CN112001288B - 一种单幅多光谱遥感图像深灰色飞机快速检测方法 - Google Patents
一种单幅多光谱遥感图像深灰色飞机快速检测方法 Download PDFInfo
- Publication number
- CN112001288B CN112001288B CN202010827247.6A CN202010827247A CN112001288B CN 112001288 B CN112001288 B CN 112001288B CN 202010827247 A CN202010827247 A CN 202010827247A CN 112001288 B CN112001288 B CN 112001288B
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- rgb
- aircraft
- gray
- 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 56
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种单幅多光谱遥感图像深灰色飞机快速检测方法，包含以下步骤：A、输入多光谱遥感图像；B、判断输入图像是否为彩色遥感图像，并且是否包含有深灰色飞机；C、对原始彩色RGB遥感图像进行归一化处理；D、获取RGB图像的各个通道图像；E、合成新的RGB遥感图像；F、获得HSI模型图像；G、把归一化后的RGB图像转换成灰度图像，并根据图像内容自适应产生检测阈值；H、提取HSI模型图像的H分量图像；I、对H分量图像进行维纳滤波处理；J、用自适应产生的阈值对处理后的H分量图像进行目标区域检测。本发明是对遥感图像中的飞机目标区域进行快速检测，因此对飞机的形状没有要求，同时针对的是单幅遥感彩色图像。
Description
技术领域
本发明涉及遥感图像颜色特征表示模型、图像内容分布特征、信号滤波预测和阈值检测技术领域，具体是一种单幅多光谱遥感图像深灰色飞机快速检测方法。
背景技术
目标检测、分类与识别是遥感图像处理与应用的重要内容，特别是军事领域的情报侦测和战场监测，目标情报信息的获取主要来源于各种遥感图像。利用遥感图像对机场中的飞机目标进行有效检测和监测，能完成飞机目标的分类和识别以及对飞机活动规律和活动目的进行判断与预测的依据。对于飞机目标检测与识别技术一直是学者们研究的热点，他们提出了许多有效的算法和模型，并得到了很好的应用。这些方法大体上可分成两类：基于特征的传统检测方法和基于深度学习网络模型的检测方法。传统方法一般是先提取特征，然后对目标区域进行有效分割，或利用各种分类器来实现飞机目标的分类。当然，也可以直接利用特征或阈值来检测飞机，如直方图特征检测、恒虚警率检测和马尔科夫随机场检测等。例如Zhu等人通过提取多维不变矩特征，然后选择关键的几个特征作为识别特征，最后利用支持向量机分类器实现飞机目标的检测。传统的方法实现飞机目标检测过程简单，运算量少，但是对于复杂背景的飞机目标检测，或者是小型飞机目标的检测，正确检测率低，易产生较多的虚检率，同时对于飞机目标特征的描述和提取表现不太理想。随着深度学习技术的飞速发展和应用，其在遥感图像处理中的应用也不大增加。特别是以深度卷积神经网络技术为代表的深度机器学习理论的发展与应用，促进了目标检测理论的不断完善。例如，Shelhamer等人利用全卷积网络(Fully Convolutional Networks,FCN)实现了遥感图像中的飞机目标的检测，但是其对于小尺寸飞机目标的检测效果仍然不佳。Long等人则通过采用多个简单卷积神经网络的框架实现对候选区域特征的提取，比较精确地标出了飞机目标区域，但是对于大幅面遥感图像，其对飞机的检测的效果同样不理想。董永峰等人利用特征重用技术来描述目标的语义特征，并设计不同类型飞机尺寸比例的候选框尺度集合，获得了较高的小目标检测精度。
基于深度学习的图像目标检测算法能够很好地提取到图像高层抽象的语义特征，因此具有较强的泛化能力，避免传统方法需要大量先验知识来描述复杂特征和优化参数调整。但是，深度学习用于图像处理，主要步骤包括：数据集的构造，网络模型选择与建立，模型的测试与训练。特别是数据集的构建，是深度学习方法用于遥感图像处理的一个关键和基础环节。目前，基于深度学习的各种神经网络模型处理的图像的大小是横向和纵向为几百个像素，而一幅遥感图像的大小横纵向都是几万个像素。而且，随着遥感技术的发展，图像的宽幅继续增大，空间分辨率继续提高，图像内容更加丰富多彩、更加复杂，这对于深度学习理论应用于遥感图像将面临更多的要求和更高的挑战。同时，模型的测试与训练需要大量的时间。所以，从快速发现目标的角度，对于单幅遥感图像而言，传统方法的优势比较明显。本文采用颜色模型结合信号处理和图像内容的方式对遥感图像中深灰色飞机目标实现快速的检测。
从上面的分析可知，每种方法都有其局限性，根本原因是某种方法的提出是针对具体的应用需求。为了快速检测遥感图像中的深灰色飞机目标，本发明提出了一种通过变换多光谱遥感图像模型以增强目标区域信息、自动根据输入图像的光谱特性产生检测阈值以及利用维纳滤波处理理论提高目标区域的检测率的多光谱遥感图像飞机目标快速检测方法。本发明是基于遥感图像的目标检测与应用的方法，能丰富和完善遥感图像目标检测理论以及促进遥感图像的理解和应用，因此具有重要的理论意义和应用推广价值。
发明内容
本发明的目的在于提供一种单幅多光谱遥感图像深灰色飞机快速检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种单幅多光谱遥感图像深灰色飞机快速检测方法，包含以下步骤：
A、输入多光谱遥感图像；
B、判断输入图像是否为彩色遥感图像，并且是否包含有深灰色飞机；
C、对图像进行归一化处理；
D、获取RGB图像的各个通道图像；
E、合成新的RGB遥感图像；
F、获得HSI模型图像；
G、提取H分量图像：获得HSI图像后，直接提取H分量图像，用来进行后续的飞机目标检测；
H、对H分量图像进行滤波处理；
I、把原始的RGB图像转换成灰度图像；
J、产生飞机目标检测的阈值；
K、对飞机目标区域进行检测；
L、输出检测结果。
作为本发明的进一步技术方案：步骤A具体是：输入的遥感图像是光学图像，要求这些图像是彩色的多光谱RGB图像，而且图像中包含有飞机目标，并且这些目标用普通的方法很难快速正确检测或分割出来。
作为本发明的进一步技术方案：步骤B的具体是：B1、判断输入的遥感图像是彩色RGB图像，通过获取输入图像的维数值来进行判断，输入图像的第三维参数的数值等于3，表明输入的是彩色图像，当地三维参数的值小于3时，判断为非彩色RGB图像，具体判断模型的数学表达式如下：式中的IO表示原始图像，size(IO)表示求原始图像的维数值，M×N表示图像的空间大小，K表示图像包含的波段数，即单个图像的通道数目；B2、输入的图像中是否包含飞机目标，采用人工视觉的方式进行判别；B3、输入的图像不是包含飞机目标的彩色多光谱彩色图像，直接结束。
作为本发明的进一步技术方案：步骤C具体是：由于遥感图像获取的时间和传感器不同，导致遥感图像的亮度信息会有所变化。为了消除光照和不同传感器等因素的影响，对输入的图像的亮度值进行统一的归一化处理，处理的公式如下：式中的IO(m,n)表示输入的原始遥感图像，I(m,n)表示归一化处理后输出的图像，Imax和Imin分别表示原始输入图像IO(m,n)的光谱值的最大值与最小值。
作为本发明的进一步技术方案：步骤D具体是：从归一化处理后的RGB图像中分别提取R、G和B各个通道的单波段图像。归一化的原始RGB图像用I(m,n)表示，则各通道图像的表示为
作为本发明的进一步技术方案：步骤E具体包含以下步骤：E1、把步骤D中获取的R、G、B单通道图像提取出来，然后选择红色通道R图像和绿色通道G图像；E2、把R通道图像和G通道图像的顺序进行互换，然后合成新的RGB图像用R*、G*和B*分别表示图像/>的三个通道图像，即/>这样新的RGB图像/>就获得了。
作为本发明的进一步技术方案：步骤F具体包含以下步骤：F1、获取新RGB图像的三个通道图像，即R*、G*和B*三个分量图像；F2、把RGB模型的彩色图像/>按下面的公式(5)转换成HSI模型图像，具体转换数学模型如下/>F3、式(5)的参数θ可以通过式(6)进行计算来获得
作为本发明的进一步技术方案：步骤H包含以下步骤：H1、采样维纳滤波器对H分量图像进行滤波处理；H2、利用维纳滤波器对图像进行滤波处理，选择和设置合适的滤波窗口大小；H3、设置滤波窗口大小后，在H分量图像中按从左到右、从上到下的顺序，依次对H分量图像进行滤波处理操作。
作为本发明的进一步技术方案：步骤I包含以下步骤：I1、把彩色图像转换成灰度图像的目的是自动获取飞机目标检测的阈值T，把RGB彩色图像I(m,n)按公式(7)转换成灰度图像IGray，IGray＝0.299×R+0.587×G+0.114×B(7)，其中，R、G和B分别表示原始遥感图像的三个通道分量图像。
作为本发明的进一步技术方案：步骤J包含以下步骤：J1、通过提取灰度图像IGray的均值作为飞机目标检测的阈值T，这是一种自动获取的过程，而且是根据每次输入的图像来计算，它能自适应的获得符合图像内容的阈值T＝mean(IGray)(8)。
与现有技术相比，本发明的有益效果是：
(1)针对性强：本发明针对多光谱遥感图像，即彩色的RGB遥感图像，而且检测的飞机目标的颜色是深灰色的，而不是其它颜色，如白色、蓝色和红色等飞机。主要是对飞机目标区域进行快速检测，因此对飞机的形状没有要求，同时针对的是单幅遥感彩色图像。所以，本发明的针对性和应用性都很强。
(2)设计思路好：本发明依据遥感图像自身特点，通过颜色表征模型变换来提升目标区域特征，通过信号处理理论的维纳滤波方法来降低其他干扰因素的影响，通过设计利用图像内容反射强度特征值来自适应产生检测阈值，从而解决了直接阈值法无法获取目标区域的问题。本发明避免使用过于复杂的深度学习卷积网络模型，而是利用反映目标特征的颜色模型来实现快速提取目标特征。
(3)处理效果好：通过对不同的飞机遥感图像处理和目标检测实验，表明本发明的检测结果非常不错，不仅正确率高，而且原理简单，容易软件和硬件实现，运行时间短，达到了快速检测的目的。
附图说明
图1是本发明的整体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，一种单幅多光谱遥感图像深灰色飞机快速检测方法，包含以下步骤：
A、输入多光谱遥感图像；输入的遥感图像是光学图像，要求这些图像是彩色的多光谱RGB图像，而且图像中包含有飞机目标，并且这些目标用直接的阈值检测方法很难快速正确检测或分割出来。
B、判断输入图像是否为彩色遥感图像，并且是否包含有深灰色飞机；具体是：B1、判断输入的遥感图像是彩色RGB图像，通过获取输入图像的维数值来进行判断，输入图像的第三维参数的数值等于3，表明输入的是彩色图像，当地三维参数的值小于3时，判断为非彩色RGB图像，具体判断模型的数学表达式如下：式中的IO表示原始图像，size(IO)表示求原始图像的维数值，M×N表示图像的空间大小，K表示图像包含的波段数，即单个图像的通道数目；B2、输入的图像中是否包含飞机目标，采用人工视觉的方式进行判别；B3、输入的图像不是包含飞机目标的彩色多光谱彩色图像，直接结束。
C、对图像进行归一化处理；具体是：由于遥感图像获取的时间和传感器不同，导致遥感图像的亮度信息会有所变化。为了消除光照和不同传感器等因素的影响，对输入的图像的亮度值进行统一的归一化处理，处理的公式如下：式中的IO(m,n)表示输入的原始遥感图像，I(m,n)表示归一化处理后输出的图像，Imax和Imin分别表示原始输入图像IO(m,n)的光谱值的最大值与最小值。
D、获取RGB图像的各个通道图像；具体是：从归一化处理后的RGB图像中分别提取R、G和B各个通道的单波段图像。归一化的原始RGB图像用I(m,n)表示，则各通道图像的表示为
E、合成新的RGB遥感图像；具体包含以下步骤：E1、把步骤D中获取的R、G、B单通道图像提取出来，然后选择红色通道R图像和绿色通道G图像；E2、把R通道图像和G通道图像的顺序进行互换，然后合成新的RGB图像用R*、G*和B*分别表示图像/>的三个通道图像，即/>这样新的RGB图像/>就获得了。
F、获得HSI模型图像；具体包含以下步骤：F1、获取新RGB图像的三个通道图像，即R*、G*和B*三个分量图像；F2、把RGB模型的彩色图像/>按下面的公式(5)转换成HSI模型图像，具体转换数学模型如下/>F3、式(5)的参数θ可以通过式(6)进行计算来获得/>
G、提取H分量图像：获得HSI图像后，直接提取H分量图像，用来进行后续的飞机目标检测；
H、对H分量图像进行滤波处理；包含以下步骤：H1、采样维纳滤波器对H分量图像进行滤波处理；H2、利用维纳滤波器对图像进行滤波处理，选择和设置合适的滤波窗口大小；H3、设置滤波窗口大小后，在H分量图像中按从左到右、从上到下的顺序，依次对H分量图像进行滤波处理操作。
I、把原始的RGB图像转换成灰度图像；包含以下步骤：I1、把彩色图像转换成灰度图像的目的是自动获取飞机目标检测的阈值T，把RGB彩色图像I(m,n)按公式(7)转换成灰度图像IGray，IGray＝0.299×R+0.587×G+0.114×B(7)，其中，R、G和B分别表示原始遥感图像的三个通道分量图像。
J、产生飞机目标检测的阈值；包含以下步骤：J1、通过提取灰度图像IGray的均值作为飞机目标检测的阈值T，这是一种自动获取的过程，而且是根据每次输入的图像来计算，它能自适应的获得符合图像内容的阈值T＝mean(IGray)(8)。
K、对飞机目标区域进行检测；包含以下步骤：K1、利用步骤J获得的阈值T对步骤(8)获得的H分量图像进行逐像素检测。用H*表示滤波后的H分量图像，则检测过程按下式规则进行式中ID(m,n)表示检测后的结果图像。
L、最终把检测的结果直接作为最后的结果输出。
表1：参数设置和运行时间表；
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种单幅多光谱遥感图像深灰色飞机快速检测方法，其特征在于，包含以下步骤：
A、输入多光谱遥感图像；
B、判断输入图像是否为彩色遥感图像，并且是否包含有深灰色飞机，具体是：B1、判断输入的遥感图像是彩色RGB图像，通过获取输入图像的维数值来进行判断，输入图像的第三维参数的数值等于3，表明输入的是彩色图像，当地三维参数的值小于3时，判断为非彩色RGB图像，具体判断模型的数学表达式如下：式中的IO表示原始图像，size(IO)表示求原始图像的维数值，M×N表示图像的空间大小，K表示图像包含的波段数，即单个图像的通道数目；B2、输入的图像中是否包含飞机目标，采用人工视觉的方式进行判别；B3、输入的图像不是包含飞机目标的彩色多光谱彩色图像，直接结束；
C、对图像进行归一化处理；
D、获取RGB图像的各个通道图像；
E、合成新的RGB遥感图像，具体包含以下步骤：E1、把步骤D中获取的R、G、B单通道图像提取出来，然后选择红色通道R图像和绿色通道G图像；E2、把R通道图像和G通道图像的顺序进行互换，用R*、G*和B*分别表示新RGB图像的三个通道图像，即/>然后用这新的三个通道图像合成新的RGB图像/>用这样新的RGB图像/>就获得了；
F、获得HSI模型图像，具体包含以下步骤：F1、获取新RGB图像的三个通道图像，即R*、G*和B*三个分量图像；F2、把RGB模型的彩色图像/>按下面的公式(5)转换成HSI模型图像，具体转换数学模型如下
F3、式(5)中的参数θ可以通过式(6)进行计算来获得/>
G、提取H分量图像：获得HSI图像后，直接提取H分量图像，用来进行后续的飞机目标检测；
H、对H分量图像进行滤波处理；
I、把原始的RGB图像转换成灰度图像；
J、产生飞机目标检测的阈值；
K、对飞机目标区域进行检测；
L、输出检测结果。
2.根据权利要求1所述的一种单幅多光谱遥感图像深灰色飞机快速检测方法，其特征在于，步骤A具体是：输入的遥感图像是光学图像，要求这些图像是彩色的多光谱RGB图像，而且图像中包含有飞机目标，并且这些目标用普通的方法很难快速正确检测或分割出来。
3.根据权利要求1所述的一种单幅多光谱遥感图像深灰色飞机快速检测方法，其特征在于，步骤C具体是：由于遥感图像获取的时间和传感器不同，导致遥感图像的亮度信息会有所变化，为了消除光照和不同传感器等因素的影响，对输入的图像的亮度值进行统一的归一化处理，处理的公式如下：式中的IO(m,n)表示输入的原始遥感图像，I(m,n)表示归一化处理后输出的图像，Imax和Imin分别表示原始输入图像IO(m,n)的光谱值的最大值与最小值。
4.根据权利要求1所述的一种单幅多光谱遥感图像深灰色飞机快速检测方法，其特征在于，步骤D具体是：从归一化处理后的RGB图像中分别提取R、G和B各个通道的单波段图像，归一化的原始RGB图像用I(m,n)表示，则各通道图像的表示为
5.根据权利要求1所述的一种单幅多光谱遥感图像深灰色飞机快速检测方法，其特征在于，步骤H包含以下步骤：H1、采样维纳滤波器对H分量图像进行滤波处理；H2、利用维纳滤波器对图像进行滤波处理，选择和设置合适的滤波窗口大小；H3、设置滤波窗口大小后，在H分量图像中按从左到右、从上到下的顺序，依次对H分量图像进行滤波处理操作。
6.根据权利要求1所述的一种单幅多光谱遥感图像深灰色飞机快速检测方法，其特征在于，步骤I包含以下步骤：I1、把归一化的彩色图像转换成灰度图像，其目的是根据图像内容自动获取飞机目标检测的阈值T，把RGB彩色图像I(m,n)按公式(7)转换成灰度图像IGray，IGray＝0.299×R+0.587×G+0.114×B(7)，其中，R、G和B分别表示原始遥感图像的三个通道分量图像。
7.据权利要求1所述的一种单幅多光谱遥感图像深灰色飞机快速检测方法，其特征在于，步骤J包含以下步骤：J1、通过计算灰度图像IGray的均值作为飞机目标检测的阈值T，这是一种根据图像灰度分布自适应获取的过程，而且是根据每次输入图像的自身内容来计算，它能自适应的获得符合图像内容的阈值T＝mean(IGray)(8)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010827247.6A CN112001288B (zh) | 2020-08-17 | 2020-08-17 | 一种单幅多光谱遥感图像深灰色飞机快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010827247.6A CN112001288B (zh) | 2020-08-17 | 2020-08-17 | 一种单幅多光谱遥感图像深灰色飞机快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001288A CN112001288A (zh) | 2020-11-27 |
| CN112001288B true CN112001288B (zh) | 2024-02-20 |
Family
ID=73472669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010827247.6A Active CN112001288B (zh) | 2020-08-17 | 2020-08-17 | 一种单幅多光谱遥感图像深灰色飞机快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001288B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020975A (zh) * | 2012-12-29 | 2013-04-03 | 北方工业大学 | 一种结合多源遥感图像特征的码头和船舶分割方法 |
| CN103908236A (zh) * | 2013-05-13 | 2014-07-09 | 天津点康科技有限公司 | 一种自动血压测量系统 |
| CN109003238A (zh) * | 2018-06-26 | 2018-12-14 | 西京学院 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
| CN110175556A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 基于Sobel算子的遥感图像云检测方法 |
| CN111275652A (zh) * | 2020-02-26 | 2020-06-12 | 西京学院 | 一种去除城市遥感图像中雾霾的方法 |
-
2020
- 2020-08-17 CN CN202010827247.6A patent/CN112001288B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020975A (zh) * | 2012-12-29 | 2013-04-03 | 北方工业大学 | 一种结合多源遥感图像特征的码头和船舶分割方法 |
| CN103908236A (zh) * | 2013-05-13 | 2014-07-09 | 天津点康科技有限公司 | 一种自动血压测量系统 |
| CN106073742A (zh) * | 2013-05-13 | 2016-11-09 | 天津点康科技有限公司 | 一种血压测量系统及方法 |
| CN109003238A (zh) * | 2018-06-26 | 2018-12-14 | 西京学院 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
| CN110175556A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 基于Sobel算子的遥感图像云检测方法 |
| CN111275652A (zh) * | 2020-02-26 | 2020-06-12 | 西京学院 | 一种去除城市遥感图像中雾霾的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001288A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
| CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
| CN101551853A (zh) | 复杂静态彩色背景下的人耳检测方法 | |
| CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
| CN103927741A (zh) | 增强目标特征的sar图像合成方法 | |
| CN102521564A (zh) | 基于颜色和形状识别茶叶的方法 | |
| CN106960182A (zh) | 一种基于多特征集成的行人再识别方法 | |
| CN105512612A (zh) | 一种基于svm的胶囊内窥镜图像分类方法 | |
| CN115082451A (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
| CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
| Ding et al. | FCM image segmentation algorithm based on color space and spatial information | |
| Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
| CN114119551A (zh) | 一种人脸图像质量的量化分析方法 | |
| Asmara et al. | Chicken meat freshness identification using colors and textures feature | |
| CN112001288B (zh) | 一种单幅多光谱遥感图像深灰色飞机快速检测方法 | |
| Ding et al. | Multi-spectral color vision fusion jointly with two-stream feature interaction and color transformation network | |
| CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 | |
| CN104573668A (zh) | 基于光谱反射率的面部色泽适应性自动识别方法 | |
| CN116863327A (zh) | 一种基于双域分类器协同对抗的跨域小样本分类方法 | |
| Dhanuja et al. | Areca nut disease detection using image processing technology | |
| CN110929740A (zh) | 一种基于lgbm模型的舌质舌苔分离方法 | |
| CN114049289B (zh) | 基于对比学习与StyleGAN2的近红外-可见光人脸图像合成方法 | |
| CN115578553A (zh) | 一种基于时序图像序列的甲醛的快速检测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231225 Address after: 510000 Longhua Shikang University Education Park, Luogang Town, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU College OF COMMERCE Address before: 710123 No.1 Xijing Road, Weiqu South Street, Chang'an District, Xi'an City, Shaanxi Province Applicant before: XIJING University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |