CN108009991A - 一种机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除 - Google Patents
一种机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除 Download PDFInfo
- Publication number
- CN108009991A CN108009991A CN201610922691.XA CN201610922691A CN108009991A CN 108009991 A CN108009991 A CN 108009991A CN 201610922691 A CN201610922691 A CN 201610922691A CN 108009991 A CN108009991 A CN 108009991A
- Authority
- CN
- China
- Prior art keywords
- particle
- battle array
- picture
- array probe
- adjacent
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000000523 sample Substances 0.000 title claims abstract description 39
- 238000001556 precipitation Methods 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract description 4
- 238000003379 elimination reaction Methods 0.000 abstract description 4
- 239000012634 fragment Substances 0.000 description 5
- 238000013467 fragmentation Methods 0.000 description 5
- 238000006062 fragmentation reaction Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 1
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除方法，属于图像信号处理技术领域。该方法综合运用到达时间间隔算法与孤立粒子数阈值算法，可对因测量过程中粒子与探头探测臂发生机械碰撞，或者与探头外壳产生的湍流和风切变相互作用而破碎的破碎粒子伪迹进行识别；然后利用图像特征因子判定方法，对因采样速度和空速不匹配产生的条纹状粒子、因电磁信号干扰而生成的线状粒子以及空白粒子等伪粒子进行识别。本发明可以有效地对机载光阵探头测量过程中的云降水粒子图像伪迹进行识别与剔除，对进一步利用机载测量的云降水粒子图像数据研究云微物理过程具有重要的意义。
Description
技术领域
本发明属于图像信号处理技术领域，具体涉及一种机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除方法。
背景技术
利用机载光阵探头进行飞机穿云观测是现代云微物理研究的主要探测手段之一，机载光阵探头测量的数据不仅可用于云降水物理研究，还可用于卫星雷达等遥感结果的验证。从机载光阵探头所获取的粒子图像来看，粒子图像中包含有很多伪粒子。这其中既有因测量过程中粒子与探头探测臂发生机械碰撞，或者与探头外壳产生的湍流和风切变相互作用而破碎的破碎粒子伪迹；也有因仪器采样速度和空速不匹配而产生的条纹状粒子；还有因电磁信号干扰而生成的线状粒子以及空白粒子等伪粒子图像。这些伪粒子图像统称为图像伪迹，伪迹的存在，导致从粒子图象获取的云微物理参数发生了偏差，这不仅不利于云降水物理研究，也将误导遥感测量结果。因此，有必要对机载光阵探头测量得到的云降水粒子图象伪迹进行识别和剔除。
对机载光阵探头测量过程中云降水粒子图像伪迹的识别和剔除，国外已经有人进行了相关的研究，1978年美国农垦局的Cooper提出了利用空间距离来滤除掉溅散破碎的粒子，虽然破碎的粒子在空间分布上比较紧密，但由于粒子图像的采样率与飞机的速度成正比，这使得粒子图像之间的空间距离间隔在飞机速度比较快时也比较紧密，而实际飞机飞行的速度是难以保持恒定的，因此基于空间距离的方法在滤除破碎粒子时具有很大的局限性。2005年加拿大环境部的Korolev提出了利用孤立粒子数阈值判别粒子破碎伪迹的方法，该方法假定于一个粒子图像帧仅能有一个孤立粒子，而当粒子破碎时有很多破碎粒子同时被记录于同一个粒子图像帧中，因此可以利用孤立粒子数阈值进行识别和剔除，但是实际上有很多的破碎粒子碎片是以单个的形式被仪器记录下来，因此基于孤立粒子数阈值的方法在破碎粒子识别准确性上不高。2006年美国国家大气研究中心的Field等提出了利用到达时间间隔阈值滤除破碎粒子的方法，该方法巧妙地利用了仪器了记录粒子图像时也同时记录粒子进入仪器采样区的时间，而相邻两个自然粒子进入仪器采样区的时间间隔小于两相邻碎片进入仪器采样区的时间间隔，可以以较高的准确性识别破碎的伪粒子，但该方法只能对自然粒子破碎后形成的碎片伪粒子以连续两图像帧以上被记录下来的形式有效，对于所有的碎片伪粒子以一个图像帧的形式被记录下来的情况，该方法无法识别。此外，上述所提方法仅能对因破碎所产生的破碎伪粒子进行识别与剔除，无法对因其它原因而形成的伪粒子进行识别与剔除响。
国内目前还没有人对机载光阵探头测量过程中的云降水粒子图像伪迹识别与剔除进行专门研究。由于图像伪迹的产生不仅和仪器有关，还和机载平台以及所测的大气环境因素相关，因此国外目前公开的方法也无法直接应用到国内机载光阵探头测量云降水粒子过程的图象数据处理中。
发明内容
为客服现有方法中所存在的问题，本发明提供了一种机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除方法，能够自动识别云降水粒子图像采集过程中的伪迹粒子图像，并将其剔除，从而为云微物理过程分析提供较为真实的云降水粒子图像数据。
本发明一种机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除方法，具体步骤如下：
(1)图像获取步骤，从机载光阵探头中获取原始的云降水粒子图像数据；
(2)粒子图像帧检测，获取粒子图像帧信息，这里包括图像帧内的粒子及其背景信息以及该粒子图像帧的到达时刻；
(3)对粒子图像帧内的粒子数据进行处理，获取粒子的轴比、面积、到达时间间隔以及是否覆盖住传感器的边缘单元；
(4)利用深度遍历搜索方法获取图像帧内的孤立粒子数；
(5)联合利用到达时间间隔和孤立粒子数阈值识别破碎的伪粒子；
(6)利用面积对空白伪粒子进行识别；
(7)利用轴比对线状伪粒子进行识别；
(8)联合利用轴比和是否覆盖住传感器的边缘单元对条纹状伪粒子进行识别；
本发明的有益效果是：
1.本发明联合利用到达时间间隔阈值算法和孤立粒子数阈值算法对破碎形成的伪粒子进行识别，有效地客服了到达时间间隔算法无法对自然粒子破碎后形成的碎片伪粒子以一个图像帧的形式被记录下来的情况，提高了对破碎伪粒子识别的准确性和可靠性。
2.本发明联合利用轴比和是否覆盖住传感器的边缘单元对条纹状伪粒子进行识别，也有效地提高了条纹状伪粒子识别的准确性和可靠性；
3.本发明提出了一个比较完整的适用于机载云降水粒子图像采集测量过程中的预处理方法，适用于机载光阵探头在国内云微物理观测研究中的数据质量控制要求。
附图说明
图1是机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除步骤。
图2是一幅真实的含有图像伪迹的云降水粒子图像，图像中黑色部分表示背景，每一块白色区域表示一个云降水粒子。
图3是自然云粒子形成的单粒子图像帧，没有伪迹，图像中黑色部分表示背景，白色区域表示一个云降水粒子。
图4是破碎粒子伪迹夹杂有自然云粒子形成的粒子图像帧，图像中黑色部分表示背景，每一块白色区域表示一个云降水粒子。
图5是条纹状伪粒子形成的粒子图像帧，图像中黑色部分表示背景，白色区域表示一个条纹状伪粒子。
图6是线状伪粒子形成的粒子图像帧，图像中黑色部分表示背景，白色区域表示一个线状伪粒子。
图7是单粒子图像帧内粒子沿水平和垂直两个方向所覆盖的最大传感单元数Nx和Ny，图像中黑色部分表示背景，白色区域表示一个云降水粒子。
图8是8相邻连通示意图，黑色方框部分表示一个像素，白色方框部分表示和黑色像素相邻的8个像素。
图9是深度遍历搜索方法的示意图，大方框外部数字表示行和列，小圆圈内的数字表示搜索到的团，小方框内的数字表示最后识别出来的孤立粒子。
图10是粒子遮挡住光阵传感元件的边缘单元数Nedge的示意图。
图11是剔除掉伪粒子前后的云降水粒子谱比较。
具体实施方式
本发明利用仪器记录云降水粒子的图像信息，通过结合图像处理识别方法，可有效地对机载光阵探头测量云降水粒子过程中所形成的图像伪迹进行识别和剔除，为云微物理过程分析提供更为可靠真实的云降水粒子图像数据，处理流程如图1所示。
(1)图像获取步骤，从机载光阵探头获取云降水粒子图像数据，如图2所示。
(2)对获取的云降水粒子图像数据进行粒子图像帧检测，获得单个云降水粒子图像帧，这里粒子图象帧是根据仪器采集粒子图像过程定义的，当有粒子出现在仪器采样区挡住仪器激光光束时在仪器传感器光电二极管阵列上形成粒子图像，仪器立即对光电二极管阵列上的粒子图像信号不断进行采集，直到云粒子飞出采样区，这时激光光照恢复，仪器对粒子图像信号采集停止，并对刚刚采集到的粒子图像数据进行标记和存储，从而形成一个粒子图象帧。多个粒子图象帧存储在一起，直到堆满预留的存储空间就往上位机传输，从而在上位机上显示为一幅粒子图像，如图2所示，获取的单粒子图像帧内可以是单个自然云粒子图像，如图3所示，也可以是伪迹粒子图像与自然云粒子图像共存的图像，如图4所示，还可以是单个伪迹粒子图像，如图5和图6所示。
