CN111079666B - 地物识别方法、装置、设备及存储介质 - Google Patents
地物识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111079666B CN111079666B CN201911324979.7A CN201911324979A CN111079666B CN 111079666 B CN111079666 B CN 111079666B CN 201911324979 A CN201911324979 A CN 201911324979A CN 111079666 B CN111079666 B CN 111079666B
- Authority
- CN
- China
- Prior art keywords
- feature
- histogram
- module
- preset
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000000265 homogenisation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 14
- 230000006872 improvement Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了本发明一实施例提供一种地物识别方法,包括:获取待识别图像;将所述待识别图像转换为若干个大小相同的特征空间图像块;根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量;根据预设的地物识别神经网络识别所述特征向量,得到所述特征向量对应的地物类别。本发明实施例还提供了一种地物识别装置、设备及存储介质,有效解决现有技术中无法准确识别地物的问题。
Description
技术领域
本发明涉及地物识别技术领域,尤其涉及一种地物识别方法、装置、设备及存储介质。
背景技术
地物是指地面上各种有形物(如山川、森林、农田等)和无形物(如省、县界等)的总称。泛指地球表面上相对固定的物体。
以地物中的有形物为例,为了满足各种研究的需要,例如,一般应用无人机对农田、森林进行拍摄,由于农田中的农作物种类繁多且大小、形状并不规则,使得现有的地物识别方法很难从拍摄的图像中识别农作物的种类,并且由于现有的地物识别方法对色彩的敏锐度较低,在识别过程中经常出现识别错误的现象。
发明内容
本发明实施例提供一种地物识别方法、装置、设备及存储介质,能有效解决现有技术中无法准确识别地物的问题。
本发明一实施例提供一种地物识别方法,包括:
获取待识别图像;
将所述待识别图像转换为若干个大小相同的特征空间图像块;
根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量;
根据预设的地物识别神经网络识别所述特征向量,得到所述特征向量对应的地物类别。
作为上述方案的改进,所述根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量,包括:
将所述特征空间图像块映射到不同的色彩空间中,得到不同的色彩空间对应的色彩通道图像块;
计算所述色彩通道图像块对应的第一特征分布直方图,并对所述特征分布直方图进行降阶降维处理,得到第二特征分布直方图;
对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图;
对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图;
将不同色彩通道图像块的所述N阶线性均一化直方图及N阶对数均一化直方图进行顺序拼接,获得所述待识别图像M维0~1分布特征向量。
作为上述方案的改进,对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图,具体包括:
将所述第二特征分布直方图除以所述特征空间图像块的面积,得到N阶线性均一化直方图。
作为上述方案的改进,对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图,具体包括:
对所述第二特征分布直方图,求以所述特征空间图像块的面积为底的对数变换,得到N阶对数均一化直方图。
作为上述方案的改进,预设的地物识别神经网络,具体包括:
根据多层全联通神经网络,逐层级合并提取输入的特征向量中的可识别地物种类的特征向量。
本发明另一实施例对应提供了一种地物识别装置,包括:
获取模块,用于获取待识别图像;
转换模块,用于将所述待识别图像转换为若干个大小相同的特征空间图像块;
特征提取模块,用于根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量;
识别模块,用于根据预设的地物识别神经网络识别所述特征向量,得到所述特征向量对应的地物类别。
作为上述方案的改进,所述特征提取模块,包括:
计算模块,用于计算所述色彩通道图像块对应的第一特征分布直方图,并对所述特征分布直方图进行降阶降维处理,得到第二特征分布直方图;
线性化模块,用于对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图;
对数化模块,用于对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图;
拼接模块,用于将不同色彩通道图像块的所述N阶线性均一化直方图及N阶对数均一化直方图进行顺序拼接,获得所述待识别图像M维0~1分布特征向量。
本发明另一实施例提供了一种地物识别设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的地物识别方法。
本发明另一实施例提供了一种存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的地物识别方法。
与现有技术相比,本发明实施例公开的地物识别方法、装置、设备及存储介质,通过将所述待识别图像转换为若干个大小相同的特征空间图像块;根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量;根据预设的地物识别神经网络识别所述特征向量,从而得到所述特征向量对应的地物类别。由此可见,由于采用预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量,可从多个色彩空间维度对数字图像中的地物特征进行提取,从而有效地避免单一色彩空间对色彩进行分解时容易出现的色彩敏感度不均衡问题,而且由于使用直方图统计思想,有效地避免由于小样本本身偏差或像素点干扰的原因导致的过拟合问题,同时不对特征对象的像素数量、大小、形状或分布做出要求,使得本方法具有普适性。
附图说明
图1是本发明一实施例提供的一种地物识别方法的流程示意图;
图2是本发明一实施例提供的预设的地物识别神经网络进行地物识别的流程示意图;
图3是本发明一实施例提供的预设的彩色图像区域直方图统计法提取特征向量的流程示意图;
图4是本发明一实施例提供的一种地物识别装置的结构示意图;
图5是本发明一实施例提供的一种地物识别设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动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。
参见图1,是本发明一实施例提供的一种地物识别方法的流程示意图。
本发明一实施例提供一种地物识别方法,包括:
S10,获取待识别图像。
S20,将所述待识别图像转换为若干个大小相同的特征空间图像块。
具体地,将待识别图像进行分块,横竖方向按像素等距离分块,形成方格或矩行,只是本实施例中的一种分块方式,还可以为其他几何形状,分块的形状可来源于任意其他图像处理步骤所提取出的边缘区域或形态学区域,在此不限定。在本实施例中,分为若干个面积为32x32特征空间图像块。
S30,根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量。
具体地,由于采用预设的彩色图像区域直方图统计法,可从多个色彩空间维度对数字图像中的地物特征进行提取,从而有效地避免单一色彩空间对色彩进行分解时容易出现的色彩敏感度不均衡问题,而且由于使用直方图统计思想,有效地避免由于小样本本身偏差或像素点干扰的原因导致的过拟合问题,并使得本方法具有普适性。
S40,根据预设的地物识别神经网络识别所述特征向量,得到所述特征向量对应的地物类别。
其中,预设的地物识别神经网络,具体包括:根据多层全联通神经网络,逐层级合并提取输入的特征向量中的可识别地物种类的特征向量。
具体地,每一层的输入都为上一层的输出,在每一层均先使用Linear进行一次全联通,随后执行ReLU变换产生当前层的输出作为下一层的输入,在最后接一个Linear最终变换为N维目标分类输出。其中每一个中间层(隐藏层)的维度(节点)数量均为2的幂次,而神经网络的输入则为特征提取后获得的特征向量M维特征向量
此神经网络的N维输出每一个维度对应到一个类别的样本,在神经网络训练阶段将被标记的对应输出维度设置为1,其他维度设置为0,而在神经网络识别阶段通过检测M维输出向量中概率(数值)最大的那个输出维度,此最大输出维度即可视为神经网络的识别结果。
在本实施例中,参见图2,以1246维为例,利用多层全联通神经网络,逐层级合并提取输入特征向量中的具有代表性的特征向量,并输出为一个略小于输入特征向量维数的M维向量。此处的M大小可取值为最接近且略小于输入特征向量维数的某一2的幂次方数(若输入1246则M为1024,若输入1024则M为512或256),每一个类别的样本对应到一个输出维度,在神经网络训练阶段将被标记的对应输出维度设置为1,其他维度设置为0,而在神经网络识别阶段通过检测M维输出向量中概率(数值)最大的那个输出维度,此最大输出维度即可视为神经网络的识别结果。
综上所述,由于采用预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量,可从多个色彩空间维度对数字图像中的地物特征进行提取,从而有效地避免单一色彩空间对色彩进行分解时容易出现的色彩敏感度不均衡问题,而且由于使用直方图统计思想,有效地避免由于小样本本身偏差或像素点干扰的原因导致的过拟合问题,同时不对特征对象的像素数量、大小、形状或分布做出要求,使得本方法具有普适性。并且可以适用于小到单个像素、大到任意大小的待识别目标,对拍摄距离或图像分辨率的变化具有极强的鲁棒性。
参见图3,作为上述方案的改进,所述根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量,包括:
S301,将所述特征空间图像块映射到不同的色彩空间中,得到不同的色彩空间对应的色彩通道图像块。
具体地,常见色彩空间为:RGB/CMYK/XYZ/Lab/HSV/HSL/YCC等。可以将特征空间图像块映射到不同的色彩空间中,色彩空间及色彩通道的排列方式及组合方式均可任意增删或排序,本方法在实际使用中无需做任何限定或假设。
在本实施例中,通过将特征空间图像块转换到RGB/HSV/Lab三个不同色域中,即将特征空间图像块转换到RGB色彩空间对应得到R通道模块、G通道模块、B通道模块,将特征空间图像块转换到HSV色彩空间对应得到H通道模块,将特征空间图像块转换到Lab色彩空间,对应的到L通道模块、a通道模块、b通道模块。
S302,计算所述色彩通道图像块对应的第一特征分布直方图,并对所述特征分布直方图进行降阶降维处理,得到第二特征分布直方图。
在本实施例中,R通道模块降阶降维处理后得到R通道64阶分布直方图,G通道模块降阶降维处理后得到G通道64阶分布直方图,B通道模块降阶降维处理后得到B通道64阶分布直方图;到H通道模块降阶降维处理后得到H通道180阶分布直方图;L通道模块降阶降维处理后得到L通道64阶分布直方图,a通道模块降阶降维处理后得到a通道64阶分布直方图,b通道模块降阶降维处理后得到b通道64阶分布直方图。
S303,对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图。
具体地,将所述第二特征分布直方图除以所述特征空间图像块的面积,得到N阶线性均一化直方图。
在本实施例中,将第二特征分布直方图除以分块大小(即特征空间图像块的面积),以获得对应特征的N阶对数均一化直方图。
S304,对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图。
具体地,对所述第二特征分布直方图,求以所述特征空间图像块的面积为底的对数变换,得到N阶对数均一化直方图。
在本实施例中,将第二特征分布直方图所有通道+1并求对数变换且除以“log(分块大小)”(此操作等价于对直方图求以分块大小数为底的对数变换,并确保变换结果全都位于0~1之间),获得对应特征的N阶对数均一化直方图。
S305,将不同色彩通道图像块的所述N阶线性均一化直方图及N阶对数均一化直方图进行顺序拼接,获得所述待识别图像M维0~1分布特征向量。
在本实施例中,在对多个不同特征(即特征空间图像块)均进行以上操作后,最后顺序拼接所有直方图获得对应原始图像块的M维0~1分布特征向量。
参见图4,是本发明一实施例提供的一种地物识别装置的结构示意图。
本发明另一实施例对应提供了一种地物识别装置,包括:
获取模块10,用于获取待识别图像。
转换模块20,用于将所述待识别图像转换为若干个大小相同的特征空间图像块。
特征提取模块30,用于根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量。
识别模块40,用于根据预设的地物识别神经网络识别所述特征向量,得到所述特征向量对应的地物类别。
作为上述方案的改进,所述特征提取模块,包括:
计算模块,用于计算所述色彩通道图像块对应的第一特征分布直方图,并对所述特征分布直方图进行降阶降维处理,得到第二特征分布直方图。
线性化模块,用于对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图。
对数化模块,用于对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图。
拼接模块,用于将不同色彩通道图像块的所述N阶线性均一化直方图及N阶对数均一化直方图进行顺序拼接,获得所述待识别图像M维0~1分布特征向量。
本发明实施例提供的一种地物识别装置,通过将所述待识别图像转换为若干个大小相同的特征空间图像块;根据预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量;根据预设的地物识别神经网络识别所述特征向量,从而得到所述特征向量对应的地物类别。由此可见,由于采用预设的彩色图像区域直方图统计法提取所述特征空间图像块的特征向量,可从多个色彩空间维度对数字图像中的地物特征进行提取,从而有效地避免单一色彩空间对色彩进行分解时容易出现的色彩敏感度不均衡问题,而且由于使用直方图统计思想,有效地避免由于小样本本身偏差或像素点干扰的原因导致的过拟合问题,同时不对特征对象的像素数量、大小、形状或分布做出要求,使得本方法具有普适性。
参见图5,是本发明一实施例提供的地物识别设备的示意图。该实施例的地物识别设备包括:处理器11、存储器12以及存储在所述存储器12中并可在所述处理器上运行的计算机程序。所述处理器11执行所述计算机程序时实现上述各个地物识别方法实施例中的步骤。或者,所述处理器11执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述地物识别设备中的执行过程。
所述地物识别设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述地物识别设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是地物识别设备的示例,并不构成对地物识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述地物识别设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器11可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述地物识别设备的控制中心,利用各种接口和线路连接整个地物识别设备的各个部分。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述地物识别设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述地物识别设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种地物识别方法,其特征在于,包括:
获取待识别图像;
将所述待识别图像转换为若干个大小相同的特征空间图像块;
将所述特征空间图像块映射到不同的色彩空间中,得到不同的色彩空间对应的色彩通道图像块;
