CN106682631A - 一种基于偏振特性的水面目标检测方法 - Google Patents
一种基于偏振特性的水面目标检测方法 Download PDFInfo
- Publication number
- CN106682631A CN106682631A CN201611255166.3A CN201611255166A CN106682631A CN 106682631 A CN106682631 A CN 106682631A CN 201611255166 A CN201611255166 A CN 201611255166A CN 106682631 A CN106682631 A CN 106682631A
- Authority
- CN
- China
- Prior art keywords
- polarization
- image
- polarization image
- degree
- hash
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
一种基于偏振特性的水面目标检测方法,采用偏振图像采集装置进行图像的拍摄,包括以下步骤:获取同一场景在不同偏振角度下的偏振图像;利用尺度不变特征变换方法对偏振图像的偏振度特征进行提取;对不同偏振角度的偏振图像进行配准;利用斯托克斯矢量基于最小二乘法计算各个偏振图像的偏振角和偏振度,进而得到偏振度图像;对偏振度图像进行阈值分割处理得到偏振二值图像,同时对该偏振度图像进行局部熵特征的提取得到基于局部熵特征的偏振度图像并进行阈值分割处理得到二值图像,将偏振二值图像和二值图像进行合成得到合成图像;将合成图像进行二值连通域分解,进而检测得到目标物。本发明具有特征稳定、灵敏度高的特点。
Description
技术领域
本发明属于安防监控、机器视觉、自动化技术领域,具体地说是一种基于偏振特性的水面目标检测方法。
背景技术
偏振作为光的三大基本特征之一,包含了一束光中大量的信息,然而人类并不能直接感知到它。因此在传统的目标检测与识别算法中,一般只考虑到光的波长和强度特征,而忽略了光的偏振这一重要特征,这使得传统的检测方法存在着一些致命的缺陷,例如从场景中找出颜色与周围环境相同的伪装目标将会非常复杂。但是,由于不同目标与不同背景之间存在一些本质性的差异,例如它们的组成材质不同,即使它们的强度和波长特征比较类似,它们的偏振特性也有可能千差万别,这表明结合偏振特性的目标识别将有更多的适用场合。
发明内容
本发明要解决的技术问题是提供一种基于偏振特性的水面目标检测方法,具有特征稳定、灵敏度高的特点。
为了解决上述技术问题,本发明采取以下技术方案:
一种基于偏振特性的水面目标检测方法,采用偏振图像采集装置进行图像的拍摄,包括以下步骤:
S1,获取同一场景在不同偏振角度下的偏振图像,该偏振图像的数量n≥3;
S2,利用尺度不变特征变换方法对偏振图像的偏振度特征进行提取;
S3,对不同偏振角度的偏振图像进行配准;
S4,利用斯托克斯矢量基于最小二乘法计算各个偏振图像的偏振角和偏振度,进而得到偏振度图像;
S5,对偏振度图像进行阈值分割处理得到偏振二值图像,同时对该偏振度图像进行局部熵特征的提取得到基于局部熵特征的偏振度图像,对该基于局部熵特征的偏振度图像进行阈值分割处理得到二值图像,将偏振二值图像和二值图像进行合成得到合成图像;
S6,将合成图像进行二值连通域分解,进而检测得到目标物。
所述步骤S3的配准为计算各个偏振图像之间的平移量,具体为:
对各个偏振图像进行两两配准,先选取其中两幅偏振图像,从该两幅偏振图像中各选取K个点并进行对应配对形成K个匹配对;
计算每个匹配对的差值,将差值相同的匹配对放入同一个散列,将差值不同的匹配对放入不同的散列;
在所有散列中选出包含匹配对数量最多的一个散列,将该散列的匹配对定义为正确的匹配对,并且对该散列中的匹配对的差值取平均值,该平均值是指将该散列中各个匹配队的差值相加后再除以匹配对的数量计算得到,该平均值为当前两幅偏振图像的平移量。
所述步骤S4具体为:
根据出射光的光强计算式计算得到斯托克斯矢量的三个参数S0、S1、
偏振图像的偏振角度均匀分布在[0,π)区间上,结合偏振图像的数量n,得到如下方程组式:
根据上式,利用最小二乘法解得斯托克斯矢量的三个参数S0、S1、S2;
根据上述得到的三个参数S0、S1、S2,由下式计算得到偏振图像的偏振度和偏振角:
上式中,P为偏振度,α偏振角。
所述步骤S5中局部熵特征的提取具体为:
设f(x,y)是一幅偏振图像中(x,y)处的灰度值,对于一幅大小为M×N的偏振图像,令
上式中Hf为偏振图像的信息熵,pij为偏振图像的灰度分布;如果大小M×N是偏振图像的一个局部窗口的大小,则该Hf为偏振图像的局部熵。
根据偏振图像的灰度分布可知,
pij<<1,因此,通过泰勒公式展开的方法得到近似的Hf计算公式:
所述步骤S6中合成图像时采用基于广度优先搜索方法进行处理,具体为:
S6.1,扫描偏振图像,直到当前像素点B(x、y)=1;
S6.1.1,将像素点B(x、y)作为起始点,赋予一个起始标签,并将与该起始点相邻的所有前景像素存入队列尾部;
S6.1.2,取出队列头部像素点,对该头部像素点赋予与起始标签相同的标签,然后将与该头部像素点相邻的所有前景像素存入队列尾部;
S6.1.3,返回步骤S6.1.1,直到队列为空;
S6.2,重复执行步骤S6.1,直到所有偏振图像扫描结束,
从而将具有相同标签的像素点组成一个连通域,然后返回连通域的外接矩形坐标,获得目标位置。
本方法使用了光的方向信息,具有特征稳定、灵敏度高的特点,在水面目标检测领域具有较高的应用价值。
附图说明
附图1为本发明流程示意图;
附图2为本发明水面偏振度图像;
附图3为本发明水面目标检测效果图。
具体实施方式
为了便于本领域技术人员的理解,下面结合附图对本发明作进一步的描述。
如附图1所示,本发明揭示了一种基于偏振特性的水面目标检测方法,采用偏振图像采集装置进行图像的拍摄,该偏振图像采集装置可由偏振装置、光学相机、摄像机构成,能够自动或者手动旋转偏振图像采集装置从而获得不同的偏振角度。包括以下步骤:
S1,获取同一场景在不同偏振角度下的偏振图像,该偏振图像的数量n≥3,偏振角度均匀分布在在[0,π)区间。
S2,利用尺度不变特征变换方法对偏振图像的偏振度特征进行提取。
S3,对不同偏振角度的偏振图像进行配准。由于偏振图像采集装置在拍摄过程中产生的抖动或移动偏差一般为仿射变换,因此,各幅偏振图像之间只存在平移误差。
S4,利用斯托克斯矢量基于最小二乘法计算各个偏振图像的偏振角和偏振度,进而得到偏振度图像。
S5,对偏振度图像进行阈值分割处理得到偏振二值图像,同时对该偏振度图像进行局部熵特征的提取得到基于局部熵特征的偏振度图像,对该基于局部熵特征的偏振度图像进行阈值分割处理得到二值图像,将偏振二值图像和二值图像进行合成得到合成图像。利用局部熵特征对偏振图像进行降噪处理。
S6,将合成图像进行二值连通域分解,进而检测得到目标物,利用二值“与”运算将两个二值图像进行相加合成。
所述步骤S3的配准为计算各个偏振图像之间的平移量,具体为:
对各个偏振图像进行两两配准,先选取其中两幅偏振图像,从该两幅偏振图像中各选取K个点并进行对应配对形成K个匹配对。通常是选取出匹配效果较佳的K个点,该K可灵活设定,如设为30、35、40或者其他。分别求出同一物体在两幅偏振图像中的坐标,相当于同一个点在两幅偏振图像中的坐标。
计算每个匹配对的差值,将差值相同的匹配对放入同一个散列,将差值不同的匹配对放入不同的散列。
在所有散列中选出包含匹配对数量最多的一个散列,将该散列的匹配对定义为正确的匹配对,并且对该散列中的匹配对的差值取平均值,该平均值是指将该匹配中各个匹配队的差值相加后除以匹配队的数量计算得到,该平均值为当前两幅偏振图像的平移量。通过以上操作,建立一种“投票”的机制,从而确保两幅偏振图像的精确配准。
所述步骤S4具体为:
根据出射光的光强计算式计算得到斯托克斯矢量的三个参数S0、S1、S2,
偏振图像的偏振角度均匀分布在[0,π)区间上,结合偏振图像的数量n,得到如下方程组式:
根据上式,利用最小二乘法解得斯托克斯矢量的三个参数S0、S1、S2,至于n的选择,需要对检测速度和检测准确度两个方面权衡,若对速度要求较高,则n一般较小,若对准确度要求较高,则n一般较大,可进行灵活设置。
根据上述得到的三个参数S0、S1、S2,由下式计算得到偏振图像的偏振度和偏振角:
上式中,P为偏振度,α偏振角。
所述步骤S5中局部熵特征的提取具体为:
设f(x,y)是一幅偏振图像中(x,y)处的灰度值,对于一幅大小为M×N的偏振图像,令
上式中Hf为偏振图像的信息熵,pij为偏振图像的灰度分布;如果大小M×N是偏振图像的一个局部窗口的大小,则该Hf为偏振图像的局部熵。
根据偏振图像的灰度分布可知,
pij<<1,因此,通过泰勒公式展开的方法得到近似的Hf计算公式:
所述步骤S6中合成图像时采用基于广度优先搜索方法进行处理,首先选取一个前景像素点,然后根据连通区域的基本条件(位置相邻,像素值相同)将与选取点相邻的前景像素合并为同一个集合,最后得到的像素集合即为一个连通域。具体为:
S6.1,扫描偏振图像,直到当前像素点B(x、y)=1;
S6.1.1,将像素点B(x、y)作为起始点,赋予一个起始标签,并将与该起始点相邻的所有前景像素存入队列尾部;
S6.1.2,取出队列头部像素点,对该头部像素点赋予与起始标签相同的标签,然后将与该头部像素点相邻的所有前景像素存入队列尾部;
S6.1.3,返回步骤S6.1.1,直到队列为空;
S6.2,重复执行步骤S6.1,直到所有偏振图像扫描结束,
从而将具有相同标签的像素点组成一个连通域,然后返回连通域的外接矩形坐标,获得目标位置。
Claims (6)
1.一种基于偏振特性的水面目标检测方法,采用偏振图像采集装置进行图像的拍摄,包括以下步骤:
S1,获取同一场景在不同偏振角度下的偏振图像,该偏振图像的数量n≥3;
S2,利用尺度不变特征变换方法对偏振图像的偏振度特征进行提取;
S3,对不同偏振角度的偏振图像进行配准;
S4,利用斯托克斯矢量基于最小二乘法计算各个偏振图像的偏振角和偏振度,进而得到偏振度图像;
S5,对偏振度图像进行阈值分割处理得到偏振二值图像,同时对该偏振度图像进行局部熵特征的提取得到基于局部熵特征的偏振度图像,对该基于局部熵特征的偏振度图像进行阈值分割处理得到二值图像,将偏振二值图像和二值图像进行合成得到合成图像;
S6,将合成图像进行二值连通域分解,进而检测得到目标物。
2.根据权利要求1所述的基于偏振特性的水面目标检测方法,其特征在于,所述步骤S3的配准为计算各个偏振图像之间的平移量,具体为:
对各个偏振图像进行两两配准,先选取其中两幅偏振图像,从该两幅偏振图像中各选取K个点并进行对应配对形成K个匹配对;
计算每个匹配对的差值,将差值相同的匹配对放入同一个散列,将差值不同的匹配对放入不同的散列;
在所有散列中选出包含匹配对数量最多的一个散列,将该散列的匹配对定义为正确的匹配对,并且对该散列中的匹配对的差值取平均值,该平均值是指将该散列中各个匹配队的差值相加后再除以匹配对的数量计算得到,该平均值为当前两幅偏振图像的平移量。
3.根据权利要求2所述的基于偏振特性的水面目标检测方法,其特征在于,所述步骤S4具体为:
根据出射光的光强计算式计算得到斯托克斯矢量的三个参数S0、S1、S2,
偏振图像的偏振角度均匀分布在[0,π)区间上,结合偏振图像的数量n,得到如下方程组式:
根据上式,利用最小二乘法解得斯托克斯矢量的三个参数S0、S1、S2;
根据上述得到的三个参数S0、S1、S2,由下式计算得到偏振图像的偏振度和偏振角:
上式中,P为偏振度,α偏振角。
4.根据权利要求3所述的基于偏振特性的水面目标检测方法,其特征在于,所述步骤S5中局部熵特征的提取具体为:
设f(x,y)是一幅偏振图像中(x,y)处的灰度值,对于一幅大小为M×N的偏振图像,令
上式中Hf为偏振图像的信息熵,pij为偏振图像的灰度分布;如果大小M×N是偏振图像的一个局部窗口的大小,则该Hf为偏振图像的局部熵。
5.根据权利要求4所述的基于偏振特性的水面目标检测方法,其特征在于,根据偏振图像的灰度分布可知,
pij<<1,因此,通过泰勒公式展开的方法得到近似的Hf计算公式:
6.根据权利要求5所述的基于偏振特性的水面目标检测方法,其特征在于,所述步骤S6中合成图像时采用基于广度优先搜索方法进行处理,具体为:
S6.1,扫描偏振图像,直到当前像素点B(x、y)=1;
S6.1.1,将像素点B(x、y)作为起始点,赋予一个起始标签,并将与该起始点相邻的所有前景像素存入队列尾部;
S6.1.2,取出队列头部像素点,对该头部像素点赋予与起始标签相同的标签,然后将与该头部像素点相邻的所有前景像素存入队列尾部;
S6.1.3,返回步骤S6.1.1,直到队列为空;
S6.2,重复执行步骤S6.1,直到所有偏振图像扫描结束,
从而将具有相同标签的像素点组成一个连通域,然后返回连通域的外接矩形坐标,获得目标位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611255166.3A CN106682631B (zh) | 2016-12-30 | 2016-12-30 | 一种基于偏振特性的水面目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611255166.3A CN106682631B (zh) | 2016-12-30 | 2016-12-30 | 一种基于偏振特性的水面目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682631A true CN106682631A (zh) | 2017-05-17 |
CN106682631B CN106682631B (zh) | 2020-04-07 |
Family
ID=58872724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611255166.3A Active CN106682631B (zh) | 2016-12-30 | 2016-12-30 | 一种基于偏振特性的水面目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682631B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064905A (zh) * | 2017-05-26 | 2017-08-18 | 北京环境特性研究所 | 一种目标的探测方法 |
CN107229910A (zh) * | 2017-05-18 | 2017-10-03 | 北京环境特性研究所 | 一种遥感图像结冰湖泊检测方法及其系统 |
CN107272020A (zh) * | 2017-07-19 | 2017-10-20 | 哈尔滨工业大学 | 基于Gm‑APD的高灵敏偏振激光雷达系统 |
CN110232694A (zh) * | 2019-06-12 | 2019-09-13 | 安徽建筑大学 | 一种红外偏振热像阈值分割方法 |
CN111027415A (zh) * | 2019-11-21 | 2020-04-17 | 杭州凌像科技有限公司 | 一种基于偏振图像的车辆检测方法 |
CN111310651A (zh) * | 2020-02-13 | 2020-06-19 | 杭州凌像科技有限公司 | 一种基于偏振相机和rgb-d传感器的水面检测方法 |
CN115014311A (zh) * | 2022-08-08 | 2022-09-06 | 中国人民解放军国防科技大学 | 一种基于大气偏振信息剔除天空遮挡的光罗盘定向方法 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075679A (zh) * | 2010-11-18 | 2011-05-25 | 无锡中星微电子有限公司 | 一种图像采集方法和装置 |
CN102868811A (zh) * | 2012-09-04 | 2013-01-09 | 青岛大学 | 一种基于实时视频处理的手机屏幕操控方法 |
CN103559479A (zh) * | 2013-10-24 | 2014-02-05 | 合肥工业大学 | 一种基于偏振度椭圆拟合的中性点识别方法 |
CN103729655A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种用于片式元件视觉定位的检测方法 |
CN104835113A (zh) * | 2015-04-30 | 2015-08-12 | 北京环境特性研究所 | 一种基于超分辨率图像重建的偏振图像融合方法 |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
-
2016
- 2016-12-30 CN CN201611255166.3A patent/CN106682631B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075679A (zh) * | 2010-11-18 | 2011-05-25 | 无锡中星微电子有限公司 | 一种图像采集方法和装置 |
CN102868811A (zh) * | 2012-09-04 | 2013-01-09 | 青岛大学 | 一种基于实时视频处理的手机屏幕操控方法 |
CN103559479A (zh) * | 2013-10-24 | 2014-02-05 | 合肥工业大学 | 一种基于偏振度椭圆拟合的中性点识别方法 |
CN103729655A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种用于片式元件视觉定位的检测方法 |
CN104835113A (zh) * | 2015-04-30 | 2015-08-12 | 北京环境特性研究所 | 一种基于超分辨率图像重建的偏振图像融合方法 |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
Non-Patent Citations (2)
Title |
---|
周冰等: "图像局部熵用于小目标检测研究", 《光子学报》 * |
安富: "基于差异特征的红外偏振与光强图像融合方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229910A (zh) * | 2017-05-18 | 2017-10-03 | 北京环境特性研究所 | 一种遥感图像结冰湖泊检测方法及其系统 |
CN107064905A (zh) * | 2017-05-26 | 2017-08-18 | 北京环境特性研究所 | 一种目标的探测方法 |
CN107272020A (zh) * | 2017-07-19 | 2017-10-20 | 哈尔滨工业大学 | 基于Gm‑APD的高灵敏偏振激光雷达系统 |
CN107272020B (zh) * | 2017-07-19 | 2020-06-09 | 哈尔滨工业大学 | 基于Gm-APD的高灵敏偏振激光雷达系统 |
CN110232694B (zh) * | 2019-06-12 | 2021-09-07 | 安徽建筑大学 | 一种红外偏振热像阈值分割方法 |
CN110232694A (zh) * | 2019-06-12 | 2019-09-13 | 安徽建筑大学 | 一种红外偏振热像阈值分割方法 |
CN111027415A (zh) * | 2019-11-21 | 2020-04-17 | 杭州凌像科技有限公司 | 一种基于偏振图像的车辆检测方法 |
CN111310651A (zh) * | 2020-02-13 | 2020-06-19 | 杭州凌像科技有限公司 | 一种基于偏振相机和rgb-d传感器的水面检测方法 |
CN111310651B (zh) * | 2020-02-13 | 2023-05-02 | 杭州凌像科技有限公司 | 一种基于偏振相机和rgb-d传感器的水面检测方法 |
CN115014311A (zh) * | 2022-08-08 | 2022-09-06 | 中国人民解放军国防科技大学 | 一种基于大气偏振信息剔除天空遮挡的光罗盘定向方法 |
CN115014311B (zh) * | 2022-08-08 | 2022-11-01 | 中国人民解放军国防科技大学 | 一种基于大气偏振信息剔除天空遮挡的光罗盘定向方法 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN115222758B (zh) * | 2022-09-21 | 2023-01-10 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106682631B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682631A (zh) | 一种基于偏振特性的水面目标检测方法 | |
Casser et al. | Unsupervised monocular depth and ego-motion learning with structure and semantics | |
US20190197344A1 (en) | Saliency-based method for extracting road target from night vision infrared image | |
EP3460427B1 (en) | Method for reconstructing hyperspectral image using prism and system therefor | |
US9064157B2 (en) | Pedestrian detection systems and methods | |
US20230021358A1 (en) | Snapshot hyperspectral imaging method with de-blurring dispersed images | |
CN105787943B (zh) | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 | |
CN111007039B (zh) | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 | |
Wu et al. | Cross-regional oil palm tree detection | |
CN107369179B (zh) | 一种高精度图像定位方法 | |
CN102800101A (zh) | 一种星载红外遥感图像机场roi快速检测方法 | |
Goel et al. | Vehicle registration plate recognition system using template matching | |
Silva et al. | UAV trials for multi-spectral imaging target detection and recognition in maritime environment | |
Li et al. | A new framework of hyperspectral image classification based on spatial spectral interest point | |
CN111833384B (zh) | 一种可见光和红外图像快速配准方法及装置 | |
Karaca et al. | Ground-based panoramic stereo hyperspectral imaging system with multiband stereo matching | |
CN116596805B (zh) | 一种基于场景物体与大气光偏振态差异的偏振去雾方法 | |
Jia et al. | Light field imaging based on a parallel svm method for recognizing 2d fake pedestrians | |
CN116703769B (zh) | 一种卫星遥感图像全色锐化系统 | |
Zhang et al. | Long Range Imaging Using Multispectral Fusion of RGB and NIR Images | |
CN111695503B (zh) | 基于双波段辐亮度的珊瑚礁底质分类方法 | |
Zhu et al. | A Multi-Modal Edge Consistency Metric Based on Regression Robustness of Truncated SVD | |
Xue et al. | Urban Classification Based on Top-View Point Cloud and SAR Image Fusion with Swin Transformer | |
Lu et al. | Automatic markerless registration of mobile lidar point-clouds | |
Yang et al. | Thin-Plate-Spline-based Registration for Correcting Local Non-linear Deformation of Bidirectional Whisk-broom Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |