CN111833329A - 一种大型遥感影像的人工判证辅助方法 - Google Patents
一种大型遥感影像的人工判证辅助方法 Download PDFInfo
- Publication number
- CN111833329A CN111833329A CN202010674937.2A CN202010674937A CN111833329A CN 111833329 A CN111833329 A CN 111833329A CN 202010674937 A CN202010674937 A CN 202010674937A CN 111833329 A CN111833329 A CN 111833329A
- Authority
- CN
- China
- Prior art keywords
- target
- memory
- pictures
- remote sensing
- manual
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/54—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种大型遥感影像的人工判证辅助方法,属于遥感图像处理领域。本发明首先对遥感图像进行分块并进行检测等处理,将处理结果进行保存。然后根据分块策略进行影像逻辑分块,加载分块图片,及处理结果进行矢量标注,基于标注结果进行人工判证。在人工判证过程中,将相邻图片预加载至内存,相邻图片进行人工判证操作时,直接从内存中获取。同时利用目标的几何特征、纹理特征实现对虚警目标、漏检目标的修正。本发明可节约大量等待时间,实现目标的精确筛选及漏检目标的补充,从而大幅提高人工判证的效率。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种大型遥感影像的人工判证辅助方法。
背景技术
随着地观测技术的迅速发展,遥感对地观测获取影像的分辨率越来越高,目前已经实现亚米级对地观测。但是,高分辨率遥感影像的数据量通常较大,单幅遥感影像往往达到几十GB。
目前,遥感图像处理技术如目标检测等,受影像背景复杂、俯视拍摄、目标尺寸等因素影响,处理效果并不理想,经常需要结合人工判证进行使用。然而,在人工判证过程中,由于遥感影像的数据量较大,直接从硬盘中获取遥感影像需要耗费大量时间,判证过程中卡顿严重,影响判证效率。此外,通常目标检测结果虚警率和漏检率都较高,需要频繁的人工操作,耗费大量判证时间。
发明内容
本发明的目的在于提供一种高效的大型遥感影像的人工判证方法,该方法能够减少人工操作的次数,提高人工判证效率。
为了实现上述目的,本发明采用的技术方案为:
一种大型遥感影像的人工判证辅助方法,包括以下步骤:
步骤1,读取遥感影像参数,获取遥感影像信息,所述遥感影像信息包括影像的宽度、高度、波段数;
步骤2,根据判读幅框的大小,对大型遥感影像进行自动化逻辑分块;
步骤3,对逻辑分块图像进行目标检测,生成分块xml文件并进行保存;
步骤4,获取分块图像并进行显示,同时按照优化策略,读取当前分块周边的图像,将其预先加载至内存;
步骤5,从分块xml文件中加载当前图像分块及其周边分块图像的目标检测处理结果,提取目标的几何特征信息,并基于目标的几何特征进行目标的预筛选;
步骤6,根据步骤5中的目标预筛选结果,利用平均特征图像匹配方法,计算目标的纹理特征,进一步完成目标的精确筛选以及漏检目标补充;
步骤7,将步骤6中的检测结果在分块图像上进行矢量标注,根据目标检测结果的来源,使用不同颜色的框线进行标识,在此基础上进行人工判证;
步骤8,将人工判证后的目标标注信息形成xml文件并进行保存,该xml文件中包括目标外接矩形的长、目标外接矩形的宽、外接矩形顶点位置、检测到的目标个数;
步骤9,重复步骤4~步骤8,直至所有分块均完成人工判证。
进一步的,所述步骤2中的分块块数为m行n列,起始行列数均为1,所述步骤4中当前分块的序列号为p行q列,步骤4的具体方式为:
步骤4a,若p=1,q=1,图片直接从硬盘中读取,在人工判证过程中预加载序列号为(p,q+1)、(p+1,q)的图片至内存;
步骤4b,若p=1,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p,q-1)、(p,q+1)、(p+1,q)的图片至内存;
步骤4c,若p=1,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p,q-1)、(p+1,q)的图片至内存;
步骤4d,若1<p<m,q=1,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q+1)的图片至内存;
步骤4e,若1<p<m,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q-1)、(p,q+1)的图片至内存;
步骤4f,若1<p<m,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q-1)的图片至内存;
步骤4g,若p=m,q=1,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q+1)的图片至内存;
步骤4h,若p=m,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q-1)、(p,q+1)的图片至内存;
步骤4i,若p=m,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q+1)的图片至内存。
进一步的,所述步骤5中目标预筛选的方式为:
步骤5a,确定目标的几何特征约束条件,包括目标最大长度lmax、目标最小长度lmin、目标最大宽度wmax、目标最小宽度wmin、目标最大长宽比rmax以及目标最小长宽比rmin;
步骤5b,根据目标检测的结果,提取目标的几何特征,包括长度l,宽度w以及长宽比r;
步骤5d,将不满足步骤5c条件的目标标记为预筛选目标。
进一步的,所述步骤6的具体方式为:
步骤6c,对步骤6b中获得的相对欧式距离进行分析,若di>0.4,将对应的目标标记为精确筛选目标;
步骤6e,对步骤6d中获得的相对欧式距离进行分析,若δj≤0.15,将对应的窗口标记为漏检目标。
进一步的,所述步骤7中目标数据的来源包括原始目标检测xml文件、预筛结果、精确筛选结果以及漏检目标四类,人工判证的内容包括对标注信息的顶点修改、标注删除以及添加标注三种操作,以上操作均通过鼠标完成。
本发明的有益效果在于:
1、本发明在人工判证过程中将相邻图片预加载至内存,为下一幅图片的操作节约了从硬盘读取图片的时间,实现高效人工判证和流畅显示。
2、本发明利用目标的几何特征、纹理特征对虚警目标进行了筛选,对漏检进行补充,自动对人工判证结果进行辅助,减少了人工操作次数,提高了人工判证效率。
附图说明
图1为本发明实施例中人工判证明辅助方法的流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
一种大型遥感影像的人工判证辅助方法,该方法首先对遥感图像进行分块并进行检测等处理,将处理结果进行保存。然后根据分块策略进行影像逻辑分块,加载分块图片,及处理结果进行矢量标注,基于标注结果进行人工判证。在人工判证过程中,将相邻图片预加载至内存,相邻图片进行人工判证操作时,直接从内存中获取。同时利用目标的几何特征、纹理特征实现对虚警目标、漏检目标的修正。
具体来说,如图1所示,本方法包括以下步骤:
步骤1,读取遥感影像参数,获取遥感影像信息,所述遥感影像信息包括影像的宽度、高度、波段数;
步骤2,根据判读幅框的大小,对大型遥感影像进行自动化逻辑分块;
步骤3,对步骤2的逻辑分块图像进行目标检测,生成分块xml文件并进行保存;
步骤4,获取分块图像并进行显示,同时按照优化策略,读取当前分块周边的图像,将其预先加载至内存;
步骤5,从分块xml文件中加载当前图像分块及其周边分块图像的目标检测处理结果,提取目标的几何特征信息,并基于目标的几何特征进行目标的预筛选;
步骤6,根据步骤5中的目标预筛选结果,利用平均特征图像匹配方法,计算目标的纹理特征,进一步完成目标的精确筛选以及漏检目标补充;
步骤7,将步骤6中的检测结果在分块图像上进行矢量标注,根据目标检测结果的来源,使用不同颜色的框线进行标识,在此基础上进行人工判证;
步骤8,将人工判证后的目标标注信息形成xml文件并进行保存,该xml文件中包括目标外接矩形的长、目标外接矩形的宽、外接矩形顶点位置、检测到的目标个数;
步骤9,重复步骤4~步骤8,直至所有分块均完成人工判证。
其中,步骤2中的分块块数为m行n列,起始行列数均为1,步骤4中当前分块的序列号为p行q列,步骤4的具体方式为:
步骤4a,若p=1,q=1,图片直接从硬盘中读取,在人工判证过程中预加载序列号为(p,q+1)、(p+1,q)的图片至内存;
步骤4b,若p=1,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p,q-1)、(p,q+1)、(p+1,q)的图片至内存;
步骤4c,若p=1,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p,q-1)、(p+1,q)的图片至内存;
步骤4d,若1<p<m,q=1,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q+1)的图片至内存;
步骤4e,若1<p<m,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q-1)、(p,q+1)的图片至内存;
步骤4f,若1<p<m,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q-1)的图片至内存;
步骤4g,若p=m,q=1,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q+1)的图片至内存;
步骤4h,若p=m,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q-1)、(p,q+1)的图片至内存;
步骤4i,若p=m,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q+1)的图片至内存。
其中,步骤5中目标预筛选的方式为:
步骤5a,确定目标的几何特征约束条件,包括目标最大长度lmax、目标最小长度lmin、目标最大宽度wmax、目标最小宽度wmin、目标最大长宽比rmax以及目标最小长宽比rmin;
步骤5b,根据目标检测的结果,提取目标的几何特征,包括长度l,宽度w以及长宽比r;
步骤5d,将不满足步骤5c条件的目标标记为预筛选目标。
其中,步骤6的具体方式为:
步骤6c,对步骤6b中获得的相对欧式距离进行分析,若di>0.4,将对应的目标标记为精确筛选目标;
步骤6e,对步骤6d中获得的相对欧式距离进行分析,若δj≤0.15,将对应的窗口标记为漏检目标。
其中,步骤7中目标数据的来源包括原始目标检测xml文件、预筛结果、精确筛选结果以及漏检目标四类,人工判证的内容包括对标注信息的顶点修改、标注删除以及添加标注三种操作,以上操作均通过鼠标完成。
本方法中只有第一个分块图像直接从硬盘中直接获取,其余分块图像直接从内存中获取,在判证过程中将相邻图片预加载至内存中,利用判证过程中的间隙时间进行加载图片,有效节约了从硬盘读取分块图像的时间。此外,本方法利用目标的几何特征和纹理特征分别对虚警目标和漏检目标进行筛选和补充,自动对人工判证结果进行辅助,可减少人工操作次数,实现高效人工判证和流畅显示。
本方法的效果可通过以下试验进一步说明:
1.试验条件。
工作站配置为Intel Core i7-3770 CPU 3.4Ghz,128GB内存,1台;
软件环境为Windows 7 64位专业版。
2.试验方法。
上述人工判证辅助方法对各类遥感影像处理具有广泛适应性,可以是遥感影像的任意处理,如:舰船检测、飞机检测、建筑物检测、汽车检测等。本试验中,对舰船目标进行检测,对输入的遥感影像首先进行舰船目标检测,然后对舰船检测结果进行判证。为判证本方法的效果,与直接从硬盘读取分块图片的人工判证方法进行对比。
3.试验内容与结果。
试验选择高分二号镶嵌后的遥感影像数据进行目标检测,数据长宽分别为126000像素×127620像素,分辨率为1m,单幅影像60GB。
试验中,分块参数为3000×3000像素,检测的目标为舰船,依据经验知识,目标长度尺寸范围设定为30m~300m,故重叠区域设为150像素。本试验中,共产生分块1936块。目标的几何特征参数设置如下:最大长度为300像素,最小长度为50像素,最大宽度为150像素,最小宽度为10像素,最大长宽比为30,最小长宽比为1。
试验结果如下,原始目标检测结果共102个目标,其中虚警为21个,漏检为27个,利用本发明方法进行虚警筛选,成功筛选虚警19个,补充漏检21个。利用本方法仅需要操作8次即可完成,而对比方法需要操作49次。
在人工判证时间基本相同的时间下(人工判证一屏影像平均1.5s),使用对比方法进行人工判证加载图片时出现严重卡顿现象,完成整幅影像的人工判证耗时6486s,利用本方法进行人工判证加载图片时显示流畅,完成整幅影像的人工判证耗时3058s。
试验结果表明,本方法对遥感图像进行预加载至内存,可以大幅减少图片读取时间,显著降低人工操作次数,提高人工判证效率。
总之,本发明在对遥感影像进行人工判证的过程中,采取邻域优化加载策略,将相邻的图片预加载至内存中,与从硬盘中直接读取图像相比,可节约大量等待时间,通过利用目标的几何特征进行目标的预筛,可以去除部分虚警目标,利用目标的纹理特征进行分析,实现目标的精确筛选及漏检目标的补充,从而大幅提高人工判证的效率。
Claims (5)
1.一种大型遥感影像的人工判证辅助方法,其特征在于,包括以下步骤:
步骤1,读取遥感影像参数,获取遥感影像信息,所述遥感影像信息包括影像的宽度、高度、波段数;
步骤2,根据判读幅框的大小,对大型遥感影像进行自动化逻辑分块;
步骤3,对逻辑分块图像进行目标检测,生成分块xml文件并进行保存;
步骤4,获取分块图像并进行显示,同时按照优化策略,读取当前分块周边的图像,将其预先加载至内存;
步骤5,从分块xml文件中加载当前图像分块及其周边分块图像的目标检测处理结果,提取目标的几何特征信息,并基于目标的几何特征进行目标的预筛选;
步骤6,根据步骤5中的目标预筛选结果,利用平均特征图像匹配方法,计算目标的纹理特征,进一步完成目标的精确筛选以及漏检目标补充;
步骤7,将步骤6中的检测结果在分块图像上进行矢量标注,根据目标检测结果的来源,使用不同颜色的框线进行标识,在此基础上进行人工判证;
步骤8,将人工判证后的目标标注信息形成xml文件并进行保存,该xml文件中包括目标外接矩形的长、目标外接矩形的宽、外接矩形顶点位置、检测到的目标个数;
步骤9,重复步骤4~步骤8,直至所有分块均完成人工判证。
2.根据权利要求1所述的一种大型遥感影像的人工判证辅助方法,其特征在于,所述步骤2中的分块块数为m行n列,起始行列数均为1,所述步骤4中当前分块的序列号为p行q列,步骤4的具体方式为:
步骤4a,若p=1,q=1,图片直接从硬盘中读取,在人工判证过程中预加载序列号为(p,q+1)、(p+1,q)的图片至内存;
步骤4b,若p=1,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p,q-1)、(p,q+1)、(p+1,q)的图片至内存;
步骤4c,若p=1,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p,q-1)、(p+1,q)的图片至内存;
步骤4d,若1<p<m,q=1,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q+1)的图片至内存;
步骤4e,若1<p<m,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q-1)、(p,q+1)的图片至内存;
步骤4f,若1<p<m,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p+1,q)、(p,q-1)的图片至内存;
步骤4g,若p=m,q=1,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q+1)的图片至内存;
步骤4h,若p=m,1<q<n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q-1)、(p,q+1)的图片至内存;
步骤4i,若p=m,q=n,图片直接从内存中获取,在人工判证过程中预加载序列号为(p-1,q)、(p,q+1)的图片至内存。
5.根据权利要求1所述的一种大型遥感影像的人工判证辅助方法,其特征在于,所述步骤7中目标数据的来源包括原始目标检测xml文件、预筛结果、精确筛选结果以及漏检目标四类,人工判证的内容包括对标注信息的顶点修改、标注删除以及添加标注三种操作,以上操作均通过鼠标完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674937.2A CN111833329A (zh) | 2020-07-14 | 2020-07-14 | 一种大型遥感影像的人工判证辅助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674937.2A CN111833329A (zh) | 2020-07-14 | 2020-07-14 | 一种大型遥感影像的人工判证辅助方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833329A true CN111833329A (zh) | 2020-10-27 |
Family
ID=72923319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010674937.2A Pending CN111833329A (zh) | 2020-07-14 | 2020-07-14 | 一种大型遥感影像的人工判证辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833329A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855622A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于显著性分析的红外遥感图像海面船只检测方法 |
CN103246887A (zh) * | 2013-03-26 | 2013-08-14 | 中国科学院电子学研究所 | 基于几何特征的光学遥感图像机场目标的多线程检测方法 |
CN105303526A (zh) * | 2015-09-17 | 2016-02-03 | 哈尔滨工业大学 | 一种基于海岸线数据及频谱分析的舰船目标检测方法 |
CN108596952A (zh) * | 2018-04-19 | 2018-09-28 | 中国电子科技集团公司第五十四研究所 | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
CN110189304A (zh) * | 2019-05-07 | 2019-08-30 | 南京理工大学 | 基于人工智能的光学遥感图像目标在线快速检测方法 |
CN110458064A (zh) * | 2019-07-31 | 2019-11-15 | 南京理工大学 | 结合数据驱动型和知识驱动型的低空目标检测与识别方法 |
CN111160065A (zh) * | 2018-11-07 | 2020-05-15 | 中电科海洋信息技术研究院有限公司 | 遥感图像舰船检测方法、装置、设备及其存储介质 |
-
2020
- 2020-07-14 CN CN202010674937.2A patent/CN111833329A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855622A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于显著性分析的红外遥感图像海面船只检测方法 |
CN103246887A (zh) * | 2013-03-26 | 2013-08-14 | 中国科学院电子学研究所 | 基于几何特征的光学遥感图像机场目标的多线程检测方法 |
CN105303526A (zh) * | 2015-09-17 | 2016-02-03 | 哈尔滨工业大学 | 一种基于海岸线数据及频谱分析的舰船目标检测方法 |
CN108596952A (zh) * | 2018-04-19 | 2018-09-28 | 中国电子科技集团公司第五十四研究所 | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
CN111160065A (zh) * | 2018-11-07 | 2020-05-15 | 中电科海洋信息技术研究院有限公司 | 遥感图像舰船检测方法、装置、设备及其存储介质 |
CN110189304A (zh) * | 2019-05-07 | 2019-08-30 | 南京理工大学 | 基于人工智能的光学遥感图像目标在线快速检测方法 |
CN110458064A (zh) * | 2019-07-31 | 2019-11-15 | 南京理工大学 | 结合数据驱动型和知识驱动型的低空目标检测与识别方法 |
Non-Patent Citations (3)
Title |
---|
张俭: ""基于核外渲染的大规模红外场景实时仿真系统研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
陈雨薇: ""基于改进MTCNN模型的人脸检测与面部关键点定位"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
高立宁 等: ""一种光学遥感图像海面舰船检测算法"", 《清华大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10496695B2 (en) | Automated data extraction from scatter plot images | |
US11929048B2 (en) | Method and device for marking target cells, storage medium and terminal device | |
US9292729B2 (en) | Method and software for analysing microbial growth | |
CN110689037A (zh) | 用于使用深度网络的自动对象注释的方法和系统 | |
EP3904866A1 (en) | Defect inspecting device, defect inspecting method, and program for same | |
CN108764352B (zh) | 重复页面内容检测方法和装置 | |
EP3531407B1 (en) | System and method for line mura defect detection with preprocessing | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
CN111260626A (zh) | 一种基于深度学习的工件磨损检测方法及系统 | |
CN114612469A (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN103940708A (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN111311556A (zh) | 手机缺陷位置识别方法及设备 | |
CN111325717A (zh) | 手机缺陷位置识别方法及设备 | |
CN102930279A (zh) | 用于产品数量检测的图像识别方法 | |
CN111242957A (zh) | 一种数据处理方法、装置及计算机存储介质和电子设备 | |
CN111626145B (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机系统 | |
US20120249837A1 (en) | Methods and Systems for Real-Time Image-Capture Feedback | |
CN113506281A (zh) | 一种基于深度学习框架的桥梁裂缝检测方法 | |
CN111833329A (zh) | 一种大型遥感影像的人工判证辅助方法 | |
CN116579997A (zh) | 一种晶圆裂痕检测方法、装置、电子设备及存储介质 | |
US20220207724A1 (en) | Method of determining a distribution of stem cells in a cell image, electronic device, and storage medium | |
CN114677373A (zh) | 一种印刷品内容检错方法、装置、电子设备及介质 | |
CN115690470A (zh) | 一种用于识别开关指示牌状态的方法和相关产品 | |
CN106997462B (zh) | 一种量子线路图像识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201027 |