基于联合滤波的遥感影像路网提取技术 |
CN106295604B (zh) * | 2016-08-19 | 2017-11-03 | 厦门大学 | 基于联合滤波的遥感影像路网提取技术 |
CN109977766A (zh) * | 2019-02-18 | 2019-07-05 | 南京航空航天大学 | 一种基于局部特征的车型精细识别方法 |
CN110310263A (zh) * | 2019-06-24 | 2019-10-08 | 北京师范大学 | 一种基于显著性分析和背景先验的sar图像居民区检测方法 |
CN110310263B (zh) * | 2019-06-24 | 2020-12-01 | 北京师范大学 | 一种基于显著性分析和背景先验的sar图像居民区检测方法 |
CN110363784A (zh) * | 2019-06-28 | 2019-10-22 | 青岛理工大学 | 一种重叠果实的识别方法 |
CN110853058A (zh) * | 2019-11-12 | 2020-02-28 | 电子科技大学 | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 |
CN113445377A (zh) * | 2020-03-25 | 2021-09-28 | 北京瑞途科技有限公司 | 一种远距离铁轨轨距自动测量装置 |
CN111640126A (zh) * | 2020-05-29 | 2020-09-08 | 成都金盘电子科大多媒体技术有限公司 | 基于医学影像的人工智能诊断辅助方法 |
CN111640126B (zh) * | 2020-05-29 | 2023-08-22 | 成都金盘电子科大多媒体技术有限公司 | 基于医学影像的人工智能诊断辅助方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105005761B (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005761A (zh) | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
Deng et al. | Unsupervised segmentation of synthetic aperture radar sea ice imagery using a novel Markov random field model | |
Hou et al. | Deep learning-based subsurface target detection from GPR scans | |
CN103020605B (zh) | 基于决策层融合的桥梁识别方法 | |
CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN102945378B (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
Li et al. | Road lane detection with gabor filters | |
CN103177458A (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
CN105405132A (zh) | 基于视觉反差和信息熵的sar图像人造目标检测方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
Fei et al. | A novel visual attention method for target detection from SAR images | |
Kahraman et al. | Road extraction techniques from remote sensing images: A review | |
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 | |
Dubois et al. | Fast and efficient evaluation of building damage from very high resolution optical satellite images | |
Ding et al. | Efficient vanishing point detection method in unstructured road environments based on dark channel prior | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
Liang et al. | Adaptive multiple kernel fusion model using spatial-statistical information for high resolution SAR image classification | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images |
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 |