CN111582013A - 一种基于灰度共生矩阵特征船只检索方法及装置 - Google Patents

一种基于灰度共生矩阵特征船只检索方法及装置 Download PDF

Info

Publication number
CN111582013A
CN111582013A CN201911381377.5A CN201911381377A CN111582013A CN 111582013 A CN111582013 A CN 111582013A CN 201911381377 A CN201911381377 A CN 201911381377A CN 111582013 A CN111582013 A CN 111582013A
Authority
CN
China
Prior art keywords
image
ship
target area
gray level
area image
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.)
Pending
Application number
CN201911381377.5A
Other languages
English (en)
Inventor
邓练兵
逯明
邹纪升
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.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development Co Ltd
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 Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN201911381377.5A priority Critical patent/CN111582013A/zh
Publication of CN111582013A publication Critical patent/CN111582013A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于灰度共生矩阵特征船只检索方法及装置，其中，方法包括如下步骤：获取待检测图像以及目标船只图像，在所述待检测图像中提取船只目标区域图像；根据灰度共生矩阵特征，确定所述船只目标区域图像和所述目标船只图像相似性；当相似性高于第一阈值，返回所述船只目标区域图像，作为检索结果。通过实施本发明，能够在海量的船只影像数据中获取有效目标船只。

Description

一种基于灰度共生矩阵特征船只检索方法及装置
技术领域
本发明涉及图像处理领域，具体涉及一种基于灰度共生矩阵特征船只检索方法及装置。
背景技术
船只的运动情况作为临海区域感知信息的重要目标，是图像处理领域进行船只检测的重要内容。随着船只观测技术的进步，可获取的船只影像数据量快速增长。由于临海区域的船只数据中含有多种不同的场景，包括建筑区域、植被区域、山地、河流等，对于船只的识别和检索有较大干扰。研究如何从海量的船只影像数据中获取有效的目标船只，检索出需要的船只，成为了一个重要问题。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中不能对海量的船只影像数据中获取有效目标船只的缺陷，从而提供一种基于灰度共生矩阵特征船只检索方法及装置。
根据第一方面，本发明实施例提供一种基于灰度共生矩阵特征船只检索方法，包括如下步骤：获取待检测图像以及目标船只图像，在所述待检测图像中提取船只目标区域图像；根据灰度共生矩阵特征，确定所述船只目标区域图像和所述目标船只图像相似性；当相似性高于第一阈值，返回所述船只目标区域图像，作为检索结果。
结合第一方面，在第一方面第一实施方式中，所述根据灰度共生矩阵特征，确定所述船只目标区域图像和所述目标船只图像相似性，包括：采用灰度共生矩阵方法提取所述船只目标区域图像和所述目标船只图像的纹理特征向量；根据
Figure BDA0002342344520000021
确定所述船只目标区域图像和所述目标船只图像相似性，其中，fQ和fI分别表示所述船只目标区域图像和所述目标船只图像的纹理特征向量，i为特征向量个数。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述采用灰度共生矩阵方法提取所述船只目标区域图像和所述目标船只图像的纹理特征向量，包括：根据图像大小，选择滑动窗口计算所述灰度共生矩阵的熵、角二阶矩、对比度和一致性四个特征值，将所述四个特征值作为新的特征矩阵的窗口中心像元；移动所述窗口中心像元，遍历所述船只目标区域图像和所述目标船只图像，得到四个新的纹理矩阵；将所述四个新的纹理矩阵取平均值，获得纹理特征向量。
结合第一方面，在第一方面第三实施方式中，所述在所述待检测图像中提取船只目标区域图像，包括：将所述待检测图像输入至预设的YOLO神经网络检测模型，获取船只目标区域图像。
根据第二方面，本发明实施例提供一种基于灰度共生矩阵特征船只检索装置，包括：图像获取模块，用于获取待检测图像以及目标船只图像，在所述待检测图像中提取船只目标区域图像；相似性计算模块，用于根据灰度共生矩阵特征，确定所述船只目标区域图像和所述目标船只图像相似性；检索结果获取模块，用于当相似性高于第一阈值，返回所述船只目标区域图像，作为检索结果。
结合第二方面，在第二方面第一实施方式中，所述相似性计算模块，包括：纹理特征向量计算模块，用于采用灰度共生矩阵方法提取所述船只目标区域图像和所述目标船只图像的纹理特征向量；图像相似性计算模块，用于根据
Figure BDA0002342344520000031
确定所述船只目标区域图像和所述目标船只图像相似性，其中，fQ和fI分别表示所述船只目标区域图像和所述目标船只图像的纹理特征向量，i为特征向量个数。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述纹理特征向量计算模块，包括：特征值计算模块，用于根据图像大小，选择滑动窗口计算所述灰度共生矩阵的熵、角二阶矩、对比度和一致性四个特征值，将所述四个特征值作为新的特征矩阵的窗口中心像元；纹理矩阵获取模块，用于移动所述窗口中心像元，遍历所述船只目标区域图像和所述目标船只图像，得到四个新的纹理矩阵；纹理特征向量计算子模块，用于将所述四个新的纹理矩阵取平均值，获得纹理特征向量。
结合第二方面，在第二方面第三实施方式中，所述图像获取模块，包括：YOLO神经网络检测模块，用于将所述待检测图像输入至预设的YOLO神经网络检测模型，获取船只目标区域图像。
根据第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的基于灰度共生矩阵特征的船只检索方法的步骤。
根据第四方面，本发明实施例提供一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面或第一方面任意实施方式所述的基于灰度共生矩阵特征的船只检索方法的步骤。
本发明技术方案，具有如下优点：
1.本发明提供一种基于灰度共生矩阵特征的船只检索方法及装置，根据灰度共生矩阵特征进行相似性比较，当相似性大于第一阈值，将该船只目标区域图像作为检索结果进行返回，能够实现船只的快速检索。
2.本发明提供的基于灰度共生矩阵特征的船只检索方法及装置，通过提取船只目标区域图像和目标船只图像的纹理特征向量，将纹理特征向量作为相似性的度量方式，准确率高，处理速度快。
3.本发明提供的预设的YOLO神经网络检测模型用于获取船只目标区域，YOLO神经网络具有速度快、精度高的特点，从而提高了整个船只检索方法的精度和速度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于灰度共生矩阵特征船只检索方法的一个具体示例的流程图；
图2为本发明实施例中基于灰度共生矩阵特征船只检索装置的一个具体示例的原理框图；
图3为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种基于灰度共生矩阵特征船只检索方法，如图1所示，包括如下步骤：
S110：获取待检测图像以及目标船只图像，在待检测图像中提取船只目标区域图像。
示例性地，待检测图像的获取方式可以是从无人机拍摄的船只视频图像中解帧得到，也可以是在遥感技术中拍摄的遥感影像中得到，本实施例不做限定，可以根据需要确定。目标船只图像表征需要被检索到的船只图像，可以由用户直接给出。
在待检测图像中提取船只目标区域图像的方式可以是在待检测图像中从左到右、从上到下滑动窗口，利用分类器识别目标，将图像变形转换成固定大小的图像，固定大小的图像被输入CNN分类器中，提取出4096个特征之后，使用SVM分类器识别属于船只的特征，并将识别为船只的检测数据返回得到船只目标区域图像。本实施例对在待检测图像中提取船只目标区域图像的方式不做确定，可以根据需要确定。
S120：根据灰度共生矩阵特征，确定船只目标区域图像和目标船只图像相似性。
示例性地，灰度共生矩阵的定义为：对于一个由N个离散灰度级组成的图像f(x,y)来说，灰度共生矩阵Pd,a[m,n]定义为m，n联合出现的概率，其中，m是点(x,y)的灰度值，n是(x+Δx,y+Δy)的灰度值，d表示灰度共生矩阵的生长步长，a表示灰度共生矩阵的生成方向，
Figure BDA0002342344520000071
表示满足d，a条件的灰度值分别为m,n的点对数，
Figure BDA0002342344520000072
表示满足d,a条件的所有点对数；共生矩阵P(d,a)是一个大小为Nq×Nq的方阵。
根据灰度共生矩阵方法提取船只目标区域图像和目标船只图像的纹理特征，得到灰度共生矩阵特征，通过灰度共生矩阵特征计算船只目标区域图像和目标船只图像计算图像的相似性。
S130：当相似性高于第一阈值，返回船只目标区域图像，作为检索结果。
示例性地，将得到的船只图像的相似度与第一阈值进行比较，将相似度大于第一阈值的船只图像作为检索出的船只图像，第一阈值可以是90％。本实施例对第一阈值的数值大小不做限定，可以根据需要确定。
本实施例提供一种基于灰度共生矩阵特征的船只检索方法，根据灰度共生矩阵特征进行相似性比较，当相似性大于第一阈值，将该船只目标区域图像作为检索结果进行返回，能够实现船只的快速检索。
作为本申请一种可选的实施方式，上述步骤S120，包括：
首先，采用灰度共生矩阵方法提取船只目标区域图像和目标船只图像的纹理特征向量；
示例性地，纹理特征向量提取的方式可以是采用小波变换提取纹理特征。其具体方式可以是滤波器将输入的船只目标区域图像和目标船只图像进行shearlet小波卷积，可以得到不同方向和尺度的不同参数，比如方差、均值、标准方差等，组成船只目标区域图像和目标船只图像的纹理特征向量。本实施例对纹理特征向量的提取方式不做限定，本领域技术人员可以根据需要确定。
其次，根据
Figure BDA0002342344520000081
确定船只目标区域图像和目标船只图像相似性，其中，fQ和fI分别表示船只目标区域图像和目标船只图像的纹理特征向量，i为特征向量个数。
本实施例提供的基于灰度共生矩阵特征的船只检索方法，通过提取船只目标区域图像和目标船只图像的纹理特征向量，将纹理特征向量作为相似性的度量方式，准确率高，处理速度快。
作为本申请一种可选的实施方式，采用灰度共生矩阵方法提取船只目标区域图像和目标船只图像的纹理特征向量，包括：
首先，根据图像大小，选择滑动窗口计算所述灰度共生矩阵的熵、角二阶矩、对比度和一致性四个特征值，将四个特征值作为新的特征矩阵的窗口中心像元。
示例性地，根据图像大小选择尺寸是N×N的滑动窗口计算灰度工程矩阵，计算灰度共生矩阵的方向角可以是0度、45度，90度，135度。首先熵反映图像中纹理的非均匀程度和复杂程度；角二阶矩表征图像灰度分布的均匀程度和纹理的粗细度；对比度表征图像的清晰度；一致性表征图像纹理的同质性，度量图像纹理局部的变化。
四种特征值的计算方式如下所示：
熵：ENT＝-∑m∑nPd,a[m,n]lgPd,a[m,n]。
角二阶矩：
Figure BDA0002342344520000091
对比度：CON＝∑m∑n(m-n)2Pd,a[m,n]。
一致性：
Figure BDA0002342344520000092
其次，移动窗口中心像元，遍历船只目标区域图像和目标船只图像，得到四个新的纹理矩阵。
示例性地，根据得到的四个特征值，将四个特征值作为新的特征矩阵的窗口中心像元，移动纹理窗口，遍历船只目标区域图像和目标船只图像，可以得到四个新的纹理矩阵。
再次，将四个新的纹理矩阵取平均值，获得纹理特征向量。
本实施例将熵、角二阶矩、对比度、一致性共同度量纹理特征，能够提高基于纹理特征向量的船只检索的准确性。
作为本申请一个可选的实施方式，待检测图像中提取船只目标区域图像，包括：将待检测图像输入至预设的YOLO神经网络检测模型，获取船只目标区域图像。
本实施例提供的预设的YOLO神经网络检测模型用于获取船只目标区域，YOLO神经网络具有速度快、精度高的特点，从而提高了整个船只检索方法的精度和速度。
本实施例提供一种基于灰度共生矩阵特征船只检索装置，如图2所示，包括：
图像获取模块210，用于获取待检测图像以及目标船只图像，在待检测图像中提取船只目标区域图像；具体实现方式见本实施例上述步骤S110，在此不再赘述。
相似性计算模块220，用于根据灰度共生矩阵特征，确定船只目标区域图像和目标船只图像相似性；具体实现方式见本实施例上述步骤S120，在此不再赘述。
检索结果获取模块230，用于当相似性高于第一阈值，返回船只目标区域图像，作为检索结果。具体实现方式见本实施例上述步骤S130，在此不再赘述。
本发明提供一种基于灰度共生矩阵特征的船只检索装置，根据灰度共生矩阵特征进行相似性比较，当相似性大于第一阈值，将该船只目标区域图像作为检索结果进行返回，能够实现船只的快速检索。
作为本申请一个可选的实施方式，相似性计算模块，包括：
纹理特征向量计算模块，用于采用灰度共生矩阵方法提取船只目标区域图像和目标船只图像的纹理特征向量；具体实现方式见本实施例上述方法对应部分，在此不再赘述。
图像相似性计算模块，用于根据
Figure BDA0002342344520000111
确定船只目标区域图像和目标船只图像相似性，其中，fQ和fI分别表示船只目标区域图像和目标船只图像的纹理特征向量，i为特征向量个数。具体实现方式见本实施例上述方法对应部分，在此不再赘述。
作为本申请一个可选的实施方式，纹理特征向量计算模块，包括：
特征值计算模块，用于根据图像大小，选择滑动窗口计算灰度共生矩阵的熵、角二阶矩、对比度和一致性四个特征值，将四个特征值作为新的特征矩阵的窗口中心像元；具体实现方式见本实施例上述方法对应部分，在此不再赘述。
纹理矩阵获取模块，用于移动所述窗口中心像元，遍历船只目标区域图像和目标船只图像，得到四个新的纹理矩阵；具体实现方式见本实施例上述方法对应部分，在此不再赘述。
纹理特征向量计算子模块，用于将四个新的纹理矩阵取平均值，获得纹理特征向量。具体实现方式见本实施例上述方法对应部分，在此不再赘述。
作为本申请一个可选的实施方式，图像获取模块，包括：
YOLO神经网络检测模块，用于将待检测图像输入至预设的YOLO神经网络检测模型，获取船只目标区域图像。具体实现方式见本实施例上述方法对应部分，在此不再赘述。
本实施例还提供一种电子设备，如图3所示，处理器310和存储器320，其中处理器310和存储器320可以通过总线或者其他方式连接。
处理器310可以为中央处理器(Central Processing Unit，CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器320作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于灰度共生矩阵特征船只检索方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。
存储器320可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器320可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器320中，当被所述处理器310执行时，执行如图1所示实施例中的基于灰度共生矩阵特征船只检索方法。
上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中基于灰度共生矩阵特征船只检索方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于灰度共生矩阵特征船只检索方法，其特征在于，包括如下步骤：
获取待检测图像以及目标船只图像，在所述待检测图像中提取船只目标区域图像；
根据灰度共生矩阵特征，确定所述船只目标区域图像和所述目标船只图像相似性；
当相似性高于第一阈值，返回所述船只目标区域图像，作为检索结果。
2.根据权利要求1所述的方法，其特征在于，所述根据灰度共生矩阵特征，确定所述船只目标区域图像和所述目标船只图像相似性，包括：
采用灰度共生矩阵方法提取所述船只目标区域图像和所述目标船只图像的纹理特征向量；
根据
Figure FDA0002342344510000011
确定所述船只目标区域图像和所述目标船只图像相似性，其中，fQ和fI分别表示所述船只目标区域图像和所述目标船只图像的纹理特征向量，i为特征向量个数。
3.根据权利要求2所述的方法，其特征在于，所述采用灰度共生矩阵方法提取所述船只目标区域图像和所述目标船只图像的纹理特征向量，包括：
根据图像大小，选择滑动窗口计算所述灰度共生矩阵的熵、角二阶矩、对比度和一致性四个特征值，将所述四个特征值作为新的特征矩阵的窗口中心像元；
移动所述窗口中心像元，遍历所述船只目标区域图像和所述目标船只图像，得到四个新的纹理矩阵；
将所述四个新的纹理矩阵取平均值，获得纹理特征向量。
4.根据权利要求1所述的方法，其特征在于，所述在所述待检测图像中提取船只目标区域图像，包括：将所述待检测图像输入至预设的YOLO神经网络检测模型，获取船只目标区域图像。
5.一种基于灰度共生矩阵特征船只检索装置，其特征在于，包括：
图像获取模块，用于获取待检测图像以及目标船只图像，在所述待检测图像中提取船只目标区域图像；
相似性计算模块，用于根据灰度共生矩阵特征，确定所述船只目标区域图像和所述目标船只图像相似性；
检索结果获取模块，用于当相似性高于第一阈值，返回所述船只目标区域图像，作为检索结果。
6.根据权利要求5所述的装置，其特征在于，所述相似性计算模块，包括：
纹理特征向量计算模块，用于采用灰度共生矩阵方法提取所述船只目标区域图像和所述目标船只图像的纹理特征向量；
图像相似性计算模块，用于根据
Figure FDA0002342344510000031
确定所述船只目标区域图像和所述目标船只图像相似性，其中，fQ和fI分别表示所述船只目标区域图像和所述目标船只图像的纹理特征向量，i为特征向量个数。
7.根据权利要求6所述的装置，其特征在于，所述纹理特征向量计算模块，包括：
特征值计算模块，用于根据图像大小，选择滑动窗口计算所述灰度共生矩阵的熵、角二阶矩、对比度和一致性四个特征值，将所述四个特征值作为新的特征矩阵的窗口中心像元；
纹理矩阵获取模块，用于移动所述窗口中心像元，遍历所述船只目标区域图像和所述目标船只图像，得到四个新的纹理矩阵；
纹理特征向量计算子模块，用于将所述四个新的纹理矩阵取平均值，获得纹理特征向量。
8.根据权利要求5所述的装置，其特征在于，所述图像获取模块，包括：
YOLO神经网络检测模块，用于将所述待检测图像输入至预设的YOLO神经网络检测模型，获取船只目标区域图像。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一所述的基于灰度共生矩阵特征的船只检索方法的步骤。
10.一种存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至4任一所述的基于灰度共生矩阵特征的船只检索方法的步骤。
CN201911381377.5A 2019-12-27 2019-12-27 一种基于灰度共生矩阵特征船只检索方法及装置 Pending CN111582013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911381377.5A CN111582013A (zh) 2019-12-27 2019-12-27 一种基于灰度共生矩阵特征船只检索方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911381377.5A CN111582013A (zh) 2019-12-27 2019-12-27 一种基于灰度共生矩阵特征船只检索方法及装置

Publications (1)

Publication Number Publication Date
CN111582013A true CN111582013A (zh) 2020-08-25

Family

ID=72125966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911381377.5A Pending CN111582013A (zh) 2019-12-27 2019-12-27 一种基于灰度共生矩阵特征船只检索方法及装置

Country Status (1)

Country Link
CN (1) CN111582013A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232295A (zh) * 2020-11-09 2021-01-15 珠海大横琴科技发展有限公司 一种新增目标船只的确认方法、装置及电子设备
CN112907521A (zh) * 2021-02-05 2021-06-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN113989262A (zh) * 2021-11-09 2022-01-28 南方电网科学研究院有限责任公司 基于图像检测的环氧填料均匀度检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120177280A1 (en) * 2009-07-13 2012-07-12 H. Lee Moffitt Cancer Center & Research Institute, Inc. Methods and apparatus for diagnosis and/or prognosis of cancer
US20150071538A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Automated and scalable object and feature extraction from imagery
CN109165585A (zh) * 2018-06-15 2019-01-08 沈阳理工大学 一种改进的基于yolo v2的船舶目标检测方法
CN109241913A (zh) * 2018-09-10 2019-01-18 武汉大学 结合显著性检测和深度学习的船只检测方法及系统
CN109725310A (zh) * 2018-11-30 2019-05-07 中船（浙江）海洋科技有限公司 一种基于yolo算法以及岸基雷达系统的船舶定位监管系统
CN109919113A (zh) * 2019-03-12 2019-06-21 北京天合睿创科技有限公司 船舶监测方法和系统以及港口运营预测方法和系统
CN109977897A (zh) * 2019-04-03 2019-07-05 厦门兴康信科技股份有限公司 一种基于深度学习的船舶特征重识别方法、应用方法及系统
CN110377670A (zh) * 2018-04-11 2019-10-25 腾讯大地通途（北京）科技有限公司 一种确定道路要素信息的方法、装置、介质及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120177280A1 (en) * 2009-07-13 2012-07-12 H. Lee Moffitt Cancer Center & Research Institute, Inc. Methods and apparatus for diagnosis and/or prognosis of cancer
US20150071538A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Automated and scalable object and feature extraction from imagery
CN110377670A (zh) * 2018-04-11 2019-10-25 腾讯大地通途（北京）科技有限公司 一种确定道路要素信息的方法、装置、介质及设备
CN109165585A (zh) * 2018-06-15 2019-01-08 沈阳理工大学 一种改进的基于yolo v2的船舶目标检测方法
CN109241913A (zh) * 2018-09-10 2019-01-18 武汉大学 结合显著性检测和深度学习的船只检测方法及系统
CN109725310A (zh) * 2018-11-30 2019-05-07 中船（浙江）海洋科技有限公司 一种基于yolo算法以及岸基雷达系统的船舶定位监管系统
CN109919113A (zh) * 2019-03-12 2019-06-21 北京天合睿创科技有限公司 船舶监测方法和系统以及港口运营预测方法和系统
CN109977897A (zh) * 2019-04-03 2019-07-05 厦门兴康信科技股份有限公司 一种基于深度学习的船舶特征重识别方法、应用方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷泽: "基于协同分割技术的图像检索", 《中国优秀硕士学问论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232295A (zh) * 2020-11-09 2021-01-15 珠海大横琴科技发展有限公司 一种新增目标船只的确认方法、装置及电子设备
CN112232295B (zh) * 2020-11-09 2021-10-15 珠海大横琴科技发展有限公司 一种新增目标船只的确认方法、装置及电子设备
CN112907521A (zh) * 2021-02-05 2021-06-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN113989262A (zh) * 2021-11-09 2022-01-28 南方电网科学研究院有限责任公司 基于图像检测的环氧填料均匀度检测方法

Similar Documents

Publication Publication Date Title
CN107230225B (zh) 三维重建的方法和装置
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
CN112990010B (zh) 点云数据处理方法、装置、计算机设备和存储介质
CN111582054B (zh) 点云数据处理方法及装置、障碍物检测方法及装置
CN111582013A (zh) 一种基于灰度共生矩阵特征船只检索方法及装置
CN112241976A (zh) 一种训练模型的方法及装置
CN108182421A (zh) 视频分割方法和装置
CN112106111A (zh) 一种标定方法、设备、可移动平台及存储介质
CN110969145B (zh) 一种遥感图像匹配优化方法、装置、电子设备及存储介质
CN110825900A (zh) 特征重构层的训练方法、图像特征的重构方法及相关装置
CN112784874B (zh) 双目视觉立体匹配方法、装置、电子设备及存储介质
CN111553182A (zh) 一种船只检索方法、装置及电子设备
CN116188893A (zh) 基于bev的图像检测模型训练及目标检测方法和装置
CN111445388A (zh) 一种图像超分辨重建模型训练方法、船只跟踪方法及装置
CN110533663B (zh) 一种图像视差确定方法、装置、设备及系统
CN111986299A (zh) 点云数据处理方法、装置、设备及存储介质
CN111695572A (zh) 一种基于卷积层特征提取的船只检索方法及装置
WO2021051382A1 (zh) 白平衡处理方法和设备、可移动平台、相机
CN117876654A (zh) 一种监控视频图像的坐标转换精度校准方法及系统
CN117520581A (zh) 一种土地测绘信息管理方法、系统、设备及介质
CN111652034A (zh) 一种基于sift算法的船只检索方法及装置
CN114092850A (zh) 重识别方法、装置、计算机设备和存储介质
CN111639651A (zh) 一种基于全连接层特征提取的船只检索方法及装置
CN114882115B (zh) 车辆位姿的预测方法和装置、电子设备和存储介质
CN113033578B (zh) 基于多尺度特征匹配的图像校准方法、系统、终端及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200825