CN107607927A - 一种条纹激光回波信息提取方法 - Google Patents
一种条纹激光回波信息提取方法 Download PDFInfo
- Publication number
- CN107607927A CN107607927A CN201710664946.1A CN201710664946A CN107607927A CN 107607927 A CN107607927 A CN 107607927A CN 201710664946 A CN201710664946 A CN 201710664946A CN 107607927 A CN107607927 A CN 107607927A
- Authority
- CN
- China
- Prior art keywords
- value
- image
- echo
- gray
- fringe
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及图像处理领域,具体涉及一种条纹激光回波信息提取方法,包括:读取原始回波条纹图,将所述回波条纹图各个像素点处的灰度值看作灰度值随机游走的结果,分析图像特征;随机选取某一像素点,并计算灰度值的差值,设定一个间隔值R,使得||(x2,y2)‑(x1,y1)||=R≤1;计算差值的期望值;依据分形理论可得期望值E(G)与间隔值R满足关系:log(E)=(3‑D)log R+log C;通过间隔值R的多次迭代,得到一组对应的期望值E与间隔值R的数组,从而获得特征值D;将图像中的特征值D以灰度图像形式显示,得到特征值条纹图;找出增强信号区域;依据所述增强信号区域对原始回波条纹图进行信息提取,获得纯净的回波信息图。本发明能够使得回波图像更加清晰。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种条纹激光回波信息提取方法。
背景技术
激光雷达以其相比于传统的测量技术的独特优势,虽然发展的时间较短,却已经迅速被应用到远程测量、地形探测、无人驾驶避障等方面。条纹原理机载激光雷达作为激光雷达的典型代表,在目标侦察、地形测绘、水下目标成像等方面都发挥着重要作用。
目前,在硬件方面,条纹原理激光雷达已经实现了飞速的发展;在软件方面,却远远跟不上硬件发展的步伐。尤其是对原始回波信号的前期处理部分,运算量大,难度较高,目前已经成为制约激光雷达整体发展的一个重要因素。
激光雷达原始信号经过信息提取后可获得激光点云数据,激光点云数据是后期制作各类数字电子地图产品的统一数据形式。由于条纹原理激光雷达原始回波信号为条纹图。条纹图横坐标表示回波信号的时间信息,也即是目标的距离信息;图像的纵坐标表示的是目标的空间位置信息,也即是激光在空间上的发散,激光发出之后到达探测目标时,激光已经在空间上产生发散,并存在一定的发散角,不同方位的光线照射到目标的不同位置上,因此回波信号在纵坐标上的发散表示了探测目标的空间位置信息。因此,对条纹回波信号的提取就是对探测目标三维位置信息以及表面反射强度信息的提取,从而可以得到丰富的探测目标的信息。
传统提取方式中,用于信号提取的算法主要有拟合法,阈值算法和Snakes主动轮廓模型法。这些方法均有各自的优势和劣势,拟合法适合信号已知回波信号特征的信号提取,但运算量较大;阈值算法相对运算量较小,但提取精度较低;Snakes主动轮廓模型法灵活方便,适合数字图像目标识别与信息提取,但是人机交互较多,对处理大数据量的数字图片没有优势。
因此,研发一种准确从回波信号中提取目标图像信息的方法就变得十分紧迫。
发明内容
本发明实施例提供了一种条纹激光回波信息提取方法,以解决现有目标回波图像提取不清晰的技术问题。
本发明实施例提供的一种条纹激光回波信息提取方法:包括如下步骤:
步骤101:读取原始回波条纹图,将所述回波条纹图各个像素点处的灰度值看作灰度值随机游走的结果,分析图像特征;
步骤102:随机选取某一像素点I(x1,y1),并计算该像素点与其周围四领域内像素点I(x2,y2)灰度值的差值G,即G=I(x2,y2)-I(x1,y1);
步骤103:所述选取的像素点I(x1,y1)与其周围四领域内像素点I(x2,y2)作差,设定一个间隔值R,使得||(x2,y2)-(x1,y1)||=R≤1;
步骤104:计算差值G的期望值,得到E(G);
步骤105:依据分形理论可得期望值E(G)与间隔值R满足关系:log(E)=(3-D)logR+log C,其中C为常数,D为特征值;
步骤106:通过间隔值R的多次迭代,得到一组对应的期望值E与间隔值R的数组,从而获得特征值D;
步骤107:将图像中的特征值D以灰度图像形式显示,得到特征值条纹图;
步骤108:对所述特征值条纹图进行识别处理,找出增强信号区域;
步骤109:依据所述增强信号区域对原始回波条纹图进行信息提取,获得纯净的回波信息图。
进一步的,所述步骤101中,包括:读取原始回波条纹图,分析该回波条纹图像,当其灰度值小于10时,进行初步的去噪处理后进入步骤102。
进一步的,所述步骤104中,计算期望值E(G)包括:
其中G(x,y)=I(x2,y2)-I(x1,y1)。
