CN111028154A - 一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法 - Google Patents
一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法 Download PDFInfo
- Publication number
- CN111028154A CN111028154A CN201911299916.0A CN201911299916A CN111028154A CN 111028154 A CN111028154 A CN 111028154A CN 201911299916 A CN201911299916 A CN 201911299916A CN 111028154 A CN111028154 A CN 111028154A
- Authority
- CN
- China
- Prior art keywords
- scan sonar
- images
- image
- matching
- scan
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000007526 fusion splicing Methods 0.000 abstract description 5
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，包括对侧扫声呐图像进行预处理，使其能够与实际的海底景象信息对应；将大量侧扫声呐图像进行标注获取侧扫声呐图像语义分割的数据集；搭建语义分割神经网络，并对语义分割神经网络进行训练；训练完成的语义分割网络对需要进行匹配拼接的侧扫声呐图像进行分割，利用分割后的图像进行模板匹配获得两张侧扫声呐图像的相对位置信息；最后根据获得相对位置信息对预处理之后的侧扫声呐图像进行融合拼接。通过本发明的方法，可以解决目前侧扫声呐图像匹配方法无法对地形崎岖不平海底的侧扫声呐图像进行匹配的问题。
Description
技术领域
本发明涉及一种侧扫声呐图像匹配拼接方法，特别是一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，属于侧扫声呐图像处理领域。
背景技术
侧扫声呐以其分辨率高、能得到连续、清晰的二维海底地貌图像等突出的特点被广泛应用于如海底地貌勘探、水下目标探测，如海底沉船、失事飞机探测、海底底质调查等相关海洋项目之中。
侧扫声呐获得的图像并不是整个海底的地貌图像，而是根据时间顺序扫描而成的条带图像，无法直观表达地理信息，此外受侧扫声呐的成像范围或目标大小影响，兴趣目标可能存在于不同的声呐条带图像中。为了达到制作完整的海底地貌图、识别与跟踪兴趣目标等目的，需要采用图像匹配技术将侧扫声呐条带图像拼接成完整地貌图。
现有方法中侧扫声呐图像匹配方法可以分为基于角点的匹配方法、基于SIFT、SURF、非线性尺度空间为代表的特征点匹配方法以及基于块匹配方法进行匹配这三类方法。这些侧扫声呐图像匹配算法只适合处理图像中特征明显、特征稳定不变、特征较多的侧扫声呐图像。但是当海底地形不平坦(实际中的海底大多不平坦)，侧扫声呐扫描崎岖的海底，由于从不同扫测方向和不同航线扫测相同位置的海山、海沟、洋中脊等有区域特征的海底，所获得的声呐图像相应区域的形状特征也不相同，所以图像特征只能保证大体相似，这就导致直接利用模板匹配或者利用特征点匹配方法如SIFT、SURF、KAZE、ORB等常用的图像匹配方法将无法对这类侧扫声呐图像完成匹配。
综上，侧扫声呐图像在海洋探测中得到广泛应用，实际海底地形大部分情况则是不平坦的地形，但是目前的匹配方法却无法对海底崎岖的侧扫声呐图像进行匹配。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，该发明旨在完成因海底地形崎岖不平海底的侧扫声呐图像中特征发生明显变化的图像匹配。
为解决上述技术问题，本发明给出一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，包括以下步骤：
步骤1：将侧扫声呐数据进行解析获取原始侧扫声呐图像；
步骤2：对原始侧扫声呐图像进行预处理，包括：斜距校正、速度校正、灰度校正；
步骤3：构建侧扫声呐图像数据集：对侧扫声呐图像集进行数据标注，将侧扫声呐图像数据中具有明显区域特征图像标注为一类，包括：海山、海沟、洋中脊，其他平坦区域为另外一类，得到标注后的数据集；
步骤4：搭建语义分割神经网络，使用步骤3中标注后的数据集对网络进行训练，得到侧扫声呐图像的神经网络分割模型；
步骤5：用训练好的神经网络模型对待匹配拼接的两帧侧扫声呐图像进行分割，对分割后的图像进行模板匹配，从而获取两张侧扫声呐图像的相对位置；
步骤6：结合步骤5获取的待匹配侧扫声呐图像相对位置信息，对步骤5待匹配拼接的两帧侧扫声呐图像进行泊松融合，对泊松融合之后的图像再利用最大值融合方法进行融合获得最终的侧扫声呐图像。
本发明还包括：
1.步骤2所述斜距校正包括：
首先对侧扫声呐图像进行海底基线提取，考虑海底地形的侧扫声呐斜距模型的计算公式为：
其中O'B'为校正后的平距，OB为斜距，H-h为声呐距离海底各点的垂直高度。
2.步骤2所述速度校正包括：利用侧扫声呐数据中的经纬度信息，每次计算一段相同间隔声呐数据的平均速度，然后对图像进行速度补偿。
