CN108765406A - 一种基于红外遥感图像的雪山检测方法 - Google Patents
一种基于红外遥感图像的雪山检测方法 Download PDFInfo
- Publication number
- CN108765406A CN108765406A CN201810551377.4A CN201810551377A CN108765406A CN 108765406 A CN108765406 A CN 108765406A CN 201810551377 A CN201810551377 A CN 201810551377A CN 108765406 A CN108765406 A CN 108765406A
- Authority
- CN
- China
- Prior art keywords
- image
- picture
- remote sensing
- snow mountain
- pixel
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于红外遥感图像的雪山检测方法,属于遥感图像处理领域,包括以下步骤,步骤1:读取待检测红外遥感雪山图像,进行显著性特征检测,得到显著性图像;步骤2:提取显著性图像中高亮的前景部分,得到高亮前景图;步骤3:提取高亮前景图中局部熵纹理特征,得到局部熵纹理特征图;步骤4:对局部熵纹理特征图进行二值化处理,再填充孔洞并寻找目标区域轮廓,得到最终检测结果图。本发明解决了现有雪山检测方法对图像质量的要求较高,计算数据量较大,不利于雪山的实时监测,且误检概率较大的问题。
Description
技术领域
本发明属于遥感图像处理领域,涉及一种基于红外遥感图像的雪山检测方法。
背景技术
近年来,红外遥感成像技术在军事目标观测及预警方面得到了广泛的应用,尤其是在导弹等弱小目标的检测上起着重要的作用。但是在红外遥感图像中存在着大量的高辐射能虚警源,对图像中弱小目标的检测有较大的负面影响。
雪山因其辐射强度高、纹理特征丰富的特性,是遥感图像弱小目标检测中一种典型的虚警源。在我国国土尤其是边境线上,存在面积广阔的雪山,对红外遥感目标探测系统而言,研究合适的雪山检测算法,可以提高弱小目标的探测精度。
迄今为止,雪山检测依赖于光谱分析,利用可见光和红外光谱下大量的地表反射率数据,计算归一化差分积雪指数来判别目标区域是否为积雪。这种方式对图像质量的要求较高,且多光谱的计算数据量较大,不利于雪山的实时监测,且误检概率较大。
发明内容
本发明的目的在于:提供了一种基于红外遥感图像的雪山检测方法,解决了现有雪山检测方法对图像质量的要求较高,计算数据量较大,不利于雪山的实时监测,且误检概率较大的问题。
本发明采用的技术方案如下:
一种基于红外遥感图像的雪山检测方法,包括以下步骤:
步骤1:读取待检测红外遥感雪山图像,进行显著性特征检测,得到显著性图像;
步骤2:提取显著性图像中高亮的前景部分,得到高亮前景图;
步骤3:提取高亮前景图中局部熵纹理特征,得到局部熵纹理特征图;
步骤4:对局部熵纹理特征图进行二值化处理,再填充孔洞并寻找目标区域轮廓,得到最终检测结果图。
进一步地,所述步骤1包括以下步骤:
步骤1.1:读取待检测红外遥感雪山图像;
步骤1.2:对红外遥感雪山图像进行预处理,得到经去噪和对比度增强后的预处理图像;
步骤1.3:利用频率调制算法对预处理图像进行显著性特征检测,得到显著性图像。
进一步地,所述步骤1.2的具体步骤如下:
步骤1.2.1:对红外遥感雪山图像进行中值滤波处理,对图像中每个像素点的领域内像素按灰度值大小进行排序,取排序结果的中值作为滤波后该像素点的灰度值,对每个像素点实施该操作,得到去噪后的滤波处理图像;
步骤1.2.2:对滤波处理图像进行直方图均衡处理,采用直方图均衡的映射公式将滤波处理图像中灰度k映射为灰度sk,得到增强图像对比度和均衡灰度值分布后的均衡处理图像,所述映射公式为:
其中,n是图像中总的像素点数,nj是灰度级j对应的像素点数,L是图像中灰度级的总数;
步骤1.2.3:对均衡处理图像进行幂律变换处理,采用幂律变换公式将均衡处理图像中灰度r映射为灰度s,得到进一步增强了图像对比度和提高了前景亮度的最终的预处理图像,所述幂律变换公式为
s=crγ
其中,c是常系数,γ是幂律变换的指数。
进一步地,所述步骤1.3的具体步骤如下:
步骤1.3.1:计算预处理图像中的平均灰度图和高斯模糊图,转换到Lab空间中,得到图像Iμ和
步骤1.3.2:利用频率调制算法中的显著性特征值公式:
得到Iμ和的欧式距离,即为该像素点的显著性特征值;
步骤1.3.3:对每一个像素点计算显著性特征值,得到显著性图像。
进一步地,所述步骤2的具体步骤如下:
步骤2.1:根据阈值分割公式将显著性图像中灰度过低的部分舍去,所述阈值分割公式为:
其中,Imax和Imin分别为显著性图像中的最大灰度值和最小灰度值;
