CN109118503B - 高分辨遥感影像特定目标快速检测方法 - Google Patents
高分辨遥感影像特定目标快速检测方法 Download PDFInfo
- Publication number
- CN109118503B CN109118503B CN201810808806.1A CN201810808806A CN109118503B CN 109118503 B CN109118503 B CN 109118503B CN 201810808806 A CN201810808806 A CN 201810808806A CN 109118503 B CN109118503 B CN 109118503B
- Authority
- CN
- China
- Prior art keywords
- marking
- region
- detection
- gray level
- bounding box
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims 2
- 239000000284 extract Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
Abstract
一种高分辨遥感影像特定目标快速检测方法,通过对待测图像的二值图像进行连通区域标记,经筛选与合并后经过分类器识别和重复检测结果去除,得到最终检测结果。本发明可以实现对高分辨遥感影像特定目标(飞机或船舶)的快速检测,不但可以显著提升检测速度,而且能够提高查全率和查准率,降低误识率。
Description
技术领域
本发明涉及的是一种遥感图像处理领域的目标检测方法,具体是一种基于边缘检测和角点检测的高分辨遥感影像特定目标检测的快速选择搜索方法。
背景技术
目标检测是计算机视觉最活跃的一个研究领域,也是遥感影像分析最重要的应用之一。然而,由于目标往往具有不同的大小、方向和长宽比,使得使用不同大小的滑动窗口扫描图像进行穷举搜索的方法来检测目标是非常耗时的。为了解决这个问题,人们提出了一些通过减少检测窗口个数的方法来实现目标的快速检测,比如子窗口搜索(EfficientSub-window Search,ESS)方法、基于图割的选择搜索(Selective search,SS)方法等,但这些方法在针对遥感图像的特定目标检测时并不能达到较高的检测效果。
发明内容
本发明针对现有技术存在的上述不足,提出一种高分辨遥感影像特定目标快速检测方法,可以实现对高分辨遥感影像特定目标(飞机或船舶)的快速检测,不但可以显著提升检测速度,而且能够提高查全率和查准率,降低误识率。
本发明是通过以下技术方案实现的:
本发明通过对待测图像的二值图像进行连通区域标记,经筛选与合并后经过分类器识别和重复检测结果去除,得到最终检测结果。
所述的二值图像,通过基于待测图像的滤波后灰度图像经边缘检测后,对边缘生成角点度量矩阵并经二值化处理得到。
所述的连通区域标记是指:采用定义两个像素邻接为8邻域的方式,即一个像素点的周围的8个像素点全部和该像素点邻接的方式对每一个二值图像进行标记,得到连通区域标记结果。
所述的筛选与合并是指:首先根据标记区域的包围盒面积、矩形度、长宽比等三个形状特征和标记区域中的角点个数筛选出符合条件的标记区域,然后通过合并规则把交叉的标记区域进行合并,再根据包围盒的宽与高等两个形状特征筛选出符合条件的标记区域。
所述的符合条件是指:形状特征的参数和标记区域中的角点个数分别大于或小于设定的阈值。
所述的形状特征是指:标记区域的包围盒面积、矩形度、长宽比、宽与高。
所述的分类器识别是指:从训练图像中手工标记出正例和反例并提取出卷积神经网络(CNN)特征后作为样本训练分类器,将训练后的分类器对待测图像的标记区域的CNN特征进行识别。
所述的重复检测结果去除是指:采用非极大值抑制方法,即当两个检测窗口的标签都是1,并且它们的重合度大于阈值时保留其中输出分数较大的检测窗口。
本发明涉及一种实现上述方法的系统,包括:预处理模块、区域标记模块、区域筛选与合并模块、分类识别模块以及去重模块,其中:预处理模块将采集到的用于边缘与检点检测的多幅图像输出至区域标记模块,区域标记模块对图像进行连通区域标记后将区域的编号及各区域的形状特征和角点个数输出至区域筛选与合并模块,区域筛选与合并模块将筛选合并后的候选区域或候选检测窗口输出至分类识别模块,分类识别模块将分类后的检测窗口标签及得分输出至去重模块并输出最终的检测结果。
技术效果
与现有技术相比,将边缘检测和角点检测引入到目标检测方法中,首先利用边缘检测结果创建标记区域,然后根据标记区域的形状特征和角点个数进行筛选与合并来获取候选窗口或候选子区域,可以抛弃大量不可能包含目标的检测窗口,从而大大减少了检测窗口个数;训练检测子对获得的检测窗口进一步分类可以进一步抛弃大量的非目标窗口。本发明获得的检测窗口个数减少了2至5倍或更多倍,检测速度提升明显,能够获得较高的查全率和查准率,并且大大降低了误识率。
