CN107564041A - 一种可见光图像空中运动目标的检测方法 - Google Patents
一种可见光图像空中运动目标的检测方法 Download PDFInfo
- Publication number
- CN107564041A CN107564041A CN201710775421.5A CN201710775421A CN107564041A CN 107564041 A CN107564041 A CN 107564041A CN 201710775421 A CN201710775421 A CN 201710775421A CN 107564041 A CN107564041 A CN 107564041A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- images
- roi
- frame
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体实施例公开一种可见光图像空中运动目标的检测方法。该方法通过在第N帧灰度图像上设置ROI框,获得当前帧ROI灰度图像,对当前帧ROI灰度图像进行图像预处理、图像二值化处理、图像二值取反处理和图像膨胀处理后,再使用筛选方法筛选连通区域获得目标图像的方法,解决了传统目标检测方法不适用于运动背景下的目标检测和目标穿过运动背景导致目标丢失的问题,保证了运动背景下运动目标检测的实时性和准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种可见光图像空中运动目标的检测方法。
背景技术
随着科技的发展、社会的进步、生活水平的提高,团体和个人的安防意识都在不断增强,视频监控系统也就得到了越来越广泛的应用。目前,它已经广泛地应用于银行、博物馆、交通道路、商业、军事、公安、电力、厂矿、智能小区等系统和领域的安全监控、自动监控和远程监控中。监控系统的功能也从原来简单的对视频信号进行人工监视,系统多画面显示及硬盘录像类等简单功能,发展到利用计算机实现智能的目标检测和目标跟踪。
运动目标检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。通常情况下,目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应于运动目标的像素区域,因此运动目标的正确检测与分割对于后期处理非常重要。然而,由于场景的动态变化,如天气、光照、阴影及杂乱背景干扰等的影响,使得运动目标的检测与分割变得相当困难。根据摄像头是否保持静止,检测分为静态背景和运动背景两类。
目前主要的目标检测算法包括帧差法、背景差分法、光流法、TLD等,这些方法各有优缺点,传统帧差法的不足在于对环境噪声较为敏感,且不适用于运动目标的检测,背景差分法不足在于对动态场景的变化,如光照和外来无关事件的干扰等特别敏感,其他的算法运用起来复杂度高,难以保证实时性。
发明内容
有鉴于此,本申请提供一种可见光图像空中目标的检测方法,既保证了目标检测的实时性,又提高了算法识别的准确度,能够有效解决上述存在的问题。
为解决以上技术问题,本发明提供的技术方案是一种可见光图像空中运动目标的检测方法,包括:
S01:获取第N帧灰度图像,在第N帧灰度图像上设置第N-1帧ROI框,获得当前帧ROI灰度图像,N为大于1的正整数;
S02:对当前帧ROI灰度图像进行图像预处理,获得当前帧更新ROI灰度图像;
S03:对当前帧更新ROI灰度图像进行图像二值化处理,获得当前帧ROI二值图像;
S04:对当前帧ROI二值图像进行图像二值取反处理,获得前景目标图像;
S05:对前景目标图像进行图像膨胀处理,获得待筛图像;
S06:根据预设的筛选条件,在待筛图像中筛选连通区域;
S07:筛出的连通区域即为第N帧目标图像,将第N帧目标图像保存到第一缓存区并输出;
S08:根据第N帧目标图像更新ROI框,获得第N帧ROI框;设置N=N+1。
优选地,所述步骤S02中对当前帧ROI灰度图像进行图像预处理的方法,包括:对当前帧ROI灰度图像进行图像滤波处理和图像灰度拉伸处理。
优选地,所述步骤S03中对当前帧更新ROI灰度图像进行图像二值化处理,采用自适应阈值图像二值化方法。
优选地,所述自适应阈值图像二值化方法中,自适应阈值为所述当前帧更新ROI灰度图像中最小灰度值加上20。
优选地,所述步骤S05中对前景目标图像进行图像膨胀处理中,采用模板宽度为6的椭圆模板对前景目标图像进行膨胀处理。
优选地,所述步骤S06中根据预设的筛选条件,在待筛图像中筛选连通区域的方法,包括:
当N小于或者等于预设帧数M时,在待筛图像中筛选面积最大的连通区域;
当N大于预设帧数M时,根据第一缓存区中保存的若干个目标图像,建立目标图像模型;在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域,M为大于1的正整数。
优选地,所述在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,包括:根据面积、质心位置和形状三个特征值,在待筛图像中筛选与目标图像模型最接近的连通区域。
优选地,所述在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,还包括:在待筛图像中筛选连通区域面积小于当前帧ROI灰度图像面积的一半,且连通区域的最小外接矩宽高比或者高宽比小于预设比值的连通区域。
优选地,所述步骤S8中根据第N帧目标图像更新ROI框,获得第N帧ROI框的方法,包括:
获取第一缓存区中保存的第N-1帧目标图像;
计算第N-1帧目标图像的最小外接矩和第N帧目标图像的最小外接矩;
根据第N-1帧目标图像的最小外接矩与第N帧目标图像的最小外接矩的相对变化量,计算第N+1帧灰度图像上ROI框的位置;
根据第一缓存区中保存的若干个目标图像,建立目标图像模型;
根据目标图像模型,计算第N+1帧灰度图像上ROI框的尺寸。
优选地,所述根据第一缓存区中保存的若干个目标图像,建立目标图像模型方法,包括:计算第一缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
本申请与现有技术相比,其有益效果详细说明如下:本申请实施例提供的可见光图像空中运动目标的检测方法,通过在第N帧灰度图像上设置ROI框获得当前帧ROI灰度图像,对当前帧ROI灰度图像进行图像预处理、图像二值化处理、图像二值取反处理和图像膨胀处理后,再使用筛选方法筛选连通区域获得目标图像的方法,解决了传统方法法不适用于运动背景下的目标检测和目标穿过运动背景导致目标丢失的问题,保证了运动背景下运动目标检测的实时性和准确性。
附图说明
图1为本发明实施例可见光图像空中运动目标的检测方法的流程示意图;
图2为本发明实施例根据第N帧目标图像更新ROI框的方法的流程示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
ROI:ROI(region of interest),感兴趣区域。机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域。
连通域:连通区域(Connected Component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region,Blob)。就是像素值相近的同一块区域。
如图1所示,本发明实施例提供了一种可见光图像空中运动目标的检测方法,包括:
S01:获取第N帧灰度图像,在第N帧灰度图像上设置第N-1帧ROI框,获得当前帧ROI灰度图像,N为大于1的正整数。
这里,进行帧图像颜色格式转换,将RGB格式的彩色图像转换成灰度图像,即将三通道彩色图像转换为单通道图像,可减少计算量。在灰度图像中获取指定区域像素信息构成ROI(感兴趣区域)灰度图,减少了处理区域,提高了实时性。
这里,当N=1时,采用其他方法获得目标图像,可以在第一帧灰度图像上手动设置ROI框,即工作人员根据目标自己添加一个ROI框,再执行后续的步骤,从而获得第一帧目标图像。
当N>1时,在第N帧灰度图像上自动设置ROI框,获得ROI框中的当前帧ROI灰度图像。
S02:对当前帧ROI灰度图像进行图像预处理,获得当前帧更新ROI灰度图像。
其中,对当前帧ROI灰度图像进行图像预处理的方法,包括:对当前帧ROI灰度图像进行图像滤波处理和图像灰度拉伸处理。
这里,对当前帧ROI灰度图像图像进行相应的均值平滑去噪处理。
这里,根据目标所在场景的成像特征,目标偏暗背景偏亮,进行图像的灰度拉伸,拉伸黑色,压缩背景色。
S03:对当前帧更新ROI灰度图像进行图像二值化处理,获得当前帧ROI二值图像。
这里,进行图像二值化处理,减少干扰,使目标更明确。
其中,对当前帧ROI灰度图像进行图像二值化处理中,采用自适应阈值图像二值化方法,自适应阈值为当前帧ROI灰度图像中最小灰度值加上20,处理效果较好,它可以适应不同图像。
S04:对当前帧ROI二值图像进行图像二值取反处理,获得前景目标图像。
这里,由于目标相对于背景颜色较暗,在二值图中0代表了目标,1代表了背景,通过取反即0转换为1,1转换为0,得到了1代表前景,0代表背景的图像,便于后续的操作。
S05:对前景目标图像进行图像膨胀处理,获得待筛图像。
这里,膨胀用于连接(join)相邻的元素,这也是膨胀后图像最直观效果的展现。
其中,对前景目标图像进行图像膨胀处理中,经过实验得出,采用模板宽度为6的椭圆模板对前景目标图像进行膨胀处理效果较好。
S07:根据预设的筛选条件,在待筛图像中筛选连通区域。
其中,根据预设的筛选条件,在待筛图像中筛选连通区域的方法,包括:
当N小于或者等于预设帧数M时,在待筛图像中筛选面积最大的连通区域;
当N大于预设帧数M时,根据第一缓存区中保存的若干个目标图像,建立目标图像模型;在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域。
其中,根据第一缓存区中保存的若干个目标图像,建立目标图像模型方法,包括:计算第一缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
这里,当刚启动时,跟踪帧数未达一定数量时,选择区域面积为最大的。预设帧数M可以为5,当N小于或者等于5时,在待筛图像中筛选面积最大的连通区域。当N大于5时,在待筛图像中筛选连通区域特征值与第一缓存区保存的目标图像模型特征值最接近的连通区域。
其中,在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,包括:根据面积、质心位置和形状三个特征值,在待筛图像中筛选与目标图像模型最接近的连通区域。
这里,对每个特征给予相应的权重,计算连通区域特征值与目标图像模型特征值最接近的连通区域。公式为:T=W1*面积+W2*质心+W3*形状,(w1+w2+w3=1),其中W1,W2,W3为权重,面积、质心、形状均是归一化之后的值。
其中,在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,还包括:在待筛图像中筛选连通区域面积小于当前帧ROI灰度图像面积的一半,且连通区域的最小外接矩宽高比或者高宽比小于预设比值的连通区域。
这里,图像在二值化,膨胀后形成了一些小的区域,即连通区域。这些连通区域的面积是否在范围内,外接矩是否满足条件进行相应的筛选。外接矩的比例=max(w,h)/min(w,h),比值不超过3,这个由目标成像形状所决定,经实验得出的筛选比值。
S07:筛出的连通区域即为第N帧目标图像,将第N帧目标图像保存到第一缓存区并输出。
S08:根据第N帧目标图像更新ROI框,获得第N帧ROI框;设置N=N+1。
其中,根据第N帧目标图像更新ROI框,获得第N帧ROI框的方法,包括:
S81:获取第一缓存区中保存的第N-1帧目标图像;
S82:计算第N-1帧目标图像的最小外接矩和第N帧目标图像的最小外接矩;
S83:根据第N-1帧目标图像的最小外接矩与第N帧目标图像的最小外接矩的相对变化量,计算第N+1帧灰度图像上ROI框的位置;
S84:根据第一缓存区中保存的若干个目标图像,建立目标图像模型;
其中,根据第一缓存区中保存的若干个目标图像,建立目标图像模型方法,包括:计算第一缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
S85:根据目标图像模型,计算第N+1帧灰度图像上ROI框的尺寸。
其中,根据目标图像模型的面积的平均值进行ROI框尺寸的更新。通过目标图像模型面积的平均值进行开方,再将开方值乘以5倍获得A值,再取帧图像宽度除以5得到B值,取A值和B值中的最小值为更新ROI框的宽度,以保证ROI区域没有超过图像的边界。
这里,ROI框的大小由四个变量确定(x,y,w,h),x为横坐标起始点,y为纵坐标起始点,w为ROI框的宽度,h为ROI框的高度。
当前帧ROI框的计算方法:先计算上一帧ROI框的中心位置(x1,y1),x1=x+w/2;y1=y+h/2;当前帧ROI框的四个变量依次为x2=x1-halfw,y2=y1-halfw,w2=2*halfw,y2=2*halfw,halfw为上一帧ROI框宽度的一半。(x2,y2,w2,h2)在ROI灰度图像上对应的图像为当前帧ROI区域图像。
结合目标运动的速度、加速度、方向及目标占ROI框的比例动态调整第N帧ROI框的大小。如果目标运动速度或者加速度超过一定阈值,则更新相应的第N帧ROI框的位置,即相应的ROI框进行水平和垂直方向的小幅度移动,尺寸根据目标区域模型的面积的平均值进行ROI框尺寸的更新,Halfw取通过目标图像模型面积得到的值与帧图像宽度除以5得到的值的最小值。通过目标图像模型面积得到的值即为将第一缓存区保存的若干个目标图像的面积的平均值进行开方,再将开方值乘以5倍得到的值;如果目标运动速度或者加速度没有超过阈值则仍为第N-1帧的ROI框位置与宽度。
本申请提供的可见光图像空中运动目标的检测方法,通过自适应二值化阈值,目标图像的动态记录(用于判断目标丢失),连通区域的动态筛选(用于寻找最可能的目标),该方法能适应不同的相机曝光度和白平衡,提高了目标识别精度。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种可见光图像空中运动目标的检测方法,其特征在于,包括:
S01:获取第N帧灰度图像,在第N帧灰度图像上设置第N-1帧ROI框,获得当前帧ROI灰度图像,N为大于1的正整数;
S02:对当前帧ROI灰度图像进行图像预处理,获得当前帧更新ROI灰度图像;
S03:对当前帧更新ROI灰度图像进行图像二值化处理,获得当前帧ROI二值图像;
S04:对当前帧ROI二值图像进行图像二值取反处理,获得前景目标图像;
S05:对前景目标图像进行图像膨胀处理,获得待筛图像;
S06:根据预设的筛选条件,在待筛图像中筛选连通区域;
S07:筛出的连通区域即为第N帧目标图像,将第N帧目标图像保存到第一缓存区并输出;
S08:根据第N帧目标图像更新ROI框,获得第N帧ROI框;设置N=N+1。
2.根据权利要求1所述的可见光图像空中运动目标的检测方法,其特征在于,所述步骤S02中对当前帧ROI灰度图像进行图像预处理的方法,包括:对当前帧ROI灰度图像进行图像滤波处理和图像灰度拉伸处理。
3.根据权利要求1所述的可见光图像空中运动目标的检测方法,其特征在于,所述步骤S03中对当前帧更新ROI灰度图像进行图像二值化处理,采用自适应阈值图像二值化方法。
4.根据权利要求3所述的可见光图像空中运动目标的检测方法,其特征在于,所述自适应阈值图像二值化方法中,自适应阈值为所述当前帧更新ROI灰度图像中最小灰度值加上20。
5.根据权利要求1所述的可见光图像空中运动目标的检测方法,其特征在于,所述步骤S05中对前景目标图像进行图像膨胀处理中,采用模板宽度为6的椭圆模板对前景目标图像进行膨胀处理。
6.根据权利要求1所述的可见光图像空中运动目标的检测方法,其特征在于,所述步骤S06中根据预设的筛选条件,在待筛图像中筛选连通区域的方法,包括:
当N小于或者等于预设帧数M时,在待筛图像中筛选面积最大的连通区域;
当N大于预设帧数M时,根据第一缓存区中保存的若干个目标图像,建立目标图像模型;在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域,M为大于1的正整数。
7.根据权利要求6所述的可见光图像空中运动目标的检测方法,其特征在于,所述在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,包括:根据面积、质心位置和形状三个特征值值,在待筛图像中筛选与目标图像模型最接近的连通区域。
8.根据权利要求7所述的可见光图像空中运动目标的检测方法,其特征在于,所述在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,还包括:在待筛图像中筛选连通区域面积小于当前帧ROI灰度图像面积的一半,且连通区域的最小外接矩宽高比或者高宽比小于预设比值的连通区域。
9.根据权利要求1所述的可见光图像空中运动目标的检测方法,其特征在于,所述步骤S8中根据第N帧目标图像更新ROI框,获得第N帧ROI框的方法,包括:
获取第一缓存区中保存的第N-1帧目标图像;
计算第N-1帧目标图像的最小外接矩和第N帧目标图像的最小外接矩;
根据第N-1帧目标图像的最小外接矩与第N帧目标图像的最小外接矩的相对变化量,计算第N+1帧灰度图像上ROI框的位置;
根据第一缓存区中保存的若干个目标图像,建立目标图像模型;
根据目标图像模型,计算第N+1帧灰度图像上ROI框的尺寸。
10.根据权利要求6或9所述的可见光图像空中目标的检测方法,其特征在于,所述根据第一缓存区中保存的若干个目标图像,建立目标图像模型方法,包括:计算第一缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710775421.5A CN107564041B (zh) | 2017-08-31 | 2017-08-31 | 一种可见光图像空中运动目标的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710775421.5A CN107564041B (zh) | 2017-08-31 | 2017-08-31 | 一种可见光图像空中运动目标的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107564041A true CN107564041A (zh) | 2018-01-09 |
CN107564041B CN107564041B (zh) | 2021-05-07 |
Family
ID=60978720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710775421.5A Active CN107564041B (zh) | 2017-08-31 | 2017-08-31 | 一种可见光图像空中运动目标的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107564041B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109872345A (zh) * | 2019-02-27 | 2019-06-11 | 中国科学院光电技术研究所 | 一种暗背景下的单目标跟踪方法 |
CN111539980A (zh) * | 2020-04-27 | 2020-08-14 | 航天科工微电子系统研究院有限公司 | 一种基于可见光的多目标追踪方法 |
WO2022099755A1 (zh) * | 2020-11-13 | 2022-05-19 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作区域的方法、系统及机器人 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304488A (zh) * | 2008-06-20 | 2008-11-12 | 北京中星微电子有限公司 | 一种图象采集的方法和装置 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
-
2017
- 2017-08-31 CN CN201710775421.5A patent/CN107564041B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304488A (zh) * | 2008-06-20 | 2008-11-12 | 北京中星微电子有限公司 | 一种图象采集的方法和装置 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109146860B (zh) * | 2018-08-03 | 2021-04-27 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109872345A (zh) * | 2019-02-27 | 2019-06-11 | 中国科学院光电技术研究所 | 一种暗背景下的单目标跟踪方法 |
CN109872345B (zh) * | 2019-02-27 | 2022-08-26 | 中国科学院光电技术研究所 | 一种暗背景下的单目标跟踪方法 |
CN111539980A (zh) * | 2020-04-27 | 2020-08-14 | 航天科工微电子系统研究院有限公司 | 一种基于可见光的多目标追踪方法 |
CN111539980B (zh) * | 2020-04-27 | 2023-04-21 | 航天科工微电子系统研究院有限公司 | 一种基于可见光的多目标追踪方法 |
WO2022099755A1 (zh) * | 2020-11-13 | 2022-05-19 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作区域的方法、系统及机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN107564041B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Fast image dehazing using improved dark channel prior | |
CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
Yadav et al. | Contrast limited adaptive histogram equalization based enhancement for real time video system | |
CN104156921B (zh) | 一种低照度或亮度不均图像的自适应图像增强方法 | |
CN107563985A (zh) | 一种红外图像空中运动目标的检测方法 | |
CN103218778B (zh) | 一种图像和视频的处理方法及装置 | |
CN107564041A (zh) | 一种可见光图像空中运动目标的检测方法 | |
CN104700371B (zh) | 一种蒙版的生成方法和系统 | |
CN110059642B (zh) | 人脸图像筛选方法与装置 | |
CN106886985A (zh) | 一种减小色偏的自适应低照度图像增强方法 | |
CN102789635A (zh) | 一种图像增强方法和装置 | |
CN102682436A (zh) | 一种改进的多尺度Retinex理论的图像增强方法 | |
CN110268420B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN108305232B (zh) | 一种单帧高动态范围图像生成方法 | |
CN107481214A (zh) | 一种微光图像与红外图像融合方法 | |
CN113781421A (zh) | 基于水下的目标识别方法、装置及系统 | |
CN111160063B (zh) | 一种物联网ipc二维码配网图像增强方法及系统 | |
Yu et al. | Color constancy-based visibility enhancement in low-light conditions | |
CN111582076A (zh) | 一种基于像素运动智能感知的画面冻结检测方法 | |
CN110706168A (zh) | 图像明暗调节方法 | |
Nie et al. | Image Defogging Based on Joint Contrast Enhancement and Multi-scale Fusion | |
CN104700426B (zh) | 一种判断图像是否偏暗或偏亮的方法和系统 | |
Nale et al. | A novel processing chain for Shadow detection and reconstruction in VHR images | |
JP6873342B2 (ja) | 背景モデル生成装置、背景モデル生成プログラム、及び背景モデル生成方法 |
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 |