CN111797840B - 自适应迷彩伪装效果在线评估方法及系统 - Google Patents

自适应迷彩伪装效果在线评估方法及系统 Download PDF

Info

Publication number
CN111797840B
CN111797840B CN202010025185.7A CN202010025185A CN111797840B CN 111797840 B CN111797840 B CN 111797840B CN 202010025185 A CN202010025185 A CN 202010025185A CN 111797840 B CN111797840 B CN 111797840B
Authority
CN
China
Prior art keywords
color
target
image
colors
dominant
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
Application number
CN202010025185.7A
Other languages
English (en)
Other versions
CN111797840A (zh
Inventor
刘尊洋
孙晓泉
豆贤安
丁锋
叶庆
徐英
王自荣
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010025185.7A priority Critical patent/CN111797840B/zh
Publication of CN111797840A publication Critical patent/CN111797840A/zh
Application granted granted Critical
Publication of CN111797840B publication Critical patent/CN111797840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种自适应迷彩伪装在线评估方法和系统，该系统包括中心机和图像采集装置，实现的方法包括：无人图像采集设备升空，并实时通过不同的角度采集伪装目标所在区域的图像；提取目标的主色和目标周围若干背景区域图像的主色；分别计算目标和背景图像中各主色的空间分布信息熵；根据目标与背景空间分布信息熵以及主色之间的差别，计算目标和背景图像相似度，根据相似度评估单幅图像中目标伪装效果；综合多角度采集图像中目标的伪装效果，评估目标自适应迷彩伪装综合伪装效果。

Description

自适应迷彩伪装效果在线评估方法及系统
技术领域
本发明涉及一种数据识别技术，特别是一种自适应迷彩伪装效果在线评估方法及系统。
背景技术
在对机动目标实施自适应迷彩伪装之后，需要快速完成伪装效果评估，以判断伪装后目标是否能较好融入背景；当目标周围背景环境特性发生变化时(如从绿色为主色调的草地背景进入土黄色为主色调的荒地背景等)，也需要通过评估伪装效果来判断是否重新根据当前背景重新设计自适应伪装。因此需要快速完成自适应迷彩伪装的效果评估。
《综合颜色和分布信息评价目标可见光伪装效果》(刘尊洋,红外与激光工程,2012.4)中提出了使用目标和背景主直方图和主色分布信息熵评估伪装效果的方法，但是该方法是对于已经获取的单幅含目标图像伪装效果评估方法，没有涉及伪装效果图像采集方法和装置信息，而采集符合要求的目标和背景图像，是自适应迷彩伪装效果评估的前提条件；此外该论文计算色差使用Lab颜色空间的 CIEDE2000色差公式，但是《Influence ofColor Difference Formulas on Image Dominant Colors Extraction》(YufaZhang,Fifth International Symposium on Computational Intelligence&Design,10/28/2012)证明该色彩公式效果与CIEDE 94接近，但效率非常低无法满足自适应迷彩伪装效果评估的时效性要求；同时该论文主色提取聚类算法以全部像素点为聚类对象，进一步降低了算法效率。
公开号为CN108537788A的专利介绍了一种迷彩伪装效果评测方法及装置、计算机设备及存储介质，但是该技术仅明确了图像采集的距离，而没有考虑应从不同角度采集图像，以获取目标整体伪装效果；同时，在计算颜色距离时使用 RGB颜色空间的欧拉距离公式，而RGB颜色空间适用于硬件显示，但在描述色差时与人眼感觉差距较大，此外上述方法效率难以满足自适应迷彩伪装效果评估的要求。
公开号为CN104966310A的专利介绍了一种迷彩伪装效果评价方法，该方法需要大量人员的参与，且主要用于实验室评估，不适用于自适应迷彩在目标机动过程中完成伪装效果实时评估的需要。
公开号为CN107729830A的专利介绍了一种基于背景特征的迷彩伪装效果检测计算方法，使用伪装后目标与没有目标的原始背景之间相似度表示伪装效果，所以没有涉及背景区域选择方法，但是自适应迷彩需要针对实时采集的含目标的背景图像进行评估，此外，该发明没有明确具体指标计算方法，也没有讨论算法效率，因此该专利难以满足自适应迷彩伪装效果评估的要求。
发明内容
本发明的目的在于提供一种自适应迷彩伪装效果在线评估方法及系统。
实现本发明目的的技术方案为：一种自适应迷彩伪装效果在线评估方法，包括：
步骤1，实时通过不同的角度在线采集伪装目标所在区域的图像；
步骤2，提取目标的主色和目标周围若干背景图像的主色；
步骤3，基于颜色距离公式分别计算目标和背景图像中每个像素颜色与各自主色的颜色距离，并将像素颜色归入颜色距离最小的主色，统计各主色覆盖的像素数；
步骤4，分别计算目标和背景图像中各主色的空间分布信息熵；
步骤5，根据空间分布信息熵以及主色之间的差别，计算目标和背景图像相似系系数，根据相似系数进行评估；
步骤6，综合分析多个角度采集图像目标伪装效果，得到目标自适应迷彩伪装综合伪装效果。
进一步地，步骤1的采集方法为：
(1)设目标行进方向为0°方向，顺时针为正，依次从0°、90°、180°和270°且图像采集装置的俯仰角为-30°对目标所在区域进行图像采集，其中，俯仰角水平为0°，向上为正，向下为负；
(2)图像采集装置在正上方采集且图像采集装置图像采集俯仰角为-90°。
进一步地，步骤2中将目标周围与目标区域直接相接的8个等尺寸矩形区域作为8个背景图像。
进一步地，步骤5中针对每一图像计算目标和背景图像相似度的具体过程为：
步骤S501，针对每一图像，按颜色距离最小原则将目标图像主色与一区域的背景图像主色一一配对；
步骤S502，依次计算每个主色对两种主色的色差ΔC(c1,c2)和对应的分布熵差Δe(c1,c2)，其中c1和c2分别代表目标图像的第c1种主色和背景图像与之配对的第c2种主色；
步骤S503，使用下式计算目标和背景相似度dis
Figure BDA0002362202370000031
式中，wc和we分别为色差和熵差的加权系数，wc+we＝1，fn[P(c1),P(c2)]为 P(c1)和P(c2)的平均值，P(c1)表示c1颜色在目标图像统计信息，即覆盖像素数占总像素数的百分比，P(c2)表示c2颜色在背景图像统计信息，c_n表示迷彩颜色数量；
步骤S504，计算目标与该区域的背景相似系数S
S＝1-dis
步骤S505，选取相似系数4个最大值的平均值作为目标与背景的综合相似系数；
步骤S506，设定区间分别代表不同的评估结果，其中综合相似系数落入某一区间则表示得到相应区间的分数。
进一步地，对多个角度采集图像的综合相似系数进行加权平均获得伪装目标自适应迷彩伪装综合伪装效果。
进一步地，步骤2的具体过程为：
步骤201，将彩色图像用CIELAB颜色空间表示且进行颜色空间量化获得若干级量化颜色并统计每级量化颜色在彩色图像中出现的频次；
步骤202，将聚类样本由像素空间映射到颜色空间得到颜色样本空间；
步骤203，使用谱系聚类算法对映射后的颜色样本空间中的各级色彩进行聚类并获取谱系聚类的结果类心；
步骤204，以谱系聚类的结果作为初始类心，对聚类样本进行快速FCM聚类，确定背景主要颜色。
进一步地，步骤203的具体过程为：
步骤2031，设置颜色样本空间中每一颜色样本为一类，设置Γj＝yj，
Figure BDA0002362202370000041
式中，yj为第j个待分类样本，Γj是第j个聚类集合，N是样本数；
步骤2032，在集合{Γj|j∈I}中找到一对满足条件
Figure BDA0002362202370000042
的聚类集合Γi和Γk，Δ(Γi,Γk)是Γi和Γk之间的距离，i.k∈I；
步骤2033，把Γi合并到Γk中，并去掉Γi，把i从指标集I中除掉，重新计算Γk的类心颜色；
Figure BDA0002362202370000043
其中，Vk是第k个类的类心颜色，Nk为第k个类中的样本个数，Col(i)表示第i个样本的颜色值，TC_R(i)表示第i个样本的颜色在图像中的出现频次；
步骤2034，若合并后类的数目等于期望的类的数目，终止计算；否则转向步骤2032。
进一步地，步骤204的具体过程为：
步骤S2041，设定迭代停止阈值ε和最大迭代次数B，初始化类心，令迭代次数b＝0；
步骤S2042，根据下式计算划分矩阵
Figure BDA0002362202370000044
中第k个颜色样本对第i个类别的模糊隶属度
