CN108648184A - 一种遥感图像高空卷云的检测方法 - Google Patents
一种遥感图像高空卷云的检测方法 Download PDFInfo
- Publication number
- CN108648184A CN108648184A CN201810442692.3A CN201810442692A CN108648184A CN 108648184 A CN108648184 A CN 108648184A CN 201810442692 A CN201810442692 A CN 201810442692A CN 108648184 A CN108648184 A CN 108648184A
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- original image
- obtains
- remote sensing
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000002708 enhancing effect Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000005194 fractionation Methods 0.000 claims abstract description 7
- 235000013350 formula milk Nutrition 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000000205 computational method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像高空卷云的检测方法,涉及图像处理技术领域,本发明包括如下步骤:S1、输入待检测遥感红外高空卷云原始图像;S2、对原始图像进行中值滤波处理,得到原始图像去噪图;S3、对原始图像去噪图进行幂律变换处理,得到对比度增强图;S4、运用亮度对比度算法对对比度增强图进行处理,得到显著性图;S5、运用加速分割测试特征检测算法对显著性图进行处理,得到具有FAST特征点的FAST特征图;S6、根据FAST特征图中的FAST特征点位置进行目标框选,得到最终的框选检测结果图,本发明具有实时性高、对成像设备要求低、检测结果准确的优点。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及基于图像预处理、视觉显著性特征以及角点特征的检测方法,更具体的是涉及一种遥感图像高空卷云的检测方法。
背景技术
近年来,遥感技术在军事、天基探测和气象分析等领域都得到了广泛的应用,空间红外卫星是对地观测及遥感系统的重要组成部分,在预警、导弹拦截等方面发挥着重要作用。对于空间红外卫星成像系统,在其成像波段内存在大量辐射能量很高的虚警源,比如高空卷云这种虚警源就不可避免地会对成像系统产生干扰。此外,由于大气辐射等的影响,目标的辐射特性可能发生变化,这会影响对地探测时目标检测及识别的精度,因此,需要研究可靠的高空卷云检测算法,以提高对地探测系统的精度和反应速度。
现有技术中,卷云检测往往采用光谱分析法,采集可见光及红外等多通道数据,利用云层与其他地面物体的辐射差异来进行检测,但是现有的这种方法实时性不高,并且对成像设备要求较高,不利于卷云检测工作的有效开展。
发明内容
本发明的目的在于:为了解决现有的卷云检测方法实时性不高,并且对成像设备要求较高,不利于卷云检测工作的开展的问题,本发明提供一种遥感图像高空卷云的检测方法。
本发明为了实现上述目的具体采用以下技术方案:
一种遥感图像高空卷云的检测方法,包括如下步骤:
S1、输入待检测遥感红外高空卷云原始图像;
S2、对原始图像进行中值滤波处理,得到原始图像去噪图;
S3、对原始图像去噪图进行幂律变换处理,得到对比度增强图;
S4、运用亮度对比度算法(Luminance Contrast,LC)对对比度增强图进行处理,得到显著性图;
S5、运用加速分割测试特征检测算法(Features From Accelerated SegmentTest,FAST)对显著性图进行处理,得到具有FAST特征点的FAST特征图;
S6、根据FAST特征图中的FAST特征点位置进行目标框选,得到最终的框选检测结果图。
进一步的,所述S2中的中值滤波处理,具体为:
中值滤波的理论为:一个数值集合的中值ξ是这样的数值,即数值集合中有一半数值小于或等于ξ,另一半数值大于或等于ξ;
对原始图像中每个像素点的邻域内的像素灰度值按照从小到大的顺序进行排序,确定对应邻域内的像素灰度值的中值,并将中值赋予该像素点,当原始图像中的每个像素点均被对应邻域内的像素的中值所替换,则得到原始图像去噪图。
进一步的,所述S3中的幂律变换处理,具体为:
采用幂律变换公式:s=crγ,其中c和γ为正常数,r为输入图像灰度值,s为输出图像灰度值,所述r与原始图像去噪图相对应,s与对比度增强图相对应。
进一步的,所述S4中运用亮度对比度算法对对比度增强图进行处理,具体为:
S4.1、计算对比度增强图的灰度直方图,根据灰度直方图得到每个灰度级所对应的像素数目,将灰度级作为像素的特征值,则得到特征值的出现频率fn;
S4.2、利用显著性特征提取公式:其中p为特征值,fn为特征值的出现频率,d(p,n)为特征值p与n的欧式距离,得到特征值p的显著性值S(p);
S4.3、为每一个像素点分配对应于其特征值的显著性值,即得到显著性图。
进一步的,所述S5中运用加速分割测试特征检测算法对显著性图进行处理,具体为:
FAST算子的基本原理为:若某像素点与其周围邻域内足够多的连续的像素点存在某一属性差异,并且该属性差异大于指定阈值,则可以判断该像素点与其邻域像素有可被识别的不同之处,可以作为一个特征点(角点),对于灰度图像,FAST算子考察的属性是像素与其邻域的灰度差异。
S5.1、针对显著性图上的每个像素点,计算其与周围z×z邻域内,以该像素点为圆心,半径为r的圆周上的w个像素点的灰度值之差;
S5.2、对灰度值之差进行判断,若至少有连续的个灰度值之差的绝对值超过设定的阈值,则该像素点为FAST特征点,采用非极大值抑制算法去除多余的FAST特征点,由此得到FAST特征图。
本发明的有益效果如下:
1、本发明采用中值滤波处理方法去除了成像设备的椒盐噪声,并且采用幂律变换方法增强了图像的对比度,通过图像去噪与增强方法的结合,降低了本发明的检测方法对成像设备的要求度,并且提升了检测方法的普适性。
2、本发明在视觉显著性特征检测提取基本的卷云显著性图的基础上,采用FAST特征点检测方法定位卷云的具体位置,相对于现有的检测技术来说,通过结合卷云的视觉显著性特征和FAST特征进一步提高了检测的准确度。
3、本发明提出的检测算法计算方法简便,算法步骤易于实现,检测效果准确且算法计算时间在毫秒级,相比于现有技术实时性更高。
附图说明
图1是本发明的方法流程简图。
图2是本发明实施例2中的方法流程图。
图3是实施例2中的遥感红外高空卷云原始图像。
图4是实施例2中的原始图像去噪图。
图5是实施例2中的对比度增强图。
图6是实施例2中的显著性图。
图7是实施例2中的FAST特征图。
图8是实施例2中的框选检测结果图。
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示,本实施例提供一种遥感图像高空卷云的检测方法,包括如下步骤:
S1、输入待检测遥感红外高空卷云原始图像;
S2、对原始图像进行中值滤波处理,得到原始图像去噪图;
S3、对原始图像去噪图进行幂律变换处理,得到对比度增强图;
S4、运用亮度对比度算法(Luminance Contrast,LC)对对比度增强图进行处理,得到显著性图;
S5、运用加速分割测试特征检测算法(Features From Accelerated SegmentTest,FAST)对显著性图进行处理,得到具有FAST特征点的FAST特征图;
S6、根据FAST特征图中的FAST特征点位置进行目标框选,得到最终的框选检测结果图;
本实施例采用中值滤波处理方法去除了成像设备的椒盐噪声,并且采用幂律变换方法增强了图像的对比度,通过图像去噪与增强方法的结合,降低了本实施例的检测方法对成像设备的要求度,并且提升了检测方法的普适性;在视觉显著性特征检测提取基本的卷云显著性图的基础上,采用FAST特征点检测方法定位卷云的具体位置,相对于现有的检测技术来说,通过结合卷云的视觉显著性特征和FAST特征进一步提高了检测的准确度;检测算法计算方法简便,算法步骤易于实现,检测效果准确且算法计算时间在毫秒级,相比于现有技术实时性更高。
实施例2
如图2到图8所示,本实施例在实施例1的基础之上进一步优化,提供一种遥感图像高空卷云的检测方法,包括如下步骤:
S1、输入待检测遥感红外高空卷云原始图像f1(x,y),其中(x,y)表示原始图像中的像素点的坐标,在本实施例中,x∈(0,319),y∈(0,255);
S2、对原始图像f1(x,y)进行中值滤波处理,去除椒盐噪声,公式为:
fm(x,y)=median{fround(x,y)} ①
f2(x,y)=fm(x,y) ②
取原始图像f1(x,y)中的每个像素点,设定3*3的邻域,对每个邻域内的灰度值fround(x,y)从小到大进行排序,确定其中值fm(x,y),然后以该中值fm(x,y)代替对应像素点的原灰度值f1(x,y),当原始图像中f1(x,y)的每个像素点均被相对应的中值所替换,则得到原始图像去噪图f2(x,y);
S3、对原始图像去噪图f2(x,y)进行幂律变换处理,增强对比度,公式为:
s=crγ ③
其中c和γ为正常数,r为输入图像灰度值,s为输出图像灰度值,将正常数c的值取为1/2553,γ的值取为3,输入图像灰度值r取为f2(x,y),输出图像灰度值s取为f3(x,y),则式③变化为:
f3(x,y)=f2(x,y)3/2553 ④
输出结果f3(x,y)即为对比度增强图;
S4、运用亮度对比度算法(Luminance Contrast,LC)对对比度增强图f3(x,y)进行显著性特征提取:
S4.1、计算对比度增强图f3(x,y)的灰度直方图,能够得到每一个灰度级所对应的像素数目,将灰度级(0~255)作为像素的特征值,则得到特征值的出现频率fn;
S4.2、利用显著性特征提取公式:
计算每一个特征值p(0~255)的显著性值S(p),其中fn为特征值的出现频率,d(p,n)为特征值p与n的欧式距离;
S4.3、为每一个像素点(x,y)分配对应于其灰度级(即特征值p)的显著性值S(p),并进行归一化处理,即可得到显著性图f4(x,y);
S5、运用加速分割测试特征检测算法(Features From Accelerated SegmentTest,FAST)对显著性图f4(x,y)进行FAST特征点提取:
S5.1、在显著性图f4(x,y)中任选一点m,假定其像素(亮度)值为Im;
S5.2、在m点的7*7邻域内,以m点为中心点,3为半径画圆,圆上有16个像素(m1、m2、…、m16);
S5.3、定义一个阈值,计算m1、m9与中心点m的灰度值差,若它们的灰度值差的绝对值都小于阈值,则m点不是特征点,直接丢弃;否则作为候选点进行S5.4的判断;
S5.4、计算m1、m5、m9、m13与中心点m的灰度值差,若它们的灰度值差的绝对值有至少3个超过阈值,则中心点m作为候选点进行S5.5的判断,否则,直接丢弃;
S5.5、计算m1到m16这16个点与中心点m的灰度值差,若它们的灰度值差的绝对值有至少9个超过阈值,则m点是FAST特征点,否则,直接丢弃。
S5.6、对显著性图f4(x,y)进行非极大值抑制处理:判断以FAST特征点m为中心的一个邻域(如3*3或5*5)内是否有多个FAST特征点,如果有多个FAST特征点,则分别计算每个FAST特征点的FAST得分值(即s值,该值为16个点与FAST特征点m差值的绝对值总和),如果m点是邻域所有FAST特征点中s值最大的,则保留m点,否则丢弃掉;若在邻域内只有一个FAST特征点,则将这个FAST特征点保留;
所述FAST得分值的计算公式为:
V=max{∑(mv-m)} if(mv-m)>t ⑥
V=max{∑(m-mv)} if(m-mv)>t ⑦
其中V为FAST得分值,t为阈值,mv为邻域内像素的灰度值;
对显著性图f4(x,y),设定阈值t为50,则提取FAST特征点后可得到FAST特征图f5(x,y);
S6、根据FAST特征图f5(x,y)中的FAST特征点的位置对高空卷云进行框选,得到最终的框选检测结果图f6(x,y)。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (5)
1.一种遥感图像高空卷云的检测方法,其特征在于,包括如下步骤:
S1、输入待检测遥感红外高空卷云原始图像;
S2、对原始图像进行中值滤波处理,得到原始图像去噪图;
S3、对原始图像去噪图进行幂律变换处理,得到对比度增强图;
S4、运用亮度对比度算法对对比度增强图进行处理,得到显著性图;
S5、运用加速分割测试特征检测算法对显著性图进行处理,得到具有FAST特征点的FAST特征图;
S6、根据FAST特征图中的FAST特征点位置进行目标框选,得到最终的框选检测结果图。
2.根据权利要求1所述的一种遥感图像高空卷云的检测方法,其特征在于,所述S2中的中值滤波处理,具体为:
对原始图像中每个像素点的邻域内的像素按照灰度值从小到大的顺序进行排序,确定对应邻域内的像素灰度值的中值,并将中值赋予该像素点,当原始图像中的每个像素点均被对应邻域内的像素的中值所替换,则得到原始图像去噪图。
3.根据权利要求1所述的一种遥感图像高空卷云的检测方法,其特征在于,所述S3中的幂律变换处理,具体为:
采用幂律变换公式:s=crγ,其中c和γ为正常数,r为输入图像灰度值,s为输出图像灰度值,所述r与原始图像去噪图相对应,s与对比度增强图相对应。
4.根据权利要求1所述的一种遥感图像高空卷云的检测方法,其特征在于,所述S4中运用亮度对比度算法对对比度增强图进行处理,具体为:
S4.1、计算对比度增强图的灰度直方图,根据灰度直方图得到每个灰度级所对应的像素数目,将灰度级作为像素的特征值,则得到特征值的出现频率fn;
S4.2、利用显著性特征提取公式:其中p为特征值,fn为特征值的出现频率,d(p,n)为特征值p与n的欧式距离,得到特征值p的显著性值S(p);
S4.3、为每一个像素点分配对应于其特征值的显著性值,即得到显著性图。
5.根据权利要求1所述的一种遥感图像高空卷云的检测方法,其特征在于,所述S5中运用加速分割测试特征检测算法对显著性图进行处理,具体为:
S5.1、针对显著性图上的每个像素点,计算其与周围z×z邻域内,以该像素点为圆心,半径为r的圆周上的w个像素点的灰度值之差;
S5.2、对灰度值之差进行判断,若至少有连续的个灰度值之差的绝对值超过设定的阈值,则该像素点为FAST特征点,采用非极大值抑制算法去除多余的FAST特征点,由此得到FAST特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442692.3A CN108648184A (zh) | 2018-05-10 | 2018-05-10 | 一种遥感图像高空卷云的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442692.3A CN108648184A (zh) | 2018-05-10 | 2018-05-10 | 一种遥感图像高空卷云的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108648184A true CN108648184A (zh) | 2018-10-12 |
Family
ID=63754312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810442692.3A Pending CN108648184A (zh) | 2018-05-10 | 2018-05-10 | 一种遥感图像高空卷云的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648184A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658429A (zh) * | 2018-12-21 | 2019-04-19 | 电子科技大学 | 一种基于边界分维数的红外图像卷云检测方法 |
CN109726649A (zh) * | 2018-12-15 | 2019-05-07 | 中国科学院深圳先进技术研究院 | 遥感影像云检测方法、系统及电子设备 |
CN110084778A (zh) * | 2019-01-31 | 2019-08-02 | 电子科技大学 | 一种基于分形字典学习的红外成像卷云检测方法 |
CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
CN112419190A (zh) * | 2020-11-24 | 2021-02-26 | 海南大学 | 一种基于局部统计信息和几何距离的脉冲噪声滤波方法、系统 |
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN117611998A (zh) * | 2023-11-22 | 2024-02-27 | 盐城工学院 | 一种基于改进YOLOv7的光学遥感图像目标检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488993A (zh) * | 2013-09-22 | 2014-01-01 | 北京联合大学 | 一种基于fast的人群异常行为识别方法 |
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
US20160328838A1 (en) * | 2015-05-01 | 2016-11-10 | Applied Research LLC. | Automatic target recognition system with online machine learning capability |
CN106127728A (zh) * | 2016-06-07 | 2016-11-16 | 电子科技大学 | 一种海空背景下的红外图像海天线连通域检测方法 |
CN106327522A (zh) * | 2016-08-25 | 2017-01-11 | 上海航天控制技术研究所 | 基于多方向形态学滤波复杂云背景下红外小目标检测方法 |
CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
CN107145824A (zh) * | 2017-03-29 | 2017-09-08 | 纵目科技(上海)股份有限公司 | 一种基于显著性分析的车道线分割方法及系统、车载终端 |
CN107273803A (zh) * | 2017-05-16 | 2017-10-20 | 北京环境特性研究所 | 云层图像检测方法 |
CN107301420A (zh) * | 2017-06-30 | 2017-10-27 | 武汉大学 | 一种基于显著性分析的热红外影像目标探测方法 |
-
2018
- 2018-05-10 CN CN201810442692.3A patent/CN108648184A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488993A (zh) * | 2013-09-22 | 2014-01-01 | 北京联合大学 | 一种基于fast的人群异常行为识别方法 |
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
US20160328838A1 (en) * | 2015-05-01 | 2016-11-10 | Applied Research LLC. | Automatic target recognition system with online machine learning capability |
CN106127728A (zh) * | 2016-06-07 | 2016-11-16 | 电子科技大学 | 一种海空背景下的红外图像海天线连通域检测方法 |
CN106327522A (zh) * | 2016-08-25 | 2017-01-11 | 上海航天控制技术研究所 | 基于多方向形态学滤波复杂云背景下红外小目标检测方法 |
CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
CN107145824A (zh) * | 2017-03-29 | 2017-09-08 | 纵目科技(上海)股份有限公司 | 一种基于显著性分析的车道线分割方法及系统、车载终端 |
CN107273803A (zh) * | 2017-05-16 | 2017-10-20 | 北京环境特性研究所 | 云层图像检测方法 |
CN107301420A (zh) * | 2017-06-30 | 2017-10-27 | 武汉大学 | 一种基于显著性分析的热红外影像目标探测方法 |
Non-Patent Citations (5)
Title |
---|
YUN ZHAI等: "Visual attention detection in video sequences using spatiotemporal cues", 《PROCEEDINGS OF THE 14TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
周进等: "数字视频判读中图像预处理技术研究", 《光电工程》 * |
彭真明等: "强杂波背景红外弱小目标检测算法", 《强激光与粒子束》 * |
郭宝龙等: "《数字图像处理系统工程导论》", 31 July 2012, 《西安电子科技大学出版社》 * |
马卫飞等: "【图像特征提取5】ORB特征提取-----FAST角点检测", 《CSDN》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726649A (zh) * | 2018-12-15 | 2019-05-07 | 中国科学院深圳先进技术研究院 | 遥感影像云检测方法、系统及电子设备 |
CN109658429A (zh) * | 2018-12-21 | 2019-04-19 | 电子科技大学 | 一种基于边界分维数的红外图像卷云检测方法 |
CN110084778A (zh) * | 2019-01-31 | 2019-08-02 | 电子科技大学 | 一种基于分形字典学习的红外成像卷云检测方法 |
CN110084778B (zh) * | 2019-01-31 | 2021-04-13 | 电子科技大学 | 一种基于分形字典学习的红外成像卷云检测方法 |
CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
CN112419190A (zh) * | 2020-11-24 | 2021-02-26 | 海南大学 | 一种基于局部统计信息和几何距离的脉冲噪声滤波方法、系统 |
CN112419190B (zh) * | 2020-11-24 | 2023-06-20 | 海南大学 | 一种基于局部统计信息和几何距离的脉冲噪声滤波方法、系统 |
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN116843584B (zh) * | 2023-09-01 | 2023-11-07 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN117611998A (zh) * | 2023-11-22 | 2024-02-27 | 盐城工学院 | 一种基于改进YOLOv7的光学遥感图像目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648184A (zh) | 一种遥感图像高空卷云的检测方法 | |
Guan et al. | Gaussian scale-space enhanced local contrast measure for small infrared target detection | |
Tang et al. | Fault-tolerant building change detection from urban high-resolution remote sensing imagery | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN108319949A (zh) | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN104715491B (zh) | 一种基于一维灰度矩的亚像素边缘检测方法 | |
CN104268853A (zh) | 一种红外图像与可见光图像配准方法 | |
CN102096824A (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN108827979A (zh) | 一种模组镜头外观检测方法 | |
CN107463895A (zh) | 基于邻域向量pca的弱小损伤目标检测方法 | |
CN110110618A (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
Ma et al. | A sea-sky line detection method based on line segment detector and Hough transform | |
CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
CN107818583A (zh) | 十字中心检测方法及装置 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN111047614B (zh) | 一种基于特征提取的复杂场景图像的目标角点提取方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN110796677A (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
CN107563981B (zh) | 一种图像振铃效应的评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |