CN105488787A - 基于几何活动轮廓模型的遥感图像海岸线检测方法 - Google Patents
基于几何活动轮廓模型的遥感图像海岸线检测方法 Download PDFInfo
- Publication number
- CN105488787A CN105488787A CN201510823285.3A CN201510823285A CN105488787A CN 105488787 A CN105488787 A CN 105488787A CN 201510823285 A CN201510823285 A CN 201510823285A CN 105488787 A CN105488787 A CN 105488787A
- Authority
- CN
- China
- Prior art keywords
- contour model
- coastline
- remote sensing
- active contour
- lbf
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于几何活动轮廓模型的遥感图像海岸线检测方法,包括以下步骤:(1)用Matlab软件读取包含待检测的海岸线目标的遥感图像,并用中值滤波器对目标图像进行滤波;(2)利用小波变换的方法获得海岸线的最初轮廓;(3)用块跟踪和局部边缘选择的方法处理步骤(2)中分割得到的海岸线,得到海岸线的初始轮廓;(4)把得到的海岸线初始轮廓作为改进的几何活动轮廓模型的输入,经过几何活动轮廓模型的处理,最终得到精确连续的海岸线。本发明可以有效抑制噪声对海岸线检测的影响,实现准确、连续、完整的海岸线检测。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于几何活动轮廓模型的遥感图像海岸线检测方法。
背景技术
海岸线特征提取是海岸带资源管理的基础。只有准确地提取出海岸线,海岸带的调查和管理才有意义。目前从遥感影像上提取海岸线的方式主要有两种:目视解译和自动解译。目视解译,一般采用手工跟踪数字化的方式,它主要根据遥感影像上海岸线特征的颜色、纹理、形状、走向等各种解译标志以及周围潮滩与水体的对比来勾绘出海洋与陆地的分界线。这种方法不但费时、费力、劳动强度较大而且要求图像判读者具有丰富的地学知识和目视判读经验,所以遥感图像解译的质量受判读者的经验以及对解译区域的熟悉程度影响较大,具有很大的主观性,质量很难保证。因此目前的研究主要集中于海岸线的自动解译。海岸线作为海陆的交界线,在遥感影像上表现出边缘的特征,自动解译就是利用各种图像分割算法将海岸线作为边缘检测出来。边缘检测的算法很多,最常用的是各种边缘微分算子,如Sobel算子,Roberts算子、Prewitt算子以及Laplacian算子等。这些经典边缘微分算子算法简单、运算速度较快、但对噪声比较敏感,边缘定位不够准确,缺乏普遍适用性。因此,为了从遥感图像中有效的、准确的提取边缘信息,就非常有必要研究对噪声不敏感的边缘信息提取方法。
近年来,越来越多的专家学者开始利用遥感手段来检测海岸线的变化问题。他们就如何快速的从不同类型的遥感影像中解译出不同概念的海岸线,做了很多有意义的探讨和研究。虽然有很多关于海岸线自动解译的算法只是利用数字图像处理技术来确定海陆分界线,没有考虑其它因素的影响,并不是真正的海岸线。受海岸线水陆边界特性的影响,提取海岸线特征实际上是一个图像分割的过程,方法较多,除目视解译和多光谱分类外,目前主要有水平集法、边缘检测算子法、区域分割的方法等。然而目前的遥感图像海岸线检测的方法都有一些缺陷,如计算量大、复杂度高、图像易受噪声的影响、检测出的海岸线不连续、检测出的海岸线不是真的海岸线(海岸线弱边界问题)等。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于几何活动轮廓模型的遥感图像海岸线检测方法,本发明利用小波变换、块跟踪和局部边缘选择的方法获得海岸线的初始轮廓,再用改进的几何活动轮廓模型进行海岸线的精确提取。
技术方案:本发明的一种基于几何活动轮廓模型的遥感图像海岸线检测方法,包括以下步骤:
(1)用Matlab软件读取包含待检测的海岸线目标的遥感图像,并用中值滤波器对目标图像进行滤波;
(2)利用小波变换的方法获得海岸线的最初轮廓;
(3)用块跟踪和局部边缘选择的方法处理步骤(2)中分割得到的海岸线,得到海岸线的初始轮廓,其具体过程为:
根据把图像分成包含有若干正方形的网格,在该网格中,所有非边缘正方形表示同质水区域,接着选择网格内所有相近区域互相连着的非边缘正方形作为水区域,在局部边缘选择中,首先删除所有在小波变换中得到的图像中每个方向上的小邻域边缘外的大于4个像素的海岸线猜测区域,接着根据未被删除区域的能量和长度选择重叠窗口中效果最好的海岸线;
(4)把得到的海岸线初始轮廓作为改进的几何活动轮廓模型的输入,经过几何活动轮廓模型的处理,最终得到精确连续的海岸线,此处,改进的几何活动轮廓模型是指传统几何活动轮廓模型中的符号压力函数SPF中的用LBF模型中的一个加权函数组合fLBF取代,可以得到新的符号压力函数SPFLBF,用SPFLBF取代传统几何活动轮廓模型中的边界停止函数
进一步的,所述步骤(1)中,中值滤波器的滤波窗口选择为使得窗口内的滤波点数为奇数,然后对滤波窗口内的所有观测值按其数值大小排序,选择中间位置观测值作为中值滤波器的输出。
进一步的,所述步骤(2)的具体过程为:
(21)采用二维离散可分离平稳小波变换,得到4个子带图像LL、LH、HL、HH,它们分别为行列低通、行低通列高通、行高通列低通、行列高通的平稳小波系数;
(22)经二维离散平稳小波变换后遥感图像的平稳小波梯度信息简记为WGI={M,θ},其中M、θ为小波变换相应的梯度模和幅角,在求模极大值的过程中,幅角所属的区不同,进行比较时选取的邻域像素是不同的;
(23)幅角量化的依据如下:
当时,认为是水平方向,标记为1区;
当时,认为与水平方向成45度,标记为2区;
当或时,认为与水平方向垂直,标记为3区;
当时,认为与水平方向成负45度,标记为4区;
根据幅角所属区域选取领域像素进行比较,判定当前像素点的模值是否是局部极大值点,判断原则是该点的模值要大于沿幅角方向相邻两点的模值。
进一步的,所述步骤(3)中,选择网格内所有相近区域互相连着的非边缘的小正方形作为水区域的具体法为:对上一个被选的正方形旁边的每一个正方形内部的边缘点数量进行计数,如果低于特定阈值,该正方形被选择,反之不选;为了避免海岸线的漏检测,本发明网格中最小的正方形用8*8的块区域。
进一步的,所述步骤(4)中,符号压力函数SPF(SignedPressureFunction,SPF)中的用LBF模型中的一个加权函数组合fLBF取代,可以得到新的符号压力函数SPFLBF,用SPFLBF取代几何活动轮廓模型中的边界停止函数(EdgeStoppingFunction,ESP),指的是图像梯度;
其中,c1和c2分别为图像在轮廓划分区域内外的灰度平均值,fLBF是逼近曲线内外部区域图像局部强度的光滑函数f1和f2的组合函数。
有益效果:与现有技术相比,本发明具有以下优点:
(1)用小波变换的方法获得海岸线的初始轮廓减少了几何活动轮廓模型的递带次数,节约了海岸线检测的时间也对噪声有一定的抑制作用。
(2)利用块跟踪和局域边缘选择的方法处理小波变换的海岸线初始轮廓,可以得到精确的海岸线初始轮廓。
(3)用改进的几何活动轮廓模型处理初始轮廓,可以解决海岸线的弱边界问题以及可以获得连续的海岸线。
综上所述,本发明可以有效抑制噪声对海岸线检测的影响,实现准确、连续、完整的海岸线检测。
附图说明
图1为本发明的整体流程图;
图2为实施例中的二维离散平稳小波变换幅角量化的4个区;
图3为块跟踪算法中把图像分成许多小正方形的网格图;
图4为实施例中几何活动轮廓模型的水平集演化过程图。
图5中的图A是欧空局用遥感卫星得到的欧洲易北河的图像、图B是用本发明中的方法检测出的结果图;
图6为本实施例中用块跟踪(BT)的方法得到的海岸线与模型解决方案(MS)得到结果图的比较;
图7中为本实施例中用块跟踪(BT)的方法得到的海岸线与模型解决方案(MS)得到结果数据的比较;
图8为本实施例中局部边缘选择方法得到海岸线检测结果;。
图9为本实施例中几何活动轮廓模型的输入图像;
图10为经本实施例中的几何活动轮廓模型得到海岸线检测结果。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明中的遥感图像海岸线检测的实现流程可简述如下:遥感图像利用中值滤波以及小波变换辅以块跟踪、局部边缘选择可获得海、陆分割的二值图像,得到的光滑曲线作为海岸线的初始轮廓,这样可以减少水平集演化递代的次数,节省了时间,并且在一定程度上减少了模糊边界带来边界泄露的可能;接着利用结合区域信息的SPFLBF作为几何活动轮廓模型的边界停止条件,并利用形高斯滤波器快速初始化二值化的水平及函数,将得到的海岸线进行矢量化处理,即为最后的输出结果。
实施例1:以小波变换的方法分割图像,本发明选用二维离散平稳小波变换。在求模极大值的过程中,幅角所属的区不同,进行比较时选取的邻域像素是不同的。幅角所属的4个区及其相应的比较方向如图2所示,幅角量化的依据如下:
当时,认为是水平方向,标记为1区;当时,认为与水平方向成45度,标记为2区;当或时,认为与水平方向垂直,标记为3区;当时,认为与水平方向成负45度,标记为4区。
根据幅角所属区域选取领域像素进行比较,判定当前像素点的模值是否是局部极大值点,判断原则是该点的模值要大于沿幅角方向相邻两点的模值。
在本发明中块跟踪的算法是把图像分成有许多小正方形的网格,如图3所示。在这个网格中,所有非边缘正方形表示同质水区域,接着选择网格内所有相近区域互相连着的非边缘的小正方形。选择的方法是对上一个被选的正方形旁边的每一个正方形内部的边缘点数量进行计数,如果低于特定阈值,该正方形被选择,反之不选。为了避免海岸线的漏检测,本发明网格中最小的正方形用8*8块区域。局部边缘选择中,首先删除所有在小波变换得到图像中每个方向上的小邻域边缘外的大于4个像素的海岸线猜测区域,接着根据未被删除区域的能量和长度选择重叠窗口中效果最好的海岸线。
如图4所示,本实施例中几何活动轮廓模型的水平集演化过程,包括以下步骤:
步骤1:初始化水平集函数φ为二值函数
κ>0是常数,Ω0是图像域的Ω的子集,αΩ0是区域Ω0的边界;
步骤2:利用LBF模型中f1、f2、加权函数组合fLBF以及SPFLBF(I(x))计算出最简的水平集演化方程
步骤3:当φ>0时,令φ=1;否则令φ=-1;
步骤4:用SBGFRLS水平集方法,
步骤5:检验φ是否收敛,如果不收敛,则返回步骤2。
本实施例中的改进的结合区域信息的几何活动轮廓模型结合了全局的区域光滑信息作为曲线演化的收敛条件,对海岸线的提取有一定的简化作用。此外,在水平集演化的过程中用SBGFRLS水平集方法可以获得较快的收敛速度。本发明选用简单的小波变换获得海岸线边界的初定位作为曲线演化的初始轮廓,不仅减少了算法的递代时间,而且在一定程度上减少了模糊边界带来边界泄露的可能,从而可以获得比较准确的检测结果。
如图5所示,图A是实施例1中欧空局用遥感卫星得到的欧洲的易北河的图像、图B是实施例中采用本发明检测出海岸线。
如图6所示,本实施例中用块跟踪(BT)的方法得到的海岸线与模型解决方案(MS)得到结果的比较。图中的W代表水域,C代表沿岸,L代表陆地区域。从图7中可以看出具体的比较结果:前者有0.1%的把陆地作为水域的错误率和2.3%的把水域作为陆地的错误率。而后者由于本发明中方法,虽然陆地和水域两者之和中有4.8%是海岸线,但是就陆地和水域单个区域而言只有0.7%和1.1%的错误率。本发明中的块跟踪方法一定程度上提高了海岸线检测的精确度。
如图8所示,本实施例中局部边缘选择方法得到海岸线检测结果。可以看出有些区域的海岸线不是很准确。
如图9所示,本实施例中几何活动轮廓模型的输入图像。图9是由块跟踪算法和局部边缘选择算法处理后得到的量化的水陆分界线。
如图10所示,经过本实施例中的几何活动轮廓模型得到海岸线检测结果。图10和图8相比,可以看出,图10中的海岸线相对较连续。
通过上述实施例可以看出,本发明先利用中值滤波、小波变换以及块跟踪、局部边缘选择方法获得接近实际海岸线的初始轮廓,这样减少了传统几何活动轮廓模型的递带次数,节约了时间;接着把得到的初始轮廓用改进的几何活动轮廓模型处理,可得到准确、连续的海岸线。
Claims (5)
1.一种基于几何活动轮廓模型的遥感图像海岸线检测方法,其特征在于:包括以下步骤:
(1)用Matlab软件读取包含待检测的海岸线目标的遥感图像,并用中值滤波器对目标图像进行滤波;
(2)利用小波变换的方法获得海岸线的最初轮廓;
(3)用块跟踪和局部边缘选择的方法处理步骤(2)中分割得到的海岸线,得到海岸线的初始轮廓,其具体过程为:
根据把图像分成包含有若干正方形的网格,在该网格中,所有非边缘正方形表示同质水区域,接着选择网格内所有相近区域互相连着的非边缘正方形作为水区域,在局部边缘选择中,首先删除所有在小波变换中得到的图像中每个方向上的小邻域边缘外的大于4个像素的海岸线猜测区域,接着根据未被删除区域的能量和长度选择重叠窗口中效果最好的海岸线;
(4)把得到的海岸线初始轮廓作为改进的几何活动轮廓模型的输入,经过几何活动轮廓模型的处理,最终得到精确连续的海岸线,此处,改进的几何活动轮廓模型是指传统几何活动轮廓模型中的符号压力函数SPF中的用LBF模型中的一个加权函数组合fLBF取代,可以得到新的符号压力函数SPFLBF,用SPFLBF取代传统几何活动轮廓模型中的边界停止函数
2.根据权利要求1基于几何活动轮廓模型的遥感图像海岸线检测方法,其特征在于:所述步骤(1)中,中值滤波器的滤波窗口选择为使得窗口内的滤波点数为奇数,然后对滤波窗口内的所有观测值按其数值大小排序,选择中间位置观测值作为中值滤波器的输出。
3.根据权利要求1基于几何活动轮廓模型的遥感图像海岸线检测方法,其特征在于:所述步骤(2)的具体过程为:
(21)采用二维离散可分离平稳小波变换,得到4个子带图像LL、LH、HL、HH,它们分别为行列低通、行低通列高通、行高通列低通、行列高通的平稳小波系数;
(22)经二维离散平稳小波变换后遥感图像的平稳小波梯度信息简记为WGI={M,θ},其中M和θ为小波变换相应的梯度模和幅角,在求模极大值的过程中,幅角所属的区不同,进行比较时选取的邻域像素是不同的;
(23)幅角量化的依据如下:
当时,认为是水平方向,标记为1区;
当时,认为与水平方向成45度,标记为2区;
当或时,认为与水平方向垂直,标记为3区;
当时,认为与水平方向成负45度,标记为4区;
根据幅角所属区域选取领域像素进行比较,判定当前像素点的模值是否是局部极大值点,判断原则是该点的模值要大于沿幅角方向相邻两点的模值。
4.根据权利要求1基于几何活动轮廓模型的遥感图像海岸线检测方法,其特征在于:所述步骤(3)中,选择网格内所有相近区域互相连着的非边缘的小正方形作为水区域的具体法为:对上一个被选的正方形旁边的每一个正方形内部的边缘点数量进行计数,如果低于特定阈值,该正方形被选择,反之不选;网格中最小的正方形用8*8的块区域。
5.根据权利要求1基于几何活动轮廓模型的遥感图像海岸线检测方法,其特征在于:所述步骤(4)中,符号压力函数SPF中的用LBF模型中的一个加权函数组合fLBF取代,可以得到新的符号压力函数SPFLBF,用SPFLBF取代几何活动轮廓模型中的边界停止函数 指的是图像梯度;
其中,c1和c2分别为图像在轮廓划分区域内外的灰度平均值,fLBF是逼近曲线内外部区域图像局部强度的光滑函数f1和f2的组合函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510823285.3A CN105488787A (zh) | 2015-11-24 | 2015-11-24 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510823285.3A CN105488787A (zh) | 2015-11-24 | 2015-11-24 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488787A true CN105488787A (zh) | 2016-04-13 |
