CN108389218B - 基于间断自适应非局部均值的sar图像变化检测方法 - Google Patents

基于间断自适应非局部均值的sar图像变化检测方法 Download PDF

Info

Publication number
CN108389218B
CN108389218B CN201810031953.2A CN201810031953A CN108389218B CN 108389218 B CN108389218 B CN 108389218B CN 201810031953 A CN201810031953 A CN 201810031953A CN 108389218 B CN108389218 B CN 108389218B
Authority
CN
China
Prior art keywords
image
pca
change detection
local mean
discontinuous
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.)
Expired - Fee Related
Application number
CN201810031953.2A
Other languages
English (en)
Other versions
CN108389218A (zh
Inventor
贾萌
王磊
赵志强
陈浩
邱原
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201810031953.2A priority Critical patent/CN108389218B/zh
Publication of CN108389218A publication Critical patent/CN108389218A/zh
Application granted granted Critical
Publication of CN108389218B publication Critical patent/CN108389218B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Abstract

本发明公开了一种基于间断自适应非局部均值的SAR图像变化检测方法，其实现步骤为：首先对在不同时间获取到的反映同一地理位置区域的两幅SAR图像进行预处理，利用log‑ratio运算产生差异图像，接着将差异图像分为相互重叠的图像块，映射到PCA特征空间，并利用间断自适应函数计算图像块PCA特征的相似性，然后对获得的图像块PCA特征进行非局部均值滤波处理，最后采用k‑均值聚类对滤波后的的PCA特征进行聚类，产生变化检测结果图并输出。该发明能够处理分布复杂的遥感图像，并且能够利用特征空间中能量的分布特点，有效的减少斑点噪声对于变化检测结果的影响，可用于对环境变化的自动检测。

Description

基于间断自适应非局部均值的SAR图像变化检测方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于间断自适应非局部均值的SAR图像变化检测方法。
背景技术
森林减少、荒漠化、冰川融化、湖泊干旱和洪水等等这些自然现象都是自然环境和人类活动相互作用和相互影响的结果。也就是说，人类活动和自然过程协同作用极大地影响着地球环境，这些促使我们去更加深入了解地球环境，以便于更好地保护和利用这个星球。变化检测技术是一种有效的测量和记录地球环境变化的方法。同时，由于SAR图像的获取具有全天时、全天候的特点，通过各种平台的SAR传感器可以方便地在不同时间段获取到同一场景的图像。因此，SAR图像变化检测正在获得极大的关注。
由于在一个雷达分辨单元内存在大量散射点，使得SAR图像存在斑点噪声。斑点噪声的影响是SAR图像变化检测面临的主要问题之一。Bazi等人指出斑点噪声导致差异图像的直方图上变化类与非变化类像素之间重叠区域的增加，使得两类像素的分离面临更多困难。Dekker指出采用阈值算法检测SAR图像比值差异图的变化区域时，斑点噪声的存在将会增加错检率和漏检率。消除斑点噪声的传统策略是首先进行预处理，即对单个SAR图像进行滤波处理，然后采用对于乘性的斑点噪声具有鲁棒性的差分算子产生差异图像。
SAR图像变化检测技术一般而言是非监督的，因为标记样本的获取十分困难且不可靠。因此，各种阈值算法，如：最大的后验(MAP)分类器和广义KI阈值选择算法，都是广泛应用的无监督的SAR图像变化检测算法。这类算法通过对差异图像的直方图应用一个决策阈值来判别变化类和非变化类。但其性能一般受到选择的概率统计模型的影响较大，制约了该类算法的应用前景。Bruzzone等人提出了一种基于马尔可夫随机场(MRF)模型的方法，它能极大地抑制散斑噪声。首先利用期望最大化(EM)算法获取差异图像每个像素的后验概率，然后采用迭代条件模型(ICM)算法，通过MRF空间正则化得到优化结果。然而，该方法对于差异图像的真实统计模型与选择模型之间，以及空间参数β的选取存在拟合优度的问题。空间参数β是一个常数，在变化检测过程中调节空间信息对于最终检测结果的影响，也就是说，变化检测的结果对该参数十分敏感，在实际应用中难以获得最优参数值。Celik提出了一种简单有效的遥感图像变化检测方法。通过PCA提取SAR图像的空谱特征，然后采用k-均值聚类生成变化检测结果图。虽然PCA特征向量能有效地捕捉到图像的局部结构，但由于噪声的能量仍在整个PCA特征空间中传播，因此检测结果不可避免地会受到噪声的影响。
综上所述，斑点噪声对最终获得的SAR图像变化检测结果图的精度有很大的影响。是否能够最大程度的减少斑点噪声，对提高SAR图像变化检测的精度发挥着至关重要的影响。
发明内容
本发明的目的是提供一种基于间断自适应非局部均值的SAR图像变化检测方法，该方法根据PCA的最佳降维特性，最大程度的减少斑点噪声对于检测结果的影响。
本发明所采用的技术方案是，基于间断自适应非局部均值的SAR图像变化检测方法，具体按照以下步骤实施：
步骤1，选取窗口大小为3×3的Lee滤波器分别对两幅原始的获取于不同时间的SAR图像X1，X2进行滤波预处理；
步骤2，利用log-ratio运算符获取差异图像X；
步骤3，将差异图像X分割大小为5×5相互重叠的图像块，映射到PCA空间，得到差异图像X图像块的PCA特征；
步骤4，采用欧式距离计算像素xi、xj对应的图像块PCA特征
Figure BDA0001546773140000031
之间的距离
Figure BDA0001546773140000032
步骤5，采用间断自适应相似性度量方法计算
Figure BDA0001546773140000033
之间的相似度wi′,j；
步骤6，对差异图像X的图像块PCA特征进行非局部均值滤波，得到滤波之后的图像块PCA特征
Figure BDA0001546773140000034
步骤7，采用k-均值聚类方法对
Figure BDA0001546773140000035
进行聚类；
步骤8，对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
本发明的特点还在于，
步骤2中，采用log-ratio运算符获取的差异图像X为：
Figure BDA0001546773140000036
步骤4中，
Figure BDA0001546773140000037
为：
Figure BDA0001546773140000038
其中，d为保留的PCA分量的个数；i及j为像素位置标号。
步骤5中，w′i,j为：
Figure BDA0001546773140000041
其中，Z是一个标准化常数，其值设为1；γ的值为1.8。
步骤6中，
Figure BDA0001546773140000042
为：
Figure BDA0001546773140000043
其中，
Figure BDA0001546773140000044
为代表选取了前d个分量的PCA特征；Si是以像素xi为中心的限制搜索窗口，大小为11×11像素。
步骤7中，采用的k-均值聚类方法中设置类别数为2。
本发明的有益效果是，该方法根据PCA的最佳降维特性：信号的能量聚集而噪声的能量将均匀分布在整个数据集上这一特性，最大程度的减少斑点噪声对于检测结果的影响；由于采用基于间断自适应非局部均值对差异图像的PCA特征进行滤波，然后利用k-均值聚类的方法获得最终的变化检测结果图，所以具有如下优点：该发明对于复杂分布的SAR图像，可以有效的检测出变化区域；该发明能够在利用特征空间中能量的分布特点，有效的减少斑点噪声对于变化检测结果的影响，可用于对环境变化的自动检测。
附图说明
图1是本发明基于间断自适应非局部均值的SAR图像变化检测方法的流程图；
图2是本发明基于间断自适应非局部均值的SAR图像变化检测方法的原始SAR图；
图3是本发明基于间断自适应非局部均值的SAR图像变化检测方法的一段时期后SAR图；
图4是本发明基于间断自适应非局部均值的SAR图像变化检测方法的测试参考图；
图5是本发明基于间断自适应非局部均值的SAR图像变化检测方法变化区域检测结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明为一种基于间断自适应非局部均值的SAR图像变化检测方法，如图1所示，具体按照以下步骤实施：
步骤1，对原始SAR图像预处理
选取窗口大小为3×3的Lee滤波器分别对两幅原始的获取于不同时间的SAR图像X1，X2进行滤波预处理；
步骤2，产生差异图像
利用log-ratio运算符获取差异图像X，差异图像X具体计算公式如下：
Figure BDA0001546773140000051
其中，X1，X2分别为获取于不同时间的SAR图像，log为log运算符；
步骤3，差异图像图像块PCA特征提取
将差异图像X分割成大小为5×5相互重叠的图像块，映射到PCA空间，得到差异图像X的图像块PCA特征；
步骤4，计算图像块PCA特征之间的距离
采用欧式距离计算像素xi、xj对应的图像块PCA特征
Figure BDA0001546773140000052
之间的距离
Figure BDA0001546773140000053
采用的是PCA特征的前d个分量，因为信号的能量集中在前d个特征值较大的向量上，最后的5×5-d个分量一般含有的噪声过多，对于变化检测结果的影响较大，
Figure BDA0001546773140000061
具体计算公式如下：
Figure BDA0001546773140000062
其中，d为保留的PCA分量的个数；
Figure BDA0001546773140000063
分别为像素xi、xj对应的图像块PCA特征；
Figure BDA0001546773140000064
为
Figure BDA0001546773140000065
和
Figure BDA0001546773140000066
之间的距离；i及j为像素位置标号。
步骤5，间断自适应相似性度量方法
采用间断自适应相似性度量方法计算
Figure BDA0001546773140000067
之间的相似度wi′,j，w'i,j代表像素xi对于像素xj值进行修改所作的贡献，这是根据欧拉公式利用AIF方程hγ(d)＝0.5/(1+d/γ)定义的，其计算公式如下：
Figure BDA0001546773140000068
其中，Z是一个标准化常数，其值设为1；参数γ的值为1.8；
Figure BDA0001546773140000069
为
Figure BDA00015467731400000610
和
Figure BDA00015467731400000611
之间的距离；w′i,j为像素xi、xj对应的图像块PCA特征之间的相似度，即
Figure BDA00015467731400000612
之间的相似度。
步骤6，利用间断自适应非局部均值对差异图像X的图像块PCA特征进行非局部均值滤波，得到滤波之后的图像块PCA特征
Figure BDA00015467731400000613
其计算公式如下：
Figure BDA00015467731400000614
其中，
Figure BDA00015467731400000615
为滤波之后的图像块PCA特征；
Figure BDA00015467731400000616
为代表选取了前d个分量的PCA特征；Si是以像素xi为中心的限制搜索窗口，大小为11×11像素；
步骤7，利用k-均值聚类方法对滤波后的图像块PCA特征
Figure BDA00015467731400000617
进行聚类
设置类别数为2，随机产生两个点作为初始聚类中心，将
Figure BDA0001546773140000071
中所有特征聚集为两类；
步骤8，对聚类结果转化并输出
将对
Figure BDA0001546773140000072
的聚类结果转化为二值图像输出，具体的产生方法为：对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
本发明的效果可以通过仿真实验具体说明，
1.实验条件
实验所用微机CPU为Intel Pentium4 3.0GHz内存1GB，编程平台是Matlab 7.0.1，实验中采用的图像数据为分辨率为8m的C波段SAR图像。
2.实验内容
首先对在不同时间获取到的同一地理位置区域的SAR图像(如图2和图3)对进行预处理，利用log-ratio运算符产生差异图像，接着将差异图像分为相互重叠的图像块，映射到PCA空间提取图像块PCA特征，利用间断自适应相似性度量方法计算PCA特征的相似度，在PCA特征空间进行非局部均值滤波处理，最后对获得的图像PCA特征进行k-均值聚类输出差异图像。
通过对变化检测结果参考图和实验得到的变化检测结果图对比，来评价本发明的效果。
3.实验结果
从图2和图3可以看出，SAR图像受到斑点噪声的影响，且变化区域形状上呈带状分布，通过比较图4和图5可以看出，SAR图像数据组的变化区域可以被准确的检测出来。
本发明的优点是，由于采用基于间断自适应非局部均值对差异图像的图像块PCA特征进行滤波，然后利用k均值聚类的方法获得最终的变化检测结果图，所以具有如下优点：该发明对于复杂分布的SAR图像，可以有效的检测出变化区域；该发明能够在利用特征空间中能量的分布特点，有效的减少斑点噪声对于变化检测结果的影响，可用于对环境变化的自动检测。

Claims (5)

1.基于间断自适应非局部均值的SAR图像变化检测方法，其特征在于，具体按照以下步骤实施：
步骤1，选取窗口大小为3×3的Lee滤波器分别对两幅原始的获取于不同时间的SAR图像X1，X2进行滤波预处理；
步骤2，利用log-ratio运算符获取差异图像X；
步骤3，将差异图像X分割大小为5×5相互重叠的图像块，映射到PCA空间，得到差异图像X图像块的PCA特征；
步骤4，采用欧式距离计算像素xi、xj对应的图像块PCA特征
Figure FDA0003003634370000011
之间的距离
Figure FDA0003003634370000012
步骤5，采用间断自适应相似性度量方法计算
Figure FDA0003003634370000013
之间的相似度w′i,j；
w'i,j代表像素xi对于像素xj值进行修改所作的贡献，其计算公式如下：
Figure FDA0003003634370000014
其中，Z是一个标准化常数，其值设为1；参数γ的值为1.8；
Figure FDA0003003634370000015
为
Figure FDA0003003634370000016
和
Figure FDA0003003634370000017
之间的距离；w′i,j为像素xi、xj对应的图像块PCA特征之间的相似度，即
Figure FDA0003003634370000018
之间的相似度；
步骤6，对差异图像X的图像块PCA特征进行非局部均值滤波，得到滤波之后的图像块PCA特征
Figure FDA0003003634370000019
步骤7，采用k-均值聚类方法对
Figure FDA00030036343700000110
进行聚类；
步骤8，对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
2.根据权利要求1所述的基于间断自适应非局部均值的SAR图像变化检测方法，其特征在于，步骤2中，采用log-ratio运算符获取的差异图像X为：
Figure FDA0003003634370000021
3.根据权利要求1所述的基于间断自适应非局部均值的SAR图像变化检测方法，其特征在于，步骤4中，
Figure FDA0003003634370000022
为：
Figure FDA0003003634370000023
其中，d为保留的PCA分量的个数；i及j为像素位置标号。
4.根据权利要求1所述的基于间断自适应非局部均值的SAR图像变化检测方法，其特征在于，步骤6中，
Figure FDA0003003634370000024
为：
Figure FDA0003003634370000025
其中，
Figure FDA0003003634370000026
为代表选取了前d个分量的PCA特征；Si是以像素xi为中心的限制搜索窗口，大小为11×11像素。
5.根据权利要求1所述的基于间断自适应非局部均值的SAR图像变化检测方法，其特征在于，步骤7中，采用的k-均值聚类方法中设置类别数为2。
CN201810031953.2A 2018-01-12 2018-01-12 基于间断自适应非局部均值的sar图像变化检测方法 Expired - Fee Related CN108389218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810031953.2A CN108389218B (zh) 2018-01-12 2018-01-12 基于间断自适应非局部均值的sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810031953.2A CN108389218B (zh) 2018-01-12 2018-01-12 基于间断自适应非局部均值的sar图像变化检测方法

Publications (2)

Publication Number Publication Date
CN108389218A CN108389218A (zh) 2018-08-10
CN108389218B true CN108389218B (zh) 2021-06-15

Family

ID=63076251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810031953.2A Expired - Fee Related CN108389218B (zh) 2018-01-12 2018-01-12 基于间断自适应非局部均值的sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN108389218B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073989A (zh) * 2010-11-09 2011-05-25 西安电子科技大学 融入pca的非局部均值的极化sar数据相干斑抑制方法
CN103020919A (zh) * 2013-01-09 2013-04-03 西安电子科技大学 基于非局部Lee的极化SAR相干斑噪声抑制方法
CN103983973A (zh) * 2014-05-28 2014-08-13 西安电子科技大学 基于图像稀疏域噪声分布约束的合成孔径雷达成像方法
KR101720881B1 (ko) * 2015-12-03 2017-03-28 한양대학교 산학협력단 주성분 분석을 이용한 비지역적 평균 알고리즘 기반의 영상 잡음제거 방법 및 이를 이용하는 영상 처리 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9262808B2 (en) * 2013-02-07 2016-02-16 Mitsubishi Electric Research Laboratories, Inc. Denoising of images with nonstationary noise

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073989A (zh) * 2010-11-09 2011-05-25 西安电子科技大学 融入pca的非局部均值的极化sar数据相干斑抑制方法
CN103020919A (zh) * 2013-01-09 2013-04-03 西安电子科技大学 基于非局部Lee的极化SAR相干斑噪声抑制方法
CN103983973A (zh) * 2014-05-28 2014-08-13 西安电子科技大学 基于图像稀疏域噪声分布约束的合成孔径雷达成像方法
KR101720881B1 (ko) * 2015-12-03 2017-03-28 한양대학교 산학협력단 주성분 분석을 이용한 비지역적 평균 알고리즘 기반의 영상 잡음제거 방법 및 이를 이용하는 영상 처리 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《FRFT-based improved algorithm of unsupervised change detection in SAR images via PCA and K-means clustering》;Yong-Qiang Cheng，et al;《2013 IGARSS》;20140127;第1952-1955页 *
《Image Fusion on Ratio Images for Change Detection in SAR Image Using DWT and PCA》;P.Sanjay Krishnamal，et al;《Journal of Engineering Research and Applications》;20131231;第3卷(第6期);第1242-1246页 *
《基于新型非局部均值和聚类算法的SAR图像变化检测》;孙博;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141215(第12期);第I136-150页 *
《改进非局部均值滤波的SAR图像降噪》;郑永恒，等;《中国图象图形学报》;20120731;第17卷(第7期);第886-891页 *

Also Published As

Publication number Publication date
CN108389218A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN107563355B (zh) 基于生成对抗网络的高光谱异常检测方法
Liu et al. SAR image change detection based on mathematical morphology and the K-means clustering algorithm
Khazai et al. An approach for subpixel anomaly detection in hyperspectral images
CN107358258B (zh) 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
US8559719B2 (en) Spectral anomaly detection in deep shadows
Wang et al. A robust infrared dim target detection method based on template filtering and saliency extraction
Xu et al. LMO-YOLO: A ship detection model for low-resolution optical satellite imagery
Tang et al. Improving cloud type classification of ground-based images using region covariance descriptors
Hao et al. Low-light image enhancement based on retinex and saliency theories
CN115376010A (zh) 一种高光谱遥感影像分类方法
CN112784777B (zh) 基于对抗学习的无监督高光谱图像变化检测方法
CN112330562B (zh) 一种异构遥感图像变换方法及系统
Fu et al. A noise-resistant superpixel segmentation algorithm for hyperspectral images
CN112990357A (zh) 一种基于稀疏扰动的黑盒视频对抗样本生成方法
CN107895361A (zh) 一种基于局部密度纯化背景的高光谱异常检测方法
CN108389218B (zh) 基于间断自适应非局部均值的sar图像变化检测方法
WO2008104453A1 (fr) Procède de reconnaissance et de localisation automatique d'entités dans des images numériques
CN108764016B (zh) 基于旋转域特征与cnn的极化sar图像舰船检测方法
Yadav et al. Unsupervised flood detection on SAR time series using variational autoencoder
Sheikh et al. Noise tolerant classification of aerial images into manmade structures and natural-scene images based on statistical dispersion measures
CN114842235A (zh) 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法
CN111047570B (zh) 一种基于纹理分析法的自动云检测方法
CN114463789A (zh) 非接触指纹图像增强方法、设备、存储介质和程序产品
CN113963178A (zh) 地空背景下红外弱小目标检测方法、装置、设备及介质
CN113962900A (zh) 复杂背景下红外弱小目标检测方法、装置、设备及介质

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210615

Termination date: 20220112