CN107358616B - 基于各向异性形态学方向比率的sar图像边缘检测方法 - Google Patents
基于各向异性形态学方向比率的sar图像边缘检测方法 Download PDFInfo
- Publication number
- CN107358616B CN107358616B CN201710523319.6A CN201710523319A CN107358616B CN 107358616 B CN107358616 B CN 107358616B CN 201710523319 A CN201710523319 A CN 201710523319A CN 107358616 B CN107358616 B CN 107358616B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- sar image
- window
- point
- 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
Links
- 238000003708 edge detection Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 241001189642 Theroa Species 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于各向异性形态学方向比率的SAR图像边缘检测方法,主要解决现有技术边缘检测零星强散射点鲁棒性差的问题,其技术方案是:根据输入的SAR图像X设置高斯伽马形双窗的参数;逆时针旋转高斯伽马形双窗,得到多方向的高斯伽马形双窗,并对其进行加权中值滤波;利用加权中值计算多方向边缘响应并对其进行增强;根据边缘响应计算边缘强度映射;从边缘强度映射中抽取极大值点,作为候选边缘点;对候选边缘点进行双阈值门限决策,得到最终图像的边缘检测结果。本发明增强了SAR图像边缘检测对零星强散射点的鲁棒性,满足实时大场景的SAR图像边缘检测要求,可用于含零星强散射点的大场景下提取SAR图像边缘。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种SAR图像边缘检测方法,可用于含零星强散射点的大场景下的图像分割。
背景技术
近年来,随着合成孔径雷达SAR传感器的不断发展,SAR图像处理逐渐成为SAR领域研究的热点,SAR图像背景下的边缘检测技术是SAR图像分割应用技术中一个至关重要的研究方向。与传统的光学图像相比,SAR图像的人眼视觉可读性较差,而且容易受到相干斑及诸如迎坡缩短等形变的影响,这使得SAR图像的信息处理非常困难,最突出的困难在于SAR图像难以被解译,截至目前大多数的数据还是靠专业人士进行人工解译。图像的分割和分类一直以来都是图像解译的关键步骤,图像分割技术有助于对图像中所含分布式目标区域的信息进行分析和解译,但SAR图像中存在强烈的乘性相干斑噪声,使传统的光学图像处理算法直接用于SAR图像处理时,无法达到预期效果。大量的SAR图像数据不能得到有效的解读与应用,严重制约了SAR技术的应用。
SAR图像处理通常是要从图像中提取一些有意义的特征,如区域分割、边缘提取和目标检测等。边缘检测技术在SAR图像分割研究中占据着重要位置,它位于系统的最底层,为其他模块所依赖,它标记的图像中场景及目标的轮廓表征了图像的基本特征,其性能在很大程度上影响着一系列处理的整体效果。目前SAR图像边缘检测主要的方法分为四类:基于单边缘模型的方法、基于多边缘模型的方法、多分辨率的方法以及其他方法。其中基于单边缘模型的检测方法,按检测方法的相似性又可分为以均值比ROA检测器为代表的基于局部均值差异的检测方法和以广义似然比GLR检测器为代表的假设检验方法。
ROA检测器主要是基于局部均值对比度的差异,在目标像素点两侧设置两个窗口,计算两个窗口内像素均值之比,该检测器克服了经典梯度边缘检测器对乘性噪声非常敏感的缺点,同时考虑到了边缘的方向性,是一种恒虚警边缘检测器。人们根据不同的应用需要发展出一些新的基于ROA的边缘检测器,如基于高斯伽马双窗的ROA检测器,它比传统的ROA检测器在边缘附近虚警少且边缘连接度好。但高分辨SAR图像中呈现出更多的强散射点,这些强散射点虽然提供了更为精细的目标结构的信息,却不利于ROA检测器检测图像边缘。由于强散射点的出现增加了SAR图像的不均匀度,其统计特性发生改变,使得ROA检测器在处理含强散射点的SAR图像时很难得到较好的检测结果。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于各向异性形态学方向比率的SAR图像边缘检测方法,以提高含强散射点SAR图像的处理能力,精准定位边缘方向,降低边缘检测的错检率。