计算所述色彩通道图像块对应的第一特征分布直方图,并对所述特征分布直方图进行降阶降维处理,得到第二特征分布直方图;
对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图;
对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图;
将不同色彩通道图像块的所述N阶线性均一化直方图及N阶对数均一化直方图进行顺序拼接,获得所述待识别图像M维0~1分布特征向量;
根据预设的地物识别神经网络识别所述特征向量,得到所述特征向量对应的地物类别。
2.如权利要求1所述的地物识别方法,其特征在于,对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图,具体包括:
将所述第二特征分布直方图除以所述特征空间图像块的面积,得到N阶线性均一化直方图。
3.如权利要求1所述的地物识别方法,其特征在于,对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图,具体包括:
对所述第二特征分布直方图,求以所述特征空间图像块的面积为底的对数变换,得到N阶对数均一化直方图。
4.如权利要求1所述的地物识别方法,其特征在于,预设的地物识别神经网络,具体包括:
根据多层全联通神经网络,逐层级合并提取输入的特征向量中的可识别地物种类的特征向量。
5.一种地物识别装置,其特征在于,包括:
获取模块,用于获取待识别图像;
转换模块,用于将所述待识别图像转换为若干个大小相同的特征空间图像块;将所述特征空间图像块映射到不同的色彩空间中,得到不同的色彩空间对应的色彩通道图像块;
特征提取模块,包括计算模块、线性化模块、对数化模块和拼接模块;其中,
计算模块,用于计算所述色彩通道图像块对应的第一特征分布直方图,并对所述特征分布直方图进行降阶降维处理,得到第二特征分布直方图;
线性化模块,用于对所述第二特征分布直方图根据预设的线性化方法进行处理,得到N阶线性均一化直方图;
对数化模块,用于对所述第二特征分布直方图根据预设的对数化方法进行处理,得到N阶对数均一化直方图;
拼接模块,用于将不同色彩通道图像块的所述N阶线性均一化直方图及N阶对数均一化直方图进行顺序拼接,获得所述待识别图像M维0~1分布特征向量;
识别模块,用于根据预设的地物识别神经网络识别所述特征向量,得到所述特征向量对应的地物类别。
6.一种地物识别设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的地物识别方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的地物识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911324979.7A CN111079666B (zh) | 2019-12-20 | 2019-12-20 | 地物识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911324979.7A CN111079666B (zh) | 2019-12-20 | 2019-12-20 | 地物识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079666A CN111079666A (zh) | 2020-04-28 |
CN111079666B true CN111079666B (zh) | 2024-03-19 |
Family
ID=70316189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911324979.7A Active CN111079666B (zh) | 2019-12-20 | 2019-12-20 | 地物识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079666B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
CN106203420A (zh) * | 2016-07-26 | 2016-12-07 | 浙江捷尚视觉科技股份有限公司 | 一种卡口车辆颜色识别方法 |
CN108460402A (zh) * | 2018-01-15 | 2018-08-28 | 中国科学院自动化研究所 | 极化sar图像有监督分类方法及装置 |
CN110046599A (zh) * | 2019-04-23 | 2019-07-23 | 东北大学 | 基于深度融合神经网络行人重识别技术的智能监控方法 |
CN110555399A (zh) * | 2019-08-23 | 2019-12-10 | 北京智脉识别科技有限公司 | 手指静脉识别方法、装置、计算机设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639636B2 (en) * | 2008-08-15 | 2014-01-28 | At&T Intellectual Property I, L.P. | System and method for user behavior modeling |
-
2019
- 2019-12-20 CN CN201911324979.7A patent/CN111079666B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN105354530A (zh) * | 2015-09-22 | 2016-02-24 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
CN106203420A (zh) * | 2016-07-26 | 2016-12-07 | 浙江捷尚视觉科技股份有限公司 | 一种卡口车辆颜色识别方法 |
CN108460402A (zh) * | 2018-01-15 | 2018-08-28 | 中国科学院自动化研究所 | 极化sar图像有监督分类方法及装置 |
CN110046599A (zh) * | 2019-04-23 | 2019-07-23 | 东北大学 | 基于深度融合神经网络行人重识别技术的智能监控方法 |
CN110555399A (zh) * | 2019-08-23 | 2019-12-10 | 北京智脉识别科技有限公司 | 手指静脉识别方法、装置、计算机设备及可读存储介质 |
Non-Patent Citations (5)
Title |
---|
Evaluation of multi feature fusion at score-level for appearance-based person re-identification;Markus Eisenbach等;《2015 International Joint Conference on Neural Networks(IJCNN)》;第1-8页 * |
Normalization ensemble for handwritten character recognition;Cheng-Lin Liu等;《Ninth International Workshop on Frontiers in Handwriting Recognition》;第69-74页 * |
关于ICU病人数据的处理及研究;白冉;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;第2019卷(第12期);第E053-97页 * |
基于无人机可见光影像的农田作物分类方法比较;郭鹏等;《农业工程学报》;第33卷(第13期);第112-119页 * |
用无监督聚类实现深度图像的遮挡边界检测;张世辉等;《小型微型计算机系统》;第38卷(第11期);第2567-2572页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111079666A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10803554B2 (en) | Image processing method and device | |
CN111080526B (zh) | 航拍图像的农田面积的测算方法、装置、设备及介质 | |
CN109002820B (zh) | 一种车牌识别方法、装置及相关设备 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN109784250B (zh) | 自动引导小车的定位方法和装置 | |
US11455831B2 (en) | Method and apparatus for face classification | |
US20160253787A1 (en) | Methods and systems for denoising images | |
EP3910598A1 (en) | Graphic typesetting method and related device | |
CN108229232B (zh) | 批量扫描二维码的方法和批量扫描二维码的装置 | |
CN110648284B (zh) | 一种光照不均匀的图像处理方法及装置 | |
CN112348778B (zh) | 一种物体识别方法、装置、终端设备及存储介质 | |
US20230214989A1 (en) | Defect detection method, electronic device and readable storage medium | |
CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
US11657485B2 (en) | Method for expanding image depth and electronic device | |
CN107578053B (zh) | 轮廓提取方法及装置、计算机装置及可读存储介质 | |
CN110852385B (zh) | 图像处理方法、装置、设备和存储介质 | |
JP2022551110A (ja) | 画像生成方法及び装置並びにコンピュータプログラム | |
CN115578590A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
CN112446918A (zh) | 图像中目标物体定位方法、装置、计算机装置及存储介质 | |
CN112686176B (zh) | 目标重识别方法、模型训练方法、装置、设备及存储介质 | |
CN111062341B (zh) | 视频图像区域的分类方法、装置、设备及存储介质 | |
CN111079666B (zh) | 地物识别方法、装置、设备及存储介质 | |
CN108629219B (zh) | 一种识别一维码的方法及装置 | |
CN108737821B (zh) | 基于多通道浅层特征的视频兴趣区域快速预选方法及系统 | |
CN111062984B (zh) | 视频图像区域面积的测量方法、装置、设备及存储介质 |
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 |