CN107392141B - 一种基于显著性检测和lsd直线检测的机场提取方法 - Google Patents

一种基于显著性检测和lsd直线检测的机场提取方法 Download PDF

Info

Publication number
CN107392141B
CN107392141B CN201710590532.9A CN201710590532A CN107392141B CN 107392141 B CN107392141 B CN 107392141B CN 201710590532 A CN201710590532 A CN 201710590532A CN 107392141 B CN107392141 B CN 107392141B
Authority
CN
China
Prior art keywords
straight
line segments
line segment
straight line
airport
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
CN201710590532.9A
Other languages
English (en)
Other versions
CN107392141A (zh
Inventor
姚剑
冯辰
赵娇
涂静敏
李礼
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710590532.9A priority Critical patent/CN107392141B/zh
Publication of CN107392141A publication Critical patent/CN107392141A/zh
Application granted granted Critical
Publication of CN107392141B publication Critical patent/CN107392141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G06V20/47—Detecting features for summarising video content

Abstract

本发明涉及一种基于显著性检测和LSD直线检测的机场提取方法，建立原始机场检测数据集；从数据集中逐一提取遥感影像，进行降采样；对降采样之后的图像进行Frequency‑tuned方法的显著性检测，得到全分辨率的显著性图；利用LSD直线段检测算子，得到显著图中的直线段；将得到的直线段分割连接成较长的直线段，然后进行平行直线的筛选；对得到的平行直线段对进行聚类，提取每一类别的最小外包矩形区域，再向外扩展1.1倍的大小，作为最终的机场区域；在原始遥感影像中输出机场区域的坐标，并在影像中画出。本发明中LSD直线检测成功提取除了影像中的纹理和边缘信息，FT显著性检测结合LSD直线检测，既加快了检测速度，在保证精度的前提下同时增强了检测的准确性。

Description

一种基于显著性检测和LSD直线检测的机场提取方法
技术领域
本发明属于遥感应用领域与计算机视觉领域，尤其涉及一种基于显著性检测和LSD直线检测的机场提取方法。
背景技术
机场检测是当今遥感领域和计算机视觉领域的重要应用之一，通过对高分高时相遥感影像的快速处理，在军事和民用该领域中快速、高效、经济的获得所需信息，大大提高了生产效率和增强了国防实力。对于遥感影像中的机场目标而言，准确而快速地检测仍然是十分困难的一件事，因此利用计算机技术更高效、鲁棒的进行机场区域提取是一项重要的研究课题。迄今为止，国内外研究人员对机场检测问题提出了多种解决方案，其大致可以分为三类：基于边缘和直线特征提取机场跑道的平行长直线特征；基于显著性和区域分割的方法提取在遥感影像中的机场区域；和基于机器学习和深度学习的特征学习的方法。三种方法所基于的特征各不相同，各有侧重。
基于边缘和直线特征提取机场，是根据在遥感影像中机场中的跑道特征是最能表达机场区域的特征，所以通过检测到能代表机场的长、直、平行的直线特征就可以得到机场的区域。这种方法速度快，复杂度低，但往往受干扰因素较多，直线检测不稳定，容易受背景干扰，许多非机场区域会被检测出来，如在遥感影像中具有长直线特征的海岸、河流、高速公路、农田等，都会影响识别的准确性，大大加大误检率。
基于显著性和区域分割的方法受人类视觉注意力机制启发，根据注意力选择过程可分为自底向上和自顶向下两种方法：自底向上的过程是指由输入图像生成显著图的过程，显著区域即那些具有较强对比度的区域或与周围有明显差异的区域；而自顶向下的过程是人的先验知识及判断有关，有助于从显著区域中确定目标区域。
在最近的十年内，机器学习方法的兴起，引领了工业界和学术界数年的大潮，为遥感影像目标检测处理也提供了新的思路。通过建立深层的卷积神经网络，输入人工标注的学习样本，经过训练之后，模型能很好的表征目标特征。但是深度学习方法需要大量的人工标注样本，需要大量的硬件资源支持，每个新的模型需要大量的时间学习，并且往往容易过拟合和欠拟合。学习的过程是模型自主提取特征的过程。
发明内容
为了克服上述困难，能在遥感影像中快速、准确地进行机场目标的提取，本发明提供了一种基于显著性检测和LSD直线检测的机场区域提取算法。
本发明所采用的技术方案是：一种基于显著性检测和LSD直线检测的机场区域提取方法，其主要包括以下步骤：
步骤1，建立原始机场检测数据集；
步骤2，从数据集中逐一提取遥感影像，进行降采样；
步骤3，对降采样之后的图像进行Frequency-tuned方法的显著性检测，得到全分辨率的显著性图；
步骤4，利用LSD直线段检测算子，得到显著图中的直线段；
步骤5，将得到的直线段分割连接成较长的直线段，然后进行平行直线的筛选，包括以下子步骤，
步骤5.1，将经过LSD算子得到的直线段进行分割，连接成较长的直线段；
步骤5.2，去除步骤5.1中长度小于一定阈值的直线段；
步骤5.3，从步骤5.2中选取相互平行的平行直线段；
步骤6，对步骤5.3中得到的平行直线段对进行聚类，提取每一类别的最小外包矩形区域，再向外扩展1.1倍的大小，作为最终的机场区域；
步骤7，在原始遥感影像中输出机场区域的坐标，并在影像中画出，判断原始机场检测数据集中的遥感影像是否已经全部进行处理，
如果是，则执行步骤8；
如果否，则执行步骤2；
步骤8，输出整个数据集的机场区域提取结果。
进一步的，所述步骤5.1的实现方式如下，
步骤5.1.1，计算LSD检测得到的所有直线段的斜率，按照斜率大小，由小到大进行排序；
步骤5.1.2，从斜率最小的直线段开始搜索，如果已经被使用则继续搜索下一条斜率最小的直线段；
步骤5.1.3，判断斜率最接近的下一条直线段是否在该直线段的延长线上；
如果是，则执行步骤5.1.4；
如果否，则执行步骤5.1.2；
步骤5.1.4，判断两条直线段的距离是否满足条件：两条直线段的距离小于两条直线段长度的和；
如果是，则执行步骤5.1.5；
如果否，则执行步骤5.1.2；
步骤5.1.5，计算两条直线段的四个端点各自的距离，四个端点分别设为A、B、C、D，选择最长的直线段作为最后的合并直线段；
步骤5.1.6，剔除原来直线段，再加入所有合并直线段，并更新所有合并直线段的斜率；
步骤5.1.7，是否所有直线段都经过搜索合并，直线段斜率数组不再更新；
如果是，则执行5.2；
如果否，则执行5.1.2。
进一步的，所述步骤5.2中的阈值由遥感影像大小和分辨率决定。
进一步的，所述步骤5.3的实现方式如下，
步骤5.3.1，求出所有经过步骤5.2剔除之后的直线段斜率；
步骤5.3.2，从斜率最小的直线段开始，如果已经被使用则继续搜索下一条斜率最小的直线段；
步骤5.3.3，搜索下一条斜率最接近的直线段，判断两直线段斜率差值是否小于一定的阈值；
如果是，则执行5.3.4；
如果否，则执行5.3.2；
步骤5.3.4，判断两直线段的中点距离是否小于两直线段长度的和的ε倍；
如果是，则执行5.3.5；
如果否，则执行5.3.2；
步骤5.3.5，判定两条直线为一组相互平行的直线，标记为一对平行直线段；
如果是，则执行5.3.6；
如果否，则执行5.3.2；
步骤5.3.6，保存并输出平行直线段。
所述步骤6的实现方式如下，
步骤6.1，将步骤5.3.6中输出的所有平行直线段标记为UNUSED；
步骤6.2，搜索标记为UNUSED的平行直线段中找到最长的直线段A’B’，标记该直线段为USED，建立一个新的区域类别S1，S1的范围是直线段A’B’的最小外包矩形区域，设定该区域中心点为M’，其中S1中的1表示类别编号，每循环依次，编号+1；
步骤6.3，在标记为UNUSED的平行直线段中按照斜率由小到大搜索新的直线段C’D’；
步骤6.4，判断C’D’中点MCD到S中心M’的距离D1，D1是否小于最小外包矩形的斜对线长度的一半；
如果是，则执行6.5；
如果否，则执行6.2；
步骤6.5，把C’D’加入到A’B’的类中，并标记直线段C’D’为USED，重新计算A’、B’、C’、D’点中最左上角点和最右下角点，及四点的最小外包矩形，然后计算该最小外包矩形的中心点M_rect，更新S1为该最小外包矩形区域；
步骤6.6，标记为UNUSED的平行直线段是否全部搜索结束了；
如果是，则执行6.7；
如果否，则执行6.3；
步骤6.7，保存并输出所有类别表示的区域范围，将该区域范围向外扩展1.1倍的大小，作为最终的机场区域，并在遥感影像中画出。
与现有技术相比，本发明是的优点：
通过FT(Frequency-tuned)显著性检测成功得到全分辨率的高分遥感影像显著性图，利用实验对比验证了该方法对于遥感影像具有很好的去噪，同时能保留大量完整边缘信息。平行直线检测之后，在机场区域得到大量的平行直线，其与背景部分几乎不含有直线段，对直线进行聚类裁剪之后能得到机场的全部区域。从提取的机场结果可以判定该方法在高分影像中提取机场是可行的。提取的区域能远远小于原始影像的影像大小，同时包含机场了及周边部分地区。机场区域的成功提取，大大减少了飞机检测中进行搜索的区域，LSD直线检测成功提取除了影像中的纹理和边缘信息，FT显著性检测结合LSD直线检测，既加快了检测速度，在保证精度的前提下同时增强了检测的准确性。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的平行直线连接步骤的流程示意图。
图3为本发明实施例的平行直线选取步骤的流程示意图。
图4为本发明实施例的直线聚类步骤的流程示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
详见图1、图2、图3和图4，本发明所采用的技术方案是：一种基于显著性和LSD直线检测的机场区域提取方法，包括以下步骤：
步骤1，建立原始机场检测数据集D；
步骤2，从数据集中逐一提取遥感影像A，进行降采样，具体实施方式如下：
步骤2.1，首先读取原始遥感影像，获取图像的宽度、长度和通道数目；
步骤2.2，然后利用GDAL的输入输出函数，输入图像的长、宽和通道数目，同时设定降采样的大小为4000*4000；
步骤2.3，保存降采样之后的影像，格式为tiff，输出。
步骤3，对降采样之后的图像进行Frequency-tuned方法的显著性检测。该方法在Lab空间中，逐个计算像素颜色与平均图像平均像素的欧氏距离。该方法保留了大量的线状特征，同时去除掉大量的背景噪声，得到全分辨率的显著性图。
步骤4，利用LSD直线段检测算子，得到显著图中的直线段。LSD直线提取能快速，准确的提取出图像中直线段。
步骤5，将得到的直线段进行平行直线的筛选，找出代表机场的长直线段。连接长度较长，同时互相平行的直线段；具体实现方式如下：
步骤5.1，为直线连接，直线连接主要是把经过LSD算子得到的直线分割，连接成较长的直线段。
步骤5.1.1，计算LSD检测得到的所有直线段的斜率，按照斜率大小，由小到大进行排序。
步骤5.1.2，从斜率最小的直线段开始搜索，如果已经被使用则继续搜索下一条斜率最小的直线段；
步骤5.1.3，判断斜率接近的下一条直线是否在该直线段的延长线上？
如果是，则执行步骤5.1.4；
如果否，则执行步骤5.1.2；
步骤5.1.4，判断两条直线距离是否满足条件：两条直线的距离小于两条直线长度的和？
如果是，则执行步骤5.1.5；
如果否，则执行步骤5.1.2；
步骤5.1.5，计算两条直线的四个端点各自的距离，四个端点分别设为A、B、C、D，选择最长的直线作为最后的合并直线。
步骤5.1.6，剔除原来直线段，再加入所有合并直线，并更新所有合并直线的斜率。
步骤5.1.7，是否所有直线都经过搜索合并，直线斜率数组不再更新？
如果是，则执行5.2；
如果否，则执行5.1.2；
步骤5.2，直线剔除，去除长度小于一定阈值的直线段，阈值通常随图像大小和分辨率不同而不同，不固定，本实施例设为100个像素；
步骤5.3，平行直线选取。机场跑道作为机场最明显的特征，在影像中表现为具有一对或多对的平行直线，通过找出满足机场特征的长直线特征，就能确定出机场的大致区域；具体实现方式如下：
步骤5.3.1，求出所有经过步骤5.2之后的直线段斜率；
步骤5.3.2，从斜率最小的直线段开始，如果已经被使用则继续搜索下一条斜率最小的直线段；
步骤5.3.3，搜索下一条斜率最接近的直线段，判断两直线斜率差值是否小于一定的阈值(通常设定为0.05)，大约两条直线的角度相差8度。
如果是，则执行5.3.4；
如果否，则执行5.3.2；
步骤5.3.4，判断两直线的中点距离是否小于两直线长度的和的ε倍？
如果是，则执行5.3.5；
如果否，则执行5.3.2；
步骤5.3.5，判定两条直线为一组相互平行的直线，标记为一对平行直线段。
如果是，则执行5.3.6；
如果否，则执行5.3.2；
步骤5.3.6，保存并输出平行直线段。
步骤6，直线聚类，对得到的平行直线段对进行聚类，找到提取到的机场区域范围。该范围定义为聚类直线的最小外包矩形，再向外扩展1.1倍的大小，作为最终的机场区域；
步骤6.1，将步骤5.3.6中输出的所有平行直线段标记为UNUSED；
步骤6.2，搜索标记为UNUSED的平行直线段中找到最长的直线段A’B’，标记该直线段为USED，建立一个新的区域类别S1，S1的范围是直线段A’B’的最小外包矩形区域，设定该区域中心点为M’，其中S1中的1表示类别编号，每循环依次，编号+1；
步骤6.3，在标记为UNUSED的平行直线段中按照斜率由小到大搜索新的直线段C’D’；
步骤6.4，判断C’D’中点MCD到S中心M’的距离D1，D1是否小于最小外包矩形的斜对线长度的一半？
如果是，则执行6.5；
如果否，则执行6.2；
步骤6.5，把C’D’加入到A’B’的类中，并标记直线段C’D’为USED，重新计算A’、B’、C’、D’点中最左上角点和最右下角点，及四点的最小外包矩形，然后计算该最小外包矩形的中心点M_rect，更新S1为该最小外包矩形区域。
步骤6.6，标记为UNUSED的平行直线段全部搜索结束了么？
如果是，则执行6.7；
如果否，则执行6.3；
步骤6.7，保存并输出所有类别表示的机场区域结果，将该区域范围向外扩展1.1倍的大小，作为最终的机场区域，最后的图中可能出现多个机场候选区域。
步骤7，在原始遥感影像中输出机场区域的坐标，并在影像中画出，判断是否数据集已经全部进行处理？
若是，则执行步骤8；
若否，则执行步骤2；
步骤8，输出结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于显著性和LSD直线检测的机场区域提取方法，其特征在于，包括如下步骤：
步骤1，建立原始机场检测数据集；
步骤2，从数据集中逐一提取遥感影像，进行降采样；
步骤3，对降采样之后的图像进行Frequency-tuned方法的显著性检测，得到全分辨率的显著性图；
步骤4，利用LSD直线段检测算子，得到显著图中的直线段；
步骤5，将得到的直线段分割连接成较长的直线段，然后进行平行直线的筛选，包括以下子步骤，
步骤5.1，将经过LSD算子得到的直线段进行分割，连接成较长的直线段；所述步骤5.1的实现方式如下，
步骤5.1.1，计算LSD检测得到的所有直线段的斜率，按照斜率大小，由小到大进行排序；
步骤5.1.2，从斜率最小的直线段开始搜索，如果已经被使用则继续搜索下一条斜率最小的直线段；
步骤5.1.3，判断斜率最接近的下一条直线段是否在该直线段的延长线上；
如果是，则执行步骤5.1.4；
如果否，则执行步骤5.1.2；
步骤5.1.4，判断两条直线段的距离是否满足条件：两条直线段的距离小于两条直线段长度的和；
如果是，则执行步骤5.1.5；
如果否，则执行步骤5.1.2；
步骤5.1.5，计算两条直线段的四个端点各自的距离，四个端点分别设为A、B、C、D，选择最长的直线段作为最后的合并直线段；
步骤5.1.6，剔除原来直线段，再加入所有合并直线段，并更新所有合并直线段的斜率；
步骤5.1.7，是否所有直线段都经过搜索合并，直线段斜率数组不再更新；
如果是，则执行5.2；
如果否，则执行5.1.2；
步骤5.2，去除步骤5.1中长度小于一定阈值的直线段；
步骤5.3，从步骤5.2中选取相互平行的平行直线段；
所述步骤5.3的实现方式如下，
步骤5.3.1，求出所有经过步骤5.2剔除之后的直线段斜率；
步骤5.3.2，从斜率最小的直线段开始，如果已经被使用则继续搜索下一条斜率最小的直线段；
步骤5.3.3，搜索下一条斜率最接近的直线段，判断两直线段斜率差值是否小于一定的阈值；
如果是，则执行5.3.4；
如果否，则执行5.3.2；
步骤5.3.4，判断两直线段的中点距离是否小于两直线段长度的和的ε倍；
如果是，则执行5.3.5；
如果否，则执行5.3.2；
步骤5.3.5，判定两条直线为一组相互平行的直线，标记为一对平行直线段；
如果是，则执行5.3.6；
如果否，则执行5.3.2；
步骤5.3.6，保存并输出平行直线段；
步骤6，对步骤5.3中得到的平行直线段对进行聚类，提取每一类别的最小外包矩形区域，再向外扩展1.1倍的大小，作为最终的机场区域；
所述步骤6的实现方式如下，
步骤6.1，将步骤5.3.6中输出的所有平行直线段标记为UNUSED；
步骤6.2，搜索标记为UNUSED的平行直线段中找到最长的直线段A’B’，标记该直线段为USED，建立一个新的区域类别S1，S1的范围是直线段A’B’的最小外包矩形区域，设定该区域中心点为M’，其中S1中的1表示类别编号，每循环依次，编号+1；
步骤6.3，在标记为UNUSED的平行直线段中按照斜率由小到大搜索新的直线段C’D’；
步骤6.4，判断C’D’中点MCD到S1中心M’的距离D1，D1是否小于最小外包矩形的斜对线长度的一半；
如果是，则执行6.5；
如果否，则执行6.2；
步骤6.5，把C’D’加入到A’B’的类中，并标记直线段C’D’为USED，重新计算A’、B’、C’、D’点中最左上角点和最右下角点，及四点的最小外包矩形，然后计算该最小外包矩形的中心点M_rect，更新S1为该最小外包矩形区域；
步骤6.6，标记为UNUSED的平行直线段是否全部搜索结束了；
如果是，则执行6.7；
如果否，则执行6.3；
步骤6.7，保存并输出所有类别表示的区域范围，将该区域范围向外扩展1.1倍的大小，作为最终的机场区域，并在遥感影像中画出；
步骤7，在原始遥感影像中输出机场区域的坐标，并在影像中画出，判断原始机场检测数据集中的遥感影像是否已经全部进行处理，
如果是，则执行步骤8；
如果否，则执行步骤2；
步骤8，输出整个数据集的机场区域提取结果。
2.如权利要求1所述的一种基于显著性和LSD直线检测的机场区域提取方法，其特征在于：所述步骤5.2中的阈值由遥感影像大小和分辨率决定。
CN201710590532.9A 2017-07-19 2017-07-19 一种基于显著性检测和lsd直线检测的机场提取方法 Active CN107392141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710590532.9A CN107392141B (zh) 2017-07-19 2017-07-19 一种基于显著性检测和lsd直线检测的机场提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710590532.9A CN107392141B (zh) 2017-07-19 2017-07-19 一种基于显著性检测和lsd直线检测的机场提取方法

Publications (2)

Publication Number Publication Date
CN107392141A CN107392141A (zh) 2017-11-24
CN107392141B true CN107392141B (zh) 2020-04-24

Family

ID=60335745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710590532.9A Active CN107392141B (zh) 2017-07-19 2017-07-19 一种基于显著性检测和lsd直线检测的机场提取方法

Country Status (1)

Country Link
CN (1) CN107392141B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961410B (zh) * 2018-06-27 2023-04-18 中国科学院深圳先进技术研究院 一种基于图像的三维线框建模方法及装置
CN108898147B (zh) * 2018-06-27 2021-03-02 清华大学 一种基于角点检测的二维图像边缘平直化方法、装置
CN109614936B (zh) * 2018-12-12 2021-02-02 哈尔滨工业大学 遥感图像飞机目标的分层识别方法
CN109919958B (zh) * 2019-01-14 2023-03-28 桂林航天工业学院 一种基于多尺度图像空间的多重约束线段提取方法
CN109801281B (zh) * 2019-01-23 2020-09-18 浙江大学 一种无纹理金属零件图像规整化直线段边缘检测方法
CN110059702B (zh) * 2019-03-29 2021-10-22 北京奇艺世纪科技有限公司 一种物体轮廓识别方法及装置
CN109977910B (zh) * 2019-04-04 2021-08-20 厦门商集网络科技有限责任公司 基于彩色线段的票据快速定位方法及其系统
CN110147215B (zh) * 2019-05-14 2022-03-11 中国民航大学 一种实现电子矢量地图快速缩放的方法
CN110414411B (zh) * 2019-07-24 2021-06-08 中国人民解放军战略支援部队航天工程大学 基于视觉显著性的海面船只候选区域检测方法
CN110782436B (zh) * 2019-10-18 2023-11-17 宁波大学 一种基于计算机视觉的传送带物料状态检测方法
CN113762067B (zh) * 2021-07-21 2024-03-26 上海圭目机器人有限公司 一种机场板块的识别方法
CN114998740B (zh) * 2022-06-13 2023-07-21 中国电子科技集团公司第五十四研究所 一种基于线段分布的机场线性特征提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944233A (zh) * 2010-09-25 2011-01-12 西北工业大学 高分辨遥感图像中快速提取机场目标的方法
CN102750703A (zh) * 2012-06-27 2012-10-24 北京航空航天大学 一种基于直线分割的遥感图像机场自动检测方法
CN102831402A (zh) * 2012-08-09 2012-12-19 西北工业大学 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法
KR20130126255A (ko) * 2012-05-11 2013-11-20 선진조명 주식회사 공항 위치 추적 시스템 및 방법
CN103473760A (zh) * 2013-08-01 2013-12-25 西北工业大学 一种高分辨率遥感图像机场感兴趣区域快速检测方法
CN105427177A (zh) * 2015-12-16 2016-03-23 江西理工大学 一种基于gis的农地四至自动计算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944233A (zh) * 2010-09-25 2011-01-12 西北工业大学 高分辨遥感图像中快速提取机场目标的方法
KR20130126255A (ko) * 2012-05-11 2013-11-20 선진조명 주식회사 공항 위치 추적 시스템 및 방법
CN102750703A (zh) * 2012-06-27 2012-10-24 北京航空航天大学 一种基于直线分割的遥感图像机场自动检测方法
CN102831402A (zh) * 2012-08-09 2012-12-19 西北工业大学 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法
CN103473760A (zh) * 2013-08-01 2013-12-25 西北工业大学 一种高分辨率遥感图像机场感兴趣区域快速检测方法
CN105427177A (zh) * 2015-12-16 2016-03-23 江西理工大学 一种基于gis的农地四至自动计算方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Novel Airport Detection Method via Line Segment Classification and Texture Classification;Gefu Tang etal.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20151231;第12卷(第12期);全文 *
An automated airplane detection system for large panchromatic image with high spatial resolution;Zhenyu An etal.;《Optik》;20141231;第2014年卷(第125期);全文 *
Fisher Vector Representation;Ümit Budak etal.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20160831;第13卷(第8期);第I-IV部分 *
基于结构特征的军用机场识别与理解;叶斌等;《华中科技大学学报》;20010331;第29卷(第3期);全文 *

Also Published As

Publication number Publication date
CN107392141A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
CN107392141B (zh) 一种基于显著性检测和lsd直线检测的机场提取方法
US10762376B2 (en) Method and apparatus for detecting text
CN111709420B (zh) 文本检测方法、电子设备及计算机可读介质
KR101617681B1 (ko) 히스토그램들을 갖는 다중 층 연결 요소들을 사용하는 텍스트 검출
CN111611643B (zh) 户型矢量化数据获得方法、装置、电子设备及存储介质
CN109614936B (zh) 遥感图像飞机目标的分层识别方法
CN109343920B (zh) 一种图像处理方法及其装置、设备和存储介质
CN103208004A (zh) 票据信息区域自动识别和提取方法及设备
CN110751154B (zh) 一种基于像素级分割的复杂环境多形状文本检测方法
CN111027443B (zh) 一种基于多任务深度学习的票据文本检测方法
CN108154151B (zh) 一种快速多方向文本行检测方法
WO2019128254A1 (zh) 图像分析方法、装置、电子设备及可读存储介质
CN105069811A (zh) 一种多时相遥感图像变化检测方法
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN105246149B (zh) 地理位置的识别方法和装置
CN114283343B (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
Hu et al. Generalized image recognition algorithm for sign inventory
CN110675442A (zh) 一种结合目标识别技术的局部立体匹配方法及系统
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN112329677A (zh) 基于特征融合的遥感图像河道目标检测方法和装置
Yang et al. Intelligent digitization of substation one-line diagrams based on computer vision
Toaha et al. Automatic signboard detection from natural scene image in context of Bangladesh Google street view
CN114387600A (zh) 文本特征识别方法、装置、计算机设备和存储介质
Sun et al. Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method
Rani et al. Object Detection in Natural Scene Images Using Thresholding Techniques

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