CN107220985B - 基于图划分粒子群优化的sar图像自动分割方法 - Google Patents

基于图划分粒子群优化的sar图像自动分割方法 Download PDF

Info

Publication number
CN107220985B
CN107220985B CN201710351722.5A CN201710351722A CN107220985B CN 107220985 B CN107220985 B CN 107220985B CN 201710351722 A CN201710351722 A CN 201710351722A CN 107220985 B CN107220985 B CN 107220985B
Authority
CN
China
Prior art keywords
image
segmented
pixel
gradient
particles
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.)
Active
Application number
CN201710351722.5A
Other languages
English (en)
Other versions
CN107220985A (zh
Inventor
刘若辰
焦李成
卢成林
夏冠
张丹
李阳阳
刘静
王爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201710351722.5A priority Critical patent/CN107220985B/zh
Publication of CN107220985A publication Critical patent/CN107220985A/zh
Application granted granted Critical
Publication of CN107220985B publication Critical patent/CN107220985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20152—Watershed segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图划分粒子群优化的SAR图像自动分割方法，主要解决现有技术对图像分割效果差的问题。实现步骤是：1.输入原始待分割图像，读取其灰度信息；2.对待分割图像进行滤波，得到梯度图像；3.将梯度图像划分成互不重叠的区域；4.求出梯度图像的最大类别数，作为图像最大灰度级；5.将所分割区域映射为无向加权图，并构建无向加权图的能量函数；6.对能量函数进行迭代求解，得到类别中心和类别数；7.判断迭代次数是否小于20，如果是则继续更新粒子，否则输出最优类别数和分割后的图像。本发明运行速度快，分割效果好，可用于医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统及机器视觉。

Description

基于图划分粒子群优化的SAR图像自动分割方法
技术领域
本发明属于图像处理技术领域，特别涉及一种SAR图像自动分割方法，可用于医学影像、卫星图像定位、人脸识别、指纹识别及交通控制系统。
背景技术
随着科技的不断进步，图像处理技术越来越广泛的应用于我们的生产生活中，而作为图像处理领域的一个重要的分支，图像分割技术也越来越受到人们的重视。图像分割是图像解译过程中的一个关键步骤，图像分割技术是指对图像中有意义的特征部分进行提取的技术。常见的应用如：医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统、机器视觉等都是应用分割技术的例子，可见分割技术与我们的工作和生活息息相关，它能提高我们的工作效率和生活质量，给我们的生活带来极大地便利。合成孔径雷达具有高分辨、全候、强透射等特点，SAR图像的获取比较容易，但是对图像的解译却比较困难；SAR图像分割是图像解译的关键技术，SAR图像的自动分割对雷达遥感的发展具有重要的意义。
近年来，基于粒子群优化算法的图像分割方法开始应用于SAR图像的分割，包括人工免疫系统、粒子群优化和多智能体等进化范例，但是由于这种方法对SAR图像所含有的斑点噪声非常敏感，因此分割的结果并不理想。
发明内容
本发明的目的是针对上述现有技术的不足，提出一种基于图划分粒子群优化的SAR 图像自动分割方法，以减小SAR图像的斑点噪声，提高分割的精度和准确率。
本发明的技术思路是：将图像的灰度直方图信息特征作为聚类对象，利用图划分粒子群优化的方法进行SAR图像的自动分割，其实现步骤包括如下：
(1)输入原始待分割的图像I，读取图像的灰度梯度信息；
(2)根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去噪 处理，得到梯度图像；
(3)对梯度图像进行初分割，将其划分成互不重叠N个的区域，N>100；
(4)求出梯度图像的最大类别数C，将此作为图像的灰度级；
(5)将分割成的N个区域块映射为无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)表示无向加权图边的权值：
Figure BDA0001297992000000021
式中，Imy代表像素m的灰度分量，Imcb和Imcr代表像素的色差分量，当输入图像是灰度图像时只有灰度分量；
(6)构建无向加权图的能量函数fit(L)：
Figure BDA0001297992000000022
式中，P为像素点的集合，Lp为像素点P所属类的标号集，Np代表P的相邻像素点的集合；等式右边第一项是数据项，表征的是像素与其所属类的符合程度；第二项为约束项，用来估计相邻的像素属于不同标号的惩罚值，其值越大表明相邻像素点越相似；
(7)利用粒子群优化算法对图像的标号进行最优化求解，得到类别中心和类别数；
(8)判断迭代次数是否小于20，如果是则重复步骤(7)，继续更新粒子的位置和速度，否则，迭代结束输出最优聚类个数和分割后的图像。
本发明与现有技术相比具有以下优点：
1.本发明采用非局部均值滤波对原始SAR图像进行平滑处理，能较好的保持图像的边缘信息，有利于后期的分割；发明采用的是基于图划分的机制，能够实现对图像的自动分割。
2.本发明由于采用了粒子群优化算法框架，直接对图像的灰度直方图进行编码而不是图像所有像素点进行编码，减少了算法的复杂度，加速了种群的更新速度，能得到最佳的收敛类别数。
3.本发明采用的分割算法相比其它分割算法能够更准确地对SAR图像进行分割，同时对图像的边缘保持较好，具有较强的鲁棒性。
附图说明
图1是本发明的实现流程图；
图2是用本发明对四类纹理图像的预处理结果图；
图3是用本发明对八类纹理图像的预处理结果图；
图4是用本发明对四类纹理图像的分水岭分割后的结果图；
图5是用本发明对八类纹理图像的分水岭分割后的结果图；
图6用本发明对类别数为4的含噪纹理图像text1的分割结果图；
图7用本发明对类别数为8的含噪纹理图像text2的分割结果图；
图8用本发明对类别数为2的SAR1图像的分割结果图；
图9用本发明对类别数为3的SAR2的分割结果图；
图10用本发明对类别数为4的SAR3的分割结果图。
具体实施方式
下面结合附图对本发明的实施和效果做进一步详细说明：
参照图1，本发明的实施步骤如下：
步骤1.输入原始待分割图像I，读取图像的灰度梯度信息。
步骤2.根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去噪 处理，得到梯度图像。
本步骤的具体实现如下：
2a)本实例设邻域窗口半径但不限于ds＝2，搜索窗口半径Ds＝5；
2b)本实例的高斯函数平滑参数取但不限于h＝10，控制着指数函数的衰减程度；
2c)计算原始待分割图像I中所有像素的加权平均：
NL(i)＝∑j∈Iω(i,j)υ(j)
其中i为图像像素点的灰度级，取值为0～255,υ(j)为离散噪声图像；ω(i,j)为权重，其由第i个像素和第j个像素的相似性决定：
Figure BDA0001297992000000031
其满足∑jω(i,j)＝1，其中0≤ω(i,j)≤1；
Z(i)是归一化常数，
Figure BDA0001297992000000032
式中h过滤参数，它决定着滤波函数变化的快慢，
Figure BDA0001297992000000041
为高斯核二范数，表示相似性，υ(Ni)表示第Ni个像素点的灰度值，a＞0 表示是高斯核的标准偏差；
2d)将i个像素点灰度的加权平均值作为其新的灰度值，得到滤波后的图像。
步骤3.对梯度图像进行初分割，将其划分成互不重叠的N个区域，N>100。
本步骤的具体实现如下：
3a)利用sobel 算子提取梯度图像的边界信息；
3b)获取所提取图像的水平和垂直边界；
3c)对边界图像进行形态学运算，包括图像的膨胀运算和腐蚀运算；
3d)对形态学运算后的图像进行开运算和闭运算；
3e)对开闭运算后的图像进行分水岭变换，得到图像的分水岭脊线，输出初分割后的SAR图像。
步骤4.求出梯度图像的最大类别数C，将此作为图像的灰度级。
本步骤的具体实现如下：
4a)根据初分割后的图像，建立其灰度直方图；
4b)对灰度直方图进行局部平滑运算；
4c)求出平滑后直方图的所有峰值，并计算其斜率均值；
4d)对平滑后直图像进行开闭运算，并将其开闭运算的结果M与设定的阈值T＝0.01 进行比较：若M＜T，则图像的灰度级C＝C+1；否则重复步骤4b)和4c)。
步骤5.将分割成的区域映射为无向加权图，以此构建能量函数。
本步骤的具体实现如下：
5a)对所分割成的N个区域进行 映射，得到无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)：
Figure BDA0001297992000000042
式中，Imy代表像素m的灰度分量，Imcb和Imcr代表像素的色差分量，当输入图像是灰度图像时只有灰度分量；
5b)根据像素点相似性建立能量函数的标号集Lp。
5c)设P为像素点的集合，Lp为像素点P所属类的标号集，Np为P的相邻像素点的集合，构建无向加权图的能量函数fit(L)，：
其中：数据项
Figure BDA0001297992000000052
表示像素m和n所属类的复合程度；约束项Vpq(Lp,Lq)＝-lnS(Lp,Lq)表示Lp,Lq之间的惩罚程度，其值越大表明相邻像素点越相似；λ是数据项和约束项之间的重要因子。
步骤6.利用粒子群优化算法对所构建的能量函数进行最优化求解，得到类别中心和类别数。
本步骤的具体实现如下：
6a)初始化粒子群的个体：设粒子数为np，随机初始化粒子速度v0 k和位置x0 k，随机初始化每个粒子的局部最优值pbestk，最大迭代数Nc＝20，其中，1＜k＜np；
6b)初始粒子的位置xk和速度vk，将其限定在0～C之间，利用如下公式对粒子的速度vk和位置xk进行更新：
vk+1＝w×vk+c1×r1×(pbestk-xk)+c2×r2×(pbestk-xk)
xk+1＝xk+vk+1，
其中，vk+1为更新后粒子的速度，xk+1为更新后粒子的位置，c1是粒子个体的学习因子， c2粒子群体的学习因子，c1和c2的取值均为1.49，r1与r2是介于0～1之间相互独立的随机数，r1≠r2，w为惯性权重；
6c)判断当前迭代次数Nc是否大于20，若是，则输出最优聚类个数和分割后的图像，否则，返回步骤6b)。
本发明的效果可以通过如下对纹理图像和SAR图像的仿真实验进一步说明：
1、仿真实验环境
本发明的仿真实验是在HP Compaq dx7408，CoreTM2Duo CPU E6550，CPU 频率2.33GHz计算机，软件平台Matlab R2010b下进行测试。
2、仿真内容与结果
仿真一，用本发明在一幅含有斑点噪声的四类纹理图像text1进行滤波处理，结果如图2所示，其中图2(a)是原始四类纹理图像，图2(b)是滤波后的四类纹理图像。
仿真二，用本发明在一幅含有斑点噪声的八类纹理图像text2进行滤波处理，结果如图3所示，其中图3(a)是原始八类纹理图像，图3(b)是滤波后的八类纹理图像。
仿真三，用本发明在一幅含有斑点噪声的四类纹理图像text1上进行分水岭变换，结果如图4所示，图4(a)是原始四类纹理图像，图4(b)是初分割后的四类纹理图像。
仿真四，用本发明在一幅含有斑点噪声的八类纹理图像text2上进行分水岭变换，结果如图5所示，图5(a)是原始八类纹理图像，图5(b)是初分割后的八类纹理图像。
仿真五，用本发明在一幅含有斑点噪声的四类纹理图像text1进行实验测试，分割后的结果如图6所示。
仿真六，用本发明在一幅含有斑点噪声的八类纹理图像text2进行实验测试，分割后的结果如图7所示。
从图6和图7两幅纹理图像的分割结果中可以看出，本发明能够对含有斑点噪声的纹理图像实现比较准确的分割，分割后的类别数符合真实的数目，并且对图像边缘保持的比较完好。
仿真七，用本发明对类别数为2的SAR1图像进行实验测试，最后的分割结果如图 8所示。
仿真八，用本发明对类别数为3的SAR2图像进行实验测试，最后的分割结果如图 9所示。
仿真九，用本发明对类别数为4的SAR3图像进行实验测试，最后的分割结果如图10所示。
从图8、图9、图10这三幅SAR图像的分割结果可以看出，本发明不仅能有效的分割出图像中的目标和背景，同时也能较好地保持同类目标的区域一致性，对不同目标之间的边缘区域分割比较接近真实的结果。