附图说明
图1为本发明流程示意图;
图2为标记区域的创建过程示意图;
图3为标记区域的筛选过程示意图;
图4为标记区域的合并规则示意图;
图5为飞机训练集和船舶训练集的一些正例与反例;
图6为FSS方法与SS方法在飞机数据集上获得的检测窗口个数对比;
图7为FSS方法和SS方法在飞机数据集上的检测时间比;
图8为FSS方法和SS方法在飞机数据集上获得的RPC曲线;
图9为FSS方法和SS方法在船舶数据集上获得的RPC曲线。
具体实施方式
如图1所示,本发明的实现步骤如下:
步骤1,创建标记区域,创建过程示意图见图2(省略了灰度变换和中值滤波过程)。
1.1)把彩色遥感图像转化为灰度图像I;
1.2)对灰度图像I分别进行三种灰度变换和一次直方图均衡化,再加上原来的灰度图像I,共得到5幅灰度图像。
1.3)接着采用5个不同大小的中值滤波器对每幅灰度图像进行滤波,可得到25幅灰度图像,加上刚才得到的5幅灰度图像,共得到30幅灰度图像,接着选用Harris或MinimumEigenvalue检测算子进行角点检测;
所述的中值滤波器的大小为3×3~11×11。
1.4)选用Sobel或Prewitt边缘检测算子对每幅灰度图像进行边缘检测;
1.5)对每一个边缘使用MinimumEigenvalue算子创建角点度量矩阵CMM;
1.6)角点度量矩阵二值化。把每个角点度量矩阵CMMmn值大于0的元素设置为1,可以得到30个二值图像Bmn,m=1,2,...,5,n=1,3,...,11;
1.7)连通区域标记。采用定义两个像素邻接为8邻域的方式对每一个二值图像Bmn进行标记,得到30个连通区域标记结果,记为Lmn,m=1,2,...,5,n=1,3,...,11。
步骤2,标记区域的筛选与合并,筛选过程示意图见图3,合并规则示意图见图4。
2.1)根据标记区域的包围盒面积、矩形度、长宽比等三个形状特征和标记区域中的角点个数由预设的4个阈值筛选出每个Lmn中符合条件的标记区域;
所述的标记区域的包围盒是指:用Li表示第i个标记区域,第i个标记区域的包围盒Li.BB用下式表示,Li.BB=(x,y,width,height),式中x和y分别是包围盒的左上角顶点的行和列坐标,width、height分别是包围盒的宽和高,其面积Li.BBArea由公式Li.BBArea=width×height计算。
2.2)通过两个合并规则把交叉的标记区域进行合并,具体步骤包括:
2.2a)当两个标记区域的重合度OLR(Li,Lj)大于阈值T6,即OLR(L,iL)j>T6,则把它们合并成一个标记区域,其中:Li.BBArea∩Lj.BBArea是计算两个标记区域包围盒的重叠面积,min(Li.BBArea,Lj.BBArea)是选择较小的包围盒的面积。
2.2b)当较小的标记区域的包围盒的面积小于阈值T7,min(Li.BBArea,Lj.BBArea)<T7,并且其包围盒的顶点有两个以上位于较大的标记区域的包围盒内部,则把两个标记区域合并成一个标记区域。
2.3)根据包围盒的宽与高等两个形状特征由预设的2个阈值筛选出每个Lmn中符合条件的标记区域。
步骤3,从训练图像中手工标记出正例和反例,并提取其CNN特征用于训练SVM分类器作为检测子。
所述的正例和反例的数量远小于标记区域的总数。
对于如图4所示的飞机数据集,从40幅图像中截取180架飞机作为正例,并随机截取2284个非目标作为负例来训练检测子;对于船舶数据集,从10幅图像中截取87艘船舶作为正例,并随机截取87个非目标作为负例来训练检测子。飞机或船舶的一些正例和反例见图5。
步骤4,检测窗口的分类和非极大值抑制处理。
4.1)根据步骤2得到的标记区域的包围盒的边长判断其是一个候选窗口还是子区域,当第i个标记区域的包围盒的宽Li.width与高Li.height分别小于某一阈值T9时,则判定第i个标记区域是一个候选窗口,否则判定该标记区域是一个子区域。
当第i个标记区域是候选窗口,则直接提取其CNN特征,并用SVM分类器进行分类;当第i个标记区域是候选子区域,则采用滑动窗口(滑动窗口的大小设为70×70)对子区域进行扫描,提取每个检测窗口的CNN特征,再用SVM分类器进行分类。
优选在提取检测窗口的特征前,首先去除重复的检测窗口,即当两个或两个以上的检测窗口具有相同的包围盒,则只保留一个窗口。
4.2)对检测窗口分类以后,再采用非极大值抑制方法去除重复检测的窗口作为最终的检测结果。
所述的标记区域的面积:第i个标记区域的面积是第i个连通域像素的个数,用符号Li.Area表示。
所述的角点个数:第t个角点的坐标用表示。根据第i个标记区域的包围盒Li.BB和每个角点的坐标可以计算出位于该标记区域包围盒内的角点个数nC。注意由于有些标记区域的包围盒是重合的,所以有些标记区域包围盒内的角点是由别的标记区域产生的。
所述的非极大值抑制方法,具体为:当两个检测窗口的标签都是1,并且它们的重合度大于一个阈值T11,即满足:则比较两个窗口的输出分数,当f(wi)<f(wj),把窗口wi的标签yi设置为-1;否则把窗口wj的标签yj设置为-1。
本实施例应用情况可以通过以下实验进一步说明:
1.实验条件:
实验运行平台:一台CPU为Intel i7-4790K、内存大小为32G的PC,编程语言为MATLAB R2013B。
使用从谷歌地球(Google Earth Service)上收集的两个遥感影像数据集来量化评价目标检测方法,第一个数据集是飞机数据集,第二个数据集是船舶数据集。飞机数据集是从美国、中国等国家的不同机场收集的240幅图像,共包含1307架不同种类的飞机。每幅图像包含一架或多架飞机,这些飞机具有不同的大小和方向。船舶数据集是从中国的长江(Yangtze River)、美国的迈阿密海滩(Miami Beach)和英国的曼彻斯特运河(ManchesterCanal)等地收集的60幅图像,共包含611艘不同种类的船舶。同样地,这些船舶也具有不同的大小和方向。
实验时,对于飞机数据集,使用包含1127架飞机的200幅图像作为测试集;对于船舶数据集,使用包含534艘船舶的50幅图像作为测试集。
2.实验内容:
以获得的检测窗口个数NW(Number of detection Windows)、检测时间比R、查全率(Recall)和查准率(Precision)为评价测度,并使用查全率和查准率曲线(Recall-Precision Curve,RPC)来显示查全率和查准率之间的权衡,以标准的Pascal准则(PascalOverlap Criterion)作为检测标准,对比两种目标检测方法的性能,一种为基于图割的SS方法,另一种为本实施例方法。
实验中,本方法的阈值参数设置见表1:
表1本发明检测方法的不同阈值参数的设置
实验中,SS方法的参数设置:颜色空间设为“Hsv”和“Lab”,分割尺度设为50和100,sigma设为0.8,合并策略设为“Color+Texture+Size+Fill+Orig”和“Texture+Size+Fill”的结合。此外,和本实施例方法保持一致,在检测飞机时,把宽或高小于25像素的区域丢弃;在检测船舶时,把宽或高小于10像素的区域丢弃。
试验结果如下:(1)在飞机数据集上获得的检测窗口个数NW比较(见图6);(2)在飞机数据集上检测时间比R比较(见图7);(3)在飞机数据集上RPC曲线比较(见图8);(4)在船舶数据集上RPC曲线比较(见图9)。
从图6可以看到,对于大多数图像来说,在本实施例中使用不同的边缘检测算子和角点检测算子对检测窗口个数影响不大,少数图像的检测窗口个数则有较大的变化。对于绝大多数图像来说,SS方法获得的检测窗口个数是本实施例获得的检测窗口个数的2~5倍或更多倍。也就是说,本实施例获得的检测窗口个数要远少于SS方法获得的检测窗口个数。
从图7可以看到,对于大多数图像来说,SS方法的检测时间是本实施例检测时间的2~5倍,少数图像的检测时间比率甚至达到5~20倍。也就是说,本实施例的效率要远高于SS方法的效率。
从图8可以看到,在飞机数据集上,本实施例的查全率可达到82%左右,查准率可达到90%以上,而SS方法的查全率只能达到76%,查准率只能达到87%。总之,本实施例在查全率和查准率上都要远远高于SS方法。
从图9可以看到,在船舶数据集上,本实施例的查全率可以达到82.2%~89.5%,而SS方法的查全率只能达到53.5%。本实施例的查准率可达到98%以上,而SS方法的查准率只能达到62%。总之,本实施例在船舶数据集上得到的查全率和查准率都要远远高于SS方法。
综上所述,本发明获得的检测窗口个数减少了很多倍,检测速度、查全率和查准率都有较显著的提高,并且大大降低了误识率。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (7)
1.一种高分辨遥感影像特定目标快速检测方法,其特征在于,通过对待测图像的二值图像进行连通区域标记,经筛选与合并后经过分类器识别和重复检测结果去除,得到最终检测结果;
所述的连通区域标记是指:采用定义两个像素邻接为8邻域的方式对每一个二值图像进行标记,得到连通区域标记结果;
所述的筛选与合并是指:首先根据标记区域的包围盒面积、矩形度、长宽比等三个形状特征和标记区域中的角点个数筛选出符合条件的标记区域,然后通过合并规则把交叉的标记区域进行合并,再根据包围盒的宽与高等两个形状特征筛选出符合条件的标记区域;
所述的标记区域的包围盒是指:用Li表示第i个标记区域,第i个标记区域的包围盒Li.BB用下式表示,Li.BB=(x,y,width,height),式中x和y分别是包围盒的左上角顶点的行和列坐标,width、height分别是包围盒的宽和高,其面积Li.BBArea由公式Li.BBArea=width×height计算;
所述的合并是指:
a)当两个标记区域的重合度OLR(Li,Lj)大于阈值T6,即OLR(Li,Lj)>T6,则把它们合并成一个标记区域,其中:Li.BBArea∩Lj.BBArea是计算两个标记区域包围盒的重叠面积,min(Li.BBArea,Lj.BBArea)是选择较小的包围盒的面积;
b)当较小的标记区域的包围盒的面积小于阈值T7,min(Li.BBArea,Lj.BBArea)<T7,并且其包围盒的顶点有两个以上位于较大的标记区域的包围盒内部,则把两个标记区域合并成一个标记区域;
所述的标记区域,通过以下方式创建:
1.1)把彩色遥感图像转化为灰度图像I;
1.2)对灰度图像I分别进行三种灰度变换和一次直方图均衡化,再加上原来的灰度图像I,共得到5幅灰度图像;
1.3)接着采用5个不同大小的中值滤波器对每幅灰度图像进行滤波,可得到25幅灰度图像,加上刚才得到的5幅灰度图像,共得到30幅灰度图像,接着选用Harris或MinimumEigenvalue检测算子进行角点检测;
1.4)选用Sobel或Prewitt边缘检测算子对每幅灰度图像进行边缘检测;
1.5)对每一个边缘使用MinimumEigenvalue算子创建角点度量矩阵CMM;
1.6)角点度量矩阵二值化;把每个角点度量矩阵CMMmn值大于0的元素设置为1,可以得到30个二值图像Bmn,m=1,2,...,5,n=1,3,...,11;
1.7)连通区域标记;采用定义两个像素邻接为8邻域的方式对每一个二值图像Bmn进行标记,得到30个连通区域标记结果,记为Lmn,m=1,2,...,5,n=1,3,...,11;
所述的分类器,通过从训练图像中手工标记出正例和反例,并提取其CNN特征
用于训练SVM分类器作为检测子;
所述的最终检测结果,通过检测窗口的分类和非极大值抑制处理得到,具体为:
4.1)根据标记区域的包围盒的边长判断其是一个候选窗口还是子区域,当第i个标记区域的包围盒的宽Li.width与高Li.height分别小于某一阈值T9时,则判定第i个标记区域是一个候选窗口,否则判定该标记区域是一个子区域;
4.2)对检测窗口分类以后,再采用非极大值抑制方法去除重复检测的窗口作为最终的检测结果。
2.根据权利要求1所述的方法,其特征是,所述的符合条件是指:形状特征的参数和标记区域中的角点个数分别大于或小于设定的阈值。
3.根据权利要求1或2所述的方法,其特征是,所述的角点个数,首先通过对灰度图像分别进行三种灰度变换和一次直方图均衡化后对包含灰度图像的共五幅灰度图像采用中值滤波器进行滤波得到25幅灰度图像,接着选用Harris或MinimumEigenvalue检测算子对25幅灰度图像以及滤波前的5幅灰度图像进行角点检测得到。
4.根据权利要求1所述的方法,其特征是,所述的形状特征是指:标记区域的包围盒面积、矩形度、长宽比、宽与高。
5.根据权利要求1所述的方法,其特征是,所述的分类器识别是指:从训练图像中手工标记出正例和反例并提取出卷积神经网络特征后作为样本训练分类器,将训练后的分类器对待测图像的标记区域的CNN特征进行识别。
6.根据权利要求1所述的方法,其特征是,所述的重复检测结果去除是指:采用非极大值抑制方法,即当两个检测窗口的标签都是1,并且它们的重合度大于阈值时保留其中输出分数较大的检测窗口。
7.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:预处理模块、区域标记模块、区域筛选与合并模块、分类识别模块以及去重模块,其中:预处理模块将采集到的用于边缘与检点检测的多幅图像输出至区域标记模块,区域标记模块对图像进行连通区域标记后将区域的编号及各区域的形状特征和角点个数输出至区域筛选与合并模块,区域筛选与合并模块将筛选合并后的候选区域或候选检测窗口输出至分类识别模块,分类识别模块将分类后的检测窗口标签及得分输出至去重模块并输出最终的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810808806.1A CN109118503B (zh) | 2018-07-19 | 2018-07-19 | 高分辨遥感影像特定目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810808806.1A CN109118503B (zh) | 2018-07-19 | 2018-07-19 | 高分辨遥感影像特定目标快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118503A CN109118503A (zh) | 2019-01-01 |
CN109118503B true CN109118503B (zh) | 2022-02-11 |
Family
ID=64863352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810808806.1A Active CN109118503B (zh) | 2018-07-19 | 2018-07-19 | 高分辨遥感影像特定目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118503B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766823A (zh) * | 2019-01-07 | 2019-05-17 | 浙江大学 | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440508A (zh) * | 2013-08-26 | 2013-12-11 | 河海大学 | 基于视觉词袋模型的遥感图像目标识别方法 |
CN105528596A (zh) * | 2016-02-03 | 2016-04-27 | 长江大学 | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 |
CN106127228A (zh) * | 2016-06-16 | 2016-11-16 | 北方工业大学 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
CN106446854A (zh) * | 2016-10-06 | 2017-02-22 | 西北工业大学 | 基于旋转不变hog特征的高分辨率光学遥感图像目标检测方法 |
CN108121991A (zh) * | 2018-01-06 | 2018-06-05 | 北京航空航天大学 | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 |
-
2018
- 2018-07-19 CN CN201810808806.1A patent/CN109118503B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440508A (zh) * | 2013-08-26 | 2013-12-11 | 河海大学 | 基于视觉词袋模型的遥感图像目标识别方法 |
CN105528596A (zh) * | 2016-02-03 | 2016-04-27 | 长江大学 | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 |
CN106127228A (zh) * | 2016-06-16 | 2016-11-16 | 北方工业大学 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
CN106446854A (zh) * | 2016-10-06 | 2017-02-22 | 西北工业大学 | 基于旋转不变hog特征的高分辨率光学遥感图像目标检测方法 |
CN108121991A (zh) * | 2018-01-06 | 2018-06-05 | 北京航空航天大学 | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 |
Non-Patent Citations (4)
Title |
---|
Airport Detection and Aircraft Recognition Based on Two-Layer Saliency Model in High Spatial Resolution Remote-Sensing Images;Libao Zhang等;《 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20161118;第10卷(第4期);第1511-1524页 * |
Multi-layer Sparse Coding based Ship Detection for Remote Sensing Images;Zimeng Li等;《2015 IEEE International Conference on Information Reuse and Integration》;20151026;第122-125页 * |
基于共享特征的高分辨率遥感影像多级分类;康萌萌等;《计算机工程》;20131031;第39卷(第10期);第254-257页+263页 * |
高分辨率遥感图像处理若干关键技术研究;沈毅;《中国优秀硕士论文全文数据库信息科技辑》;20150215;I140-957 * |
Also Published As
Publication number | Publication date |
---|---|
CN109118503A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
Babu et al. | Vehicle number plate detection and recognition using bounding box method | |
US20180268257A1 (en) | Surface defect detection | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
Salau et al. | Vehicle plate number localization using a modified GrabCut algorithm | |
Ganta et al. | A novel method for Indian vehicle registration number plate detection and recognition using image processing techniques | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
Huang et al. | Implementation of workpiece recognition and location based on opencv | |
Ahmed et al. | Traffic sign detection and recognition model using support vector machine and histogram of oriented gradient | |
CN109118503B (zh) | 高分辨遥感影像特定目标快速检测方法 | |
Dhar et al. | Bangladeshi license plate recognition using adaboost classifier | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
Fan et al. | People counting in elevator car based on computer vision | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Saad et al. | Automated vision based defect detection using gray level co-occurrence matrix for beverage manufacturing industry | |
Chaiyakhan et al. | Traffic sign classification using support vector machine and image segmentation | |
Valentin et al. | Weld classification using gray level co-occurrence matrix and local binary patterns | |
MAARIR et al. | Building detection from satellite images based on curvature scale space method | |
Zhao et al. | Comparative analysis of several vehicle detection methods in urban traffic scenes | |
Santosh et al. | Text detection from documented image using image segmentation | |
CN103714352A (zh) | 一种基于图像认知区域的光晕抑制方法 | |
Halim et al. | The use of mathematical morphology and template matching in automatic malaysian car plate number recognition | |
Anitha et al. | Classifying penaeid prawns species using Canny and Otsu | |
Masri et al. | Image classification using appearance based features |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231011 Address after: 463000 open source road, post city, Zhumadian, Zhumadian, Henan Patentee after: HUANGHUAI University Patentee after: Zhumadian radio and television station Address before: 463000 open source road, post city, Zhumadian, Zhumadian, Henan Patentee before: HUANGHUAI University |