CN109829423B - 一种结冰湖泊红外成像检测方法 - Google Patents
一种结冰湖泊红外成像检测方法 Download PDFInfo
- Publication number
- CN109829423B CN109829423B CN201910089770.0A CN201910089770A CN109829423B CN 109829423 B CN109829423 B CN 109829423B CN 201910089770 A CN201910089770 A CN 201910089770A CN 109829423 B CN109829423 B CN 109829423B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- super
- point
- infrared
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000003331 infrared imaging Methods 0.000 title claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 22
- 238000012545 processing Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种结冰湖泊红外成像检测方法,涉及遥感及红外图像处理技术领域,本发明在获取红外虚警源图像后,首先采用简单线性迭代聚类方法对图像进行超像素分割,再利用超像素中心的像素灰度值代替整个超像素的像素灰度值,然后分别采用基于全局和局部的对比度方法计算显著性图,之后对得到的基于全局和局部的显著图进行加权融合,最后采用自适应阈值方法完成湖泊虚警源的分割,确定湖泊虚警源的位置,输出最终检测结果;本发明填充了现有红外湖泊虚警源检测方向的空白,解决了红外湖泊虚警源的准确以及高效检测问题,具有准确高效的实现红外湖泊虚警源检测的优点。
Description
技术领域
本发明涉及遥感及红外图像处理技术领域,更具体的是涉及一种结冰湖泊红外成像检测方法。
背景技术
近年来,随着对地观测技术遥感技术的发展,遥感图像信息处理技术也有了很大的发展,其应用领域从传统的农林监测、地质勘探和大气监测等拓展到海洋监测、军事情报、环境治理等许多方面。随着数字图像处理技术的发展和实际应用的需求,遥感图像的目标提取、图像理解以及识别成为遥感图像处理中的重要内容。红外成像技术在军事、民用等方面有着很重要的作用,其具有非接触性、可实现远距离检测且不受烟、雾等障碍影响的特点,还可以实现全天候探测。
在目前这样一个复杂的全球环境下,军事实力的强弱直接关系到一个国家的安全问题,而在军事应用中往往会遇到需要对来袭的飞机导弹等军事目标进行检测预警,所以红外探测技术至关重要。但是对于空间红外卫星成像系统,在其探测过程中往往会遇到结冰河流、结冰湖泊、高空卷云、雪山、林火等高辐射的虚警源,这些虚警源会对目标的检测造成很严重的干扰,所以如何快速有效地去除这些虚警源的干扰问题,实现目标的准确检测,是一个急需解决的问题。
在红外波段内,主要根据结冰体和其他地物的光谱反射差异来对结冰湖泊进行检测,早期对红外结冰河流的检测方法主要有根据光谱特性、频率、分形维数、纹理、颜色等特征,再结合阈值、聚类法以及神经网络、支持向量机之类的学习分类算法等进行检测,现有的检测方法有以下几类:
1、利用模糊式分类的方法将遥感图像分成河流区域和非河流区域,然后利用最小近邻聚类的方法对图像聚类,最后根据河流的形状信息剔除掉非河流部分;
2、利用河流的连通性与阈值相结合先对河流区域进行初步确定,对分割后感兴趣的区域进行小波变,同时在原灰度图像中根据脊线跟踪方法对河流区域进行检测,将小波变换提取的不连续的河岸边缘点进行连接,最后根据连通区域查找,准确检测出河流;
3、根据河流地区的灰度比其它地区要小的固有特点,提出了一种新的基于交叉熵特征参数区分河流区域与其它区域;
4、利用C均值聚类和区域增长的方法检测河流区域的变化;
5、采用几何轮廓模型与向量值扫描算法结合对河流部分识别;
6、首先对遥感图像分割,然后对每一个块提取局部熵、纹理、亮度等特征,利用随机森林训练和分类,之后采用软投票方法检测河流;
7、采用支持向量机对遥感图像河流进行检测;
8、基于Shearlet变换和Krawtchouk矩不变量的方法提取SAR图像中的河流;
然而上述方法中,采用阈值方法在阈值选取时是非常困难的;纹理方法由于结冰湖泊大多都是亮度特征,只有边缘部分包含纹理信息,因此并不能获得良好的检测结果;神经网络方法则需要大量的数据作为基础,针对数据量较少的情况,这种方法并不适用。
发明内容
本发明的目的在于:为了解决现有的结冰湖泊难以被准确检测、检测结果不完整以及检测效率较低的问题,本发明提供一种结冰湖泊红外成像检测方法。
本发明为了实现上述目的具体采用以下技术方案:
一种结冰湖泊红外成像检测方法,包括如下步骤:
S1:输入大小为M×L的红外图像f0(x,y);
S2:对红外图像f0(x,y)进行简单线性迭代聚类(SLIC)超像素分割得到图像f1(x,y);
S3:对于图像f1(x,y),用超像素区域中心点像素灰度值代替该超像素区域整个的像素灰度值得到图像f2(x,y);
S4:计算超像素区域与其他所有超像素区域的对比度,并将所有对比度求和得到显著性图f3(x,y);
S5:计算超像素区域与其邻域内超像素区域的对比度,并将求得的所有对比度求和得到基于局部对比度的显著性图f4(x,y);
S6:将显著性图f3(x,y)和显著性图f4(x,y)进行图像加权融合得到图像f5(x,y);
S7:对图像f5(x,y)进行自适应阈值分割得到最终检测结果图f6(x,y)。
进一步的,所述S2具体包括如下步骤:
S2.2:对于每一个种子点,搜索像素点,对每个搜索到的像素点,计算其与该种子点的三维欧式距离,计算方法为:
其中,dI表示红外图像f0(x,y)中像素点k与像素点i的像素灰度值之差的绝对值,dxy表示红外图像f0(x,y)中像素点k与像素点i的空间距离,Ds表示像素点k与像素点i之间的三维欧式距离,m为权值系数;
计算每个像素点距离种子点的三维欧式距离,若像素点距离某个种子点三维欧式距离最小,则该像素点属于该种子点所在的超像素区域;
S2.3:在种子点的3*3邻域内计算所有像素点的梯度,将种子点更新到梯度最小的像素点上,返回执行S2.2,直至达到设定的迭代次数n则停止迭代,最终得到图像f1(x,y)。
进一步的,所述S3具体包括如下步骤:
S3.1:判断像素点Ii(x,y)是否属于超像素区域rj;
S3.2:若像素点Ii(x,y)不属于超像素区域rj,则不操作;若像素点Ii(x,y)属于超像素区域rj,则用超像素区域rj中心点像素灰度值代替像素点Ii(x,y)的像素灰度值,得到图像f2(x,y)。
进一步的,所述S4具体包括如下步骤:
S4.1:定义显著性值S(R)为:
其中,Rk和Ri代表两个不同的超像素区域,Dr(Rk,Ri)为两个超像素区域的对比度;
进一步的,所述S5具体包括如下步骤:
S5.1:设定邻域范围为2S,其中S为相邻种子点距离;
S5.2:执行S4.1-S4.2计算得到基于局部对比度的显著性图f4(x,y)。
进一步的,所述S6中对显著性图f3(x,y)和显著性图f4(x,y)进行图像加权融合采用的模型为:
其中,表示显著性图f3(x,y)的信息熵,表示显著性图f4(x,y)的信息熵,因为信息熵表示图像所包含的信息量,所以采用信息熵作为加权融合的权重能更好地融合显著性图f3(x,y)和显著性图f4(x,y)。
进一步的,所述S7具体包括如下步骤:
S7.1:设定初始阈值Th=0;
S7.2:设图像f5(x,y)中像素灰度值小于阈值的像素点个数为N1,像素均值为μ1,像素灰度值大于阈值的像素点个数为N2,像素均值为μ2;
S7.3:计算N1占总像素点个数M×L的百分比ω1,N2占总像素点个数M×L的百分比ω2;
S7.4:遍历阈值[0,255],求出使得最大类间方差g最小的阈值为最终阈值:
g=ω1×ω2×(μ1-μ2)2(4)
S7.5:根据最终阈值对图像f5(x,y)进行分割,得到最终检测结果图f6(x,y)。
本发明的有益效果如下:
1、本发明采用图像处理的方式进行红外图像结冰湖泊检测,降低了对传感器的要求,同时可以准确地检测到结冰湖泊的位置及大小;并且本发明采用简单线性迭代聚类超像素分割的方法对红外图像f0(x,y)进行分割,很好地保存了结冰湖泊的边缘,实现了对结冰湖泊的完整检测。
2、由于显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性,并且是由于亮度、梯度、边缘等图像属性所致,生物视觉研究关于视觉显著性的观察认为,视觉系统对视觉信号的对比度是非常敏感的,本发明中虚警源区域与整个图像相比面积较小,且与周围区域的差异较强,故具有较强的视觉显著性;经过对比度模型处理后,在生成的显著性图中目标区域以及虚警源区域会更加凸显,而平坦区域背景得以抑制,将全局对比度与局部对比度显著性图相结合,能够更完整的保存目标信息,且具有较高的运算效率。
附图说明
图1是本发明的方法流程图。
图2是本发明实施例中的红外图像f0(x,y)。
图3是图像f1(x,y)的示意图。
图4是图像f2(x,y)的示意图。
图5是显著性图f3(x,y)的示意图。
图6是基于局部对比度的显著性图f4(x,y)的示意图。
图7是图像f5(x,y)的示意图。
图8是最终检测结果图f6(x,y)的示意图。
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,本实施例提供一种结冰湖泊红外成像检测方法,包括如下步骤:
S1:输入大小为M×L的红外图像f0(x,y),如图2所示;
S2:对红外图像f0(x,y)进行简单线性迭代聚类(SLIC)超像素分割得到如图3所示的图像f1(x,y),具体包括如下步骤:
S2.2:对于每一个种子点,搜索像素点,对每个搜索到的像素点,计算其与该种子点的三维欧式距离,计算方法为:
其中,dI表示红外图像f0(x,y)中像素点k与像素点i的像素灰度值之差的绝对值,dxy表示红外图像f0(x,y)中像素点k与像素点i的空间距离,Ds表示像素点k与像素点i之间的三维欧式距离,m为权值系数;
计算每个像素点距离种子点的三维欧式距离,若像素点距离某个种子点三维欧式距离最小,则该像素点属于该种子点所在的超像素区域;
S2.3:在种子点的3*3邻域内计算所有像素点的梯度,将种子点更新到梯度最小的像素点上,返回执行S2.2,直至达到设定的迭代次数n则停止迭代,最终得到图像f1(x,y);
S3:对于图像f1(x,y),用超像素区域中心点像素灰度值代替该超像素区域整个的像素灰度值得到如图4所示的图像f2(x,y),具体为:
S3.1:判断像素点Ii(x,y)是否属于超像素区域rj;
S3.2:若像素点Ii(x,y)不属于超像素区域rj,则不操作;若像素点Ii(x,y)属于超像素区域rj,则用超像素区域rj中心点像素灰度值代替像素点Ii(x,y)的像素灰度值,得到图像f2(x,y);
S4:计算超像素区域与其他所有超像素区域的对比度,并将所有对比度求和得到如图5所示的显著性图f3(x,y),具体为:
S4.1:定义显著性值S(R)为:
其中,Rk和Ri代表两个不同的超像素区域,Dr(Rk,Ri)为两个超像素区域的对比度;
S5:计算超像素区域与其邻域内超像素区域的对比度,并将求得的所有对比度求和得到如图6所示的基于局部对比度的显著性图f4(x,y),具体为:
S5.1:设定邻域范围为2S,其中S为相邻种子点距离;
S5.2:执行S4.1-S4.2计算得到基于局部对比度的显著性图f4(x,y);
S6:将显著性图f3(x,y)和显著性图f4(x,y)进行图像加权融合得到如图7所示的图像f5(x,y),采用的模型为:
其中,表示显著性图f3(x,y)的信息熵,表示显著性图f4(x,y)的信息熵,因为信息熵表示图像所包含的信息量,所以采用信息熵作为加权融合的权重能更好地融合显著性图f3(x,y)和显著性图f4(x,y);
S7:对图像f5(x,y)进行自适应阈值分割得到如图8所示的最终检测结果图f6(x,y),具体为:
S7.1:设定初始阈值Th=0;
S7.2:设图像f5(x,y)中像素灰度值小于阈值的像素点个数为N1,像素均值为μ1,像素灰度值大于阈值的像素点个数为N2,像素均值为μ2;
S7.3:计算N1占总像素点个数M×L的百分比ω1,N2占总像素点个数M×L的百分比ω2;
S7.4:遍历阈值[0,255],求出使得最大类间方差g最小的阈值为最终阈值:
g=ω1×ω2×(μ1-μ2)2 (4)
S7.5:根据最终阈值对图像f5(x,y)进行分割,得到最终检测结果图f6(x,y)。
本实施例中采用简单线性迭代聚类方法对图像进行超像素分割,再利用超像素区域中心的像素灰度值代替整个超像素区域的像素灰度值,然后分别采用基于全局和局部的对比度方法计算显著性图,之后对得到的基于全局和局部的显著图进行加权融合,最后采用自适应阈值方法完成湖泊虚警源的分割,确定湖泊虚警源的位置,输出最终检测结果,准确高效的实现了红外湖泊虚警源的检测。
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)
1.一种结冰湖泊红外成像检测方法,其特征在于,包括如下步骤:
S1:输入大小为M×L的红外图像f0(x,y);
S2:对红外图像f0(x,y)进行简单线性迭代聚类超像素分割得到图像f1(x,y);
S3:对于图像f1(x,y),用超像素区域中心点像素灰度值代替该超像素区域整个的像素灰度值得到图像f2(x,y);
S4:计算超像素区域与其他所有超像素区域的对比度,并将所有对比度求和得到显著性图f3(x,y);
S5:计算超像素区域与其邻域内超像素区域的对比度,并将求得的所有对比度求和得到基于局部对比度的显著性图f4(x,y);
S6:将显著性图f3(x,y)和显著性图f4(x,y)进行图像加权融合得到图像f5(x,y);
S7:对图像f5(x,y)进行自适应阈值分割,确定湖泊虚警源的位置,得到最终检测结果图f6(x,y);
所述S4具体包括如下步骤:
S4.1:定义显著性值S(R)为:
其中,Rk和Ri代表两个不同的超像素区域,Dr(Rk,Ri)为两个超像素区域的对比度;
所述S5具体包括如下步骤:
S5.1:设定邻域范围为2S,其中S为相邻种子点距离;
S5.2:执行S4.1-S4.2计算得到基于局部对比度的显著性图f4(x,y)。
2.根据权利要求1所述的一种结冰湖泊红外成像检测方法,其特征在于,所述S2具体包括如下步骤:
S2.2:对于每一个种子点,搜索像素点,对每个搜索到的像素点,计算其与该种子点的三维欧式距离,计算方法为:
d1=||Ik-Ii||
其中,d1表示红外图像f0(x,y)中像素点k与像素点i的像素灰度值之差的绝对值,dxy表示红外图像f0(x:y)中像素点k与像素点i的空间距离,Ds表示像素点k与像素点i之间的三维欧式距离,m为权值系数;
计算每个像素点距离种子点的三维欧式距离,若像素点距离某个种子点三维欧式距离最小,则该像素点属于该种子点所在的超像素区域;
S2.3:在种子点的3*3邻域内计算所有像素点的梯度,将种子点更新到梯度最小的像素点上,返回执行S2.2,直至达到设定的迭代次数n则停止迭代,最终得到图像f1(x,y)。
3.根据权利要求1所述的一种结冰湖泊红外成像检测方法,其特征在于,所述S3具体包括如下步骤:
S3.1:判断像素点Ii(x,y)是否属于超像素区域rj;
S3.2:若像素点Ii(x,y)不属于超像素区域rj,则不操作;若像素点Ii(x,y)属于超像素区域rj,则用超像素区域rj中心点像素灰度值代替像素点Ii(x,y)的像素灰度值,得到图像f2(x,y)。
5.根据权利要求1所述的一种结冰湖泊红外成像检测方法,其特征在于,所述S7具体包括如下步骤:
S7.1:设定初始阈值Th=0;
S7.2:设图像f5(x,y)中像素灰度值小于阈值的像素点个数为N1,像素均值为μ1,像素灰度值大于阈值的像素点个数为N2,像素均值为μ2;
S7.3:计算N1占总像素点个数M×L的百分比ω1,N2占总像素点个数M×L的百分比ω2;
S7.4:遍历阈值[0,255],求出使得最大类间方差g最小的阈值为最终阈值:
g=ω1×ω2×(μ1-μ2)2 (4)
S7.5:根据最终阈值对图像f5(x,y)进行自适应阈值分割,确定湖泊虚警源的位置,得到最终检测结果图f6(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089770.0A CN109829423B (zh) | 2019-01-18 | 2019-01-18 | 一种结冰湖泊红外成像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089770.0A CN109829423B (zh) | 2019-01-18 | 2019-01-18 | 一种结冰湖泊红外成像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829423A CN109829423A (zh) | 2019-05-31 |
CN109829423B true CN109829423B (zh) | 2023-03-07 |
Family
ID=66863015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910089770.0A Active CN109829423B (zh) | 2019-01-18 | 2019-01-18 | 一种结冰湖泊红外成像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829423B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211124B (zh) * | 2019-06-17 | 2023-04-07 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
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 |
CN111339924B (zh) * | 2020-02-25 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种基于超像素和全卷积网络的极化sar图像分类方法 |
CN111583279A (zh) * | 2020-05-12 | 2020-08-25 | 重庆理工大学 | 一种基于pcba的超像素图像分割方法 |
CN112329674B (zh) * | 2020-11-12 | 2024-03-12 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
CN115115654B (zh) * | 2022-06-14 | 2023-09-08 | 北京空间飞行器总体设计部 | 一种基于显著性和近邻形状查询的物体图像分割方法 |
CN117911734B (zh) * | 2024-01-12 | 2024-07-26 | 哈尔滨工业大学 | 一种基于图像聚类离散度计算的红外检测数据预融合处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN105913023A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
CN106971396A (zh) * | 2017-03-10 | 2017-07-21 | 中国科学院遥感与数字地球研究所 | 基于超像素的冰盖冻融探测方法 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN108734173A (zh) * | 2018-04-20 | 2018-11-02 | 河海大学 | 基于Gestalt优化的红外视频时空显著性检测方法 |
CN108764027A (zh) * | 2018-04-13 | 2018-11-06 | 上海大学 | 一种基于改进的rbd显著性计算的海面目标检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015345199A1 (en) * | 2014-11-10 | 2017-04-27 | Ventana Medical Systems, Inc. | Classifying nuclei in histology images |
KR102075088B1 (ko) * | 2016-03-22 | 2020-02-10 | 한국전자통신연구원 | 객체 추출 장치 및 방법 |
CN107767400B (zh) * | 2017-06-23 | 2021-07-20 | 北京理工大学 | 基于层次化显著性分析的遥感图像序列动目标检测方法 |
-
2019
- 2019-01-18 CN CN201910089770.0A patent/CN109829423B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN105913023A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
CN106971396A (zh) * | 2017-03-10 | 2017-07-21 | 中国科学院遥感与数字地球研究所 | 基于超像素的冰盖冻融探测方法 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN108764027A (zh) * | 2018-04-13 | 2018-11-06 | 上海大学 | 一种基于改进的rbd显著性计算的海面目标检测方法 |
CN108734173A (zh) * | 2018-04-20 | 2018-11-02 | 河海大学 | 基于Gestalt优化的红外视频时空显著性检测方法 |
Non-Patent Citations (3)
Title |
---|
"局部和全局特征融合的红外图像显著性检测";刘松涛等;《光电子.激光》;20180315;第29卷(第3期);第2-3节 * |
"自适应阈值分割(最大类间方差法、大津法、OTSU)";momo026;《CSDN》;20181113;全文 * |
刘松涛等."局部和全局特征融合的红外图像显著性检测".《光电子.激光》.2018,第29卷(第3期), * |
Also Published As
Publication number | Publication date |
---|---|
CN109829423A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN109598241B (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
Lu et al. | Object-oriented change detection for landslide rapid mapping | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN107767400A (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
Fytsilis et al. | A methodology for near real-time change detection between Unmanned Aerial Vehicle and wide area satellite images | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN112215085A (zh) | 一种基于孪生网络的输电走廊异物检测方法及系统 | |
Demir et al. | Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images | |
CN112883850A (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
CN114612769A (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
Zhang et al. | Multiple Saliency Features Based Automatic Road Extraction from High‐Resolution Multispectral Satellite Images | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
Dong et al. | Cloud detection method for high resolution remote sensing imagery based on the spectrum and texture of superpixels | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Fan et al. | UAV image crop classification based on deep learning with spatial and spectral features | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
Dibs et al. | Automatic fast and robust technique to refine extracted sift key points for remote sensing images | |
CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 | |
Koc-San et al. | Plastic and glass greenhouses detection and delineation from worldview-2 satellite imagery | |
Li et al. | Pixel-based invariant feature extraction and its application to radiometric co-registration for multi-temporal high-resolution satellite imagery | |
CN112906564A (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
Xie et al. | SMRD: A local feature descriptor for multi-modal image registration |
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 |