Claims (4)

1.一种基于图划分粒子群优化的SAR图像自动分割方法，其特征在于，包括：
(1)输入原始待分割的图像I，读取图像的灰度梯度信息；
(2)根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去噪处理，得到梯度图像；
(3)对梯度图像进行初分割，将其划分成互不重叠N个的区域，N>100；
(4)求出梯度图像的最大类别数C，将此作为图像的灰度级，设其初始值C＝0，按如下步骤进行：
(4.1)根据输入图像I，建立图像的灰度直方图；
(4.2)对灰度直方图进行局部平滑运算；
(4.3)求出平滑后直方图的所有峰值，并计算其斜率均值；
(4.4)对平滑后直图像进行开闭运算，并将其开闭运算的结果M与设定的阈值T＝0.01进行比较：若M＜T，则C＝C+1；否则重复步骤(4.2)和(4.3)；
(5)将分割成的N个区域块映射为无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)表示无向加权图边的权值：
Figure FDA0002245257910000011
式中，Imy代表像素m的灰度分量，Imcb和Imcr代表像素的色差分量，当输入图像是灰度图像时只有灰度分量；
(6)构建无向加权图的能量函数fit(L)：
Figure FDA0002245257910000012
式中，P为像素点的集合，Lp为像素点p所属类的标号集，Np代表P的相邻像素点的集合；等式右边第一项是数据项，表征的是像素与其所属类的符合程度；第二项为约束项，用来估计相邻的像素属于不同标号的惩罚值，其值越大表明相邻像素点越相似；
(7)利用粒子群优化算法对图像的标号进行最优化求解，得到类别中心和类别数；
(8)判断迭代次数是否小于20，如果是则重复步骤(7)，继续更新粒子的位置和速度，否则，迭代结束输出最优聚类个数和分割后的图像。
2.根据权利要求1所述的方法，其特征在于，其中步骤(2)中对原始SAR图像进行非局部均值滤波处理，按如下步骤进行：
(2.1)设置邻域搜索窗口半径ds＝2，全局搜索窗口半径Ds＝10；
(2.2)设高斯函数平滑参数h＝10，其值决定指数函数的衰减程度；
(2.3)计算输入图像所有像素点的加权平均值：
NL[υ](i)＝∑j∈Iω(i,j)υ(j)
式中，i为图像像素点的灰度级，取值为0～255,υ(j)为离散噪声图像；
ω(i,j)为权重，其由第i个像素和第j个像素的相似性决定：
Figure FDA0002245257910000021
其满足∑jω(i,j)＝1，其中0≤ω(i,j)≤1；
Z(i)是归一化常数：
Figure FDA0002245257910000022
式中h过滤参数，它决定着滤波函数变化的快慢，
Figure FDA0002245257910000023
是相似性，a＞0，是高斯核的标准偏差；
(2.4)将i个像素点灰度的加权平均值作为其新的灰度值，得到最终的滤波图像。
3.根据权利要求1所述的方法，其特征在于，其中步骤(3)中采用分水岭算法对SAR图像进行初分割，将SAR图像划分成互不重叠的区域，步骤如下：
(3.1)利用sobel算子提取梯度图像的边界信息；
(3.2)获取所提取图像的水平和垂直边界；
(3.3)对边界图像进行形态学运算，包括图像的膨胀运算和腐蚀运算；
(3.4)对形态学运算后的图像进行开运算和闭运算；
(3.5)对开闭运算后的图像进行分水岭变换，得到图像的分水岭脊线，输出初分割后的SAR图像。
4.根据权利要求1所述的方法，其特征在于，其中步骤(7)中利用粒子群优化算法对图像的标号进行最优化求解，按如下步骤进行：
(5.1)初始化粒子群的个体：设粒子数为np，随机初始化粒子速度和位置：v0 k、x0 k，其中，1＜k＜np，随机初始化每个粒子的局部最优值pbestk，最大迭代数Nc＝20；
(5.2)初始粒子的位置xk和速度vk，将其限定在0～C之间，利用如下公式对粒子的速度和位置进行更新：
vk+1＝w×vk+c1×r1×(pbestk-xk)+c2×r2×(pbestk-xk)
xk+1＝xk+vk+1
其中，vk+1为更新后粒子的速度，xk+1为更新后粒子的位置，c1是粒子个体的学习因子，c2粒子群体的学习因子，c1和c2的取值均为1.49，r1与r2是介于0～1之间相互独立的随机数，r1≠r2，w为惯性权重；
(5.3)判断当前迭代次数Nc是否大于20，若是，则输出最优聚类个数和分割后的图像，否则，返回步骤(5.2)。
CN201710351722.5A 2017-05-18 2017-05-18 基于图划分粒子群优化的sar图像自动分割方法 Active CN107220985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710351722.5A CN107220985B (zh) 2017-05-18 2017-05-18 基于图划分粒子群优化的sar图像自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710351722.5A CN107220985B (zh) 2017-05-18 2017-05-18 基于图划分粒子群优化的sar图像自动分割方法

Publications (2)

Publication Number Publication Date
CN107220985A CN107220985A (zh) 2017-09-29
CN107220985B true CN107220985B (zh) 2020-02-07

Family

ID=59945217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710351722.5A Active CN107220985B (zh) 2017-05-18 2017-05-18 基于图划分粒子群优化的sar图像自动分割方法

Country Status (1)

Country Link
CN (1) CN107220985B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639618B (zh) * 2020-06-08 2021-04-06 中国石油大学(华东) 一种全极化sar影像变化区域精确提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530882A (zh) * 2013-10-17 2014-01-22 南京大学 一种改进的基于图和色彩纹理特征的图像分割方法
CN103985112A (zh) * 2014-03-05 2014-08-13 西安电子科技大学 基于改进多目标粒子群优化聚类的图像分割方法
CN104021552A (zh) * 2014-05-28 2014-09-03 华南理工大学 一种基于图论分割过程的多目标粒子群参数优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530882A (zh) * 2013-10-17 2014-01-22 南京大学 一种改进的基于图和色彩纹理特征的图像分割方法
CN103985112A (zh) * 2014-03-05 2014-08-13 西安电子科技大学 基于改进多目标粒子群优化聚类的图像分割方法
CN104021552A (zh) * 2014-05-28 2014-09-03 华南理工大学 一种基于图论分割过程的多目标粒子群参数优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Graph-Based Image Segmentation Approach for Image Classification and Its Application on SAR Images";Sharifi M;《Przeglad Elektrotechniczny》;20131231;第202-205页 *
"基于改进的指数交叉熵和萤火虫群优化的工业CT图像分割";马英辉;《图学学报》;20170131;第57-62页 *

Also Published As

Publication number Publication date
CN107220985A (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN109753975B (zh) 一种训练样本获得方法、装置、电子设备和存储介质
Grand-Brochier et al. Tree leaves extraction in natural images: Comparative study of preprocessing tools and segmentation methods
CN112184752A (zh) 一种基于金字塔卷积的视频目标跟踪方法
CN111652892A (zh) 一种基于深度学习的遥感影像建筑物矢量提取及优化方法
CN109446894B (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
Zhang et al. Level set evolution driven by optimized area energy term for image segmentation
JP2008217706A (ja) ラベリング装置、ラベリング方法及びプログラム
CN108596920A (zh) 一种基于彩色图像的目标分割方法及装置
CN115272306B (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN113689445A (zh) 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法
CN115222884A (zh) 一种基于人工智能的空间对象分析及建模优化方法
CN107871315B (zh) 一种视频图像运动检测方法和装置
CN107220985B (zh) 基于图划分粒子群优化的sar图像自动分割方法
Sun et al. A refined particle filter method for contour tracking
Kriti et al. Modified silhouette based segmentation outperforming in the presence of intensity inhomogeneity in the hyperspectral images
WO2022121545A1 (zh) 一种基于图卷积网络的网格分割方法
Dadgostar et al. Gesture-based human–machine interfaces: a novel approach for robust hand and face tracking
CN113744241A (zh) 基于改进slic算法的细胞图像分割方法
CN112884884A (zh) 一种候选区域生成方法及系统
Li et al. An improved mean shift segmentation method of high-resolution remote sensing image based on LBP and canny features
Tekeli et al. Shape and data driven texture segmentation using local binary patterns
Tajudin et al. Microbleeds detection using watershed-driven active contour
Zhang et al. Multi-Data UAV Images for Large Scale Reconstruction of Buildings
Lyasheva et al. Image Borders Detection Based on the Weight Model Analysis and the Morphological Gradient Operation
Sushith et al. Improved multistage road detection algorithm with robust ground point and building point extraction

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