Figure BDA0002362202370000045
Figure BDA0002362202370000046
其中，
Figure BDA0002362202370000047
为第b次迭代时，第k个颜色样本对第i个类别的模糊隶属度，m 为聚类控制参数，
Figure BDA0002362202370000048
为第k个样本的颜色值Col(k)和第i个类心颜色
Figure BDA0002362202370000049
之间的色差，定义
Figure BDA00023622023700000410
c为类别的个数；
步骤S2043，根据下式更新聚类中心矩阵
Figure BDA00023622023700000411
Figure BDA0002362202370000051
其中，
Figure BDA0002362202370000052
表示第b次迭代计算得到的第i个类别的类心，TC_R(k)为第k种颜色的出现频次，Col(k)为第k个样本的颜色值，To为聚类样本的数量；
步骤S2044，如果
Figure BDA0002362202370000053
或b≥B，则停止，并输出
Figure BDA0002362202370000054
和
Figure BDA0002362202370000055
否则，令b＝b+1转步骤S2041。
进一步地，步骤201的具体过程为：
步骤2011，对于CIELAB颜色空间的所有量化长方体区域中的每一个量化长方体区域的长宽高分别对应三个坐标的量化间隔，坐标范围为[Lm,LM]、 [am,aM]和[bm,bM]；
步骤2012，若像素颜色(l,a,b)满足Lm≤l≤LM，am≤a≤aM且bm≤b≤bM时，则像素颜色出现一次；
其中步骤2011中将CIELAB颜色空间的L、a、b三个坐标中图像存在的颜色分为n级，则共有n3颜色种；或根据L、a、b三个坐标的特性分别划分为级数不相等的m、n、k级，此时共有m×n×k种颜色。
实现本发明系统的技术方案为：一种自适应迷彩伪装效果在线评估系统，该系统包括中心机和图像采集装置，该系统实现了上述方法。
本发明与现有技术相比，具有以下优点：(1)本发明可以在车辆等需要评估迷彩伪装效果的目标机动过程中，实时在线采集包含目标和背景的图像，具有效果好、速度快、使用方便等优点；(2)无人配套的中心机，不仅可以控制无人机的机动、采集图像等动作，可以实时接收无人机下传图像，还可以直接对无人机下传的图像进行处理，实现迷彩伪装的评估；(3)提出了利用正上方以及前、后、左、右共5幅图像中目标伪装效果，综合评估目标综合伪装效果的思路； (4)利用彩色图像主色快速提取算法，可以快速提取图像主色，有效支撑自适应迷彩对伪装效果评估的时效性要求；(5)迷彩伪装实时设计中心机可以是一个平板电脑也可以集成于车辆中，可以用于机动目标自适应迷彩伪装效果评估，也可以用于固定目标仿造迷彩、保护迷彩伪装效果评估。
下面结合说明书附图对本发明作进一步描述。
附图说明
图1为本发明系统框图。
图2为本发明方法流程示意图。
具体实施方式
实施例一
结合图1，一种自适应迷彩伪装效果在线评估系统，包括中心机和图像采集装置。其中，图像采集装置可以为无人机平台，其上设置图像采集模块、飞行控制模块、信息通信模块、平台动力模块。信息通信模块主要通过蓝牙或wifi等无线传输技术完成飞行控制指令、图像采集模块控制指令、以及采集的图像等信息传输。图像采集模块由光学系统、指向装置、探测器等部分组成，负责根据信息通信模块接收的图像采集控制指令采集相应区域图像，为迷彩伪装设计或伪装效果评估提供图像素材；飞行控制模块，通过解析信息通信模块接收的遥控指令，形成飞行器动力控制指令，并传输至平台动力模块；平台动力模块主要由电机、机翼等组成负责提供无人机平台飞行动力。中心机(可以是平板、笔记本或嵌入式设备等)主要负责操控无人机平台采集符合条件的图像，并通过处理无人机采集的图像完成迷彩伪装设计功能，主要包括信息通信模块、设备控制模块、图像预处理模块和效果评估模块四个部分。信息通信模块负责和无人机平台通信工作，主要负责将设备控制模块的无人机飞行和图像采集控制指令传输至无人机平台信息通信模块。设备控制模块主要提供友好人机交互界面，通过将操作员操作转化为控制指令并通过信息通信模块传输至无人机平台，辅助操作员完成无人机机动以及图像采集的控制；图像预处理模块，分析图像采集角度范围是否符合要求，对于符合要求的图像，提供人机交互接口，辅助人工选择目标所在区域并确定相似度计算背景区域。效果评估模块，通过对无人机平台通过信息通信模块回传的包含伪装后目标的背景图像进行伪装效果评估。
图像采集装置采集图像按照以下方式采集至少五张图像：
(1)设目标行进方向为0°方向，顺时针为正，依次从0°、90°、180°和270°且图像采集装置的俯仰角为-30°对目标所在区域进行图像采集，其中，俯仰角水平为0°，向上为正，向下为负；
(2)图像采集装置在正上方采集且图像采集装置图像采集俯仰角为-90°。
中心机图像预处理模块具体完成以下功能：
(1)判断采集图像是否符合要求：中心机接收图像后，初步判断图像是否符合要求，根据图像中目标位置、图像中目标尺寸、图像尺寸以及图像采集角度等信息进一步判断图像采集是否符合要求，如果符合要求，继续；否则中心机向无人机平台发送重新采集图像的命令；
(2)图像预处理：在中心机选择目标所在区域，紧贴目标周边在图像中选择目标最小外接矩形区域。在目标周围确定与目标区域直接相接的8个等尺寸矩形区域为效果评估背景区域。
效果评估模块通过下述步骤完成效果评估：
步骤1，提取目标的主色和目标周围若干背景图像的主色；
步骤2，基于颜色距离公式分别计算目标和背景图像中每个像素颜色与各自主色的颜色距离，并将像素颜色归入颜色距离最小的主色，统计各主色覆盖的像素数；
步骤3，分别计算目标和背景图像中各主色的空间分布信息熵；
步骤4，根据空间分布信息熵以及主色之间的差别，计算目标和背景图像相似系系数，根据相似系数进行评估；
步骤5，综合分析多个角度采集图像目标伪装效果，得到目标自适应迷彩伪装综合伪装效果。
步骤1的具体过程为：
步骤101，将彩色图像用CIELAB颜色空间表示且进行颜色空间量化获得若干级量化颜色并统计每级量化颜色在彩色图像中出现的频次；
步骤102，将聚类样本由像素空间映射到颜色空间得到颜色样本空间；
步骤103，使用谱系聚类算法对映射后的颜色样本空间中的各级色彩进行聚类并获取谱系聚类的结果类心；
步骤104，以谱系聚类的结果作为初始类心，对聚类样本进行快速FCM聚类，确定背景主要颜色。
进一步地，步骤101中，灰度图像一般为256色，即图像中所有像素的灰度取值为0～255共256个整数灰阶值。彩色图像的颜色值则非常多，如本实施例采用的Lab空间三个坐标的取值范围分别为(0～100，-128～+127，-128～+127)，如果直接使用整数颜色值作为聚类样本集，可能的样本总数为 100×256×256＝6553600，进一步如果考虑小数，则样本数量更多，因此如果直接将针对像素的聚类映射到针对颜色集合的聚类，则不能达到降低样本数量的目的。人眼对色差的分辨有一个阈值，当色差小于这个阈值时，人眼将不能分辨，这就导致人眼可以分辨的颜色种类数是有限的。而图像颜色的种类数(如 6553600)远远多于人眼可以分辨的颜色数，且一般主色只有3～5种，所以适度压缩颜色种类数并不会对主色提取效果有很大的影响。颜色压缩的方法有很多种，通过实验发现采用分别对各个颜色坐标进行等级别量化的方法可以取得较理想的效果。即，将L、a、b三个坐标都分为n级，则共有颜色n3种。很容易理解当n较小时，颜色数量较少，聚类算法效率高，但颜色失真也会增大，导致聚类效果下降，这也是不能接受的。所以，确定级数n时必须考虑算法的效率和颜色的失真程度两个方面。本实施例中，经过大量的实验选择n＝20，即L、a、b 三个坐标都有20个级别，颜色总数为20×20×20＝8000种，这对于人眼的分辨率而言，已经足够精确。
步骤101中得到的若干级量化颜色即为颜色矩阵Col。假设获得N级量化颜色，则颜色矩阵Col就是一个N行×3列的矩阵，N为颜色样本的个数，每一行是一个颜色样本的颜色值；3代表颜色在Lab颜色空间中L、a、b的值。
步骤102中聚类样本指量化后的颜色。假设需要提取4种主要颜色，就需要将图像的所有像素，按颜色相近原则，分为4类。聚类时，计算每个量化颜色值和四个聚类中心颜色的距离，并将该颜色划分到距离最小的类别，遍历所有像素，比较每个像素颜色和四个类心颜色的距离，将所有像素划分到四个类别种。因此聚类样本是量化后的颜色，量化后的颜色数量就是样本数量。由于量化后的颜色数量，大大小于像素的个数，所以本实施例，通过将聚类样本从像素映射到量化后的颜色，减少了聚类样本数量。而聚类样本数量决定的聚类算法效率，所以提高了效率。
步骤102中通过统计颜色出现频次将聚类样本由像素空间映射到颜色空间，具体为：
步骤1021，对于Lab三维空间的n3个量化长方体区域中每一个量化长方体区域的长宽高分别对应三个坐标的量化间隔，坐标范围为[Lm,LM]、[am,aM]和[bm,bM]；
步骤1022，当某一像素的颜色落在该范围(长方体内)时，即当像素颜色 (l,a,b)满足Lm≤l≤LM，am≤a≤aM且bm≤b≤bM时，就表示该种颜色出现一次；
步骤1023，遍历整幅图像，就可以得到所有颜色出现的次数，所有颜色的 Lab坐标值以及颜色出现频次就构成了聚类样本的颜色空间。
步骤103的具体过程为：
步骤1031，设置颜色样本空间中每一颜色样本为一类，设置Γj＝yj，
Figure BDA0002362202370000091
式中，yj为第j个待分类样本，Γj是第j个聚类集合，N是样本数；
步骤1032，在集合{Γj|j∈I}中找到一对满足条件
Figure BDA0002362202370000092
的聚类集合Γi和Γk，Δ(Γi,Γk)是Γi和Γk之间的距离，i.k∈I；
步骤1033，把Γi合并到Γk中，并去掉Γi，把i从指标集I中除掉，重新计算Γk的类心颜色
Figure BDA0002362202370000093
其中，Vk是第k个类的类心颜色，Nk为第k个类中的样本个数，Col(i)表示第i个样本的颜色值，TC_R(i)表示第i个样本的颜色在图像中的出现频次；
步骤1034，若合并后类的数目等于期望的类的数目，终止计算；否则转向步骤1032。
步骤1032中所述的距离指色差(颜色差异)大小，距离大表示色差大，距离小表示色差小，色差计算使用CIE94颜色公式。《色差公式的研究及其对图像主色提取的影响》(张玉发,光电技术应用，2010.6)一文中有对CIE94颜色公式的明确计算方法。完善聚类样本空间的影响要做到不能丢失信息，因此需要统计颜色在图像中出现的频次。
步骤1034中，本实施例期望的类的数目确定为3～5。对于迷彩伪装而言，迷彩颜色和背景颜色越接近伪装效果越好，然而背景中颜色非常多，成千上万种，但迷彩颜色一般只有3～5种。
步骤104的具体过程为：
步骤S1041，设定迭代停止阈值ε和最大迭代次数B，初始化类心，令迭代次数b＝0；
步骤S1042，根据式(2)计算划分矩阵
Figure BDA0002362202370000101
中第k个颜色样本对第i个类别的模糊隶属度
Figure BDA0002362202370000102
Figure BDA0002362202370000103
其中，
Figure BDA0002362202370000104
为第b次迭代时，第k个颜色样本对第i个类别的模糊隶属度，m 为聚类控制参数，
Figure BDA0002362202370000105
为第k个样本的颜色值Col(k)和第i个类心颜色
Figure BDA0002362202370000106
之间的色差，定义
Figure BDA0002362202370000107
c为类别的个数；
步骤S1043，根据式(3)更新聚类中心矩阵
Figure BDA0002362202370000108
Figure BDA0002362202370000109
其中，
Figure BDA00023622023700001010
表示第b次迭代计算得到的第i个类别的类心，TC_R(k)为第k种颜色的出现频次，Col(k)为第k个样本的颜色值，To为聚类样本的数量；
步骤S1044，如果
Figure BDA00023622023700001011
或b≥B，则停止，并输出
Figure BDA00023622023700001012
和
Figure BDA00023622023700001013
否则，令b＝b+1转步骤S2041。
步骤3中，将目标或背景图像分成L个区域{A1,A2,…,AL}，pc(l)为主色c 在图像第l个区域覆盖像素的数量与整幅图像中该颜色的覆盖像素的数量的比值，定义颜色的空间分布信息熵e(c)如式
Figure BDA00023622023700001014
Figure BDA0002362202370000111
式中，ColorCountc(l)为每种颜色在各个区间中的数量，C为所有主色的集合。
步骤4中针对每一图像计算目标和背景图像相似度的具体过程为：
步骤S401，针对每一图像，按颜色距离原则将目标图像主色与一区域的背景图像主色一一配对；
步骤S402，依次计算每个主色对两种主色的色差ΔC(c1,c2)和对应的分布熵差Δe(c1,c2)，其中c1和c2分别代表目标图像的第c1种主色和背景图像与之配对的第c2种主色；
步骤S403，使用下式计算目标和背景相似度dis
Figure BDA0002362202370000112
式中，wc和we分别为色差和熵差的加权系数，wc+we＝1，fn[P(c1),P(c2)]为 P(c1)和P(c2)的平均值，P(c1)表示c1颜色在目标图像统计信息，即覆盖像素数占总像素数的百分比，P(c2)表示c2颜色在背景图像统计信息，c_n表示迷彩颜色数量；
步骤S404，计算目标与该区域的背景相似系数S
S＝1-dis (7)
步骤S405，选取相似系数4个最大值的平均值作为目标与背景的综合相似系数；
步骤S406，设定区间分别代表不同的评估结果，其中综合相似系数落入某一区间则表示得到相应区间的分数。
步骤5中，对多个角度采集图像的综合相似系数进行加权平均获得伪目标自适应迷彩伪装综合伪装效果。
实施例二
结合图2，一种自适应迷彩伪装效果在线评估方法，包括以下步骤：
步骤1，无人平台升空：首先控制图像采集无人机升空并初步并机动到合理区域为图像采集做好准备。
步骤2，采集图像：控制无人机以合适的角度和视场范围采集指定背景区域的图像，并将采集到的图像通过信息通信模块回传中心机。图像采集要求为：控制无人机图像采集系统依次从分别从0度、90度、180度和270度方向(约定目标行进方向为0度方向，顺时针为正)，以及目标正上方五个方位采集图像，其中正上方采集时相机俯仰角为-90度(约定俯仰角水平为0度，向上为正，向下为负)，其余四个方位无人机均确保位于目标俯仰角为-30度，图像要求目标基本位于图像中心位置，且图像在各方向尺寸均超过目标4倍(即要求图像边长分别不小目标外接矩形对应边长的4倍)。即从目标正上方和四周斜上方合适位置采集图像。
步骤3，判断采集图像是否符合要求：中心机接收图像后，初步判断图像是否符合要求，根据图像中目标位置、图像中目标尺寸、图像尺寸以及图像采集角度等信息进一步判断图像采集是否符合要求，如果符合要求，继续，否则转2 重新采集图像。
步骤4，开始依次评估各图像中目标伪装效果：初始化循环设定计数器变量，令i＝0；
步骤5，确定伪装效果评估图像，i＝i+1，取第i幅图像；
步骤6，图像预处理：在中心机选择目标所在区域，紧贴目标周边在图像中选择目标最小外接矩形区域。在目标周围确定与目标区域直接相接的8个等尺寸矩形区域为效果评估背景区域。
步骤7，提取目标图像和背景图像主色：以迷彩色数量为聚类中心数，利用彩色图像主色快速提取算法分别提取目标和8幅等尺寸背景图像的主色。
步骤8，计算目标和背景图像颜色统计信息：遍历目标和背景图像，基于颜色距离公式(在Lab颜色空间，利用CIE94颜色公式)，计算每个像素颜色与主色的颜色距离，并归入颜色距离最小的主色，统计各主色覆盖的像素数，就得到了图像的主色统计信息。
步骤9，计算目标和背景图像颜色分布信息：依次计算目标和背景图像中各主色的空间分布信息熵。
步骤10，计算目标与背景相似度：综合主色统计信息和分布信息，依次计算目标与8个邻域背景图像相似度。
步骤11，评估单幅图像中目标伪装效果：由于目标与周围背景中部分区域相似就可较好伪装，因此，完成目标与8个邻域背景相似系数计算后，取相似系数4个最大值的平均值作为目标与背景的综合相似系数。
步骤12，判断是否全部五个方位采集图像都已处理完成，如果完成继续步骤13，否则转步骤5。
步骤13，综合五个方位采集图像伪装效果评估目标综合伪装效果。计算5 幅图像相似系数平均值作为目标综合伪装效果。
最终输出综合伪装效果以及5幅图像中的伪装效果。综合伪装效果可以为伪装效果综合评估以及伪装完善提供参考，单幅图像伪装效果则可以为目标某一面或两面伪装是否需要完善提供参考。
进一步地，步骤7中提取目标和背景图像的主色的方法包括：
步骤701，彩色图像颜色空间量化：将CIELAB颜色空间的L、a、b三个坐标中图像存在的颜色分为n级，则共有n3颜色种；
步骤702，将聚类样本由像素空间映射到颜色空间：通过统计颜色出现频次将聚类样本由像素空间映射到颜色空间；
步骤703，删除冗余颜色：遍历颜色空间，将频次为0的颜色从量化后的颜色中删除；
步骤704，获取初始类心：使用谱系聚类算法对颜色样本空间进行聚类，每个类去均值得到该类的初始类心；
步骤705，聚类确定主色：使用彩色图像快速聚类算法(CQFCM)在初始类心的基础上对聚类样本进行聚类，确定背景主要颜色。
具体地：
步骤701中，灰度图像一般为256色，即图像中所有像素的灰度取值为0～255 共256个整数灰阶值。彩色图像的颜色值则非常多，如本实施例采用的Lab空间三个坐标的取值范围分别为(0～100，-128～+127，-128～+127)，如果直接使用整数颜色值作为聚类样本集，则可能的样本总数为100×256×256＝6553600，因此如果直接将针对像素的聚类映射到针对颜色集合的聚类，则不能达到降低样本数量的目的。人眼对色差的分辨有一个阈值，当色差小于这个阈值时，人眼将不能分辨，这就导致人眼可以分辨的颜色种类数是有限的。而图像颜色的种类数(如 6553600)远远多于人眼可以分辨的颜色数，且一般主色只有3-5种，所以适度压缩颜色种类数并不会对主色提取效果有很大的影响。颜色压缩的方法有很多种，通过实验发现采用分别对各个颜色坐标进行等级别量化的方法可以取得较理想的效果。即，将L、a、b三个坐标都分为n级，则共有颜色n3种。很容易理解当n较小时，颜色数量较少，聚类算法效率高，但颜色失真也会增大，导致聚类效果下降，这也是不能接受的。所以，确定级数n时必须考虑算法的效率和颜色的失真程度两个方面。本实施例中，经过大量的实验对于目标图像和背景图像，均选择n＝20，即L、a、b三个坐标都有20个级别，颜色总数为20×20×20＝8000 种，这对于人眼的分辨率而言，已经足够精确。
步骤702中通过统计颜色出现频次将聚类样本由像素空间映射到颜色空间，具体为：
步骤7021，对于Lab三维空间的n3个量化长方体区域中每一个量化长方体区域的长宽高分别对应三个坐标的量化间隔，坐标范围为[Lm,LM]、[am,aM]和 [bm,bM]；
步骤7022，当某一像素的颜色落在该范围(长方体内)时，即当像素颜色 (l,a,b)满足Lm≤l≤LM，am≤a≤aM且bm≤b≤bM时，就表示该种颜色出现一次。
遍历目标图像和背景图像，就可以得到所有颜色出现的次数，即颜色出现频次用(TC)表示，所有颜色的Lab坐标值以及颜色出现频次就构成了聚类样本的颜色空间。
步骤703中冗余聚类样本是指统计频次为0的冗余颜色，即图像中未出现该颜色，因此冗余样本会增加样本数量，但对于聚类效果没有影响，因而会导致聚类算法复杂度无意义的增加。为此，可以将冗余颜色从量化后的颜色中删除以进一步减小样本数量，提高算法效率。
步骤704中谱系聚类算法的原理是，先将少量样本构成的每个子集各视为一个类别，然后逐级合并相似的类别，形成一个类别数逐步减少的嵌套序列，具体过程为：
步骤7041，设置颜色样本空间中每一颜色样本为一类，设置
Figure BDA0002362202370000141
Figure BDA0002362202370000151
式中，
Figure BDA0002362202370000152
为第jt个待分类样本，
Figure BDA0002362202370000153
是第jt个聚类集合，Nt是样本数，t为0表示目标图像，t为1表示背景图像；
步骤7042，在集合
Figure BDA0002362202370000154
中找到一对满足条件
Figure BDA0002362202370000155
的聚类集合
Figure BDA0002362202370000156
和
Figure BDA0002362202370000157
即选择距离最小的一对样本，
Figure BDA0002362202370000158
是
Figure BDA0002362202370000159
和
Figure BDA00023622023700001510
之间的相似性度量；
步骤7043，将距离最小的两个类，合并为一个类，即把
Figure BDA00023622023700001511
合并到
Figure BDA00023622023700001512
中，并去掉Γi，重新计算Γk的类心颜色
Figure BDA00023622023700001513
其中，Vk是第k个类的类心颜色，Nk为第k个类中的样本个数，Col(i)表示第i个样本的颜色值，TC_R(i)表示第i个样本的颜色在图像中的出现频次；
步骤7044，把i从指标集I中除掉，若I的基数等于c，即，合并后类的数目等于期望的类的数目，终止计算；否则转向步骤7042。
步骤7042中所述的距离指色差(颜色差异)大小，距离大表示色差大，距离小表示色差小，色差计算使用CIE94颜色公式。《色差公式的研究及其对图像主色提取的影响》(张玉发,光电技术应用，2010.6)一文中有对CIE94颜色公式的明确计算方法。
步骤7044中，本实施例期望的类的数目确定为3或4。对于迷彩伪装而言，迷彩颜色和背景颜色越接近伪装效果越好，然而背景中颜色非常多，成千上万种，但迷彩颜色一般只有3种或4种。
步骤705的具体过程为：
步骤7051，获取颜色矩阵Colt，统计颜色出现频次数组TCt；
步骤7052，设定迭代停止阈值εt和最大迭代次数Bt，初始化类心，令迭代次数bt＝0；
步骤7053，根据下式计算划分矩阵
Figure BDA00023622023700001514
中第kt个样本对第it个类别的模糊隶属度
Figure BDA00023622023700001515
Figure BDA0002362202370000161
其中，kt表示第kt个样本，it表示第it个类别，bt为迭代次数，
Figure BDA0002362202370000162
为第bt次迭代时第kt个样本对第it个类别的模糊隶属度，m为聚类控制参数，
Figure BDA0002362202370000163
为第kt个样本到it个聚类中心的距离，即第kt个样本的颜色值Col(kt)和第it个类心颜色
Figure BDA0002362202370000164
之间的色差，定义
Figure BDA0002362202370000165
步骤7054，根据下式更新聚类中心矩阵
Figure BDA0002362202370000166
Figure BDA0002362202370000167
其中，
Figure BDA0002362202370000168
表示第bt次迭代计算得到的第it个类别的类心，TC_R(kt)为第kt种颜色的出现频次，Col(kt)为第kt个样本的颜色值，To为聚类样本的数量；
步骤7055，如果
Figure BDA0002362202370000169
或bt≥Bt，则停止，并输出
Figure BDA00023622023700001610
和
Figure BDA00023622023700001611
否则，令bt＝bt+1转步骤7053。
进一步地，步骤9中的具体过程为：将目标图像或背景图像分成Lt个区域
Figure BDA00023622023700001612
为颜色ct在图像第lt个区域覆盖像素的数量与整幅图像中该颜色覆盖像素的数量的比值，则定义颜色的空间分布信息熵et(ct)如式(11)。
Figure BDA00023622023700001613
式中，
Figure BDA00023622023700001614
可用式(12)计算。
Figure BDA00023622023700001615
式中，
Figure BDA0002362202370000171
为每种颜色在各个区间中的数量，C为所有主色的集合。
进一步地，步骤10的具体过程为：
步骤1001，首先按颜色距离原则将目标图像主色与背景图像主色一一配对，即使用CIE94颜色距离公式计算目标图像主色与背景图像所有主色间的距离，按照距离最小原则进行配对；
步骤1002，依次计算每个主色对两种主色的色差ΔC(c1,c2)和对应的分布熵差Δe(c1,c2)，其中c1和c2分别代表目标图像的第c1种主色和背景图像与之配对的主色(第c2种主色)；
步骤1003，使用式(13)计算目标和背景相似度，
Figure BDA0002362202370000172
该公式表示依次计算目标图像中主色和与该主色配对的背景主色的距离，并加权求和，得到两幅图像的距离dis。
式中，wc和we分别为色差和熵差的加权系数，控制图像颜色特征和空间分布特征在评价图像相似度时的相对重要性。wc和we关系满足式(14)。根据经验可选取wc＝0.7，we＝0.3。
wc+we＝1,wc,we∈[0，1] (14)
式中，fn(P(c1),P(c2))为数量加权函数，为P(c1)和P(c2)的平均值，(P(c1)表示c1颜色在目标图像统计信息，即覆盖像素数占总像素数的百分比，P(c2)表示 c2颜色在目标图像统计信息)，如式(15)所示。因为一幅图像中，某种颜色在图像中的数量也应该是决定该图像特征的因素之一，数量多的颜色应该对图像特征贡献大些。
Figure BDA0002362202370000173
c_n表示迷彩颜色数量，因为以迷彩颜色数为类心数进行主色提取，所以，也就是主色数。
完成目标与背景相似距离计算后，就可以用式(16)计算目标与背景相似系数S。
S＝1-dis (16)
相似系数越大伪装效果越好，设定区间0.8-1.0、0.6-0.8、0.4-0.6、0-0.4分别代表伪装效果为优、良、中、差。
步骤13中对多个角度采集图像的综合相似系数进行加权平均获得伪目标自适应迷彩伪装综合伪装效果。权重默认为0.2，在实际实施时可以根据实际情况调整权重。例如威胁来自左侧时，左侧方向的权重应有所增大，右侧方向的权重相应减小。

Claims (7)

1.一种自适应迷彩伪装效果在线评估方法，其特征在于，包括：
步骤1，实时通过不同的角度在线采集伪装目标所在区域的图像；
步骤2，提取目标的主色和目标周围若干背景图像的主色；
步骤3，基于颜色距离公式分别计算目标和背景图像中每个像素颜色与各自主色的颜色距离，并将像素颜色归入颜色距离最小的主色，统计各主色覆盖的像素数；
步骤4，分别计算目标和背景图像中各主色的空间分布信息熵；
步骤5，根据空间分布信息熵以及主色之间的差别，计算目标和背景图像相似系数，根据相似系数进行评估；
步骤6，对多个角度采集图像的综合相似系数进行加权平均获得伪目标自适应迷彩伪装综合伪装效果；
步骤2的具体过程为：
步骤201，将彩色图像用CIELAB颜色空间表示且进行颜色空间量化获得若干级量化颜色并统计每级量化颜色在彩色图像中出现的频次；
步骤202，将聚类样本由像素空间映射到颜色空间得到颜色样本空间；
步骤203，使用谱系聚类算法对映射后的颜色样本空间中的各级色彩进行聚类并获取谱系聚类的结果类心；
步骤204，以谱系聚类的结果作为初始类心，对聚类样本进行快速FCM聚类，确定背景主要颜色；
步骤203的具体过程为：
步骤2031，设置颜色样本空间中每一颜色样本为一类，设置
Figure DEST_PATH_IMAGE001
，
Figure 833075DEST_PATH_IMAGE002
，式中，
Figure DEST_PATH_IMAGE003
为第j个待分类样本，
Figure 896279DEST_PATH_IMAGE004
是第j个聚类集合，N是样本数；
步骤2032，在集合
Figure DEST_PATH_IMAGE005
中找到一对满足条件
Figure 57133DEST_PATH_IMAGE006
的聚类集合
Figure DEST_PATH_IMAGE007
和
Figure 669511DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
是
Figure 68262DEST_PATH_IMAGE007
和
Figure 435789DEST_PATH_IMAGE008
之间的距离，
Figure 612168DEST_PATH_IMAGE010
；
步骤2033，把
Figure 824975DEST_PATH_IMAGE007
合并到
Figure 406129DEST_PATH_IMAGE008
中，并去掉
Figure 944558DEST_PATH_IMAGE007
，把i从指标集I中除掉，重新计算
Figure 611162DEST_PATH_IMAGE008
的类心颜色
Figure DEST_PATH_IMAGE011
其中，V k 是第k个类的类心颜色，N k 为第k个类中的样本个数，Col(i)表示第i个样本的颜色值，TC_R(i) 表示第i个样本的颜色在图像中的出现频次；
步骤2034，若合并后类的数目等于期望的类的数目，终止计算；否则转向步骤2032。
2.根据权利要求1所述的方法，其特征在于，步骤1的采集方法为：
（1）设目标行进方向为0°方向，顺时针为正，依次从0°、90°、180°和270°
且图像采集装置的俯仰角为-30°对目标所在区域进行图像采集，其中，俯仰角水平为0°，向上为正，向下为负；
（2）图像采集装置在正上方采集且图像采集装置图像采集俯仰角为-90°。
3.根据权利要求1所述的方法，其特征在于，步骤2中将目标周围与目标区域直接相接的8个等尺寸矩形区域作为8个背景图像。
4.根据权利要求1所述的方法，其特征在于，步骤5中针对每一图像计算目标和背景图像相似度的具体过程为：
步骤S501，针对每一图像，按颜色距离最小原则将目标图像主色与一区域的背景图像主色一一配对；
步骤S502，依次计算每个主色对两种主色的色差
Figure 830922DEST_PATH_IMAGE012
和对应的分布熵差
Figure DEST_PATH_IMAGE013
，其中c 1和c 2分别代表目标图像的第c 1种主色和背景图像与之配对的第c 2种主色；
步骤S503，使用下式计算目标和背景相似度dis
Figure 204266DEST_PATH_IMAGE014
式中，w c 和w e 分别为色差和熵差的加权系数，w c +w e =1，
Figure DEST_PATH_IMAGE015
为
Figure 119788DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
的平均值，
Figure 211372DEST_PATH_IMAGE016
表示c 1颜色在目标图像统计信息，即覆盖像素数占总像素数的百分比，
Figure 297140DEST_PATH_IMAGE017
表示c 2颜色在背景图像统计信息，c_n表示迷彩颜色数量；
步骤S504，计算目标与该区域的背景相似系数S
Figure 587307DEST_PATH_IMAGE018
步骤S505，选取相似系数4个最大值的平均值作为目标与背景的综合相似系数；
步骤S506，设定区间分别代表不同的评估结果，其中综合相似系数落入某一区间则表示得到相应区间的分数。
5.根据权利要求1所述的方法，其特征在于，步骤204的具体过程为：
步骤S2041，设定迭代停止阈值
Figure DEST_PATH_IMAGE019
和最大迭代次数B，初始化类心，令迭代次数b=0；
步骤S2042，根据下式计算划分矩阵
Figure 670800DEST_PATH_IMAGE020
中第k个颜色样本对第i个类别的模糊隶属度
Figure DEST_PATH_IMAGE021
Figure 715592DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
为第b次迭代时，第k个颜色样本对第i个类别的模糊隶属度，m为聚类控制参数，
Figure 277155DEST_PATH_IMAGE024
为第k个样本的颜色值
Figure DEST_PATH_IMAGE025
和第i个类心颜色
Figure 890670DEST_PATH_IMAGE026
之间的色差，定义
Figure DEST_PATH_IMAGE027
，
Figure 145065DEST_PATH_IMAGE028
，c为类别的个数；
步骤S2043，根据下式更新聚类中心矩阵
Figure DEST_PATH_IMAGE029
Figure 211241DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
表示第b次迭代计算得到的第i个类别的类心，
Figure 591143DEST_PATH_IMAGE032
为第k种颜色的出现频次，
Figure DEST_PATH_IMAGE033
为第k个样本的颜色值，
Figure 262427DEST_PATH_IMAGE034
为聚类样本的数量；
步骤S2044，如果
Figure DEST_PATH_IMAGE035
或
Figure 953302DEST_PATH_IMAGE036
，则停止，并输出
Figure DEST_PATH_IMAGE037
和
Figure 506774DEST_PATH_IMAGE038
；否则，令
Figure DEST_PATH_IMAGE039
转步骤S2041。
6.根据权利要求1所述的方法，其特征在于，步骤201的具体过程为：
步骤2011，对于CIELAB颜色空间的所有量化长方体区域中的每一个量化长方体区域的长宽高分别对应三个坐标的量化间隔，坐标范围为
Figure 672789DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE041
和
Figure 729738DEST_PATH_IMAGE042
；
步骤2012，若像素颜色
Figure DEST_PATH_IMAGE043
满足
Figure 325935DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
且
Figure 835545DEST_PATH_IMAGE046
时，则像素颜色出现一次；
其中步骤2011中将CIELAB颜色空间的L、a、b三个坐标中图像存在的颜色分为n级，则共有n 3颜色种；或根据L、a、b三个坐标的特性分别划分为级数不相等的m、n、k级，此时共有m×n×k种颜色。
7.一种自适应迷彩伪装效果在线评估系统，其特征在于，该系统包括中心机和图像采集装置，实现了权利要求1至6任意权利要求所述的方法。
CN202010025185.7A 2020-01-10 2020-01-10 自适应迷彩伪装效果在线评估方法及系统 Active CN111797840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010025185.7A CN111797840B (zh) 2020-01-10 2020-01-10 自适应迷彩伪装效果在线评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010025185.7A CN111797840B (zh) 2020-01-10 2020-01-10 自适应迷彩伪装效果在线评估方法及系统

Publications (2)

Publication Number Publication Date
CN111797840A CN111797840A (zh) 2020-10-20
CN111797840B true CN111797840B (zh) 2022-07-12

Family

ID=72805843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010025185.7A Active CN111797840B (zh) 2020-01-10 2020-01-10 自适应迷彩伪装效果在线评估方法及系统

Country Status (1)

Country Link
CN (1) CN111797840B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541232B (zh) * 2020-12-28 2024-02-02 中国航空工业集团公司沈阳飞机设计研究所 一种飞机外部低可视标记设计方法
CN113870095B (zh) * 2021-06-25 2022-12-20 中国人民解放军陆军工程大学 基于迷彩贴片伪装欺骗目标侦察系统方法
CN115464557A (zh) * 2022-08-15 2022-12-13 深圳航天科技创新研究院 基于路径调整移动机器人作业的方法及移动机器人

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729830A (zh) * 2017-10-09 2018-02-23 西安工业大学 基于背景特征的迷彩伪装效果检测计算方法
CN108537788A (zh) * 2018-04-06 2018-09-14 中国人民解放军92942部队 迷彩伪装效果评测方法及装置、计算机设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729830A (zh) * 2017-10-09 2018-02-23 西安工业大学 基于背景特征的迷彩伪装效果检测计算方法
CN108537788A (zh) * 2018-04-06 2018-09-14 中国人民解放军92942部队 迷彩伪装效果评测方法及装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘尊洋等.综合颜色和分布信息评价目标可见光伪装效果.《红外与激光工程》.2012, *
基于谱系法改进 FCM 的仿造迷彩主色提取方法;刘尊洋等;《红外与激光工程》;20100531;396页左栏第1段-398页右栏第4段，附图1-4 *
综合颜色和分布信息评价目标可见光伪装效果;刘尊洋等;《红外与激光工程》;20120430;同上 *

Also Published As

Publication number Publication date
CN111797840A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111798539B (zh) 自适应迷彩伪装在线设计方法及系统
CN111797840B (zh) 自适应迷彩伪装效果在线评估方法及系统
Tetila et al. Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks
AU2016350155B2 (en) A method for aerial imagery acquisition and analysis
Al-Hiary et al. Fast and accurate detection and classification of plant diseases
Al Bashish et al. Detection and classification of leaf diseases using K-means-based segmentation and
CN105608474B (zh) 基于高分辨率影像的区域自适应耕地提取方法
Gulhane et al. Diagnosis of diseases on cotton leaves using principal component analysis classifier
CN107274387B (zh) 基于进化多目标优化的高光谱遥感影像的端元提取方法
CN106934418B (zh) 一种基于卷积递归网络的绝缘子红外诊断方法
CN110619263B (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
Cointault et al. In‐field Triticum aestivum ear counting using colour‐texture image analysis
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN110956187A (zh) 一种基于集成学习的无人机影像植物冠层信息提取方法
Kumar et al. Automatic leaf disease detection and classification using hybrid features and supervised classifier
Pölönen et al. Tree species identification using 3D spectral data and 3D convolutional neural network
CN111798526B (zh) 基于聚类空间映射的彩色图像主色快速提取方法及系统
CN110516648B (zh) 基于无人机遥感和模式识别的苎麻株数识别方法
Bodhe et al. Selection of color space for image segmentation in pest detection
CN117575953B (zh) 一种高分辨率林业遥感图像细节增强方法
CN110991463A (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
CN109948520B (zh) 一种基于多时相双极化sar特征曲线的农作物分类方法
CN109800690B (zh) 一种非线性高光谱影像混合像元分解方法及装置
Zhou et al. Complex background SAR target recognition based on convolution neural network
Attada et al. A methodology for automatic detection and classification of pests using optimized SVM in greenhouse crops

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