CN110334656A - 基于信源概率加权的多源遥感图像水体提取方法及装置 - Google Patents

基于信源概率加权的多源遥感图像水体提取方法及装置 Download PDF

Info

Publication number
CN110334656A
CN110334656A CN201910611203.7A CN201910611203A CN110334656A CN 110334656 A CN110334656 A CN 110334656A CN 201910611203 A CN201910611203 A CN 201910611203A CN 110334656 A CN110334656 A CN 110334656A
Authority
CN
China
Prior art keywords
image block
information source
probability
remote sensing
clean water
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
CN201910611203.7A
Other languages
English (en)
Other versions
CN110334656B (zh
Inventor
李鹏程
柯玲
周杨
徐青
刘志青
邢帅
陈安东
王丹菂
张鑫磊
焦麟
刘宸博
侯慧太
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN201910611203.7A priority Critical patent/CN110334656B/zh
Publication of CN110334656A publication Critical patent/CN110334656A/zh
Application granted granted Critical
Publication of CN110334656B publication Critical patent/CN110334656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于信源概率加权的多源遥感图像水体提取方法及装置，属于多源遥感图像处理技术领域，通过对目标图像进行重叠分块，对每个图像块进行语义分割处理，确定每个图像块中的每个像素对应类别标签的概率，所述类别标签至少分为水体标签和背景标签，对每个图像块进行信源分类，得到每个图像块对应的信源概率分布，对目标图像中的每个像素，搜索该像素在其所处若干个图像块中对应类别标签的概率，并结合信源概率分布进行加权平均计算，得到每个像素的类别标签，从而得到所有像素的类别标签以完成水体提取，解决现有利用多源遥感图像提取水体信息的方法存在精确度差的问题。

Description

基于信源概率加权的多源遥感图像水体提取方法及装置
技术领域
本发明涉及基于信源概率加权的多源遥感图像水体提取方法及装置，属于多源遥感图像处理技术领域。
背景技术
遥感影像中记录了地表物体对电磁波的反射信息及其自身向外的辐射信息，相对于其他地物而言，水体在整个光谱范围内呈现出较弱的反射率，而土壤、植被、建筑物等具有较高的反射率，使得水体与它们具有明显区别。通过对遥感图像进行处理，将水体信息与其他物质区分开就是提取水体信息。
从遥感图像中提取水体信息，对于环境监测、水资源调查以及合理的规划利用都起着十分重要的作用。如今，遥感信息呈现海量化、多源化和共享化的特征，这就意味着人们更容易得到多源传感器获取的海量遥感图像数据，通过对多源传感器获取的遥感图像分析处理，进行水体提取。
现有水体提取方法可分为4类：(1)主题方法，包括非监督分类或主成分分析聚类；(2)监督分类方法，包括最大似然估计，决策树方法等；(3)指数法，包括单波段阈值，双谱段指数；(4)不同方法综合，例如子像素分类，光谱混合分析，基于规则的方法等。
以上方法均依赖人工设计的特征，阈值难以确定，缺乏灵活性。多源遥感图像通常是由不同传感器平台获取，上述方法难以适应多源遥感图像多样性的特点，所得到的水体提取精度较差，传统方法已经难以适应遥感大数据时代的水体提取需求。因而如何在多源遥感数据图像的基础上提高水体信息提取的精度是一个有待解决的问题。
发明内容
本发明的目的是提供一种基于信源概率加权的多源遥感图像水体提取方法及装置，解决现有利用多源遥感图像提取水体信息的方法存在精确度差的问题。
为实现上述目的，本发明的技术方案为：本发明提供了一种基于信源概率加权的多源遥感图像水体提取方法，包括如下步骤：
1)目标图像重叠分块步骤：将目标图像分为多个设定规格的图像块，图像块之间部分重叠；
2)图像块语义分割处理步骤：对每个图像块进行语义分割处理，确定每个图像块中每个像素对应类别标签的概率，所述类别标签至少分为水体标签和背景标签；
3)图像块的信源分类步骤：对每个图像块进行信源分类，得到每个图像块对应的信源概率分布；
4)信源概率加权平均步骤：对目标图像中的每个像素，搜索该像素在其所处的若干个图像块中对应类别标签的概率，并结合信源概率分布进行加权平均计算，得到每个像素的类别标签，从而得到所有像素的类别标签以完成水体提取。
本发明还提供了一种基于信源概率加权的多源遥感图像水体提取装置，包括处理器和存储器，以及存储在存储器上并在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现如下步骤：
1)目标图像重叠分块步骤：将目标图像分为多个设定规格的图像块，图像块之间部分重叠；
2)图像块语义分割处理步骤：对每个图像块进行语义分割处理，确定每个图像块中每个像素对应类别标签的概率，所述类别标签至少分为水体标签和背景标签；
3)图像块的信源分类步骤：对每个图像块进行信源分类，得到每个图像块对应的信源概率分布；
4)信源概率加权平均步骤：对目标图像中的每个像素，搜索该像素在其所处的若干个图像块中对应类别标签的概率，并结合信源概率分布进行加权平均计算，得到每个像素的类别标签，从而得到所有像素的类别标签以完成水体提取。
本发明通过上述基于信源概率加权的多源遥感图像水体提取方法及装置，考虑到多源遥感图像由不同传感器平台获取，信源之间差异较大，将目标图像进行语义分割，得到每个像素的类别概率，所述类别概率为该像素是水体或背景的概率，并进行信源分类，获取每个图像块中对应的信源概率分布，对目标图像中的每个像素进行信源概率加权平均计算，得到每个像素的类别标签，从而得到所有像素的类别标签以完成水体提取。通过上述方法将与目标图像相关性强的信源赋予更大的权重，反之，与目标图像相关性弱的源则赋予较小权重，从而有效解决了传统方法对人工提取特征的依赖问题，提高了水体提取的精度。
进一步的，对于上述基于信源概率加权的多源遥感图像水体提取方法及装置，为了自动提取逐层抽象特征，将卷积神经网络运用于水体提取中，避免人工干预，所述步骤2)中利用U-Net模型对每个图像块进行语义分割处理，确定每个像素对应类别标签的概率。
进一步的，对于上述基于信源概率加权的多源遥感图像水体提取方法及装置，为了自动提取逐层抽象特征，将卷积神经网络运用于水体提取中，避免人工干预，所述步骤3)中利用AlexNet模型对图像块进行信源分类，得到每个图像块对应的信源概率分布。
进一步的，对于上述基于信源概率加权的多源遥感图像水体提取方法及装置，为了增加样本数量，提高模型训练过程的精确性，对U-Net模型进行训练，模型训练过程中采取多次平移、旋转以及变形处理进行样本标签增强，变形处理采取线性移动最小二乘算法。
进一步的，对于上述基于信源概率加权的多源遥感图像水体提取方法及装置，为了增加样本数量，提高模型训练过程的精确性，对AlexNet模型进行训练，模型训练过程中采取多次平移、旋转以及变形处理进行样本标签增强，变形处理采取线性移动最小二乘算法。
进一步的，对于上述基于信源概率加权的多源遥感图像水体提取方法及装置，所述步骤1)中将目标图像分为64*64的图像块，分块时横向与纵向均以32像素为步长产生50％的图像重叠。
进一步的，对于上述基于信源概率加权的多源遥感图像水体提取方法及装置，
所述步骤4)中加权平均计算过程如下：
其中，N是像素x所在图像块总数；M为信源数量；表示从第j信源得到像素x在第i块中对应类别标签的概率；wj为第j信源的概率；是最终计算的像素x类别标签。
附图说明
图1是本发明实施例中基于信源概率加权的多源遥感图像水体提取方法流程图；
图2是本发明实施例中的U-Net网络模型架构图；
图3是本发明实施例中信源概率加权平均过程示意图。
具体实施方式
下面结合附图对本发明的实施方式作进一步详细的说明。
随着近几年来深度学习技术的不断发展，卷积神经网络已经成功应用于计算机视觉、自然语言处理等领域。卷积神经网络可以自动提取逐层抽象特征，无需人工干预。将卷积神经网络运用于水体提取中，解决了传统方法对人工提取特征的依赖问题，提高水体提取的适应性和可靠性。
为发挥多源遥感图像与卷积神经网络技术的优势，提出一种基于信源概率加权的多源遥感图像水体提取方法及装置。
基于信源概率加权的多源遥感图像水体提取方法实施例：
本发明的技术思想在于：多源遥感图像由不同传感器平台获取，信源之间差异较大，将与目标图像相关性强的源应赋予更大权重，反之，与目标图像相关性弱的源则赋予较小权重。将目标图像进行重叠分块，对每块图像进行语义分割，确定每块目标图像的信源概率分布，根据信源概率加权和重叠分块的语义分割结果实现遥感图像水体提取。
如图1所示为本发明中基于信源概率加权的多源遥感图像水体提取方法流程图。该方法具体包括以下步骤：
1)目标图像重叠分块步骤：将目标图像分为多个设定规格的图像块，图像块之间部分重叠。
将目标图像分为64*64的图像块，分块时横向与纵向均以32像素为补偿产生50％的图像重叠。
2)图像块语义分割处理步骤：对每个图像块进行语义分割处理，确定每个图像块中每个像素对应类别标签的概率，所述类别标签至少分为水体标签和背景标签。
本实施例中采用U-Net模型进行语义分割处理。U-Net是一种多尺度全卷积神经网络模型，同时顾及全局与局部特征，通过训练该模型实现每个图像块的语义分割处理，即可得到每个图像块中像素对应的水体或背景的概率。
图2展示了U-Net的网络模型架构，深色块代表多通道特征图，通道数标注与块顶部，左下角标注为特征图尺寸，白色块表示复制的特征图。该模型包含一个收缩路径和一个扩展路径。在收缩路径中，每一层都经过两个卷积核为3×3的卷积操作，并采用修正线性单元(ReLU)f(x)＝max(0,x)作为激活函数，然后进行2×2的最大池化操作，即在2×2的窗口内取最大像素值，并舍弃其余像素实现下采样及冗余信息的剔除，下采样过程中特征通道的数量呈2倍增长。在扩展路径中，利用2×2的反卷积实现特征图的上采样，特征通道的数量减半，每一层中的特征图与收缩路径中相应尺寸的特征图进行合并，得到尺寸不变，特征通道加倍的特征图合并结果，然后同样要经过两个3×3的卷积，以及ReLU激活过程。在最后一层中，使用1×1的卷积核将64个特征向量映射为2个特征向量，即对应水体类别和非水体类别，实现对每个图像块中的水体与背景的区分，并得到对应类别标签的概率。
利用U-Net模型进行图像块的语义分割处理步骤中，还包括模型训练与样本标签增强的过程。通过样本图像数据与相应标签数据对该模型进行训练，其实质是一个最优参数的求解过程。深度学习中将这一过程转换为损失函数最小化问题，通常选取交叉熵损失函数。
其中，x是像素样本；K是类别数量；类别值m取为{0,1}；pm(x)表示像素x属于标签m的概率。这个概率通过像素级的softmax函数得到，也就是U-Net模型的最终特征图进行softmax激活便得到每个像素对应类别标签的概率，softmax激活函数的定义如下：
ak表示像素x对应特征通道k的激活值。若pk(x)趋近于1，说明在特征通道k的激活值达到最大时，其他特征通道的pk(x)会趋近于0。
模型训练过程中，通过反向传播不断更新参数，利用自适应动量估计实现参数优化。通常，深度学习需要大量样本才能够训练出合适的模型，然而，对于遥感数据来说，获取大量标签数据的难度较大。
因此，在有限的样本标签基础上，需进行样本标签增强的处理来扩大样本数量。由于水体是自然形成地物，几何上表现为扭曲、非对称特征。因而，本发明采取多次平移、旋转以及变形处理进行样本标签增强，具体采用垂直翻转、水平翻转以及水平垂直翻转方式，变形处理采取线性移动最小二乘算法，变形处理迭代次数设置为10次，这样在保证数据鲁棒性的基础上大大增加了样本量。样本标签增强后再打乱样本排序，由此可以避免模型训练出现过拟合问题。
线性移动最小二乘算法中，假设p是一组原图控制点坐标，q为变形后图像的控制点位置，对于图像中的给定点v，变形处理就是要求解最优仿射变换lv(x)使得式(3)最小：
其中pn与qn是行向量，权重α为调节变形参数，通常α取值1。对于不同的点v，其对应有不同的仿射变换函数lv(x)，若对每个像素点通过以上方法求取变换后的像素位置，其计算量很大。通常先对图像进行三角剖分，然后只计算三角网顶点的变形位置，最后利用三角形仿射变换计算三角形内每个像素的变形位置从而得到最终变形图像。
3)图像块的信源分类步骤：对每个图像块进行信源分类，得到每个图像块对应的信源概率分布。
本实施例中借鉴深度学习图像场景分类的思想，对遥感图像进行信源分类。采用图像场景分类的网络架构AlexNet模型进行训练和预测，获取图像块的信源分类，从而得到该图像块对应每个信源的概率分布。
AlexNet是一种用于图像分类的卷积神经网络模型，该网络模型的特点是可以自动学习多层次特征：较浅的卷积层感受野小，学习到一些局部特征；较深的卷积层感受野较大，学习到更加抽象的特征。这些抽象特征对目标大小、位置和方向不敏感，从而有助于提高目标识别性能。该网络架构共包含5层卷积层与3层全连接层。第一层使用96个11×11×3、步长为4个像素的卷积核对512×512×3的图像进行卷积；第二层需要将第一层的输出作为自己的输入，且利用256个5×5×48的卷积核进行卷积；第三层和第四层采用384个3×3×256的卷积核；第五层有256个大小为3×3×192的卷积核。其中第一层、第二层和第五层在卷积后都进行了最大池化下采样处理，池化尺寸为3×3，步长为2，第一层和第二层下采样后又做了局部归一化，后3层为全连接层。最后由Softmax函数产生一个一维向量，向量长度由现有源数据种类的数量决定，它表示类标签的概率分布，概率大表明该源数据的权重大，说明目标图像与该源数据的相关性越强。该模型主要用于图像分类，本发明将其用于信源分类，得到信源概率分布。
采用AlexNet模型进行训练和预测的过程中，同样包括信源样本增强的步骤，该增强方法与上述语义分割过程中的样本增强同理，此处不再赘述。
4)信源概率加权平均步骤：对目标图像中的每个像素，搜索该像素在其所处的若干个图像块中对应类别标签的概率，并结合信源概率分布进行加权平均计算，得到每个像素的类别标签，从而得到所有像素的类别标签以完成水体提取。
本实施例中，每个图像块通过U-Net网络模型生成相应尺寸的标签矩阵，通过AlexNet网络模型得到对应的信源概率分布。对目标图像中的每个像素，搜索相应图像块中的类别标签，并结合信源概率分布得到每个像素对应的类别标签，从而得到所有像素的类别标签已完成水体提取。信源概率加权的具体公式如下：
其中，N是像素x所在图像块总数；M为信源数量；表示从第j信源得到像素x在第i块中对应类别标签的概率；wj为第j信源的概率；是最终计算的像素x类别标签。
基于信源概率加权的多源遥感图像水体提取装置实施例：
本发明中所提出的基于信源概率加权的多源遥感图像水体提取装置，包括处理器和存储器，以及存储在存储器上并在所述处理器上运行的计算机程序，处理器可以采用单片机、FPGA、DSP、PLC或MCU等实现，存储器可以采用RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其他形式的存储介质，可以将该存储介质耦接至处理器，使处理器能够从该存储介质读取信息，或者该存储介质可以是处理器的组成部分。
处理器执行所述计算机程序时实现以下基于信源概率加权的多源遥感图像水体提取方法：
1)目标图像重叠分块步骤：将目标图像分为多个设定规格的图像块，图像块之间部分重叠；
2)图像块语义分割处理步骤：对每个图像块进行语义分割处理，确定每个图像块中每个像素对应类别标签的概率，所述类别标签至少分为水体标签和背景标签；
3)图像块的信源分类步骤：对每个图像块进行信源分类，得到每个图像块对应的信源概率分布；
4)信源概率加权平均步骤：对目标图像中的每个像素，搜索该像素在其所处的若干个图像块中对应类别标签的概率，并结合信源概率分布进行加权平均计算，得到每个像素的类别标签，从而得到所有像素的类别标签以完成水体提取。
各步骤的具体实现方式已在基于信源概率加权的多源遥感图像水体提取方法的实施例中进行了详细说明，这里不再赘述。
以上只是给出了实现水体提取的实施方式，本发明的关键在于提供一种思想，在这种思想的启示下，做出的任何实现多源遥感图像中进行水体提取的方法、装置均在本发明的保护范围内。

Claims (8)

1.一种基于信源概率加权的多源遥感图像水体提取方法，其特征在于，包括如下步骤：
1)目标图像重叠分块步骤：将目标图像分为多个设定规格的图像块，图像块之间部分重叠；
2)图像块语义分割处理步骤：对每个图像块进行语义分割处理，确定每个图像块中每个像素对应类别标签的概率，所述类别标签至少分为水体标签和背景标签；
3)图像块的信源分类步骤：对每个图像块进行信源分类，得到每个图像块对应的信源概率分布；
4)信源概率加权平均步骤：对目标图像中的每个像素，搜索该像素在其所处的若干个图像块中对应类别标签的概率，并结合信源概率分布进行加权平均计算，得到每个像素的类别标签，从而得到所有像素的类别标签以完成水体提取。
2.根据权利要求1所述的基于信源概率加权的多源遥感图像水体提取方法，其特征在于，所述步骤2)中利用U-Net模型对每个图像块进行语义分割处理，确定每个像素对应类别标签的概率。
3.根据权利要求1所述的基于信源概率加权的多源遥感图像水体提取方法，其特征在于，所述步骤3)中利用AlexNet模型对图像块进行信源分类，得到每个图像块对应的信源概率分布。
4.根据权利要求2所述的基于信源概率加权的多源遥感图像水体提取方法，其特征在于，对U-Net模型进行训练，模型训练过程中采取多次平移、旋转以及变形处理进行样本标签增强，变形处理采取线性移动最小二乘算法。
5.根据权利要求3所述的基于信源概率加权的多源遥感图像水体提取方法，其特征在于，对AlexNet模型进行训练，模型训练过程中采取多次平移、旋转以及变形处理进行样本标签增强，变形处理采取线性移动最小二乘算法。
6.根据权利要求1所述的基于信源概率加权的多源遥感图像水体提取方法，其特征在于，所述步骤1)中将目标图像分为64*64的图像块，分块时横向与纵向均以32像素为步长产生50％的图像重叠。
7.根据权利要求1-6任意一项所述的基于信源概率加权的多源遥感图像水体提取方法，其特征在于，所述步骤4)中加权平均计算过程如下：
其中，N是像素x所在图像块总数；M为信源数量；表示从第j信源得到像素x在第i块中对应类别标签的概率；wj为第j信源的概率；是最终计算的像素x类别标签。
8.一种基于信源概率加权的多源遥感图像水体提取装置，其特征在于，包括处理器和存储器，以及存储在存储器上并在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的基于信源概率加权的多源遥感图像水体提取方法。
CN201910611203.7A 2019-07-08 2019-07-08 基于信源概率加权的多源遥感图像水体提取方法及装置 Active CN110334656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910611203.7A CN110334656B (zh) 2019-07-08 2019-07-08 基于信源概率加权的多源遥感图像水体提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910611203.7A CN110334656B (zh) 2019-07-08 2019-07-08 基于信源概率加权的多源遥感图像水体提取方法及装置

Publications (2)

Publication Number Publication Date
CN110334656A true CN110334656A (zh) 2019-10-15
CN110334656B CN110334656B (zh) 2021-09-21

Family

ID=68144418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910611203.7A Active CN110334656B (zh) 2019-07-08 2019-07-08 基于信源概率加权的多源遥感图像水体提取方法及装置

Country Status (1)

Country Link
CN (1) CN110334656B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111609787A (zh) * 2020-05-28 2020-09-01 杭州电子科技大学 基于神经网络解决电磁逆散射问题的两步无相位成像法
CN111930935A (zh) * 2020-06-19 2020-11-13 普联国际有限公司 图像分类方法、装置、设备和存储介质
CN112242193A (zh) * 2020-11-16 2021-01-19 同济大学 一种基于深度学习的自动血管穿刺方法
CN112800851A (zh) * 2020-12-31 2021-05-14 浙江省测绘科学技术研究院 基于全卷积神经元网络的水体轮廓自动提取方法及系统
CN112884775A (zh) * 2021-01-20 2021-06-01 推想医疗科技股份有限公司 一种分割方法、装置、设备及介质
CN114448563A (zh) * 2021-12-13 2022-05-06 北京邮电大学 语义编码传输方法及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003288581A (ja) * 2002-03-28 2003-10-10 Nippon Telegr & Teleph Corp <Ntt> 水領域抽出処理方法，水領域抽出処理装置，水領域抽出処理プログラムおよびそのプログラムの記録媒体
US20080019575A1 (en) * 2006-07-20 2008-01-24 Anthony Scalise Digital image cropping using a blended map
US20080219506A1 (en) * 2003-07-18 2008-09-11 Lockheed Martin Corporation Method and apparatus for automatic object identification
CN105139015A (zh) * 2015-07-24 2015-12-09 河海大学 一种遥感图像水体提取方法
CN108564056A (zh) * 2018-04-25 2018-09-21 中国水利水电科学研究院 一种遥感影像水体识别提取的方法
CN109086649A (zh) * 2018-05-29 2018-12-25 国网新疆电力有限公司信息通信公司 卫星遥感图像水体识别方法
CN109360190A (zh) * 2018-09-21 2019-02-19 清华大学 基于图像超像素融合的建筑损毁检测方法及装置
CN109740460A (zh) * 2018-12-21 2019-05-10 武汉大学 基于深度残差密集网络的光学遥感图像舰船检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003288581A (ja) * 2002-03-28 2003-10-10 Nippon Telegr & Teleph Corp <Ntt> 水領域抽出処理方法，水領域抽出処理装置，水領域抽出処理プログラムおよびそのプログラムの記録媒体
US20080219506A1 (en) * 2003-07-18 2008-09-11 Lockheed Martin Corporation Method and apparatus for automatic object identification
US20080019575A1 (en) * 2006-07-20 2008-01-24 Anthony Scalise Digital image cropping using a blended map
CN105139015A (zh) * 2015-07-24 2015-12-09 河海大学 一种遥感图像水体提取方法
CN108564056A (zh) * 2018-04-25 2018-09-21 中国水利水电科学研究院 一种遥感影像水体识别提取的方法
CN109086649A (zh) * 2018-05-29 2018-12-25 国网新疆电力有限公司信息通信公司 卫星遥感图像水体识别方法
CN109360190A (zh) * 2018-09-21 2019-02-19 清华大学 基于图像超像素融合的建筑损毁检测方法及装置
CN109740460A (zh) * 2018-12-21 2019-05-10 武汉大学 基于深度残差密集网络的光学遥感图像舰船检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MICHAEL O BYRNE ET AL: "Semantic Segmentation of Underwater Imagery Using Deep Networks Trained on Synthetic Imagery", 《JOURNAL OF MARINE SCIENCE AND ENGINEERING》 *
崔舜桃等: "多源遥感数据在植被覆盖区的水体信息提取", 《科学技术与工程》 *
张鑫禄等: "基于DeepLabv3架构的高分辨率遥感图像分类", 《海洋测绘》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111609787A (zh) * 2020-05-28 2020-09-01 杭州电子科技大学 基于神经网络解决电磁逆散射问题的两步无相位成像法
CN111609787B (zh) * 2020-05-28 2021-10-01 杭州电子科技大学 基于神经网络解决电磁逆散射问题的两步无相位成像法
CN111930935A (zh) * 2020-06-19 2020-11-13 普联国际有限公司 图像分类方法、装置、设备和存储介质
CN111930935B (zh) * 2020-06-19 2024-06-07 普联国际有限公司 图像分类方法、装置、设备和存储介质
CN112242193A (zh) * 2020-11-16 2021-01-19 同济大学 一种基于深度学习的自动血管穿刺方法
CN112242193B (zh) * 2020-11-16 2023-03-31 同济大学 一种基于深度学习的自动血管穿刺方法
CN112800851A (zh) * 2020-12-31 2021-05-14 浙江省测绘科学技术研究院 基于全卷积神经元网络的水体轮廓自动提取方法及系统
CN112800851B (zh) * 2020-12-31 2022-09-23 浙江省测绘科学技术研究院 基于全卷积神经元网络的水体轮廓自动提取方法及系统
CN112884775A (zh) * 2021-01-20 2021-06-01 推想医疗科技股份有限公司 一种分割方法、装置、设备及介质
CN114448563A (zh) * 2021-12-13 2022-05-06 北京邮电大学 语义编码传输方法及电子设备
CN114448563B (zh) * 2021-12-13 2024-03-08 北京邮电大学 语义编码传输方法及电子设备

Also Published As

Publication number Publication date
CN110334656B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
Jia et al. Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot
CN111797716B (zh) 一种基于Siamese网络的单目标跟踪方法
CN109492581B (zh) 一种基于tp-stg框架的人体动作识别方法
CN107967451B (zh) 一种对静止图像进行人群计数的方法
CN110334656A (zh) 基于信源概率加权的多源遥感图像水体提取方法及装置
CN106909902B (zh) 一种基于改进的层次化显著模型的遥感目标检测方法
CN108805070A (zh) 一种基于嵌入式终端的深度学习行人检测方法
CN112052886A (zh) 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN103310466B (zh) 一种单目标跟踪方法及其实现装置
CN107818302A (zh) 基于卷积神经网络的非刚性多尺度物体检测方法
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN110046572A (zh) 一种基于深度学习的地标建筑物识别与检测方法
CN109800629A (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN113239830B (zh) 一种基于全尺度特征融合的遥感图像云检测方法
CN108921019A (zh) 一种基于GEI和TripletLoss-DenseNet的步态识别方法
CN110633708A (zh) 一种基于全局模型和局部优化的深度网络显著性检测方法
CN109543632A (zh) 一种基于浅层特征融合引导的深层网络行人检测方法
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
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
CN108596195B (zh) 一种基于稀疏编码特征提取的场景识别方法
CN113313123B (zh) 一种基于语义推断的扫视路径预测方法
CN109886267A (zh) 一种基于最优特征选择的低对比度图像显著性检测方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
Hu et al. RGB-D image multi-target detection method based on 3D DSF R-CNN

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