CN111428792A - 遥感信息图像样本标记方法及装置 - Google Patents

遥感信息图像样本标记方法及装置 Download PDF

Info

Publication number
CN111428792A
CN111428792A CN202010225885.0A CN202010225885A CN111428792A CN 111428792 A CN111428792 A CN 111428792A CN 202010225885 A CN202010225885 A CN 202010225885A CN 111428792 A CN111428792 A CN 111428792A
Authority
CN
China
Prior art keywords
image
point
sample
remote sensing
marking
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
Application number
CN202010225885.0A
Other languages
English (en)
Other versions
CN111428792B (zh
Inventor
彭玲
陈德跃
吕蓓茹
李玮超
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202010225885.0A priority Critical patent/CN111428792B/zh
Publication of CN111428792A publication Critical patent/CN111428792A/zh
Application granted granted Critical
Publication of CN111428792B publication Critical patent/CN111428792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Abstract

本公开提供了一种遥感图像标记方法及装置，对遥感图像中的像素点进行分类，获取遥感图像的二值图像，在所述二值图像中，正样本的像素值为1，负样本的像素值为0；提取所述二值图像中的正样本；通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本进行标记；将标记后的图像转换为矢量图像，保存为训练样本。可以快速对遥感图像进行标记，减少图像勾绘的人工成本，可在短时间内获取大量图像样本，用于深度学习算法的训练，获取精度较高的预测结果。

Description

遥感信息图像样本标记方法及装置
技术领域
本公开涉及信息技术领域，尤其涉及遥感信息图像样本标记方法及装置。
背景技术
遥感作为一种宏观性的技术手段，遥感信息提取得到了突破式的进展，但对深度学习算法来说，遥感数据样本却始终是限制信息提取研究的重要瓶颈。没有足够多的样本，就难以得到训练精度较高的预测结果，缺乏好的计算机预测，就难以得到好的成图矢量来提供训练。在传统技术中，需要人工手段在遥感图像中对样本进行勾绘，工作量大，耗时长，难以获取大量的训练样本，因此如何快速进行训练样本标记，是本领域急需解决的问题。
发明内容
本公开旨在解决上面描述的问题。具体地，根据本公开实施例的第一方面，提供一种遥感信息图像样本标记方法，包括：
对遥感图像中的像素点进行分类，获取遥感图像的二值图像，在所述二值图像中，正样本的像素值为1，负样本的像素值为0；
提取所述二值图像中的正样本；
通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本轮廓进行标记；
将标记后的图像转换为矢量图像，并保存为训练样本。
所述提取所述二值图像中的正样本包括：
对所述二值图像进行平滑滤波；
以预定大小的结构元素对滤波后的图像进行N次腐蚀操作；
以所述预定大小的结构元素对腐蚀后的图像进行N次膨胀操作；
生成掩膜图像。
所述通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本进行标记包括：
在所述掩膜图像中，遍历未标记的像素点，当连续出现的两个点的像素值依次为0和1时，确定像素值为1的点为边界点P0，像素值为0的点为P；
以像素点P0为中心，在8邻域内以P为起点顺时针寻找到的第一个像素值为1的点，标记为P1；
以像素点P1为中心，在8邻域内以P0为起点逆时针寻找第一个像素值为1的点，并标记为P2；
依此类推，当Pn与P0重合时，确定P0，P1，P2…Pn为外包点集，并对所述外包点集中的点进行标记。
当Pn与P0不重合时，确定P0，P1，P2…Pn为孤立点，并对孤立点进行标记。
确定外包点集后，通过极大值抑制，减少轮廓点的数量。
根据本公开实施例的第二方面，提供一种遥感信息图像样本标记装置，包括：
二值图像获取模块，用于对遥感图像中的像素点进行分类，获取遥感图像的二值图像，在所述二值图像中，正样本的像素值为1，负样本的像素值为0；
正样本提取模块，用于提取所述二值图像中的正样本；
轮廓标记模块，用于通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本轮廓进行标记；
转换模块，用于将标记后的图像转换为矢量图像，并保存为训练样本。
所述正样本提取模块提取所述二值图像中的正样本包括：
对所述二值图像进行平滑滤波；
以预定大小的结构元素对滤波后的图像进行N次腐蚀操作；
以所述预定大小的结构元素对腐蚀后的图像进行N次膨胀操作；
生成掩膜图像。
所述通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本进行标记包括：
在所述掩膜图像中，遍历未标记的像素点，当连续出现的两个点的像素值依次为0和1时，确定像素值为1的点为边界点P0，像素值为0的点为P；
以像素点P0为中心，在8邻域内以P为起点顺时针寻找到的第一个像素值为1的点，标记为P1；
以像素点P1为中心，在8邻域内以P0为起点逆时针寻找第一个像素值为1的点，并标记为P2；
依此类推，当Pn与P0重合时，确定P0,P1,P2…pn为外包点集，并对所述外包点集中的点进行标记。
当Pn与P0不重合时，确定P0,P1,P2…pn为孤立点，并对孤立点进行标记。
确定外包点集后，通过极大值抑制，减少轮廓点的数量。
本公开通过对遥感图像进行二值化处理，提取图像中的正样本，通过算法快速获取正样本轮廓的外包点集，对图像样本进行标记，并将标记后的图像样本矢量化后，保存为训练样本。可以快速对遥感图像进行标记，减少图像勾绘的人工成本，可在短时间内获取大量图像样本，用于深度学习算法的训练，获取精度较高的预测结果。
参照附图来阅读对于示例性实施例的以下描述，本公开的其他特性特征和优点将变得清晰。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本公开的实施例，并且与描述一起用于解释本公开的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本公开的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的遥感信息图像样本标记方法流程图。
图2是根据一示例性实施例示出的遥感图像示意图。
图3是根据一示例性实施例示出的遥感图像的二值图示意图。
图4是根据一示例性实施例示出的二值图像滤波后的示意图。
图5是根据一示例性实施例示出的通过腐蚀-膨胀操作后的掩膜图像示意图。
图6是根据一示例性实施例示出的标记图像中正样本轮廓后的示意图。
图7是根据一示例性实施例示出的一种遥感信息图像样本标记装置的框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在遥感技术中，需要识别遥感图像中大量的建筑物信息，并对建筑物信息进行分析判断，例如识别城区图像中的城中村，现有技术中会引入机器学习模型，用于对遥感图像中的建筑物信息进行识别判断，要取得精度较高的预测结果，需要对机器学习模型的深度学习算法进行大量的训练，需要海量训练样本，样本的搜集标记会耗费大量的工作。因此本公开提供一种对遥感图像进行快速标记，并作为机器学习模型训练样本的方法和装置。
本公开的一个方面，一种遥感信息图像样本标记方法。图1是根据一示例性实施例示出的遥感信息图像样本标记方法流程图。参考图1，遥感信息图像样本标记方法包括：
步骤S11：对遥感图像中的像素点进行分类，获取遥感图像的二值图像，在二值图像中，正样本的像素值为1，负样本的像素值为0。
步骤S12：提取所述二值图像中的正样本。
步骤S13：通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本进行标记。
步骤S14：将标记后的图像转换为矢量图像，保存为训练样本。
在本实施例中，获取遥感图像的二值图像，可以是通过K-means聚类算法获取的二值图像，最大似然分类方法获取的二值图像，还可以通过训练好的卷积网络模型对图像内容进行提取，获取二值图像，进一步地可以在输出结果添加约束，例如不再将概率大于0.5的结果认为是正样本，而将概率0.8以上的结果才认为是预测的正样本，提高识别的准确性。当然，在实际应用中，也可以通过其他算法获取二值图像，本公开不做限制。
在一实施例中，步骤S12中，提取二值图像中的正样本包括：
对二值图像进行平滑滤波；
以预定大小的结构元素对滤波后的图像进行N次腐蚀操作；
以预定大小的结构元素对腐蚀后的图像进行N次膨胀操作；
生成掩膜图像。
图2是根据一示例性实施例示出的遥感图像示意图。
图3是根据一示例性实施例示出的遥感图像的二值图示意图。参考图3，在步骤S11中得到的结果虽然已经是一个二值图像，但由于是逐点分类，会产生较多斑点噪声。因此需要通过滤波操作，去除二值图像中的斑点噪声，在本实施例中，使用9x9的平滑滤波对图像平滑处理，去除二值图像中的斑点噪声。
图4是根据一示例性实施例示出的二值图像滤波后的示意图。参考图4，通过滤波操作，已经可以去除大部分的孤立斑点，但图像上仍然存在锯齿、突起，不应该存在的连接等问题。
因此，以预定大小的结构元素对滤波后的图像进行N次腐蚀操作，再对腐蚀后的图像进行N次膨胀操作；结构元素是膨胀和腐蚀操作的最基本组成部分，是二维平面结构的矩阵，矩阵由数值为0或1的元素组成。结构元素的原点指定了图像中需要处理的像素范围，结构元素中数值为1的点决定结构元素的邻域像素在进行膨胀或腐蚀操作时是否需要参与计算。在本实施例中，通过5次腐蚀去除掉图像边缘的不合理连接，再通过5次膨胀来复原目标斑块原有的大小。
图5是根据一示例性实施例示出的通过腐蚀-膨胀操作后的掩膜图像示意图。参考图5，可以发现图像上已经不存在锯齿、突起，不应该存在的连接等问题。提取出的建筑物具有清晰的轮廓。
在步骤S13中，通过轮廓提取算法，获取正样本轮廓的外包点集，对正样本进行标记包括：
在掩膜图像中，遍历未标记的像素点，当连续出现的两个点的像素值依次为0和1时，确定像素值为1的点为边界点P0，像素值为0的点为P；对于刚生成的掩膜图像，图像中所有的像素点初始都是未标记的像素点。
以像素点P0为中心，在8邻域内以P为起点顺时针寻找到的第一个像素值为1的点，标记为P1；
以像素点P1为中心，在8邻域内以P0为起点逆时针寻找第一个像素值为1的点，并标记为P2；
依此类推，当Pn与P0重合时，确定P0，P1，P2…Pn为外包点集，并对所述外包点集中的点进行标记。
当Pn与P0不重合时，确定P0，P1，P2。。。Pn为孤立点，并对孤立点进行标记。
通过对掩膜图像中像素点的遍历，可以标记出各个建筑物的外包点集，基于外包点集，可以勾画出建筑物的轮廓。但基于像素点的外包点集，外包点的数量会比较大，还需要进一步进行简化操作。
确定外包点集后，通过极大值抑制，减少轮廓点的数量。
图6是根据一示例性实施例示出的标记图像中正样本轮廓后的示意图。
将得到的点集转换成labelme所支持的json格式或者arcgis所支持的shape格式，并存储为矢量图形，然后将标记后的图像作为机器学习模型的训练样本。将样本图形保存为矢量图形，在有效记录图形内容的同时，减少保持图形的存储空间。
综上所述，通过对遥感图像进行二值化处理，提取图像中的正样本，通过算法快速获取正样本轮廓的外包点集，对图像样本进行标记，并将标记后的图像样本矢量化后，保存为训练样本。可以快速对遥感图像进行标记，减少图像勾绘的人工成本，可在短时间内获取大量图像样本，用于深度学习算法的训练，获取精度较高的预测结果。
图7是根据一示例性实施例示出的一种遥感信息图像样本标记装置的框图。如图7所示，遥感信息图像样本标记装置包括二值图像获取模块701，正样本提取模块702，轮廓标记模块703，转换模块704。
二值图像获取模块701被配置为用于对遥感图像中的像素点进行分类，获取遥感图像的二值图像，在所述二值图像中，正样本的像素值为1，负样本的像素值为0。
正样本提取模块702被配置为用于提取二值图像中的正样本；
轮廓标记模块703被配置为用于通过轮廓提取算法，获取正样本轮廓的外包点集，对正样本轮廓进行标记；
转换模块704被配置为用于将标记后的图像转换为矢量图像，保存为训练样本。
正样本提取模块702提取所述二值图像中的正样本包括：
对二值图像进行平滑滤波；
以预定大小的结构元素对滤波后的图像进行N次腐蚀操作；
以预定大小的结构元素对腐蚀后的图像进行N次膨胀操作；
生成掩膜图像。
正样本提取模块703通过轮廓提取算法，获取正样本轮廓的外包点集，对正样本进行标记包括：
在所述掩膜图像中，遍历未标记的像素点，当连续出现的两个点的像素值依次为0和1时，确定像素值为1的点为边界点P0，像素值为0的点为P；
以像素点P0为中心，在8邻域内以P为起点顺时针寻找到的第一个像素值为1的点，标记为P1；
以像素点P1为中心，在8邻域内以P0为起点逆时针寻找第一个像素值为1的点，并标记为P2；
依此类推，当Pn与P0重合时，确定P0，P1，P2…Pn为外包点集，并对所述外包点集中的点进行标记。
当Pn与P0不重合时，确定P0，P1，P2…Pn为孤立点，并对孤立点进行标记。
确定外包点集后，通过极大值抑制，减少轮廓点的数量。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
需要说明的是，在本公开中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包含一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：以上实施例仅用以说明本公开的技术方案，而非对其限制。尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围。

Claims (10)

1.遥感信息图像样本标记方法，其特征在于，包括：
对遥感图像中的像素点进行分类，获取遥感图像的二值图像，在所述二值图像中，正样本的像素值为1，负样本的像素值为0；
提取所述二值图像中的正样本；
通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本轮廓进行标记；
将标记后的图像转换为矢量图像，并保存为训练样本。
2.如权利要求1所述的遥感信息图像样本标记方法，其特征在于，所述提取所述二值图像中的正样本包括：
对所述二值图像进行平滑滤波；
以预定大小的结构元素对滤波后的图像进行N次腐蚀操作；
以所述预定大小的结构元素对腐蚀后的图像进行N次膨胀操作；
生成掩膜图像。
3.如权利要求1所述的遥感信息图像样本标记方法，其特征在于，所述通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本进行标记包括：
在所述掩膜图像中，遍历未标记的像素点，当连续出现的两个点的像素值依次为0和1时，确定像素值为1的点为边界点P0，像素值为0的点为P；
以像素点P0为中心，在8邻域内以P为起点顺时针寻找到的第一个像素值为1的点，标记为P1；
以像素点P1为中心，在8邻域内以P0为起点逆时针寻找第一个像素值为1的点，并标记为P2；
依此类推，当Pn与P0重合时，确定P0，P1，P2…Pn为外包点集，并对所述外包点集中的点进行标记。
4.如权利要求3所述的遥感信息图像样本标记方法，其特征在于，当Pn与P0不重合时，确定P0，P1，P2…Pn为孤立点，并对孤立点进行标记。
5.如权利要求3所述的遥感信息图像样本标记方法，其特征在于，确定外包点集后，通过极大值抑制，减少轮廓点的数量。
6.一种遥感信息图像样本标记装置，其特征在于，包括：
二值图像获取模块，用于对遥感图像中的像素点进行分类，获取遥感图像的二值图像，在所述二值图像中，正样本的像素值为1，负样本的像素值为0；
正样本提取模块，用于提取所述二值图像中的正样本；
轮廓标记模块，用于通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本轮廓进行标记；
转换模块，用于将标记后的图像转换为矢量图像，并保存为训练样本。
7.如权利要求6所述遥感信息图像样本标记装置，其特征在于，所述正样本提取模块提取所述二值图像中的正样本包括：
对所述二值图像进行平滑滤波；
以预定大小的结构元素对滤波后的图像进行N次腐蚀操作；
以所述预定大小的结构元素对腐蚀后的图像进行N次膨胀操作；
生成掩膜图像。
8.如权利要求6所述遥感信息图像样本标记装置，其特征在于，所述通过轮廓提取算法，获取正样本轮廓的外包点集，对所述正样本进行标记包括：
在所述掩膜图像中，遍历未标记的像素点，当连续出现的两个点的像素值依次为0和1时，确定像素值为1的点为边界点P0，像素值为0的点为P；
以像素点P0为中心，在8邻域内以P为起点顺时针寻找到的第一个像素值为1的点，标记为P1；
以像素点P1为中心，在8邻域内以P0为起点逆时针寻找第一个像素值为1的点，并标记为P2；
依此类推，当Pn与P0重合时，确定P0,P1,P2…pn为外包点集，并对所述外包点集中的点进行标记。
9.如权利要求8所述遥感信息图像样本标记装置，其特征在于，当Pn与P0不重合时，确定P0,P1,P2…pn为孤立点，并对孤立点进行标记。
10.如权利要求8所述遥感信息图像样本标记装置，其特征在于，确定外包点集后，通过极大值抑制，减少轮廓点的数量。
CN202010225885.0A 2020-03-26 2020-03-26 遥感信息图像样本标记方法及装置 Active CN111428792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010225885.0A CN111428792B (zh) 2020-03-26 2020-03-26 遥感信息图像样本标记方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010225885.0A CN111428792B (zh) 2020-03-26 2020-03-26 遥感信息图像样本标记方法及装置

Publications (2)

Publication Number Publication Date
CN111428792A true CN111428792A (zh) 2020-07-17
CN111428792B CN111428792B (zh) 2023-04-18

Family

ID=71548753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010225885.0A Active CN111428792B (zh) 2020-03-26 2020-03-26 遥感信息图像样本标记方法及装置

Country Status (1)

Country Link
CN (1) CN111428792B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538247A (zh) * 2021-08-12 2021-10-22 中国科学院空天信息创新研究院 超分辨率生成与条件对抗网络遥感影像样本生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270489A1 (en) * 2013-03-12 2014-09-18 Microsoft Corporation Learned mid-level representation for contour and object detection
US20170083747A1 (en) * 2015-09-21 2017-03-23 The Climate Corporation Ponding water detection on satellite imagery
CN107871124A (zh) * 2017-11-15 2018-04-03 陕西师范大学 一种基于深度神经网络的遥感图像目标检测方法
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270489A1 (en) * 2013-03-12 2014-09-18 Microsoft Corporation Learned mid-level representation for contour and object detection
US20170083747A1 (en) * 2015-09-21 2017-03-23 The Climate Corporation Ponding water detection on satellite imagery
CN107871124A (zh) * 2017-11-15 2018-04-03 陕西师范大学 一种基于深度神经网络的遥感图像目标检测方法
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Sample Update-Based Convolutional Neural Network Framework for Object Detection in Large-Area Remote Sensing Images" *
张燕芳: "基于遥感图像的大规模城市建模中的建筑物轮廓提取" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538247A (zh) * 2021-08-12 2021-10-22 中国科学院空天信息创新研究院 超分辨率生成与条件对抗网络遥感影像样本生成方法

Also Published As

Publication number Publication date
CN111428792B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
JP6992590B2 (ja) 特徴表現装置、特徴表現方法、およびプログラム
US10762376B2 (en) Method and apparatus for detecting text
Chen et al. An end-to-end shape modeling framework for vectorized building outline generation from aerial images
CN104751198A (zh) 图像中的目标物的识别方法及装置
CN110298348B (zh) 遥感影像建筑物样本区域提取方法及系统、存储介质、设备
CN111008576A (zh) 行人检测及其模型训练、更新方法、设备及可读存储介质
CN112560845A (zh) 字符识别方法、装置、智能取餐柜、电子设备及存储介质
CN111428792B (zh) 遥感信息图像样本标记方法及装置
JP2016103759A (ja) 画像処理装置、画像処理方法、及びプログラム
CN112052777A (zh) 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置
CN110942456A (zh) 篡改图像检测方法、装置、设备及存储介质
CN111382638B (zh) 一种图像检测方法、装置、设备和存储介质
WO2023246912A1 (zh) 图像文字结构化输出方法、装置、电子设备和存储介质
JP6126979B2 (ja) 特徴選択装置、方法、及びプログラム
US10977527B2 (en) Method and apparatus for detecting door image by using machine learning algorithm
JP4285644B2 (ja) オブジェクト識別方法および装置ならびにプログラム
CN115063831A (zh) 一种高性能行人检索与重识别方法及装置
CN111507287B (zh) 一种航空影像中道路斑马线角点提取方法及系统
CN112464946A (zh) 一种基于大数据的垃圾图像收集方法及系统
Bhatt et al. Text Extraction & Recognition from Visiting Cards
CN114445916A (zh) 一种活体检测方法、终端设备及存储介质
CN112184843A (zh) 图像数据压缩的冗余数据去除系统及方法
CN112825141B (zh) 识别文本的方法、装置、识别设备和存储介质
CN104156696A (zh) 基于双方向图的快速局部不变特征描述子的构造方法
CN117197487B (zh) 一种免疫胶体金诊断试纸条自动识别系统

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