CN105894520A - 一种基于高斯混合模型的卫星影像自动云检测方法 - Google Patents
一种基于高斯混合模型的卫星影像自动云检测方法 Download PDFInfo
- Publication number
- CN105894520A CN105894520A CN201610259961.3A CN201610259961A CN105894520A CN 105894520 A CN105894520 A CN 105894520A CN 201610259961 A CN201610259961 A CN 201610259961A CN 105894520 A CN105894520 A CN 105894520A
- Authority
- CN
- China
- Prior art keywords
- gaussian component
- cloud
- grey level
- satellite image
- level histogram
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种基于高斯混合模型的卫星影像自动云检测方法,包括:S1统计卫星影像的原始灰度直方图,预处理灰度直方图以消除干扰;S2对灰度直方图构建高斯混合模型;S3 确定分割云区域的灰度阈值;S4 采用灰度阈值分割云区域。本发明方法弥补了传统纹理分析法、同态滤波法、多光谱综合法的不足,可用于卫星影像的筛选与质量控制、云区自动提取、含云影像快速修补等工作。本发明基于单波段影像直方图,不受限于卫星光谱范围,同时适用于全色、多光谱影像;检测精度高,无需辅助信息和人工干预,计算速度快,可自动化处理。
Description
技术领域
本发明属于遥感图像处理技术领域,特别涉及一种基于高斯混合模型的卫星影像自动云检测方法。
背景技术
以WorldView系列、Pleiades系列、中国“高分”系列卫星为代表,高分辨率对地观测技术迅速发展,卫星重访周期不断变小、卫星影像分辨率和幅宽不断提高、卫星影像的数据量急剧增加,广泛应用于资源调查、防灾减灾等领域。然而在卫星影像数据处理过程中,云的存在是一个不可忽视的问题,它不仅对地面场景形成遮挡,还在一定程度上改变了影像的光谱特性,给影像匹配、匀色和镶嵌工作造成诸多不利影响。如何精准、快速地检测卫星影像中的云层,从而更好地发挥卫星影像的利用价值,是目前摄影测量与遥感领域的热点课题。
当前较为常用的云检测方法主要有纹理分析法、同态滤波法、多光谱综合法等。但是,考虑到高分辨率对地观测卫星影像波段少、光谱范围窄(0.45~0.90微米)、数据量大的特点,现有云检测方法并不能完全适用于高分辨率对地观测卫星影像。纹理分析法基于统计方法提取云区和非云区的空间特性,可有效识别大片层云,但难以识别纹理较强的卷积云。同态滤波法不擅长处理厚云影像,且滤波的过程中会丢失一些有用信息,降低影像产品质量。多光谱综合法利用云和晴空反射率的差异,但它要求传感器配有多个热红外波段,探测波长需涵盖水或二氧化碳的吸收带,而对地观测卫星影像一般仅含有蓝、绿、红、近红外4个波段,光谱范围一般为0.43~0.90μm,多光谱综合法的优势难以体现。
发明内容
本发明的目的是针对高分辨率对地观测卫星影像,提供一种高效精确的基于高斯混合模型的卫星影像自动云检测方法。
为达到上述目的,本发明采用如下技术方案:
一种基于高斯混合模型的卫星影像自动云检测方法,包括步骤:
S1统计卫星影像的原始灰度直方图,预处理灰度直方图以消除干扰;
S2对灰度直方图构建高斯混合模型,本步骤进一步包括:
2.1采用高斯混合模型表示灰度直方图函数;
2.2采用局部最大值法获得灰度直方图的峰值点,峰值点数即高斯分量数M;
2.2使用最大类间方差法获取相邻峰值点间的谷值点;同时,将灰度直方图的两端点也标记为谷值点,谷值点横坐标记为Vj,j=1,2,...M+1;
2.3初始化高斯混合模型的模型参数,获得各高斯分量的权重、均值、标准差的初始值其中,Pm表示第m个高斯分量峰值点横坐标;h(x)表示灰度直方图中灰阶x对应的像素数;
2.4采用最大似然法对模型参数进行迭代拟合,获得高斯混合模型;
S3确定分割云区域的灰度阈值,本步骤进一步包括:
3.1根据预处理后灰度直方图的灰阶范围[Xmin,Xmax]确定云层和地物间的初始分类阈值
3.2设置第m个高斯分量的高频区间[μm-1.3σm,μm+1.3σm],μm、σm分别为第m个高斯分量的均值和标准差,从子步骤2.4获得的高斯混合模型获得;
3.3找出权重最大的高斯分量,记为p(x|μλ,σλ);若p(x|μλ,σλ)的均值μλ>Yini,以p(x|μλ,σλ)的左临界点(μλ-Kσλ)作为灰度阈值;否则,执行子步骤3.4;
3.4判断p(x|μλ,σλ)与当前高斯分量p(x|μα,σα)的高频区间是否有交集,p(x|μα,σα)初始化为p(x|μλ,σλ)右侧相邻高斯分量;若有交集,令p(x|μα,σα)右侧相邻高斯分量为当前高斯分量p(x|μα,σα),执行本子步骤;否则,以p(x|μα,σα)右临界点μα+Kσα为灰度阈值;
上述,若卫星影像为全色影像,系数K取2.5~3;若卫星影像为多光谱影像,系数K取2~2.5;
S4采用灰度阈值分割云区域。
步骤S1中所述的预处理灰度直方图以消除干扰,进一步包括:
舍弃位于灰度直方图左右两端各占总像素数a%的像素,得灰度直方图主体区间,a%在0.01%~1%范围取值;
对灰度直方图主体区间进行曲线平滑。
子步骤2.1中,若获取的峰值点数大于5,仅保留灰度值最大的5个峰值点,则高斯分量数为5。
子步骤2.4具体为:
构建最大似然模型采用最大似然函数对各高斯分量的权重、均值、标准差进行迭代,当满足收敛条件时,停止迭代;
其中,代表最大似然函数;σm (t+1)分别为第t+1次迭代下第m个高斯分量的权重、均值、标准差;分别为第t次迭代下第m个高斯分量的权重、均值、标准差;表示第t次迭代下的第m个高斯分量。
本发明方法弥补了传统纹理分析法、同态滤波法、多光谱综合法的不足,可用于卫星影像的筛选与质量控制、云区自动提取、含云影像快速修补等工作。
本发明具有如下优点和有益效果:
(1)检测精度高,误判较少;同时适用于含云、无云影像。
(2)检测基于单波段影像直方图,不受限于卫星光谱范围,同时适用于全色、多光谱影像。
(3)无需辅助信息和人工干预,计算速度快,可自动化处理。
(4)可扩展性强,当条件允许时,可将本发明方法作为初始判别准则,使用复合决策的方式,取得更精准的云检测结果。
附图说明
图1为卫星影像及其对应的灰度直方图,其中,图(a)为理想的含云卫星影像及其对应的灰度直方图,图(b)为含云量较少且云层较薄的含云卫星影像及其对应的灰度直方图,图(c)为无云卫星影像及其对应的灰度直方图;
图2为本发明灰度阈值确定的流程图;
图3中,图(a)为本发明实施例的资源三号卫星全色含云影像,图(b)为云检测结果,图(c)为影像灰度直方图及高斯混合模型;
图4中,图(a)为本发明实施例的资源三号卫星全色无云影像,图(b)为云检测结果,图(c)为影像灰度直方图及高斯混合模型。
具体实施方式
为了更好地理解本发明技术方案,下面将结合附图和实施例对本发明做进一步详细说明。
本具体实施方式在Microsoft Visual C++6.0环境下,由C语言编程实现,整个过程可实现自动化处理。
步骤1,直方图统计及预处理。
读取卫星影像,统计卫星影像的原始灰度直方图,灰度直方图可反映图像灰度分布的统计特征。由于地物本身辐射特征的复杂性,以及传感器CCD在某些情况下的异常(极端)响应,直方图会受到“噪声”的干扰。因此在对灰度直方图进行分析前,需要对其进行必要的预处理。
本步骤的具体实施方式如下:
步骤1.1,读取卫星影像,并统计卫星影像的原始灰度直方图。
步骤1.2,舍弃位于原始灰度直方图左右两端各占总数a%的像素,得到灰度直方图主体区间,将主体区间的灰阶范围即有效灰阶范围,记为[Xmin,Xmax],Xmin和Xmax分别为像素灰度值的极低值和极高值,a%在0.01%~1%范围取值。
步骤1.3,采用大小为5×5的窗口对灰度直方图主体区间进行曲线平滑。
下面步骤均基于预处理后的灰度直方图进行。
步骤2,建立高斯混合模型。
对于一幅理想的单波段含云卫星影像,其灰度直方图应该具有双峰,见图1(a)。但对于含云量较少且云层较薄的卫星影像,灰度直方图在高亮区域并不会形成明显的波峰,而是呈平缓延伸状,见图1(b)。另一方面,无云卫星影像没有表示云层的波峰,见图1(c)。综合考虑,灰度直方图分布可看作由多个简单分布混合形成的多峰形态,此时灰度直方图函数h(x)可以用高斯混合模型GMM(x)近似表示:
式(1)~(2)中:
X表示灰阶;
m表示高斯分量的序号,M为高斯分量数;
p(x|μm,σm)表示第m个高斯分量,τm为p(x|μm,σm)的权重;
μm和σm分别表示第m个高斯分量的均值和标准差。
设影像总像素数为N,则τm满足:
本具体实施中,使用局部窗口法获取高斯混合模型的初始模型参数,所述的模型参数包括高斯分量数M以及各高斯分量的权重τm、均值μm、标准差σm,并通过最大似然法(EM)对模型参数进行迭代计算,最终得到稳定的高斯混合模型。
本步骤的具体实施方式如下:
步骤2.1,设置局部窗口,使用局部最大值法获取灰度直方图的峰值点,峰值点数即高斯分量数M。若所获取峰值点数大于5,仅保留灰度值最大的5个峰值点,则高斯分量数M为5。记峰值点横坐标为Pi,i=1,2,...M。
步骤2.2,使用最大类间方差法,获取相邻峰值点间的谷值点;同时,灰度直方图的最左和最右两端点也被标记为谷值点。记谷值点横坐标为Vj,j=1,2,...M+1。谷值点Vk、Vk+1分别为位于峰值点Pk两侧,k=1,2,...M。
步骤2.3,计算第m个高斯分量的权重、均值、标准差的初始值
式(4)~(6)中,Pm表示第m个高斯分量峰值点横坐标;h(x)表示灰度直方图,即灰阶x对应的像素数。
步骤2.4,构建最大似然模型,迭代拟合模型参数,如下:
式(7)~(10)中:
代表最大似然函数,t表示迭代次数。
当满足下述收敛条件,停止迭代:
各模型参数趋于收敛后,高斯混合模型趋于稳定。
步骤3,高斯混合模型特征分析。
在可见光及近红外波谱范围内,云层反射率较高,而多数地物反射率要低很多,表现在卫星图像上,即云像元和地物像元的辐射特性具有明显差异。定量地分析各分量之间的关系,主要包括步骤:
步骤3.1,灰度直方图有效灰阶范围[Xmin,Xmax]内,表征地物的高斯分量主要集中在灰度相对较低的区域,即灰度直方图的左侧;表征云层的高斯分量则主要集中在灰度直方图的右侧。因此,将有效灰阶范围[Xmin,Xmax]的中间点Yini作为云层和地物间的初始分类阈值:
步骤3.2,表征地物和表征云层的高斯分量之间波峰相距较远,二者相对独立;而当表征不同地物的高斯分量之间波峰距离较近,二者高度相干。所以,将[μm-1.3σm,μm+1.3σm]看作第m个高斯分量的高频区间。由高斯概率密度分布函数可知,任意像素分布在此高频区间内的概率约为80%。
步骤3.3,理想的灰度阈值应位于高斯混合模型表征地物的高斯分量右侧、表征云层高斯分量左侧。基于此,将μm±Kσm标记为第m个高斯分量左右两侧的临界点。其中K值由影像类型确定。
步骤4,灰度阈值确定,见图2。
步骤4.1,找出权重最大的高斯分量,记为p(x|μλ,σλ)。若p(x|μλ,σλ)的均值μλ>Yini,则认为该权重最大的高斯分量表征云,卫星影像含云量较大,以高斯分量p(x|μλ,σλ)的左临界点(μλ-Kσλ)作为灰度阈值;否则,认为该权重最大的高斯分量表征地物,卫星影像少云或无云,此时执行步骤4.2。
步骤4.2,判断表征地物的高斯分量p(x|μλ,σλ)与当前高斯分量p(x|μα,σα)的高频区间是否有交集,当前高斯分量p(x|μα,σα)初始化为高斯分量p(x|μλ,σλ)的右侧相邻高斯分量;若有交集,令p(x|μα,σα)右侧相邻高斯分量为当前高斯分量p(x|μα,σα),重复步骤4.2;若无交集,以p(x|μα,σα)的右临界点μα+Kσα作为灰度阈值。
步骤5,基于灰度阈值分割的云区提取。
如果卫星影像是全色影像,系数K取2.5~3,得到灰度阈值Y;采用灰度阈值Y进行分割得到卫星影像的高亮区域,即被判定为云区域。
如果卫星影像是多光谱影像,系数K取2~2.5,分别计算红、绿、蓝三个波段的灰度阈值YR、YG、YB,将灰度值同时高于灰度阈值YR、YG、YB的像素判断为初始云区像素。
Claims (4)
1.一种基于高斯混合模型的卫星影像自动云检测方法,其特征是,包括:
S1统计卫星影像的原始灰度直方图,预处理灰度直方图以消除干扰;
S2对灰度直方图构建高斯混合模型,本步骤进一步包括:
2.1采用高斯混合模型表示灰度直方图函数;
2.2采用局部最大值法获得灰度直方图的峰值点,峰值点数即高斯分量数M;
2.2使用最大类间方差法获取相邻峰值点间的谷值点;同时,将灰度直方图的两端点也标记为谷值点,谷值点横坐标记为Vj,j=1,2,...M+1;
2.3初始化高斯混合模型的模型参数,获得各高斯分量的权重、均值、标准差的初始值其中,Pm表示第m个高斯分量峰值点横坐标;h(x)表示灰度直方图中灰阶x对应的像素数;
2.4采用最大似然法对模型参数进行迭代拟合,获得高斯混合模型;
S3确定分割云区域的灰度阈值,本步骤进一步包括:
3.1根据预处理后灰度直方图的灰阶范围[Xmin,Xmax]确定云层和地物间的初始分类阈值
3.2设置第m个高斯分量的高频区间[μm-1.3σm,μm+1.3σm],μm、σm分别为第m个高斯分量的均值和标准差,从子步骤2.4获得的高斯混合模型获得;
3.3找出权重最大的高斯分量,记为p(x|μλ,σλ);若p(x|μλ,σλ)的均值μλ>Yini,以p(x|μλ,σλ)的左临界点(μλ-Kσλ)作为灰度阈值;否则,执行子步骤3.4;
3.4判断p(x|μλ,σλ)与当前高斯分量p(x|μα,σα)的高频区间是否有交集,p(x|μα,σα)初始化为p(x|μλ,σλ)右侧相邻高斯分量;若有交集,令p(x|μα,σα)右侧相邻高斯分量为当前高斯分量p(x|μα,σα),执行本子步骤;否则,以p(x|μα,σα)右临界点μα+Kσα为灰度阈值;
上述,若卫星影像为全色影像,系数K取2.5~3;若卫星影像为多光谱影像,系数K取2~2.5;
S4采用灰度阈值分割云区域。
2.如权利要求1所述的基于高斯混合模型的卫星影像自动云检测方法,其特征是:
所述的预处理灰度直方图以消除干扰,进一步包括:
舍弃位于灰度直方图左右两端各占总像素数a%的像素,得灰度直方图主体区间,a%在0.01%~1%范围取值;
对灰度直方图主体区间进行曲线平滑。
3.如权利要求1所述的基于高斯混合模型的卫星影像自动云检测方法,其特征是:
子步骤2.1中,若获取的峰值点数大于5,仅保留灰度值最大的5个峰值点,则高斯分量数为5。
4.如权利要求1所述的基于高斯混合模型的卫星影像自动云检测方法,其特征是:
子步骤2.4具体为:
构建最大似然模型采用最大似然函数对各高斯分量的权重、均值、标准差进行迭代,当满足收敛条件时,停止迭代;
其中,代表最大似然函数;分别为第t+1次迭代下第m个高斯分量的权重、均值、标准差;分别为第t次迭代下第m个高斯分量的权重、均值、标准差;表示第t次迭代下的第m个高斯分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610259961.3A CN105894520B (zh) | 2016-04-25 | 2016-04-25 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610259961.3A CN105894520B (zh) | 2016-04-25 | 2016-04-25 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894520A true CN105894520A (zh) | 2016-08-24 |
CN105894520B CN105894520B (zh) | 2018-05-25 |
Family
ID=56704607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610259961.3A Expired - Fee Related CN105894520B (zh) | 2016-04-25 | 2016-04-25 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894520B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600557A (zh) * | 2016-12-19 | 2017-04-26 | 辽宁工程技术大学 | 基于混合高斯模型与稀疏约束的psf估计方法 |
CN106651792A (zh) * | 2016-11-28 | 2017-05-10 | 苏州中科天启遥感科技有限公司 | 一种卫星影像条带噪声去除方法及装置 |
CN109709527A (zh) * | 2019-01-14 | 2019-05-03 | 上海海洋大学 | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 |
CN110287898A (zh) * | 2019-06-27 | 2019-09-27 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
CN110675396A (zh) * | 2019-09-30 | 2020-01-10 | 广东工业大学 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
CN116257797A (zh) * | 2022-12-08 | 2023-06-13 | 江苏中路交通发展有限公司 | 一种基于高斯混合模型的机动车单次出行轨迹辨识方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010033303A (ja) * | 2008-07-29 | 2010-02-12 | Sony Corp | 画像データの分布モデル更新装置、画像処理装置、画像データの分布モデル更新方法およびプログラム |
CN104573662A (zh) * | 2015-01-14 | 2015-04-29 | 北京航天世景信息技术有限公司 | 一种云判方法和系统 |
CN104933415A (zh) * | 2015-06-25 | 2015-09-23 | 华中科技大学 | 一种实时可见光遥感影像云区检测方法 |
-
2016
- 2016-04-25 CN CN201610259961.3A patent/CN105894520B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010033303A (ja) * | 2008-07-29 | 2010-02-12 | Sony Corp | 画像データの分布モデル更新装置、画像処理装置、画像データの分布モデル更新方法およびプログラム |
CN104573662A (zh) * | 2015-01-14 | 2015-04-29 | 北京航天世景信息技术有限公司 | 一种云判方法和系统 |
CN104933415A (zh) * | 2015-06-25 | 2015-09-23 | 华中科技大学 | 一种实时可见光遥感影像云区检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651792A (zh) * | 2016-11-28 | 2017-05-10 | 苏州中科天启遥感科技有限公司 | 一种卫星影像条带噪声去除方法及装置 |
CN106651792B (zh) * | 2016-11-28 | 2020-04-07 | 苏州中科天启遥感科技有限公司 | 一种卫星影像条带噪声去除方法及装置 |
CN106600557A (zh) * | 2016-12-19 | 2017-04-26 | 辽宁工程技术大学 | 基于混合高斯模型与稀疏约束的psf估计方法 |
CN106600557B (zh) * | 2016-12-19 | 2019-09-17 | 辽宁工程技术大学 | 基于混合高斯模型与稀疏约束的psf估计方法 |
CN109709527A (zh) * | 2019-01-14 | 2019-05-03 | 上海海洋大学 | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 |
CN109709527B (zh) * | 2019-01-14 | 2023-03-14 | 上海海洋大学 | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 |
CN110287898A (zh) * | 2019-06-27 | 2019-09-27 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
CN110287898B (zh) * | 2019-06-27 | 2023-04-18 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
CN110675396A (zh) * | 2019-09-30 | 2020-01-10 | 广东工业大学 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
CN116257797A (zh) * | 2022-12-08 | 2023-06-13 | 江苏中路交通发展有限公司 | 一种基于高斯混合模型的机动车单次出行轨迹辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105894520B (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894520A (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN111080629A (zh) | 一种图像拼接篡改的检测方法 | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN109035273B (zh) | 一种免疫层析试纸卡的图像信号快速分割方法 | |
CN111539247B (zh) | 一种超光谱人脸识别方法、装置、电子设备及其存储介质 | |
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN105354865A (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
El Khoury et al. | Color and sharpness assessment of single image dehazing | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
CN112819737A (zh) | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 | |
CN108765359A (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
Kang et al. | Fog model-based hyperspectral image defogging | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
CN109815894A (zh) | 一种针对哨兵2a影像的建筑物阴影提取处理方法 | |
CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN115439759A (zh) | 遥感影像中植被的提取方法、装置、电子设备及介质 | |
Junwu et al. | An infrared and visible image fusion algorithm based on LSWT-NSST | |
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 | |
Zhao et al. | Image dehazing based on haze degree classification | |
Zhang et al. | Salient target detection based on the combination of super-pixel and statistical saliency feature analysis for remote sensing images | |
CN117391981A (zh) | 一种基于低光照明和自适应约束的红外与可见光图像融合方法 | |
CN116681636A (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 |
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 |
Granted publication date: 20180525 Termination date: 20190425 |
|
CF01 | Termination of patent right due to non-payment of annual fee |