为实现上述技术目的,本发明的技术方案包括如下:
(1)根据输入的SAR图像X设置像素(x,y)的高斯伽马形双窗的参数,得到像素(x,y)的高斯伽马形上窗WU和下窗WL;
(2)将像素(x,y)的高斯伽马形上窗WU和下窗WL沿中心线逆时针旋转角度θn,得到像素(x,y)多方向的高斯伽马形上窗WU(θn)和下窗WL(θn),其中θn为[0,2π)内取的16个方向的角度,即θn=n*π/8(0≤n<16),n是整数;
(3)分别利用上述的上窗WU(θn)和下窗WL(θn)对像素(x,y)进行加权中值滤波:
3a)从输入的SAR图像X中得到每一个像素(x,y)的灰度值I;
3b)在每个方向上分别将像素(x,y)的高斯伽马形上窗WU(θn)和下窗WL(θn)内所有像素的灰度值I按升序排列,像素的灰度值I对应权值的顺序也被重新排列;
3c)分别将高斯伽马形上窗WU(θn)和下窗WL(θn)重新排列后的权值进行累加,当累计权值达到1/2时,该权值对应的像素灰度值就是高斯伽马形上窗WU(θn)和下窗WL(θn)在这个方向上的加权中值mU(θn)和mL(θn);
(4)根据上述的加权中值mU(θn)和mL(θn),计算像素(x,y)的多方向边缘响应R(θn):
(5)增强像素(x,y)的多方向边缘响应R(θn):
5a)像素(x,y)处的高斯伽马形双窗函数在当前方向θ处的理想阶跃边缘响应,对其进行对数变换并归一化得到方向匹配滤波器h(Δθ):
其中Δθ表示其他方向与当前方向θ的差值;
5b)将方向匹配滤波器h(Δθ)作用于像素(x,y)的多方向边缘响应R(θn),利用连乘和比率的形式对像素(x,y)的多方向边缘响应R(θn)进行增强,得到增强后像素(x,y)的边缘响应Re(θ):
其中∏表示连乘形式;
(6)根据增强后像素(x,y)的边缘响应Re(θ)得到像素(x,y)的边缘强度映射E并提取边缘方向映射D:
D=argmax{Re(θ)}
(7)从像素(x,y)的边缘强度映射E和边缘方向映射D中抽取极大值点,作为候选边缘点;
(8)对候选边缘点进行双阈值门限决策,得到最终图像的边缘检测结果。
本发明与现有技术相比具有以下优点:
1)本发明由于利用改进的加权中值滤波,增强了在大场景边缘检测中边缘检测器对于零星强散射点的鲁棒性,减少了出现细碎边缘的可能性;
2)本发明由于使用了高斯伽马形双窗进行加权中值滤波,增强了边缘的连续性与平滑性,减少了错检的边缘像素个数;
3)本发明由于对多方向边缘强度响应进行了增强,使得边缘方向对应的边缘强度映射更大,因此与一般形态学方法相比,本发明可以更加精准地确定边缘方向,从而有利于后续对单像素边缘的提取。
附图说明
图1为本发明的实现流程图;
图2为用本发明和现有基于高斯伽马形双窗的ROA边缘检测方法对仿真SAR图像进行边缘检测的对比图。
具体实施方式
下面结合附图对本发明的实施率和效果作进一步详细说明:
参照图1,本发明的实现步骤如下:
步骤1,根据输入的SAR图像X设置高斯伽马形双窗的参数。
高斯伽马形双窗是沿着中心线对称分布的一种双窗函数,分为上窗WU和下窗WL,其沿着中心线方向服从高斯分布,垂直于中心线方向服从伽马分布,其参数包括x方向的高斯参数σx,y方向的伽马参数α和β;
本实例中,在假定高斯伽马形双窗中心线在水平轴时,SAR图像X中的像素(x,y)的高斯伽马形双窗函数为:
步骤2,逆时针旋转高斯伽马形双窗,得到多方向的高斯伽马形双窗。
将像素(x,y)的高斯伽马形上窗WU和下窗WL沿中心线逆时针旋转角度θn,得到像素(x,y)多方向的高斯伽马形上窗WU(θn)和下窗WL(θn):
其中θn为[0,2π)内取的16个方向,即θn=n*π/8,0≤n<16,n是整数。
步骤3,利用多方向的高斯伽马形双窗进行加权中值滤波,得到双窗的加权中值。
这里的滤波方法可采用均值滤波,中值滤波,加权中值滤波,本实例选择的是改进的加权中值滤波,其步骤如下:
(3.1)从输入的SAR图像X中得到每一个像素(x,y)的灰度值I;
(3.2)在每个方向上分别将像素(x,y)的高斯伽马形上窗WU(θn)和下窗WL(θn)内所有像素的灰度值I按升序排列,像素的灰度值I对应权值的顺序也被重新排列;
(3.3)分别将高斯伽马形上窗WU(θn)和下窗WL(θn)重新排列后的权值进行累加,当累计权值达到1/2时,该权值对应的像素灰度值就是高斯伽马形上窗WU(θn)和下窗WL(θn)在这个方向上的加权中值mU(θn)和mL(θn)。
步骤4,根据高斯伽马形双窗的加权中值,计算多方向边缘响应R(θn)。
步骤5,增强多方向边缘响应R(θn)得到增强后的边缘响应Re(θ)。
(5.1)当像素(x,y)的高斯伽马形双窗函数旋转到方向θn时,对当前方向θn处的理想阶跃边缘响应进行对数变换并归一化得到方向匹配滤波器h(Δθ):
其中Δθ表示其他方向与当前方向θn的差值;
(5.2)将方向匹配滤波器h(Δθ)作用于像素(x,y)的多方向边缘响应R(θn),利用连乘和比率的形式对像素(x,y)的多方向边缘响应R(θn)进行增强,得到增强后像素(x,y)的边缘响应Re(θ):
其中∏表示连乘形式。
步骤6,根据边缘响应Re(θ)计算边缘强度映射E并提取边缘方向映射D:
步骤7,从边缘强度映射E和边缘方向映射D中抽取极大值点,作为候选边缘点。
从像素(x,y)的边缘强度映射E和边缘方向映射D中提取极大值点,是在边缘方向映射D的垂直方向上,提取像素(x,y)的3×3邻域内边缘强度映射最大的像素。
步骤8,对候选边缘点进行双阈值门限决策,得到最终图像的边缘检测结果。
(8.1)设定双阈值门限,包括高门限H和低门限L;
(8.2)将候选边缘点的边缘强度映射E与高门限H进行比较,若E≥H,则认为该点为是边缘点,否则,执行(8.3);
(8.3)将候选边缘点的边缘强度映射E与低门限L进行比较,若E≤L,则该点不是边缘点,若E>L,则认为该点是弱边缘,否则,执行(8.4);
(8.4)判断弱边缘是否和边缘点是八邻域连通的,若是,则认为该弱边缘是边缘点,否则,不是边缘点。
基于步骤1到步骤8,实现了基于各向异性形态学方向比率的SAR图像边缘检测方法。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真参数
仿真实验中采用的数据是6视仿真幅度格式SAR图像。
2.仿真实验内容
仿真实验中分别采用本发明方法和基于高斯伽马双窗的ROA边缘检测方法得到的SAR图像边缘检测结果,通过边缘检测结果图比较两种边缘检测方法的质量。
仿真实验,对6视幅度格式SAR图像人为加入15个零星强散射点且散射点的像素值在同质区像素值的前10%,分别采用本发明方法和基于高斯伽马双窗的ROA边缘检测方法对SAR图像进行边缘检测结果,结果如图2所示,其中:
图2(a)表示6视仿真幅度格式SAR图像;
图2(b)表示采用本发明得到的6视仿真幅度格式SAR图像的边缘检测结果;
图2(c)表示采用基于高斯伽马双窗的ROA边缘检测方法得到的6视仿真SAR图像边缘检测结果。
从图2中可以看出,采用本发明方法得到的边缘检测结果明显优于现有方法得到的边缘检测结果。
综上所述,本发明提出的基于各向异性形态学方向比率的SAR图像边缘检测方法,可以提高对零星强散射点的鲁棒性,更加精准地确定边缘方向,满足实际雷达系统的图像处理要求,有利于后续操作对于单像素边缘的提取。
Claims (4)
1.一种基于各向异性形态学方向比率的SAR图像边缘检测方法,包括:
(1)根据输入的SAR图像X设置像素(x,y)的高斯伽马形双窗的参数,得到像素(x,y)的高斯伽马形上窗WU和下窗WL;
(2)将像素(x,y)的高斯伽马形上窗WU和下窗WL沿中心线逆时针旋转角度θn,得到像素(x,y)多方向的高斯伽马形上窗WU(θn)和下窗WL(θn),其中θn为[0,2π)内取的16个方向的角度,即θn=n*π/8(0≤n<16),n是整数;
(3)分别利用上述的上窗WU(θn)和下窗WL(θn)对像素(x,y)进行加权中值滤波:
3a)从输入的SAR图像X中得到每一个像素(x,y)的灰度值I;
3b)在每个方向上分别将像素(x,y)的高斯伽马形上窗WU(θn)和下窗WL(θn)内所有像素的灰度值I按升序排列,像素的灰度值I对应权值的顺序也被重新排列;
3c)分别将高斯伽马形上窗WU(θn)和下窗WL(θn)重新排列后的权值进行累加,当累计权值达到1/2时,该权值对应的像素灰度值就是高斯伽马形上窗WU(θn)和下窗WL(θn)在这个方向上的加权中值mU(θn)和mL(θn);
(4)根据上述的加权中值mU(θn)和mL(θn),计算像素(x,y)的多方向边缘响应R(θn):
(5)增强像素(x,y)的多方向边缘响应R(θn):
5a)当像素(x,y)的高斯伽马形双窗函数旋转到方向θn时,对当前方向θn处的理想阶跃边缘响应进行对数变换并归一化得到方向匹配滤波器h(Δθ):
其中Δθ表示其他方向与当前方向θn的差值;
5b)将方向匹配滤波器h(Δθ)作用于像素(x,y)的多方向边缘响应R(θn),利用连乘和比率的形式对像素(x,y)的多方向边缘响应R(θn)进行增强,得到增强后像素(x,y)的边缘响应Re(θ):
其中Π表示连乘形式;
