CN105787499A - 基于K-means聚类和偏振信息提取的伪装目标识别方法 - Google Patents
基于K-means聚类和偏振信息提取的伪装目标识别方法 Download PDFInfo
- Publication number
- CN105787499A CN105787499A CN201410830874.XA CN201410830874A CN105787499A CN 105787499 A CN105787499 A CN 105787499A CN 201410830874 A CN201410830874 A CN 201410830874A CN 105787499 A CN105787499 A CN 105787499A
- Authority
- CN
- China
- Prior art keywords
- image
- polarization
- angle
- cluster
- pixel
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于K-means聚类和偏振信息提取的伪装目标识别方法,首先获得目标偏振参量图像数据,然后获得偏振度图像、偏振角图像和椭率角图像,对于得到的多维图像I(P,θ,ε)用K-means进行聚类,计算新的聚类中心Cmi,重复计算新的聚类中心,直至聚类中心Cmi不再变化,迭代终止,得到最终的聚类融合图像。本发明在主观视觉和客观评价上有了很大的提高,聚类融合的结果由于融入了偏振度,偏振角和椭率角信息,使得图像中的偏振信息更完整。
Description
技术领域
本发明属于偏振成像技术领域,特别是一种基于K-means聚类和偏振信息提取的伪装目标识别方法。
背景技术
自然背景中的人造目标检测是目标识别领域研究的热点,而检测自然背景中的伪装目标是该领域中一直存在的难题。国内外对偏振成像探测的研究发现:物体反射或辐射光波的偏振态信息,可以有效区分不同材质、不同表面形态、不同导电率的散射体。一定条件下,利用偏振成像方式获取的伪装目标与自然背景的偏振信息之间存在较大差异。人造伪装目标表面较光滑,辐射和反射光的线偏振较强,而自然背景的散射较强使偏振度较低。
光波的偏振态通常用Stokes矢量(I,Q,U,V)T来定量化表示,其中I表示光波的总强度;Q代表水平偏振和垂直偏振之间的强度差;U代表光线偏振部分方向在45°和-45°之间的强度差;V代表光的左旋和右旋圆偏振分量的强度差。这4个参量均是光强的时间平均值,具有强度的量纲,可以直接被光电探测器探测。任意的Stokes矢量可以表示为:
式中P、θ和ε分别表示偏振度,偏振角和椭率角,I为光强值。即对给定的总光强值I,光波的偏振态由偏振度P、偏振角θ和椭率角ε决定。偏振度P、偏振角θ和椭率角ε的定义如式(2)所示:
偏振度P表示完全偏振光强度在整个光强度中的比例,偏振角θ表示偏振光振动方向与参考方向(参考方向取水平方向x轴)的夹角,椭率角ε的正负反映了对应的光是右旋或者左旋圆偏振光。
目前国内外对偏振信息的利用大多是围绕光强I,偏振度P和偏振角θ,在一定程度上造成了部分偏振信息的缺失;文献DUAn-ping,ZHAOYong-qiang,PANQuan.ImageEnhancementAlgorithmBasedonPolarizationCharacter[J].COMPUTERMEASUREMENT&CONTROL,2007,15(1):106-108.中公开对光强图像、偏振度图像和偏振角图像进行图像融合,融合后图像的信息熵和清晰度得到了一定幅度的提升;目前国内外对偏振图像的聚类也只是单纯地采用各种聚类算法,如K-means算法和模糊C均值算法,但聚类算法只能粗略的将物体分类,效果也和所采用的聚类算法有关,所以不能细致的分辨伪装目标。文献眭臻.基于K-means聚类的灰度图像分割[J].计算机光盘软件与应用,2012,(10):122-123.中公开利用图像的灰度信息,结合K-means聚类方法对图像进行分割,结果表明K-means聚类能对图像很好地分类。文献WANGDao-rong,ZHAOYong-qiang,PANQuan.ClassificationofSpectropolarimetricImageryBasedonFuzzyClusterandEvidenceTheory[J].ACTAPHOTONICASINICA,2007,36(12):2365-2370.中公开利用模糊C均值聚类对光强图像、偏振度图像和偏振角图像进行聚类融合,最终效果虽然突出了目标和背景的差异,但仍然存在不足,主要表现在对光强,偏振度和偏振角聚类融合的过程中,丢失了部分偏振信息导致最终融合结果图偏振信息不完整。专利CN103530853A红外光强图像和红外偏振图像增强融合方法中公开对红外光强图像和红外偏振度图像进行支持度变换,对得到的低频图像和支持度图像进行融合处理,虽然合成图像目标与背景的对比度增强,但是没有充分利用偏振信息的冗余性和互补性,同样也造成了偏振信息的缺失。专利CN103500444A一种偏振图像融合方法中公开一种将非负矩阵分解方法和脉冲耦合神经网络方法相结合的偏振图像融合方法,对偏振参量图像数据I,Q,U,P,Θ构成的矩阵进行分解融合,虽然综合利用了偏振参量I,Q,U,P,Θ,但忽略了V分量,所以仍有部分偏振信息缺失。
发明内容
本发明的目的在于提供一种基于K-means聚类和偏振信息提取的伪装目标识别方法,完善了现有偏振图像融合过程中部分偏振信息缺失的问题,融合后图像的偏振信息更完整,细节特征更丰富,伪装目标能够更好地被突出。
实现本发明目的的技术解决方案为:一种基于K-means聚类和偏振信息提取的伪装目标识别方法,步骤如下:
步骤1,获得目标偏振参量图像数据:利用偏振成像系统对目标进行偏振成像,得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°、45°、90°、135°的线偏振分量光强图像I0、I45、I90和I135,加上1/4波片后,分别测量左旋和右旋圆偏振分量光强图像IL和IR,进而得到斯托克斯参量图像数据I、Q、U、V;
步骤2,获得偏振度图像、偏振角图像和椭率角图像:由步骤1中的斯托克斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε);
步骤3,对于步骤2中得到的多维图像I(P,θ,ε)用K-means进行聚类,随机选取初始聚类中心C1i(P0,θ0,ε0),i=1,2...k,其中k为类别数,下标1表示第一次迭代,P0,θ0,ε0分别表示选取的偏振度图像、偏振角图像和椭率图像中某一位置像素的像素值;
求解每个样本数据与初始聚类中心C1i的欧几里得距离 i=1,2...k,j=1,2...N,N为每幅图像中的总像素数,其中C1i(1)、C1i(2)和C1i(3)分别表示初始聚类中心C1i的第一、二、三个元素,Pj、θj和εj分别表示偏振度图像、偏振角图像和椭率图像中像素按每行叠加后第j个像素的像素值;将每个数据对象分配到离该数据对象最近的聚类中心C1i(P0,θ0,ε0),i=1,2...k;
步骤4,计算新的聚类中心m=2,3...,其中m为迭代次数,ri表示离C(m-1)i,i=1,2...k最近的像素点个数,C(m-1)i,i=1,2...k为第(m-1)次迭代的第i类中心;并将每个数据对象分配到离它最近的聚类中心Cmi,i=1,2...k;计算各个聚类中心之间的欧几里得距离d(Ci,Cj)i,j=1,2...k,i≠j,Ci,Ci分别表示第i类和第j类聚类中心;
步骤5:重复步骤4,直至聚类中心Cmi不再变化,迭代终止,得到最终的聚类融合图像。
本发明与现有技术相比,其显著优点:(1)本发明在主观视觉和客观评价上有了很大的提高,在图4中得到的结果图中目标与背景对比度更高,伪装目标能快速地被识别。(2)本发明聚类融合的结果由于融入了偏振度,偏振角和椭率角信息,使得图像中的偏振信息更完整,图4中图像细节信息更丰富,目标轮廓更完整,对隐藏在自然背景中的伪装目标能够更好地识别。(3)本发明适用性强,可以应用于多种场合,如可见光、红外偏振图像等技术领域中均可应用。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是可见光黑白相机拍摄的原始光强图像。
图2是对偏振度图像用K-means聚类后的结果图。
图3是利用K-means对光强图像、偏振度图像和偏振角图像聚类融合后的结果图。
图4是本发明得到的结果图。
图5是斯托克斯参量测量系统图。
图6是本发明的流程图。
具体实施方式
结合图6,本发明基于K-means聚类和偏振信息提取的伪装目标识别方法,步骤如下:
步骤1,获得目标偏振参量图像数据:利用偏振成像系统对目标进行偏振成像,得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°、45°、90°、135°的线偏振分量光强图像I0、I45、I90和I135,加上1/4波片后,分别测量左旋和右旋圆偏振分量光强图像IL和IR,进而得到斯托克斯参量图像数据I、Q、U、V。
在步骤1中,计算斯托克斯参量图像数据I、Q、U、V的公式如下:
如图5所示,斯托克斯参量的测量过程为:沿z轴传播的光束,先后通过快轴与参考轴成β角的1/4波片和透光轴与参考轴成α角的起偏器;
先不用1/4波片,通过在光路中旋转起偏器使α分别为0°、45°、90°和135°,获取线偏振分量的光强图像I0、I45、I90、I135,由上式得到Stokes的前3个参量I、Q、U;
在光路中移入1/4波片,令α=0°,通过旋转1/4波片使β分别取+45°和-45°,获取左/右旋圆偏振分量的光强图像IL和IR,由上式得出最后一个Stokes参量V。
步骤2,获得偏振度图像、偏振角图像和椭率角图像:由步骤1中的斯托克斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)。
在步骤2中,由步骤1中的斯托克斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)的公式为:
步骤3,对于步骤2中得到的多维图像I(P,θ,ε)(即偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε))用K-means进行聚类,随机选取初始聚类中心C1i(P0,θ0,ε0),i=1,2...k,其中k为类别数,下标1表示第一次迭代,P0,θ0,ε0分别表示选取的偏振度图像、偏振角图像和椭率图像中某一位置像素的像素值;
求解每个样本数据与初始聚类中心C1i的欧几里得距离 i=1,2...k,j=1,2...N,N为每幅图像中的总像素数,其中C1i(1)、C1i(2)和C1i(3)分别表示初始聚类中心C1i的第一、二、三个元素,Pj、θj和εj分别表示偏振度图像、偏振角图像和椭率图像中像素按每行叠加后第j个像素的像素值;将每个数据对象分配到离该数据对象最近的聚类中心C1i(P0,θ0,ε0),i=1,2...k。
在步骤3中,对多维偏振图像I(P,θ,ε)像素值的处理:将偏振度图像I(P)、偏振角图像I(θ)以及椭率图像I(ε)中每个像素点位置的图像像素灰度值作为三维坐标中每个点的三维坐标值,从而将多维偏振图像I(P,θ,ε)的图像像素值对应到三维坐标系中。
在步骤3中,将每个数据对象分配到离它最近的初始聚类中心
C1i(P0,θ0,ε0),i=1,2...k的分配方法如下:对样本点(Pj,θj,εj),若该点到初始聚类中心的C1i的欧几里得距离比到其他聚类中心的距离都小,则把该样本点分配给聚类中心C1i。
步骤4,计算新的聚类中心m=2,3...,其中m为迭代次数,ri表示离C(m-1)i,i=1,2...k最近的像素点个数,C(m-1)i,i=1,2...k为第(m-1)次迭代的第i类中心;并将每个数据对象分配到离它最近的聚类中心Cmi,i=1,2...k;计算各个聚类中心之间的欧几里得距离d(Ci,Cj),i,j=1,2...k,i≠j,Ci,Cj分别表示第i类和第j类聚类中心。
在步骤4中,公式 m=2,3...中的和分别为偏振度图像、偏振角图像和椭率图像中离C(m-1)i最近的ri个像素点的灰度值之和。
步骤5:重复步骤4,直至聚类中心Cmi不再变化,迭代终止,得到最终的聚类融合图像。
实施例
本发明基于K-means聚类和偏振信息提取的伪装目标识别方法,通过下述步骤实现:
步骤1:获得目标偏振参量图像数据。获得目标偏振参量图像数据之前,需要先拍摄原始光强图像如图1所示,本发明实验所用相机为可见光黑白相机,拍摄场景为一块涂有土黄色伪装涂层的金属板置于铺满落叶的树下。从图1中很难发现隐藏的伪装目标。
利用偏振成像系统对目标进行偏振成像,得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°,45°,90°,135°的线偏振分量光强图像I0,I45,I90和I135,加上1/4波片后,分别测量左旋和右旋圆偏振分量光强图像IL和IR,进而得到斯托克斯参量图像数据I,Q,U,V;
斯托克斯参量的详细测量过程如下:沿z轴传播的光束,先后通过快轴与参考轴成β角的1/4波片和透光轴与参考轴成α角的起偏器。先不用1/4波片,通过在光路中旋转起偏器使α分别为0°,45°,90°和135°,获取线偏振分量的光强图像I0,I45,I90,I135,由式(3)得到Stokes的前3个参量I,Q,U。在光路中移入1/4波片,令α=0°,通过旋转1/4波片使β分别取+45°和-45°,获取左/右旋圆偏振分量的光强图像IL和IR,由式(3)得出最后一个Stokes参量V。
步骤2:获得偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)。
由步骤1中的斯托克斯参量图像数据I,Q,U,V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率角ε图像I(ε),公式如背景技术中的公式(2)。
步骤3:对于步骤2中得到的多维图像I(P,θ,ε)用K-means进行聚类,将偏振度图像I(P)、偏振角图像I(θ)以及椭率图像I(ε)中每个像素点位置的图像像素灰度值作为三维坐标中每个点的三维坐标值,随机选取初始聚类中心C1i(P0,θ0,ε0),i=1,2...k,其中k为类别数,P0、θ0、ε0分别为偏振度、偏振角、椭率图像中同一像素点位置的像素值,C1i表示第一次迭代中的第i个聚类中心。求解每个样本数据点(Pj,θj,εj)与初始聚类中心C1i的欧几里得距离,公式如下:
其中,i=1,2...k,j=1,2...N,i为类别数,j为像素数,N为总的像素数,Pj、θj、εj分别对应偏振度图像I(P)、偏振角图像I(θ)以及椭率图像I(ε)中相同像素点位置的图像像素灰度值。按照分配方法将每个数据对象分配到离它最近的聚类中心C1i(P0,θ0,ε0),i=1,2...k;分配方法如下:
对样本点(Pj,θj,εj),若该点到初始聚类中心的C1i的欧几里得距离比到其他聚类中心的距离都小,则把该样本点分配给聚类中心C1i。对每个样本点都按照上述分配方法分配结束。
步骤4:按照新分配好的像素点,计算新的聚类中心,公式如下:
其中m为迭代次数,Cmi代表第m次迭代时的第i类聚类中心,ri为到上一次迭代的聚类中心C(m-1)i,i=1,2...k最近的像素点个数,和分别为偏振度图像、偏振角图像和椭率图像中离C(m-1)i最近的ri个像素点的灰度值之和;将每个数据对象按照纷配规则分配到离它最近的聚类中心Cmi,i=1,2...k,计算各个聚类中心之间的欧几里得距离d(Ci,Cj),i,j=1,2...k,i≠j。
步骤5:重复步骤4,直至聚类中心Cmi不再变化(该Cmi中三个元素值恒定),迭代终止,得到最终的聚类融合图像,如图4所示,融合结果图中目标轮廓更完整,细节信息更丰富,目标与背景对比度更高。
如图2、图3、图4所示,分别为对偏振度图像用K-means聚类后的结果图,利用K-means对光强图像、偏振度图像和偏振角图像聚类融合后的结果图以及本发明方法得到的结果图,图1为原始光强图像,图1中很难发现隐藏的伪装目标。从图中可以看出本发明方法得到的结果图,由于融入了更多的偏振信息,图像中的细节信息更丰富,目标轮廓更完整,本发明方法使偏振成像能更好地应用于军事探测领域,可以有效快速地识别出混杂在自然背景下的伪装目标。
Claims (6)
1.一种基于K-means聚类和偏振信息提取的伪装目标识别方法,其特征在于步骤如下:
步骤1,获得目标偏振参量图像数据:利用偏振成像系统对目标进行偏振成像,得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°、45°、90°、135°的线偏振分量光强图像I0、I45、I90和I135,加上1/4波片后,分别测量左旋和右旋圆偏振分量光强图像IL和IR,进而得到斯托克斯参量图像数据I、Q、U、V;
步骤2,获得偏振度图像、偏振角图像和椭率角图像:由步骤1中的斯托克斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε);
步骤3,对于步骤2中得到的多维图像I(P,θ,ε)用K-means进行聚类,随机选取初始聚类中心C1i(P0,θ0,ε0),i=1,2...k,其中k为类别数,下标1表示第一次迭代,P0,θ0,ε0分别表示选取的偏振度图像、偏振角图像和椭率图像中某一位置像素的像素值;
求解每个样本数据与初始聚类中心C1i的欧几里得距离
步骤4,计算新的聚类中心其中m为迭代次数,ri表示离C(m-1)i,i=1,2...k最近的像素点个数,C(m-1)i,i=1,2...k为第(m-1)次迭代的第i类中心;并将每个数据对象分配到离它最近的聚类中心Cmi,i=1,2...k;计算各个聚类中心之间的欧几里得距离d(Ci,Cj),i,j=1,2...k,i≠j,Ci,Cj分别表示第i类和第j类聚类中心;
步骤5:重复步骤4,直至聚类中心Cmi不再变化,迭代终止,得到最终的聚类融合图像。
2.根据权利要求1所述的基于K-means聚类和偏振信息提取的伪装目标识别方法,其特征在于在步骤1中,计算斯托克斯参量图像数据I、Q、U、V的公式如下:
斯托克斯参量的测量过程为:沿z轴传播的光束,先后通过快轴与参考轴成β角的1/4波片和透光轴与参考轴成α角的起偏器;
先不用1/4波片,通过在光路中旋转起偏器使α分别为0°、45°、90°和135°,获取线偏振分量的光强图像I0、I45、I90、I135,由上式得到Stokes的前3个参量I、Q、U;
在光路中移入1/4波片,令α=0°,通过旋转1/4波片使β分别取+45°和-45°,获取左/右旋圆偏振分量的光强图像IL和IR,由上式得出最后一个Stokes参量V。
3.根据权利要求1所述的基于K-means聚类和偏振信息提取的伪装目标识别方法,其特征在于在步骤2中,由步骤1中的斯托克斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)的公式为:
4.根据权利要求1所述的基于K-means聚类和偏振信息提取的伪装目标识别方法,其特征在于在步骤3中,对多维偏振图像I(P,θ,ε)像素值的处理:将偏振度图像I(P)、偏振角图像I(θ)以及椭率图像I(ε)中每个像素点位置的图像像素灰度值作为三维坐标中每个点的三维坐标值,从而将多维偏振图像I(P,θ,ε)的图像像素值对应到三维坐标系中。
5.根据权利要求1所述的基于K-means聚类和偏振信息提取的伪装目标识别方法,其特征在于在步骤3中,将每个数据对象分配到离它最近的初始聚类中心C1i(P0,θ0,ε0),i=1,2...k的分配方法如下:对样本点(Pj,θj,εj),若该点到初始聚类中心的C1i的欧几里得距离比到其他聚类中心的距离都小,则把该样本点分配给聚类中心C1i。
6.根据权利要求1所述的基于K-means聚类和偏振信息提取的伪装目标识别方法,其特征在于在步骤4中,公式 中的 和分别为偏振度图像、偏振角图像和椭率图像中离C(m-1)i最近的ri个像素点的灰度值之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830874.XA CN105787499B (zh) | 2014-12-26 | 2014-12-26 | 基于K-means聚类和偏振信息提取的伪装目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830874.XA CN105787499B (zh) | 2014-12-26 | 2014-12-26 | 基于K-means聚类和偏振信息提取的伪装目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787499A true CN105787499A (zh) | 2016-07-20 |
CN105787499B CN105787499B (zh) | 2019-04-16 |
Family
ID=56389563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410830874.XA Expired - Fee Related CN105787499B (zh) | 2014-12-26 | 2014-12-26 | 基于K-means聚类和偏振信息提取的伪装目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787499B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952282A (zh) * | 2017-03-03 | 2017-07-14 | 南京理工大学 | 一种基于偏振参数的伪装识别方法 |
CN107392948A (zh) * | 2017-07-10 | 2017-11-24 | 大连理工大学 | 一种分振幅实时偏振成像系统的图像配准方法 |
CN107957582A (zh) * | 2017-12-08 | 2018-04-24 | 南京理工大学 | 一种基于恒阈值鉴别法的测距装置及测距方法 |
CN113591628A (zh) * | 2021-07-16 | 2021-11-02 | 合肥工业大学 | 一种基于红外偏振的无人机检测方法及系统 |
CN113779781A (zh) * | 2021-02-08 | 2021-12-10 | 合肥工业大学 | 一种基于偏振纯度的识别伪装目标方法 |
CN116907677A (zh) * | 2023-09-15 | 2023-10-20 | 山东省科学院激光研究所 | 用于混凝土结构的分布式光纤温度传感系统及其测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500444A (zh) * | 2013-09-04 | 2014-01-08 | 北京航空航天大学 | 一种偏振图像融合方法 |
CN103839269A (zh) * | 2014-03-21 | 2014-06-04 | 南京大学 | 基于四元数和模糊c均值聚类的图像分割方法 |
CN103617618B (zh) * | 2013-12-03 | 2017-06-13 | 西安电子科技大学 | 基于特征提取与聚类集成的sar图像分割方法 |
-
2014
- 2014-12-26 CN CN201410830874.XA patent/CN105787499B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500444A (zh) * | 2013-09-04 | 2014-01-08 | 北京航空航天大学 | 一种偏振图像融合方法 |
CN103617618B (zh) * | 2013-12-03 | 2017-06-13 | 西安电子科技大学 | 基于特征提取与聚类集成的sar图像分割方法 |
CN103839269A (zh) * | 2014-03-21 | 2014-06-04 | 南京大学 | 基于四元数和模糊c均值聚类的图像分割方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952282A (zh) * | 2017-03-03 | 2017-07-14 | 南京理工大学 | 一种基于偏振参数的伪装识别方法 |
CN107392948A (zh) * | 2017-07-10 | 2017-11-24 | 大连理工大学 | 一种分振幅实时偏振成像系统的图像配准方法 |
CN107392948B (zh) * | 2017-07-10 | 2020-07-14 | 大连理工大学 | 一种分振幅实时偏振成像系统的图像配准方法 |
CN107957582A (zh) * | 2017-12-08 | 2018-04-24 | 南京理工大学 | 一种基于恒阈值鉴别法的测距装置及测距方法 |
CN113779781A (zh) * | 2021-02-08 | 2021-12-10 | 合肥工业大学 | 一种基于偏振纯度的识别伪装目标方法 |
CN113779781B (zh) * | 2021-02-08 | 2024-03-22 | 合肥工业大学 | 一种基于偏振纯度的识别伪装目标方法 |
CN113591628A (zh) * | 2021-07-16 | 2021-11-02 | 合肥工业大学 | 一种基于红外偏振的无人机检测方法及系统 |
WO2023284656A1 (zh) * | 2021-07-16 | 2023-01-19 | 合肥工业大学 | 一种基于红外偏振的无人机检测方法及系统 |
CN116907677A (zh) * | 2023-09-15 | 2023-10-20 | 山东省科学院激光研究所 | 用于混凝土结构的分布式光纤温度传感系统及其测量方法 |
CN116907677B (zh) * | 2023-09-15 | 2023-11-21 | 山东省科学院激光研究所 | 用于混凝土结构的分布式光纤温度传感系统及其测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105787499B (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787499A (zh) | 基于K-means聚类和偏振信息提取的伪装目标识别方法 | |
Liu et al. | Infrared and visible image fusion method based on saliency detection in sparse domain | |
Jin et al. | A survey of infrared and visual image fusion methods | |
Campo et al. | Multimodal stereo vision system: 3D data extraction and algorithm evaluation | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
Ok et al. | Matching of straight line segments from aerial stereo images of urban areas | |
CN105335722A (zh) | 一种基于深度图像信息的检测系统及方法 | |
CN101540049B (zh) | 一种高光谱图像的端元提取方法 | |
CN103502811A (zh) | 用于检验和鉴别物理对象的系统、方法和计算机可访问介质 | |
CN106033599A (zh) | 基于偏振成像的可见光增强方法 | |
CN104182973A (zh) | 基于圆形描述算子csift的图像复制粘贴检测方法 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN108765476A (zh) | 一种偏振图像配准方法 | |
CN104978724A (zh) | 基于多尺度变换与脉冲耦合神经网络的红外偏振融合方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN109409389A (zh) | 一种融合多特征的面向对象变化检测方法 | |
He et al. | Robust illumination invariant texture classification using gradient local binary patterns | |
Liu et al. | SSG-Net: A robust network for adaptive multi-source image registration based on SuperGlue | |
Levis et al. | Statistical tomography of microscopic life | |
Kim | Survey on registration techniques of visible and infrared images | |
CN106056599B (zh) | 一种基于物体深度数据的物体识别算法及装置 | |
Guo et al. | Novel registration and fusion algorithm for multimodal railway images with different field of views | |
Lin et al. | Enhancing deep-learning object detection performance based on fusion of infrared and visible images in advanced driver assistance systems | |
CN109447057A (zh) | 图像特征识别方法、相关装置及存储介质 | |
Zou et al. | Deep learning-based pavement cracks detection via wireless visible light camera-based network |
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 |
Granted publication date: 20190416 Termination date: 20201226 |
|
CF01 | Termination of patent right due to non-payment of annual fee |