CN110414343B - 一种在轨卫星遥感图像舰船检测方法 - Google Patents

一种在轨卫星遥感图像舰船检测方法 Download PDF

Info

Publication number
CN110414343B
CN110414343B CN201910548776.XA CN201910548776A CN110414343B CN 110414343 B CN110414343 B CN 110414343B CN 201910548776 A CN201910548776 A CN 201910548776A CN 110414343 B CN110414343 B CN 110414343B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
feature point
ship
super
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
Application number
CN201910548776.XA
Other languages
English (en)
Other versions
CN110414343A (zh
Inventor
苗启广
宋建锋
权义宁
王琛超
武越
戚玉涛
刘如意
盛立杰
刘向增
谢琨
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201910548776.XA priority Critical patent/CN110414343B/zh
Publication of CN110414343A publication Critical patent/CN110414343A/zh
Application granted granted Critical
Publication of CN110414343B publication Critical patent/CN110414343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种在轨卫星遥感图像舰船检测方法。所公开的方法利用超像素在保证目标完整性的前提下对高分辨率遥感图像进行分割并实现目标预定位，在预定位区域利用局部特征和可变阈值近邻校验实现目标检测的算法。在星载平台性能约束和实时性要求下，本发明算法运行效率可以满足星载平台实时检测要求，可以准确检测高分辨率遥感图像中的大型舰船目标。

Description

一种在轨卫星遥感图像舰船检测方法
技术领域
本发明涉及遥感及计算机视觉技术领域，特别涉及一种基于局部特征的在轨卫星遥感图像舰船检测方法。
背景技术
随着遥感技术的演进和我国高分辨率遥感卫星系统的逐步完善，遥感图像的空间分辨率正在逐步提升。更高解析度遥感卫星获取的遥感图像包含了更丰富的物体边缘信息、特征和纹理细节，使得对图像中的特定目标进行检测和识别有了更大的可能。遥感卫星不受地形、交通、领空、国界的约束，可以快速及时的获取高精度目标信息，具有巨大的军事战略意义和重要民用价值。但分辨率的提升也带来了数据量指数式增长和处理计算复杂度的大幅提升。对于单颗卫星，其重访周期都是以天为单位的，如需及时的对高价值战略目标的位置进行监控，这样的时间间隔显然不可接受。而随着小卫星与火箭发射技术的高速发展，通过小微卫星迅速组网形成全球监控网络在技术和成本两方面均成为现实。小微卫星组网形成的监控网络部署灵活、抗打击能力强，是实现全球不间断监控的重要途径。由于我国地面测控站点没有全球分布，而小微卫星组网卫星数量众多、探测数据量巨大，要把遥感数据及时传输回地面非常困难。同时由于小微卫星资源有限，完全依赖数据中继卫星进行传输亦不可行。因此，要实现小微卫星监控网络，必须避免大规模天地数据传输。在窄带控制信号的辅助下实现星上目标检测成为必然。
在轨卫星要在巨大且实时产生的高分辨率遥感图像中检测或识别感兴趣及有价值的目标需要强大的计算能力和高效的算法，同时由于航空遥感图像空间分辨率的重要性，降采样通常不可取。传统的基于模式或特征点匹配的算法具有检测能力较差，检测维度过低(基本为单个特征点范围)的问题，而近几年发展迅速的机器学习算法尤其是深度神经网络方法虽然具有更高的检测能力，但存在一定的不确定性且较依赖于高性能的计算平台和大量的数据存储。在轨卫星出于能源考虑及稳定性要求，其运算能力通常较弱。因此，现阶段在轨卫星的实时目标检测亟待解决的是检测准确度和计算(时间)复杂度双重约束下的高分辨率遥感图像目标检测问题。
发明内容
针对现有技术的缺陷或不足，本发明提供了一种在轨卫星遥感图像舰船
检测方法。本发明提供的在轨卫星遥感图像舰船检测方法包括：
(1)对待检测遥感图像进行降采样；
(2)对降采样后遥感图像进行超像素分割，得到分割后的遥感图像；
(3)对分割后遥感图像的每个超像素区域进行明度滤波，筛选出可能存在兴趣目标舰船的超像素区域；
(4)采用SURF算子提取可能存在兴趣目标舰船的超像素区域的所有特征点，构成特征点集A，所述遥感图像超像素区域由步骤(3)所得的可能存在兴趣舰船的超像素图像构成；
(5)采用比例校验方法判断特征点集A与兴趣舰船的特征点集B的匹配度，当特征点集A中存在一定数量的特征点与特征点集B的相应特征点匹配时，则原始遥感图像中存在兴趣舰船，否则不存在，所述比例校验方法中的阈值采用式(1)计算：
Figure BDA0002104884550000031
x为特征点集B中任一特征点b与其最近邻特征点的距离，b∈B；
maxblock表示放弃特征点b。
优选的，步骤(2)采用SNIC超像素分割算法对对降采样后遥感图像进行超像素分割，并且SNIC超像素分割算法中每遍历多个点后，更新一次质心。
优选的，步骤(2)所得分割后的遥感图像中相邻超像素区域的边缘互相重叠。
进一步，步骤(3)所述明度滤波包括统计分割后遥感图像中各超像素区域中明度值落于设定阈值范围之内的像素个数M，M超过阈值的超像素区域为可能存在兴趣目标舰船的超像素区域。
有些实施方式中，方法进一步包括：对于原始遥感图像中不存在兴趣舰船的情况，接着对特征点集A与特征点集B中不匹配的特征点进行二次匹配，所述二次匹配采用比例校验方法判断特征点集A与特征点集B的匹配度，并且比例校验方法中，对特征点集B中的任一待匹配特征点n，采用Tn与阈值进行比较，
Figure BDA0002104884550000032
D1N为特征点n与最邻近特征点的距离、D2N为特征点n与次邻近特征点的距离、D3N为特征点n与第三近邻特征点的距离，
Figure BDA0002104884550000042
为平衡比例参数，
Figure BDA0002104884550000043
取值范围为2-10。
本发明同时还提供一种在轨卫星遥感图像舰船检测系统，所提供的系统包括处理模块、数据存储模块及用户界面模块；所述处理模块包括分割模块、辅助模块和匹配模块；
所述处理模块包括：分割模块、辅助模块和匹配模块；
所述分割模块用于：对待检测遥感图像进行降采样；对降采样后遥感图像进行超像素分割，得到分割后的遥感图像；
所述辅助模块用于：对分割后遥感图像的每个超像素区域进行明度滤波，筛选出可能存在兴趣目标舰船的超像素区域；
所述匹配模块用于：采用SURF算子提取可能存在兴趣目标舰船的超像素区域的所有特征点，构成特征点集A，所述遥感图像超像素区域由步骤(3)所得的可能存在兴趣舰船的超像素图像构成；采用比例校验方法判断特征点集A与兴趣舰船的特征点集B的匹配度，当特征点集A中存在一定数量的特征点与特征点集B的相应特征点匹配时，则原始遥感图像中存在兴趣舰船，否则不存在，所述比例校验方法中的阈值采用式(1)计算：
Figure BDA0002104884550000041
x为特征点集B中任一特征点b与其最近邻特征点的距离，b∈B；
maxblock表示放弃特征点b；
所述数据存储模块用于存储系统中的数据。
本发明采用超像素分割、可变阈值近邻比匹配算法，设计了舰船检测整体算法及检测软件。对比了目前主流目标检测算法与本检测算法在星载平台仿真环境下的检测性能与检测用时并对软件进行了测试。在星载平台性能约束和实时性要求下，本发明具有最佳性能，算法运行效率可以满足星载平台实时检测要求，可以准确检测高分辨率遥感图像中的大型舰船目标。
附图说明
图1是实施例中待检测遥感图像示例；
图2是实施例中超像素分割图像示例；
图3是实施例匹配结果示例；
图4是本发明在轨卫星遥感图像舰船检测系统示例。
具体实施方式
本发明降采样后的遥感图像获取方法采用相关领域的常规操作，目的是经过降采样得到降采样后的遥感图像，高价值目标如航母在图像中所占的面积比例不会受到影响，而一些噪点和局部干扰还可得到部分消除。
本发明的超像素图像分割方法可采用相关领域的常规分割方法，如SNIC超像素分割算法，可得到以超像素为基本单位的遥感图像。也可采用加速后的SNIC超像素分割算法，加速后的SNIC超像素分割算法进行超像素生成并利用延迟超像素中心点更新策略进行更新，现有SNIC超像素算法是每计算一次距离更新一次质心，加速手段可以是在现有技术基础上遍历多个点后，更新一次质心，便于提高算法速度。具体的对于一个新的出队元素C，SNIC超像素算法需要检查其4或8连通通区域的邻居是否满足入队条件，以4连通区域为例，假设C的邻居Cn为Cn＝{C1,C2,C3,C4}，算法需统计符合入队条件的邻居数目并将这些邻居压入优先级队列中，当算法运行至C1元素出队时，算法将执行判断及距离计算并将其划分加入某超像素集合，计算平均值并执行超像素质心的更新。并且该更新可以在线实时进行。
本发明步骤中得到超像素分割图像可为经过范围扩展的超像素，相邻分割图像边缘互相重叠，以确保检测结果更加可靠。相邻分割图像边缘重叠可通过手动实现。
本发明所述特征点集B是存在兴趣舰船的遥感图像是发挥目标参照的作用，是由一已知遥感图像，即该遥感图像中存在目标舰船或仅存在目标舰船的遥感图像。采用SURF算子提取存在兴趣舰船的遥感图像的所有特征点，构成特征点集B；
本发明的特征提取采用SURF算子提取方法，具体利用SURF算子提取特征点并进行特征点描述。
本发明的匹配算法是可变阈值近邻比算法，具体是基于SURF特征点匹配算法中的固定阈值的比例校验方法，对阈值进行了修正，在不引入大量计算工作的前提下，提高了检测准确率。
进一步，在正例检测需求较高的场景下，考虑与参考特征点距离序列中具有第三近距离的特征点，本发明进一步采用二次近邻距离校验算法，具体计算近邻距离比时同时考虑最近邻与次近邻，次近邻与第三近邻的比值，并赋予第二次校验以更严格权值，当最近邻与次近邻比值未能通过阈值时选取近邻比值选取两个比值中的最小值并利用式(4-9)进行判断。
Figure BDA0002104884550000071
式(4-9)中，D3N为参考特征点距离序列中具有第三近距离的特征点，当D1N与D2N的近邻距离比达不到阈值时执行二次校验，即次近邻特征点与具有第三近距离的特征点进行近邻距离校验校验，同时选取更严格的平衡比例参数
Figure BDA0002104884550000072
(也可视为权重参数，取值范围2-10，根据识别正例的能力指定具体取值)避免误识别。
除非有特殊说明，本发明的其他术语根据相关领域的一般认识理解。
以下是发明人提供的具体实施例，以对本发明的技术方案做进一步解释说明。
实施例1：
(1)该实施例对待检测高分辨率遥感图像(图1所示)进行降采样，经过降采样得到降采样后的遥感图像；
(2)该实施例利用加速SNIC超像素分割算法对降采样后的遥感图像进行超像素分割得到分割后的超像素遥感图像，并且该超像素分割图像为经过范围扩展的超像素，边缘互相重叠，图2所示；
(3)遍历所有超像素遥感图像，寻找可能存在兴趣舰船的超像素图像；该实施例采用超像素图像的明度值与阈值范围为50-80，使用明度信息并采用基于明度快速滤波对各超像素进行滤波，选出符合明度特征的像素点并计数，当某一超像素的达标像素点数超过阈值则认为该超像素可能包含兴趣目标，认为此超像素可能存在兴趣目标，完成目标的预定位；映射超像素图像在原高分辨率图像中的位置；
(4)特征提取，匹配算法，该实施例的匹配结果如图3所示，跟踪匹配。
实施例2：
该实施例提供的是一种如图4所示的在轨卫星遥感图像舰船检测系统。根据图示内容系统包括处理模块、数据存储模块及用户界面模块；
所述处理模块包括分割模块、辅助模块和匹配模块；
所述处理模块包括：分割模块、辅助模块和匹配模块；
所述分割模块进一步包括降采样模块和超像素分割模块，分别用于：对待检测遥感图像进行降采样；对降采样后遥感图像进行超像素分割，得到分割后的遥感图像；
所述辅助模块进一步包括快速滤波模块和映射模块，分别用于：对分割后遥感图像的每个超像素区域进行明度滤波，筛选出可能存在兴趣目标舰船的超像素区域；映射超像素图像在原高分辨率图像中的位置；
所述匹配模块进一步包括特征提取模块、可变阈值近邻比算法，分别用于：采用SURF算子提取可能存在兴趣目标舰船的超像素区域的所有特征点，构成特征点集A，所述遥感图像超像素区域由步骤(3)所得的可能存在兴趣舰船的超像素图像构成；采用比例校验方法判断特征点集A与兴趣舰船的特征点集B的匹配度，当特征点集A中存在一定数量的特征点与特征点集B的相应特征点匹配时，则原始遥感图像中存在兴趣舰船，否则不存在，所述比例校验方法中的阈值采用式(1)计算：
Figure BDA0002104884550000091
x为特征点集B中任一特征点b与其最近邻特征点的距离，b∈B；
maxblock表示放弃特征点b。
更进一步，该实施例的匹配模块还可包括二次近邻校验，用于对于原始遥感图像中不存在兴趣舰船的情况，接着对特征点集A与特征点集B中不匹配的特征点进行二次匹配，所述二次匹配采用比例校验方法判断特征点集A与特征点集B的匹配度，并且比例校验方法中，对特征点集B中的任一待匹配特征点n，采用
Figure BDA0002104884550000092
与阈值进行比较，D1N为特征点n与最邻近特征点的距离、D2N为特征点n与次邻近特征点的距离、D3N为特征点n与第三近邻特征点的距离，
Figure BDA0002104884550000093
为平衡比例参数，
Figure BDA0002104884550000094
取值范围为2-10。

Claims (6)

1.一种在轨卫星遥感图像舰船检测方法，其特征在于，方法包括：
(1)对待检测遥感图像进行降采样；
(2)对降采样后遥感图像进行超像素分割，得到分割后的遥感图像；
(3)对分割后遥感图像的每个超像素区域进行明度滤波，筛选出可能存在兴趣目标舰船的超像素区域；
(4)采用SURF算子提取可能存在兴趣目标舰船的超像素区域的所有特征点，构成特征点集A，所述遥感图像超像素区域由步骤(3)所得的可能存在兴趣舰船的超像素图像构成；
(5)采用比例校验方法判断特征点集A与兴趣舰船的特征点集B的匹配度，当特征点集A中存在一定数量的特征点与特征点集B的相应特征点匹配时，则原始遥感图像中存在兴趣舰船，否则不存在，所述比例校验方法中的阈值采用式(1)计算：
Figure FDA0002104884540000011
x为特征点集B中任一特征点b与其最近邻特征点的距离，b∈B；
maxblock表示放弃特征点b。
2.如权利要求1所述的在轨卫星遥感图像舰船检测方法，其特征在于，步骤(2)采用SNIC超像素分割算法对对降采样后遥感图像进行超像素分割，并且SNIC超像素分割算法中每遍历多个点后，更新一次质心。
3.如权利要求1所述的在轨卫星遥感图像舰船检测方法，其特征在于，步骤(2)所得分割后的遥感图像中相邻超像素区域的边缘互相重叠。
4.如权利要求1所述的在轨卫星遥感图像舰船检测方法，其特征在于，步骤(3)所述明度滤波包括统计分割后遥感图像中各超像素区域中明度值落于设定阈值范围之内的像素个数M，M超过阈值的超像素区域为可能存在兴趣目标舰船的超像素区域。
5.如权利要求1所述的在轨卫星遥感图像舰船检测方法，其特征在于，方法进一步包括：对于原始遥感图像中不存在兴趣舰船的情况，接着对特征点集A与特征点集B中不匹配的特征点进行二次匹配，所述二次匹配采用比例校验方法判断特征点集A与特征点集B的匹配度，并且比例校验方法中，对特征点集B中的任一待匹配特征点n，采用Tn与阈值进行比较，
Figure FDA0002104884540000021
D1N为特征点n与最邻近特征点的距离、D2N为特征点n与次邻近特征点的距离、D3N为特征点n与第三近邻特征点的距离，
Figure FDA0002104884540000022
为平衡比例参数，
Figure FDA0002104884540000023
取值范围为2-10。
6.一种在轨卫星遥感图像舰船检测系统，其特征在于，包括处理模块、数据存储模块及用户界面模块；所述处理模块包括分割模块、辅助模块和匹配模块；
所述处理模块包括：分割模块、辅助模块和匹配模块；
所述分割模块用于：对待检测遥感图像进行降采样；对降采样后遥感图像进行超像素分割，得到分割后的遥感图像；
所述辅助模块用于：对分割后遥感图像的每个超像素区域进行明度滤波，筛选出可能存在兴趣目标舰船的超像素区域；
所述匹配模块用于：采用SURF算子提取可能存在兴趣目标舰船的超像素区域的所有特征点，构成特征点集A，所述遥感图像超像素区域由步骤(3)所得的可能存在兴趣舰船的超像素图像构成；采用比例校验方法判断特征点集A与兴趣舰船的特征点集B的匹配度，当特征点集A中存在一定数量的特征点与特征点集B的相应特征点匹配时，则原始遥感图像中存在兴趣舰船，否则不存在，所述比例校验方法中的阈值采用式(1)计算：
Figure FDA0002104884540000031
x为特征点集B中任一特征点b与其最近邻特征点的距离，b∈B；
maxblock表示放弃特征点b；
所述数据存储模块用于存储系统中的数据。
CN201910548776.XA 2019-06-24 2019-06-24 一种在轨卫星遥感图像舰船检测方法 Active CN110414343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910548776.XA CN110414343B (zh) 2019-06-24 2019-06-24 一种在轨卫星遥感图像舰船检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910548776.XA CN110414343B (zh) 2019-06-24 2019-06-24 一种在轨卫星遥感图像舰船检测方法

Publications (2)

Publication Number Publication Date
CN110414343A CN110414343A (zh) 2019-11-05
CN110414343B true CN110414343B (zh) 2022-12-02

Family

ID=68359654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910548776.XA Active CN110414343B (zh) 2019-06-24 2019-06-24 一种在轨卫星遥感图像舰船检测方法

Country Status (1)

Country Link
CN (1) CN110414343B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008446B (zh) * 2019-12-06 2023-03-10 北京京航计算通讯研究所 基于网格船位布设计算的速度优化系统
CN111507991B (zh) * 2020-04-20 2023-03-21 西安邮电大学 特征区域的遥感图像分割方法及装置
CN112785608B (zh) * 2021-02-09 2022-06-21 哈尔滨理工大学 一种基于自适应参数改进snic的医学图像分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077777A (zh) * 2014-07-04 2014-10-01 中国科学院大学 一种海面舰船目标检测方法
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN109766830A (zh) * 2019-01-09 2019-05-17 深圳市芯鹏智能信息有限公司 一种基于人工智能图像处理的舰船目标识别系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077777A (zh) * 2014-07-04 2014-10-01 中国科学院大学 一种海面舰船目标检测方法
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN109766830A (zh) * 2019-01-09 2019-05-17 深圳市芯鹏智能信息有限公司 一种基于人工智能图像处理的舰船目标识别系统及方法

Also Published As

Publication number Publication date
CN110414343A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN111862126B (zh) 深度学习与几何算法结合的非合作目标相对位姿估计方法
CN110414343B (zh) 一种在轨卫星遥感图像舰船检测方法
RU2536349C2 (ru) Способ обнаружения космических обломков
CN107527328B (zh) 一种兼顾精度与速度的无人机影像几何处理方法
CN107480727A (zh) 一种sift和orb相结合的无人机影像快速匹配方法
CN109492580B (zh) 一种基于全卷积网络的邻域显著性参照的多尺寸航拍图像定位方法
CN111914924B (zh) 一种快速舰船目标检测方法、存储介质及计算设备
CN108108697B (zh) 一种实时无人机视频目标检测与跟踪方法
US8503761B2 (en) Geospatial modeling system for classifying building and vegetation in a DSM and related methods
CN111079604A (zh) 面向大尺度遥感图像的微小目标快速检测方法
CN106096497B (zh) 一种针对多元遥感数据的房屋矢量化方法
CN110617802A (zh) 一种星载动目标检测及速度估计方法
CN114034296A (zh) 一种导航信号干扰源检测与识别方法及系统
CN103679740B (zh) 一种无人机对地目标roi提取方法
CN114255407A (zh) 基于高分辨率的反无人机多目标识别和跟踪视频探测方法
CN112946679A (zh) 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN108519083A (zh) 一种空间非合作多目标捕获与跟踪算法
JP3863014B2 (ja) 物体検出装置及びその方法
WO2022156652A1 (zh) 交通工具运动状态评估方法、装置、设备以及介质
CN105225232A (zh) 一种基于视觉注意机制的彩色着舰合作目标检测方法
CN115690610A (zh) 一种基于图像匹配的无人机导航方法
CN115424140A (zh) 星载海量图像数据分布式协同快速高精度处理系统及方法
CN111008555B (zh) 一种无人机图像弱小目标增强提取方法
CN114842074A (zh) 一种基于模型匹配的无人机影像定位方法
CN114037968A (zh) 基于深度雷达点云和图像数据融合的车道线检测方法

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
GR01 Patent grant
GR01 Patent grant