CN111523564A - 一种用于深度学习训练的sar时敏目标样本增广方法 - Google Patents
一种用于深度学习训练的sar时敏目标样本增广方法 Download PDFInfo
- Publication number
- CN111523564A CN111523564A CN202010213403.XA CN202010213403A CN111523564A CN 111523564 A CN111523564 A CN 111523564A CN 202010213403 A CN202010213403 A CN 202010213403A CN 111523564 A CN111523564 A CN 111523564A
- Authority
- CN
- China
- Prior art keywords
- slice
- sar
- time
- sensitive target
- deep learning
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于深度学习训练的SAR时敏目标样本增广方法,属于图像处理技术和深度学习领域;包括如下步骤:步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集,转换成分辨率为b米的异源SAR图集;步骤二、找到全部目标,并将每个目标制作成SAR时敏目标切片,获得切片集;步骤三、从异源SAR图集中各图片截取背景图像,获得背景图像集;步骤四、对切片集中各切片进行优化处理;步骤五、建立时敏目标的学习样本集;步骤六、旋转时敏目标的学习样本,获得不同角度下的学习样本;本发明解决了因样本数量较少以及未考虑深度学习网络特点而导致深度学习训练效果不好的问题。
Description
技术领域
本发明属于图像处理技术和深度学习领域,涉及一种用于深度学习训练的SAR时敏目标样本增广方法。
背景技术
近年来,各国争相将人工智能技术引入军事领域,加快武器装备智能化和智能新概念武器的研发与部署。由于卷积神经网络在目标识别与分类领域的优势,智能感知与识别分支在军事领域的发展较为广泛,包括基于星载SAR图像智能目标识别与分类技术、弹载SAR图像智能信息处理技术等。上述技术要想获得较好的识别与分类效果,在选择合适的深度学习算法基础上,无一例外地需要大量的数据去训练网络,调节网络参数以适应目标的特征。目前,获取SAR时敏目标的主要途径有三种,一是星载SAR图像,但由于各国对卫星数据资源管理非常严格,公开的数据集较少,且目标特性较为单一;二是SAR设备挂飞时敏目标采集,此方法受试验条件和经费限制,采集到的数据量有限:三是SAR时敏目标仿真,该方法可批量生成目标样本,但目标特性与实际相比存在一定差异,经特定处理后可作为部分数据参与训练。目前的主流样本增广技术有两种,一是基于生成对抗网络的SAR目标样本增广技术;二是基于图像变换的SAR目标样本增广技术。这些技术实际上仅对样本数量进行增广,并没有考虑深度学习网络机理对数据样本的需求进行增广。所以,仅靠数据集中样本数量的增广方法不能很好地提升训练效果。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提出一种用于深度学习训练的SAR时敏目标样本增广方法,解决了因样本数量较少以及未考虑深度学习网络特点而导致深度学习训练效果不好的问题。
本发明解决技术的方案是:
一种用于深度学习训练的SAR时敏目标样本增广方法,包括如下步骤:
步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集Ii,a;i为图片序号,并将异源SAR图集Ii,a转换成学习训练所需的分辨率为b米的异源SAR图集Ii,b;i为图片序号;
步骤二、设定图片灰度阈值threshold_1;将异源SAR图集Ii,b中的各图片按像素划分网格;各像素表示为Ii,b(x,y),(x,y)为各像素在对应第i张图片中的坐标;遍历各图片的像素,找到全部Ii,b(x,y)≥threshold_1的像素,即为目标,并将每个目标制作成SAR时敏目标切片,获得切片集Sj;j为各切片序号;
步骤三、从异源SAR图集Ii,b中各图片截取背景图像,获得背景图像集Bi;
步骤四、对切片集中各切片Sj进行优化处理;处理内容包括灰度增强处理、加乘性噪声处理、径向模糊处理、镜像变换处理和旋转变换处理;
步骤五、建立时敏目标的学习样本集Li
S1、在其中一个背景图像Bi中,以距左侧边[75,225]像素和距顶边[75,225]像素作为边界区域,在边界区域随机选取一点[xd,yd]作为第一序号切片S1的左上角点,将第一个切片放置在背景图像中;
S2、遍历各切片Sj,测量获得切片中目标的最小外接矩形,测量最小外接矩形的宽为w_s,高为h_s;
S3、从剩余切片中随机选4个切片,以[xd+w_s,yd]为起始点,将4个切片依次水平放置在该背景图像中;
S4、再从剩余切片中随机选取3个切片,设置随机区域,将3个切片随机放置在该背景图像的随机区域中;获得1个时敏目标的学习样本L1;
S5、重复S1-S4,获得各切片Sj在全部背景图像Bi中的时敏目标的学习样本集Li;
步骤六、旋转时敏目标的学习样本Li,获得不同角度下的学习样本Li,完成不同角度下样本的增广收集。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤一中,异源SAR图集Ii,a中,各图片的宽为w_a,高为h_a;将异源SAR图集Ii,a转换为异源SAR图集Ii,b的方法为:
w_b=w_a×a÷b
h_b=h_a×a÷b
式中,w_b为异源SAR图集Ii,b各图片的宽;
h_b为异源SAR图集Ii,b各图片的高。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤二中,SAR时敏目标切片的制作方法为;
建立尺寸为M×N的黑色矩形背景;该背景的像素值全为0;将每个Ii,b(x,y)≥threshold_1的像素放置在黑色矩形背景的中心位置,获得SAR时敏目标切片。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤三中,背景图像的大小为300像素×300像素;背景图像内不包括Ii,b(x,y)≥threshold_1的像素。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤四中,对各切片Sj进行灰度增强处理的具体方法为:
对各切片进行灰度判断,当该切片的灰度值小于128时,对该切片进行非线性对比度增强,获得新切片,并将新切片替换原切片。
式中,Sj为原有切片;
N为斑点噪声;
P为50×50的单位矩阵;
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤四中,对各切片Sj进行径向模糊处理的具体方法为:
选取切片Sj的中心点以为中心点,建立10像素×10像素的方形模糊范围;模糊范围内各像素的坐标为(x′,y′);计算各像素点与中心点的距离r;计算各像素点与中心点的方位角θ;连接像素点(x′,y′)与中心点计算距离(x′,y′)像素点0-10像素的圆形范围内的各像素值(xx,yy);计算模糊范围内径向模糊处理后的切片
像素点与中心点的方位角θ的计算方法为:
各像素值Si,n(xx,yy)的计算方法为:
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤四中,对切片进行镜像变换处理的具体方法为:
该切片各像素坐标记为(x,y);
对切片进行水平镜像的方法为:
式中,M为切片宽度;
(xa,ya)为水平镜像后各像素的坐标;
对切片进行竖直镜像的方法为:
式中,N为切片高度;
(xb,yb)为竖直镜像后各像素的坐标。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤四中,对切片进行旋转变换处理的方法为:
式中,切片各像素坐标记为(x,y);
θ为旋转角度;
(xc,yc)为旋转变换后各像素的坐标。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤五的S3中,水平放置的4个切片,相邻2个切片间隔为2个像素。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤五的S4中,置随机区域的范围为:距左侧边[0,75]∪[225,280]像素和距顶边[0,75]∪[225,280]像素围成的边界区域。
在上述的一种用于深度学习训练的SAR时敏目标样本增广方法,所述步骤六中,时敏目标的学习样本Li的旋转角度依次为45°、90°和135°。
本发明与现有技术相比的有益效果是:
(1)本发明针对SAR时敏目标特性,选用适合的图像处理方法分别对SAR时敏目标切片和背景进行处理;使用的图像处理方法既可以对SAR时敏目标和背景的数量进行增广处理,也可保证得到的结果符合SAR成像特性;
(2)本发明可以根据当前检测任务要求以及数据情况,灵活地选取不同的图像处理方法分别对SAR时敏目标切片和背景进行处理,再按一定策略将二者进行融合,以提升数据集中目标和背景的丰富性;
(3)本发明考虑到深度学习算法网络中感受野对数据的要求,在将SAR时敏目标切片与背景融合时,提出一种适应深度学习网络特征层感受野的融合策略,在将SAR时敏目标和背景融合时充分利用特征层感受野资源,在训练时,使网络特征层更好的获取目标特征信息。
附图说明
图1为本发明SAR时敏目标样本增广流程图;
图2为本发明SAR时敏目标切片示意图;
图3为本发明背景图像示意图;
图4为本发明在背景图像中放置切片示意图;
图5为本发明时敏目标的学习样本旋转示意图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
本发明提供了一种用于深度学习训练的SAR时敏目标样本增广方法,该方法不仅运用了传统的图像变换丰富了目标切片和背景的种类和数量,还结合了深度学习算法网络的特点,根据深度学习网络对目标特征提取时感受野的大小,有针对性地满足网络对样本的需求,形成了一种将传统意义上样本数量增广与深度学习算法网络特点相结合的增广方法,实现了用于深度学习训练的SAR时敏目标样本增广,有效地解决了因样本数量较少以及未考虑深度学习网络特点而导致深度学习训练效果不好上述的问题。
用于深度学习训练的SAR时敏目标样本增广方法,如图1所示,具体包括如下步骤:
步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集Ii,a;i为图片序号,并将异源SAR图集Ii,a转换成学习训练所需的分辨率为b米的异源SAR图集Ii,b;i为图片序号;异源SAR图集Ii,a中,各图片的宽为w_a,高为h_a;将异源SAR图集Ii,a转换为异源SAR图集Ii,b的方法为:
w_b=w_a×a÷b
h_b=h_a×a÷b
式中,w_b为异源SAR图集Ii,b各图片的宽;
h_b为异源SAR图集Ii,b各图片的高。
步骤二、设定图片灰度阈值threshold_1;将异源SAR图集Ii,b中的各图片按像素划分网格;各像素表示为Ii,b(x,y),(x,y)为各像素在对应第i张图片中的坐标;遍历各图片的像素,找到全部Ii,b(x,y)≥threshold_1的像素,即为目标,并对每个目标制作成SAR时敏目标切片,获得切片集Sj;j为各切片序号;SAR时敏目标切片的制作方法为:
建立尺寸为M×N的黑色矩形背景;该背景的像素值全为0;将每个Ii,b(x,y)≥threshold_1的像素放置在黑色矩形背景的中心位置,获得SAR时敏目标切片,具体表现如图2所示。
步骤三、从异源SAR图集Ii,b中各图片截取背景图像,获得背景图像集Bi;背景图像的大小为300像素×300像素;背景图像内不包括Ii,b(x,y)≥threshold_1的像素,具体如图3所示。
步骤四、对切片集中各切片Sj进行优化处理;处理内容包括灰度增强处理、加乘性噪声处理、径向模糊处理、镜像变换处理和旋转变换处理;
1、对各切片Sj进行灰度增强处理的具体方法为:对各切片进行灰度判断,当该切片的灰度值小于128时,对该切片进行非线性对比度增强,获得新切片,并将新切片替换原切片。
式中,Sj为原有切片;
N为斑点噪声;
P为50×50的单位矩阵;
3、对各切片Sj进行径向模糊处理的具体方法为:
选取切片Sj的中心点以为中心点,建立10像素×10像素的方形模糊范围;模糊范围内各像素的坐标为(x′,y′);计算各像素点与中心点的距离r;计算各像素点与中心点的方位角θ;连接像素点(x′,y′)与中心点计算距离(x′,y′)像素点0-10像素的圆形范围内的各像素值(xx,yy);计算模糊范围内径向模糊处理后的切片
像素点与中心点的方位角θ的计算方法为:
各像素值Si,n(xx,yy)的计算方法为:
4、对切片进行镜像变换处理的具体方法为:
该切片各像素坐标记为(x,y);
对切片进行水平镜像的方法为:
式中,M为切片宽度;
(xa,ya)为水平镜像后各像素的坐标;
对切片进行竖直镜像的方法为:
式中,N为切片高度;
(xb,yb)为竖直镜像后各像素的坐标。
5、对切片进行旋转变换处理的方法为:
式中,切片各像素坐标记为(x,y);
θ为旋转角度;
(xc,yc)为旋转变换后各像素的坐标。
对背景图像集Bi进行优化处理;处理内容包括加乘性噪声处理、径向模糊处理、镜像变换处理和旋转变换处理;处理方法与切片处理相同;
步骤五、创建时敏目标的学习样本
S1、在其中一个背景图像Bi中,以距左侧边[75,225]像素和距顶边[75,225]像素作为边界区域,在边界区域随机选取一点[xd,yd]作为第一序号切片S1的左上角点,将第一个切片放置在背景图像中。
S2、遍历各切片Sj,测量获得切片中目标的最小外接矩形,测量最小外接矩形的宽为w_s,高为h_s。
S3、从剩余切片中随机选4个切片,以[xd+w_s,yd]为起始点,将4个切片依次水平放置在该背景图像中;水平放置的4个切片,相邻2个切片间隔为2个像素。
S4、再从剩余切片中随机选取3个切片,设置随机区域,置随机区域的范围为:距左侧边[0,75]∪[225,280]像素和距顶边[0,75]∪[225,280]像素围成的边界区域。将3个切片随机放置在该背景图像的随机区域中;获得1个时敏目标的学习样本L1;最终放置完8个切片后的背景图像如图4所示。
S5、重复S1-S4,获得各切片Sj在全部背景图像Bi中的时敏目标的学习样本集Li;
步骤六、旋转时敏目标的学习样本Li,时敏目标的学习样本Li的旋转角度依次为45°、90°和135°,如图5所示。获得不同角度下的学习样本Li,完成不同角度下样本的增广收集。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (13)
1.一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:包括如下步骤:
步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集Ii,a;i为图片序号,并将异源SAR图集Ii,a转换成学习训练所需的分辨率为b米的异源SAR图集Ii,b;i为图片序号;
步骤二、设定图片灰度阈值threshold_1;将异源SAR图集Ii,b中的各图片按像素划分网格;各像素表示为Ii,b(x,y),(x,y)为各像素在对应第i张图片中的坐标;遍历各图片的像素,找到全部Ii,b(x,y)≥threshold_1的像素,即为目标,并将每个目标制作成SAR时敏目标切片,获得切片集Sj;j为各切片序号;
步骤三、从异源SAR图集Ii,b中各图片截取背景图像,获得背景图像集Bi;
步骤四、对切片集中各切片Sj进行优化处理;处理内容包括灰度增强处理、加乘性噪声处理、径向模糊处理、镜像变换处理和旋转变换处理;
步骤五、建立时敏目标的学习样本集Li
S1、在其中一个背景图像Bi中,以距左侧边[75,225]像素和距顶边[75,225]像素作为边界区域,在边界区域随机选取一点[xd,yd]作为第一序号切片S1的左上角点,将第一个切片放置在背景图像中;
S2、遍历各切片Sj,测量获得切片中目标的最小外接矩形,测量最小外接矩形的宽为w_s,高为h_s;
S3、从剩余切片中随机选4个切片,以[xd+w_s,yd]为起始点,将4个切片依次水平放置在该背景图像中;
S4、再从剩余切片中随机选取3个切片,设置随机区域,将3个切片随机放置在该背景图像的随机区域中;获得1个时敏目标的学习样本L1;
S5、重复S1-S4,获得各切片Sj在全部背景图像Bi中的时敏目标的学习样本集Li;
步骤六、旋转时敏目标的学习样本Li,获得不同角度下的学习样本Li,完成不同角度下样本的增广收集。
2.根据权利要求1所述的一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:所述步骤一中,异源SAR图集Ii,a中,各图片的宽为w_a,高为h_a;将异源SAR图集Ii,a转换为异源SAR图集Ii,b的方法为:
w_b=w_a×a÷b
h_b=h_a×a÷b
式中,w_b为异源SAR图集Ii,b各图片的宽;
h_b为异源SAR图集Ii,b各图片的高。
3.根据权利要求2所述的一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:所述步骤二中,SAR时敏目标切片的制作方法为:
建立尺寸为M×N的黑色矩形背景;该背景的像素值全为0;将每个Ii,b(x,y)≥threshold_1的像素放置在黑色矩形背景的中心位置,获得SAR时敏目标切片。
4.根据权利要求3所述的一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:所述步骤三中,背景图像的大小为300像素×300像素;背景图像内不包括Ii,b(x,y)≥threshold_1的像素。
5.根据权利要求1所述的一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:所述步骤四中,对各切片Sj进行灰度增强处理的具体方法为:
对各切片进行灰度判断,当该切片的灰度值小于128时,对该切片进行非线性对比度增强,获得新切片,并将新切片替换原切片。
11.根据权利要求1所述的一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:所述步骤五的S3中,水平放置的4个切片,相邻2个切片间隔为2个像素。
12.根据权利要求11所述的一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:所述步骤五的S4中,置随机区域的范围为:距左侧边[0,75]∪[225,280]像素和距顶边[0,75]∪[225,280]像素围成的边界区域。
13.根据权利要求1所述的一种用于深度学习训练的SAR时敏目标样本增广方法,其特征在于:所述步骤六中,时敏目标的学习样本Li的旋转角度依次为45°、90°和135°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213403.XA CN111523564B (zh) | 2020-03-24 | 2020-03-24 | 一种用于深度学习训练的sar时敏目标样本增广方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213403.XA CN111523564B (zh) | 2020-03-24 | 2020-03-24 | 一种用于深度学习训练的sar时敏目标样本增广方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523564A true CN111523564A (zh) | 2020-08-11 |
CN111523564B CN111523564B (zh) | 2023-05-12 |
Family
ID=71901030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010213403.XA Active CN111523564B (zh) | 2020-03-24 | 2020-03-24 | 一种用于深度学习训练的sar时敏目标样本增广方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523564B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348758A (zh) * | 2020-11-12 | 2021-02-09 | 中国电子科技集团公司第五十四研究所 | 一种光学遥感图像数据增强方法及目标识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
US10310074B1 (en) * | 2014-03-27 | 2019-06-04 | Hrl Laboratories, Llc | System and method for denoising synthetic aperture radar (SAR) images via sparse and low-rank (SLR) decomposition and using SAR images to image a complex scene |
CN110414362A (zh) * | 2019-07-02 | 2019-11-05 | 安徽继远软件有限公司 | 基于生成式对抗网络的电力图像数据增广方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
-
2020
- 2020-03-24 CN CN202010213403.XA patent/CN111523564B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10310074B1 (en) * | 2014-03-27 | 2019-06-04 | Hrl Laboratories, Llc | System and method for denoising synthetic aperture radar (SAR) images via sparse and low-rank (SLR) decomposition and using SAR images to image a complex scene |
CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN110414362A (zh) * | 2019-07-02 | 2019-11-05 | 安徽继远软件有限公司 | 基于生成式对抗网络的电力图像数据增广方法 |
Non-Patent Citations (2)
Title |
---|
唐波;张辉;刘彦: "基于SAR景象不变特征点的匹配定位技术研究" * |
胡应添,徐守时,黄戈祥,吴秀清: "SAR图像中海上舰船目标自动检测新方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348758A (zh) * | 2020-11-12 | 2021-02-09 | 中国电子科技集团公司第五十四研究所 | 一种光学遥感图像数据增强方法及目标识别方法 |
CN112348758B (zh) * | 2020-11-12 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种光学遥感图像数据增强方法及目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111523564B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN109754377B (zh) | 一种多曝光图像融合方法 | |
WO2018214195A1 (zh) | 一种基于卷积神经网络的遥感图像桥梁检测方法 | |
CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
Pan et al. | No-reference assessment on haze for remote-sensing images | |
CN114612406A (zh) | 一种基于可见光和红外视觉的光伏板缺陷检测方法 | |
CN112907493A (zh) | 无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法 | |
CN110909772B (zh) | 一种高精度实时多尺度表盘指针检测方法和系统 | |
CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN113052110B (zh) | 一种基于多视图投影和深度学习的三维兴趣点提取方法 | |
CN112528994B (zh) | 一种自由角度车牌检测方法、车牌识别方法和识别系统 | |
CN111523564A (zh) | 一种用于深度学习训练的sar时敏目标样本增广方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN113642463A (zh) | 一种视频监控和遥感图像的天地多视图对齐方法 | |
CN111179423B (zh) | 基于二维红外图像的三维红外图像生成方法 | |
CN110136105B (zh) | 一种基于方差和平滑度的同一内容图像的清晰度评价方法 | |
CN114445726B (zh) | 一种基于深度学习的样本库建立方法和装置 | |
CN110298347A (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
CN111353412A (zh) | 端到端的3D-CapsNet火焰检测方法及装置 | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
CN110321889A (zh) | 一种图片文件中插图定位提取方法及系统 |
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 |