CN109272484A - 一种基于视频图像的降雨检测方法 - Google Patents
一种基于视频图像的降雨检测方法 Download PDFInfo
- Publication number
- CN109272484A CN109272484A CN201810876393.0A CN201810876393A CN109272484A CN 109272484 A CN109272484 A CN 109272484A CN 201810876393 A CN201810876393 A CN 201810876393A CN 109272484 A CN109272484 A CN 109272484A
- Authority
- CN
- China
- Prior art keywords
- image
- amplitude spectrum
- residual error
- error amplitude
- formula
- 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
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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Hydrology & Water Resources (AREA)
- Multimedia (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频图像的降雨检测方法,包括以下步骤:S1:采用单台摄像机以固定时间间隔采集水面灰度图像序列,水面灰度图像序列分为训练样本图像和待测图像,将训练样本图像按雨量大小分为无雨、小雨、中雨和大雨四类并标注;S2:采用基于相位一致性的方法对图像纹理进行增强,对增强后相邻时刻两帧图像进行灰度差分得到残差图像;S3:对残差图像进行快速傅里叶变换得到残差幅度谱,再进行归一化处理,提取四种特征;S4:根据提取的残差幅度谱特征训练SVM分类器;S5:应用生成的SVM分类器识别待测图像的降雨类型。本发明计算量小,成本低,结果直观易验证。
Description
技术领域
本发明涉及降雨检测方法,特别是涉及一种基于视频图像的降雨检测方法。
背景技术
降雨作为一种天气现象,是全球水热循环和气候变化的重要研究对象,降雨的时空分布异常现象是诱发各种自然灾害的重要因素。目前国内对于降雨现象的观测与推判大多使用水量计量筒、雨量计和雨量水尺等获取降水的程度、降水总量和每个实况的降水频率等宏观测量数据,传统的降雨数据和资料一般通过雨量计或者天气雷达获得,最广泛使用的是机械式的翻斗雨量计。这些方法区分降水强度常常需要结合人工的测量,自动化程度较低,实时性较差。现有降雨检测专利如:降水信息采集计量方法、采集计量单元及雨量计(公开号:CN201110264376.X)、一种降雨强度监控装置(公开号:CN201720125796.2)多通过降雨测量仪器,检测计量引脚接收到的电信号,利用导电性液体的特性,采用液位测量方法进行降雨(水)量和降雨(水)率计量,实现降雨信息的检测。
随着图像处理技术的步步发展,通过自动或半自动地分析视频图像的特定内容,从视频和图像中提取有效信息,实现在一段时间内获得目标图像和视频的最大信息量。因此,可以利用视频图像技术获取降雨图像,图像法利用图像传感器代替人眼识别降雨强度,通过图像处理技术定性检测降雨类型,从而实现自动检测。通过分析每一帧降雨图像的信息,达到自动检测降雨类型的目的。现有技术中公开了利用图像进行降雨检测的方法,采集线阵图像,通过获取降水粒子图像信息实现降水现象的自动观测,但需结合降水粒子实际形状模型进行分析计算,实际工作时计算量大,系统成本较高。
发明内容
发明目的:本发明的目的是提供一种计算量小、成本低的基于视频图像的降雨检测方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于视频图像的降雨检测方法,包括以下步骤:
S1:采用单台摄像机以固定时间间隔采集水面灰度图像序列,水面灰度图像序列分为训练样本图像和待测图像,将训练样本图像按雨量大小分为无雨、小雨、中雨和大雨四类并标注;
S2:采用基于相位一致性的方法对图像纹理进行增强,对增强后相邻时刻两帧图像进行灰度差分得到残差图像;
S3:对残差图像进行快速傅里叶变换得到残差幅度谱,再进行归一化处理,提取以下四种特征:归一化后残差幅度谱的对角线像素值的平均值、归一化后残差幅度谱的第一行水平像素值的平均值、归一化后残差幅度谱的第一列垂直像素值的平均值,以及归一化后残差幅度谱的第一行水平像素值的平均值与归一化后残差幅度谱的第一列垂直像素值的平均值之比;
S4:根据提取的残差幅度谱特征训练SVM分类器;
S5:应用生成的SVM分类器识别待测图像的降雨类型。
进一步,所述步骤S1中,水面灰度图像序列为顺序采集的M幅8位灰度图像,将其分为训练样本图像与待测图像,相邻两帧图像采集的时间间隔为1s。
进一步,所述步骤S2具体包括以下过程:
S2.1:将图像通过Log-Gabor的滤波,计算出带有特征的复矢量数据和默认滤波器设置参数;
S2.2:基于得到的复矢量数据,计算出相应点在该尺度和方向的幅值和相位,估计噪声值,设置相应阈值;
S2.3:计算出每个像素点在任一尺度和方向的局部能量之和与幅值和的比值,得到图像的相位一致值。
进一步,所述步骤S3中,归一化处理根据式(1)进行:
式(1)中,logamp为对残差图像进行快速傅里叶变换得到的幅值取绝对值再取对数后得到的残差幅度谱,LogAmp为logamp归一化处理的结果。
进一步,所述步骤S3中,提取残差幅度谱的四种特征的方法包括以下步骤:
S3.1:根据式(2)得到归一化后残差幅度谱的对角线像素值的平均值SUMD:
式(2)中,LogAmp(i,i)为归一化后残差幅度谱中第i行第i列的像素值,n为归一化后残差幅度谱中对角线上像素值的个数;
S3.2:根据式(3)得到归一化后残差幅度谱的第一行水平像素值的平均值SUMX:
式(3)中,LogAmp(1,i)为归一化后残差幅度谱中第1行第i列的像素值;
S3.3:根据式(4)得到归一化后残差幅度谱的第一列垂直像素值的平均值SUMY:
式(4)中,LogAmp(i,1)为归一化后残差幅度谱中第i行第1列的像素值;
S3.4:根据式(5)得到归一化后残差幅度谱的第一行水平像素值的平均值与归一化后残差幅度谱的第一列垂直像素值的平均值之比R:
进一步,所述步骤S4具体包括以下过程:
S4.1:将步骤S3提取出的四种特征转化为特征向量,作为SVM训练分类器的输入数据集,SVM分类器采用式(6)所示的线性核函数:
k(ni,nj)=ni*nj (6)
式(6)中,k为将二维空间中的数据点变换到特征空间中的映射关系,ni和nj是二维空间中的两个点;
S4.2:生成SVM分类器。
进一步,所述步骤S5具体包括以下过程:
S5.1:对待测图像执行步骤S2和S3,提取待测图像的残差幅度谱特征;
S5.2:将残差幅度谱特征代入SVM分类器计算,输出降雨类型标签。
有益效果:本发明公开了一种基于视频图像的降雨检测方法,与现有技术相比,具有如下的有益效果:
1)成本低。本发明利用视频图像检测降雨类型,相较于传统自动检测设备无需复杂电路和传感器仪器,可利用现有气象站和水文站的视频监控系统。
2)自动化程度高,计算量低。本发明建立SVM降雨类型分类器,只需提取待测图像残差幅度谱特征,代入SVM分类器计算即可检测降雨类型标签。
3)结果直观易验证。本发明提供的降雨检测结果可结合监控视频图像进行验证,效果直观。
附图说明
图1为本发明具体实施方式中方法的流程图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于视频图像的降雨检测方法,如图1所示,包括以下步骤:
S1:采用单台摄像机以固定时间间隔采集水面灰度图像序列,水面灰度图像序列分为训练样本图像和待测图像,将训练样本图像按雨量大小分为无雨、小雨、中雨和大雨四类并标注;
S2:采用基于相位一致性的方法对图像纹理进行增强,对增强后相邻时刻两帧图像进行灰度差分得到残差图像;
S3:对残差图像进行快速傅里叶变换得到残差幅度谱,再进行归一化处理,提取以下四种特征:归一化后残差幅度谱的对角线像素值的平均值、归一化后残差幅度谱的第一行水平像素值的平均值、归一化后残差幅度谱的第一列垂直像素值的平均值,以及归一化后残差幅度谱的第一行水平像素值的平均值与归一化后残差幅度谱的第一列垂直像素值的平均值之比;
S4:根据提取的残差幅度谱特征训练SVM分类器;
S5:应用生成的SVM分类器识别待测图像的降雨类型。
步骤S1中,水面灰度图像序列为顺序采集的512幅300*300大小的8位灰度图像,无雨、小雨、中雨和大雨四种情况各128张,将其分为训练样本图像与待测图像各256张,相邻两帧图像采集的时间间隔为1s。
步骤S2具体包括以下过程:
S2.1:将图像通过Log-Gabor的滤波,计算出带有特征的复矢量数据和默认滤波器设置参数;
S2.2:基于得到的复矢量数据,计算出相应点在该尺度和方向的幅值和相位,估计噪声值,设置相应阈值;
S2.3:计算出每个像素点在任一尺度和方向的局部能量之和与幅值和的比值,得到图像的相位一致值。
步骤S3中,归一化处理根据式(1)进行:
式(1)中,logamp为对残差图像进行快速傅里叶变换得到的幅值取绝对值再取对数后得到的残差幅度谱,LogAmp为logamp归一化处理的结果。
步骤S3中,提取残差幅度谱的四种特征的方法包括以下步骤:
S3.1:根据式(2)得到归一化后残差幅度谱的对角线像素值的平均值SUMD:
式(2)中,LogAmp(i,i)为归一化后残差幅度谱中第i行第i列的像素值,n为归一化后残差幅度谱中对角线上像素值的个数;
S3.2:根据式(3)得到归一化后残差幅度谱的第一行水平像素值的平均值SUMX:
式(3)中,LogAmp(1,i)为归一化后残差幅度谱中第1行第i列的像素值;
S3.3:根据式(4)得到归一化后残差幅度谱的第一列垂直像素值的平均值SUMY:
式(4)中,LogAmp(i,1)为归一化后残差幅度谱中第i行第1列的像素值;
S3.4:根据式(5)得到归一化后残差幅度谱的第一行水平像素值的平均值与归一化后残差幅度谱的第一列垂直像素值的平均值之比R:
步骤S4具体包括以下过程:
S4.1:将步骤S3提取出的四种特征转化为特征向量,作为SVM训练分类器的输入数据集,SVM分类器采用式(6)所示的线性核函数:
k(ni,nj)=ni*nj (6)
式(6)中,k为将二维空间中的数据点变换到特征空间中的映射关系,ni和nj是二维空间中的两个点;
S4.2:生成SVM分类器。
步骤S5具体包括以下过程:
S5.1:对待测图像执行步骤S2和S3,提取待测图像的残差幅度谱特征;
S5.2:将残差幅度谱特征代入SVM分类器计算,输出降雨类型标签。
Claims (7)
1.一种基于视频图像的降雨检测方法,其特征在于:包括以下步骤:
S1:采用单台摄像机以固定时间间隔采集水面灰度图像序列,水面灰度图像序列分为训练样本图像和待测图像,将训练样本图像按雨量大小分为无雨、小雨、中雨和大雨四类并标注;
S2:采用基于相位一致性的方法对图像纹理进行增强,对增强后相邻时刻两帧图像进行灰度差分得到残差图像;
S3:对残差图像进行快速傅里叶变换得到残差幅度谱,再进行归一化处理,提取以下四种特征:归一化后残差幅度谱的对角线像素值的平均值、归一化后残差幅度谱的第一行水平像素值的平均值、归一化后残差幅度谱的第一列垂直像素值的平均值,以及归一化后残差幅度谱的第一行水平像素值的平均值与归一化后残差幅度谱的第一列垂直像素值的平均值之比;
S4:根据提取的残差幅度谱特征训练SVM分类器;
S5:应用生成的SVM分类器识别待测图像的降雨类型。
2.根据权利要求1所述的基于视频图像的降雨检测方法,其特征在于:所述步骤S1中,水面灰度图像序列为顺序采集的M幅8位灰度图像,将其分为训练样本图像与待测图像,相邻两帧图像采集的时间间隔为1s。
3.根据权利要求1所述的基于视频图像的降雨检测方法,其特征在于:所述步骤S2具体包括以下过程:
S2.1:将图像通过Log-Gabor的滤波,计算出带有特征的复矢量数据和默认滤波器设置参数;
S2.2:基于得到的复矢量数据,计算出相应点在该尺度和方向的幅值和相位,估计噪声值,设置相应阈值;
S2.3:计算出每个像素点在任一尺度和方向的局部能量之和与幅值和的比值,得到图像的相位一致值。
4.根据权利要求1所述的基于视频图像的降雨检测方法,其特征在于:所述步骤S3中,归一化处理根据式(1)进行:
式(1)中,logamp为对残差图像进行快速傅里叶变换得到的幅值取绝对值再取对数后得到的残差幅度谱,LogAmp为logamp归一化处理的结果。
5.根据权利要求1所述的基于视频图像的降雨检测方法,其特征在于:所述步骤S3中,提取残差幅度谱的四种特征的方法包括以下步骤:
S3.1:根据式(2)得到归一化后残差幅度谱的对角线像素值的平均值SUMD:
式(2)中,LogAmp(i,i)为归一化后残差幅度谱中第i行第i列的像素值,n为归一化后残差幅度谱中对角线上像素值的个数;
S3.2:根据式(3)得到归一化后残差幅度谱的第一行水平像素值的平均值SUMX:
式(3)中,LogAmp(1,i)为归一化后残差幅度谱中第1行第i列的像素值;
S3.3:根据式(4)得到归一化后残差幅度谱的第一列垂直像素值的平均值SUMY:
式(4)中,LogAmp(i,1)为归一化后残差幅度谱中第i行第1列的像素值;
S3.4:根据式(5)得到归一化后残差幅度谱的第一行水平像素值的平均值与归一化后残差幅度谱的第一列垂直像素值的平均值之比R:
6.根据权利要求1所述的基于视频图像的降雨检测方法,其特征在于:所述步骤S4具体包括以下过程:
S4.1:将步骤S3提取出的四种特征转化为特征向量,作为SVM训练分类器的输入数据集,SVM分类器采用式(6)所示的线性核函数:
k(ni,nj)=ni*nj (6)
式(6)中,k为将二维空间中的数据点变换到特征空间中的映射关系,ni和nj是二维空间中的两个点;
S4.2:生成SVM分类器。
7.根据权利要求1所述的基于视频图像的降雨检测方法,其特征在于:所述步骤S5具体包括以下过程:
S5.1:对待测图像执行步骤S2和S3,提取待测图像的残差幅度谱特征;
S5.2:将残差幅度谱特征代入SVM分类器计算,输出降雨类型标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876393.0A CN109272484B (zh) | 2018-08-03 | 2018-08-03 | 一种基于视频图像的降雨检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876393.0A CN109272484B (zh) | 2018-08-03 | 2018-08-03 | 一种基于视频图像的降雨检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272484A true CN109272484A (zh) | 2019-01-25 |
CN109272484B CN109272484B (zh) | 2021-07-27 |
Family
ID=65153350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810876393.0A Active CN109272484B (zh) | 2018-08-03 | 2018-08-03 | 一种基于视频图像的降雨检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272484B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059713A (zh) * | 2019-03-07 | 2019-07-26 | 中国人民解放军国防科技大学 | 一种基于降水粒子多特征参量的降水类型识别方法 |
CN114296152A (zh) * | 2021-12-16 | 2022-04-08 | 中汽创智科技有限公司 | 一种雨量确定方法、装置、设备以及存储介质 |
CN114442200A (zh) * | 2021-12-22 | 2022-05-06 | 南京信息工程大学 | 一种基于图像分析的降水测量装置及测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020018478A1 (en) * | 2000-07-11 | 2002-02-14 | Matsushita Electric Works, Ltd. | Communication system provided with control apparatus between local network and external network |
CN102254191A (zh) * | 2011-07-08 | 2011-11-23 | 华中科技大学 | 一种基于图像处理的降水粒子相态识别方法 |
CN106780514A (zh) * | 2016-12-28 | 2017-05-31 | 南京信息工程大学 | 基于监控视频影像的暴雨积涝区积水深度的计算方法 |
-
2018
- 2018-08-03 CN CN201810876393.0A patent/CN109272484B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020018478A1 (en) * | 2000-07-11 | 2002-02-14 | Matsushita Electric Works, Ltd. | Communication system provided with control apparatus between local network and external network |
CN102254191A (zh) * | 2011-07-08 | 2011-11-23 | 华中科技大学 | 一种基于图像处理的降水粒子相态识别方法 |
CN106780514A (zh) * | 2016-12-28 | 2017-05-31 | 南京信息工程大学 | 基于监控视频影像的暴雨积涝区积水深度的计算方法 |
Non-Patent Citations (1)
Title |
---|
陈克宇: "变化环境下河川径流中长期规律与预测研究 ——以陕西省典型流域为例", 《工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059713A (zh) * | 2019-03-07 | 2019-07-26 | 中国人民解放军国防科技大学 | 一种基于降水粒子多特征参量的降水类型识别方法 |
CN114296152A (zh) * | 2021-12-16 | 2022-04-08 | 中汽创智科技有限公司 | 一种雨量确定方法、装置、设备以及存储介质 |
CN114296152B (zh) * | 2021-12-16 | 2023-09-15 | 中汽创智科技有限公司 | 一种雨量确定方法、装置、设备以及存储介质 |
CN114442200A (zh) * | 2021-12-22 | 2022-05-06 | 南京信息工程大学 | 一种基于图像分析的降水测量装置及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109272484B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2012384518B2 (en) | Infrared image based early detection of oil spills in water | |
CN101980293B (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN103954542A (zh) | 基于无参考图像清晰度评价的pm2.5浓度检测仪 | |
CN106709958A (zh) | 一种基于灰度梯度和颜色直方图的图像质量评价方法 | |
CN102404602A (zh) | 一种基于清晰度测试卡的摄像机清晰度检测方法 | |
CN101512551A (zh) | 用于测量动物身高的方法和系统 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN105547602A (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
CN109272484A (zh) | 一种基于视频图像的降雨检测方法 | |
CN108257125B (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN106225702A (zh) | 裂缝宽度检测装置和方法 | |
CN107727658A (zh) | 基于图像处理的受电弓裂纹在线检测装置及方法 | |
CN109060290A (zh) | 基于视频和亚像素技术对风洞密度场进行测量的方法 | |
CN106156758A (zh) | 一种sar海岸图像中海岸线提取方法 | |
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 | |
CN105654452A (zh) | 一种基于边缘结构的背景杂波度量方法 | |
CN105046703A (zh) | 一种图像解析大气能见度方法 | |
CN106709923B (zh) | 一种面向异源序列图像的变化检测及其测试方法 | |
CN103035011B (zh) | 一种基于目标特征的运动矢量估计方法 | |
JP3817611B2 (ja) | 可視画像式路面状況把握装置における路面状況判定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |