CN107895152A - 一种在轨云缝快速检测方法 - Google Patents
一种在轨云缝快速检测方法 Download PDFInfo
- Publication number
- CN107895152A CN107895152A CN201711192012.9A CN201711192012A CN107895152A CN 107895152 A CN107895152 A CN 107895152A CN 201711192012 A CN201711192012 A CN 201711192012A CN 107895152 A CN107895152 A CN 107895152A
- Authority
- CN
- China
- Prior art keywords
- clearance
- cloud
- area
- primary image
- orbit
- 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
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
一种在轨云缝快速检测方法,首先进行基于图像块的非云、云图像子块分类;并以非云子块为基本单位,对非云区域进行快速标记,按一定的约束条件进行非云区域筛选;最后计算非云区域中心位置及范围,从而实现云缝的快速检测。本发明方法解决了宽幅相机和高分相机联动成像观测时,星上处理系统对详查目标区域位置、范围信息快速、准确计算的问题。本发明方法针对大面积云覆盖情况下,可有效缩短详查观测参考中心提取时间,从而增加星上自主任务规划系统决策、资源调配反应时间,保证高分相机对重要目标区域的详查观测。
Description
技术领域
本发明涉及一种云缝检测方法,特别是一种在轨云缝快速检测方法,属于航天遥感领域。
背景技术
据统计数据显示,卫星遥感相机获取的高分辨率可见光遥感图像中67%左右的图像被厚度不同、分布形态各异的云覆盖,导致下传至地面的数据大部分为无效数据。云覆盖等无效数据严重浪费了星上相机资源、数据传输时间和链路带宽,影响了包含重要目标信息数据的获取与传输。因此,新一代智能遥感卫星往往采用宽幅相机和高分辨率相机协同工作的模式,首先利用宽幅相机获取的大幅宽遥感图像数据进行在轨处理,提取可疑目标区域位置及范围等信息,通过星上自主任务规划系统调动高分辨率相机进行详查观测,从而实现高价值目标的有效、准确观测。当宽幅相机观测区域为大面积云覆盖情况下,由于云缝(非云区域)、云边缘等可能存在重要目标,因此需要在轨处理系统对云缝位置、范围进行在轨快速、准确提取,为高分相机进一步详查观测提供参考依据。此外,研究在轨快速检测方法,缩短在轨处理时间,还能为星上自主任务规划系统决策、资源调配增加反应时间,保证高分相机对重要目标区域的成像观测。
发明内容
本发明解决的技术问题是:克服现有技术的不足,解决了宽幅相机和高分相机对重要目标区域的联动成像观测时,目标区域位置、范围信息在轨快速、准确计算问题,提供了一种在轨云缝检测方法。
本发明的技术解决方案是:一种在轨云缝快速检测方法,包括如下步骤:
(1)设输入图像大小为M×N,将输入图像进行等间隔划分,并定义每个网格作为一个基本图像单元,大小为m×n,1<m<M,1<n<N;生成由(M×N)/(m×n)个基本图像单元组成的云缝标记模型A;所述M、N均为正整数;
(2)依次对步骤(1)建立的云缝标记模型A中对应的每个基本图像单元进行非云、云分类标记处理,生成云缝标记模型C:
(3)统计步骤(22)生成的云缝标记模型C中0的个数,如果数量大于阈值百分比R,则对云缝标记模型C进行连通域标记,生成云缝标记图D
D=D1∪D2…UDL
其中,脚标L为进行连通域标记后连通域的个数,i=1,2…L,j=1,2…L,Dk为各个单连通域,k=1,2…L;
(4)统计步骤(3)生成的云缝标记图D中各个连通域Dk中的基本单元个数,如果基本单元个数大于P,则求解Dk的最大内接矩形Zk,分别得到Zk的中心位置Zko、宽Zkw和长Zkh;
(5)计算每个Zk的面积Areak=Zkw×Zkh,选择满足约束条件的Areak的Zk,则将Zk对应的连通域Dk作为云缝检测结果,并输出Zko、Zkw和Zkh作为高分相机详查参考云缝信息。
所述的分类器为SVM分类器,地面通过大量云和非云样本对SVM分类器进行训练,并将训练参数通过星地链路上传至星上处理系统。
所述步骤2)中生成云缝标记模型的具体过程为:
(21)统计每个基本图像单元中像素灰度值大于灰度阈值T的像素个数占总像素个数的百分比,若小于75%则认为该基本图像单元是非云,并标记该基本图像单元为1,否则认为是云,标记该基本图像单元为0,生成云缝标记模型B;
(22)利用分类器对步骤(21)生成的云缝标记模型B中标记为1的基本图像单元进行进一步细分,将分类结果为云的基本图像单元标记为0,其余的保持不变,生成云缝标记模型C。
所述步骤(3)中利用连通域标记法对云缝标记模型C进行连通域标记。
所述的阈值R的取值范围为70%<R<100%。
所述的阈值P=K/(m×n×r2),其中,K为初步筛选云缝区域范围,m×n为基本图像单元大小,r为输入图像的分辨率。
所述步骤(5)中的约束条件Areak的取值范围为Areamin<Areak<Areamax,其中,Areamin=Kmin/r2,Areamax=Kmax/r2,Kmin和Kmax为用户自定义的云峰最小和最大观测范围,,r为输入图像的分辨率。
所述的连通域标记法为等价表标记法。
所述的阈值T的取值范围为200<T<255。
所述1<Kmin<10,10<Kmax<100。
本发明与现有技术相比的优点在于:
(1)本发明方法以图像块为基本单元,建立了云缝快速标记模型,通过对基本单元分类和快速标记、筛选,实现了非云区域的快速计算。
(2)针对大面积区域标记计算时,本发明方法可有效缩短在轨处理时间,增加星上自主任务规划系统决策、资源调配反应时间,保证宽幅相机和高分相机对重要目标区域的联动成像观测。
(3)当宽幅相机观测区域为大面积云覆盖情况下,本发明方法可以在轨对云缝区域进行快速、准确提取,为高分相机进一步详查观测提供参考依据。
附图说明
图1为本发明方法中基本图像单元分类流程图;
图2为本发明方法中非云连通区域标记示意图;
图3为本发明方法中云缝检测流程图;
图4为本发明方法中云缝位置提取示意图,其中,(a)为大面积云覆盖图像(b)为云、非云分类结果;(c)为云缝中心位置提取结果示意图。
具体实施方式
如图1-4所示,本发明方法整体思路是先进行基于图像块的非云、云图像子块分类,并以非云子块为基本单位,对非云区域进行快速标记,按一定的约束条件进行非云区域筛选,最后计算非云区域中心位置及范围,从而实现云缝的快速检测,具体实现过程如下:
(1)云缝标记模型建立
1)首先,假设输入图像大小为M×N,将输入图像进行等间隔划分,并定义每个网格作为一个“基本图像单元”,大小为m×n,1<m<M,1<n<N。生成由(M×N)/(m×n)个基本图像单元组成的云缝标记模型A。
(2)基本图像单元分类
1)统计每个基本图像单元中阈值大于T的像素个数,数量少于3/4则认为是非云,实现云块粗分类,否则继续利用进行细分类;
2)利用上传的SVM参数,进行SVM分类,分类结果为云或非云,结束,生成云缝标记模型C。
以上处理过程应用于星上基本图像单元分类,将训练过程置于地面处理,分类判决放于星上,训练参数通过星地链路上传至卫星处理器。
(3)非云连通区域计算
在基本图像单元分类基础上,判断观测区域图像是否满足云缝检测约束条件(例如在云量超过70%情况下进行云缝检测处理);当满足云缝检测条件时,对图像中非云基本图像单元进行标记,生成云缝标记图D。
传统连通域标记法都是基于像素的标记,往往计算量大,硬件实时处理难度大。尤其是针对大面积区域进行标记时,硬件资源将急剧增加。然而,非云区域往往面积较大,无法利用传统方法进行标记。针对该问题,本发明方法提出了基于基本图像单元的标记思想,将以上分类处理得到的非云图像块作为标记的基本单元,利用改进的等价表标记方法及进行标记,可实现非云区域的快速计算,具体标记步骤如下:
1)图像初步标记过程。通过逐行逐列逐基本图像单元的扫描过程,为每一个基本图像单元赋予一个临时标记和相应的坐标输出,并且将临时标记的等价关系和坐标记录在等价表中。
该部分完成每个基本图像单元的初步标记以及临时标记等价关系的收集和初步整理。在由上到下,由左至右进行逐行逐列逐基本图像单元扫描图像的过程中,如果发现即将标记的基本图像单元与已经标记的基本图像单元之间不存在连通关系,即该基本图像单元与所有相邻的已经标记的基本图像单元灰度值均不相同,则赋予该基本图像单元一个新的临时标记;如果在工作窗口中检测到相邻基本图像单元灰度值相同而临时标记不同,则认为这两个临时标记具有等价关系,属于相同的连通区域,并将该等价关系记录在等价表中。
标记算法符号约定:本方法中读取的基本图像单元的灰度值用字母a、b、c、d、e表示,它们在标记算法的工作窗口中的位置将在下表中表示出来,对相应基本图像单元生成的临时标记用符号la、lb、lc、ld、le表示;即将赋给基本图像单元的新生成的临时标记用l表示,l初始化为1;分别用N,M表示图像的行数和列数。本算法采用8连通判断准则。由于不用考虑图像的边界处理,标记处理情况就只有一种类型,如图2所示。
工作窗口为2×3,如上所示,表中空白的方格表示在工作窗口之外的图像子块。本算法不考虑边界效应,只处理图像的第二行第二列开始到图像的N-1行M-1列。工作窗口中的a、b、d、c为已经标记的图像,e为未标记图像。算法具体过程如下:
首先,判断读取基本图像单元e,如果e=1,就进行下一步;
第二,读取基本图像单元c,与e比较,如果c=e,则le=lc;否则,读取基本图像单元a,如果a=e,则le=la;否则,读取基本图像单元b,如果b=e,则le=lb;否则,读取基本图像单元d,如果d=e,则le=ld;否则le=l,l++;
第三,判断标记等价关系,读取基本图像单元e,d,b,如果e=d=1,b=0,再读取基本图像单元a,如果a=1,那么再读取la和ld,如果la≠ld,则将la、ld写入等价表;又如果a=0,再读取基本图像单元c,如果c=1,就读取lc和ld,如果lc≠ld,则将lc、ld写入等价表;
2)等价表生成过程。将具有等价关系的临时标记全部等价于其中的最小值。
算法原理:图像初步标记结束后,需要对等价表进行整理。从等价表地址1开始扫描等价表,依次检查其中各个临时标记是否存在等价关系,如果存在,则执行追踪过程,以具有等价关系的最小标记更新等价表。由于整理过程从等价表地址1开始,即从最小的临时标记值开始,因此对整个等价表的扫描可以一遍结束,即:对每个具有等价关系的临时标记追踪一遍后,整个等价表中具有等价关系的标记均对应相同的最小标记。
3)等价表整理过程。对连通区域以自然数顺序重新编号,该标记作为最终标记。经过以上三个步骤处理后,算法输出存有最终标记值和相应坐标的等价表,以供后续算法调用。
算法原理:从自然数1开始,对等价表中的标记重新赋值,具体做法是:令k=1,j=1,如果E(k)=k,则写入E(k)=j,j++;否则写入E(k)=E(E(k)),j为对临时标记压缩后的最终标记值,其中取消了具有连通关系的重复的临时标记。经过重新赋值后,等价表中所有临时标记均指向具有连通关系的最终标记,并且最终标记的个数等于图像中连通区域的个数。
(4)云缝信息提取
1)云缝筛选
在非云连通域标记基础上,对非云区域进行初步筛选,确定云缝待检测区域;统计步骤(3)生成的云缝标记图D中各个连通域Dk中的基本单元个数,如果基本单元个数大于P,则求解Dk的最大内接矩形Zk,分别得到Zk的中心位置Zko、宽Zkw和长Zkh;其中,阈值P=K/(m×n×r2),K为初步筛选云缝区域范围(单位为km2),一般情况下1<K<5,m×n为基本图像单元大小,r为输入图像的分辨率。
2)云峰提取计算每个Zk的面积Areak=Zkw×Zkh,选择满足约束条件Areamin<Areak<Areamax的Areak的Zk,则将Zk对应的连通域Dk作为云缝检测结果,并输出Zko、Zkw和Zkh作为高分相机详查参考云缝信息。其中,Areamin=Kmin/r2,Areamax=Kmax/r2,Kmin和Kmax为用户自定义的云峰最小和最大观测范围(单位为km2),一般情况下1<Kmin<10,10<Kmax<100,r为输入图像的分辨率。例如,对云缝最小观测范围选择3km*3km,最大观测范围选择10km*10km),输出满足条件的云缝中心位置、长、宽等信息。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (10)
1.一种在轨云缝快速检测方法,其特征在于包括如下步骤:
(1)设输入图像大小为M×N,将输入图像进行等间隔划分,并定义每个网格作为一个基本图像单元,大小为m×n,1<m<M,1<n<N;生成由(M×N)/(m×n)个基本图像单元组成的云缝标记模型A;所述M、N均为正整数;
(2)依次对步骤(1)建立的云缝标记模型A中对应的每个基本图像单元进行非云、云分类标记处理,生成云缝标记模型C:
(3)统计步骤(22)生成的云缝标记模型C中0的个数,如果数量大于阈值百分比R,则对云缝标记模型C进行连通域标记,生成云缝标记图D
D=D1∪D2∪DL
其中,脚标L为进行连通域标记后连通域的个数,i=1,2…L,j=1,2…L,Dk为各个单连通域,k=1,2…L;
(4)统计步骤(3)生成的云缝标记图D中各个连通域Dk中的基本单元个数,如果基本单元个数大于P,则求解Dk的最大内接矩形Zk,分别得到Zk的中心位置Zko、宽Zkw和长Zkh;
(5)计算每个Zk的面积Areak=Zkw×Zkh,选择满足约束条件的Areak的Zk,则将Zk对应的连通域Dk作为云缝检测结果,并输出Zko、Zkw和Zkh作为高分相机详查参考云缝信息。
2.根据权利要求1所述的一种在轨云缝快速检测方法,其特征在于:所述的分类器为SVM分类器,地面通过大量云和非云样本对SVM分类器进行训练,并将训练参数通过星地链路上传至星上处理系统。
3.根据权利要求1所述的一种在轨云缝快速检测方法,其特征在于:所述步骤2)中生成云缝标记模型的具体过程为:
(21)统计每个基本图像单元中像素灰度值大于灰度阈值T的像素个数占总像素个数的百分比,若小于75%则认为该基本图像单元是非云,并标记该基本图像单元为1,否则认为是云,标记该基本图像单元为0,生成云缝标记模型B;
(22)利用分类器对步骤(21)生成的云缝标记模型B中标记为1的基本图像单元进行进一步细分,将分类结果为云的基本图像单元标记为0,其余的保持不变,生成云缝标记模型C。
4.根据权利要求1-3任意所述的一种在轨云缝快速检测方法,其特征在于:所述步骤(3)中利用连通域标记法对云缝标记模型C进行连通域标记。
5.根据权利要求1-3任意所述的一种在轨云缝快速检测方法,其特征在于:所述的阈值R的取值范围为70%<R<100%。
6.根据权利要求1-3任意所述的一种在轨云缝快速检测方法,其特征在于:所述的阈值P=K/(m×n×r2),其中,K为初步筛选云缝区域范围,m×n为基本图像单元大小,r为输入图像的分辨率。
7.根据权利要求1-3任意所述的一种在轨云缝快速检测方法,其特征在于:所述步骤(5)中的约束条件Areak的取值范围为Areamin<Areak<Areamax,其中,Areamin=Kmin/r2,Areamax=Kmax/r2,Kmin和Kmax为用户自定义的云峰最小和最大观测范围,,r为输入图像的分辨率。
8.根据权利要求1-3所述的一种在轨云缝快速检测方法,其特征在于:所述的连通域标记法为等价表标记法。
9.根据权利要求3所述的一种在轨云缝快速检测方法,其特征在于:所述的阈值T的取值范围为200<T<255。
10.根据权利要求7所述的一种在轨云缝快速检测方法,其特征在于:所述1<Kmin<10,10<Kmax<100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711192012.9A CN107895152B (zh) | 2017-11-24 | 2017-11-24 | 一种在轨云缝快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711192012.9A CN107895152B (zh) | 2017-11-24 | 2017-11-24 | 一种在轨云缝快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107895152A true CN107895152A (zh) | 2018-04-10 |
CN107895152B CN107895152B (zh) | 2020-02-14 |
Family
ID=61805801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711192012.9A Active CN107895152B (zh) | 2017-11-24 | 2017-11-24 | 一种在轨云缝快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895152B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284904A (zh) * | 2018-08-30 | 2019-01-29 | 北京控制工程研究所 | 用于成像任务有效规划的云层窗口自主感知决策方法 |
CN113393571A (zh) * | 2021-06-15 | 2021-09-14 | 北京市遥感信息研究所 | 一种无云卫星图像生成方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567730A (zh) * | 2011-11-25 | 2012-07-11 | 中国海洋大学 | 海冰外缘线的自动精确识别方法 |
CN102968646A (zh) * | 2012-10-25 | 2013-03-13 | 华中科技大学 | 一种基于机器学习的车牌检测方法 |
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
CN103500449A (zh) * | 2013-09-26 | 2014-01-08 | 西安空间无线电技术研究所 | 一种星上可见光遥感图像云检测方法 |
CN103927759A (zh) * | 2014-04-30 | 2014-07-16 | 武汉大学 | 一种航空图像自动云检测方法 |
CN104866856A (zh) * | 2015-05-17 | 2015-08-26 | 西南石油大学 | 基于连通域等价对处理的成像测井图像溶洞信息拾取方法 |
CN105426903A (zh) * | 2015-10-27 | 2016-03-23 | 航天恒星科技有限公司 | 一种遥感卫星图像的云判方法及系统 |
WO2016116724A1 (en) * | 2015-01-20 | 2016-07-28 | Bae Systems Plc | Detecting and ranging cloud features |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
-
2017
- 2017-11-24 CN CN201711192012.9A patent/CN107895152B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567730A (zh) * | 2011-11-25 | 2012-07-11 | 中国海洋大学 | 海冰外缘线的自动精确识别方法 |
CN102968646A (zh) * | 2012-10-25 | 2013-03-13 | 华中科技大学 | 一种基于机器学习的车牌检测方法 |
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
CN103500449A (zh) * | 2013-09-26 | 2014-01-08 | 西安空间无线电技术研究所 | 一种星上可见光遥感图像云检测方法 |
CN103927759A (zh) * | 2014-04-30 | 2014-07-16 | 武汉大学 | 一种航空图像自动云检测方法 |
WO2016116724A1 (en) * | 2015-01-20 | 2016-07-28 | Bae Systems Plc | Detecting and ranging cloud features |
CN104866856A (zh) * | 2015-05-17 | 2015-08-26 | 西南石油大学 | 基于连通域等价对处理的成像测井图像溶洞信息拾取方法 |
CN105426903A (zh) * | 2015-10-27 | 2016-03-23 | 航天恒星科技有限公司 | 一种遥感卫星图像的云判方法及系统 |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
Non-Patent Citations (2)
Title |
---|
HYUN IL JUNG: "Fast text line detection by finding linear connected components on canny edge image", 《2015年第21届韩日计算机视觉前言联合研讨会》 * |
裴伟等: "基于图像信息的茶叶二维采摘坐标的提取", 《浙江农业学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284904A (zh) * | 2018-08-30 | 2019-01-29 | 北京控制工程研究所 | 用于成像任务有效规划的云层窗口自主感知决策方法 |
CN109284904B (zh) * | 2018-08-30 | 2021-07-13 | 北京控制工程研究所 | 用于成像任务有效规划的云层窗口自主感知决策方法 |
CN113393571A (zh) * | 2021-06-15 | 2021-09-14 | 北京市遥感信息研究所 | 一种无云卫星图像生成方法及装置 |
CN113393571B (zh) * | 2021-06-15 | 2023-06-27 | 北京市遥感信息研究所 | 一种无云卫星图像生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107895152B (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN102567300B (zh) | 图片文档的处理方法及装置 | |
CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN104867159A (zh) | 一种数字相机传感器污点检测及分级方法与装置 | |
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN103824373B (zh) | 一种票据图像金额分类方法及系统 | |
CN104050481B (zh) | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN101710387A (zh) | 一种高分辨率遥感图像智能分类方法 | |
CN108985363A (zh) | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 | |
CN107358176A (zh) | 基于高分遥感影像区域信息和卷积神经网络的分类方法 | |
CN105427275A (zh) | 大田环境麦穗计数方法及装置 | |
CN104966348B (zh) | 一种票据图像要素完整性检测方法及系统 | |
CN106097369A (zh) | 一种smt物料盘x射线透视图像分割检测与计数统计方法及装置 | |
CN107895152A (zh) | 一种在轨云缝快速检测方法 | |
CN105956592B (zh) | 一种基于图像显著性与svm的飞机目标检测方法 | |
CN103295238B (zh) | 安卓平台上基于roi运动检测的视频实时定位方法 | |
CN110378862A (zh) | 一种提高输电线路外破目标识别准确度的数据增强方法 | |
CN110443166A (zh) | 一种雾霾天气的车牌识别方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
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 |