(6)根据增强后像素(x,y)的边缘响应Re(θ)得到像素(x,y)的边缘强度映射E并提取边缘方向映射D:
D=arg max{Re(θ)}
(7)从像素(x,y)的边缘强度映射E和边缘方向映射D中抽取极大值点,作为候选边缘点;
(8)对候选边缘点进行双阈值门限决策,得到最终图像的边缘检测结果。
3.如权利要求1所述的方法,其中步骤(7)中从像素(x,y)的边缘强度映射E和边缘方向映射D中提取极大值点,是在边缘方向映射D的垂直方向上,提取像素(x,y)的3×3邻域内边缘强度映射最大的像素。
4.如权利要求1所述的方法,其中步骤(8)中对候选边缘点进行双阈值门限决策,按如下步骤进行:
8a)设定双阈值门限,包括高门限H和低门限L;
8b)将候选边缘点的边缘强度映射E与高门限H进行比较,若E≥H,则认为该点为边缘点,否则,执行8c);
8c)将候选边缘点的边缘强度映射E与低门限L进行比较,若E≤L,则该点不是边缘点,若E>L,则认为该点是弱边缘,否则,执行8d);
8d)判断弱边缘是否和边缘点是八邻域连通的,若是,则认为该弱边缘是边缘点,否则,不是边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710523319.6A CN107358616B (zh) | 2017-06-30 | 2017-06-30 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710523319.6A CN107358616B (zh) | 2017-06-30 | 2017-06-30 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358616A CN107358616A (zh) | 2017-11-17 |
CN107358616B true CN107358616B (zh) | 2020-04-14 |
Family
ID=60273400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710523319.6A Active CN107358616B (zh) | 2017-06-30 | 2017-06-30 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358616B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711441B (zh) * | 2018-12-13 | 2021-02-12 | 泰康保险集团股份有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN113205540B (zh) * | 2021-05-28 | 2024-05-24 | 西安工程大学 | 一种多尺度自动各向异性的形态学方向导数边缘检测方法 |
CN113436218B (zh) * | 2021-07-28 | 2023-02-10 | 西安电子科技大学 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582159A (zh) * | 2009-06-26 | 2009-11-18 | 哈尔滨工业大学 | 基于无监督核回归分析的红外图像背景抑制方法 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和系统 |
CN106683149A (zh) * | 2016-12-29 | 2017-05-17 | 西安电子科技大学 | 一种提取合成孔径雷达图像直线的优化方法 |
CN106682678A (zh) * | 2016-06-24 | 2017-05-17 | 西安电子科技大学 | 一种基于支撑域的图像角点检测和分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101027323B1 (ko) * | 2010-01-20 | 2011-04-06 | 고려대학교 산학협력단 | 비대칭 가우시안 필터를 이용한 영상 보간 장치 및 방법 |
-
2017
- 2017-06-30 CN CN201710523319.6A patent/CN107358616B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582159A (zh) * | 2009-06-26 | 2009-11-18 | 哈尔滨工业大学 | 基于无监督核回归分析的红外图像背景抑制方法 |
CN106682678A (zh) * | 2016-06-24 | 2017-05-17 | 西安电子科技大学 | 一种基于支撑域的图像角点检测和分类方法 |
CN106447510A (zh) * | 2016-08-30 | 2017-02-22 | 水利部水土保持监测中心 | 一种梯田信息提取方法和系统 |
CN106683149A (zh) * | 2016-12-29 | 2017-05-17 | 西安电子科技大学 | 一种提取合成孔径雷达图像直线的优化方法 |
Non-Patent Citations (2)
Title |
---|
Noise robust color edge detector using gradient matrix and anisotropic Gaussian directional derivative matrix;Wang Fu-ping.etc;《Pattern Recognition》;20161231;第346-357页 * |
形状自适应各向异性微分滤波器边缘检测算法;王富平等;《系统工程与电子技术》;20161231;第38卷(第12期);第2876-2883页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107358616A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194872B (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
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 | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN107680090A (zh) | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 | |
Zuo et al. | An insulator defect detection algorithm based on computer vision | |
CN107358616B (zh) | 基于各向异性形态学方向比率的sar图像边缘检测方法 | |
CN106909902A (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN104899862A (zh) | 基于全局与局部阈值的视网膜血管分割算法 | |
Zhang et al. | Superpixel generation for SAR imagery based on fast DBSCAN clustering with edge penalty | |
CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
CN105894520A (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
CN105118051A (zh) | 一种应用于静态图像人体分割的显著性检测方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
Zhang et al. | Residential area extraction based on saliency analysis for high spatial resolution remote sensing images | |
CN104835142A (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
CN104680189A (zh) | 基于改进词袋模型的不良图像检测方法 | |
CN117765287A (zh) | 一种结合lwr和密度聚类的图像目标提取方法 | |
CN110276350B (zh) | 一种海上船舶目标检测方法 | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN112232249A (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN107862701B (zh) | 基于马尔科夫随机场和混合核函数的遥感图像分割方法 |
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 |