CN111582037A - 基于粗糙集理论的地基云图云分类识别系统和方法 - Google Patents
基于粗糙集理论的地基云图云分类识别系统和方法 Download PDFInfo
- Publication number
- CN111582037A CN111582037A CN202010280121.1A CN202010280121A CN111582037A CN 111582037 A CN111582037 A CN 111582037A CN 202010280121 A CN202010280121 A CN 202010280121A CN 111582037 A CN111582037 A CN 111582037A
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- sky
- rough set
- threshold
- 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
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
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理领域,为较准确地识别出晴空、薄云和厚云,为计算当下光伏发电的出力情况做好准备,进而结合云的运动情况可以预测短期内光伏发电的出力。本发明,基于粗糙集理论的地基云图云分类识别系统和方法,包括照相机、带有加热装置的半球镜面、镜面上方的遮光带以及计算机,通过仪器上方的照相机垂直向下拍摄带有加热装置的半球镜面,得到当时天空所呈现的图像,并将拍摄得到的图像自动存储到计算机,计算机设置有粗糙集模块,利用粗糙集的模型求出阈值,将图像的像素划分为不同区域,从而对天空的模式进行分类识别。本发明主要应用于光伏发电场合。
Description
技术领域
本发明属于图像处理领域,特别涉及地基云图的处理方法。
背景技术
当前,云识别的方法主要分为传统图像处理方法和人工智能方法两大类。其中,传统方法虽然准确率较高,但往往适用范围较为局限,需要根据具体问题建立对应的模型;而人工智能方法中的一些深度学习算法虽然适用范围广,但在识别云图这种形状复杂、细节繁多的图像时却不太精确,难以达到光伏出力短期预测对准确率的要求,而且需要进行大量繁琐的全图标定。此外,现有的方法大都只把云图分为云和非云两种模式,这确实满足了其他很多问题的需要,但却不能满足光伏预测对于准确率的要求。
发明内容
为克服现有技术的不足,本发明旨在提出一种用于全天空图像的云分类识别方法。对全天空图像应用本发明方法,可以较准确地识别出晴空、薄云和厚云,为计算当下光伏发电的出力情况做好准备,进而结合云的运动情况可以预测短期内光伏发电的出力。为此,本发明采取的技术方案是,基于粗糙集理论的地基云图云分类识别系统,包括照相机、带有加热装置的半球镜面、镜面上方的遮光带以及计算机,通过仪器上方的照相机垂直向下拍摄带有加热装置的半球镜面,得到当时天空所呈现的图像,并将拍摄得到的图像自动存储到计算机,计算机设置有粗糙集模块,利用粗糙集的模型求出阈值,将图像的像素划分为不同区域,从而对天空的模式进行分类识别。
基于粗糙集理论的地基云图云分类识别方法,利用照相机、带有加热装置的半球镜面、镜面上方的遮光带以及计算机实现,通过仪器上方的照相机垂直向下拍摄带有加热装置的半球镜面,得到当时天空所呈现的图像,并将拍摄得到的图像自动存储到计算机,在计算机中利用粗糙集的模型求出阈值,将图像的像素划分为不同区域,从而对天空的模式进行分类识别。
利用粗糙集的模型求出阈值,将图像的像素划分为不同区域,从而对天空的模式进行分类识别,具体步骤如下:
采用云图像素归一化红蓝比值R作为区分晴空、薄云和厚云的阈值参数,定义云图像素归一化红蓝比值R为:
式中:b为像素蓝色通道亮度值;r为像素红色通道亮度值;
设定晴空与薄云、薄云与厚云的分割阈值分别为th1和th2,云图各像素类型的识别模型:
如果R≥-1且R<th2 则TC=厚云
如果R≥th2且R<th1 则TC=薄云
如果R≥th1且R≤1 则TC=天空
自适应阈值云识别法采用图像修复技术来屏蔽全天空图像中的干扰信息。
基于粗糙集理论的自适应阈值云识别方法,步骤如下:
步骤1获取待处理的全天空图像。
步骤2屏蔽图像中的干扰信息:
步骤3应用粗糙集模型求出分割阈值,对每一张全天空图像生成特定的阈值,并用其进行图像分割,只区分云和非云,并不将云分为厚云和薄云,用灰度作为阈值;
步骤4将全天空图像按阈值进行分割,画出结果图。
基于粗糙集理论的统一阈值云识别方法,步骤如下:
步骤1获取某一地域的全天空图像数据;
步骤2对全天空图像进行标定:
步骤3将全天空图像分为训练集和验证集,从训练集中截取薄云和厚云小图;
步骤4对薄云和厚云小图分别应用自适应阈值云识别方法,获取两组分割阈值;
步骤5对两组阈值数据进行处理,得到两个统一阈值;
步骤6将两个统一阈值应用于验证集的全天空图像,获取结果图。
本发明的特点及有益效果是:
对某地域大量的全天空图像进行测试,在太阳高度角不同、时间季节不同以及云况不同(全部晴空、全云、既有晴空也有云)的条件下,通过本方法均可获得较为准确的云分类识别结果图,且保留了原始全天空图像的大部分关键信息。实验结果表明:该方法具有很好的泛化能力,是一种有效的云分类识别方法。部分测试结果如附图中所示。为了验证本发明提出的云分类识别方法的有效性,将304张结果图与原标定图像进行对比,按标定块(云团)统计准确率,在共计4096个标定块中取得了高达94.2%的准确率。
附图说明:
图1.全天空成像仪。
图2.由全天空成像仪拍摄的全天空图像。
图3.修复后的全天空图像。
图4.晴空。
图5.经统一阈值方法处理后的结果图。
图6.全云。
图7.经统一阈值方法处理后的结果图。
图8.多云。
图9.经统一阈值方法处理后的结果图。
图10.多云。
图11.经统一阈值方法处理后的结果图。
图12.多云(修复图)。
图13.经统一阈值方法处理后的结果图。
图14.修复后的图像。
图15.背景图。
图16.ROI(感兴趣区域)掩膜。
图17.经“自体移植法”处理后的图像。
图18.自适应阈值云分类方法的结果图。
图19.标定后的全天空图像。
图20.薄云训练图。
图21.厚云训练图。
图22以灰度值为阈值参数应用粗糙集模型求出分割阈值流程图。
图23以R值为阈值参数应用粗糙集模型求出分割阈值流程图。
图24本发明整体技术方案流程图。
具体实施方式
1.本发明针对全天空图像仪采集的地基云图完成云分类识别。全天空成像仪(图1)主要的部件有:照相机、带有加热装置的半球镜面、镜面上方的遮光带以及下方的电子设备系统。该仪器可以在白天自动进行全天空云量的持续监测,其工作原理是:通过仪器上方的照相机垂直向下拍摄带有加热装置的半球镜面,得到当时天空所呈现的图像(图2),并将拍摄得到的图像自动存储到计算机上进行云量计算和处理。
2.本发明采用粗糙集的模型作为核心算法。粗糙集理论是建立在分类机制的基础上,它将分类理解为在特定空间上的等价关系,而等价关系构成了对该空间的划分。粗糙集理论的主要思想是利用已知的知识库,将不精确或不确定的知识用已知的知识库中的知识来(近似)刻画。近些年,粗糙集理论在图像处理领域取得了广泛的应用,本发明利用粗糙集的模型求出阈值,将图像的像素划分为不同区域,从而对天空的模式进行分类识别。
3.根据全天空图像的特性,本发明采用云图像素归一化红蓝比值R作为区分晴空、薄云和厚云的阈值参数。定义云图像素归一化红蓝比值R为
式中:b为像素蓝色通道亮度值;r为像素红色通道亮度值。
设定晴空与薄云、薄云与厚云的分割阈值分别为th1和th2,云图各像素类型的识别模型:
如果R≥-1且R<th2 则TC=厚云
如果R≥th2且R<th1 则TC=薄云
如果R≥th1且R≤1 则TC=天空
4.本发明中,自适应阈值云识别法采用了已有的图像修复技术来屏蔽全天空图像中的干扰信息(见图3)。
经修复,原全天空图像中的黑色遮光带、相机支架及外围无关信息被去掉了。
基于粗糙集理论的云分类识别方法主要包括两种:自适应阈值云识别和统一阈值云分类识别。使用者可根据应用环境的不同对两种方法进行选择。其中,统一阈值云分类识别方法是本发明一个实施例最终采用的方法,而自适应阈值云识别是统一阈值云识别方法的基础和前提。下面将分别介绍两种方法的特点和实施步骤:
1.自适应阈值云识别
特点:①对每一张全天空图像生成特定的阈值,并用其进行图像分割。这样的好处是阈值更具有针对性,可能会更加准确。但缺点是处理时间太长,不适用于光伏出力的短期预测。
②只区分云和非云,并不将云分为厚云和薄云。
③由于使用R作阈值处理时间过长,所以在实现这个方法时用灰度作为阈值。
步骤1获取待处理的全天空图像。
步骤2屏蔽图像中的干扰信息:
全天空图像中含有许多干扰信息,它们影响粗糙集模型的应用,所以在用粗糙集模型求阈值前要设法去除它们。
步骤3应用粗糙集模型求出分割阈值。
步骤4将全天空图像按阈值进行分割,画出结果图。
2.统一阈值云分类识别方法
特点:①对批量全天空图像生成统一的阈值,并用其对所有的图像进行分割。这样的好处是节省处理时间,在预测光伏出力时更具有实时性。
②将图像分为晴空、薄云和厚云三个区域。
步骤1大批量地获取某一地域的全天空图像数据。
步骤2对全天空图像进行标定:
用不同的色块区分晴空、薄云、厚云、不确定区域和黑带区域。
步骤3从全天空图像中截取大量100×100(像素)的薄云和厚云小图(如图20、21),将全部图像的40%组成训练集,其余60%图像组成验证集。
步骤4对薄云和厚云小图分别应用自适应阈值云识别方法,获取两组分割阈值。
步骤5对两组阈值数据进行处理,得到两个统一阈值。
步骤6将两个统一阈值应用于验证集的全天空图像,获取结果图。
步骤7统计结果图中云分类识别的正确率,并对两个统一阈值进行微调以获得最高的正确率。
步骤8将微调后的阈值确定为最终阈值,并检验其泛化能力。
下面结合具体实施例进一步详细说明本发明。
1.自适应阈值云识别
步骤1获取待处理的全天空图像。
步骤2屏蔽图像中的干扰信息:
全天空图像中含有两大部分干扰信息:①贯穿在中央云图里的黑色遮光条和摄像机支架。②仪器本身和仪器所处的地面,以及周边地形在半球镜面上成的像。在应用主体算法之前需将这些非天空要素屏蔽掉。
首先,采用已有的修复技术对干扰进行去除(见具体实施方式第4条)。修复后的图像似乎已经去除了两种干扰,然而圆形云图外围的白色底色却成为了新的干扰。下面将以修复后的图像(如图14)作为源图像,进一步滤去干扰。
由于粗糙集模型的特殊性,白色(或其他单色)底色会导致运算出的灰度阈值为0或255这种异常数值,所以采用“自体移植法”屏蔽掉底色的干扰:
①在源图像特定位置画矩形,截取全天空图像中纯粹的云图(不含干扰信息,只含有天空信息的部分),再将它放大到源图像的大小以作为背景图(见图15)。
②在源图像中央天空处画圆,用漫水填充法获取圆形ROI掩膜(见图16)。
③将源图像经掩膜过滤后的部分(无干扰的中央天空)放置于背景图中央,得到图17。将图17作为主体算法中的源图像。
步骤3应用粗糙集模型求出分割阈值:
设max_gray和min_gray分别表示图像的最大和最小灰度值。设粒子大小为size×size,按粒子大小对图像进行分块,total_no_granule表示粒子总数,设object_lower,object_upper,back_lower和back_upper分别表示目标上下近似矩阵和背景上下近似矩阵;object_roughness和back_roughness分别表示目标和背景的粗糙度矩阵;rough_entropy表示最小平方粗糙熵矩阵。流程图如图22。
步骤4将全天空图像按阈值进行分割,画出结果图:
为了使视觉效果相对友好,用浅色表示云,黑色表示非云,并将底色置黑,得到结果图(如图18)。
2.统一阈值云分类识别方法
步骤1大批量地获取某一地域的全天空图像数据。
注意:由于地理位置、气象条件的不同,在不同地域求出的分割阈值各不相同。所以,对于某地区应用本方法时要获取当地的全天空图像。
步骤2对全天空图像进行标定。
用三种不同的颜色区分晴空、薄云和厚云。再用另两种颜色标出不确定区域和黑带区域(如图19)。
步骤3从全天空图像中截取大量100×100(像素)的薄云和厚云小图(如图20、21),将全部图像的40%组成训练集,其余60%图像组成验证集。
步骤4对薄云和厚云小图分别应用自适应阈值云识别方法,获取两组分割阈值。
值得一提的是,这里无需进行图像修复,因为在步骤3截取图像时就会人为避开有干扰信息的区域。
现有粗糙集模型是以灰度为阈值参数的,经过一定的改动,将灰度改为了云图像素归一化红蓝比值R,算法的整体逻辑基本不变,但由于无法调用现有的函数而且R值是实数(不像灰度值是0到255的整数,可以直接作为循环的索引),编程实现时更为繁琐。具体算法如下:
设max_R和min_R分别表示图像的最大和最小R值。设粒子大小为size×size,按粒子大小对图像进行分块,total_no_granule表示粒子总数。设object_lower,object_upper,back_lower和back_upper分别表示目标上下近似矩阵和背景上下近似矩阵;object_roughness和back_roughness分别表示目标和背景的粗糙度矩阵;rough_entropy表示最小平方粗糙熵矩阵。流程图如图23。
步骤5对两组阈值数据进行处理,得到两个统一阈值。
排除掉数据中的异常值(R<0)后,分别对薄云阈值和厚云阈值求平均值,将两个平均值作为两个统一阈值。
步骤6将两个统一阈值应用于验证集的全天空图像,获取结果图:
为了使视觉效果相对友好,晴空区域保留原像素值,用灰色表示薄云、白色表示厚云,并将底色置黑,得到结果图(参见附图说明部分,其中列出了五对不同云况的原图和结果图)。
步骤7统计结果图中云分类识别的正确率,并对统一阈值进行微调以获得最高的正确率。
将得到的云分类结果图和标定后的全天空图像进行对比,按下述规则计算出准确率:
①标定块若为黄色、黑色或杂色则视为无效块。即只对纯绿、纯粉红或纯红色的标记块进行正确率统计。
②若结果图中对应标记块区域内的像素至少有一个符合标定的云况,则算这个标记块判断正确。
③用判断正确的标记块数除以总有效标记块数,得到的商即为统一阈值云分类识别方法的准确率。
步骤8将调整后的阈值确定为最终的统一阈值,将其应用于一些新的全天空图像,以检验阈值的泛化能力,防止发生过拟合的现象。经检验无误后,所求阈值就可以投入实际工程应用中去了。
最后,本发明整体技术方案的流程图如图24所示。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于粗糙集理论的地基云图云分类识别系统,其特征是,包括照相机、带有加热装置的半球镜面、镜面上方的遮光带以及计算机,通过仪器上方的照相机垂直向下拍摄带有加热装置的半球镜面,得到当时天空所呈现的图像,并将拍摄得到的图像自动存储到计算机,计算机设置有粗糙集模块,利用粗糙集的模型求出阈值,将图像的像素划分为不同区域,从而对天空的模式进行分类识别。
2.一种基于粗糙集理论的地基云图云分类识别方法,其特征是,利用照相机、带有加热装置的半球镜面、镜面上方的遮光带以及计算机实现,通过仪器上方的照相机垂直向下拍摄带有加热装置的半球镜面,得到当时天空所呈现的图像,并将拍摄得到的图像自动存储到计算机,在计算机中利用粗糙集的模型求出阈值,将图像的像素划分为不同区域,从而对天空的模式进行分类识别。
4.一种基于粗糙集理论的自适应阈值云识别方法,其特征是,步骤如下:
步骤1获取待处理的全天空图像。
步骤2屏蔽图像中的干扰信息:
步骤3应用粗糙集模型求出分割阈值,对每一张全天空图像生成特定的阈值,并用其进行图像分割,只区分云和非云,并不将云分为厚云和薄云,用灰度作为阈值;
步骤4将全天空图像按阈值进行分割,画出结果图。
5.一种基于粗糙集理论的统一阈值云识别方法,其特征是,步骤如下:
步骤1获取某一地域的全天空图像数据;
步骤2对全天空图像进行标定:
步骤3将全天空图像分为训练集和验证集,从训练集中截取薄云和厚云小图;
步骤4对薄云和厚云小图分别应用自适应阈值云识别方法,获取两组分割阈值;
步骤5对两组阈值数据进行处理,得到两个统一阈值;
步骤6将两个统一阈值应用于验证集的全天空图像,获取结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280121.1A CN111582037A (zh) | 2020-04-10 | 2020-04-10 | 基于粗糙集理论的地基云图云分类识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280121.1A CN111582037A (zh) | 2020-04-10 | 2020-04-10 | 基于粗糙集理论的地基云图云分类识别系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582037A true CN111582037A (zh) | 2020-08-25 |
Family
ID=72126165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010280121.1A Pending CN111582037A (zh) | 2020-04-10 | 2020-04-10 | 基于粗糙集理论的地基云图云分类识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582037A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012731A (zh) * | 2023-03-30 | 2023-04-25 | 成都国星宇航科技股份有限公司 | 一种星上在轨云检测的方法、系统及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
CN103218614A (zh) * | 2013-04-03 | 2013-07-24 | 天津大学 | 基于流形学习和粗糙集相结合的强对流天气识别方法 |
CN103605171A (zh) * | 2013-09-10 | 2014-02-26 | 国家电网公司 | 全天空成像仪及基于全天空成像仪的云层特性分析方法 |
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN106779130A (zh) * | 2015-11-20 | 2017-05-31 | 中国电力科学研究院 | 一种基于全天空云图的光伏电站辐射预测方法 |
CN107944357A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
CN108121990A (zh) * | 2017-11-27 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种基于全天空成像设备的太阳辐照度预测方法和装置 |
CN109272508A (zh) * | 2018-08-02 | 2019-01-25 | 哈尔滨工程大学 | 一种基于粗糙集和粗糙熵的Petri网络图像分割方法 |
-
2020
- 2020-04-10 CN CN202010280121.1A patent/CN111582037A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
CN103218614A (zh) * | 2013-04-03 | 2013-07-24 | 天津大学 | 基于流形学习和粗糙集相结合的强对流天气识别方法 |
CN103605171A (zh) * | 2013-09-10 | 2014-02-26 | 国家电网公司 | 全天空成像仪及基于全天空成像仪的云层特性分析方法 |
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN106779130A (zh) * | 2015-11-20 | 2017-05-31 | 中国电力科学研究院 | 一种基于全天空云图的光伏电站辐射预测方法 |
CN107944357A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
CN108121990A (zh) * | 2017-11-27 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种基于全天空成像设备的太阳辐照度预测方法和装置 |
CN109272508A (zh) * | 2018-08-02 | 2019-01-25 | 哈尔滨工程大学 | 一种基于粗糙集和粗糙熵的Petri网络图像分割方法 |
Non-Patent Citations (2)
Title |
---|
XIN LI 等: "A Cloud Detection Algorithm with Reduction of Sunlight Interference in Ground-Based Sky Images", 《ATMOSPHERE》 * |
杨俊 等: "基于自适应阈值的地基云自动检测方法", 《应用气象学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012731A (zh) * | 2023-03-30 | 2023-04-25 | 成都国星宇航科技股份有限公司 | 一种星上在轨云检测的方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416413B (zh) | 太阳能预报 | |
Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
CN111414887B (zh) | 基于yolov3算法的二次检测口罩人脸识别方法 | |
CN105374013B (zh) | 基于双暗通道先验的图像能见度修复方法及图像处理装置 | |
CN110909690B (zh) | 一种基于区域生成的遮挡人脸图像检测方法 | |
CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
CN103035013B (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN110378865A (zh) | 一种复杂背景下的雾天能见度智能分级识别方法及系统 | |
CN108154492B (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN115797775B (zh) | 基于近地视频图像的违章建筑智能识别方法及系统 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN105447825A (zh) | 图像去雾方法及其系统 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
Ma et al. | An all-weather lane detection system based on simulation interaction platform | |
CN115393774A (zh) | 一种轻量化的火灾烟雾检测方法、终端设备及存储介质 | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
CN117670961B (zh) | 基于深度学习的低空遥感影像多视立体匹配方法及系统 | |
CN111582037A (zh) | 基于粗糙集理论的地基云图云分类识别系统和方法 | |
Kumar et al. | Haze elimination model-based color saturation adjustment with contrast correction | |
CN111798415A (zh) | 一种高速公路控制区建筑物监测方法、装置及存储介质 | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
CN109658405A (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |