CN110243769A - 一种多源信息辅助的高光谱亚像元目标识别系统和方法 - Google Patents
一种多源信息辅助的高光谱亚像元目标识别系统和方法 Download PDFInfo
- Publication number
- CN110243769A CN110243769A CN201910695451.4A CN201910695451A CN110243769A CN 110243769 A CN110243769 A CN 110243769A CN 201910695451 A CN201910695451 A CN 201910695451A CN 110243769 A CN110243769 A CN 110243769A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- infrared
- pixel
- hyperspectral imaging
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种多源信息辅助的高光谱亚像元目标识别系统和方法,该方法包括:提取可见光影像的感兴趣区域;将红外图像与同一场景的可见光图像进行关联,并建立红外目标的位置信息以及目标特征数据库;将高光谱影像与同一场景的可见光影像进行关联,并建立高光谱目标的位置信息以及目标特征数据库;将红外影像与高光谱影像中检测到的目标进行关联,对关联后的目标进行目标识别。本发明基于视觉注意模型的感兴趣区域提取,将影像中感兴趣区域划出,缩小目标检测范围,减小高光谱数据处理量同时有利于降低整幅图像处理带来的高虚警率;将红外影像与高光谱影像中检测到的目标进行关联,弥补单一传感器带来的限制,提高图像的目标识别的精度。
Description
技术领域
本发明涉及特征识别技术领域,更具体的涉及一种多源信息辅助的高光谱亚像元目标识别系统和方法。
背景技术
信息对于战争胜利起着至关重要的作用。战争的胜利关键在于能否精确判断打击,精确打击的关键在于能否准确识别,因此,目标识别技术成为现代化战争中必不可少的环节。尤其是在伪装技术日益精进的情况下,能够识破各种高精度伪装,准确定位目标成为技术化信息化战争中的重要研究方向。
地物的光谱特征相当于每一种物体的身份通行证,每一种物体都具有独一无二的光谱特性。高光谱影像具有极高的光谱分辨率。高光谱成像能够获得可见光到红外波段连续光谱光谱分辨率达到纳米级别,地物目标的诊断性光谱特征就能够被探测到。而且成像光谱波段多,在高光谱影像中能够获得每一个像元精细光谱曲线。从光谱曲线中提取的光谱特征具有唯一性,对于目标识别具有关键性作用。高光谱三维成像,获得影像同时包含影像、辐射、光谱三重信息,具有图谱合一的特点。
高光谱影像进行目标识别具有很大的优势,同时也存在着不足:遥感影像一般而言非常大,而高光谱影像本身数据量巨大,高光谱遥感影像海量数据不易处理;星载高光谱成像系统一般而言空间分辨率比较低,这就导致了亚像元目标的存在,整幅高光谱影像处理会带来很大的虚警率;现代伪装技术的发展,伪装目标甚至非常接近真实目标,尤其目标表面具有涂覆层,单纯依靠高光谱影像进行目标检测可能会出现不完善的情况。
发明内容
本发明实施例提供一种多源信息辅助的高光谱亚像元目标识别系统和方法,用以解决现有技术中存在的问题。
本发明实施例提供一种多源信息辅助的高光谱亚像元目标识别系统,包括:可见光图像处理子系统、红外图像处理子系统、高光谱图像处理子系统和多源信息融合目标识别子系统;
所述可见光图像处理子系统包括:提取模块和关联对应模块;所述提取模块,用于提取可见光影像的感兴趣区域;所述关联对应模块,用于调用预存储的配准参数,将可见光影像中的感兴趣区域分别对应到高光谱影像中和红外影像中;
所述红外图像处理子系统,用于将红外图像与同一场景的可见光图像进行关联,并建立红外目标的位置信息以及目标特征数据库;
所述高光谱图像处理子系统,用于将高光谱影像与同一场景的可见光影像进行关联,并建立高光谱目标的位置信息以及目标特征数据库;
所述多源信息融合目标识别子系统包括:目标关联模块和目标识别模块;所述目标关联模块,用于将红外影像与高光谱影像中检测到的目标进行关联;所述目标识别模块,用于根据红外目标的位置信息以及目标特征数据库和高光谱目标的位置信息以及目标特征数据库,对关联后的目标进行目标识别。
进一步地,本发明实施例提供的多源信息辅助的高光谱亚像元目标识别系统,还包括:输入子系统和输出子系统;
所述输入子系统,用于输入多种格式的图像数据和影像配准参数;
所述输出子系统,用于输出多种格式的图像数据、目标特征参数和检测结果报告。
进一步地,所述提取模块,具体用于:
对可见光影像采用高斯金字塔分解得到不同分辨率图层,并基于视觉注意模型提取感兴趣区域。
进一步地,所述红外图像处理子系统,具体用于:
对红外影像中提取的区域,按照正交子空间投影OSP算法以及最小噪声分离MNF和进化策略优化CEM结合算法进行处理,得到目标的位置信息以及光谱特征;并将检测到像元的光谱特征转变为特征向量存入数据库,同时记录目标位置信息。
进一步地,所述高光谱图像处理子系统,具体用于:
对高光谱影像中提取的区域,按照正交子空间投影OSP算法以及最小噪声分离MNF和进化策略优化CEM结合算法进行处理,得到目标的位置信息以及光谱特征;并将检测到像元的光谱特征转变为特征向量存入数据库,同时记录目标位置信息。
进一步地,所述目标关联模块,具体用于:
将红外影像与高光谱影像检测到的目标反标注到可见光影像中,根据可见光影像中的目标位置,按照最近邻方法将红外影像与高光谱影像中检测到的目标一一对应。
进一步地,所述目标识别模块,具体用于:
将关联后的目标数据输入到基于D-S证据决策融合目标识别算法进行处理,获得检测目标。
本发明实施例提供一种多源信息辅助的高光谱亚像元目标识别方法,包括:
提取可见光影像的感兴趣区域,并调用预存储的配准参数,将可见光影像中的感兴趣区域分别对应到高光谱影像中和红外影像中;
将红外图像与同一场景的可见光图像进行关联,并建立红外目标的位置信息以及目标特征数据库;
将高光谱影像与同一场景的可见光影像进行关联,并建立高光谱目标的位置信息以及目标特征数据库;
将红外影像与高光谱影像中检测到的目标进行关联,并根据红外目标的位置信息以及目标特征数据库和高光谱目标的位置信息以及目标特征数据库,对关联后的目标进行目标识别。
本发明实施例提供一种多源信息辅助的高光谱亚像元目标识别系统和方法,与现有技术相比,其有益效果如下:
本发明基于视觉注意模型的感兴趣区域提取,将影像中感兴趣区域划出,缩小目标检测范围,减小高光谱数据处理量同时有利于降低整幅图像处理带来的高虚警率;将红外影像与高光谱影像中检测到的目标进行关联,弥补单一传感器带来的限制,提高图像的目标识别的精度。本发明适用于通过光谱信息无法发现的高度伪装目标。
附图说明
图1为本发明实施例提供的一种多源信息辅助的高光谱亚像元目标识别系统总体框图;
图2为本发明实施例提供的一种多源信息辅助的高光谱亚像元目标识别系统模块示意图;
图3为本发明实施例提供的一种多源信息辅助的高光谱亚像元目标识别系统模块细化图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1~3,本发明实施例提供一种多源信息辅助的高光谱亚像元目标识别系统,该系统包括:可见光图像处理子系统,高光谱图像处理子系统,红外图像处理子系统,多源信息融合目标识别子系统以及输入输出子系统。
红外成像时由于目标距离探测器较远,目标在红外图像中常常仅占据几个像素,面积小,随机性强,缺乏足够的形状特征,纹理、色彩、轮廓等信息,检测方法中主要是利用目标与背景灰度对比度信息。遥感影像信息融合就是设计算法将同一地区不同类型的图像所包含的信息优势互补结合起来,通过这种结合能够更加完备描述成像区域的地物特性,极大提高目标识别的准确性。不同地物目标在不同传感器成像中表现不同的特性,将各种特性结合评估能够更加准确得出地物的身份信息。而且单一传感器总是存在一定的缺陷,将多个传感器信息有效结合能够弥补单一传感器带来的限制,提高图像的目标识别的精度。总之,由于高光谱影像,可见光影像以及红外影像空间分辨率有所差别,所以分别将红外图像与可见光图像以及高光谱影像与可见光影像进行配准,同时将配准参数存储数据库中备用。建立红外与高光谱目标先验知识数据库便于以后目标识别或者综合判决所用。
本发明实施例的具体原理如下:
对大画幅的可见光影像进行感兴趣区域的选取。采用高斯金字塔分解得到不同分辨率图层,对Itti模型进行改进,基于视觉注意模型的感兴趣区域提取,将影像中感兴趣区域划出,缩小目标检测范围。调用数据库中之前存储的配准参数,将可见光影像中感兴趣区域分别对应到高光谱影像以及红外影像中。
对于高光谱影像中提取的区域按照OSP算法以及MNF-CEM算法进行处理,得到目标的位置信息以及光谱特征。将检测到像元的光谱特征转变为特征向量存入数据库,同时记录目标位置信息。
对于红外影像采用相同方法处理红外检测到目标位置信息以及目标特征信息同时存入数据库中。
将红外影像与高光谱影像中检测到的目标进行关联。所谓的目标关联就是将检测到的目标一一对应起来。这一部分需要用到之前的配准参数,同样将两种影像检测到的目标反标注到可见光影像中,根据可见光影像中目标位置按照最近邻(NearestNeighboring,NN)方法进行两者对应。最近邻方法把筛选之后与被测目标的理论位置“最邻近”的观测数据作为关联数据。
将关联后的目标数据输入到基于D-S证据决策融合目标识别算法中处理,将检测到目标分为三类:A类目标,B类目标,C类目标。从而输出检测报告,完成整个目标识别的过程。
参见图2,本发明实施例提供的多源信息辅助的高光谱亚像元目标识别系统包括:可见光图像处理子系统、红外图像处理子系统、高光谱图像处理子系统、多源信息融合目标识别子系统、输入子系统、输出子系统共六部分。
数据输入系统:支持多种格式图像数据以及配准参数的输入,主要图像输入格式*.img,*.tif/*.tiff,*.bmp。处理图像级别的经过几何校正、辐射定标的L1B级别图像或者经过大气校正的L1C级别图像。配准参数是*.xml格式的数据。
数据输出系统:支持多种图像数据(*.bmp/*.img),目标特征参数(*.xml)以及检测结果报告(*.xml)的输出。
可见光图像处理系统:主要承担着ROI区域提取工作。将系统输入的可见光影像进行算法处理提取感兴趣的区域。
红外图像处理系统:主要承担红外图像中点目标检测工作。将系统输入的红外影像进行检测。
高光谱图像处理系统:主要承担高光谱影像目标识别工作。内容包括异常检测和基于光谱特征检测。将根据系统输入高光谱影像以及光谱信息对高光谱影像中目标进行识别。
决策融合处理系统:主要承担目标属性说明工作。内容包括D-S证据组合决策融合。根据红外影像以及高光谱影像目标检测结果进行证据组合判定最终目标属性。
参见图3,本发明实施例提供的多源信息辅助的高光谱亚像元目标识别系统算法处理包括四个模块,分别是可见光处理,高光谱处理以及红外处理,决策融合信息处理。另外两个辅助模块分别是数据库管理以及数据输入输出模块。其中高光谱目标检测模块算法分为两大类:异常检测和需要光谱数据库中光谱信息的目标识别。数据库中主要是高光谱检测需要的目标或者背景光谱信息,以及算法处理后结果图像。软件主要输入/输出关系就是载入影像处理输出决策融合目标识别结果报告,另外在感兴趣区域对应部分还需要影像配准参数输入。
另外,在Microsoft Visual Studio 2008环境下设计软件开发系统架构,执行流程以及主要算法功能模块。C#编程实现算法功能以及各个模块之间的接口,实现系统整体性和完整性开发。
需要说明的是,本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
基于同一发明构思,本发明实施例提供一种多源信息辅助的高光谱亚像元目标识别方法,包括:
步骤1,提取可见光影像的感兴趣区域,并调用预存储的配准参数,将可见光影像中的感兴趣区域分别对应到高光谱影像中和红外影像中。
步骤2,将红外图像与同一场景的可见光图像进行关联,并建立红外目标的位置信息以及目标特征数据库。
步骤3,将高光谱影像与同一场景的可见光影像进行关联,并建立高光谱目标的位置信息以及目标特征数据库。
步骤4,将红外影像与高光谱影像中检测到的目标进行关联,并根据红外目标的位置信息以及目标特征数据库和高光谱目标的位置信息以及目标特征数据库,对关联后的目标进行目标识别。
进一步地,本发明实施例提供的多源信息辅助的高光谱亚像元目标识别方法,还包括:输入多种格式的图像数据和影像配准参数;输出多种格式的图像数据、目标特征参数和检测结果报告。
上述步骤1中,对可见光影像采用高斯金字塔分解得到不同分辨率图层,并基于视觉注意模型提取感兴趣区域。
上述步骤2中,对红外影像中提取的区域,按照正交子空间投影OSP算法以及最小噪声分离MNF和进化策略优化CEM结合算法进行处理,得到目标的位置信息以及光谱特征;并将检测到像元的光谱特征转变为特征向量存入数据库,同时记录目标位置信息。
上述步骤3中,对高光谱影像中提取的区域,按照正交子空间投影OSP算法以及最小噪声分离MNF和进化策略优化CEM结合算法进行处理,得到目标的位置信息以及光谱特征;并将检测到像元的光谱特征转变为特征向量存入数据库,同时记录目标位置信息。
上述步骤4中,将红外影像与高光谱影像检测到的目标反标注到可见光影像中,根据可见光影像中的目标位置,按照最近邻方法将红外影像与高光谱影像中检测到的目标一一对应。
上述步骤4中,将关联后的目标数据输入到基于D-S证据决策融合目标识别算法进行处理,获得检测目标。
综上所述,本发明基于视觉注意模型的感兴趣区域提取,将影像中感兴趣区域划出,缩小目标检测范围,减小高光谱数据处理量同时有利于降低整幅图像处理带来的高虚警率;将红外影像与高光谱影像中检测到的目标进行关联,弥补单一传感器带来的限制,提高图像的目标识别的精度。
以上公开的仅为本发明的几个具体实施例,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种多源信息辅助的高光谱亚像元目标识别系统,其特征在于,包括:可见光图像处理子系统、红外图像处理子系统、高光谱图像处理子系统和多源信息融合目标识别子系统;
所述可见光图像处理子系统包括:提取模块和关联对应模块;所述提取模块,用于提取可见光影像的感兴趣区域;所述关联对应模块,用于调用预存储的配准参数,将可见光影像中的感兴趣区域分别对应到高光谱影像中和红外影像中;
所述红外图像处理子系统,用于将红外图像与同一场景的可见光图像进行关联,并建立红外目标的位置信息以及目标特征数据库;
所述高光谱图像处理子系统,用于将高光谱影像与同一场景的可见光影像进行关联,并建立高光谱目标的位置信息以及目标特征数据库;
所述多源信息融合目标识别子系统包括:目标关联模块和目标识别模块;所述目标关联模块,用于将红外影像与高光谱影像中检测到的目标进行关联;所述目标识别模块,用于根据红外目标的位置信息以及目标特征数据库和高光谱目标的位置信息以及目标特征数据库,对关联后的目标进行目标识别。
2.如权利要求1所述的多源信息辅助的高光谱亚像元目标识别系统,其特征在于,还包括:输入子系统和输出子系统;
所述输入子系统,用于输入多种格式的图像数据和影像配准参数;
所述输出子系统,用于输出多种格式的图像数据、目标特征参数和检测结果报告。
3.如权利要求1所述的多源信息辅助的高光谱亚像元目标识别系统,其特征在于,所述提取模块,具体用于:
对可见光影像采用高斯金字塔分解得到不同分辨率图层,并基于视觉注意模型提取感兴趣区域。
4.如权利要求1所述的多源信息辅助的高光谱亚像元目标识别系统,其特征在于,所述红外图像处理子系统,具体用于:
对红外影像中提取的区域,按照正交子空间投影OSP算法以及最小噪声分离MNF和进化策略优化CEM结合算法进行处理,得到目标的位置信息以及光谱特征;并将检测到像元的光谱特征转变为特征向量存入数据库,同时记录目标位置信息。
5.如权利要求1所述的多源信息辅助的高光谱亚像元目标识别系统,其特征在于,所述高光谱图像处理子系统,具体用于:
对高光谱影像中提取的区域,按照正交子空间投影OSP算法以及最小噪声分离MNF和进化策略优化CEM结合算法进行处理,得到目标的位置信息以及光谱特征;并将检测到像元的光谱特征转变为特征向量存入数据库,同时记录目标位置信息。
6.如权利要求1所述的多源信息辅助的高光谱亚像元目标识别系统,其特征在于,所述目标关联模块,具体用于:
将红外影像与高光谱影像检测到的目标反标注到可见光影像中,根据可见光影像中的目标位置,按照最近邻方法将红外影像与高光谱影像中检测到的目标一一对应。
7.如权利要求1所述的多源信息辅助的高光谱亚像元目标识别系统,其特征在于,所述目标识别模块,具体用于:
将关联后的目标数据输入到基于D-S证据决策融合目标识别算法进行处理,获得检测目标。
8.一种多源信息辅助的高光谱亚像元目标识别方法,其特征在于,包括:
提取可见光影像的感兴趣区域,并调用预存储的配准参数,将可见光影像中的感兴趣区域分别对应到高光谱影像中和红外影像中;
将红外图像与同一场景的可见光图像进行关联,并建立红外目标的位置信息以及目标特征数据库;
将高光谱影像与同一场景的可见光影像进行关联,并建立高光谱目标的位置信息以及目标特征数据库;
将红外影像与高光谱影像中检测到的目标进行关联,并根据红外目标的位置信息以及目标特征数据库和高光谱目标的位置信息以及目标特征数据库,对关联后的目标进行目标识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695451.4A CN110243769A (zh) | 2019-07-30 | 2019-07-30 | 一种多源信息辅助的高光谱亚像元目标识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695451.4A CN110243769A (zh) | 2019-07-30 | 2019-07-30 | 一种多源信息辅助的高光谱亚像元目标识别系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110243769A true CN110243769A (zh) | 2019-09-17 |
Family
ID=67893738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910695451.4A Pending CN110243769A (zh) | 2019-07-30 | 2019-07-30 | 一种多源信息辅助的高光谱亚像元目标识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110243769A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658208A (zh) * | 2019-11-11 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 基于高光谱的变电站绝缘子积污在线监测系统 |
CN113033483A (zh) * | 2021-04-20 | 2021-06-25 | 北京百度网讯科技有限公司 | 检测目标对象的方法、装置、电子设备和存储介质 |
CN113340825A (zh) * | 2021-06-17 | 2021-09-03 | 重庆大学 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567979A (zh) * | 2012-01-20 | 2012-07-11 | 南京航空航天大学 | 车载红外夜视系统及其多源图像融合方法 |
CN102800097A (zh) * | 2012-07-19 | 2012-11-28 | 中国科学院自动化研究所 | 多特征多级别的可见光与红外图像高精度配准方法 |
CN105321172A (zh) * | 2015-08-31 | 2016-02-10 | 哈尔滨工业大学 | 一种sar、红外、可见光图像融合方法 |
CN107578432A (zh) * | 2017-08-16 | 2018-01-12 | 南京航空航天大学 | 融合可见光与红外两波段图像目标特征的目标识别方法 |
JP2018181204A (ja) * | 2017-04-20 | 2018-11-15 | 国立大学法人秋田大学 | 対象物推定装置 |
CN109196518A (zh) * | 2018-08-23 | 2019-01-11 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
CN109558848A (zh) * | 2018-11-30 | 2019-04-02 | 湖南华诺星空电子技术有限公司 | 一种基于多源信息融合的无人机生命探测方法 |
-
2019
- 2019-07-30 CN CN201910695451.4A patent/CN110243769A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567979A (zh) * | 2012-01-20 | 2012-07-11 | 南京航空航天大学 | 车载红外夜视系统及其多源图像融合方法 |
CN102800097A (zh) * | 2012-07-19 | 2012-11-28 | 中国科学院自动化研究所 | 多特征多级别的可见光与红外图像高精度配准方法 |
CN105321172A (zh) * | 2015-08-31 | 2016-02-10 | 哈尔滨工业大学 | 一种sar、红外、可见光图像融合方法 |
JP2018181204A (ja) * | 2017-04-20 | 2018-11-15 | 国立大学法人秋田大学 | 対象物推定装置 |
CN107578432A (zh) * | 2017-08-16 | 2018-01-12 | 南京航空航天大学 | 融合可见光与红外两波段图像目标特征的目标识别方法 |
CN109196518A (zh) * | 2018-08-23 | 2019-01-11 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
CN109558848A (zh) * | 2018-11-30 | 2019-04-02 | 湖南华诺星空电子技术有限公司 | 一种基于多源信息融合的无人机生命探测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658208A (zh) * | 2019-11-11 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 基于高光谱的变电站绝缘子积污在线监测系统 |
CN113033483A (zh) * | 2021-04-20 | 2021-06-25 | 北京百度网讯科技有限公司 | 检测目标对象的方法、装置、电子设备和存储介质 |
CN113033483B (zh) * | 2021-04-20 | 2024-02-02 | 北京百度网讯科技有限公司 | 检测目标对象的方法、装置、电子设备和存储介质 |
CN113340825A (zh) * | 2021-06-17 | 2021-09-03 | 重庆大学 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110243769A (zh) | 一种多源信息辅助的高光谱亚像元目标识别系统和方法 | |
Zhang et al. | Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images | |
Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
Boltes et al. | Automatic extraction of pedestrian trajectories from video recordings | |
CN103745203B (zh) | 基于视觉注意和均值漂移的目标检测与跟踪方法 | |
CN104700404B (zh) | 一种果实定位识别方法 | |
US7630990B2 (en) | Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program | |
CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN106803286A (zh) | 基于多视点图像的虚实遮挡实时处理方法 | |
CN109472831A (zh) | 面向压路机施工过程的障碍物识别测距系统及方法 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CA2716842A1 (en) | Registration of 3d point cloud data using eigenanalysis | |
CN109460764A (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
JP2003344048A (ja) | 森林情報処理システム | |
CN106503170B (zh) | 一种基于遮挡维度的图像库构建方法 | |
CN110222604A (zh) | 基于共享卷积神经网络的目标识别方法和装置 | |
CN107689051A (zh) | 一种基于变化因子的多时相sar影像变化检测方法 | |
CN109870167A (zh) | 基于视觉的无人驾驶汽车的同时定位与地图创建方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN107220628A (zh) | 红外干扰源检测的方法 | |
CN109034189A (zh) | 基于高分遥感影像的森林类型识别方法 | |
CN112269173B (zh) | 一种多平台雷达一维图像信号进行融合的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |