CN111753853B - 一种mpcnn-fast声呐图像特征点检测方法 - Google Patents
一种mpcnn-fast声呐图像特征点检测方法 Download PDFInfo
- Publication number
- CN111753853B CN111753853B CN202010650402.1A CN202010650402A CN111753853B CN 111753853 B CN111753853 B CN 111753853B CN 202010650402 A CN202010650402 A CN 202010650402A CN 111753853 B CN111753853 B CN 111753853B
- Authority
- CN
- China
- Prior art keywords
- mpcnn
- mpcn
- feature point
- iteration
- fast
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000001419 dependent effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000037831 Polygonatum sibiricum Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种MPCNN‑FAST(Modified pulse coupled neural network‑features from accelerated segment test)声呐图像特征点检测方法,涉及声呐图像特征点检测技术领域。该方法的核心步骤包括:(1)根据改进的阈值函数,构造MPCNN;(2)根据MPCNN‑FAST特征点判断方法,判断声呐图像中待检测点是否为特征点。在本发明提供的特征点检测方法中,给出一种改进的阈值函数,利用改进的阈值函数构造MPCNN,利用MPCNN改进FAST特征点检测方法。本发明提供的特征点检测方法克服了FAST算法检测效果严重依赖于阈值选取的缺欠。同时该方法需要人为设置的参数少。本发明提供的特征点检测方法实用性较强、智能化程度较高。
Description
技术领域
本发明涉及声呐图矩阵像特征点检测技术领域,具体地说,涉及一种MPCNN-FAST(Modified pulse coupled neural network-features from accelerated segmenttest)声呐图像特征点检测方法。
背景技术
声波水下穿透能力强、作用距离远,不受水下能见度影响,声呐是水下探测、监测的重要或不可替代的设备。声呐水下探测、监测应用中,经常涉及到图像配准、图像拼接、目标跟踪和目标定位等问题。图像特征点检测是解决上述问题的基础,甚至是关键。声呐图像分辨率低、散斑噪声强、图像细节少,使得声呐图像的特征点检测成为一个难题。
有多种特征点检测方法,比如Moravec、Harris、SUSAN(Small univalue segmentassimilating nucleus)、SIFT(Scale invariant feature transform)、FAST(Featuresfrom accelerated segment test)等特征点检测算法。在这些算法中,文献1[E.Rosten,R.Porter,T.DRUMMOND.Faster and better:a machine learning approach to cornerdetection.IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(1):105-119.]提出的FAST算法是一种常用的特征点检测算法,该算法快速准确。然而,FAST算法检测需要选取合适的阈值来判断待检测像素是否为特征点,检测效果严重依赖于阈值的选取。因为声呐图像通常对比度差、散斑噪声严重、分辨率低、像素少、边缘恶化,因此声呐图像的阈值选取是一个非常困难的问题。
脉冲耦合神经网络(Pulse coupled neural network,PCNN)具有同步脉冲发放特性,文献2[R.Eckhorn,H.J.Reitboeck,M.Arndt,P.Dicke.Feature linking viastimulus-evoked oscillations:experimental results from cat visual cortex andfunctional implications from anetwork model.International 1989JointConference on Neural Networks,1989,1:723-730.]、文献3[R.Eckhorn,H.J.Reitboeck,M.Arndt,P.Dicke.Feature linking via synchronization among distributedassemblies:simulations of results from cat visual cortex.Neural Computation,1990,2(3):293-307.]、文献4[J.L.Johnson.Pulse-Coupled Neural Networks.SPIEProceedings 1994,10277:1027705-1-30.]、文献5[J.L.Johnson.Pulse-Coupled neuralnets:translation,rotation,scale,distortion,and intensity signal invariancefor images.Applied Optics,1994,33(26):6239-6253.]和文献6[H.S.Ranganath,G.Kuntimad,J.L.Johnson.Pulse coupled neural networks for imageprocessing.IEEE Southeastcon'95,1995:37-43.]阐述了PCNN的原理。PCNN的同步脉冲发放特性能使图像中灰度值相近的像素对应的神经元同步发放(或同步不发放)脉冲。因此,利用PCNN可以判断待检测像素的灰度值与周围像素的灰度值是否相近。所以,利用PCNN可以判断待检测像素是否为特征点,而且可以避免FAST算法中阈值选取的盲目性。但是PCNN需要人为设置的参数较多,通常有以下11个/组需要人为设置的参数:F通道放大因数、L通道放大因数、脉冲产生器放大因数、F通道衰减时间常数、L通道衰减时间常数、脉冲产生器衰减时间常数、F通道连接权重矩阵、L通道连接权重矩阵、连接强度、阈值偏移量、最大迭代次数。
需要人为设置的参数过多导致PCNN实用性差、智能化程度低。鉴于此,本发明提供一种改进的PCNN(Modified pulse coupled neural network,MPCNN),利用MPCNN改造FAST算法,进而提供一种MPCNN-FAST声呐图像特征点检测方法。
发明内容
本发明的目的在于提供一种MPCNN-FAST声呐图像特征点检测方法,为声呐图像特征点检测提供一种实用的方法。
为解决上述问题,本发明提供以下技术方案。
(1)提供一种MPCNN
在MPCNN中,神经元是改进的脉冲耦合神经元(Modified pulse-coupled neuron,MPCN)。MPCNN中第(i,j)个MPCN(即MPCN(i,j))的数学模型为:
Ui,j(n)=Fi,j(n)[1+Li,j(n)]
式中Ii,j表示F通道的外部输入,n是迭代序号,Yi+k,j+l(n-1)表示MPCN(i,j)的邻域神经元(i+k,j+l)第n-1次迭代时的脉冲输出,[Wk,l]表示第n-1次迭代输出Yi+k,j+l(n-1)对MPCN(i,j)第n次迭代影响的连接权重矩阵,这里W0,0=0,Fi,j(n)表示F通道第n次迭代时的输出,Li,j(n)表示L通道第n次迭代时的输出,Ui,j(n)为第n次迭代时MPCN(i,j)的内部状态项,分别表示第n次迭代时C(i,j)内所有的Ui′,j′(n)的最大值和最小值,C(i,j)表示以MPCN(i,j)为圆心、半径为3个神经元的圆内37个神经元的集合,也表示与之对应的37个像素的集合,a是调整阈值的待定系数,θi,j(n)是阈值函数,Yi,j(n)表示神经元MPCN(i,j)第n次迭代时的脉冲输出。
与PCN(Pulse-coupled neuron)相比,MPCNN需要人为设置3个/组参数:连接权重矩阵[Wk,l]、调整阈值的待定系数a、最大迭代次数nmax。需要人为设置的参数已经大幅度减少了。从技术方案上看,与PCN相比,MPCN有如下不同特征。
第一个不同特征:MPCN中阈值函数θi,j(n)的表达式不同
MPCN阈值函数θi,j(n)主要包括最大值运算、最小值运算和乘法运算,与PCN的阈值函数的表达式完全不同。我们之所以要改进阈值函数θi,j(n),是因为:①PCN的阈值函数含有的人为设置的参数较多(两个)。②PCN阈值函数采用了指数衰减的方式,文献7[孔祥维,黄静,石浩.基于改进的脉冲耦合神经网络的红外目标分割方法.红外与毫米波学报,2001,20(5):365-369.]指出这种方式并不适合图像处理中阈值的计算。③PCN阈值函数在迭代过程中存在明显的振荡,图像处理结果不易收敛稳定,增加了对模型迭代次数n选择的难度。我们之所以按上述方式构造阈值函数θi,j(n),是出于以下的考虑:为了在图像中一定的区域C(i,j)(与神经网络中C(i,j)相对应)内检测是否存在特征点,就要在C(i,j)内把灰度值较大的像素检测出来,也就是要使神经网络中C(i,j)内对应灰度值较大的像素的神经元发放脉冲。结合阈值函数θi,j(n)的意义,得知阈值函数θi,j(n)应在和之间。当0<a<1时,按上述方式构造阈值函数θi,j(n)满足这个要求。这里之所以按上述方式确定C(i,j),是因为本发明中利用MPCNN改进FAST算法时,MPCNN与图像像素一一对应,而FAST算法在图像上区域C(i,j)内检测特征点。
第二个不同特征:F通道、L通道的输出Fi,j(n)和Li,j(n)的表达式不同
在MPCN中,我们去掉了漏积分器,邻域神经元的脉冲输出Yi+k,j+l(n)直接加权求和。之所以做这样的改进,是出于以下的考虑:PCN的漏积分器是用来模拟生物的不应期现象,在实际应用中我们更关心方法的实用性和智能化程度,为了提高方法的实用性和智能化程度,我们希望改进后的神经元能大幅度地减少人为设置的参数。去掉漏积分器可以减少两个人为设置的参数。另外,去掉漏积分器,也可以提高神经元的运算速度。
第三个不同特征:神经元脉冲输出Yi,j(n)的表达式不同
在MPCN中,我们去掉了阈值偏移量θ0。因为a与θ0存在一定的关系,所以为了减少人为设置的参数,我们去掉了θ0。
(2)提供一种MPCNN-FAST声呐图像特征点检测方法
本专利提供的MPCNN-FAST声呐图像特征点检测方法主要步骤如下:
①按技术方案(1)中的方法构造MPCNN;②MPCNN进入迭代过程,达到最大迭代次数后停止迭代;③对于任意MPCN(i,j),考察MPCN(i,j)和区域C(i,j)边缘上的神经元的输出;④根据如下MPCNN-FAST特征点判断方法判断像素(i,j)是否为特征点:如果区域C(i,j)边缘上有连续12个神经元的输出与MPCN(i,j)的输出相同或者有连续12个神经元的输出与MPCN(i,j)的输出不同,那么与MPCN(i,j)对应的图像中的像素(i,j)为特征点。
本发明提供的MPCNN-FAST声呐图像特征点检测方法与常用的FAST算法相比,克服了FAST算法检测效果严重依赖于阈值选取的缺欠。因为本发明提供的特征点检测方法中使用的MPCN需要人为设置的参数少,因此本发明提供的MPCNN-FAST声呐图像特征点检测方法实用性较强、智能化程度较高。
附图说明
图1是本发明方法的流程图。
图2是声呐图像实例1。
图3是MPCNN中的C(i,j)与图像中的C(i,j)的对应关系。
图4是MPCNN与图像的对应关系。
图5是声呐图像实例1中的特征点。
图6是声呐图像实例2。
图7是声呐图像实例2中的特征点。
图8和图9分别是待拼接的沉船声呐图像Ⅰ和图像Ⅱ。
图10是待拼接的沉船声呐图像Ⅰ中的特征点。
图11是待拼接的沉船声呐图像Ⅱ中的特征点。
图12是待拼接图像Ⅰ和图像Ⅱ之间参与匹配的特征点对。
图13是待拼接图像Ⅰ和图像Ⅱ之间正确匹配的特征点对。
图14是待拼接图像Ⅰ和图像Ⅱ拼接后的图像。
图15和图16分别是待拼接的沉船声呐图像Ⅲ和图像Ⅳ。
图17是待拼接的沉船声呐图像Ⅲ中的特征点。
图18是待拼接的沉船声呐图像Ⅳ中的特征点。
图19是待拼接图像Ⅲ和图像Ⅳ之间参与匹配的特征点对。
图20是待拼接图像Ⅲ和图像Ⅳ之间正确匹配的特征点对。
图21是待拼接图像Ⅲ和图像Ⅳ拼接后的图像。
具体实施方式
图1是本发明方法的流程图。下面结合附图,详细地描述本发明的具体实施步骤。
步骤1读取原始声呐图像
图2是一幅沉船的声呐图像。读取该图像,得到图像数据I(i,j),得到原始声呐图像大小M×N。
步骤2设置MPCNN参数
MPCNN需设置3个/组参数:连接权重矩阵[Wk,l]、待定系数a、最大迭代次数nmax。参数的设置方法如下。
步骤2-1参考已有PCNN应用的文献,设置连接权重矩阵[Wk,l],本具体实施方式中
步骤2-2实验发现待定系数a的取值在0.25-0.35时效果较好,本具体实施方式中a=0.25。
步骤2-3实验发现经过10次迭代就可以得到满意的结果,本具体实施方式中最大迭代次数nmax=10。
步骤3建立图像的MPCNN
建立M×N个MPCN的MPCNN,即像素(i,j)对应于MPCN(i,j)。MPCN(i,j)的数学模型为:
Ui,j(n)=Fi,j(n)[1+βLi,j(n)]
式中Ii,j表示F通道的外部输入,n是迭代序号(迭代次数),Yi+k,j+l(n-1)表示MPCN(i,j)的邻域神经元(i+k,j+l)第n-1次迭代时的脉冲输出,[Wk,l]表示第n-1次迭代输出Yi+k,j+l(n-1)对MPCN(i,j)第n次迭代影响的连接权重矩阵,这里W0,0=0,Fi,j(n)表示F通道第n次迭代时的输出,Li,j(n)表示L通道第n次迭代时的输出,Ui,j(n)为第n次迭代时MPCN(i,j)的内部状态项,分别表示第n次迭代时C(i,j)内所有的Ui′,j′(n)的最大值和最小值,C(i,j)表示以MPCN(i,j)为圆心、半径为3个神经元的圆内37个神经元的集合,也表示与之对应的37个像素的集合,a是调整阈值的待定系数,θi,j(n)是阈值函数,Yi,j(n)表示神经元MPCN(i,j)第n次迭代时的脉冲输出。
步骤4MPCNN迭代运算
设初始状态Yi+k,j+l(0)=0,外部输入Ii,j=I(i,j),根据图3确定C(i,j)。按步骤3中MPCN(i,j)的数学模型实现M×N个(未考虑边缘神经元)MPCN(即MPCNN)的迭代运算。当迭代次数达到最大迭代次数nmax时,停止迭代运算。
步骤5判断图像特征点
该步骤包括以下步骤。
步骤5-1如图4左半部分所示,在MPCNN中选取MPCN(i,j),考察MPCN(i,j)(即C(i,j)圆心处的神经元)和它周围的神经元1,2,…,16(即C(i,j)圆周上的神经元)的输出。
步骤5-2如果神经元1,2,…,16中有连续12个神经元的输出与MPCN(i,j)的输出相同或者有连续12个神经元的输出与MPCN(i,j)的输出不同,那么与MPCN(i,j)对应的图像中的像素(i,j)为特征点。如图4所示,MPCN(i,j)与图像中的像素(i,j)一一对应。
步骤5-3改变(i,j),重复步骤步骤5-1、步骤5-2,检测出如图5中白色点所示的整幅图像中的所有特征点。
图6是另一幅沉船的声呐图像,按照上述实施步骤和参数选取方法,检测出如图7中白色点所示的整幅图像中的所有特征点。
可以通过图像拼接结果检验本发明提供的特征点检测方法的有效性。为此下面给出利用该特征点检测方法检测出的特征点进行图像拼接的结果。
图8和图9分别是第一组待拼接的沉船声呐图像Ⅰ和图像Ⅱ,它们含有交叉部分,但两幅图像中的目标之间无旋转关系。利用本发明提供的特征点检测方法检测到图像Ⅰ和图像Ⅱ中的特征点,分别用图10和图11中的白色点表示。利用文献8[D.G.Lowe.Distinctiveimage features from scale-invariant keypoints.International Journal ofComputer Vision,2004,2(60):91-110.]中的方法计算特征点的描述符,利用文献8[D.G.Lowe.Distinctive image features from scale-invariantkeypoints.International Journal of Computer Vision,2004,2(60):91-110.]中的最近邻次近邻法确定待拼接图像Ⅰ和图像Ⅱ之间参与匹配的特征点对,如图12所示用白色线连接。然后利用文献9[M.A.Fischler,R.C.Bolles.Random sample consensus:aparadigmfor model fitting with applications to image analysis and automatedcartography.Communications of the ACM,1981,24(6):381-395.]中RANSAC算法得到待拼接图像Ⅰ和图像Ⅱ之间正确匹配的特征点对,如图13所示用白色线连接。利用正确匹配的特征点对得到拼接后的沉船声呐图像,如图14所示。
图15和图16分别是待拼接的沉船声呐图像Ⅲ和图像Ⅳ,它们含有交叉部分,两幅图像中的目标之间存在旋转关系。按照上面的拼接步骤得到如图17和18所示的特征点检测结果、如图19所示的参与匹配的特征点对、如图20所示的正确匹配的特征点对、如图21所示的拼接后的沉船声呐图像。
从如图14和图21所示的拼接后的图像可以看出,利用本发明提供的特征点检测方法能够实现声呐图像的准确拼接。这说明了本发明提供的特征点检测方法是有效的。从发明内容和本发明的具体实施步骤可以看出,本发明克服了FAST算法检测效果严重依赖于阈值选取的缺欠;同时需要人为设置的参数较少,因此本发明提供的特征点检测方法实用性较强、智能化程度较高。
Claims (2)
1.一种MPCNN-FAST(Modified pulse coupled neural network-features fromaccelerated
segment test)声呐图像特征点检测方法,其特征在于,包括以下步骤:
步骤1根据改进的阈值函数,构造MPCNN;MPCNN由改进的脉冲耦合神经元MPCN(Modified pulse-coupled neuron)连接而成,MPCNN中第(i,j)个MPCN,即MPCN(i,j),的数学模型为
Ui,j(n)=Fi,j(n)[1+Li,j(n)]
式中Ii,j表示F通道的外部输入,n是迭代序号,Yi+k,j+l(n-1)表示MPCN(i,j)的邻域神经元(i+k,j+l)第n-1次迭代时的脉冲输出,[Wk,l]表示第n-1次迭代输出Yi+k,j+l(n-1)对MPCN(i,j)第n次迭代影响的连接权重矩阵,这里W0,0=0,Fi,j(n)表示F通道第n次迭代时的输出,Li,j(n)表示L通道第n次迭代时的输出,Ui,j(n)为第n次迭代时MPCN(i,j)的内部状态项,分别表示第n次迭代时C(i,j)内所有的Ui′,j′(n)的最大值和最小值,C(i,j)表示以MPCN(i,j)为圆心、半径为3个神经元的圆内37个神经元的集合,也表示与之对应的37个像素的集合,a是调整阈值的待定系数,θi,j(n)是阈值函数,Yi,j(n)表示神经元MPCN(i,j)第n次迭代时的脉冲输出;
步骤2根据MPCNN-FAST声呐图像特征点判断方法,判断声呐图像中待检测点是否为特征点;该声呐图像特征点检测方法的特征在于,特征点判断方法为:MPCNN迭代停止后,如果区域C(i,j)边缘上有连续12个神经元的输出与MPCN(i,j)的输出相同或者有连续12个神经元的输出与MPCN(i,j)的输出不同,那么与MPCN(i,j)对应的图像中的像素(i,j)为特征点。
2.根据权利要求1所述的MPCNN-FAST声呐图像特征点检测方法,其特征在于,步骤1中的改进的阈值函数具体为:
式中,n是迭代序号,Ui,j(n)为第n次迭代时MPCN(i,j)(Modified pulse-coupledneuron(i,j),改进的脉冲耦合神经(i,j))的内部状态项,分别表示第n次迭代时C(i,j)内所有的Ui′,j′(n)的最大值和最小值,C(i,j)表示以MPCN(i,j)为圆心、半径为3个神经元的圆内37个神经元的集合,也表示与之对应的37个像素的集合,a是调整阈值的待定系数,θi,j(n)是阈值函数,Yi,j(n)表示神经元MPCN(i,j)第n次迭代时的脉冲输出。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650402.1A CN111753853B (zh) | 2020-07-08 | 2020-07-08 | 一种mpcnn-fast声呐图像特征点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650402.1A CN111753853B (zh) | 2020-07-08 | 2020-07-08 | 一种mpcnn-fast声呐图像特征点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753853A CN111753853A (zh) | 2020-10-09 |
CN111753853B true CN111753853B (zh) | 2024-02-09 |
Family
ID=72680192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010650402.1A Active CN111753853B (zh) | 2020-07-08 | 2020-07-08 | 一种mpcnn-fast声呐图像特征点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753853B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077017B (zh) * | 2021-05-24 | 2022-12-13 | 河南大学 | 基于脉冲神经网络的合成孔径图像分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667286A (zh) * | 2009-09-29 | 2010-03-10 | 天津大学 | 基于pcnn区域分割的图像去噪方法 |
CN102411777A (zh) * | 2011-06-15 | 2012-04-11 | 夏东 | 一种印刷品划痕缺陷检测方法 |
CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
CN110276776A (zh) * | 2019-06-17 | 2019-09-24 | 北京博睿维讯科技有限公司 | 一种基于spcnn的自适应目标检测方法 |
-
2020
- 2020-07-08 CN CN202010650402.1A patent/CN111753853B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667286A (zh) * | 2009-09-29 | 2010-03-10 | 天津大学 | 基于pcnn区域分割的图像去噪方法 |
CN102411777A (zh) * | 2011-06-15 | 2012-04-11 | 夏东 | 一种印刷品划痕缺陷检测方法 |
CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
CN110276776A (zh) * | 2019-06-17 | 2019-09-24 | 北京博睿维讯科技有限公司 | 一种基于spcnn的自适应目标检测方法 |
Non-Patent Citations (2)
Title |
---|
声呐图像拼接的脉冲耦合神经网络方法;罗瑞莹;《万方数据》;全文 * |
应用小波变换的自适应脉冲耦合神经网络在图像融合中的应用;武治国;王延杰;李桂菊;;光学精密工程(03);第202-209页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111753853A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Local restricted convolutional neural network for change detection in polarimetric SAR images | |
Jiang et al. | A semisupervised Siamese network for efficient change detection in heterogeneous remote sensing images | |
Blum | Robust image fusion using a statistical signal processing approach | |
Du et al. | Multi-focus image fusion algorithm based on pulse coupled neural networks and modified decision map | |
CN111753853B (zh) | 一种mpcnn-fast声呐图像特征点检测方法 | |
CN113095333A (zh) | 无监督特征点检测方法及装置 | |
Kazemi et al. | Deep learning for direct automatic target recognition from SAR data | |
Zhao et al. | Side scan sonar image segmentation based on neutrosophic set and quantum-behaved particle swarm optimization algorithm | |
Zhang et al. | Multiple Saliency Features Based Automatic Road Extraction from High‐Resolution Multispectral Satellite Images | |
Zhang et al. | New mixed adaptive detection algorithm for moving target with big data | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
Liu et al. | SETR-YOLOv5n: A Lightweight Low-Light Lane Curvature Detection Method Based on Fractional-Order Fusion Model | |
Yang et al. | Foreground enhancement network for object detection in sonar images | |
Zhang et al. | Target detection based on edge-aware and cross-coupling attention for SAR images | |
CN111209813A (zh) | 基于迁移学习的遥感图像语义分割方法 | |
Gun et al. | A contour detector with improved corner detection | |
Meng et al. | A Novel Steganography Algorithm Based on Instance Segmentation. | |
Hajare et al. | Edge detection techniques for image segmentation | |
Zhang et al. | Style transformation-based change detection using adversarial learning with object boundary constraints | |
Wang et al. | A multi-sensor image matching method based on KAZE-HOG features | |
He et al. | SonarNet: Hybrid CNN-Transformer-HOG Framework and Multifeature Fusion Mechanism for Forward-Looking Sonar Image Segmentation | |
Yu | An Obstacle Avoidance Method for Agricultural Plant Protection UAV Based on the Fusion of Ultrasonic and Monocular Vision | |
Xing et al. | Blind identification technology of computer generated image based on texture recognition | |
CN112215133B (zh) | 基于人工智能的学员态度识别方法、装置、计算机设备 |
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 |