CN109241919A - 震区建筑物倒塌信息获取方法及装置 - Google Patents

震区建筑物倒塌信息获取方法及装置 Download PDF

Info

Publication number
CN109241919A
CN109241919A CN201811071068.3A CN201811071068A CN109241919A CN 109241919 A CN109241919 A CN 109241919A CN 201811071068 A CN201811071068 A CN 201811071068A CN 109241919 A CN109241919 A CN 109241919A
Authority
CN
China
Prior art keywords
dominant
atural object
pixel
object pixel
eigenvalue
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
Application number
CN201811071068.3A
Other languages
English (en)
Other versions
CN109241919B (zh
Inventor
翟玮
肖修来
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.)
Gansu Seismological Bureau (lanzhou Institute Of Seismology China Earthquake Administration)
Original Assignee
Gansu Seismological Bureau (lanzhou Institute Of Seismology China Earthquake Administration)
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 Gansu Seismological Bureau (lanzhou Institute Of Seismology China Earthquake Administration) filed Critical Gansu Seismological Bureau (lanzhou Institute Of Seismology China Earthquake Administration)
Priority to CN201811071068.3A priority Critical patent/CN109241919B/zh
Publication of CN109241919A publication Critical patent/CN109241919A/zh
Application granted granted Critical
Publication of CN109241919B publication Critical patent/CN109241919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请实施例提供了一种震区建筑物倒塌信息获取方法，包括：采用改进的Yamaguchi四分量分解方法对PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；根据像素点中每个像素点的相干矩阵的平均特征值和极化熵，选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点、多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点。通过根据PolSAR图像数据极化分解后的像素点的相干矩阵的平均特征值和极化熵，获得了第一特征值和第二特征值，利用第一特征值和第二特征值，有效的提取出完好平行建筑、倒塌平行墙体、完全倒塌建筑、完好方位建筑和倒塌方位墙体等五种建筑物的数据。

Description

震区建筑物倒塌信息获取方法及装置
技术领域
本申请涉及图像数据处理领域，具体而言，涉及一种震区建筑物倒塌信息获取方法及装置。
背景技术
目前，地震灾害频发，在光照条件不佳的情况下，通常使用雷达探测对震区进行受灾情况的初步探查。常见的是利用各类特征参数提取倒塌和未倒塌的建筑物，但是其不能满足将地震灾区多种建筑物都识别的要求。
发明内容
本申请在于提供一种设震区建筑物倒塌信息获取方法及装置，以有效的提高对建筑损毁情况的识别能力。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供了一种震区建筑物倒塌信息获取方法，包括：获得PolSAR图像数据；采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点；根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
在第一方面的一些可选的实现方式中，所述的根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点，包括：根据所述多个二次散射占优地物像素点中的第一二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一二次散射占优地物像素点的第一特征参数；若所述第一二次散射占优地物像素点的第一特征参数大于第一预设阈值，则判定所述第一二次散射占优地物像素点为完好平行建筑像素点；若所述第一二次散射占优地物像素点的第一特征参数不大于第一预设阈值，则判定所述第一二次散射占优地物像素点为倒塌平行墙体像素点。
在第一方面的一些可选的实现方式中，所述的根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点，包括：根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值；若所述第一体散射占优地物像素点的第一特征值大于第二预设阈值，则判定所述第一体散射占优地物像素点为完全倒塌建筑像素点。
在第一方面的一些可选的实现方式中，所述的根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值，之后还包括：若所述第一体散射占优地物像素点的第一特征值不大于第二预设阈值，根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第二特征值；若所述第一体散射占优地物像素点的第二特征值大于第三预设阈值，则判定所述第一体散射占优地物像素点为完好方位建筑像素点；若所述第一体散射占优地物像素点的第二特征值不大于第三预设阈值，则判定所述第一体散射占优地物像素点为倒塌方位墙体像素点。
在第一方面的一些可选的实现方式中，所述多个二次散射占优地物像素点和多个体散射占优地物像素点中任意的一个第一像素点的第一特征值的计算过程包括公式1：
其中，λ_H为第一特征值，λ为所述第一像素点的相干矩阵的平均特征值，H为所述第一像素点的极化熵，为所述第一像素点附近所有像素点的相干矩阵的平均特征值的均值，为所述第一像素点附近所有像素点的极化熵的均值。
在第一方面的一些可选的实现方式中，所述多个二次散射占优地物像素点和多个体散射占优地物像素点中任意的一个第一像素点的第二特征值的计算过程包括公式2：
其中，H_λ为第二特征值，λ为所述第二像素点的相干矩阵的平均特征值，H为所述第二像素点的极化熵，为所述第二像素点附近所有像素点的相干矩阵的平均特征值的均值，为所述第二像素点附近所有像素点的极化熵的均值。
在第一方面的一些可选的实现方式中，所述的将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据，之后还包括：根据所述完好平行建筑图像数据、所述倒塌平行墙体图像数据、所述完全倒塌建筑图像数据、所述完好方位建筑图像数据和所述倒塌方位墙体图像数据，获得所述PolSAR图像数据对应的建筑物损毁情况。
第二方面，本申请实施例提供了一种震区建筑物倒塌信息获取装置，包括：第一获得模块、第二获得模块、第一选择模块、第二选择模块和第三获得模块；所述第一获得模块，用于获得PolSAR图像数据；所述第二获得模块，用于采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；所述第一选择模块，用于根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点；所述第二选择模块，用于根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；所述第三获得模块，用于将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
在第二方面的一些可选的实现方式中，所述第一选择模块，包括：第一获得单元、第一判定单元和第二判定单元；所述第一获得单元，用于根据所述多个二次散射占优地物像素点中的第一二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一二次散射占优地物像素点的第一特征参数；所述第一判定单元，用于若所述第一二次散射占优地物像素点的第一特征参数大于第一预设阈值，则判定所述第一二次散射占优地物像素点为完好平行建筑像素点；所述第二判定单元，用于若所述第一二次散射占优地物像素点的第一特征参数不大于第一预设阈值，则判定所述第一二次散射占优地物像素点为倒塌平行墙体像素点。
在第二方面的一些可选的实现方式中，所述第二选择模块，包括：第二获得单元、第三判定单元、第三获得单元、第四判定单元和第五判定单元；所述第二获得单元，用于根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值；所述第三判定单元，用于若所述第一体散射占优地物像素点的第一特征值大于第二预设阈值，则判定所述第一体散射占优地物像素点为完全倒塌建筑像素点；所述第三获得单元，用于若所述第一体散射占优地物像素点的第一特征值不大于第二预设阈值，根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第二特征值；所述第四判定单元，用于若所述第一体散射占优地物像素点的第二特征值大于第三预设阈值，则判定所述第一体散射占优地物像素点为完好方位建筑像素点；所述第五判定单元，用于若所述第一体散射占优地物像素点的第二特征值不大于第三预设阈值，则判定所述第一体散射占优地物像素点为倒塌方位墙体像素点。
本申请实施例的有益效果包括：本申请实施例提供了一种震区建筑物倒塌信息获取方法，包括：获得PolSAR图像数据；采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点；根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
通过根据PolSAR图像数据极化分解后的像素点的相干矩阵的平均特征值和极化熵，获得了第一特征值和第二特征值，利用第一特征值和第二特征值，有效的选择出完好平行建筑、倒塌平行墙体、完全倒塌建筑、完好方位建筑和倒塌方位墙体等五种建筑物的数据。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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示出了本申请第一实施例提供的一种嵌入式设备的结构框图；