Family
ID=55675752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510823285.3A Pending CN105488787A (zh) | 2015-11-24 | 2015-11-24 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488787A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023179A (zh) * | 2016-05-13 | 2016-10-12 | 江苏科技大学 | 基于几何活动轮廓模型的sar图像海岸线提取方法 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和系统 |
CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
CN108460781A (zh) * | 2018-02-09 | 2018-08-28 | 河南师范大学 | 一种基于改进spf的活动轮廓图像分割方法及装置 |
CN111685759A (zh) * | 2020-05-12 | 2020-09-22 | 河北大学 | 一种心电信号的p、t特征波检测方法 |
CN111754524A (zh) * | 2020-06-22 | 2020-10-09 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
CN112085656A (zh) * | 2020-08-31 | 2020-12-15 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、系统、移动终端及存储介质 |
CN113297893A (zh) * | 2021-02-05 | 2021-08-24 | 深圳高通半导体有限公司 | 笔画轮廓点集的提取方法 |
CN113469995A (zh) * | 2021-07-16 | 2021-10-01 | 华北电力大学(保定) | 一种变电站设备热故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044072A (zh) * | 2010-11-29 | 2011-05-04 | 北京航空航天大学 | 基于统计模型的sar图像融合处理方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
CN104463877A (zh) * | 2014-12-12 | 2015-03-25 | 武汉理工大学 | 一种基于雷达影像与电子海图信息的岸线配准方法 |
-
2015
- 2015-11-24 CN CN201510823285.3A patent/CN105488787A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044072A (zh) * | 2010-11-29 | 2011-05-04 | 北京航空航天大学 | 基于统计模型的sar图像融合处理方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
CN104463877A (zh) * | 2014-12-12 | 2015-03-25 | 武汉理工大学 | 一种基于雷达影像与电子海图信息的岸线配准方法 |
Non-Patent Citations (4)
Title |
---|
ANDREAS NIEDERMEIER 等: "Detection of Coastlines in SAR Images using Wavelet Methods", 《GEOSCIENCE AND REMOTE SENSING》 * |
张建伟 等: "局部GAC 模型在医学图像分割中的应用", 《中国图象图形学报》 * |
张鹏、李洪平: "基于平稳小波变换的SAR图像海岸线提取", 《基于平稳小波变换的 SAR图像海岸线提取》 * |
苏日娜、吴纪桃: "改进符号压力函数的区域活动轮廓模型", 《中国图象图形学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023179A (zh) * | 2016-05-13 | 2016-10-12 | 江苏科技大学 | 基于几何活动轮廓模型的sar图像海岸线提取方法 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和系统 |
CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
CN107833226B (zh) * | 2017-10-26 | 2021-05-11 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c-v模型对sar影像海岸线快速自动分割方法 |
CN108460781B (zh) * | 2018-02-09 | 2021-04-20 | 河南师范大学 | 一种基于改进spf的活动轮廓图像分割方法及装置 |
CN108460781A (zh) * | 2018-02-09 | 2018-08-28 | 河南师范大学 | 一种基于改进spf的活动轮廓图像分割方法及装置 |
CN111685759A (zh) * | 2020-05-12 | 2020-09-22 | 河北大学 | 一种心电信号的p、t特征波检测方法 |
CN111685759B (zh) * | 2020-05-12 | 2022-09-09 | 河北大学 | 一种心电信号的p、t特征波检测方法 |
CN111754524A (zh) * | 2020-06-22 | 2020-10-09 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
CN111754524B (zh) * | 2020-06-22 | 2024-01-16 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
CN112085656A (zh) * | 2020-08-31 | 2020-12-15 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、系统、移动终端及存储介质 |
CN112085656B (zh) * | 2020-08-31 | 2023-12-05 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、系统、移动终端及存储介质 |
CN113297893A (zh) * | 2021-02-05 | 2021-08-24 | 深圳高通半导体有限公司 | 笔画轮廓点集的提取方法 |
CN113297893B (zh) * | 2021-02-05 | 2024-06-11 | 深圳高通半导体有限公司 | 笔画轮廓点集的提取方法 |
CN113469995A (zh) * | 2021-07-16 | 2021-10-01 | 华北电力大学(保定) | 一种变电站设备热故障诊断方法及系统 |
CN113469995B (zh) * | 2021-07-16 | 2022-09-06 | 华北电力大学(保定) | 一种变电站设备热故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488787A (zh) | 基于几何活动轮廓模型的遥感图像海岸线检测方法 | |
CN109711295B (zh) | 一种光学遥感图像近岸舰船检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN105654091B (zh) | 海面目标检测方法及装置 | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
Shu et al. | Shoreline extraction from RADARSAT-2 intensity imagery using a narrow band level set segmentation approach | |
CN103729842B (zh) | 基于局部统计特征与整体显著性分析的织物疵点检测方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN101551456A (zh) | 基于改进剪切波变换的sar图像水域边缘检测方法 | |
CN101527043B (zh) | 基于运动目标轮廓信息的视频对象分割方法 | |
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN105741276A (zh) | 一种船舶水线提取方法 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
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 | |
CN103514608A (zh) | 基于运动注意力融合模型的运动目标检测与提取方法 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
CN105469390A (zh) | 一种基于改进Seam Carving的全景海天线提取方法 | |
CN107480585A (zh) | 基于dpm算法的目标检测方法 | |
CN105069806A (zh) | 一种三点联合的图像边缘检测方法 | |
CN105469393A (zh) | 基于决策融合的浅海水深多时相遥感影像反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160413 |
|
RJ01 | Rejection of invention patent application after publication |