步骤2.2:保留灰度高于阈值的部分,得到高亮前景图。
进一步地,所述步骤3的具体步骤如下:
步骤3.1:在高亮前景图中任意像素点的9×9像素领域内,根据局部熵纹理公式计算该像素点领域内的熵值,其中所述局部熵纹理公式为:
其中,pi为灰度为i的像素点占领域内总像素个数的概率;
步骤3.2:计算高亮前景图中其他每个像素点所在的9×9像素领域内的局部熵纹理特征值,得到局部熵纹理特征图。
进一步地,所述步骤4中的二值化处理为:
根据阈值分割公式对局部熵纹理特征图进行处理,所述阈值分割公式为:
其中,Imax为局部熵纹理特征图中的最大灰度值。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.一种基于红外遥感图像的雪山检测方法,将显著性特征检测与纹理特征检测相结合,利用显著性特征检测图像中高亮的前景部分,再利用纹理特征区分检测出的前景中的雪山和地面,实现对红外遥感图像中雪山虚警源的检测,减少了计算数据量,方便更好地实时检测,同时,还降低了红外弱小目标的误检概率。
2.本发明中步骤1.2对红外遥感雪山图像进行了去噪和对比度增强的预处理,不需要对待检测红外遥感雪山图像的质量有其他高要求,使该方法的适用范围更广。
3.本发明中步骤1.2.1对图像中每个像素点的领域内像素按灰度值大小进行排序,取排序结果的中值作为滤波后该像素点的灰度值,能较好地去除图中因成像设备和不利成像条件造成的椒盐噪声,并减少了图像模糊。
4.本发明中步骤1.2.2对滤波处理图像进行直方图均衡处理,得到均衡处理图像,步骤2.3对均衡处理图像进行幂律变换处理,得到最终的预处理图像,这两个步骤相互配合,先增强图像对比度和均衡灰度值分布,再进一步增强图像对比度和提高前景亮度,提升了图像的显示效果,从而提升图像的检测准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是一种基于红外遥感图像的雪山检测方法的流程图;
图2是本发明实施例一的待检测红外遥感雪山图像;
图3是本发明实施例一的预处理图像;
图4是本发明实施例一的显著性图像;
图5是本发明实施例一的高亮前景图;
图6是本发明实施例一的局部熵纹理特征图;
图7是本发明实施例一的二值化处理图;
图8是本发明实施例一的雪山检测结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
一种基于红外遥感图像的雪山检测方法,包括以下步骤:
步骤1:读取待检测红外遥感雪山图像;
步骤2:对红外遥感雪山图像进行预处理,得到经去噪和对比度增强后的预处理图像;
步骤3:利用频率调制算法对预处理图像进行显著性特征检测,得到显著性图像;
步骤4:提取显著性图像中高亮的前景部分,得到高亮前景图;
步骤5:提取高亮前景图中局部熵纹理特征,得到局部熵纹理特征图;
步骤6:对局部熵纹理特征图进行二值化处理,再填充孔洞并寻找目标区域轮廓,得到最终检测结果图。
将显著性特征检测与纹理特征检测相结合,利用显著性特征检测图像中高亮的前景部分,再利用纹理特征区分检测出的前景中的雪山和地面,实现对红外遥感图像中雪山虚警源的检测,解决了现有雪山检测方法对图像质量的要求较高,计算数据量较大,不利于雪山的实时监测,且误检概率较大的问题,减少了计算数据量,方便更好地实时检测,同时,还降低了红外弱小目标的误检概率。
进一步地,所述步骤2的具体步骤如下:
步骤2.1:对红外遥感雪山图像进行中值滤波处理,对图像中每个像素点的领域内像素按灰度值大小进行排序,取排序结果的中值作为滤波后该像素点的灰度值,然后,对每个像素点实施该操作,得到去噪后的滤波处理图像,能较好地去除图中因成像设备和不利成像条件造成的椒盐噪声,并减少图像的模糊度,;
步骤2.2:对滤波处理图像进行直方图均衡处理,采用直方图均衡的映射公式将滤波处理图像中灰度k映射为灰度sk,得到增强图像对比度和均衡灰度值分布后的均衡处理图像,所述映射公式为:
其中,n是图像中总的像素点数,nj是灰度级j对应的像素点数,L是图像中灰度级的总数;
步骤2.3:对均衡处理图像进行幂律变换处理,采用幂律变换公式将均衡处理图像中灰度r映射为灰度s,进一步增强了图像对比度和提高了前景亮度,得到最终的预处理图像,提升了图像的显示效果和图像的检测准确率,所述幂律变换公式为
s=crγ
其中,c是常系数,γ是幂律变换的指数。
进一步地,所述步骤3的具体步骤如下:
步骤3.1:计算预处理图像中的平均灰度图和高斯模糊图,转换到Lab空间中,得到图像Iμ和
步骤3.2:利用频率调制算法中的显著性特征值公式:
得到Iμ和的欧式距离,即为该像素点的显著性特征值;
步骤3.3:对每一个像素点计算显著性特征值,得到显著性图像。
进一步地,所述步骤4的具体步骤如下:
步骤4.1:根据阈值分割公式将显著性图像中灰度过低的部分舍去,所述阈值分割公式为:
其中,Imax和Imin分别为显著性图像中的最大灰度值和最小灰度值;
步骤4.2:保留灰度高于阈值的部分,便完整地提取出了图像中高亮的前景部分,得到高亮前景图。
进一步地,所述步骤5的具体步骤如下:
步骤5.1:在高亮前景图中任意像素点的9×9像素领域内,根据局部熵纹理公式计算该像素点领域内的熵值,其中所述局部熵纹理公式为:
其中,pi为灰度为i的像素点占领域内总像素个数的概率;
步骤5.2:计算高亮前景图中其他每个像素点所在的9×9像素领域内的局部熵纹理特征值,能有效地将纹理特征丰富的雪山和前景中的其他高亮部分分离,得到局部熵纹理特征图,提高了检测雪山虚警源的准确性。
进一步地,所述步骤6中的二值化处理为:
根据阈值分割公式对局部熵纹理特征图进行处理,得到二值化处理图,所述阈值分割公式为:
其中,Imax为局部熵纹理特征图中的最大灰度值。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
本发明较佳实施例提供的一种基于红外遥感图像的雪山检测方法,包括以下步骤:
步骤1:读取待检测红外遥感雪山图像f0(x,y),如图2所示;
步骤2:对红外遥感雪山图像f0(x,y)进行预处理,得到经去噪和对比度增强后的预处理图像f2(x,y);
步骤2.1:对红外遥感雪山图像f0(x,y)进行中值滤波处理,对图像中每个像素点的领域内像素按灰度值大小进行排序,取排序结果的中值作为滤波后该像素点的灰度值:
其中,Sxy是点(x,y)的领域,通常取点(x,y)周围3×3像素的正方形领域,g(s,t)是领域中(s,t)处的灰度值,根据上述公式,对每个像素点实施该操作,得到去噪后的滤波处理图像,能较好地去除图像中因成像设备和不利成像条件造成的椒盐噪声,并减少图像模糊;
步骤2.2:对滤波处理图像进行直方图均衡处理,采用直方图均衡的映射公式将滤波处理图像中灰度k映射为灰度sk,得到增强图像对比度和均衡灰度值分布后的均衡处理图像,所述映射公式为:
其中,n是图像中总的像素点数,nj是灰度级j对应的像素点数,L是图像中灰度级的总数;
步骤2.3:对均衡处理图像进行幂律变换处理,采用幂律变换公式将均衡处理图像中灰度r映射为灰度s,得到进一步增强了图像对比度和提高了前景亮度的最终的预处理图像f2(x,y),如图3所示,提升了图像的显示效果和图像的检测准确率,所述幂律变换公式为
s=crγ
其中,c是常系数,γ是幂律变换的指数,通过将指数γ设置为大于1的数,压缩图像低灰度值部分,扩展高灰度值部分,增强高亮前景并抑制灰暗背景,提高区分度;
步骤3:利用频率调制算法对预处理图像f2(x,y)进行显著性特征检测,得到显著性图像f3(x,y);
步骤3.1:计算预处理图像f2(x,y)中的平均灰度图和高斯模糊图,转换到Lab空间中,得到图像Iμ和
步骤3.2:利用频率调制算法中的显著性特征值公式:
得到Iμ和的欧式距离,即为该像素点的显著性特征值;
步骤3.3:对每一个像素点计算显著性特征值,得到显著性图像f3(x,y),如图4所示。
步骤4:提取显著性图像f3(x,y)中高亮的前景部分,得到高亮前景图f4(x,y);
步骤4.1:根据阈值分割公式将显著性图像f3(x,y)中灰度过低的部分舍去,即将低于阈值的像素置零,减少其对后面局部熵纹理特征造成的干扰,所述阈值分割公式为:
其中,Imax和Imin分别为显著性图像中的最大灰度值和最小灰度值;
步骤4.2:保留灰度高于阈值的部分,得到高亮前景图f4(x,y),如图5所示,完整地提取出了图像中高亮的前景部分;
步骤5:提取高亮前景图f4(x,y)中局部熵纹理特征,得到局部熵纹理特征图f5(x,y);
步骤5.1:在高亮前景图f4(x,y)中任意像素点的9×9像素领域内,根据局部熵纹理公式计算该像素点领域内的熵值,其中所述局部熵纹理公式为:
其中,pi为灰度为i的像素点占领域内总像素个数的概率,将领域内各像素点的灰度直方图化到0-255的bin中,再经L1规范化即可得;
步骤5.2:计算高亮前景图中其他每个像素点所在的9×9像素领域内的局部熵纹理特征值,能有效地将纹理特征丰富的雪山和前景中的其他高亮部分分离,得到局部熵纹理特征图f5(x,y),如图6所示,提高了检测雪山虚警源的准确性;
步骤6:对局部熵纹理特征图进行二值化处理,根据阈值分割公式对局部熵纹理特征图进行处理,得到二值化处理图f6(x,y),如图7所示,所述阈值分割公式为:
其中,Imax为局部熵纹理特征图中的最大灰度值;再进行形态学操作,填充孔洞,再寻找目标区域轮廓,并在原图上框出,得到最终雪山检测结果图,如图8所示。
本发明将显著性特征检测与纹理特征检测相结合,利用显著性特征检测图像中高亮的前景部分,再利用纹理特征区分检测出的前景中的雪山和地面,实现对红外遥感图像中雪山虚警源的检测,解决了现有雪山检测方法对图像质量的要求较高,计算数据量较大,不利于雪山的实时监测,且误检概率较大的问题,减少了计算数据量,方便更好地实时检测,同时,还降低了红外弱小目标的误检概率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于红外遥感图像的雪山检测方法,其特征在于,包括以下步骤:
步骤1:读取待检测红外遥感雪山图像,进行显著性特征检测,得到显著性图像;
步骤2:提取显著性图像中高亮的前景部分,得到高亮前景图;
步骤3:提取高亮前景图中局部熵纹理特征,得到局部熵纹理特征图;
步骤4:对局部熵纹理特征图进行二值化处理,再填充孔洞并寻找目标区域轮廓,得到最终检测结果图。
2.根据权利要求1所述的一种基于红外遥感图像的雪山检测方法,其特征在于:所述步骤1包括以下步骤:
步骤1.1:读取待检测红外遥感雪山图像;
步骤1.2:对红外遥感雪山图像进行预处理,得到经去噪和对比度增强后的预处理图像;
步骤1.3:利用频率调制算法对预处理图像进行显著性特征检测,得到显著性图像。
3.根据权利要求2所述的一种基于红外遥感图像的雪山检测方法,其特征在于:所述步骤1.2的具体步骤如下:
步骤1.2.1:对红外遥感雪山图像进行中值滤波处理,对图像中每个像素点的领域内像素按灰度值大小进行排序,取排序结果的中值作为滤波后该像素点的灰度值,对每个像素点实施该操作,得到去噪后的滤波处理图像;
步骤1.2.2:对滤波处理图像进行直方图均衡处理,采用直方图均衡的映射公式将滤波处理图像中灰度k映射为灰度sk,得到增强图像对比度和均衡灰度值分布后的均衡处理图像,所述映射公式为:
其中,n是图像中总的像素点数,nj是灰度级j对应的像素点数,L是图像中灰度级的总数;
步骤1.2.3:对均衡处理图像进行幂律变换处理,采用幂律变换公式将均衡处理图像中灰度r映射为灰度s,得到进一步增强了图像对比度和提高了前景亮度的最终的预处理图像,所述幂律变换公式为
s=crγ
其中,c是常系数,γ是幂律变换的指数。
4.根据权利要求2或3所述的一种基于红外遥感图像的雪山检测方法,其特征在于:所述步骤1.3的具体步骤如下:
步骤1.3.1:计算预处理图像中的平均灰度图和高斯模糊图,转换到Lab空间中,得到图像Iμ和
步骤1.3.2:利用频率调制算法中的显著性特征值公式:
得到Iμ和的欧式距离,即为该像素点的显著性特征值;
步骤1.3.3:对每一个像素点计算显著性特征值,得到显著性图像。
5.根据权利要求1或4所述的一种基于红外遥感图像的雪山检测方法,其特征在于:所述步骤2的具体步骤如下:
步骤2.1:根据阈值分割公式将显著性图像中灰度过低的部分舍去,所述阈值分割公式为:
其中,Imax和Imin分别为显著性图像中的最大灰度值和最小灰度值;
步骤2.2:保留灰度高于阈值的部分,得到高亮前景图。
6.根据权利要求1或5所述的一种基于红外遥感图像的雪山检测方法,其特征在于:所述步骤3的具体步骤如下:
步骤3.1:在高亮前景图中任意像素点的9×9像素领域内,根据局部熵纹理公式计算该像素点领域内的熵值,其中所述局部熵纹理公式为:
其中,pi为灰度为i的像素点占领域内总像素个数的概率;
步骤3.2:计算高亮前景图中其他每个像素点所在的9×9像素领域内的局部熵纹理特征值,得到局部熵纹理特征图。
7.根据权利要求1或6所述的一种基于红外遥感图像的雪山检测方法,其特征在于:所述步骤4中的二值化处理为:
根据阈值分割公式对局部熵纹理特征图进行处理,所述阈值分割公式为:
其中,Imax为局部熵纹理特征图中的最大灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810551377.4A CN108765406A (zh) | 2018-05-31 | 2018-05-31 | 一种基于红外遥感图像的雪山检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810551377.4A CN108765406A (zh) | 2018-05-31 | 2018-05-31 | 一种基于红外遥感图像的雪山检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765406A true CN108765406A (zh) | 2018-11-06 |
Family
ID=64001294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810551377.4A Pending CN108765406A (zh) | 2018-05-31 | 2018-05-31 | 一种基于红外遥感图像的雪山检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765406A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886991A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外成像河道检测方法 |
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN111160260A (zh) * | 2019-12-30 | 2020-05-15 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN111914850A (zh) * | 2019-05-07 | 2020-11-10 | 百度在线网络技术(北京)有限公司 | 图片特征提取方法、装置、服务器和介质 |
CN112052799A (zh) * | 2020-09-08 | 2020-12-08 | 中科光启空间信息技术有限公司 | 一种迷迭香种植分布高分辨率卫星遥感识别方法 |
CN113822839A (zh) * | 2020-06-18 | 2021-12-21 | 飞依诺科技(苏州)有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070110309A1 (en) * | 2005-11-17 | 2007-05-17 | Honeywell International Inc. | Shadow detection in images |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN105389550A (zh) * | 2015-10-29 | 2016-03-09 | 北京航空航天大学 | 一种基于稀疏指引与显著驱动的遥感目标检测方法 |
CN107229910A (zh) * | 2017-05-18 | 2017-10-03 | 北京环境特性研究所 | 一种遥感图像结冰湖泊检测方法及其系统 |
-
2018
- 2018-05-31 CN CN201810551377.4A patent/CN108765406A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070110309A1 (en) * | 2005-11-17 | 2007-05-17 | Honeywell International Inc. | Shadow detection in images |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN105389550A (zh) * | 2015-10-29 | 2016-03-09 | 北京航空航天大学 | 一种基于稀疏指引与显著驱动的遥感目标检测方法 |
CN107229910A (zh) * | 2017-05-18 | 2017-10-03 | 北京环境特性研究所 | 一种遥感图像结冰湖泊检测方法及其系统 |
Non-Patent Citations (5)
Title |
---|
RADHAKRISHNA ACHANTA 等: "Frequency-tuned Salient Region Detection", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
侯宏花 编著: "《数字图像处理与分析》", 30 September 2011, 北京理工大学出版社 * |
吴琼: "基于遥感图像的松林线虫病区域检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
彭真明 等 编著: "《光电图像处理及应用》", 30 April 2013, 电子科技大学出版社 * |
杨易: "近红外静脉图像识别及处理算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886991A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外成像河道检测方法 |
CN111914850A (zh) * | 2019-05-07 | 2020-11-10 | 百度在线网络技术(北京)有限公司 | 图片特征提取方法、装置、服务器和介质 |
CN111914850B (zh) * | 2019-05-07 | 2023-09-19 | 百度在线网络技术(北京)有限公司 | 图片特征提取方法、装置、服务器和介质 |
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN110796677B (zh) * | 2019-10-29 | 2022-10-21 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN111160260A (zh) * | 2019-12-30 | 2020-05-15 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN111160260B (zh) * | 2019-12-30 | 2023-07-04 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN113822839A (zh) * | 2020-06-18 | 2021-12-21 | 飞依诺科技(苏州)有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN113822839B (zh) * | 2020-06-18 | 2024-01-23 | 飞依诺科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN112052799A (zh) * | 2020-09-08 | 2020-12-08 | 中科光启空间信息技术有限公司 | 一种迷迭香种植分布高分辨率卫星遥感识别方法 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN106856002B (zh) | 一种无人机拍摄图像质量评价方法 | |
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
CN111104943B (zh) | 基于决策级融合的彩色图像感兴趣区域提取方法 | |
CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
Wang et al. | Low-illumination image enhancement for night-time UAV pedestrian detection | |
CN106846289A (zh) | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
CN112149476B (zh) | 目标检测方法、装置、设备和存储介质 | |
Sharma et al. | Indian vehicle license plate extraction and segmentation | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN111062293A (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
CN111047624A (zh) | 图像弱小目标检测方法、装置、设备及存储介质 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN110751667B (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
CN107103295B (zh) | 光学遥感影像云检测方法 | |
Gupta et al. | Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 | |
CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
CN114842235B (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 | |
Jishuang et al. | A multi-threshold based morphological approach for extracting coastal line feature in remote sensed images | |
Qing et al. | Image haze removal using depth-based cluster and self-adaptive parameters | |
Shao et al. | An adaptive image contrast enhancement algorithm based on retinex | |
Pardhi et al. | Enhancement of nighttime image visibility using wavelet fusion of equalized color channels and luminance with Kekre’s LUV color space |
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: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |