CN106169186A - 基于水平集运动目标检测中获取初始轮廓的方法 - Google Patents
基于水平集运动目标检测中获取初始轮廓的方法 Download PDFInfo
- Publication number
- CN106169186A CN106169186A CN201610512753.XA CN201610512753A CN106169186A CN 106169186 A CN106169186 A CN 106169186A CN 201610512753 A CN201610512753 A CN 201610512753A CN 106169186 A CN106169186 A CN 106169186A
- Authority
- CN
- China
- Prior art keywords
- bianry image
- pixel
- image
- structural element
- initial profile
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06T2207/10016—Video; Image sequence
Abstract
本发明公开了一种基于水平集运动目标检测中获取初始轮廓的方法。其实现步骤为:(1)输入影像格式的视频图像,从中选取三帧连续图像;(2)对三帧连续图像进行帧间差分法获得二值图像;(3)对获得的二值图像去除干扰噪声;(4)对除去干扰噪声的二值图像中的小孔洞进行填充;(5)对进行小孔洞填充后出现多个目标连接在一起的情况进行分离;(6)采用区域生长法获取需要获得初始化轮廓的运动目标区域,计算选取的运动目标区域的最大内切圆,得到运动目标区域的初始化轮廓。本发明降低了获取运动目标初始化轮廓的复杂度,提高了对复杂背景且背景与目标具有同质区域时初始轮廓的获取准确度,可用于对运动目标的定位及检测。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种获取运动目标初始轮廓的方法,可用于对运动目标的定位及检测。
背景技术
运动目标初始轮廓的获取是进行目标检测的必要及重要的步骤,准确的获取运动目标的初始轮廓是非常必要的,同时也为后续提高图像处理效率奠定了基础。水平集是由Osher和Sethian提出的一种目标轮廓描述模型,主要应用于基于形状的目标分割,在最近十多年中,它已经被越来越多的研究者成功的应用于计算机视觉的许多领域,如边缘提取,目标跟踪,三维重建等。但是该模型需要初始轮廓,现有的初始轮廓的获取方法一般都是采用交互的方式,将初始轮廓设定为包括图像目标的固定圆形或者矩形框,方法简单,但是不能准确定位目标的位置以及大小,在进行模型迭代的过程中需进一步搜寻目标,不仅增加了算法的复杂度,而且降低了算法的实用性。所以需要一种能够快速定位到运动目标位置,并且能够遵从人为意愿选择运动目标初始轮廓的方法。国内外学者对获取运动目标的初始轮廓方法进行了研究,并提出了多种不同的方法,但这些方法均存在利弊。
武汉大学的张东等人在其申请的专利“基于主动轮廓模型的超声图像分割中获取初始轮廓的方法”(专利申请号:201410141568.5公开号:103914845A)中提出了一种获取图像中目标的初始轮廓的方法。该方法首先对输入图像采用灰度共生矩阵提取24个纹理特征,组成标准向量。对输入图像预处理后进行动态阈值分割,提取出闭合轮廓,使得每一个闭合轮廓为一个子图像。然后,采用灰度共生矩阵提取各子图像的24个纹理特征,计算椭圆拟合结果参数以及子图像闭合轮廓内部像素个数,用这26个数据组成一个新的向量。最后,计算新的向量与标准向量之间的距离,使得距离最小的新的向量的值所对应的闭合轮廓为初始轮廓。该方法由于主要针对的是医学图像检测肿瘤,其形状假设为圆或者椭圆,在获取初始轮廓时,采用椭圆拟合参数等,使得该方法存在有一定的局限性。当用该方法对非医学图像或者自然图像中的非规则形状目标进行初始轮廓的获取时,并不能得到很好的结果。
白雪飞等人在论文“自适应初始轮廓的Chan-Vese模型图像分割方法”(《计算机科学与探索》2013年7卷12期第1115~1124页)中提出了一种基于视觉认知的初始轮廓获取方法。该方法借助显著性检测,以确定图像中的感兴趣位置,从而获取图像目标的先验形状信息,以此获得目标的初始化曲线。该方法的不足之处是,在采用显著性检测来获取图像中的感兴趣位置时复杂度较大,当对背景复杂且目标与背景具有同质区域时,获得的初始轮廓的精确度不高,当存在有一个以上的目标时,该方法所获得的初始轮廓不能够准确定位到每个目标的位置和大小,并且不能自主选择目标区域进行初始轮廓的获取。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提出一种基于水平集运动目标检测中获取初始轮廓的方法,以降低获取初始轮廓的复杂度,提高对复杂背景且背景与目标具有同质区域时初始轮廓的获取准确度,实现对一个以上的目标进行自主选择获取一个选择目标区域的初始轮廓。
为实现上述目的,本发明的实现步骤包括如下:
(1)输入影像格式的视频图像;
(2)从输入的视频图像中选取运动目标明显的连续三帧视频图像,将其依次定义为第一帧视频图像I1,第二帧视频图像I2,第三帧视频图像I3;
(3)采用帧间差分法,对所选取的连续三帧视频图像进行帧间差分,获得二值图像B;
(4)采用形态学函数,对二值图像B中除了目标之外存在的其他干扰噪声进行除噪,得到去除噪声后的二值图像I;
(5)对去除噪声后的二值图像I进行形态学的闭运算操作,使得去除噪声后的二值图像I中所检测到的运动目标的轮廓边缘变得光滑,且实现对运动目标区域内部小孔洞的填充;
(6)对于进行(5)操作后使两个或者两个以上靠的很近的运动目标连接在一起的状况,采用形态学中的开运算操作,将连接在一起的多个运动目标分离开;
(7)采用区域生长法选取需要获得初始轮廓的运动目标区域,计算选取的运动目标区域的最大内切圆;
(8)以最大内切圆的圆心为圆心,以最大内切圆半径的倍数为半径作圆,得到圆形闭合曲线,该曲线即为所选运动目标区域的初始轮廓。
本发明与现有技术相比具有以下优点:
第一,本发明充分考虑了复杂背景且背景与目标具有同质区域的情况,采用帧间差分法和形态学结合的方法来获得运动区域的位置和初始轮廓,提高了初始轮廓获取的准确度;
第二,本发明充分考虑了当存在多个目标时不能选择性获取初始轮廓的问题,采用区域生长法实现对一个以上的目标进行自主选择来获取一个选择目标区域的初始轮廓,为后续的处理过程提高了效率。
第三,本发明通过运动目标区域的最大内切圆求得运动目标的初始轮廓,复杂度低,容易实现。
附图说明
图1为本发明的实现流程图。
图2为用本发明提取的初始轮廓结果图。
图3为本发明采用图2获得的初始轮廓作为水平集的初始轮廓,经过收敛后得到最终目标边界的结果图。
具体实施方式
下面结合附图1对本发明做进一步的详细描述。
步骤1:输入影像格式的视频图像。
视频的文件格式分为适合本地播放的本地影像格式视频和适合在网络中播放的网络流媒体影像视频两大类,只要包含有运动目标的视频图像,均可作为本发明的输入。在本发明的实例中,采用Computer Vision and Robotics Research中的highwayⅡ测试视频图像作为输入,视频图像尺寸为320×240像素。
步骤2:选取三帧视频图像。
从输入的highwayⅡ测试视频图像中选取运动目标明显的第469帧、第470帧和第471帧视频图像做为本实例的原始三帧视频图像进行运动目标初始轮廓提取。
步骤3:采用帧间差分法,获得二值图像。
3a)用所选取的第469帧视频图像减去第470帧视频图像,得到差分后的图像B1;
3b)用所选取的第470帧视频图像减去第471帧视频图像,得到差分后的图像B2;
3c)将两个差分后的图像B1和B2进行相“与”操作,得到二值图像B。
步骤4:采用形态学,去除干扰噪声。
在形态学中,结构元素一般有圆盘形、正方形、菱形、六边形、线段形等多种形状,在本发明实例中形态学的闭操作采用边长为6的正方形结构元素,形态学的开操作采用半径为6的圆盘形结构元素,但在其他实例中不限定采用哪种形态学结构元素。本步骤的具体实现如下:
4a)用结构元素扫描二值图像B中的每一个像素;
4b)对结构元素与其覆盖的二值图像B进行“与”操作,如果结构元素与其覆盖的二值图像B的像素均为1,则覆盖区域的像素为1,否则为0,得到腐蚀后的二值图像B1;
4c)用结构元素扫描腐蚀后的二值图像B1中的每一个像素;
4d)对结构元素与其覆盖的腐蚀后的二值图像B1进行“或”操作,如果结构元素与其覆盖的腐蚀后的二值图像B1的像素不相同或者均为1,则覆盖区域的像素为1,否则为0,即为去除噪声后的二值图像I,如图2(a)所示。
步骤5:对去除噪声后的二值图像I进行形态学的闭运算操作,进行小孔洞的填充:
5a)用结构元素扫描图2(a)中的每一个像素;
5b)对结构元素与其覆盖的图2(a)的区域进行“或”操作,如果结构元素与其覆盖的图2(a)区域的像素不相同或者均为1,则覆盖区域的像素为1,否则为0,得到膨胀后的二值图像B2;
5c)用结构元素扫描膨胀后的二值图像B2的每一个像素;
5d)对结构元素与其覆盖的膨胀后的二值图像B2进行“与”操作,如果结构元素与其覆盖的膨胀后的二值图像B2的像素均为1,则覆盖区域的像素为1,否则为0,得到目标区域内部的小孔洞被填充后的二值图像,如图2(b)所示。
步骤6:采用形态学开操作,分开狭窄的连接。
由于在两个或者两个以上的运动目标靠的很近时,进行闭运算操作后会使得距离接近的运动目标连接在一起,故需要采用形态学中的开运算操作,将连接起来的多个运动目标分离开。其具体步骤如下:
6a)用结构元素扫描图2(b)中的每一个像素;
6b)对结构元素与图2(b)的区域进行“与”操作,如果结构元素与其覆盖的图2(b)区域的像素均为1,则覆盖区域的像素为1,否则为0,得到二次腐蚀后的二值图像B3;
6c)用结构元素扫描二次腐蚀后的二值图像B3的每一个像素;
6d)对结构元素与其覆盖的二次腐蚀后的二值图像B3进行“或”操作,如果结构元素与其覆盖的二次腐蚀后的二值图像B3的像素不相同或者均为1,则覆盖区域的像素为1,否则为0,即得到将连接在一起的多个运动目标分离开的二值图像,如图2(c)所示。
步骤7:采用区域生长法获取需要获得初始化轮廓的运动目标区域,计算选取的运动目标区域的最大内切圆。
7a)在图2(c)中选择最左侧的目标区域内部的一点作为生长点;
7b)以生长点为中心,检查其相邻的像素,将邻域中的像素逐个与中心比较,如果中心的像素与邻域的像素差值为0,则将中心与相邻的像素合并,否则不合并;
7c)以新合并的像素为中心,再进行(7b)检测,直到区域不能进一步扩张,得到最左侧需要获得初始轮廓的运动目标区域,如图2(d)所示。
步骤8:得到运动目标区域的初始化轮廓:
以最大内切圆的圆心为圆心,以最大内切圆半径的倍数为半径作圆,得到的圆形闭合曲线即为所选运动目标区域的初始轮廓,实例的结果示意图如图2(e)所示。
从图2(e)的结果可以看出,本发明降低获取初始轮廓的复杂度,提高对复杂背景且背景与目标具有同质区域时初始轮廓的获取准确度,实现对一个以上的目标进行自主选择获取一个选择目标区域的初始轮廓。
Claims (6)
1.一种基于水平集运动目标检测中获取初始轮廓的方法,包括如下步骤:
(1)输入影像格式的视频图像;
(2)从输入的视频图像中选取运动目标明显的连续三帧视频图像,将其依次定义为第一帧视频图像I1,第二帧视频图像I2,第三帧视频图像I3;
(3)采用帧间差分法,对所选取的连续三帧视频图像进行帧间差分,获得二值图像B;
(4)采用形态学函数,对二值图像B中除了目标之外存在的其他干扰噪声进行除噪,得到去除噪声后的二值图像I;
(5)对去除噪声后的二值图像I进行形态学的闭运算操作,使得去除噪声后的二值图像I中所检测到的运动目标的轮廓边缘变得光滑,且实现对运动目标区域内部小孔洞的填充;
(6)对于进行(5)操作后使两个或者两个以上靠的很近的运动目标连接在一起的状况,采用形态学中的开运算操作,将连接在一起的多个运动目标分离开;
(7)采用区域生长法选取需要获得初始轮廓的运动目标区域,计算选取的运动目标区域的最大内切圆;
(8)以最大内切圆的圆心为圆心,以最大内切圆半径的倍数为半径作圆,得到圆形闭合曲线,该曲线即为所选运动目标区域的初始轮廓。
2.根据权利要求1所述的基于水平集运动目标检测中获取初始轮廓的方法,其特征在于:步骤(3)中采用帧间差分法,对所选取的连续三帧视频图像进行帧间差分,按如下步骤进行:
(3a)用所选取的连续三帧视频图像中的第一帧视频图像I1减去第二帧视频图像I2,得到差分后的图像B1;
(3b)用所选取的连续三帧视频图像中的第二帧视频图像I2减去第三帧视频图像I3,得到差分后的图像B2;
(3c)将两个差分后的图像B1和B2进行相“与”,得到二值图像B。
3.根据权利要求1所述的基于水平集运动目标检测中获取初始轮廓的方法,其特征在于:步骤(4)中采用形态学函数,对二值图像B中除了目标之外存在的其他干扰噪声进行除噪,按如下步骤进行:
(4a)用结构元素扫描二值图像B中的每一个像素;
(4b)对结构元素与其覆盖的二值图像B进行“与”操作,如果结构元素与其覆盖的二值图像B的像素均为1,则覆盖区域的像素为1,否则为0,得到腐蚀后的二值图像B1;
(4c)用结构元素扫描腐蚀后的二值图像B1中的每一个像素;
(4d)对结构元素与其覆盖的腐蚀后的二值图像B1进行“或”操作,如果结构元素与其覆盖的腐蚀后的二值图像B1的像素不相同或者均为1,则覆盖区域的像素为1,否则为0,得到去除噪声后的二值图像I。
4.根据权利要求1所述的基于水平集运动目标检测中获取初始轮廓的方法,其特征在于:步骤(5)中对去除噪声后的二值图像I进行形态学的闭运算操作,按如下步骤进行:
(5a)用结构元素扫描去除噪声后的二值图像I中的每一个像素;
(5b)对结构元素与其覆盖的去除噪声后的二值图像I进行“或”操作,如果结构元素与其覆盖的去除噪声后的二值图像I的像素不相同或者均为1,则覆盖区域的像素为1,否则为0,得到膨胀后的二值图像B2;
(5c)用结构元素扫描膨胀后的二值图像B2的每一个像素;
(5d)对结构元素与其覆盖的膨胀后的二值图像B2进行“与”操作,如果结构元素与其覆盖的膨胀后的二值图像B2的像素均为1,则覆盖区域的像素为1,否则为0,得到目标区域内部的小孔洞被填充的二值图像。
5.根据权利要求1所述的基于水平集运动目标检测中获取初始轮廓的方法,其特征在于:步骤(6)中两个或者两个以上靠的很近的运动目标连接在一起的状况,进行形态学的开运算操作,按如下步骤进行:
(6a)用结构元素扫描(5)所得到的二值图像中的每一个像素;
(6b)对结构元素与其覆盖的(5)所得到的二值图像进行“与”操作,如果结构元素与其覆盖的(5)所得到的二值图像的像素均为1,则覆盖区域的像素为1,否则为0,得到二次腐蚀后的二值图像B3;
(6c)用结构元素扫描二次腐蚀后的二值图像B3的每一个像素;
(6d)对结构元素与其覆盖的二次腐蚀后的二值图像B3进行“或”操作,如果结构元素与其覆盖的二次腐蚀后的二值图像B3的像素不相同或者均为1,则覆盖区域的像素为1,否则为0,得到连接在一起的多个运动目标分离开的二值图像。
6.根据权利要求1所述的基于水平集运动目标检测中获取初始轮廓的方法,其特征在于:步骤(7)中采用区域生长法选取需要获得初始轮廓的运动目标区域,按如下步骤进行:
(7a)选择要检测的目标区域内部的一点作为生长点;
(7b)以生长点为中心,检查其相邻的像素,将邻域中的像素逐个与中心比较,如果中心的像素与邻域的像素差值为0,则将中心与相邻的像素合并,否则不合并;
(7c)以新合并的像素为中心,再进行(7b)检测,直到区域不能进一步扩张,得到的生长区域即为需要获得初始轮廓的运动目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610512753.XA CN106169186A (zh) | 2016-07-01 | 2016-07-01 | 基于水平集运动目标检测中获取初始轮廓的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610512753.XA CN106169186A (zh) | 2016-07-01 | 2016-07-01 | 基于水平集运动目标检测中获取初始轮廓的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106169186A true CN106169186A (zh) | 2016-11-30 |
Family
ID=58064992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610512753.XA Pending CN106169186A (zh) | 2016-07-01 | 2016-07-01 | 基于水平集运动目标检测中获取初始轮廓的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106169186A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971393A (zh) * | 2017-02-23 | 2017-07-21 | 北京农业信息技术研究中心 | 一种玉米籽粒的表型测量方法及系统 |
CN109035370A (zh) * | 2018-07-23 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种图片标注方法与系统 |
CN109785380A (zh) * | 2018-12-29 | 2019-05-21 | 北京金山安全软件有限公司 | 一种内切圆确定方法及装置 |
CN111415372A (zh) * | 2020-03-20 | 2020-07-14 | 桂林电子科技大学 | 一种基于hsi颜色空间和上下文信息的运动目标归并方法 |
CN113344955A (zh) * | 2021-05-25 | 2021-09-03 | 云南凤云高速公路有限公司 | 一种模糊边缘精准检测边坡的系统及方法 |
CN115026839A (zh) * | 2022-07-29 | 2022-09-09 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982835A (zh) * | 2010-11-12 | 2011-03-02 | 西安电子科技大学 | Sar图像机场道路边缘检测水平集方法 |
CN102324092A (zh) * | 2011-09-09 | 2012-01-18 | 华南理工大学 | 一种数字图像中颗粒状对象的自动分割方法 |
CN103177454A (zh) * | 2011-12-24 | 2013-06-26 | 南京理工大学常熟研究院有限公司 | 一种动态图像运动目标检测方法 |
CN105427341A (zh) * | 2015-11-11 | 2016-03-23 | 西安电子科技大学 | 基于多变分水平集的复杂背景视频图像多目标检测方法 |
-
2016
- 2016-07-01 CN CN201610512753.XA patent/CN106169186A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982835A (zh) * | 2010-11-12 | 2011-03-02 | 西安电子科技大学 | Sar图像机场道路边缘检测水平集方法 |
CN102324092A (zh) * | 2011-09-09 | 2012-01-18 | 华南理工大学 | 一种数字图像中颗粒状对象的自动分割方法 |
CN103177454A (zh) * | 2011-12-24 | 2013-06-26 | 南京理工大学常熟研究院有限公司 | 一种动态图像运动目标检测方法 |
CN105427341A (zh) * | 2015-11-11 | 2016-03-23 | 西安电子科技大学 | 基于多变分水平集的复杂背景视频图像多目标检测方法 |
Non-Patent Citations (2)
Title |
---|
第6期: "水平集方法及其在视频车辆检测中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
龚永义等: "基于单水平集的多目标轮廓提取", 《计算机学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971393A (zh) * | 2017-02-23 | 2017-07-21 | 北京农业信息技术研究中心 | 一种玉米籽粒的表型测量方法及系统 |
CN106971393B (zh) * | 2017-02-23 | 2019-09-10 | 北京农业信息技术研究中心 | 一种玉米籽粒的表型测量方法及系统 |
CN109035370A (zh) * | 2018-07-23 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种图片标注方法与系统 |
CN109035370B (zh) * | 2018-07-23 | 2022-02-22 | 郑州云海信息技术有限公司 | 一种图片标注方法与系统 |
CN109785380A (zh) * | 2018-12-29 | 2019-05-21 | 北京金山安全软件有限公司 | 一种内切圆确定方法及装置 |
CN109785380B (zh) * | 2018-12-29 | 2020-09-18 | 北京金山安全软件有限公司 | 一种内切圆确定方法及装置 |
CN111415372A (zh) * | 2020-03-20 | 2020-07-14 | 桂林电子科技大学 | 一种基于hsi颜色空间和上下文信息的运动目标归并方法 |
CN111415372B (zh) * | 2020-03-20 | 2023-04-25 | 桂林电子科技大学 | 一种基于hsi颜色空间和上下文信息的运动目标归并方法 |
CN113344955A (zh) * | 2021-05-25 | 2021-09-03 | 云南凤云高速公路有限公司 | 一种模糊边缘精准检测边坡的系统及方法 |
CN115026839A (zh) * | 2022-07-29 | 2022-09-09 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
CN115026839B (zh) * | 2022-07-29 | 2024-04-26 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106169186A (zh) | 基于水平集运动目标检测中获取初始轮廓的方法 | |
CN108010041B (zh) | 一种人体心脏冠脉提取方法 | |
CN108765363B (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
US7860290B2 (en) | Three-dimensional (3D) modeling of coronary arteries | |
CN108961229A (zh) | 基于深度学习的心血管oct影像易损失斑块检测方法及系统 | |
CN113012172B (zh) | 一种基于AS-UNet的医学图像分割方法及系统 | |
CN111127482B (zh) | 基于深度学习的ct影像肺气管的分割方法及系统 | |
CN105825516B (zh) | 一种dicom影像血流分析系统 | |
CN105608458B (zh) | 一种高分辨率遥感影像建筑物提取方法 | |
CN102034247B (zh) | 一种基于背景建模对双目视觉图像的运动捕捉方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN109146948A (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN111242959B (zh) | 基于卷积神经网络的多模态医学图像的目标区域提取方法 | |
CN103020933B (zh) | 一种基于仿生视觉机理的多源图像融合方法 | |
Anil et al. | A novel approach using active contour model for semi-automatic road extraction from high resolution satellite imagery | |
CN104424629A (zh) | 一种x光胸片肺部分割方法和装置 | |
CN110443822A (zh) | 一种语义边缘辅助的高分遥感目标精细提取方法 | |
CN112465749B (zh) | 提取肺栓塞图像的方法、装置、存储介质及电子设备 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN107644418A (zh) | 基于卷积神经网络的视盘检测方法及系统 | |
CN107704837A (zh) | 道路网拓扑和几何信息的提取方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
Liu et al. | D-Resunet: Resunet and dilated convolution for high resolution satellite imagery road extraction | |
CN108280804A (zh) | 一种多帧图像超分辨率重建方法 | |
JP5055115B2 (ja) | 識別方法、コンピュータプログラム及びコンピュータプログラム装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161130 |