进一步的,所述步骤101中,分析图像特征采用滤波函数进行图像提取:
其中,w是高斯函数复调制频率,x、y分别为两个维度的坐标值,tx、ty是在空间域中高斯函数的带宽、j是虚数符号、exp指数变换符号。
进一步的,所述构建连通区域,包括:
其中A为原图像,
设A和B是Z中的集合,A被B腐蚀定义为:
A被B膨胀定义为:
进一步的,所述二值化算法为:
I2(x,y)=1,(I1(x,y)≥1)
I2(x,y)=0,(1>I1(x,y)≥0)
其中I1(x,y)为二值化前(x,y)点对应的强度值,I2(x,y)为二值化后(x,y)点对应的强度值。
本发明提供一种激光雷达回波图像处理方法,通过特征值提取技术,对波形信号边缘细节信息能够完好保留,且能够滤除背景噪声的影响,从而准确的还原目标物体信息,保证了雷达探测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例所述方法的流程图;
图2-1是现有技术阈值法获得的条纹信号图;
图2-2是本发明实施例方法获得的条纹信号图;
图3-1是现有技术阈值法获得的高程离散情况统计结果图;
图3-2是本发明实施例方法获得的高程离散情况统计结果图;
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在激光雷达回波信号图像的信号提取中,通过引入特征值的计算,将条纹信号图中的信号部分边缘加宽,同时将噪声部分更加凸显,然后通过设置门宽和增加阈值,从而将噪声去除,并将信号边缘完整地保留下来,无论是微弱的信号连接区还是信号中间部位的断裂区,都能够完整地保存下来。同时,条纹回波信号以灰度图的形式呈现,在目标的边缘以及噪声区域具有非常明显的不平滑度,在计算特征值时在边缘区域就会发生不同程度的畸变,依据这一点,可以通过引入特征值的计算使目标边缘增强,使噪点和信号的区别更加明显,并能够使信号的边缘扩大,这样在提取信号的过程中不仅能够将噪声更加彻底地去除,同时能够将信号中心和信号的边缘细节部分完好地保留下来,从而实现对回波信号高效完整的提取。
下面结合附图详细说明本发明的优选实施例。
实施例1
如图1所示,本发明实施例提供的一种条纹激光回波信息提取方法:包括如下步骤:
步骤101:读取原始回波条纹图,将所述回波条纹图各个像素点处的灰度值看作灰度值随机游走的结果,分析图像特征;
步骤102:随机选取某一像素点I(x1,y1),并计算该像素点与其周围四领域内像素点I(x2,y2)灰度值的差值G,即G=I(x2,y2)-I(x1,y1);
步骤103:所述选取的像素点I(x1,y1)与其周围四领域内像素点I(x2,y2)作差,设定一个间隔值R,使得||(x2,y2)-(x1,y1)||=R≤1;
步骤104:计算差值G的期望值,得到E(G);
步骤105:依据分形理论可得期望值E(G)与间隔值R满足关系:log(E)=(3-D)logR+log C,其中C为常数,D为特征值;
步骤106:通过间隔值R的多次迭代,得到一组对应的期望值E与间隔值R的数组,从而获得特征值D;
步骤107:将图像中的特征值D以灰度图像形式显示,得到特征值条纹图;
步骤108:对所述特征值条纹图进行识别处理,找出增强信号区域;
步骤109:依据所述增强信号区域对原始回波条纹图进行信息提取,获得纯净的回波信息图。
进一步的,所述步骤101中,包括:读取原始回波条纹图,分析该回波条纹图像,当其灰度值小于10时,进行初步的去噪处理后进入步骤102。
进一步的,所述步骤104中,计算期望值E(G)包括:
其中G(x,y)=I(x2,y2)-I(x1,y1)。
进一步的,所述步骤101中,分析图像特征采用滤波函数进行图像提取:
其中,w是高斯函数复调制频率,x、y分别为两个维度的坐标值,tx、ty是在空间域中高斯函数的带宽、j是虚数符号、exp指数变换符号。
对纹理图像处理必须考虑图像的纹理特征,在实施本方法时需要通过滤波器实现纹理特征的提取,纹理特征可以由不同的纹理基元或者不同组合方式的纹理基元构成,因此考虑通过一组滤波器来辅助生成纹理基元。选择滤波器的标准通常是为了更好地提取纹理信息,这要求提取的纹理信息必须是多尺度多维度的进行提取。常用的滤波有很多,如Gabor滤波器,基于Gabor变换的特征提取及其应用。Gabor可以被视为方向和尺度均可以变化的边缘和直线(条纹)的检测器,对于一个给定区域中的这些微观特征的统计,可以用来表示基本的纹理信息。
二维Gabor函数可以表示为:
其中,w是高斯函数复调制频率,x、y分别为两个维度的坐标值,tx、ty是在空间域中高斯函数的带宽、j是虚数符号、exp指数变换符号。
具体实施时,用n个F1,F2,...,Fn构成Gabor滤波器组{F1,F2,...,Fn},建议选取3个尺度,每个尺度有8个方向的Gabor滤波器,则n的建议取值为16-24。
现有纹理基元特征提取时未提取像素的空间分布特性,本发明提取纹理基元特征时考虑了像素的空间分布特性。具体指像素点的纹理基元不仅由该像素邻域计算出,而且是由4个不同方向上的邻域计算出,这样得到的像素点的纹理基元就包含了不同空间位置上分布特性,可以对像素及其周围区域的分布特性进行约束。因此将每个窗格Gp,i,1≤p≤n,1≤i≤m划分左上、左下、右上、右下四个区域,并将这些区域组合起来,就可以获得中心像素空间分布特性。m建议取值范围为1~3,Gp,i的窗格尺寸一般建议可取值为9,11,13等奇数。
