CN110414411A - 基于视觉显著性的海面船只候选区域检测方法 - Google Patents
基于视觉显著性的海面船只候选区域检测方法 Download PDFInfo
- Publication number
- CN110414411A CN110414411A CN201910673432.1A CN201910673432A CN110414411A CN 110414411 A CN110414411 A CN 110414411A CN 201910673432 A CN201910673432 A CN 201910673432A CN 110414411 A CN110414411 A CN 110414411A
- Authority
- CN
- China
- Prior art keywords
- image
- ship
- candidate region
- characteristic pattern
- target
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/30—Noise filtering
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于视觉显著性的海面船只候选区域检测方法,包括:步骤一、采用FT视觉显著性模型获取包含海面船只目标的光学遥感图像的频域特征图;步骤二、采用Scharr边缘检测算子获取光学遥感图像的边缘梯度特征图;步骤三、采用高斯混合函数对频域特征图和边缘梯度特征图进行融合,得到融合特征图;步骤四、基于otsu自适应阈值分割算法,对融合特征图进行二值化,用于将包含船只目标的区域从图像中提取出来,获取海面船只候选区域。融合了FT视觉显著性模型和Scharr边缘检测算子在海面船只检测中的优点,有效抑制了背景噪声的影响并突出所有尺度大小的船只目标,使得候选区域提取结果更加准确;融合模型提取海面船只候选区域的检测速度快。
Description
技术领域
本发明涉及一种基于视觉显著性的海面船只候选区域检测方法,属于图像处理技术领域。
背景技术
目前,世界各国日益重视对其海上利益的保护,光学遥感卫星由于具有观测区域大、可周期性重访且不受国界约束等优势,基于光学遥感卫星的光学遥感图像的海面船只检测技术逐渐成为各国对海上态势的重要监测手段,广泛应用于人道主义救援和打击贩毒、非法捕捞等海上非法活动。
传统的船只检测方法通常采用滑动窗口遍历整幅光学遥感图像的方式提取船只目标候选区域,并利用人工设计的特征来提取候选区域的特征信息,然后利用分类器确定子窗口内是否包含船只目标,此类方法简单、易于实现。
发明人在研究的过程中发现,传统的目标检测方法的检测性能依赖人工设计特征的质量,针对不同类型的检测对象需设计不同的特征,若特征设计的不合适,将直接影响分类器的分类性能,而且检测窗口大量冗余,特征的重复提取使得算法的检测速度较慢。
基于深度学习的目标检测技术不需要人为设计特征,可采用卷积神经网络自动提取特征并进行特征学习。通过大量标注过的样本数据训练卷积神经网络,确定每一个网络层的权重参数,使卷积神经网络模型具备识别船只目标的能力。
但基于深度学习的端到端目标检测方法大多针对尺度较小、目标占图比例较大的图像,并且需要大量的标注过的样本训练神经网络。遥感图像幅宽较大以及船只目标尺度小、样本数据较难获取等问题,制约了深度学习技术在船只检测上的应用。
借鉴人类视觉系统中的视觉注意机制能够帮助人眼从复杂场景中快速提取重要区域的原理,研究人员将视觉注意机制应用到图像的视觉显著性检测中。所谓视觉显著性检测,就是计算图像中各个部分吸引人们视觉注意的程度,该程度称为显著性,计算得到的结果称为显著图,一般用显著图表示视觉显著性检测的结果。显著图以灰度图的形式直观描述图像中那些显著的区域或物体,显著区域的灰度值通常要高于邻近区域,显著区域所包含的目标称为显著目标。当采用视觉显著性方法进行遥感图像的船只目标检测时,显著图中包含船只目标的显著区域被称为船只候选区域,显著目标指船只目标。视觉显著性方法大多通过提取图像的颜色、亮度、方向等特征,基于目标在不同特征上与背景的灰度值的不同得到图像显著图。此外,也有采用傅里叶变换或者小波变换将图像转换到频域进行分析,通过比较需要检测的目标与背景在频域上的信号变化特点将两者进行区分,滤除背景噪声信息,保留显著目标。
但现有基于视觉显著性的目标检测方法,大多采用图像的颜色、方向、亮度等特征,未充分利用图像丰富的特征信息。此外,视觉显著性方法虽然能有效去除无关信息,但受检测环境的影响大,例如海上云雾、海浪及岛屿等均会对海面船只检测带来干扰。
发明内容
为解决现有目标检测技术在进行光学遥感图像中的海面船只目标检测时存在的检测速度慢、需要大量船只图像以及受检测环境影响大等问题,本发明提供了一种基于视觉显著性的海面船只候选区域检测方法,是一种基于光学遥感图像的海面船只候选区域快速检测算法,在不需要先验信息的情况下,结合FT视觉显著性模型(Frequency-tuned)和Scharr边缘检测算子在海面船只检测上的优点,利用高斯混合函数对两种模型提取的图像特征图进行融合,实现对遥感图像中海面船只候选区域的快速提取。
本发明的目的通过以下技术方案来具体实现:
一种基于视觉显著性的海面船只候选区域检测方法,包括:
步骤一、采用FT视觉显著性模型获取包含海面船只目标的光学遥感图像的频域特征图;
步骤二、采用Scharr边缘检测算子获取光学遥感图像的边缘梯度特征图;
步骤三、采用高斯混合函数对频域特征图和边缘梯度特征图进行融合,得到融合特征图;
步骤四、基于otsu自适应阈值分割算法,对融合特征图进行二值化,用于将包含船只目标的区域从图像中提取出来,获取海面船只候选区域。
所述步骤一,具体包括:
FT视觉显著性模型从频域角度对图像进行分析,将图像分为低频区域和高频区域;低频区域为图像灰度值变化平缓的区域,高频区域为图像灰度值变化剧烈的区域;例如,背景为白色的图像的中间区域有一块红色正方形区域,红色区域与白色区域的交界区域的灰度值变化剧烈,此区域称为高频区域,按交界区域划分的其他两部分区域内的像素点的灰度值不发生变化,这两部分区域称为低频区域。其中,船只目标集中在低频区域,噪声集中在高频区域;
采用FT视觉显著性模型中的高斯差分算子实现带通滤波器的作用,对包含海面船只目标的光学遥感图像的低频信息保留,同时对高频信息剔除。
所述步骤一,具体包括:
1)求取包含海面船只目标的光学遥感图像在Lab颜色空间中的特征分量的均值:
将图像从RGB颜色空间转换至Lab颜色空间,输入图像f大小为m×n,输入图像f在Lab颜色空间中的3个特征分量的平均值Iμ可表示为:
式中:Lμ,aμ,bμ分别表示图像在L、a、b三个通道上的像素平均值,m,n为图像的长度和宽度;
2)计算输入图像f高斯滤波后的图像fG:fG=f*G,其中G表示高斯差分算子;
3)计算频域特征图:频域特征图在像素点(x,y)处的灰度值S(x,y):
S(x,y)=||Iμ-fG||。
式中:||·||表示求取Iμ和fG在像素点(x,y)处的欧式距离。
所述步骤二,具体包括:
将输入图像转换为单通道的灰度图像,采用Scharr边缘检测算子分别求取灰度图像在水平和垂直方向上的梯度,基于水平和垂直方向上的梯度得到边缘梯度特征图:
式中:gradG(x,y)表示图像在像素点(x,y)处的梯度,|·|表示取模运算,|gradG(x,y)|表示边缘梯度特征图在像素点(x,y)处灰度值,和分别表示图像在水平与垂直方向的梯度,(x,y)表示图像像素点坐标。
所述步骤三,具体包括:
对频域特征图SFT和边缘梯度特征图Sedge进行归一化得到S′FT和S′edge,特征图归一化方式如下
式中:S″表示归一化后的特征图,S′表示待归一化的特征图,max(S′)和min(S′)分别表示待归一化特征图中的最大和最小灰度值。
基于归一化的特征图,采用二维高斯混合函数对归一化的频域特征图和边缘梯度特征图进行融合:
式中:S′FT表示归一化的频域特征图;S′edge表示归一化的边缘梯度特征图,S表示融合特征图,参数δ的大小决定了融合函数的形状。
所述步骤四,具体包括:
采用可自动选取分割阈值的otsu阈值分割方法对融合特征图进行二值化分割得到二值图;对二值图进行形态学处理来优化检测结果。
所述对二值图进行形态学处理来优化检测结果的步骤包括:
对二值图进行形态学腐蚀运算,消除二值图的点状噪声;
利用膨胀运算方法去除候选区域内部空隙,使候选区域更完整;
计算二值图中所有船只候选区域的面积、中心点坐标以及最小外接矩形的长度和宽度,依据图像空间分辨率以及需要检测的船只类型来确定面积阈值范围,保留面积大小在阈值范围内的候选区域;
在原图中以筛选后的候选区域的中心点坐标为中心,根据预设区域,截取包含船只目标的图像切片,获取海面船只候选区域。所述预设区域优选为预设的矩形区域。
所述预设区域为矩形区域时,矩形区域的最短边在候选区域最小外接矩形的对角线长度的基础上增加像素点,优选为所述图像切片的宽度在候选区域最小外接矩形的对角线长度的基础上增加两个像素点,保证图像切片中的船只目标的完整性。
本发明的有益效果是:
本发明利用FT视觉显著性模型获取图像的频域特征图;利用Scharr边缘检测算子获取图像的边缘梯度特征图;使用高斯混合函数融合图像的频域特征图和边缘梯度特征图。融合了FT视觉显著性模型和Scharr边缘检测算子在海面船只检测中的优点,有效抑制了背景噪声的影响并突出所有尺度大小的船只目标,使得候选区域提取结果更加准确;融合模型提取海面船只候选区域的检测速度快。
附图说明
图1a是Scharr边缘检测算子的水平模板示意图;图1b是Scharr边缘检测算子的垂直模板示意图;
图2是图像切片截取方式示意图;
图3a是原始图像1;图3b是原始图像2;图3c是原始图像3;图3d是原始图像4;
图4a是FT视觉显著性模型检测得到的特征图1;图4b是FT视觉显著性模型检测得到的特征图2;图4c是FT视觉显著性模型检测得到的特征图3;图4d是FT视觉显著性模型检测得到的特征图4;
图5a是Scharr边缘检测算子检测得到的特征图1;图5b是Scharr边缘检测算子检测得到的特征图2;图5c是Scharr边缘检测算子检测得到的特征图3;图5d是Scharr边缘检测算子检测得到的特征图4;
图6a是融合模型求得的融合特征图1;图6b是融合模型求得的融合特征图2;图6c是融合模型求得的融合特征图3;图6d是融合模型求得的融合特征图4;
图7是船只候选区域图像切片示意图;
图8a是船只目标与背景的区分度低的原始图像;图8AC是船只目标与背景的区分度低条件下AC算法求得的显著图;图8FT是船只目标与背景的区分度低条件下FT视觉显著性模型求得的显著图;图8Itti是船只目标与背景的区分度低条件下Itti算法求得的显著图;图8HC是船只目标与背景的区分度低条件下HC算法求得的显著图;图8LC是船只目标与背景区分度低条件下LC算法求得的显著图;图8PQFT是船只目标与背景区分度低条件下PQFT算法求得的显著图;图8SR是船只目标与背景区分度低条件下SR算法求得的显著图;图8GBVS是船只目标与背景区分度低条件下GBVS算法求得的显著图;图8MSS是船只目标与背景区分度低条件下MSS算法求得的显著图;图8IM是船只目标与背景区分度低条件下IM算法求得的显著图;图8IM是船只目标与背景区分度低条件下IM算法求得的显著图;
图9a是同时包含光照和阴影的原始图像;图9AC是同时包含光照和阴影条件下AC算法求得的显著图;图9FT是同时包含光照和阴影条件下FT视觉显著性模型求得的显著图;图9Itti是同时包含光照和阴影条件下Itti算法求得的显著图;图9HC是同时包含光照和阴影条件下HC算法求得的显著图;图9LC是同时包含光照和阴影条件下LC算法求得的显著图;图9PQFT是同时包含光照和阴影条件下PQFT算法求得的显著图;图9SR是同时包含光照和阴影条件下SR算法求得的显著图;图9GBVS是同时包含光照和阴影条件下GBVS算法求得的显著图;图9MSS是同时包含光照和阴影条件下MSS算法求得的显著图;图9IM是同时包含光照和阴影条件下IM算法求得的显著图;图9FS是同时包含光照和阴影条件下FS算法求得的显著图;
图10a是受海杂波干扰的原始图像;图10AC是海杂波干扰下AC算法求得的显著图;图10FT是海杂波干扰下FT视觉显著性模型求得的显著图;图10Itti是海杂波干扰下Itti算法求得的显著图;图10HC是海杂波干扰下HC算法求得的显著图;图10LC是海杂波干扰下LC算法求得的显著图;图10PQFT是海杂波干扰下PQFT算法求得的显著图;图10SR是海杂波干扰下SR算法求得的显著图;图10GBVS是海杂波干扰下GBVS算法求得的显著图;图10MSS是海杂波干扰下MSS算法求得的显著图;图10IM是海杂波干扰下IM算法求得的显著图;图10FS是海杂波干扰下FS算法求得的显著图;
图11a是近岸船只尺寸差异大的原始图像;图11AC是近岸船只尺寸差异大条件下AC算法求得的显著图;图11FT是近岸船只尺寸差异大条件下FT视觉显著性模型求得的显著图;图11Itti是近岸船只尺寸差异大条件下Itti算法求得的显著图;图11HC是近岸船只尺寸差异大条件下HC算法求得的显著图;图11LC是近岸船只尺寸差异大条件下LC算法求得的显著图;图11PQFT是近岸船只尺寸差异大条件下PQFT算法求得的显著图;图11SR是近岸船只尺寸差异大条件下SR算法求得的显著图;图11GBVS是近岸船只尺寸差异大条件下GBVS算法求得的显著图;图11MSS是近岸船只尺寸差异大条件下MSS算法求得的显著图;图11IM是近岸船只尺寸差异大条件下IM算法求得的显著图;图11FS是近岸船只尺寸差异大条件下FS算法求得的显著图;
图12是基于视觉显著性的海面船只候选区域检测流程图。
具体实施方式
实施例一
本发明实施例一提供了一种基于视觉显著性的海面船只候选区域检测方法,包括:
步骤一、采用FT视觉显著性模型获取包含海面船只目标的光学遥感图像的频域特征图;
步骤二、采用Scharr边缘检测算子获取光学遥感图像的边缘梯度特征图;
步骤三、采用高斯混合函数对频域特征图和边缘梯度特征图进行融合,得到融合特征图;
步骤四、基于otsu自适应阈值分割算法,对融合特征图进行二值化,用于将包含船只目标的区域从图像中提取出来,获取海面船只候选区域。
本发明假设每一个步骤的输入图像为RGB颜色空间的彩色图像,若输入图像为单通道的灰度图像,则涉及到将输入图像颜色空间转换至Lab图像颜色空间时,视每一个通道的对应位置的图像像素值相等;涉及到将输入图像转换至单通道灰度图像时,则不再需要进行图像颜色空间转换。
所述步骤一,具体包括:
FT视觉显著性模型从频域角度对图像进行分析,将图像分为低频区域和高频区域;低频区域为图像灰度值变化平缓的区域,高频区域为图像灰度值变化剧烈的区域;例如,背景为白色的图像的中间区域有一块红色正方形区域,红色区域与白色区域的交界区域的灰度值变化剧烈,此区域称为高频区域,按交界区域划分的其他两部分区域内的像素点的灰度值不发生变化,这两部分区域称为低频区域。其中,船只目标集中在低频区域,噪声集中在高频区域;
采用FT视觉显著性模型中的高斯差分算子实现带通滤波器的作用,对包含海面船只目标的光学遥感图像的低频信息保留,同时对高频信息剔除。
本发明假设输入图像是RGB颜色空间的彩色图像,步骤一,具体包括:
1)求取包含海面船只目标的光学遥感图像在Lab颜色空间中的特征分量的均值:
将图像从RGB颜色空间转换至Lab颜色空间,输入图像f大小为m×n,输入图像f在Lab颜色空间中的3个特征分量的平均值Iμ可表示为:
式中:Lμ,aμ,bμ分别表示图像在L、a、b三个通道上的像素平均值,m,n为图像的长度和宽度;
2)计算输入图像f高斯滤波后的图像fG:fG=f*G,其中G表示高斯差分算子;
3)计算频域特征图:频域特征图在像素点(x,y)处的灰度值S(x,y):
S(x,y)=||Iμ-fG||
式中:||·||表示求取Iμ和fG在像素点(x,y)处的欧式距离。
所述步骤二,具体包括:
将输入图像转换为单通道的灰度图像,采用Scharr边缘检测算子分别求取灰度图像在水平和垂直方向上的梯度,基于水平和垂直方向上的梯度得到边缘梯度特征图:
式中:gradG(x,y)表示图像在像素点(x,y)处的梯度,|·|表示取模运算,|gradG(x,y)|表示边缘梯度特征图在像素点(x,y)处灰度值,和分别表示图像在水平与垂直方向的梯度,(x,y)表示图像像素点坐标。
其中,图像的边缘是将显著性目标与背景区分开的重要特征,边缘附近的灰度值不连续并且变化剧烈,一般用梯度来表示这种剧烈的变化。为得到输入图像的边缘梯度特征图,首先将输入图像f转换为单通道的灰度图像,采用Scharr边缘检测算子分别求取灰度图像在水平和垂直方向上的梯度,Scharr边缘检测算子的卷积核的水平和垂直模板分别如图1a和图1b所示。
所述步骤三,具体包括:
对频域特征图SFT和边缘梯度特征图Sedge进行归一化得到S′FT和S′edge,特征图归一化方式如下:
式中:S″表示归一化后的特征图,S′表示待归一化的特征图,max(S′)和min(S′)分别表示待归一化特征图中的最大和最小灰度值。
基于归一化的特征图,采用二维高斯混合函数对归一化的频域特征图和边缘梯度特征图进行融合:
式中:S′FT表示归一化的频域特征图;S′edge表示归一化的边缘梯度特征图,S表示融合特征图,参数δ的大小决定了融合函数的形状。
所述步骤四,具体包括:
采用可自动选取分割阈值的otsu阈值分割方法对融合特征图进行二值化分割得到二值图;对二值图进行形态学处理来优化检测结果。
所述对二值图进行形态学处理来优化检测结果的步骤包括:
对二值图进行形态学腐蚀运算,消除二值图的点状噪声;
利用膨胀运算方法去除候选区域内部空隙,使候选区域更完整;
计算二值图中所有船只候选区域的面积、中心点坐标以及最小外接矩形的长度和宽度,依据图像空间分辨率以及需要检测的船只类型来确定面积阈值范围,保留面积大小在阈值范围内的候选区域;
在原图中以筛选后的候选区域的中心点坐标为中心,根据预设区域,截取包含船只目标的图像切片,获取海面船只候选区域。所述预设区域优选为预设的矩形区域。
所述预设区域为矩形区域时,矩形区域的最短边在候选区域最小外接矩形的对角线长度的基础上增加像素点,优选为所述图像切片的宽度在候选区域最小外接矩形的对角线长度的基础上增加两个像素点,保证图像切片中的船只目标的完整性。
其中,采用可自动选取分割阈值的otsu阈值分割方法对融合后的特征图进行二值化分割得到二值图。为更精确刻画船只目标,需对二值图进行形态学处理来优化检测结果,首先进行形态学腐蚀运算,消除点状噪声;接着利用膨胀运算去除目标内部空隙,使目标更完整,然后计算二值图中所有船只候选区域的面积、中心点坐标以及最小外接矩形的长度和宽度。由于海洋背景复杂多变,二值图中图像分割块的面积大小随机,并且分割块中包含大量的碎云、海杂波、岛屿等干扰因素,因此,需要依据图像空间分辨率以及需要检测的船只类型来确定面积阈值范围,保留面积大小在阈值范围内的候选区域。最后,在原图中以筛选后的候选区域的中心点坐标为中心截取正方形的包含船只目标的图像切片,为保证图像切片中的目标的完整性,图像切片宽度在候选区域最小外接矩形的对角线长度的基础上增加两个像素点,图像切片截取示例如图2所示。
本发明的有益效果是:
本发明利用FT视觉显著性模型获取图像的频域特征图;利用Scharr边缘检测算子获取图像的边缘梯度特征图;使用高斯混合函数融合图像的频域特征图和边缘梯度特征图。融合了FT视觉显著性模型和Scharr边缘检测算子在海面船只检测中的优点,有效抑制了背景噪声的影响并突出所有尺度大小的船只目标,使得候选区域提取结果更加准确;融合模型提取海面船只候选区域的检测速度快。
为验证本发明应用于光学遥感图像海面船只检测的有效性,从武汉大学测绘遥感信息工程国家重点实验室公布的DOTA数据集(https://captain-whu.github.io/DOTA)和北京航空航天大学宇航学院图像处理中心公布的LEVIR数据集(http://levir.buaa.edu.cn)中,挑选了120张包含船只目标的光学遥感图像构成样本数据集,并依据目标与背景的对比度差异、是否存在光照阴影等条件进行归类,基本涵盖所有可能的海面检测场景。从样本数据集中选取4幅RGB颜色空间的光学遥感图像(如图3a、图3b、图3c和图3d所示),按照本发明的步骤,提取相应图像的船只候选区域。实验环境:编程语言python,系统环境Windows 10,电脑配置NVIDIA GTX 1060,8GB RAM,频率3.6GHz。本发明各步骤实施过程中涉及的主要函数来自于python环境下的opencv计算机视觉库,具体使用的函数类型及其参数如表1所示。
如图12所示,按照步骤一,首先将输入图像f从RGB颜色空间转换至Lab颜色空间,求取图像f在每个颜色通道上的均值Iμ,然后使用高斯核函数对输入图像进行高斯滤波得到图像fG,计算Iμ和fG的欧式距离,得到输入图像的频域特征图。4幅图像对应的频域特征图如图4a、图4b、图4c和图4d所示,通过对频域特征图的分析可知,FT视觉显著性模型能够有效抑制背景噪声的影响,受光照阴影以及海杂波的影响小,能突出尺寸大的船只目标,但是小尺寸船只目标容易被漏检,并且检测出的船只目标与背景的灰度差异小,按照步骤二,首先将输入图像f从RGB颜色空间转换至灰度颜色空间,然后采用Scharr边缘检测算子求取输入图像f在水平和垂直方向上的梯度,最后对图像水平和垂直梯度的平方和开二次方,得到输入图像的边缘梯度特征图。4幅图像对应的边缘梯度特征图如图5a、图5b、图5c和图5d所示,通过对边缘梯度特征图的分析可知,Scharr边缘检测算子能够高亮所有尺寸大小的船只目标所在图像区域,船只目标与背景的灰度差异十分明显,并且船只目标的边缘更加完整,但是由于Scharr边缘检测算子是通过图像中相邻像素点的灰度值变化强烈程度来得到图像的边缘梯度特征图,因此当图像背景复杂时,采用Scharr边缘检测算子进行边缘检测容易引入大量的背景噪声。按照步骤三,采用高斯混合函数对频域特征图和边缘梯度特征图进行融合,依据实验效果将高斯混合函数中的δ设置为0.5,得到如图6a、图6b、图6c和图6d所示的融合特征图,通过对融合特征图的分析可知,采用高斯混合函数对两类特征图进行融合,不仅能够抑制背景噪声,而且能高亮船只所在图像区域,船只目标的边缘也十分完整,充分结合了FT视觉显著性模型和Scharr边缘检测算子的优点,在光学遥感图像的海面船只候选区域提取中取得了很好的效果。按照步骤四,使用otsu自适应阈值分割算法对融合特征图进行二值化得到二值图,在二值图中显著区域的像素值为255,背景区域的像素值为0,计算二值图中每一个显著区域的中心点坐标、面积以及最小外接矩形的长度和宽度。由于海面检测背景的复杂性,二值图中很多显著区域包含海杂波以及岛屿等目标,此类目标的显著区域可通过设置面积阈值来进行剔除。最后,在原图中截取正方形的包含船只目标的图像切片,图像切片的中心与经过面积阈值筛选后的候选区域的中心点重合,为保证图像切片中的目标的完整性,图像切片宽度在最小外接矩形的对角线长度的基础上增加两个像素点,得到如图7所示的图像切片。
表1本发明各步骤实施过程中涉及的主要函数类型及其参数。
为了评估本发明所提出的融合模型(将所提出的融合模型称为FS算法)的海面船只候选区域检测性能,从样本数据集中选取四幅具有代表性的海面检测场景的遥感图像,分别与FT视觉显著性模型以及AC、Itti、HC、LC、PQFT、SR、GBVS、MSS、IM九种典型视觉显著性算法进行对比分析,便于描述,九种典型视觉显著性算法在后面都简称为××算法。从图8a、图8AC、图8FT、图8Itti、图8HC、图8LC、图8PQFT、图8SR、图8GBVS、图8MSS、图8IM和图8FS的实验结果来看,在船只与背景区分度低的检测场景中,船只目标与背景的灰度值接近,AC、PQFT和SR算法检测得到的显著图中的船只目标淹没在背景中,无法将船只目标与背景进行区分;GBVS、HC和IM算法虽然能突出显示包含船只的图像区域,但是由于引入太多背景因素,后续在进行二值化分割时,会产生很多包含虚警的图像分割块,不利于后续的船只鉴别任务;LC、MSS算法以及FT视觉显著性模型虽有效抑制了背景噪声,但提取得到的船只目标的灰度值低,目标边缘不完整,在进行阈值分割时存在候选区域提取不完整的情况;本发明的FS算法能高亮显示所有尺寸大小的船只目标,由于进行了FT视觉显著性检测工作,得到的融合特征图与其他算法相比,有效抑制了背景噪声,虽然仍有少量背景噪声,但船只目标与背景噪声的灰度差异明显,并且由于进行了边缘检测,算法提取到的船只目标的边缘完整性好,有利于后续的船只候选区域提取工作。
从图9a、图9AC、图9FT、图9Itti、图9HC、图9LC、图9PQFT、图9SR、图9GBVS、图9MSS、图9IM和图9FS的实验结果来看,在有较强海杂波的干扰下,PQFT和SR算法未检测到任何船只目标,无法完成船只候选区域检测任务,AC、LC、Itti、MSS算法和FT视觉显著性模型能够检测到部分船只目标,并且引入的背景噪声少,但是漏检情况严重,尤其是对尺寸小的船只目标;GBVS、IM算法虽能检测到部分船只目标,但检测到的船只目标所在的图像区域模糊,无法将船只目标与背景有效区分开,不利于后续船只候选区域的提取;HC算法虽然能够突出显示大多数船只目标,但是检测效果受光照影响大,处在光照区域的船只目标与背景的灰度值相近;与其他算法相比,本发明的FS算法能检测到处于光照和阴影中的所有船只目标,船只目标的边缘也更为完整,虽然对光照区域的背景噪声抑制效果一般,但是仍能将船只目标与周边的背景区分开。
从图10a、图10AC、图10FT、图10Itti、图10HC、图10LC、图10PQFT、图10SR、图10GBVS、图10MSS、图10IM和图10FS的实验结果来看,针对包含复杂海面纹理的检测场景,IM和GBVS算法检测到的船只目标所在的图像区域模糊,PQFT算法只检测到了个别船只目标,漏检情况严重;AC、LC、Itti、MSS算法和FT视觉显著性模型能够检测到大多数船只,但对于小尺寸的船只存在漏检问题;SR算法虽能抑制云层的干扰,但也存在漏检问题,并且检测到的船只目标与背景的灰度差异小;HC算法能够检测到不同尺寸的船只,但是对背景噪声的抑制效果一般;由于本发明的FS算法综合了FT视觉显著性模型和Scharr边缘检测算子应用于海面船只候选区域的检测中的优点,与其他算法相比,检测得到的船只目标数量更多,船只目标边缘更为完整,算法对背景噪声的抑制效果好。
从图11a、图11AC、图11FT、图11Itti、图11HC、图11LC、图11PQFT、图11SR、图11GBVS、图11MSS、图11IM和图11FS的实验结果来看,针对近岸船只检测场景,IM和GBVS算法的显著图较为模糊,无法将船只目标与背景区分开;AC、LC、Itti、HC、MSS、PQFT、SR算法和FT视觉显著性模型只能检测到大尺寸船只目标,无法检测到小尺寸船只目标,并且FT视觉显著性模型引入了部分背景噪声;本发明的FS算法在突出大型船只目标的同时,还检测到了其余的小型船只,并且船只目标与背景的灰度差异明显高于其他算法,在近岸船只的候选区域检测中取得了很好的检测效果。
综合以上对比分析结果,由于本发明的FS算法综合了FT视觉显著性模型和Scharr边缘检测算子在海面船只候选区域检测中的优点,能够在不同检测场景中突出所有尺寸大小的船只目标,有效抑制背景噪声,提取的船只目标与背景灰度差异明显,并且船只目标的边缘完整,与其他算法相比,具有更好的船只候选区域检测性能。
为检验本发明的FS算法在检测速度上的优势,将FS算法与检测性能较好的四种显著性算法从检测速度方面进行对比分析,为保证实验对象尺寸统一,首先将样本数据集中的所有图像的尺寸统一至800×600,各算法平均耗时如表2所示:
表2不同算法平均耗时对比
从表2可知,本发明的FS算法比MSS、HC、Itti算法的检测速度快但是比FT视觉显著性模型慢,MSS算法采用给定像素点的最大可能对称环绕区域均值代替FT视觉显著性模型的图像整体的特征分量均值,降低了算法的检测速度;HC算法在求取图像显著图时,由于需要通过求取图像中每一个像素点与其他所有像素点的颜色距离来确定显著图中每一点的灰度值,因此检测时间大大增加。Itti算法基于图像的颜色、亮度、方向特征在多种尺度下求差得到的各区域中心与周围区域的差异得到图像的显著图,需要进行大量的数值运算,因此检测速度慢于FT视觉显著性模型;本发明的FS算法由于需要分别进行FT视觉显著性检测和边缘检测,因此速度慢于FT视觉显著性模型,但两者差距不大。
综合以上实验分析结果,本发明的FS算法能有效抑制海面背景噪声,并突出所有尺寸大小的船只目标,算法的检测速度快,并且在多种复杂海面场景下的船只候选区域检测中具有较强的鲁棒性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于视觉显著性的海面船只候选区域检测方法,其特征在于,包括:
步骤一、采用FT视觉显著性模型获取包含海面船只目标的光学遥感图像的频域特征图;
步骤二、采用Scharr边缘检测算子获取光学遥感图像的边缘梯度特征图;
步骤三、采用高斯混合函数对频域特征图和边缘梯度特征图进行融合,得到融合特征图;
步骤四、基于otsu自适应阈值分割算法,对融合特征图进行二值化,用于将包含船只目标的区域从图像中提取出来,获取海面船只候选区域。
2.如权利要求1所述的方法,其特征在于,所述步骤一,具体包括:
FT视觉显著性模型从频域角度对图像进行分析,将图像分为低频区域和高频区域;低频区域为图像灰度值变化平缓的区域,高频区域为图像灰度值变化剧烈的区域;其中,船只目标集中在低频区域,噪声集中在高频区域;
采用FT视觉显著性模型中的高斯差分算子实现带通滤波器的作用,对包含海面船只目标的光学遥感图像的低频信息保留,同时对高频信息剔除。
3.如权利要求1或2所述的方法,其特征在于,所述步骤一,具体包括:
1)求取包含海面船只目标的光学遥感图像在Lab颜色空间中的特征分量的均值:
将图像从RGB颜色空间转换至Lab颜色空间,输入图像f大小为m×n,输入图像f在Lab颜色空间中的3个特征分量的平均值Iμ可表示为:
式中:Lμ,aμ,bμ分别表示图像在L、a、b三个通道上的像素平均值,m,n为图像的长度和宽度;
2)计算输入图像f高斯滤波后的图像fG:fG=f*G,其中G表示高斯差分算子;
3)计算频域特征图:频域特征图在像素点(x,y)处的灰度值S(x,y):
S(x,y)=||Iμ-fG||
式中:||·||表示求取Iμ和fG在像素点(x,y)处的欧式距离。
4.如权利要求3所述的方法,其特征在于,所述步骤二,具体包括:
将输入图像转换为单通道的灰度图像,采用Scharr边缘检测算子分别求取灰度图像在水平和垂直方向上的梯度,基于水平和垂直方向上的梯度得到边缘梯度特征图:
式中:gradG(x,y)表示图像在像素点(x,y)处的梯度,|·|表示取模运算,|gradG(x,y)|表示边缘梯度特征图在像素点(x,y)处灰度值,和分别表示图像在水平与垂直方向的梯度,(x,y)表示图像像素点坐标。
5.如权利要求1-4之一所述的方法,其特征在于,所述步骤三,具体包括:
对频域特征图SFT和边缘梯度特征图Sedge进行归一化得到S′FT和S′edge,特征图归一化方式如下:
式中:S″表示归一化后的特征图,S′表示待归一化的特征图,max(S′)和min(S′)分别表示待归一化特征图中的最大和最小灰度值。
基于归一化的特征图,采用二维高斯混合函数对归一化的频域特征图和边缘梯度特征图进行融合:
式中:S′FT表示归一化的频域特征图;S′edge表示归一化的边缘梯度特征图,S表示融合特征图,参数δ的大小决定了融合函数的形状。
6.如权利要求1-5之一所述的方法,其特征在于,所述步骤四,具体包括:
采用可自动选取分割阈值的otsu阈值分割方法对融合特征图进行二值化分割得到二值图;对二值图进行形态学处理来优化检测结果。
7.如权利要求6所述的方法,其特征在于,所述对二值图进行形态学处理来优化检测结果的步骤包括:
对二值图进行形态学腐蚀运算,消除二值图的点状噪声;
利用膨胀运算方法去除候选区域内部空隙,使候选区域更完整;
计算二值图中所有船只候选区域的面积、中心点坐标以及最小外接矩形的长度和宽度,依据图像空间分辨率以及需要检测的船只类型来确定面积阈值范围,保留面积大小在阈值范围内的候选区域;
在原图中以筛选后的候选区域的中心点坐标为中心,根据预设区域,截取包含船只目标的图像切片,获取海面船只候选区域。
8.如权利要求7所述的方法,其特征在于,所述预设区域优选为预设的矩形区域。
9.如权利要求7或8所述的方法,其特征在于,所述预设区域为矩形区域时,矩形区域的最短边在候选区域最小外接矩形的对角线长度的基础上增加像素点,保证图像切片中的船只目标的完整性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673432.1A CN110414411B (zh) | 2019-07-24 | 2019-07-24 | 基于视觉显著性的海面船只候选区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673432.1A CN110414411B (zh) | 2019-07-24 | 2019-07-24 | 基于视觉显著性的海面船只候选区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414411A true CN110414411A (zh) | 2019-11-05 |
CN110414411B CN110414411B (zh) | 2021-06-08 |
Family
ID=68363022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910673432.1A Active CN110414411B (zh) | 2019-07-24 | 2019-07-24 | 基于视觉显著性的海面船只候选区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414411B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027544A (zh) * | 2019-11-29 | 2020-04-17 | 武汉虹信技术服务有限责任公司 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
CN111080677A (zh) * | 2019-12-23 | 2020-04-28 | 天津理工大学 | 一种污染修复场地中工作人员实时分区作业的防护方法 |
CN111126493A (zh) * | 2019-12-25 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的训练方法、装置、电子设备及存储介质 |
CN111368629A (zh) * | 2019-11-23 | 2020-07-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于全色遥感图像的舰船识别方法、系统及终端设备 |
CN111832502A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 面向卫星在轨应用的遥感影像视觉显著区域智能搜索方法 |
CN111832504A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 一种面向卫星在轨应用的空间信息智能一体化生成方法 |
CN111881725A (zh) * | 2020-06-14 | 2020-11-03 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN111986203A (zh) * | 2020-07-09 | 2020-11-24 | 河南科技大学 | 一种深度图像的分割方法及装置 |
CN112116000A (zh) * | 2020-09-16 | 2020-12-22 | 深圳印像数据科技有限公司 | 针对服装类型的图像识别方法 |
CN112183633A (zh) * | 2020-09-29 | 2021-01-05 | 西安理工大学 | 基于改进的ft算法的高光谱图像显著目标检测方法 |
CN112258453A (zh) * | 2020-09-27 | 2021-01-22 | 南京一起康讯智能科技有限公司 | 一种工业故障巡检机器人定位地标检测方法 |
CN112329796A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113284096A (zh) * | 2021-05-08 | 2021-08-20 | 北京印刷学院 | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
CN113408615A (zh) * | 2021-06-16 | 2021-09-17 | 中国石油大学(华东) | 一种基于光学卫星遥感影像的船只自动匹配方法 |
CN113610802A (zh) * | 2021-08-06 | 2021-11-05 | 宿迁旺春机械制造有限公司 | 基于人工智能的水面平稳性检测方法、装置及设备 |
CN113762266A (zh) * | 2021-09-01 | 2021-12-07 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
CN114170209A (zh) * | 2021-12-14 | 2022-03-11 | 北京柏惠维康科技有限公司 | 图像中梯度特征的确定方法及装置、脊柱手术机器人 |
CN114663682A (zh) * | 2022-03-18 | 2022-06-24 | 北京理工大学 | 一种提高抗干扰性能的目标显著性检测方法 |
CN116109936A (zh) * | 2022-10-21 | 2023-05-12 | 中国科学院长春光学精密机械与物理研究所 | 基于光学遥感的目标检测与识别方法 |
CN116612125A (zh) * | 2023-07-21 | 2023-08-18 | 山东庆葆堂生物科技有限公司 | 基于人工智能的食药品胶囊质量检测方法 |
CN116630218A (zh) * | 2023-07-02 | 2023-08-22 | 中国人民解放军战略支援部队航天工程大学 | 一种基于边缘保持平滑金字塔的多曝光图像融合方法 |
CN116883392A (zh) * | 2023-09-05 | 2023-10-13 | 烟台金丝猴食品科技有限公司 | 基于图像处理的投料控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976338A (zh) * | 2010-10-29 | 2011-02-16 | 杭州电子科技大学 | 一种基于梯度方向直方图的判决式视觉显著性检测方法 |
CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
CN106384344A (zh) * | 2016-08-30 | 2017-02-08 | 中国科学院长春光学精密机械与物理研究所 | 一种光学遥感图像海面舰船目标检测与提取方法 |
US9754163B2 (en) * | 2015-06-22 | 2017-09-05 | Photomyne Ltd. | System and method for detecting objects in an image |
CN107392141A (zh) * | 2017-07-19 | 2017-11-24 | 武汉大学 | 一种基于显著性检测和lsd直线检测的机场提取方法 |
CN107967474A (zh) * | 2017-11-24 | 2018-04-27 | 上海海事大学 | 一种基于卷积神经网络的海面目标显著性检测方法 |
CN108229342A (zh) * | 2017-12-18 | 2018-06-29 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
-
2019
- 2019-07-24 CN CN201910673432.1A patent/CN110414411B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976338A (zh) * | 2010-10-29 | 2011-02-16 | 杭州电子科技大学 | 一种基于梯度方向直方图的判决式视觉显著性检测方法 |
CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
US9754163B2 (en) * | 2015-06-22 | 2017-09-05 | Photomyne Ltd. | System and method for detecting objects in an image |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
CN106384344A (zh) * | 2016-08-30 | 2017-02-08 | 中国科学院长春光学精密机械与物理研究所 | 一种光学遥感图像海面舰船目标检测与提取方法 |
CN107392141A (zh) * | 2017-07-19 | 2017-11-24 | 武汉大学 | 一种基于显著性检测和lsd直线检测的机场提取方法 |
CN107967474A (zh) * | 2017-11-24 | 2018-04-27 | 上海海事大学 | 一种基于卷积神经网络的海面目标显著性检测方法 |
CN108229342A (zh) * | 2017-12-18 | 2018-06-29 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
Non-Patent Citations (4)
Title |
---|
JUNQI LIU ET AL: "Advantages and Disadvantages of Typical Visual Saliency Methods Applied to Ship Detection on Sea Surface", 《PROCEEDINGS OF ELEVENTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING(ICDIP 2019)》 * |
RADHAKRISHNA ACHANTA ET AL: "Frequency-tuned Salient Region Detection", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
丁华等: "基于空间分布和纹理特征的图像显著性检测", 《数据通信》 * |
李二水等: "基于空间分布特征的图像显著性检测", 《计算机与数字工程》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368629A (zh) * | 2019-11-23 | 2020-07-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于全色遥感图像的舰船识别方法、系统及终端设备 |
CN111027544A (zh) * | 2019-11-29 | 2020-04-17 | 武汉虹信技术服务有限责任公司 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
CN111027544B (zh) * | 2019-11-29 | 2023-09-29 | 武汉虹信技术服务有限责任公司 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
CN111080677A (zh) * | 2019-12-23 | 2020-04-28 | 天津理工大学 | 一种污染修复场地中工作人员实时分区作业的防护方法 |
CN111080677B (zh) * | 2019-12-23 | 2023-09-12 | 天津理工大学 | 一种污染修复场地中工作人员实时分区作业的防护方法 |
CN111126493A (zh) * | 2019-12-25 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的训练方法、装置、电子设备及存储介质 |
CN111126493B (zh) * | 2019-12-25 | 2023-08-01 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的训练方法、装置、电子设备及存储介质 |
CN111881725B (zh) * | 2020-06-14 | 2024-01-12 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN111881725A (zh) * | 2020-06-14 | 2020-11-03 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN111986203B (zh) * | 2020-07-09 | 2022-10-11 | 河南科技大学 | 一种深度图像的分割方法及装置 |
CN111986203A (zh) * | 2020-07-09 | 2020-11-24 | 河南科技大学 | 一种深度图像的分割方法及装置 |
CN111832504A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 一种面向卫星在轨应用的空间信息智能一体化生成方法 |
CN111832502A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 面向卫星在轨应用的遥感影像视觉显著区域智能搜索方法 |
CN112116000A (zh) * | 2020-09-16 | 2020-12-22 | 深圳印像数据科技有限公司 | 针对服装类型的图像识别方法 |
CN112258453B (zh) * | 2020-09-27 | 2024-04-26 | 南京一起康讯智能科技有限公司 | 一种工业故障巡检机器人定位地标检测方法 |
CN112258453A (zh) * | 2020-09-27 | 2021-01-22 | 南京一起康讯智能科技有限公司 | 一种工业故障巡检机器人定位地标检测方法 |
CN112183633A (zh) * | 2020-09-29 | 2021-01-05 | 西安理工大学 | 基于改进的ft算法的高光谱图像显著目标检测方法 |
CN112183633B (zh) * | 2020-09-29 | 2023-07-04 | 西安理工大学 | 基于改进的ft算法的高光谱图像显著目标检测方法 |
CN112329796A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN112329796B (zh) * | 2020-11-12 | 2023-05-23 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113160192B (zh) * | 2021-04-28 | 2022-09-16 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113284096B (zh) * | 2021-05-08 | 2023-08-25 | 北京印刷学院 | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
CN113284096A (zh) * | 2021-05-08 | 2021-08-20 | 北京印刷学院 | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
CN113408615A (zh) * | 2021-06-16 | 2021-09-17 | 中国石油大学(华东) | 一种基于光学卫星遥感影像的船只自动匹配方法 |
CN113610802A (zh) * | 2021-08-06 | 2021-11-05 | 宿迁旺春机械制造有限公司 | 基于人工智能的水面平稳性检测方法、装置及设备 |
CN113762266A (zh) * | 2021-09-01 | 2021-12-07 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
CN113762266B (zh) * | 2021-09-01 | 2024-04-26 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
CN114170209A (zh) * | 2021-12-14 | 2022-03-11 | 北京柏惠维康科技有限公司 | 图像中梯度特征的确定方法及装置、脊柱手术机器人 |
CN114663682A (zh) * | 2022-03-18 | 2022-06-24 | 北京理工大学 | 一种提高抗干扰性能的目标显著性检测方法 |
CN116109936A (zh) * | 2022-10-21 | 2023-05-12 | 中国科学院长春光学精密机械与物理研究所 | 基于光学遥感的目标检测与识别方法 |
CN116109936B (zh) * | 2022-10-21 | 2023-08-29 | 中国科学院长春光学精密机械与物理研究所 | 基于光学遥感的目标检测与识别方法 |
CN116630218A (zh) * | 2023-07-02 | 2023-08-22 | 中国人民解放军战略支援部队航天工程大学 | 一种基于边缘保持平滑金字塔的多曝光图像融合方法 |
CN116630218B (zh) * | 2023-07-02 | 2023-11-07 | 中国人民解放军战略支援部队航天工程大学 | 一种基于边缘保持平滑金字塔的多曝光图像融合方法 |
CN116612125B (zh) * | 2023-07-21 | 2023-09-29 | 山东庆葆堂生物科技有限公司 | 基于人工智能的食药品胶囊质量检测方法 |
CN116612125A (zh) * | 2023-07-21 | 2023-08-18 | 山东庆葆堂生物科技有限公司 | 基于人工智能的食药品胶囊质量检测方法 |
CN116883392B (zh) * | 2023-09-05 | 2023-11-17 | 烟台金丝猴食品科技有限公司 | 基于图像处理的投料控制方法及系统 |
CN116883392A (zh) * | 2023-09-05 | 2023-10-13 | 烟台金丝猴食品科技有限公司 | 基于图像处理的投料控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110414411B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414411A (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN106384344B (zh) | 一种光学遥感图像海面舰船目标检测与提取方法 | |
CN109815807B (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
CN105205480B (zh) | 一种复杂场景中人眼定位方法及系统 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
US8116522B1 (en) | Ship detection system and method from overhead images | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 | |
CN109978869A (zh) | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN108229433B (zh) | 一种基于直线段检测和形状特征的靠岸舰船检测方法 | |
CN109191432A (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN109255757A (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
CN110516565A (zh) | 一种基于Zernike和SVM的海面船只识别方法 | |
CN110348442A (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
CN108647693A (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
Huang et al. | A deep learning approach to detecting ships from high-resolution aerial remote sensing images |
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 |