3.步骤2所述灰度校正采用时变增益方法、波束模型方法或Retinex方法进行灰度校正。
4.步骤4所述语义分割神经网络采用U-net语义分割网络。
本发明的有益效果：本发明与现有技术相比，优点在于利用语义分割网络只对侧扫声呐图像中明显的区域特征进行分割，避免了侧扫声呐图像噪声、图像特征形变等因素对侧扫声呐图像匹配的影响；利用分割后的图像来间接地获取待匹配侧扫声呐图像的相对位置信息，然后再利用相对位置信息进一步对预处理后的侧扫声呐图像进行融合拼接；通过本发明的方法，可以解决目前侧扫声呐图像匹配方法无法对地形崎岖不平海底的侧扫声呐图像进行匹配的问题。
附图说明
图1为本发明方法流程图；
图2为本发明解析出来的原始侧扫声呐图像；
图3为本发明预处理之后的侧扫声呐图像；
图4为基于特征点的原始侧扫声呐图像匹配方法结果；
图5为基于特征点的预处理之后的侧扫声呐图像匹配方法结果；
图6为本发明训练完成的语义分割神经网络模型对侧扫声呐图像的预测分割图；
图7为本发明的侧扫声呐图像匹配结果；
图8为本发明侧扫声呐图像得到的融合拼接效果图；
图9为本发明其他实例图像得到的融合拼接效果图。
具体实施方式
下面结合附图，通过实际案例进一步描述本发明，但不以任何方式限制发明的范围。
本发明属于侧扫声呐图像处理领域，具体涉及一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法；包括对侧扫声呐图像进行斜距校正、速度校正、灰度校正获得预处理之后的侧扫声呐图像，使其能够与实际的海底景象信息对应；将大量侧扫声呐图像进行标注获取侧扫声呐图像语义分割的数据集；搭建语义分割神经网络，并利用数据集对语义分割神经网络进行训练；训练完成的语义分割网络对需要进行匹配拼接的侧扫声呐图像进行分割，利用分割后的图像进行模板匹配获得两张侧扫声呐图像的相对位置信息；最后根据获得相对位置信息对预处理之后的侧扫声呐图像进行融合拼接。考虑到地形崎岖海底的侧扫声呐图像，由于不同扫测方向或不同航线扫测的两帧声呐图像，无法利用常用图像匹配方法进行侧扫声呐图像匹配，本发明提出的侧扫声呐图像匹配拼接方法可以很好地对侧扫声呐图像进行匹配并进一步拼接。
结合图1所示，本发明具体包括如下步骤：
步骤1、将侧扫声呐数据进行解析获取原始侧扫声呐图像。首先对声呐数据景象解析成图像数据，原始侧扫声呐图像如图2所示，然而原始侧扫声呐图像存在几何畸变和灰度畸变，不经处理不能如实的反映实际的海底景象。
步骤2、对侧扫声呐图像进行斜距校正、速度校正、灰度校正等侧扫声呐图像预处理过程，使预处理之后的侧扫声呐图像与海底实际景象信息对应，预处理之后的侧扫声呐图像为图3。具体的步骤如下：
(1)对原始侧扫声呐图像进行斜距校正。首先对侧扫声呐图像进行海底基线提取，考虑海底地形的侧扫声呐斜距模型的计算公式如下：
其中O'B'为校正后的平距，OB为斜距，H-h为声呐距离海底各点的垂直高度。
(2)对侧扫声呐图像进行速度校正。由于声呐载体的速度不稳定，所以需要对其进行速度校正。利用侧扫声呐数据中的经纬度信息，每次计算一段相同间隔声呐数据的平均速度，然后对图像进行速度补偿。
(3)对侧扫声呐图像进行灰度校正。原始侧扫声呐图像存在灰度畸变，所以需要对其进行灰度校正。可以利用TVG、波束模型、Retinex等方法进行灰度校正。
步骤3、构建侧扫声呐图像数据集，进行数据标注，将侧扫声呐图像数据中的海山、海沟、洋中脊等明显特征标注为一类，其他平坦区域为另外一类。需要注意的是不要将地势产生的阴影进行标注，标注之后，获得数据集。
步骤4、对语义分割神经网络进行搭建，使用步骤3中的数据集进行网络训练，得到能够分割侧扫声呐图像的神经网络模型。选择U-net语义分割网络进行训练，利用训练后的语义分割神经网络模型对侧扫声呐图像进行预测，预测分割结果如图6所示。
步骤5、用训练好的神经网络模型对待匹配拼接的两帧侧扫声呐图像进行分割，对分割后的图像进行模板匹配从而获取上述两帧侧扫声呐图像的相对位置。另外，这里也给出了利用特征点匹配方法对侧扫声呐图像进行匹配的结果如图4和图5所示，实验结果说明该类方法无法完成正确的匹配。利用本发明进行匹配，匹配结果如图7,匹配之后获得两帧图像的相对位置信息。
步骤6、结合步骤5获取的待匹配侧扫声呐图像相对位置信息，利用泊松融合和最大值融合相结合的图像融合方法对预处理后的侧扫声呐图像进行融合拼接。本发明融合拼接的结果如图8所示，其它实例结果如图9所示，实验拼接结果较好，达到工程需要。
本发明具体实施方式还包括：
步骤1、将声呐数据进行解析获取原始侧扫声呐图像；
步骤2、对侧扫声呐图像进行斜距校正、速度校正、灰度校正等侧扫声呐图像预处理过程，使预处理之后的侧扫声呐图像与实际的海底景象信息对应；
步骤3、构建侧扫声呐图像数据集，进行数据标注，将侧扫声呐图像数据中的海山、海沟、洋中脊等明显区域特征标注为一类，其他平坦区域为另外一类；
步骤4、搭建语义分割神经网络，使用步骤3中的数据集对网络进行训练，得到侧扫声呐图像的神经网络分割模型；
步骤5、用训练好的神经网络模型对待匹配拼接的两帧侧扫声呐图像进行分割，对分割后的图像进行模板匹配，从而获取两张侧扫声呐图像的相对位置；
步骤6、结合步骤5获取的待匹配侧扫声呐图像相对位置信息，利用泊松融合和最大值融合相结合的图像融合方法对侧扫声呐图像进行融合拼接。
步骤3中对语义分割网络数据集制作时，应该对侧扫声呐图像中海山、海沟、洋中脊等有明显特征的区域进行标注，通过语义分割网络可以对这些区域进行分割。
步骤5中根据海山、海沟、洋中脊等区域特征进行模板匹配，完成侧扫声呐图像匹配，该发明的侧扫声呐图像匹配方法能够解决特征点匹配无法完成地形崎岖不平海底的侧扫声呐图像匹配的问题。
步骤6中首先对侧扫声呐图像进行泊松融合，对泊松融合之后的图像再利用最大值融合方法进行融合获得最终的侧扫声呐图像。该方法可以避免侧扫声呐图像融合导致图像二次畸变的情况。
Claims (5)
1.一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，其特征在于，包括以下步骤：
步骤1：将侧扫声呐数据进行解析获取原始侧扫声呐图像；
步骤2：对原始侧扫声呐图像进行预处理，包括：斜距校正、速度校正、灰度校正；
步骤3：构建侧扫声呐图像数据集：对侧扫声呐图像集进行数据标注，将侧扫声呐图像数据中具有明显区域特征图像标注为一类，包括：海山、海沟、洋中脊，其他平坦区域为另外一类，得到标注后的数据集；
步骤4：搭建语义分割神经网络，使用步骤3中标注后的数据集对网络进行训练，得到侧扫声呐图像的神经网络分割模型；
步骤5：用训练好的神经网络模型对待匹配拼接的两帧侧扫声呐图像进行分割，对分割后的图像进行模板匹配，从而获取两张侧扫声呐图像的相对位置；
步骤6：结合步骤5获取的待匹配侧扫声呐图像相对位置信息，对步骤5待匹配拼接的两帧侧扫声呐图像进行泊松融合，对泊松融合之后的图像再利用最大值融合方法进行融合获得最终的侧扫声呐图像。
2.根据权利要求1所述的一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，其特征在于：步骤2所述斜距校正包括：
首先对侧扫声呐图像进行海底基线提取，考虑海底地形的侧扫声呐斜距模型的计算公式为：
其中O'B'为校正后的平距，OB为斜距，H-h为声呐距离海底各点的垂直高度。
3.根据权利要求1所述的一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，其特征在于：步骤2所述速度校正包括：利用侧扫声呐数据中的经纬度信息，每次计算一段相同间隔声呐数据的平均速度，然后对图像进行速度补偿。
4.根据权利要求1所述的一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，其特征在于：步骤2所述灰度校正采用时变增益方法、波束模型方法或Retinex方法进行灰度校正。
5.根据权利要求1所述的一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，其特征在于：步骤4所述语义分割神经网络采用U-net语义分割网络。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2019111261614 | 2019-11-18 | ||
| CN201911126161 | 2019-11-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111028154A true CN111028154A (zh) | 2020-04-17 |
| CN111028154B CN111028154B (zh) | 2023-05-09 |
Family
ID=70210104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911299916.0A Active CN111028154B (zh) | 2019-11-18 | 2019-12-17 | 一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111028154B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112130155A (zh) * | 2020-09-29 | 2020-12-25 | 中国船舶重工集团公司第七二四研究所 | 一种导航声纳灰度图像时变增强方法 |
| CN112862677A (zh) * | 2021-01-11 | 2021-05-28 | 西北工业大学 | 一种同平台异源声呐的声学图像拼接方法 |
| CN113159191A (zh) * | 2021-04-25 | 2021-07-23 | 自然资源部第二海洋研究所 | 基于深度学习的高精度底跟踪方法 |
| CN113284048A (zh) * | 2021-04-15 | 2021-08-20 | 哈尔滨工程大学 | 一种侧扫声呐图像拼接方法 |
| CN114677567A (zh) * | 2022-05-27 | 2022-06-28 | 成都数联云算科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
| CN115755068A (zh) * | 2022-11-09 | 2023-03-07 | 广东智能无人系统研究院 | 一种海底管线状态在线智能诊断系统 |
| CN116309080A (zh) * | 2023-05-11 | 2023-06-23 | 武汉纺织大学 | 一种无人机视频拼接方法 |
| CN117408879A (zh) * | 2023-10-26 | 2024-01-16 | 中国人民解放军32021部队 | 一种侧扫声呐图像拼接方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651866A (zh) * | 2016-12-23 | 2017-05-10 | 江苏中海达海洋信息技术有限公司 | 一种基于神经网络的多波束水柱目标自动分割方法 |
| CN108154518A (zh) * | 2017-12-11 | 2018-06-12 | 广州华多网络科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
| CN108510458A (zh) * | 2018-03-29 | 2018-09-07 | 中国海洋大学 | 基于深度学习方法和非参数化采样的侧扫声呐图像合成方法 |
| CN108875596A (zh) * | 2018-05-30 | 2018-11-23 | 西南交通大学 | 一种基于dssnn神经网络的铁路场景图像语义分割方法 |
| CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
| CN110298248A (zh) * | 2019-05-27 | 2019-10-01 | 重庆高开清芯科技产业发展有限公司 | 一种基于语义分割的多目标跟踪方法及系统 |
| WO2019196633A1 (zh) * | 2018-04-10 | 2019-10-17 | 腾讯科技（深圳）有限公司 | 一种图像语义分割模型的训练方法和服务器 |
-
2019
- 2019-12-17 CN CN201911299916.0A patent/CN111028154B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651866A (zh) * | 2016-12-23 | 2017-05-10 | 江苏中海达海洋信息技术有限公司 | 一种基于神经网络的多波束水柱目标自动分割方法 |
| CN108154518A (zh) * | 2017-12-11 | 2018-06-12 | 广州华多网络科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
| CN108510458A (zh) * | 2018-03-29 | 2018-09-07 | 中国海洋大学 | 基于深度学习方法和非参数化采样的侧扫声呐图像合成方法 |
| WO2019196633A1 (zh) * | 2018-04-10 | 2019-10-17 | 腾讯科技（深圳）有限公司 | 一种图像语义分割模型的训练方法和服务器 |
| CN108875596A (zh) * | 2018-05-30 | 2018-11-23 | 西南交通大学 | 一种基于dssnn神经网络的铁路场景图像语义分割方法 |
| CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
| CN110298248A (zh) * | 2019-05-27 | 2019-10-01 | 重庆高开清芯科技产业发展有限公司 | 一种基于语义分割的多目标跟踪方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| FEI YU ET AL: "Segmentation of Side Scan Sonar Images" * |
| MEIHAN WU: "ECNet：Efficient Convolutional Networks for Side Scan Sonar Image Segmentation" * |
| RUIRUI LI ET AL: "DeepUNet:A Deep Fully Convolutional Network for Pixel-Level Sea-Land Segmentation" * |
| X. YE ET AL: "Geometric Correction Method of Side-scan Sonar Image" * |
| 赵建虎等: "侧扫声呐图像海底线自动提取方法研究" * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112130155A (zh) * | 2020-09-29 | 2020-12-25 | 中国船舶重工集团公司第七二四研究所 | 一种导航声纳灰度图像时变增强方法 |
| CN112130155B (zh) * | 2020-09-29 | 2022-10-21 | 中国船舶重工集团公司第七二四研究所 | 一种导航声纳灰度图像时变增强方法 |
| CN112862677A (zh) * | 2021-01-11 | 2021-05-28 | 西北工业大学 | 一种同平台异源声呐的声学图像拼接方法 |
| CN112862677B (zh) * | 2021-01-11 | 2024-02-09 | 西北工业大学 | 一种同平台异源声呐的声学图像拼接方法 |
| CN113284048A (zh) * | 2021-04-15 | 2021-08-20 | 哈尔滨工程大学 | 一种侧扫声呐图像拼接方法 |
| CN113159191A (zh) * | 2021-04-25 | 2021-07-23 | 自然资源部第二海洋研究所 | 基于深度学习的高精度底跟踪方法 |
| CN114677567A (zh) * | 2022-05-27 | 2022-06-28 | 成都数联云算科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
| CN115755068A (zh) * | 2022-11-09 | 2023-03-07 | 广东智能无人系统研究院 | 一种海底管线状态在线智能诊断系统 |
| CN116309080A (zh) * | 2023-05-11 | 2023-06-23 | 武汉纺织大学 | 一种无人机视频拼接方法 |
| CN116309080B (zh) * | 2023-05-11 | 2023-08-11 | 武汉纺织大学 | 一种无人机视频拼接方法 |
| CN117408879A (zh) * | 2023-10-26 | 2024-01-16 | 中国人民解放军32021部队 | 一种侧扫声呐图像拼接方法和装置 |
| CN117408879B (zh) * | 2023-10-26 | 2024-05-10 | 中国人民解放军32021部队 | 一种侧扫声呐图像拼接方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111028154B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028154B (zh) | 一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法 | |
| CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
| Shin et al. | Vision-based navigation of an unmanned surface vehicle with object detection and tracking abilities | |
| US6970593B2 (en) | Stereo image processing apparatus and method of processing stereo image | |
| CN111553859A (zh) | 一种激光雷达点云反射强度补全方法及系统 | |
| CN111985376A (zh) | 一种基于深度学习的遥感影像舰船轮廓提取方法 | |
| CN110033457A (zh) | 一种目标点云分割方法 | |
| CN105182350A (zh) | 一种应用特征跟踪的多波束声呐目标探测方法 | |
| US9405959B2 (en) | System and method for classification of objects from 3D reconstruction | |
| CN109118577B (zh) | 基于载人潜水器的水下激光扫描重构系统及其方法 | |
| CN112257605A (zh) | 基于自标注训练样本的三维目标检测方法、系统及装置 | |
| CN110675341A (zh) | 一种单目光视觉引导的水下机器人与海底平台对接方法 | |
| CN111325184B (zh) | 一种遥感影像智能解译与变化信息检测方法 | |
| Istenič et al. | Scale accuracy evaluation of image-based 3D reconstruction strategies using laser photogrammetry | |
| CN115187666A (zh) | 深度学习和图像处理结合的侧扫声呐海底高程探测方法 | |
| CN107169412B (zh) | 基于混合模型决策的遥感图像靠港船只检测方法 | |
| CN104636743A (zh) | 文字图像校正的方法和装置 | |
| CN116907509A (zh) | 基于图像匹配的auv水下辅助导航方法、系统、设备及介质 | |
| CN114693524A (zh) | 侧扫声呐图像准确匹配快速拼接方法、设备及存储介质 | |
| CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
| KR102270009B1 (ko) | 다채널 영상 인공지능 알고리즘 기반 이동 물체 탐지 및 거리 추정 방법 | |
| CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
| CN103390273B (zh) | 一种基于gps定位辅助的多波束侧扫声纳图像配准方法 | |
| Quintana et al. | Towards automatic recognition of mining targets using an autonomous robot | |
| Gracias et al. | Application challenges of underwater vision |
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 |