CN110046607A - 一种基于深度学习的无人机遥感图像板房或建材检测方法 - Google Patents
一种基于深度学习的无人机遥感图像板房或建材检测方法 Download PDFInfo
- Publication number
- CN110046607A CN110046607A CN201910343398.1A CN201910343398A CN110046607A CN 110046607 A CN110046607 A CN 110046607A CN 201910343398 A CN201910343398 A CN 201910343398A CN 110046607 A CN110046607 A CN 110046607A
- Authority
- CN
- China
- Prior art keywords
- image
- building materials
- board house
- line segment
- deep learning
- 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
- 239000004566 building material Substances 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000010998 test method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的无人机遥感图像板房或建材检测方法;该方法首先对高分辨率无人机航拍图像进行降采样,然后映射对板房,堆放建材敏感的灰度空间,根据图像的明暗对比程度来决定是否采用直方图均衡化,然后对以上处理后的图像使用LSD线段检测,接着对检测后的直线进行长度约束,然后将线段连接在一起,最后提取线对连接区域的最小外接矩形,从而在此区域基础上进行深度学习判定,最终达到检测目标的目的。该方法适用于环境复杂,条件恶劣的地区,能够精确的检测出板房或建材区域,节约人力成本、精度高、效率高。
Description
【技术领域】
本发明属于图像检测领域,具体涉及一种基于深度学习的无人机遥感图像板房或建材检测方法。
【背景技术】
近年来,无人机技术快速发展。无人机航拍系统以无人飞行器为载体,搭载现代化数码相机快速获取低空高分辨率图像,并将图像数据通过无线网络实时传送给控制平台。航拍系统可对感兴趣区域拍摄,避免了常规调查的盲目性和无效工作,并且机动性高,拍摄时间灵活,被广泛地应用于领土监测、灾害监控、资源勘探等领域。其中管线巡检是无人机工业生产中一个很重要的应用,在这个应用背景下所有威胁到管线安全的目标就是需要检测的对象,其中盗挖,施工等活动严重威胁到管道安全。板房,建材堆放检测就是应对类似威胁的有效手段之一,板房、建材堆放有明显的人工制作的痕迹,区别于自然界的其他物体,其特点之一为四边为直线;若能以大面积的直线为检测对象,将能够容易地检测出板房和建材的堆放。
【发明内容】
本发明的目的在于克服上述现有技术的缺点,提供一种基于深度学习的无人机遥感图像板房或建材检测方法;该方法将板房检测转化为直线检测,使得能够检测出环境恶劣地区的直线,进而检测出板房或建材堆叠。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于深度学习的无人机遥感图像板房或建材检测方法,包括以下步骤:
步骤1,无人机航拍图像进行降采样,得到降采样后的图像;
步骤2,将降采样后图像中的映射空间进行灰度处理,得到灰度处理后的图像;
步骤3,用户判断灰度处理后的图像是否进行直方图均衡化,得到直方图均衡化的图像;如果需要,执行步骤4,否者执行步骤5;
步骤4,将灰度处理后的图像进行直方图均衡化,执行步骤5;
步骤5,将灰度处理后的图像或直方图均衡化的图像进行LSD线段检测,提取出图像中直线线段边缘;
步骤6,对直线线段边缘进行线段长度约束处理,提取符合线段长度约束范围内的线段,作为提取出的线段;
步骤7,将步骤6提取出的线段生成线段簇;
步骤8,通过步骤7得到的线段簇求得最小外接矩形,作为检测候选框;
步骤9,针对检测候选框进行深度学习模板判定,检测出板房或减材;所述深度学习模板判定采用CNN网络模型判定。
本发明的进一步改进在于:
优选的,步骤2中,通过YUV颜色编码方法对映射空间进行灰度处理。
优选的,步骤5中,将灰度处理后的图像或直方图均衡化的图像作为LSD线段检测的输入,进行LSD线段检测。
优选的,步骤6中,约束处理的条件为,若步骤1中无人机航拍高度为350-450mm,则提取出像素范围为30-100的线段。
优选的,步骤7中,对提取出的线段进行平行和垂直分析,将有垂直或平行关系的线段彼此标记成同样的标号,连通同样标号的线段,形成线段簇。
优选的,垂直分析中,近似垂直的容忍角度≤5°。
优选的,步骤9中,CNN网络模型的数据分类包括以下步骤:图像依次经过输入层、第一卷积层、第二池化层、第三卷积层、下采样层、第五卷积层、上采样层和softmax-loss分类层处理;将分类后数据中板房或建材类别概率值>0.5的板房或建材确定为最终板房或建材。
优选的,第一卷层中卷积核的大小设置为3*3,步长为1;第二池化层中池化的步长设置为2。
优选的,第三卷积层中卷积核的大小为3*3,步长为1;第五卷积层中卷积核的大小为1*1,步长为1;将第五卷积层中的特征图进行双线性差值处理,得到上采样层。
优选的,softmax-loss分类层处理中,输出上采样层图像中每一个像素属于板房或建材的概率值。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种基于深度学习的无人机遥感图像板房或建材检测方法;该方法首先对高分辨率无人机航拍图像进行降采样,然后映射对板房,堆放建材敏感的灰度空间,根据图像的明暗对比程度来决定是否采用直方图均衡化,然后对以上处理后的图像使用LSD线段检测,接着对检测后的直线进行长度约束,然后将线段连接在一起,最后提取线对连接区域的最小外接矩形,从而在此区域基础上进行深度学习判定,最终达到检测目标的目的。该方法适用于环境复杂,条件恶劣的地区,能够精确的检测出板房或建材区域,节约人力成本、精度高、效率高。
进一步的,通过图像通道变化将彩色图像变换为对板房,建材堆放敏感的灰度空间。
进一步的,因为检测的地域多为条件较为恶劣的地区,山岭阴影,光照角度影响,有些条件下拍摄图像的明暗对比不够强烈,需要根据采集数据来选择是否进行直方图均衡化。
进一步的,通过待检测物体在图像上的真实尺寸对应到像素上的尺寸,约束检测范围。
进一步的,检测目标板房或堆放建材在遥感图像上往往呈现矩形的关系,由于光线的关系,不同的太阳角度照射下,检测物体的边缘线条会呈现出平行关系或相互垂直关系,每一条线条计算周边邻近的线条满足平行或垂直关系即标定为同一个线条簇;符合板房检测标准。
进一步的,将平行或垂直关系的判断条件约束为与探针夹角小于5度,保证检测精度高。
进一步的,最终对候选框通过CNN网络模型处理,得到检测后的最终板房或建材。
【附图说明】
图1为本发明检测方法的流程图;
图2为降采样图;
图3为线段提取图;
图4为线簇最小外接矩形图;
图5为最终判定目标图。
【具体实施方式】
下面结合附图和具体过程对本发明做进一步详细描述。本发明公开了一种基于深度学习的无人机遥感图像板房或建材检测方法;参见图1该方法的流程为:图形降采样→图像通道变换→直方图均衡→LSD线段检测→约束线段长度→连通线段形成线段簇→提取线段簇连通区域的最小外接矩形→深度学习判定目标;该方法具体包括以下步骤:
步骤1,图像降采样
将高分辨率无人机航拍的图像进行高斯降采样;如针对已有的分辨率为6000*4000的无人机航拍图像来说,通过高斯卷积,将图像降采样4倍为1500*1000。对于降采样以后的图像,其要求为:在无人机高度为350-450m,在焦距合适的情况下,待检测目标(真实长度为10-20m),在降采样后的图像上的像素长度为30-100像素之间;降采样后的图像如图2所示;从图2中可以看出,降采样后的图像降低了分辨率。由于无人机航拍图像分辨率较大,带来大量的运算代价,相对要检测的物体在低分辨率下仍可见,因此采用图像降采样方法,可以去除噪声干扰,确保检测短时间内完成。
步骤2,将映射空间进行灰度处理
因为待检测物体为板房,和建材堆放,色系主要以蓝青为主要色调,兼顾其他色彩,采用YUV色彩通道的Y亮度通道与运算RGB的B通道特征求最大值运算最终生成适合板房,建材堆放的灰度通道,生成灰度映射空间;具体过程如下:
Y通道的计算公式如下所示:
Y=0.299*R+0.587*G+0.114*B (1)
式中,Y为最终的灰度通道,B为蓝色通道,G为拍摄的灰度通道,R为红色通道;上式中,如果Y大于B,则最终图像值采用Y,如果Y≤B,则最终图像值采用B。
步骤3,判断是否采用直方图均衡化
因为本方法应用的地域多为偏僻或山岭区域,受山岭阴影、光照角度影响,在实际采集图像中部分拍摄图像的明暗对比不够强烈,需要根据采集数据来选择是否进行直方图均衡化作为增强手段,将飞行在山地地形的无人机采集图像进行直方图均衡化,这样可以部分抵消山地起伏阴影遮挡导致的图像对比度太差问题,使得图像中检测物体亮度增强以突出图像边缘特征方便下一步骤的直线检测,该步骤需要用户自己判断是否是山地采集图像需要直方图均衡化。
步骤4,直方图均衡化
直方图均衡化的具体公式为:
Sk表示均衡化后的灰度值,∑表示总和;nj是原图像某个灰度色阶j的像素个数,j的范围是0-k,一般灰度图k为255,N是图像像素总数;图像经过直方图均衡化后,能够增强图像中的边缘,有利于线段的检测。
步骤5,LSD线段检测
LSD(line detection)为一种直线提取算法;若图像没有经过步骤4,则将步骤2中的灰度映射空间作为LSD直线检测的输入;若图像经过步骤4,则采用直方图均衡化后的图像作为LSD直线检测的输入,图像输入后,通过LSD线段检测,提取出图像中所有直线线段边缘集合,作为板房或建材提取潜在的区域集。参见图3为线段检测后的图像,其中灰色较粗的为LSD线段检测,与LSD线段检测垂直的较细的线为探针。
步骤6,约束线段长度
对于降采样图像,在无人机高度350-450m之间,相机焦距35mm的情况下,待检测目标(真实长度10-20m)在图像上的像素大约长度在30-100像素之间;选取该区间作为约束,即在该区间范围内的线段作为提取出的线段,不符合该范围的线段剔除。
步骤7,生成线段簇
生成线段簇,将已经约束的线段做平行与垂直分析,假设一个线段的中垂线为其探针,长度不超过50像素,在辅助二值图上绘制线段与探针,如果线段探针与另外线段垂直,将其标定为平行关系,设置近似垂直的容忍角度为5度以内。如果线段的探针与另一个线段的探针垂直,将其标定为垂直关系,设置近似垂直的容忍角度为5度以内。将有垂直或平行关系的线段彼此标记成同样的标号。连通同样标号的线段簇。
步骤8,生成矩形框
在同样标号的线段簇上求得最小外接矩形,作为检测的候选框;参见图4为组成的一个个线簇最小外接矩形图;从图中可以看出,本方法能够将一个区域内经过检测后的直线段均作为检测对象,检测范围广,全面。
步骤9,将已经提取的候选框进行CNN网络模型判定,最终确认是否为板房或建材;利用深度学习的基本思想创建自定义CNN网络进行数据分类提取。经过此步骤后,得到比较准确的训练结果,从中得到需要检索的目标裂缝。网络模型如下所示:
第一层:输入层(Input);
把经过统一处理(如大小统一)的二维图像放进输入层;图像大小为416(长)*416(宽);
第二层:第一卷积层(C1)。对输入层的图像数据进行卷积处理,其结果组成卷积层(C1)。卷积核的大小设置为3*3,步长为1,初始化滤波类型为‘高斯’;使用3*3的小卷积核,可以得到更加抽象的特征,提取的特征表达性能更佳。卷积操作后特征图尺寸计算公式如下:
式中,insize表示输入尺寸,outsize表示特征图尺寸,padding表示边缘扩充的像素值,filtersize表示卷积核的大小,stride表示卷积步长。C1中步长与边缘填充的取值使得卷积之后的图像尺寸保持不变,依靠下采样层逐渐增大感受野区域。
第三层:第二池化层,Polling层(S2),为了减少运算量和数据维度所设置。经过前两层,初始图像的尺寸降为原来的1/4,针对经过卷积后的图像进行池化处理;为提高速度,将池化的步长stride设置为2;下采样层的池化总计算公式如下:
其中,down()表示下采样函数,β称为下采样的乘子偏差,b称为对应的附加偏差。其中x为输出,l为第几层,j为该层的第几个输入特征。
第四层:第三卷积层(C3)
图像经过池化处理后,进行卷积处理,该层中的卷积核的大小为3*3,步长为1,边缘扩充一个像素,由11个特征图构成。紧接着是批处理(BN)层和ReLu激活层,激活层选常用的Relu函数,因为其收敛更快,并且能保持同样的效果,其参数negative_slope设置为0。
第五层:下采样层(S4)
经过前四层,图像的尺寸降为原来的1/16;该层处理中,特征图像中的每个单元与S2中相对应特征图的2*2邻域相连接,由11个特征图构成。
第六层:卷积层(C5)
图像经过下采样层后,进行卷积处理;该卷积处理中,卷积核的大小为1*1,步长为1,不进行边缘扩充,由2个特征图构成,得到卷积层(C5)。在普通的卷积神经网络中,该层起到与全连接层一样的作用,用来区分裂缝或者背景。
第七层:上采样层,将C5的特征图进行双线性插值,上采样16倍,得到上采样层。
第八层:softmax-loss分类层,输出上采样层图像中每一个像素属于板房或建材的概率值,取概率最大的作为该像素的类别;
取板房或建材类别概率值>0.5判定真正的板房或建材,完成检测,参见图5为最终判定的目标图。
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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,包括以下步骤:
步骤1,无人机航拍图像进行降采样,得到降采样后的图像;
步骤2,将降采样后图像中的映射空间进行灰度处理,得到灰度处理后的图像;
步骤3,用户判断灰度处理后的图像是否进行直方图均衡化,得到直方图均衡化的图像;如果需要,执行步骤4,否者执行步骤5;
步骤4,将灰度处理后的图像进行直方图均衡化,执行步骤5;
步骤5,将灰度处理后的图像或直方图均衡化的图像进行LSD线段检测,提取出图像中直线线段边缘;
步骤6,对直线线段边缘进行线段长度约束处理,提取符合线段长度约束范围内的线段,作为提取出的线段;
步骤7,将步骤6提取出的线段生成线段簇;
步骤8,通过步骤7得到的线段簇求得最小外接矩形,作为检测候选框;
步骤9,针对检测候选框进行深度学习模板判定,检测出板房或减材;所述深度学习模板判定采用CNN网络模型判定。
2.根据权利要求1所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,步骤2中,通过YUV颜色编码方法对映射空间进行灰度处理。
3.根据权利要求1所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,步骤5中,将灰度处理后的图像或直方图均衡化的图像作为LSD线段检测的输入,进行LSD线段检测。
4.根据权利要求1所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,步骤6中,约束处理的条件为,若步骤1中无人机航拍高度为350-450mm,则提取出像素范围为30-100的线段。
5.根据权利要求1所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,步骤7中,对提取出的线段进行平行和垂直分析,将有垂直或平行关系的线段彼此标记成同样的标号,连通同样标号的线段,形成线段簇。
6.根据权利要求5所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,垂直分析中,近似垂直的容忍角度≤5°。
7.根据权利要求1-6任意一项所述的基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,步骤9中,CNN网络模型的数据分类包括以下步骤:图像依次经过输入层、第一卷积层、第二池化层、第三卷积层、下采样层、第五卷积层、上采样层和softmax-loss分类层处理;将分类后数据中板房或建材类别概率值>0.5的板房或建材确定为最终板房或建材。
8.根据权利要求7所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,第一卷层中卷积核的大小设置为3*3,步长为1;第二池化层中池化的步长设置为2。
9.根据权利要求7所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,第三卷积层中卷积核的大小为3*3,步长为1;第五卷积层中卷积核的大小为1*1,步长为1;将第五卷积层中的特征图进行双线性差值处理,得到上采样层。
10.根据权利要求7所述的一种基于深度学习的无人机遥感图像板房或建材检测方法,其特征在于,softmax-loss分类层处理中,输出上采样层图像中每一个像素属于板房或建材的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343398.1A CN110046607A (zh) | 2019-04-26 | 2019-04-26 | 一种基于深度学习的无人机遥感图像板房或建材检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343398.1A CN110046607A (zh) | 2019-04-26 | 2019-04-26 | 一种基于深度学习的无人机遥感图像板房或建材检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046607A true CN110046607A (zh) | 2019-07-23 |
Family
ID=67279588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910343398.1A Pending CN110046607A (zh) | 2019-04-26 | 2019-04-26 | 一种基于深度学习的无人机遥感图像板房或建材检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046607A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
WO2020228405A1 (zh) * | 2019-05-15 | 2020-11-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808425A (zh) * | 2017-11-28 | 2018-03-16 | 刘松林 | 基于无人机航拍影像的油气管线巡检系统及其巡检方法 |
CN108416292A (zh) * | 2018-03-08 | 2018-08-17 | 西安因诺航空科技有限公司 | 一种基于深度学习的无人机航拍图像道路提取方法 |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
-
2019
- 2019-04-26 CN CN201910343398.1A patent/CN110046607A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808425A (zh) * | 2017-11-28 | 2018-03-16 | 刘松林 | 基于无人机航拍影像的油气管线巡检系统及其巡检方法 |
CN108416292A (zh) * | 2018-03-08 | 2018-08-17 | 西安因诺航空科技有限公司 | 一种基于深度学习的无人机航拍图像道路提取方法 |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
Non-Patent Citations (3)
Title |
---|
刘启才: "《初中生实用小百科》", 31 October 1998, 大连出版社 * |
张作省: "大面幅光学遥感影像飞行器目标快速检测", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
龚健雅: "《对地观测数据处理与分析研究进展》", 31 December 2007, 武汉大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020228405A1 (zh) * | 2019-05-15 | 2020-11-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
CN110517575B (zh) * | 2019-08-21 | 2021-03-02 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830144B (zh) | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
CN103996198B (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN107274419A (zh) | 一种基于全局先验和局部上下文的深度学习显著性检测方法 | |
CN106023151B (zh) | 一种开放环境下中医舌象目标检测方法 | |
CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN105184779A (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN111027497A (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN110020658A (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
CN110046607A (zh) | 一种基于深度学习的无人机遥感图像板房或建材检测方法 | |
CN109472790A (zh) | 一种机械零件缺陷检测方法及系统 | |
CN115393635A (zh) | 一种基于超像素分割以及数据增强的红外小目标检测方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN114596480A (zh) | 一种基于yolov5优化的海底生物目标检测方法和系统 | |
Ying et al. | Region-aware RGB and near-infrared image fusion | |
CN109241932A (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN111582076A (zh) | 一种基于像素运动智能感知的画面冻结检测方法 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
CN106971402A (zh) | 一种基于光学辅助的sar图像变化检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |
|
RJ01 | Rejection of invention patent application after publication |