CN110796677B - 一种基于多波段特性的卷云虚警源检测方法 - Google Patents
一种基于多波段特性的卷云虚警源检测方法 Download PDFInfo
- Publication number
- CN110796677B CN110796677B CN201911035239.1A CN201911035239A CN110796677B CN 110796677 B CN110796677 B CN 110796677B CN 201911035239 A CN201911035239 A CN 201911035239A CN 110796677 B CN110796677 B CN 110796677B
- Authority
- CN
- China
- Prior art keywords
- image
- fractal dimension
- characteristic diagram
- normalized
- threshold
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感图像处理技术领域,尤其涉及一种基于多波段特性的卷云虚警源检测方法,包括:输入两幅不同波段的卷云图像并进行预处理;对一幅预处理后的图像,利用覆盖法求其分形维数并进行归一化处理,得到归一化分形维数特征图;对另一幅预处理后的图像,利用显著性方法进行增强,得到显著性特征图;将归一化分形维数特征图和显著性特征图进行加权融合;对融合后的图像进行自适应阈值分割,得到检测结果。本发明所提供的方法避免了机器学习类方法对大量样本数据的依赖性以及单一波段图像检测的局限性,可针对小样本快速检测,并且显著提高卷云虚警源的检测能力。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种基于多波段特性的卷云虚警源检测方法、计算机设备以及计算机可读存储介质。
背景技术
近年来,遥感技术在军事、天基探测和气象分析等领域都得到了广泛应用,其中,空间红外卫星是对地观测及遥感系统的重要组成部分,在预警、导弹拦截等方面发挥着重要作用。对于空间红外卫星成像系统,在其成像波段内存在大量辐射能量很高的虚警源,主要为自然景观,如雪山、结冰的河流以及高空卷云等高辐射地形或现象,与目标在红外图像中表现类似,具有较高的灰度,因此可能造成遥感系统的虚警。
早期的卷云虚警源检测往往采用光谱分析法,采集可见光及红外等多通道数据,利用云层与其他地面物体的辐射差异来进行检测,但是该类方法实时性不高,易受季节、天气等因素的影响,一般仅局限于特定的检测器,且准确率不高。
目前的检测方法主要利用云的纹理、频率、分形维数、颜色等特征,再结合阈值、统计法、聚类法,以及神经网络、支持向量机、AdaBoost一类的学习分类方法等进行检测。2011年出版的《遥感应用》中记载了一种利用小波变换检测并去除薄云的方法,先对薄云的低频近似分量进行同态滤波,再利用小波重构检测薄云,但这种方法易受地面低频信息干扰,检测效率不高;2011年出版的《测绘学报》中记载了利用小波SCM提取纹理特征,并结合ASM和熵来判别云层的方法,虽有一定效果,但受分辨率、检测器等因素的影响,仍然存在较高的错误率;2015年出版的《测绘学报》里记载了利用云的二阶矩、一阶差分等纹理特征进行云检测的方法,但是实现该方法需要提前找出可靠云特征的区间,检测效率较低,检测速度慢;神经网络和支持向量机等方法严重依赖于训练样本的完备性与否,2013年出版的《遥感技术与应用》中记载了利用AdaBoost分类器来进行云检测的方法,训练样本高达十万余幅,这类方法不仅不适用于数据量少时的情形,针对不同的数据就得进行不同的训练,对于特征的选取要求也较高,导致了检测效率低下,并且难以满足实时性的要求。
因此,需要提供一种高效、准确的卷云虚警源检测方法。
发明内容
本发明的目的是针对上述至少一部分问题,对多波段特性图像中卷云虚警源进行高效检测,以提高对地探测系统的精度和反应速度。
为了实现上述目的,本发明提供了一种基于多波段特性的卷云虚警源检测方法,包括如下步骤:
S1、输入两幅不同波段的卷云图像并进行预处理;
S2、对一幅预处理后的图像,利用覆盖法求其分形维数并进行归一化处理,得到归一化分形维数特征图;
S3、对另一幅预处理后的图像,利用显著性方法进行增强,得到显著性特征图;
S4、将归一化分形维数特征图和显著性特征图进行加权融合;
S5、对融合后的图像进行自适应阈值分割,得到检测结果。
优选地,所述步骤S1中进行预处理包括对输入的卷云图像进行中值滤波。
优选地,所述步骤S2中,利用覆盖法求分形维数包括:
设图像为f(i,j),其中f表示灰度值,(i,j)表示像素位置;
设图像被毛毯所覆盖,其中上毯子为Un,下毯子为Dn,n表示毯子的厚度,且初始值U0(i,j)=D0(i,j)=f(i,j),则毯子表面计算公式为:
其中,(p,q)表示与像素(i,j)的距离不大于1的像素位置,max表示取最大值,min表示取最小值;
得毯子面积的计算公式为:
其中,S表示毯子面积;
由分形表面公式S(n)=n2-d,得图像表面分形维数d的计算公式为:
其中,In表示取自然对数。
优选地,所述步骤S2中对分形维数进行归一化处理,计算公式为:
其中,f3(x,y)表示归一化分形维数特征图。
优选地,所述步骤S3中,利用基于频率调制的显著性方法增强卷云区域。
优选地,所述步骤S3中,基于频率调制的显著性方法的计算公式为:
f2(x,y)=||IGauss-Imean||
其中,IGauss为高斯滤波得到的图像,Imean为图像的均值,f2(x,y)表示得到的显著性特征图。
优选地,所述步骤S4中,将归一化分形维数特征图和显著性特征图进行加权融合时,计算公式为:
优选地,所述步骤S5中,对融合后的图像进行自适应阈值分割,包括:
设初始的阈值Th=0;
从0至255遍历所有阈值的取值,求使得最大类间方差g最小的阈值为最终阈值;其中,最大类间方差g的表达式为:
g=ω1×ω2×(μ1-μ2)2
ω1表示小于阈值的像素个数占图像总像素百分比,ω2表示大于等于阈值的像素个数占图像总像素百分比,μ1表示小于阈值的像素的均值,μ2表示大于等于阈值的像素的均值;
根据最终阈值分割图像。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的上述技术方案具有如下优点:本发明提供了一种基于多波段特性的卷云虚警源检测方法,该方法利用分形维数突出卷云的边界及卷云的显著性特征,同时利用像素级融合方法提升检测准确率,实现自动检测遥感图像中的卷云。本发明所提供的方法避免了机器学习类方法对大量样本数据的依赖性以及单一波段图像检测的局限性,可针对小样本快速检测,并且显著提高了卷云虚警源的检测能力。
附图说明
图1是本发明实施例中一种基于多波段特性的卷云虚警源检测方法流程图;
图2(a)、图2(b)为两幅不同波段的卷云图像;
图3(a)、图3(b)为图2(a)、图2(b)分别经过预处理后得到的图像;
图4为图3(a)经过覆盖法及归一化得到的归一化分形维数特征图;
图5为图3(b)经过显著性方法增强得到的显著性特征图;
图6为图4和图5进行加权融合后的图像;
图7为检测结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
如图1至图7所示,本发明实施例提供的一种基于多波段特性的卷云虚警源检测方法,包括如下步骤:
S1、输入两幅不同波段的卷云图像并进行预处理。
步骤S1将待处理的、包含卷云的多波段遥感图像,例如中波段红外遥感探测图像,输入并对其进行预处理,以便去除噪声,提高图像质量。为便于后续进行图像融合,输入的多波段图像至少应包括两幅不同波段的图像。两幅不同波段的卷云图像为同一时刻、不同波段探测得到的结果图,且两幅图像的探测波段优选不发生重叠。探测波段重叠较多将可能影响后续图像融合效果。例如针对中波段红外遥感探测图像时,两个不同波段的卷云图像其探测波段可相差几微米到十几微米,优选3~10微米。
S2、对一幅预处理后的图像,利用覆盖法求其分形维数并进行归一化处理,得到归一化分形维数特征图。
步骤S2利用覆盖法计算其中一波段预处理后的图像的分形维数,并对求得的分形维数进行归一化处理,得到归一化处理后的图像,即得到归一化分形维数特征图。此步骤优选针对两幅图像中波段更宽、细节更丰富的图像进行处理,例如优选针对信息熵较大的图像采用覆盖法进行处理。
S3、对另一幅预处理后的图像,利用显著性方法进行增强,得到显著性特征图。
步骤S3对预处理后的另一波段图像进行增强,以便后续通过不同波段的图像融合,获得更多的有效信息。
S4、将得到的归一化分形维数特征图和显著性特征图进行加权融合。
步骤S4将步骤S2中得到的、归一化处理后的图像和步骤S3中得到的、增强后的图像进行加权融合,综合多波段特征,提高检测准确率。
S5、对融合后的图像进行自适应阈值分割,得到检测结果。
遥感技术中,图像融合不仅能够综合各个不同波段的遥感图像的有效信息,还能剔除存在于各个单波段的遥感图像中的错误信息,甚至能够产生各个单波段遥感图像中都未曾出现的真实信息。这就能为后续的特征提取、特征分类、图像解译等提供非常有效的前提条件。本发明提出的一种基于多波段特性的卷云虚警源检测方法,在计算显著性特征图及分形维数特征的基础上,对不同波段的遥感图像进行像素级别的图像融合,得到最终的检测结果,可以显著提高卷云虚警源的检测能力。
优选地,步骤S1中,进行预处理包括对输入的两幅不同波段的卷云图像进行中值滤波,去除噪声干扰。中值滤波是一种常用的去噪声方法,除此之外,还可采用其他方式进行预处理,提高图像质量。在一个具体的实施方式中,请参阅图2,设输入的两幅不同波段的卷云图像为图像f01(x,y),如图2(a)所示,和图像f02(x,y),如图2(b)所示。分别对图像f01(x,y)、图像f02(x,y)进行中值滤波预处理,得到图像f11(x,y),如图3(a)所示,以及图像f12(x,y),如图3(b)所示。
优选地,步骤S2中,利用覆盖法求分形维数包括:
设待求分形维数的图像为f(i,j),其中f表示灰度值,(i,j)表示像素位置。假设图像被毛毯所覆盖,其中上毯子为Un,下毯子为Dn,n表示毯子的厚度(毯子数),且初始值U0(i,j)=D0(i,j)=f(i,j),则上、下毯子表面计算公式为:
其中,(p,q)表示与像素(i,j)的距离不大于1的像素位置,max表示取最大值,min表示取最小值。由此得到毯子面积的计算公式为:
其中,S表示毯子面积。再由分形表面公式S(n)=n2-d,可得图像表面分形维数d的计算公式为:
其中,In表示取自然对数。
进一步地,步骤S2中,对求得的分形维数进行归一化处理,计算公式为:
其中,f3(x,y)表示归一化后的结果,即归一化分形维数特征图,d为覆盖法求得的分形维数,max、min分别表示求图像最大值、最小值。
计算时,覆盖法所选用的毯子的厚度n可根据实际情况进行设定。在一个具体的实施方式中,设毯子的厚度n为2,对图3(a)中的图像f12(x,y)(即输入待求分形维数的图像f12(x,y)),利用覆盖法求图像的分形维数并归一化处理,得到图像f3(x,y),如图4所示。
优选地,步骤S3中,利用基于频率调制(FT)的显著性方法增强图像中的卷云区域。
进一步地,增强卷云区域,频率调制的计算公式为:
f2(x,y)=||IGauss-Imean|| (6)
其中,IGauss为高斯滤波得到的图像,即对另一幅预处理后的图像进行高斯滤波后得到的结果,Imean为图像的均值,即对另一幅预处理后的图像进行求评均的结果,f2(x,y)表示得到的显著性特征图。
在一个具体的实施方式中,对另一幅预处理后的图像、图3(b)中的图像f11(x,y),采用基于频率调制(FT)的显著性方法对卷云区域增强,得到图像f2(x,y),如图5所示。
优选地,步骤S4中,将归一化处理后的图像和增强后的图像进行加权融合时,即对步骤S2中得到的归一化分形维数特征图f3(x,y)和步骤S3中得到的显著性特征图f2(x,y)进行图像加权融合时,计算公式为:
其中,表示显著性特征图f2(x,y)的信息熵,表示归一化分形维数特征图f3(x,y)的信息熵。因为信息熵表示图像所包含的信息量,所以采用信息熵作为加权融合的权重能更好的融合图像f2(x,y)与f3(x,y)。在一个具体的实施方式中,对图4所示图像f3(x,y)和图5所示图像f2(x,y)进行加权融合,得到加权融合后的图像f4(x,y)如图6所示。
所述步骤S5中,对融合后的图像进行自适应阈值分割,包括:
首先设定初始的阈值Th=0。记图像中像素灰度值小于阈值的像素个数为N1,像素灰度值小于阈值的各个像素均值为μ1;像素灰度值大于等于阈值的像素个数为N2,像素灰度值大于等于阈值的各个像素均值为μ2;再计算N1占总像素个数M×N的百分比ω1,N2占图像总像素个数M×N(M、N分别表示图像的长度、宽度)的百分比ω2。
从0至255遍历所有阈值的取值,求使得最大类间方差g最小的阈值为最终阈值。其中,求最大类间方差g的公式为:
g=ω1×ω2×(μ1-μ2)2 (8)
g表示最大类间方差,ω1表示小于阈值的像素个数占图像总像素百分比,ω2表示大于等于阈值的像素个数占图像总像素百分比,μ1表示小于阈值的像素均值,μ2表示大于等于阈值的像素均值。
最后根据最终阈值分割图像,亮度大于等于最终阈值可认为是卷云区域,得到卷云虚警源检测结果。
在一个具体的实施方式中,根据图6自适应阈值分割提取卷云区域,得图像f5(x,y),如图7所示。经验证,本发明提供的基于多波段特性的卷云虚警源检测方法检测速度快、准确性高,可用于实时检测卷云虚警源。
特别地,在本发明一些优选的实施方式中,还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施方式中所述的基于多波段特性的卷云虚警源检测方法的步骤。
在本发明另一些优选的实施方式中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施方式中所述的基于多波段特性的卷云虚警源检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程,在此不再重复说明。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于多波段特性的卷云虚警源检测方法,其特征在于,包括如下步骤:
S1、输入两幅不同波段的卷云图像并进行预处理;两幅不同波段的卷云图像为同一时刻、不同波段探测得到的结果图,且两幅卷云图像的探测波段不重叠;
S2、对预处理后的、信息熵较大的一幅图像,利用覆盖法求其分形维数并进行归一化处理,得到归一化分形维数特征图;
S3、对另一幅预处理后的图像,利用显著性方法进行增强,得到显著性特征图;
S4、将归一化分形维数特征图和显著性特征图进行加权融合;
S5、对融合后的图像进行自适应阈值分割,得到检测结果;
所述步骤S1中进行预处理包括对输入的卷云图像进行中值滤波;
所述步骤S2中,利用覆盖法求分形维数包括:
设图像为f(i,j),其中f表示灰度值,(i,j)表示像素位置;
设图像被毛毯所覆盖,其中上毯子为Un,下毯子为Dn,n表示毯子的厚度,且初始值U0(i,j)=D0(i,j)=f(i,j),则毯子表面计算公式为:
其中,(p,q)表示与像素(i,j)的距离不大于1的像素位置,max表示取最大值,min表示取最小值;
得毯子面积的计算公式为:
其中,S表示毯子面积;
由分形表面公式S(n)=n2-d,得图像表面分形维数d的计算公式为:
其中,In表示取自然对数;
对分形维数进行归一化处理,计算公式为:
其中,f3(x,y)表示归一化分形维数特征图;
所述步骤S3中,利用基于频率调制的显著性方法增强卷云区域;
基于频率调制的显著性方法的计算公式为:
f2(x,y)=||IGauss-Imean||
其中,IGauss为高斯滤波得到的图像,Imean为图像的均值,f2(x,y)表示得到的显著性特征图;
所述步骤S4中,将归一化分形维数特征图和显著性特征图进行加权融合时,计算公式为:
2.根据权利要求1所述的方法,其特征在于,所述步骤S5中,对融合后的图像进行自适应阈值分割,包括:
设初始的阈值Th=0;
从0至255遍历所有阈值的取值,求使得最大类间方差g最小的阈值为最终阈值;其中,最大类间方差g的表达式为:
g=ω1×ω2×(μ1-μ2)2
ω1表示小于阈值的像素个数占图像总像素百分比,ω2表示大于等于阈值的像素个数占图像总像素百分比,μ1表示小于阈值的像素的均值,μ2表示大于等于阈值的像素的均值;
根据最终阈值分割图像。
3.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1或2中任一项所述方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1或2中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035239.1A CN110796677B (zh) | 2019-10-29 | 2019-10-29 | 一种基于多波段特性的卷云虚警源检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035239.1A CN110796677B (zh) | 2019-10-29 | 2019-10-29 | 一种基于多波段特性的卷云虚警源检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796677A CN110796677A (zh) | 2020-02-14 |
CN110796677B true CN110796677B (zh) | 2022-10-21 |
Family
ID=69441891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911035239.1A Active CN110796677B (zh) | 2019-10-29 | 2019-10-29 | 一种基于多波段特性的卷云虚警源检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796677B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113284066B (zh) * | 2021-05-28 | 2021-12-14 | 生态环境部卫星环境应用中心 | 遥感影像自动云检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220628A (zh) * | 2017-06-06 | 2017-09-29 | 北京环境特性研究所 | 红外干扰源检测的方法 |
CN107301420A (zh) * | 2017-06-30 | 2017-10-27 | 武汉大学 | 一种基于显著性分析的热红外影像目标探测方法 |
CN108765406A (zh) * | 2018-05-31 | 2018-11-06 | 电子科技大学 | 一种基于红外遥感图像的雪山检测方法 |
CN109829423A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种结冰湖泊红外成像检测方法 |
CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726649B (zh) * | 2018-12-15 | 2021-08-24 | 中国科学院深圳先进技术研究院 | 遥感影像云检测方法、系统及电子设备 |
-
2019
- 2019-10-29 CN CN201911035239.1A patent/CN110796677B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220628A (zh) * | 2017-06-06 | 2017-09-29 | 北京环境特性研究所 | 红外干扰源检测的方法 |
CN107301420A (zh) * | 2017-06-30 | 2017-10-27 | 武汉大学 | 一种基于显著性分析的热红外影像目标探测方法 |
CN108765406A (zh) * | 2018-05-31 | 2018-11-06 | 电子科技大学 | 一种基于红外遥感图像的雪山检测方法 |
CN109829423A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种结冰湖泊红外成像检测方法 |
CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110796677A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Review of video and image defogging algorithms and related studies on image restoration and enhancement | |
Li et al. | Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery | |
CN109583293B (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
Chitradevi et al. | An overview on image processing techniques | |
CN110110675B (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN109214439B (zh) | 一种基于多特征融合的红外图像结冰河流检测方法 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
Senthilnath et al. | Integration of speckle de-noising and image segmentation using Synthetic Aperture Radar image for flood extent extraction | |
Bhandari et al. | Improved feature extraction scheme for satellite images using NDVI and NDWI technique based on DWT and SVD | |
US10861172B2 (en) | Sensors and methods for monitoring flying objects | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
CN107220628B (zh) | 红外干扰源检测的方法 | |
Zhang et al. | Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras | |
Gao et al. | Agricultural image target segmentation based on fuzzy set | |
CN110751667B (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
Lukin et al. | Despeckling of multitemporal sentinel SAR images and its impact on agricultural area classification | |
CN109767442B (zh) | 一种基于旋转不变特征的遥感图像飞机目标检测方法 | |
Luo et al. | Shadow removal based on clustering correction of illumination field for urban aerial remote sensing images | |
CN109285148B (zh) | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 | |
Zehtabian et al. | Adaptive restoration of multispectral datasets used for SVM classification | |
Zhang et al. | Region-of-interest extraction based on spectrum saliency analysis and coherence-enhancing diffusion model in remote sensing images | |
Tamim et al. | Detection of Moroccan coastal upwelling fronts in SST images using the microcanonical multiscale formalism | |
CN108537807B (zh) | 一种基于高分四号卫星影像改进的边缘增强检测方法 | |
Luus et al. | Adaptive threshold-based shadow masking for across-date settlement classification of panchromatic QuickBird 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 |