图2示出了本申请第一实施例提供的一种震区建筑物倒塌信息获取方法的流程图；
图3示出了本申请第二实施例提供的一种震区建筑物倒塌信息获取装置的模块示意图；
图4示出了本申请第二实施例提供的一种震区建筑物倒塌信息获取装置的第一选择模块的模块示意图；
图5示出了本申请第二实施例提供的一种震区建筑物倒塌信息获取装置的第二选择模块的模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有进行出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。再者，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
第一实施例
请参照图1，本申请第一实施例提供了一种嵌入式设备10。
所述嵌入式设备10包括：存储器11、存储控制器12、处理器13、外设接口14和震区建筑物倒塌信息获取装置100。
所述存储器11、存储控制器12、处理器13和外设接口14各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述分析装置100包括至少一个可以软件或固件的形式存储于所述存储器11中的软件功能模块。所述处理器13用于执行存储器12中存储的可执行模块，例如所述分析装置100包括的软件功能模块或计算机程序。
其中，存储器11可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Lrogrammable Read-OnlyMemory，LROM)，可擦除只读存储器(Erasable Lrogrammable Read-Only Memory，ELROM)，电可擦除只读存储器(Electric Erasable Lrogrammable Read-Only Memory，EELROM)等。其中，存储器11用于存储程序，所述处理器13在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的流过程定义的方法可以应用于处理器13中，或者由处理器13实现。
处理器13可能是一种集成电路芯片，具有信号的处理能力。上述的信息摘要处理器13可以是通用信息摘要处理器，包括中央信息摘要处理器(Central Lrocessing Unit，简称CLU)、网络信息摘要处理器(Network Lrocessor，简称NL)等；还可以是数字信号信息摘要处理器(DSL)、专用集成电路(ASIC)、现成可编程门阵列(FLGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用信息摘要处理器可以是微信息摘要处理器或者该信息摘要处理器也可以是任何常规的信息摘要处理器等。
所述外设接口14将各种输入/输出装置耦合至处理器13以及存储器11。在一些实施例中，外设接口14，处理器13以及存储控制器12可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
第二实施例
请参阅图2，本实施例提供了一种震区建筑物倒塌信息获取方法，应用于一嵌入式设备，所述方法包括：步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100：获得PolSAR图像数据；
其中，该PolSAR图像数据通过由载有雷达的飞行器对地面进行雷达观测采集而得。
步骤S200：采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；
其中，与Freeman三分量分解相比，Yamaguchi分解提出了螺旋散射分量，因此更适用于城市地区。因此，Yamaguchi四分量分解法是分解地震灾区建筑物的散射分量的首选方法。根据经典的Yamaguchi四分量散射模型的分解结果，平行建筑物和倒塌平行墙体以二面角散射分量为主，完全倒塌建筑物、完好方位建筑物和倒塌方位墙体的主要散射机制是体散射分量。Yamaguchi等人对经典的Yamaguchi四分量分解模型进行了改进，以提高方位建筑识别的能力。为了尽可能全面、准确地识别方位建筑，在本申请实施例中，采用改进的Yamaguchi四分量分解方法作为极化分解方法。
值得注意的是，在申请实施例中所涉及的“平行”指的是，建筑物或墙体的排列方向与飞行器的飞行方向是平行的，“方位”指的是：建筑物或墙体的排列方向与飞行器的飞行方向是不平行的。
步骤S300：根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点。
步骤S400：根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；
步骤S500：将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
其中，在步骤S300中，包括：步骤S310和步骤S320。
步骤S310：根据所述多个二次散射占优地物像素点中的第一二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一二次散射占优地物像素点的第一特征参数；
步骤S320：若所述第一二次散射占优地物像素点的第一特征参数大于第一预设阈值，则判定所述第一二次散射占优地物像素点为完好平行建筑像素点；若所述第一二次散射占优地物像素点的第一特征参数不大于第一预设阈值，则判定所述第一二次散射占优地物像素点为倒塌平行墙体像素点。
在步骤S400中，包括：步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410：根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值；
步骤S420：若所述第一体散射占优地物像素点的第一特征值大于第二预设阈值，则判定所述第一体散射占优地物像素点为完全倒塌建筑像素点；
步骤S430：若所述第一体散射占优地物像素点的第一特征值不大于第二预设阈值，根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第二特征值；
步骤S440：若所述第一体散射占优地物像素点的第二特征值大于第三预设阈值，则判定所述第一体散射占优地物像素点为完好方位建筑像素点；若所述第一体散射占优地物像素点的第二特征值不大于第三预设阈值，则判定所述第一体散射占优地物像素点为倒塌方位墙体像素点。
其中，经过实验结果表明，完好平行建筑像素点的第一特征值大于平行倒塌墙体像素点的第一特征值。
其中，所述多个二次散射占优地物像素点和多个体散射占优地物像素点中任意的一个第一像素点的第一特征值的计算过程包括公式1：
其中，λ_H为第一特征值，λ为所述第一像素点的相干矩阵的平均特征值，H为所述第一像素点的极化熵，为所述第一像素点附近所有像素点的相干矩阵的平均特征值的均值，为所述第一像素点附近所有像素点的极化熵的均值。
所述多个二次散射占优地物像素点和多个体散射占优地物像素点中任意的一个第一像素点的第二特征值的计算过程包括公式2：
其中，H_λ为第二特征值，λ为所述第二像素点的相干矩阵的平均特征值，H为所述第二像素点的极化熵，为所述第二像素点附近所有像素点的相干矩阵的平均特征值的均值，为所述第二像素点附近所有像素点的极化熵的均值。
所述震区建筑物倒塌信息获取方法，在步骤S500之后还包括：步骤S600。
步骤S600：根据所述完好平行建筑图像数据、所述倒塌平行墙体图像数据、所述完全倒塌建筑图像数据、所述完好方位建筑图像数据和所述倒塌方位墙体图像数据，获得所述PolSAR图像数据对应的建筑物损毁情况。
其中，在完好平行建筑物之中会混有倒塌平行墙体。因此，当将改进的Yamaguchi四分量分解产生的以二面角散射为主的地物视为未倒塌建筑物时，需要从完好平行建筑物中提取倒塌平行墙体。本申请实施例中提出了一种新的极化特征参数λ_H来识别这两类建筑物。在引入λ_H之前，首先介绍λ和H的参数，利用矩阵特征值分解，将相干矩阵[T3]分解为：
<T3>＝λ1e1e1 *T+λ2e2e2 *T+λ3e3e3 *T......公式3
其中λi和ei分别是相干矩阵[T3]的特征值和特征向量。与平均目标功率相对应的参数λ定义为：
其中：
参数H，即极化熵，定义为：
提出的PolSAR图像数据中点x处参数λ_H定义为：
其中λ和H分别是x的λ和H，和是包含x的区域或计算窗口的λ和H的平均值。在公式(1)中，H的取值范围是[0,1]，所以H30是一个非常小的数，而λ是一个较大的数。因此，对于λ_H,λ起主导作用，而H只起辅助作用。λ越大，H越小，λ_H越大。
无论是完好的平行建筑物还是平行倒塌墙体，都存在二面角结构，其主要散射机制是二次散射。因此，由改进的Yamaguchi四分量分解产生的二次散射分量为主的建筑物应分为两类：完好平行建筑物和倒塌平行墙体。然后，我们利用参数λ_H来区分完好平行建筑物和倒塌平行墙体。λ可以反映地面物体的散射强度。地物散射强度越大，λ值越大。在一般情况下，对于相同高度的完好平行建筑物和完好的平行墙体，建筑物的叠掩区包含地面、墙体和屋顶的单次散射分量，而地面和墙体的单次散射分量包含于墙体的叠掩区，屋顶的散射不包含于其中。因此，建筑物的散射强度大于墙体的散射强度。相应地，完好建筑物的λ值大于完好墙体的λ值。在地震灾区，平行倒塌墙体的形状通常是不完整的，或高度降低，或向地面倾斜。因此，平行倒塌墙体的散射强度比完好平行墙体的散射强度小，完好平行建筑的λ值大于平行倒塌墙体的λ值。H能反映地物散射的随机性。散射随机性越大，H值越大。在平行倒塌墙体周围通常有许多废墟，废墟的散射随机性大于完好平行建筑物的散射随机性。因此，倒塌平行墙体的H值大于完好平行建筑物的H值。
完好方位建筑物和完全倒塌建筑物，其主要的散射机制都是体散射。改进的Yamaguchi四分量分解法仅部分提高了方位建筑物的散射功率。分解后，体散射仍是完好方位建筑物的主要散射机制，倒塌建筑物与完好方位筑物之间的混淆没有改变。因此，由改进的Yamaguchi四分量分解产生的以体散射为主的建筑物需要分为两类：倒塌建筑物和方位建筑物。然后，我们需要利用第一特征值λ_H来区分完好方位建筑物和完全倒塌建筑物。虽然倒塌建筑物的二面角结构在地震中会遭到破坏，其主要散射机制变为体散射，但倒塌建筑物中仍然混有一些具有二面角结构的小地物，通常会出现一些具有较强散射功率的小散射体。因此，在PolSAR图像中，倒塌建筑物周围往往会出现一些强散射亮点，因此，倒塌建筑物的散射强度通常大于完好方位建筑物，即完好方位建筑物的λ值小于倒塌建筑物的λ值。去极化效应越强，H值越大。由于完好方位建筑物的极化基被旋转，极化方位角倾斜，因此完好方位建筑物具有很强的去极化作用，从而完好方位建筑物的H值大于倒塌建筑物的H值。
总之，倒塌建筑物的λ_H值大于完好方位建筑物的λ_H值。这一结论与我们的实验结果是一致的。
提出的PolSAR图像数据中点x处参数H_λ定义为：
其中λ和H分别是x的λ和H，和是包含x的区域或计算窗口的λ和H的平均值。在公式(2)中，当H越大，λ越小，H_λ就越大，反之亦然。在完好方位建筑物中仍会混有一些倒塌方位墙体。因此，需要将倒塌方位墙体从完好方位建筑物中提取出来。然后，我们需要利用第二特征值H_λ来区分完好方位建筑物和倒塌方位墙体。完好方位建筑物和倒塌方位墙体的排列方向与飞行方向不平行，极化基被旋转，都具有很强的去极化效应，其极化散射特性非常相似，因此，区别完好方位建筑物和倒塌方位墙体是非常困难的。然而，倒塌方位墙体是倒塌建筑物的组成部分，在倒塌方位墙体周围会有一定的废墟存在，倒塌方位墙体周围的地物具有倒塌建筑物的特性，因此，倒塌方位墙体的散射强度大于完好方位建筑，即倒塌方位墙体的λ值大于完好方位建筑的λ值。虽然倒塌方位墙体是方位墙体的主要组成部分，但周围废墟作为倒塌方位墙体的附属部分，使得倒塌方位墙体具有了倒塌建筑物的一些特性。因此，倒塌方位墙体的去极化效应比完好方位建筑物弱，即倒塌方位墙体的H值小于完好方位建筑物的H值。
总之，完好方位建筑物的H_λ值大于倒塌方位墙体的H_λ值。这一结论与我们的实验结果是一致的。
第三实施例
请参阅图3，本实施例提供了一种震区建筑物倒塌信息获取装置100，包括：第一获得模块110、第二获得模块120、第一选择模块130、第二选择模块140和第三获得模块150；
所述第一获得模块110，用于获得PolSAR图像数据；
所述第二获得模块120，用于采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；
所述第一选择模块130，用于根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点；
所述第二选择模块140，用于根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；
所述第三获得模块150，用于将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
请参阅图4，所述第一选择模块130，包括：第一获得单元131、第一判定单元132和第二判定单元133；
所述第一获得单元131，用于根据所述多个二次散射占优地物像素点中的第一二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一二次散射占优地物像素点的第一特征参数；
所述第一判定单元132，用于若所述第一二次散射占优地物像素点的第一特征参数大于第一预设阈值，则判定所述第一二次散射占优地物像素点为完好平行建筑像素点；
所述第二判定单元133，用于若所述第一二次散射占优地物像素点的第一特征参数不大于第一预设阈值，则判定所述第一二次散射占优地物像素点为倒塌平行墙体像素点。
请参阅图5，所述第二选择模块140，包括：第二获得单元141、第三判定单元142、第三获得单元143、第四判定单元144和第五判定单元145；
所述第二获得单元141，用于根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值；
所述第三判定单元142，用于若所述第一体散射占优地物像素点的第一特征值大于第二预设阈值，则判定所述第一体散射占优地物像素点为完全倒塌建筑像素点；
所述第三获得单元143，用于若所述第一体散射占优地物像素点的第一特征值不大于第二预设阈值，根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第二特征值；
所述第四判定单元144，用于若所述第一体散射占优地物像素点的第二特征值大于第三预设阈值，则判定所述第一体散射占优地物像素点为完好方位建筑像素点；
所述第五判定单元145，用于若所述第一体散射占优地物像素点的第二特征值不大于第三预设阈值，则判定所述第一体散射占优地物像素点为倒塌方位墙体像素点。
本申请实施例还提供了一种处理器可执行的非易失程序代码的计算机可读储存介质，该计算机可读存储介质上存储有程序代码，该程序代码被处理器运行时执行上述任一实施例的设备的测试方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的程序代码被运行时，能够执行上述实施例的设备的测试方法，从而解决测试仪利用率低的技术问题。
本申请实施例所提供的连环派单方法的程序代码产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例提供了一种震区建筑物倒塌信息获取方法，包括：获得PolSAR图像数据；采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点；根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
通过根据PolSAR图像数据极化分解后的像素点的相干矩阵的平均特征值和极化熵，获得了第一特征值和第二特征值，利用第一特征值和第二特征值，有效的选择出完好平行建筑、倒塌平行墙体、完全倒塌建筑、完好方位建筑和倒塌方位墙体等五种建筑物的数据。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种震区建筑物倒塌信息获取方法，其特征在于，包括：
获得PolSAR图像数据；
采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；
根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点；
根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；
将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
2.根据权利要求1所述的震区建筑物倒塌信息获取方法，其特征在于，所述的根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点，包括：
根据所述多个二次散射占优地物像素点中的第一二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一二次散射占优地物像素点的第一特征参数；
若所述第一二次散射占优地物像素点的第一特征参数大于第一预设阈值，则判定所述第一二次散射占优地物像素点为完好平行建筑像素点；若所述第一二次散射占优地物像素点的第一特征参数不大于第一预设阈值，则判定所述第一二次散射占优地物像素点为倒塌平行墙体像素点。
3.根据权利要求2所述的震区建筑物倒塌信息获取方法，其特征在于，所述的根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点，包括：
根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值；
若所述第一体散射占优地物像素点的第一特征值大于第二预设阈值，则判定所述第一体散射占优地物像素点为完全倒塌建筑像素点。
4.根据权利要求3所述的震区建筑物倒塌信息获取方法，其特征在于，所述的根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值，之后还包括：
若所述第一体散射占优地物像素点的第一特征值不大于第二预设阈值，根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第二特征值；
若所述第一体散射占优地物像素点的第二特征值大于第三预设阈值，则判定所述第一体散射占优地物像素点为完好方位建筑像素点；若所述第一体散射占优地物像素点的第二特征值不大于第三预设阈值，则判定所述第一体散射占优地物像素点为倒塌方位墙体像素点。
5.根据权利要求4所述的震区建筑物倒塌信息获取方法，其特征在于，所述多个二次散射占优地物像素点和多个体散射占优地物像素点中任意的一个第一像素点的第一特征值的计算过程包括公式1：
其中，λ_H为第一特征值，λ为所述第一像素点的相干矩阵的平均特征值，H为所述第一像素点的极化熵，为所述第一像素点附近所有像素点的相干矩阵的平均特征值的均值，为所述第一像素点附近所有像素点的极化熵的均值。
6.根据权利要求5所述的震区建筑物倒塌信息获取方法，其特征在于，所述多个二次散射占优地物像素点和多个体散射占优地物像素点中任意的一个第一像素点的第二特征值的计算过程包括公式2：
其中，H_λ为第二特征值，λ为所述第二像素点的相干矩阵的平均特征值，H为所述第二像素点的极化熵，为所述第二像素点附近所有像素点的相干矩阵的平均特征值的均值，为所述第二像素点附近所有像素点的极化熵的均值。
7.根据权利要求6所述的震区建筑物倒塌信息获取方法，其特征在于，所述的将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据，之后还包括：
根据所述完好平行建筑图像数据、所述倒塌平行墙体图像数据、所述完全倒塌建筑图像数据、所述完好方位建筑图像数据和所述倒塌方位墙体图像数据，获得所述PolSAR图像数据对应的建筑物损毁情况。
8.一种震区建筑物倒塌信息获取装置，其特征在于，包括：第一获得模块、第二获得模块、第一选择模块、第二选择模块和第三获得模块；
所述第一获得模块，用于获得PolSAR图像数据；
所述第二获得模块，用于采用改进的Yamaguchi四分量分解方法对所述PolSAR图像数据进行极化分解，获得多个二次散射占优地物像素点和多个体散射占优地物像素点；
所述第一选择模块，用于根据所述多个二次散射占优地物像素点中每个二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个二次散射占优地物像素点中选择出多个完好平行建筑像素点和多个倒塌平行墙体像素点；
所述第二选择模块，用于根据所述多个体散射占优地物像素点中每个体散射占优地物像素点的相干矩阵的平均特征值和极化熵，从所述多个体散射占优地物像素点中选择出多个完全倒塌建筑像素点、多个完好方位建筑像素点和多个倒塌方位墙体像素点；
所述第三获得模块，用于将所述多个完好平行建筑像素点、所述多个倒塌平行墙体像素点、所述多个完全倒塌建筑像素点、所述多个完好方位建筑像素点和所述多个倒塌方位墙体像素点进行Wishart分类器的聚类操作，获得完好平行建筑图像数据、倒塌平行墙体图像数据、完全倒塌建筑图像数据、完好方位建筑图像数据和倒塌方位墙体图像数据。
9.根据权利要求8所述的震区建筑物倒塌信息获取装置，其特征在于，所述第一选择模块，包括：第一获得单元、第一判定单元和第二判定单元；
所述第一获得单元，用于根据所述多个二次散射占优地物像素点中的第一二次散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一二次散射占优地物像素点的第一特征参数；
所述第一判定单元，用于若所述第一二次散射占优地物像素点的第一特征参数大于第一预设阈值，则判定所述第一二次散射占优地物像素点为完好平行建筑像素点；
所述第二判定单元，用于若所述第一二次散射占优地物像素点的第一特征参数不大于第一预设阈值，则判定所述第一二次散射占优地物像素点为倒塌平行墙体像素点。
10.根据权利要求9所述的震区建筑物倒塌信息获取装置，其特征在于，所述第二选择模块，包括：第二获得单元、第三判定单元、第三获得单元、第四判定单元和第五判定单元；
所述第二获得单元，用于根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第一特征值；
所述第三判定单元，用于若所述第一体散射占优地物像素点的第一特征值大于第二预设阈值，则判定所述第一体散射占优地物像素点为完全倒塌建筑像素点；
所述第三获得单元，用于若所述第一体散射占优地物像素点的第一特征值不大于第二预设阈值，根据所述多个体散射占优地物像素点中的第一体散射占优地物像素点的相干矩阵的平均特征值和极化熵，获得第一体散射占优地物像素点的第二特征值；
所述第四判定单元，用于若所述第一体散射占优地物像素点的第二特征值大于第三预设阈值，则判定所述第一体散射占优地物像素点为完好方位建筑像素点；
所述第五判定单元，用于若所述第一体散射占优地物像素点的第二特征值不大于第三预设阈值，则判定所述第一体散射占优地物像素点为倒塌方位墙体像素点。
CN201811071068.3A 2018-09-13 2018-09-13 震区建筑物倒塌信息获取方法及装置 Active CN109241919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811071068.3A CN109241919B (zh) 2018-09-13 2018-09-13 震区建筑物倒塌信息获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811071068.3A CN109241919B (zh) 2018-09-13 2018-09-13 震区建筑物倒塌信息获取方法及装置

Publications (2)

Publication Number Publication Date
CN109241919A true CN109241919A (zh) 2019-01-18
CN109241919B CN109241919B (zh) 2020-11-10

Family

ID=65059476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811071068.3A Active CN109241919B (zh) 2018-09-13 2018-09-13 震区建筑物倒塌信息获取方法及装置

Country Status (1)

Country Link
CN (1) CN109241919B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329675A (zh) * 2020-11-12 2021-02-05 甘肃省地震局（中国地震局兰州地震研究所） 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法
CN115797768A (zh) * 2022-11-30 2023-03-14 甘肃省地震局（中国地震局兰州地震研究所） 一种新型纹理特征的sar建筑物震害估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060218021A1 (en) * 2004-12-27 2006-09-28 Hisayoshi Sato Insurance premium rate setting support system
CN103529447A (zh) * 2012-07-02 2014-01-22 中国科学院对地观测与数字地球科学中心 面向城市区域的极化四分量分解方法
CN103593669A (zh) * 2013-11-22 2014-02-19 中国电子科技集团公司第五十四研究所 一种极化合成孔径雷达影像四分量分解的方法
CN105701481A (zh) * 2016-02-26 2016-06-22 民政部国家减灾中心 一种倒塌建筑物提取方法
CN107527035A (zh) * 2017-08-28 2017-12-29 甘肃省地震局 建筑物震害信息提取方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060218021A1 (en) * 2004-12-27 2006-09-28 Hisayoshi Sato Insurance premium rate setting support system
CN103529447A (zh) * 2012-07-02 2014-01-22 中国科学院对地观测与数字地球科学中心 面向城市区域的极化四分量分解方法
CN103593669A (zh) * 2013-11-22 2014-02-19 中国电子科技集团公司第五十四研究所 一种极化合成孔径雷达影像四分量分解的方法
CN105701481A (zh) * 2016-02-26 2016-06-22 民政部国家减灾中心 一种倒塌建筑物提取方法
CN107527035A (zh) * 2017-08-28 2017-12-29 甘肃省地震局 建筑物震害信息提取方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WEI ZHAI ; CHUN-LIN HUANG ; WAN-SHENG PEI ; YAN LI: "Building damage information investigation from a single post-earthquake PolSAR image based on the fusion of multiple texture features", 《2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 *
WEI ZHAI ; HUAN-FENG SHEN ; CHUN-LIN HUANG ; WAN-SHENG PEI: "Building damage information investigation after earthquake using single post-event PolSAR image", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 *
翟玮: "基于单时相全极化SAR影像的建筑物震害信息提取", 《山西地震》 *
翟玮: "结合PolSAR影像纹理特征分析提取倒塌建筑物", 《遥感技术与应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329675A (zh) * 2020-11-12 2021-02-05 甘肃省地震局（中国地震局兰州地震研究所） 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法
CN112329675B (zh) * 2020-11-12 2023-04-25 甘肃省地震局（中国地震局兰州地震研究所） 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法
CN115797768A (zh) * 2022-11-30 2023-03-14 甘肃省地震局（中国地震局兰州地震研究所） 一种新型纹理特征的sar建筑物震害估计方法
CN115797768B (zh) * 2022-11-30 2024-05-17 甘肃省地震局（中国地震局兰州地震研究所） 一种基于纹理特征的sar建筑物震害估计方法

Also Published As

Publication number Publication date
CN109241919B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN110610197B (zh) 一种困难样本挖掘和模型训练方法、装置和电子设备
US20130156320A1 (en) Method, apparatus and system for determining a saliency map for an input image
EP1881456A1 (en) Method and system for tile binning using half-plane edge function
CN109522902A (zh) 空-时特征表示的提取
CN109241919A (zh) 震区建筑物倒塌信息获取方法及装置
CN112085056B (zh) 目标检测模型生成方法、装置、设备及存储介质
US6871168B1 (en) Failure analysis system of semiconductor memory device
Kondo Testing for global spatial autocorrelation in Stata
CN112906652A (zh) 一种人脸图像的识别方法、装置、电子设备及存储介质
Zhang et al. Pixel statistics and false alarm area in genetic programming for object detection
JP4993146B2 (ja) フレームバッファに記憶された望まれないコンテンツの表示を阻止するためのシステム、方法、及びコンピュータプログラム
CN112037174B (zh) 染色体异常检测方法、装置、设备及计算机可读存储介质
US7869656B2 (en) Statistical image processing system and method for image/noise feature detection
CN113537026A (zh) 建筑平面图中的图元检测方法、装置、设备及介质
US7995056B1 (en) Culling data selection system and method
Charlier et al. Profiling smart contracts interactions with tensor decomposition and graph mining
CN112233042B (zh) 一种含非合作目标的大场景sar图像快速生成方法
CN114236532A (zh) 基于多维雷达微动特征和ocsvm的空间目标异常状态检测方法
Wagner et al. Higher-order tasks: human vs. machine performance
US9563824B2 (en) Probabilistic color classification
CN110721471B (zh) 一种虚拟应用对象输出方法、装置以及计算机存储介质
CN112084884A (zh) 一种扫描电镜图像孔隙识别方法、终端设备及存储介质
US7253816B2 (en) Computer graphics acceleration method and apparatus for evaluating whether points are inside a triangle
CN109241862A (zh) 目标区域确定方法和系统、计算机设备、计算机存储介质
Agogino et al. Visualization of radial basis function networks

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