(3)对检测到的单粒子图像帧进行信息的提取，包括粒子到达仪器采样区的时间、粒子图像面积、粒子轴比、该粒子图像帧内的孤立粒子数以及粒子是否遮挡住光阵传感元件的边缘单元。
对粒子到达仪器采样区时间的提取采用粒子图像数据解析的方法，仪器在开始采集粒子图像时会记录下开始采集粒子图像的时刻并与粒子图象数据以及粒子图像数据帧的边界标志组合在一起形成单粒子图像帧。通过识别单粒子图像帧的边界标志，可以检测出粒子图像数据并从中提取出该单粒子图像帧的采集时刻，即粒子到达仪器采样区的时间；
粒子图像面积的获取基于检测到的单粒子图象帧，通过计算该粒子图象所覆盖的传感单元数N，再乘以每个传感单元的面积δ，即可获取该粒子图像面积；
粒子轴比可通过计算单粒子图象帧内，沿水平方向和沿垂直方向两个方向粒子图像所覆盖的最大传感单元数Nx和Ny的比值获得，如图7所示。
粒子图像帧内的孤立粒子数，采用基于8相邻连通判定规则的深度遍历搜索算法。所谓的8连通是指和像素相邻的8个方位，即上下左右和4个对角，任一方位出现像素点，则称两像素点是相邻的，如图8所示。对图像帧内孤立粒子数的搜索，先是以图像帧数值矩阵的列为单位，逐列搜索列内存在的相邻的像素点，列内搜索到的相邻像素点称为团(Run)，并记录下每个团的所在列及其在该列中起始位置和终止位置，并赋予标记。然后根据8相邻准则对各个团进行是否相通判断，一旦相通，则将相通的团中的标记大值更改为与其相通团中的标记小值，逐列推进，最后再统计不同标记值个数，从而获得初次统计的图像帧内孤立粒子数数目；然后以初次识别的粒子为区域单位，进行深度遍历搜索，以再次确定是否初次确定的区域还存在连通的可能。具体方法是先获取每个区域在图像帧内的范围，即确定在图像数据矩阵中的起止列和起止行，然后再判定每个区域与其他区域是否存在相邻或者重叠的可能，再利用8相邻的法则，对存在相邻或者重叠的区域(块)进行逐列的8相邻判定，如相邻则将两相邻的区域(块)标志大值的重新标志为其中的小值，如图9所示，整个搜索过程实际上采用的是轮询机制，从而避免对相邻区域(块)漏寻的可能。
粒子是否遮挡住光阵传感元件的边缘单元的信息可通过对单粒子图像帧所形成的阵列数据单元中粒子影像数组的索引获取，如图10所示。
(4)联合利用到达时间间隔和孤立粒子数阈值识别破碎的伪粒子；在获取粒子图象帧的具体信息后，可以计算出每个粒子图象帧与其相邻粒子图象帧的到达时间间隔，即
Δti＝ti-ti-1
当Δti＜Δt时，则将该粒子与其上一个粒子均认为是粒子破碎形成的伪粒子碎片予以剔除；
当不符合到达时间间隔阈值条件时，则利用孤立粒子数阈值再次进行判定，当Ni＜Nthreshold时，则该粒子可认为是破碎形成的伪粒子，否则进入下一个伪粒子判定步骤。
(5)当粒子没被认定为破碎时，则进入是否为空白伪粒子的判定步骤，当粒子图像面积为0时，则认为是空白伪粒子，而当粒子图像面积不为0时，则进入线状伪粒子判定步骤。
(6)当粒子图像进入线状伪粒子识别步骤，则利用其粒子图像轴比信息，当粒子图像的轴比，即沿飞行方向的粒径和沿光阵方向的粒径之间的比值大于45时，则认定该粒子为线状伪粒子，否则进入条纹状伪粒子识别步骤。
(7)当粒子图像进入条纹状伪粒子识别步骤时，联合利用轴比和是否覆盖住光阵传感器边缘单元的信息进行条纹状伪粒子的识别判定；当粒子没有覆盖住光阵传感器边缘单元时，可直接利用轴比进行条纹状伪粒子的识别判定；而当粒子覆盖住光阵传感器边缘单元时，则需要利用其上下各两个粒子均为条纹状粒子或者其下方或上方有3个以上粒子为条纹状粒子且至少要有一个粒子不存在覆盖住光阵传感器边缘单元的情况，才能最终确定是否为条纹状粒子。
(8)对识别后的粒子图像伪迹进行标记和剔除，然后可对剔除伪迹后的云降水粒子图像数据重新进行粒子谱统计。粒子图像伪迹剔除前后的粒子谱统计对比如图11所示，可见剔除掉粒子伪迹后的云粒子谱数据有了很大的改善。
Claims (8)
1.一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于实现步骤如下：
(1)图像获取步骤，从机载光阵探头中获取原始的粒子图像数据；
(2)粒子图像帧检测，获取粒子图像帧信息，这里包括图像帧内的粒子及其背景信息以及该粒子图像帧的到达时刻；
(3)对粒子图像帧内的粒子图像数据进行处理，获取粒子图像的轴比、面积、到达时间间隔、该粒子图像帧内所含的孤立粒子数以及是否覆盖住传感器光电二极管阵列的边缘单元；
(4)联合利用到达时间间隔阈值和孤立粒子数阈值识别破碎的伪粒子；
(5)利用面积对空白伪粒子进行识别；
(6)利用轴比对线状伪粒子进行识别；
(7)联合利用轴比和是否覆盖住光阵传感器边缘单元的信息对条纹状伪粒子进行识别。
2.根据权利要求1所述的一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于步骤(3)获取粒子图象帧内的粒子图像特征信息，包括粒子图像轴比、面积、到达时间间隔、孤立粒子数以及是否覆盖住光阵传感器的边缘单元。包括如下步骤：
(1)计数粒子图像像素数即可得到粒子图像最大长度和最大宽度，将最大长度除以最大宽度即可得到粒子图像的轴比；
(2)计数粒子图像像素点的总数，即可得到粒子图像面积；
(3)将粒子的到达时刻与其相邻的上一个粒子的到达时刻相减即可得到粒子的到达时间间隔；
(4)利用基于8相邻连通判定规则的深度遍历搜索算法，搜索出粒子图像帧内的孤立粒子数；
(5)搜索粒子图像帧内的粒子图像像素索引，如果粒子图像像素的索引中包含有光阵传感器的边缘单元，则表明该粒子图像覆盖住了光阵传感器的边缘单元。
3.如权利要求1所述的一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于：
联合利用到达时间间隔阈值和孤立粒子数阈值识别破碎的伪粒子。
4.如权利要求1所述的一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于：
利用面积对空白伪粒子进行识别。
5.如权利要求1所述的一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于：
利用轴比对线状伪粒子进行识别。
6.如权利要求1所述的一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于：
联合利用轴比和是否覆盖住光阵传感器边缘单元的信息对条纹状伪粒子进行识别。
7.如权利要求2所述的一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于：
利用基于8相邻连通判定规则的深度遍历搜索算法，搜索出粒子图像帧内的孤立粒子数，
所述的基于8相邻连通判定规则的深度遍历搜索算法的步骤如下：
(1)先是以图像帧数值矩阵列为单位，逐列搜索列内存在的相邻的像素点，列内搜索到的相邻像素点称为团，并记录下每个团的所在列及其在该列中起始位置和终止位置，并赋予标记。
(2)根据8相邻准则对各个团进行是否相通判断，一旦相通，则将相通的团中的标记大值更改为与其相通团中的标记小值，逐列推进，最后再统计不同标记值个数，从而获得初次统计的图像帧内孤立粒子数数目；
(3)以初次识别的粒子为区域单位，获取每个区域在图像帧内的范围，即确定在图像数据矩阵中的起止列和起止行，然后再判定每个区域与其他区域是否存在相邻或者重叠的可能，再利用8相邻的法则，对存在相邻或者重叠的区域(块)进行逐列的8相邻判定，如相邻则将两相邻的区域(块)标志大值的重新标志为其中的小值，从而再次确定初次确定的区域是否还存在连通的可能。
8.如权利要求3、4、5、6所述的一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法，其特征在于：所述的伪迹为破碎的伪粒子、空白伪粒子、线状伪粒子或者条纹状伪粒子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610922691.XA CN108009991B (zh) | 2016-10-27 | 2016-10-27 | 一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610922691.XA CN108009991B (zh) | 2016-10-27 | 2016-10-27 | 一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108009991A true CN108009991A (zh) | 2018-05-08 |
| CN108009991B CN108009991B (zh) | 2020-05-19 |
Family
ID=62047107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610922691.XA Active CN108009991B (zh) | 2016-10-27 | 2016-10-27 | 一种机载光阵探头测量过程中云降水粒子图像伪迹识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009991B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174347A (zh) * | 2019-05-28 | 2019-08-27 | 中国科学院大气物理研究所 | 一种机载测量过程中时变的到达时间间隔阈值的破碎粒子识别方法 |
| CN111898627A (zh) * | 2020-05-27 | 2020-11-06 | 成都信息工程大学 | 一种基于pca的svm云微粒子优化分类识别方法 |
| CN113341483A (zh) * | 2021-06-21 | 2021-09-03 | 安徽省大气探测技术保障中心 | 一种降水现象仪雨滴粒径粒速模拟检测装置 |
| CN116895039A (zh) * | 2023-09-11 | 2023-10-17 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰云雾伪颗粒图像识别及特征参数测量方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090021516A1 (en) * | 2007-07-19 | 2009-01-22 | Paul Leonard Graziani | Method for visualizing data clouds using color and opacity blending |
| CN102323192A (zh) * | 2011-08-01 | 2012-01-18 | 北京信息科技大学 | 云粒子测量系统和方法 |
| CN105115862A (zh) * | 2015-07-02 | 2015-12-02 | 南京信息工程大学 | 一种云粒子探测方法及探测器 |
-
2016
- 2016-10-27 CN CN201610922691.XA patent/CN108009991B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090021516A1 (en) * | 2007-07-19 | 2009-01-22 | Paul Leonard Graziani | Method for visualizing data clouds using color and opacity blending |
| CN102323192A (zh) * | 2011-08-01 | 2012-01-18 | 北京信息科技大学 | 云粒子测量系统和方法 |
| CN105115862A (zh) * | 2015-07-02 | 2015-12-02 | 南京信息工程大学 | 一种云粒子探测方法及探测器 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174347A (zh) * | 2019-05-28 | 2019-08-27 | 中国科学院大气物理研究所 | 一种机载测量过程中时变的到达时间间隔阈值的破碎粒子识别方法 |
| CN110174347B (zh) * | 2019-05-28 | 2022-01-28 | 中国科学院大气物理研究所 | 一种机载测量过程中时变的到达时间间隔阈值的破碎粒子识别方法 |
| CN111898627A (zh) * | 2020-05-27 | 2020-11-06 | 成都信息工程大学 | 一种基于pca的svm云微粒子优化分类识别方法 |
| CN111898627B (zh) * | 2020-05-27 | 2021-06-15 | 成都信息工程大学 | 一种基于pca的svm云微粒子优化分类识别方法 |
| CN113341483A (zh) * | 2021-06-21 | 2021-09-03 | 安徽省大气探测技术保障中心 | 一种降水现象仪雨滴粒径粒速模拟检测装置 |
| CN113341483B (zh) * | 2021-06-21 | 2022-10-18 | 安徽省大气探测技术保障中心 | 一种降水现象仪雨滴粒径粒速模拟检测装置 |
| CN116895039A (zh) * | 2023-09-11 | 2023-10-17 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰云雾伪颗粒图像识别及特征参数测量方法 |
| CN116895039B (zh) * | 2023-09-11 | 2023-11-17 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰云雾伪颗粒图像识别及特征参数测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108009991B (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dai et al. | A new method for 3D individual tree extraction using multispectral airborne LiDAR point clouds | |
| CN101751744B (zh) | 一种烟雾检测和预警方法 | |
| Awrangjeb et al. | Improved building detection using texture information | |
| CN108009991A (zh) | 一种机载光阵探头测量过程中云降水粒子图像伪迹识别与剔除 | |
| US20150347856A1 (en) | Method and system for detecting sea-surface oil | |
| Zhou et al. | Fusion of high spatial resolution WorldView-2 imagery and LiDAR pseudo-waveform for object-based image analysis | |
| CN103646250A (zh) | 基于距离图像头肩特征的行人监测方法及装置 | |
| JP5135284B2 (ja) | 物体検出方法 | |
| CN117636185B (zh) | 基于图像处理的松材线虫病检测系统 | |
| Xu et al. | Entities and features for classifcation of airborne laser scanning data in urban area | |
| Grocholsky et al. | A camera and laser system for automatic vine balance assessment | |
| Petrou et al. | Estimation of vegetation height through satellite image texture analysis | |
| Hakula et al. | Individual tree segmentation and species classification using high-density close-range multispectral laser scanning data | |
| Pitkänen et al. | Errors related to the automatized satellite-based change detection of boreal forests in Finland | |
| Alam et al. | Improving the productivity of mechanised harvesting systems using remote sensing | |
| Tiede et al. | Domain-specific class modelling for one-level representation of single trees | |
| El-Ashmawy et al. | Pixel vs object-based image classification techniques for LiDAR intensity data | |
| KR101413620B1 (ko) | 영상 분석을 통한 영상 텍스트화 장치 | |
| Shimoni et al. | Detection of vehicles in shadow areas | |
| CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
| Ke et al. | Individual tree crown detection and delineation from high spatial resolution imagery using active contour and hill-climbing methods | |
| Cavayas et al. | Mapping urban vegetation cover using WorldView-2 imagery | |
| CN107590418A (zh) | 一种基于动态特征的视频烟雾识别方法 | |
| Mustafić et al. | Deep Learning for Improved Individual Tree Detection from Lidar Data | |
| Kim et al. | Extraction of rooftops from LIDAR and multispectral imagery |
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 |