以某个灰度图像I的一个像素为例,对灰度图像I滤波后得到的图像I1,I2,...,In,选择窗格数m为1,Gp,1的窗格尺寸取值为9,表现出以该像素为中心的某个窗格划分左上、左下、右上、右下四个区域,因此可得到一个行为n×4,列为1的矩阵。
纹理是在一定区域上存在的,有些纹理单元覆盖的区域面积大,有些覆盖的区域面积小,原始纹理基元提取方法通过选用不同的滤波器组获取不同尺度的纹理基元,本发明直接从像素不同大小的邻域获取多尺度特性。为避免区域面积过小无法构成纹理,选择不同的区域大小进行估计,以获得多尺度的分布特性。以每个像素点Px,y为中心选择不同的窗口大小获得窗格Gp,i,1≤i≤m,就是选取不同估计尺寸,可以获得中心像素的多尺度分布特性。
使用聚类的方法对训练集中所有的纹理基元进行聚类,获得聚类中心,作为典型纹理基元。即将训练集中所有图像的向量进行聚类,得到聚类中心作为纹理基元的代表。这样极大地减少了纹理基元的数量,从而减少计算量。
另外,为了精确获取图像特征,所述特征值D阈值大小选1,
具体采用二值化算法:
I2(x,y)=1,(I1(x,y)≥1)
I2(x,y)=0,(1>I1(x,y)≥0)
其中I1(x,y)为二值化前(x,y)点对应的强度值,I2(x,y)为二值化后(x,y)点对应的强度值。
构建联通区域算法:其中A为原图像,
设A和B是Z中的集合,A被B腐蚀定义为:
A被B膨胀定义为:
对3000张条纹信号获得的定量化统计结果如下表。可见分形提取输出点密度较高。
通过比较可见,采用本发明方法处理后的平地地区点云数据显示结果如图2-1,图2-2,图3-1,图3-2所示如下。可见基于分形理论输出目标细节信息更为丰富,点密度更大,离散更小,从而使得还原后的图像更加清晰可见,真实效果更佳。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种条纹激光回波信息提取方法,其特征在于包括如下步骤:
步骤101:读取原始回波条纹图,将所述回波条纹图各个像素点处的灰度值看作灰度值随机游走的结果,分析图像特征;
步骤102:随机选取某一像素点I(x1,y1),并计算该像素点与其周围四领域内像素点I(x2,y2)灰度值的差值G,即G=I(x2,y2)-I(x1,y1);
步骤103:所述选取的像素点I(x1,y1)与其周围四领域内像素点I(x2,y2)作差,设定一个间隔值R,使得||(x2,y2)-(x1,y1)||=R≤1;
步骤104:计算差值G的期望值,得到E(G);
步骤105:依据分形理论可得期望值E(G)与间隔值R满足关系:log(E)=(3-D)log R+log C,其中C为常数,D为特征值;
步骤106:通过间隔值R的多次迭代,得到一组对应的期望值E与间隔值R的数组,从而获得特征值D;
步骤107:将图像中的特征值D以灰度图像形式显示,得到特征值条纹图;
步骤108:构建连通区域,对所述特征值条纹图进行识别处理,找出增强信号区域;
步骤109:依据所述增强信号区域对原始回波条纹图进行二值化算法处理,获得纯净的回波信息图。
2.根据权利要求1所述的方法,其特征在于:所述步骤101中,包括:读取原始回波条纹图,分析该回波条纹图像,当其灰度值小于10时,进行初步的去噪处理后进入步骤102。
3.根据权利要求1所述的方法,其特征在于:所述步骤104中,计算期望值E(G)包括:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>500</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>1000</mn>
</munderover>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>500000</mn>
</mrow>
其中G(x,y)=I(x2,y2)-I(x1,y1)。
4.根据权利要求1所述的方法,其特征在于:所述步骤101中,分析图像特征采用滤波函数进行图像提取:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<msub>
<mi>&pi;t</mi>
<mi>x</mi>
</msub>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>8</mn>
</mfrac>
<mrow>
<mo>(</mo>
<mfrac>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mrow>
<msup>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mrow>
<msup>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>4</mn>
<mi>&pi;</mi>
<mi>j</mi>
<mi>w</mi>
<mo>&rsqb;</mo>
</mrow>
其中,w是高斯函数复调制频率,x、y分别为两个维度的坐标值,tx、ty是在空间域中高斯函数的带宽、j是虚数符号、exp指数变换符号。
5.根据权利要求1所述的方法,其特征在于:所述构建连通区域,包括:
其中A为原图像,
设A和B是Z中的集合,A被B腐蚀定义为:
A被B膨胀定义为:
6.根据权利要求1所述的方法,其特征在于:所述二值化算法为:
I2(x,y)=1,(I1(x,y)≥1)
I2(x,y)=0,(1>I1(x,y)≥0)
其中I1(x,y)为二值化前(x,y)点对应的强度值,I2(x,y)为二值化后(x,y)点对应的强度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710664946.1A CN107607927B (zh) | 2017-08-07 | 2017-08-07 | 一种条纹激光回波信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710664946.1A CN107607927B (zh) | 2017-08-07 | 2017-08-07 | 一种条纹激光回波信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107607927A true CN107607927A (zh) | 2018-01-19 |
CN107607927B CN107607927B (zh) | 2020-07-07 |
Family
ID=61064647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710664946.1A Active CN107607927B (zh) | 2017-08-07 | 2017-08-07 | 一种条纹激光回波信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107607927B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502978A (zh) * | 2019-07-11 | 2019-11-26 | 哈尔滨工业大学 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
CN115656978A (zh) * | 2022-10-31 | 2023-01-31 | 哈尔滨工业大学 | 目标条纹图像中光斑位置的获得方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201032490Y (zh) * | 2007-03-29 | 2008-03-05 | 中国科学院上海光学精密机械研究所 | 可获得目标位置信息的相干激光测距仪 |
CN102439393A (zh) * | 2009-05-15 | 2012-05-02 | 密歇根宇航公司 | 范围成像激光雷达 |
CN105390919A (zh) * | 2015-12-03 | 2016-03-09 | 哈尔滨工业大学 | 一种获得高重频、大能量可调谐激光的方法 |
CN105470793A (zh) * | 2015-12-29 | 2016-04-06 | 哈尔滨工业大学 | 一种利用标准具和电光晶体实现稳定双频激光输出的装置及方法 |
CN105514778A (zh) * | 2015-12-29 | 2016-04-20 | 哈尔滨工业大学 | 一种可调谐激光的泵浦系统及采用该系统获得可谐调激光的方法 |
CN106772314A (zh) * | 2016-12-09 | 2017-05-31 | 哈尔滨工业大学 | 一种机载测绘激光雷达扫帚式扫描系统及其扫描方法 |
-
2017
- 2017-08-07 CN CN201710664946.1A patent/CN107607927B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201032490Y (zh) * | 2007-03-29 | 2008-03-05 | 中国科学院上海光学精密机械研究所 | 可获得目标位置信息的相干激光测距仪 |
CN102439393A (zh) * | 2009-05-15 | 2012-05-02 | 密歇根宇航公司 | 范围成像激光雷达 |
CN105390919A (zh) * | 2015-12-03 | 2016-03-09 | 哈尔滨工业大学 | 一种获得高重频、大能量可调谐激光的方法 |
CN105470793A (zh) * | 2015-12-29 | 2016-04-06 | 哈尔滨工业大学 | 一种利用标准具和电光晶体实现稳定双频激光输出的装置及方法 |
CN105514778A (zh) * | 2015-12-29 | 2016-04-20 | 哈尔滨工业大学 | 一种可调谐激光的泵浦系统及采用该系统获得可谐调激光的方法 |
CN106772314A (zh) * | 2016-12-09 | 2017-05-31 | 哈尔滨工业大学 | 一种机载测绘激光雷达扫帚式扫描系统及其扫描方法 |
Non-Patent Citations (2)
Title |
---|
DONG ZHI-WEI ET.AL: "《Research of elevation error based on points cloud data of stripe principle LiDAR》", 《INTERNATIONAL CONFERENCE ON OPTOELECTRONICS AND MICROELECTRONICS TECHNOLOGY AND APPLICATION》 * |
董志伟 等: "《条纹原理激光雷达成像仿真及实验》", 《红外与激光工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502978A (zh) * | 2019-07-11 | 2019-11-26 | 哈尔滨工业大学 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
CN115656978A (zh) * | 2022-10-31 | 2023-01-31 | 哈尔滨工业大学 | 目标条纹图像中光斑位置的获得方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107607927B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Review of video and image defogging algorithms and related studies on image restoration and enhancement | |
Nasiri et al. | Infrared small target enhancement based on variance difference | |
US10042048B1 (en) | Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN105046710A (zh) | 基于深度图分割与代理几何体的虚实碰撞交互方法及装置 | |
CN110599489A (zh) | 一种目标空间定位方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN113050074B (zh) | 无人驾驶环境感知中相机与激光雷达标定系统及标定方法 | |
Chen et al. | A color-guided, region-adaptive and depth-selective unified framework for Kinect depth recovery | |
CN107607927B (zh) | 一种条纹激光回波信息提取方法 | |
Hou et al. | Planarity constrained multi-view depth map reconstruction for urban scenes | |
CN115620263A (zh) | 基于摄像机和激光雷达图像融合的智能车障碍物检测方法 | |
CN113205564B (zh) | 一种sar智能目标边缘重构方法 | |
CN109767411A (zh) | 一种用于多图像融合的二维多元经验模态分解算法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN116128916B (zh) | 一种基于空间能流对比度的红外弱小目标增强方法 | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
Cobb et al. | Multi-image texton selection for sonar image seabed co-segmentation | |
Liang et al. | Fast patchwise nonlocal SAR image despeckling using joint intensity and structure measures | |
CN116363168A (zh) | 一种基于超分辨网络的遥感视频目标跟踪方法及系统 | |
Zhu et al. | Hybrid scheme for accurate stereo matching | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
CN113421279B (zh) | 一种基于加权核范数最小化的红外弱小目标检测方法 | |
Mondal et al. | Performance review of the stereo matching algorithms |
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 |