CN111582237B - 基于atsm模型的高分影像飞机类型识别方法 - Google Patents
基于atsm模型的高分影像飞机类型识别方法 Download PDFInfo
- Publication number
- CN111582237B CN111582237B CN202010467834.9A CN202010467834A CN111582237B CN 111582237 B CN111582237 B CN 111582237B CN 202010467834 A CN202010467834 A CN 202010467834A CN 111582237 B CN111582237 B CN 111582237B
- Authority
- CN
- China
- Prior art keywords
- airplane
- model
- atsm
- parameters
- identified
- 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
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于ATSM模型的高分影像飞机类型识别方法,包括如下步骤:1)对高分遥感影像进行预处理;2)对高分遥感影像进行自动分类处理确定机场区域位置;3)对待识别飞机的参数进行测量,所述参数包括飞机ATSM模型参数;4)将得到的待识别飞机的ATSM模型参数与ATSM模型样本库中的样本参数进行逐一相似度计算,对相似度结果进行处理得到飞机类型识别结果。本发明方法的参数提取、模型构建和计算分析过程相比传统的特征匹配算法计算量小。同时该算法既有飞机的基本形状特征参数,又包含飞机的实际尺寸参数,有效避免了因形状相似而造成的机型误判问题;达到了飞机类型识别高效率、高精度的目的。
Description
技术领域
本发明属于遥感影像地物识别技术领域,尤其是涉及一种基于ATSM模型的高分影像飞机类型识别方法。
背景技术
现代化战术侦查任务需要运用遥感和计算机智能分析的方法和手段,自动收集和处理侦查信息,提取各种目标特征并确定目标属性,从而提高侦查系统的自动化水平。因此,利用计算机在遥感影像上进行目标智能识别,对于提高判读效率,提供快速、准确的军事信息具有十分重要的意义。高空间分辨率遥感影像具有丰富的空间信息和地物纹理信息,可用于目标的精确识别。飞机作为一种重要的军事目标,利用遥感影像对其进行快速精准识别,对于军事侦查和地理调查都具有重要意义。
目前,基于遥感影像的飞机识别大多数研究都集中在对飞机目标的发现,即通过卫星影像识别出哪里有飞机和有多少飞机,而对识别出的飞机究竟是什么型号还研究较少。通过高分辨率遥感影像对飞机具体型号进行识别,进而分析其打击能力和承载量,对于军事、政治和经济都有重要的参考价值。张名成等在《计算机仿真》上发表“基于闭合轮廓提取和部分特征匹配的飞机识别”,提出利用机长、翼展和机翼上下夹角等参数与特征数据库匹配识别飞机型号,识别准确率达到95%。邵大培等在《中国体视学与图像分析》上发表“基于PCA和图像匹配的飞机识别算法”,提出利用PCA方法提取飞机目标,进行归一化处理后与标准模板库进行点对点匹配,从而识别飞机类型。
传统的飞机类型识别方法,首先要建立飞机模型库,然后对遥感影像进行处理并提取飞机目标或特征参数,再将提取的飞机目标和特征参数与模型库进行遍历匹配,计算其相似程度。飞机模型库的建立需要对已知飞机型号的遥感影像进行校正、滤波、飞机目标提取、二值化、重心和主轴计算、旋转等一系列处理,再将提取的未知飞机信息与模型库进行逐像元的遍历匹配,比较费时费力。并且,传统的飞机模型库通过归一化处理建立标准尺寸模板,只保留了飞机形状信息,而忽略了飞机的实际尺度,对于外形相近、大小不同的飞机难以区分。另外,已公开的基于飞机特征参数匹配进行飞机型号识别的方法,选取的特征参数较少,对于部分参数相近的飞机型号难以辨别。
发明内容
有鉴于此,本发明旨在提出一种基于ATSM(Airplane Top Surface Model)模型的高分影像飞机类型识别方法,只需要对遥感影像进行常规的几何校正、投影转换处理,通过监督分类进行机场位置确定,根据飞机上表面特征,提取反映飞机特点的核心参数并构建ATSM模型,再与ATSM模型样本库进行相似度匹配计算确定飞机型号;提高了从高分遥感影像识别飞机型号的效率和准确性,具有较强的鲁棒性。
为达到上述目的,本发明的技术方案是这样实现的:
第一方面,本发明提供了一种基于ATSM模型的高分影像飞机类型识别方法,包括如下步骤:
1)对高分遥感影像进行预处理;
2)对预处理后的高分遥感影像进行自动分类处理,确定机场区域位置;
3)对机场区域位置内的待识别飞机的参数进行测量,所述参数包括飞机ATSM模型参数,所述ATSM模型参数由若干个描述飞机上表面基本形状和尺度特征的参数构成;
4)将得到的待识别飞机的ATSM模型参数与ATSM模型样本库中的样本参数进行逐一相似度计算,对相似度结果进行处理得到飞机类型识别结果。
进一步的,所述步骤1中的预处理包括对高分遥感影像进行融合和几何精校正处理,并根据遥感影像的具体位置进行投影转换。
进一步的,所述ATSM模型参数包括:机长La、翼展长Lw、机翼梢弦长度Lwr、机翼根弦长度Lwe、机翼前夹角∠α、机翼后夹角∠β、机翼面积Saw、飞机上表面面积Sat和飞机最大外接矩形面积Sar。
进一步的,所述ATSM模型样本库的构建方法为:收集不同型号飞机的公开信息计算ATSM模型参数,或者通过已知型号飞机的高分遥感影像对ATSM模型参数进行量算。
第二方面,本发明提供了一种计算机设备,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1-7中任一项所述方法的步骤。
第三方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
相对于现有技术,本发明所述的方法具有以下优势:
本发明方法通过构建由多个详细记录飞机上表面的基本形状和尺度的特征参数构建的ATSM模型,再通过比值计算和统计分析来确定飞机型号,其参数提取、模型构建和计算分析过程相比传统的特征匹配算法计算量小。同时该算法既有飞机的基本形状特征参数,又包含飞机的实际尺寸参数,有效避免了因形状相似而造成的机型误判问题。达到了飞机类型识别高效率、高精度的目的。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的识别方法的流程图;
图2为本发明实施例所述的ATSM模型9个基本参数的示意图。
图3为本发明实施例所述的计算偏差值的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明的目的是提供一种基于ATSM模型的高分影像飞机类型识别方法,主要是针对现有研究中基于飞机模型库匹配的方法计算费时费力,且忽略了飞机实际尺寸信息,存在误判问题。同时基于飞机特征参数的匹配方法中选取的参数较少,会出现机型混淆现象。提出了包含飞机上表面9个基本参数的ATSM模型库和建库流程,并基于ATSM模型库设计了飞机型号的判别方法。该方法只需要通过传统的分类方法找到飞机所在的机场区域,再通过简单量算获取飞机的基本参数,最后利用偏差值计算分析判断具体的飞机型号。相较于传统的飞机识别方法计算方法简单,可以有效避免机型误判和混淆现象的发生。
本发明所述的基于ATSM模型的高分影像飞机类型识别方法主要内容包括遥感影像处理,遥感影像分类确定机场区域位置,ATSM模型库基本参数确定,ATSM模型样本库建立,提取待识别飞机的ATSM模型参数,ATSM模型参数相似度匹配计算确定飞机型号。具体实施过程分为高分影像处理、ATSM模型样本库构建和ATSM模型参数相似度匹配三部分。
图1为本发明的基于ATSM模型的高分影像飞机类型识别方法流程图。如图1所示,本发明所述的基于ATSM模型的高分影像飞机类型识别方法,包括如下步骤:
1)对高分遥感影像进行预处理;
2)对预处理后的高分遥感影像进行自动分类处理,确定机场区域位置;
3)对机场区域位置内的待识别飞机的参数进行测量,所述参数包括飞机ATSM模型参数,ATSM模型参数由若干个描述飞机上表面特征的尺寸和角度参数构成;
4)将得到的待识别飞机的ATSM模型参数与ATSM模型样本库中的样本参数进行逐一相似度计算,对相似度结果进行处理得到飞机类型识别结果。
在步骤1中的预处理,包括对高分遥感影像进行融合和几何精校正处理,并根据遥感影像的具体位置进行投影转换。常见的影像融合方法有PC融合法、HIS融合法和PanSharpening融合法等。本实施例采用PanSharpening融合法进行影像融合处理。并根据影像的具体空间位置进行投影转换,尽量将影像的中央经线位于机场区域,以减小因影像几何畸变对ATSM模型参数量算的影响。
在步骤2中,对预处理后的高分影像进行自动分类处理,常见的影像分类方法包括非监督分类和监督分类两大类,其中,监督分类又包括最大似然法、最小距离法、光谱角制图法和神经网络法等。本实施例通过对机场训练样本的选择,采用最简单的最大似然法进行分类确定机场区域位置。
通过分析筛选,确定ATSM模型9个基本参数,如图2所示,包括:机长La、翼展长Lw、机翼梢弦长度Lwr、机翼根弦长度Lwe、机翼前夹角∠α、机翼后夹角∠β、机翼面积Saw、飞机上表面面积Sat和飞机最大外接矩形面积Sar:
机长La,为飞机主轴长度。
翼展长Lw,为飞机左右主翼翼尖之间的距离。
机翼梢弦长度Lwe,为机翼外端的弦长。
机翼根弦长度Lwr,为机翼沿机身方向的弦长。
机翼前夹角∠α,为飞机主翼上边缘延长线与飞机主轴夹角。
机翼后夹角∠β,为飞机主翼下边缘延长线与飞机主轴夹角。
机翼面积Saw,为机翼外缘围成范围的面积。
飞机上表面面积Sat,为高空垂直俯视飞机获取的飞机外缘围成范围的面积。
飞机最大外接矩形面积Sar,为高空垂直俯视飞机外轮廓的最大外接矩形面积。
所述ATSM模型样本库的构建方法为:通过收集不同型号飞机的公开信息计算ATSM模型参数,或者通过已知型号飞机的高分遥感影像对ATSM模型参数进行量算,得出每个样本每一参数的真值,构建ATSM模型样本库S,样本个数为K。
在步骤3中,对机场位置中待识别的飞机分别测量,测量机长La、翼展长Lw、机翼梢弦长度Lwr、机翼根弦长度Lwe、机翼前夹角∠α、机翼后夹角∠β、机翼面积Saw、飞机上表面面积Sat和飞机最大外接矩形面积Sar。将以上参数记入特征集F,特征集的个数n(n=9)。
在步骤4中具体包括如下步骤:
41)如图3所示,计算待识别飞机ATSM模型每个参数值Fj与每个样本Si(i∈(1,k))对应参数值Sij的偏差值rij;
其中,k代表样本个数,n代表参数个数;
42)计算k组偏差值中,每一组的最大偏差值Ri,Ri所对应的参数值即为待识别飞机与第i个样本差异最大的参数;Ri中的最小值Rmin所对应的样本即为与待识别飞机参数偏差最小的样本;
43)预设的阈值T(T∈[0,1]),取差异值最小值Rmin,Rmin对应样本个数为m(m∈(1,k)),根据如下条件进行判断:
(c)若Rmin<=T,且m=1;则Rmin所对应样本型号,即为待识别飞机的型号,且置信度不低于α(α=1-T);
(c)若Rmin>T,则表明ATSM模型样本库中还没有该型号的飞机;当在步骤4中识别结果为没有该型号的飞机时,则需要通过其他资料信息确定飞机型号后将飞机参数录入ATSM模型样本库。
实验证明,本发明提出的ATSM模型库构建方法简单,保留了飞机上表面的基本形状和尺度特征,相似度匹配计算量小,飞机类型识别准确度高,提高了从高分遥感影像识别飞机型号的效率和准确性,具有较强的鲁棒性。
一个实施例,一种计算机设备,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上述方法的步骤。
一个实施例,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
以上所述仅为本发明的较佳实施例而已,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 (8)
1.基于ATSM模型的高分影像飞机类型识别方法,其特征在于,包括如下步骤:
1)对高分遥感影像进行预处理;
2)对预处理后的高分遥感影像进行自动分类处理,确定机场区域位置;
3)对机场区域位置内的待识别飞机的参数进行测量,所述参数包括飞机ATSM模型参数,所述ATSM模型参数由若干个描述飞机上表面基本形状和尺度特征的参数构成;
4)将得到的待识别飞机的ATSM模型参数与ATSM模型样本库中的样本参数进行逐一相似度计算,对相似度结果进行处理得到飞机类型识别结果;
所述步骤4中具体包括如下步骤:
41)计算待识别飞机ATSM模型每个参数值Fj与每个样本Si,i∈(1,k)对应参数值Sij的偏差值rij;
其中,i∈(1,k),j∈(1,n),
k代表样本个数,n代表参数个数;
42)计算k组偏差值中,每一组的最大偏差值Ri,Ri所对应的参数值即为待识别飞机与第i个样本差异最大的参数;Ri中的最小值Rmin所对应的样本即为与待识别飞机参数偏差最小的样本;
其中,i∈(1,k),j∈(1,n);
43)预设的阈值T,T∈[0,1],取差异值最小值Rmin,Rmin对应样本个数为m,m∈(1,k),根据如下条件进行判断:
(a)若Rmin<=T,且m=1;则Rmin所对应样本型号,即为待识别飞机的型号,且置信度不低于α,α=1-T;
其中,i∈(1,m),j∈(1,n);
(c)若Rmin>T,则表明ATSM模型样本库中还没有该型号的飞机。
2.根据权利要求1所述的方法,其特征在于:所述步骤1中的预处理包括对高分遥感影像进行融合和几何精校正处理,并根据遥感影像的具体位置进行投影转换。
3.根据权利要求1所述的方法,其特征在于:所述ATSM模型参数包括:机长La、翼展长Lw、机翼梢弦长度Lwr、机翼根弦长度Lwe、机翼前夹角∠α、机翼后夹角∠β、机翼面积Saw、飞机上表面面积Sat和飞机最大外接矩形面积Sar。
4.根据权利要求1所述的方法,其特征在于:所述ATSM模型样本库的构建方法为:收集不同型号飞机的公开信息计算ATSM模型参数,或者通过已知型号飞机的高分遥感影像对ATSM模型参数进行量算。
5.根据权利要求1所述的方法,其特征在于:在步骤1中采用PanSharpening融合法进行影像融合处理。
6.根据权利要求1所述的方法,其特征在于:在步骤2中,采用最大似然法进行自动分类确定机场区域位置。
7.一种计算机设备,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1-6中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467834.9A CN111582237B (zh) | 2020-05-28 | 2020-05-28 | 基于atsm模型的高分影像飞机类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467834.9A CN111582237B (zh) | 2020-05-28 | 2020-05-28 | 基于atsm模型的高分影像飞机类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582237A CN111582237A (zh) | 2020-08-25 |
CN111582237B true CN111582237B (zh) | 2022-08-12 |
Family
ID=72125554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010467834.9A Active CN111582237B (zh) | 2020-05-28 | 2020-05-28 | 基于atsm模型的高分影像飞机类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582237B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668441B (zh) * | 2020-12-24 | 2022-09-23 | 中国电子科技集团公司第二十八研究所 | 一种结合先验知识的卫星遥感影像飞机目标识别方法 |
CN112651465B (zh) * | 2021-01-13 | 2024-02-02 | 北京观微科技有限公司 | 基于高分辨遥感影像的装备目标解译方法 |
CN112966555B (zh) * | 2021-02-02 | 2022-06-14 | 武汉大学 | 一种基于深度学习和部件先验的遥感影像飞机识别方法 |
US20220366167A1 (en) * | 2021-05-14 | 2022-11-17 | Orbital Insight, Inc. | Aircraft classification from aerial imagery |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
CN102509091A (zh) * | 2011-11-29 | 2012-06-20 | 北京航空航天大学 | 一种飞机尾号识别方法 |
CN103955712A (zh) * | 2014-05-22 | 2014-07-30 | 复旦大学 | 一种基于形态成分分析的卫星图像场景自动分类方法 |
CN104330784A (zh) * | 2014-11-19 | 2015-02-04 | 西安电子科技大学 | 基于旋翼物理参数估计实现飞机目标分类的方法 |
CN107220589A (zh) * | 2017-04-21 | 2017-09-29 | 东南大学 | 一种基于elm与hmm的序列飞机目标识别方法 |
CN109614936A (zh) * | 2018-12-12 | 2019-04-12 | 哈尔滨工业大学 | 遥感图像飞机目标的分层识别方法 |
CN109872397A (zh) * | 2019-02-18 | 2019-06-11 | 北京工业大学 | 一种基于多目立体视觉的飞机零件的三维重建方法 |
CN110110131A (zh) * | 2019-05-23 | 2019-08-09 | 北京航空航天大学 | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 |
-
2020
- 2020-05-28 CN CN202010467834.9A patent/CN111582237B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
CN102509091A (zh) * | 2011-11-29 | 2012-06-20 | 北京航空航天大学 | 一种飞机尾号识别方法 |
CN103955712A (zh) * | 2014-05-22 | 2014-07-30 | 复旦大学 | 一种基于形态成分分析的卫星图像场景自动分类方法 |
CN104330784A (zh) * | 2014-11-19 | 2015-02-04 | 西安电子科技大学 | 基于旋翼物理参数估计实现飞机目标分类的方法 |
CN107220589A (zh) * | 2017-04-21 | 2017-09-29 | 东南大学 | 一种基于elm与hmm的序列飞机目标识别方法 |
CN109614936A (zh) * | 2018-12-12 | 2019-04-12 | 哈尔滨工业大学 | 遥感图像飞机目标的分层识别方法 |
CN109872397A (zh) * | 2019-02-18 | 2019-06-11 | 北京工业大学 | 一种基于多目立体视觉的飞机零件的三维重建方法 |
CN110110131A (zh) * | 2019-05-23 | 2019-08-09 | 北京航空航天大学 | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 |
Non-Patent Citations (2)
Title |
---|
民机产品可靠性评估技术研究;王烨;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20120115(第1期);摘要 * |
短波语音通话下的飞机类型识别研究;张鑫瑜;《中国博士学位论文全文数据库 信息科技辑》;20140415(第4期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582237A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582237B (zh) | 基于atsm模型的高分影像飞机类型识别方法 | |
WO2022016884A1 (zh) | 一种基于K-means聚类算法的海面风速方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN112347894B (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN107464249B (zh) | 一种羊只无接触体尺测量方法 | |
CN104850822B (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
CN112149758B (zh) | 一种基于欧式距离和深度学习的高光谱开放集分类方法 | |
CN109684938A (zh) | 一种基于作物冠层航拍俯视图的甘蔗株数自动识别方法 | |
CN105930852A (zh) | 一种气泡图像识别方法 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
CN112099046A (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
CN108230313B (zh) | 基于部件自适应选择与判别模型的sar图像目标检测方法 | |
CN113723254A (zh) | 一种毛竹林分布的识别方法、装置、设备和存储介质 | |
CN115205528A (zh) | 一种用于面向地理对象影像分析的特征选择方法 | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
CN107657246A (zh) | 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法 | |
CN116310913A (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
CN109726641B (zh) | 一种基于训练样本自动优化的遥感影像循环分类方法 | |
CN114429537A (zh) | 石窟点云中提取佛龛的方法 | |
CN112347926A (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN107358197B (zh) | 一种面向耕地地块提取的影像分类及语义处理方法 | |
CN111368872A (zh) | 基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法 |
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 |