CN112183633B - 基于改进的ft算法的高光谱图像显著目标检测方法 - Google Patents

基于改进的ft算法的高光谱图像显著目标检测方法 Download PDF

Info

Publication number
CN112183633B
CN112183633B CN202011046341.4A CN202011046341A CN112183633B CN 112183633 B CN112183633 B CN 112183633B CN 202011046341 A CN202011046341 A CN 202011046341A CN 112183633 B CN112183633 B CN 112183633B
Authority
CN
China
Prior art keywords
image
hyperspectral image
saliency
map
algorithm
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
CN202011046341.4A
Other languages
English (en)
Other versions
CN112183633A (zh
Inventor
赵明华
岳丽琴
胡静
王理
都双丽
李鹏
李兵
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202011046341.4A priority Critical patent/CN112183633B/zh
Publication of CN112183633A publication Critical patent/CN112183633A/zh
Application granted granted Critical
Publication of CN112183633B publication Critical patent/CN112183633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开的基于改进的FT算法的高光谱图像显著目标检测方法，具体按照以下步骤实施：步骤1、输入高光谱图像以及高光谱图像对应的RGB图像；步骤2、利用改进的FT算法对高光谱的RGB图像进行显著目标检测，得到改进的FT算法的显著映射图；步骤3、计算高光谱图像的光谱带之间的光谱角距离，得到光谱显著图；步骤4、将步骤2得到的显著映射图和步骤3得到的光谱显著图融合，形成最终的高光谱图像的显著目标图。本发明一种基于改进的FT算法的高光谱图像显著目标检测方法，解决了现有技术中存在的高光谱图像目标检测方法计算量大和检测目标边缘模糊问题。

Description

基于改进的FT算法的高光谱图像显著目标检测方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于改进的FT算法的高光谱图像显著目标检测方法。
背景技术
高光谱图像的显著目标检测在图像分割、目标检测、图像分类等方面有着重要的意义。高光谱图像含有大量的光谱信息，光谱响应与实际场景中各种物体的材料有关，丰富的光谱信息能够帮助区分感兴趣的物体和杂乱的背景。但是，冗余的光谱信息也对目标检测的过程造成了干扰，造成了高光谱图像目标检测计算量大等困难。因此，如何在大量的高光谱数据中快速找到有效信息，同时保证好的目标质量，是十分重要的。
视觉显著性检测可以从自然场景中快速地选择出感兴趣区域。在计算机视觉方面，显著性检测主要是模拟人类视觉注意机制，实现图像中显著目标的提取。因此，很多人将视觉显著性算法应用于自然图像的目标检测当中，以快速找到感兴趣区域。如尝试将高光谱数据与显著性检测模型相结合，阐述了组带分量以及原始光谱特征，用它们代替Itti模型中的双色对手分量。或者使用光谱梯度对比度来计算显著性，解决了在Itti模型上进行检测造成的高对比度边缘敏感的问题。然而，现有的一些显著性检测算法对于高光谱图像的检测仍有着一些缺陷，比如，不能很好地呈现显著目标的边界以及对于目标的描述不够充分等等。
因此，如何快速的找到高光谱图像的显著目标，同时对目标物体的描述更加精确，对于高光谱图像的目标检测领域是一个十分重要的技术。
发明内容
本发明的目的是提供一种基于改进的FT算法的高光谱图像显著目标检测方法，解决了现有技术中存在的高光谱图像目标检测方法计算量大和检测目标边缘模糊问题。
本发明所采用的技术方案是，基于改进的FT算法的高光谱图像显著目标检测方法，具体按照以下步骤实施：
步骤1、输入高光谱图像以及高光谱图像对应的RGB图像；
步骤2、利用改进的FT算法对高光谱的RGB图像进行显著目标检测，得到改进的FT算法的显著映射图；
步骤3、计算高光谱图像的光谱带之间的光谱角距离，得到光谱显著图；
步骤4、将步骤2得到的显著映射图和步骤3得到的光谱显著图融合，形成最终的高光谱图像的显著目标图。
本发明的特征还在于，
步骤2具体按照以下步骤实施：
步骤2.1、使用高斯滤波对高光谱图像做处理，得到高斯滤波图像；
步骤2.2、将高斯滤波图像进行颜色空间变换，将图像从RGB空间变换到LAB空间，得到图像的亮度特征L和颜色特征a、颜色特征b；
步骤2.3、计算图像的亮度特征L、颜色特征a及颜色特征b所对应的像素与图像像素均值的欧式距离，作为像素显著性值；
步骤2.4、将每个特征的像素显著性值进行归一化处理；
步骤2.5、将归一化后的像素显著性值进行融合得到高光谱图像的显著性映射图。
步骤2.3中像素显著性值计算如下式：
SL(i,j)＝[L(i,j)-μL]2 (1)；
Sa(i,j)＝[a(i,j)-μa]2 (2)；
Sb(i,j)＝[b(i,j)-μb]2 (3)；
式中，(i,j)是代表每个像素所在的位置，SL(i,j)是亮度特征L下每个像素的显著性值，Sa(i,j)与Sb(i,j)分别是颜色特征a及颜色特征b下的每个像素的像素值，L(i,j)是高斯滤波图像的亮度特征L的像素值，a(i,j)与b(i,j)分别是高斯滤波图像的颜色特征a及颜色特征b的像素值，μL是亮度特征L对应的图像像素均值，μa与μb分别是颜色特征a及颜色特征b对应的图像像素均值。
步骤2.4中对各个特征的显著值做归一化处理的计算如下式：
Figure BDA0002708119020000031
Figure BDA0002708119020000032
Figure BDA0002708119020000033
式中，S′L、S′aa、S′b分别是亮度特征L、颜色特征a及颜色特征b下经过归一化操作后的像素显著值，SL、Sa、Sb分别是亮度特征L、颜色特征a及颜色特征b下的像素显著值，min(SL)、min(Sa)、min(Sb)分别是亮度特征L、颜色特征a及颜色特征b下像素的最小显著性值，max(SL)、max(Sa)、max(Sb)分别是亮度特征L、颜色特征a及颜色特征b下像素的最大显著性值。
步骤2.5中将归一化后的像素显著性值进行融合得到高光谱图像的显著性映射图的计算如下式：
Figure BDA0002708119020000047
式中，SalIFT是改进的FT算法得到的高光谱图像的显著性映射图，
Figure BDA0002708119020000041
Figure BDA0002708119020000042
分别是亮度特征L、颜色特征a及颜色特征b对应的权重，我们取/>
Figure BDA0002708119020000043
步骤3具体按照以下步骤实施：
步骤3.1、计算光谱带之间的光谱角距离作为高光谱图像的光谱特征，从而得到光谱特征图；
步骤3.2，将步骤3.1得到的光谱特征图进行归一化，得到光谱显著图。
步骤3.1中光谱特征图的计算如下式：
Figure BDA0002708119020000044
式中，Mc与Ms表示不同的光谱带，SAD(c,s)表示不同波段之间的光谱角距离，c,s分别代表两条不同的光谱带。
步骤3.2中光谱显著图的计算如下式：
Figure BDA0002708119020000045
式中，SAD(c,s)表示不同波段之间的光谱角距离，max(SAD(c，s))表示光谱带间的最大光谱角距离，SalSpectral表示将光谱特征图经过归一化，得到的光谱显著图。
步骤4中高光谱图像的显著目标图的计算如下式：
Figure BDA0002708119020000046
式中S表示高光谱图像的显著目标图；SalIFT表示通过改进的FT算法得到的高光谱图像的显著性映射图；SalSpectral表示光谱显著图。
本发明的有益效果是：
(1)本发明通过在高光谱图像的目标检测中引入改进的FT算法，在检测目标过程中同时充分利用颜色特征和亮度特征，可以快速有效地得到具有明确边界的显著目标；
(2)本发明将频率调整显著性检测算法与光谱显著性相结合，充分利用光谱特征的信息，得到更为准确的目标，提高了检测的准确率；
(3)本发明使用显著性检测算法，可以快速有效地找到高光谱图像的显著目标区域，同时对高光谱图像的光谱信息做了检测，对目标物体的信息有着更加完整的描述，提高了目标检测的精确率。
附图说明
图1是本发明基于改进的FT算法的高光谱图像显著目标检测方法的流程图；
图2是本发明基于改进的FT算法的高光谱图像显著目标检测方法中根据改进的FT算法计算得到的显著映射图；
图3是本发明基于改进的FT算法的高光谱图像显著目标检测方法中根据光谱角距离计算得到的光谱显著图；
图4是本发明基于改进的FT算法的高光谱图像显著目标检测方法的最终显著目标结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于改进的FT算法的高光谱图像显著目标检测方法，如图1-4所示，具体按照以下步骤实施：
步骤1、输入高光谱图像以及高光谱图像对应的RGB图像；
步骤2、利用改进的FT算法对高光谱的RGB图像进行显著目标检测，得到改进的FT算法的显著映射图；
步骤2具体按照以下步骤实施：
步骤2.1、使用高斯滤波对高光谱图像做处理，得到高斯滤波图像；
步骤2.2、将高斯滤波图像进行颜色空间变换，将图像从RGB空间变换到LAB空间，得到图像的亮度特征L和颜色特征a、颜色特征b；
步骤2.3、计算图像的亮度特征L、颜色特征a及颜色特征b所对应的像素与图像像素均值的欧式距离，作为像素显著性值；
步骤2.3中像素显著性值计算如下式：
SL(i,j)＝[L(i,j)-μL]2 (1)；
Sa(i,j)＝[a(i,j)-μa]2 (2)；
Sb(i,j)＝[b(i,j)-μb]2 (3)；
式中，(i,j)是代表每个像素所在的位置，SL(i,j)是亮度特征L下每个像素的显著性值，Sa(i,j)与Sb(i,j)分别是颜色特征a及颜色特征b下的每个像素的像素值，L(i,j)是高斯滤波图像的亮度特征L的像素值，a(i,j)与b(i,j)分别是高斯滤波图像的颜色特征a及颜色特征b的像素值，μL是亮度特征L对应的图像像素均值，μa与μb分别是颜色特征a及颜色特征b对应的图像像素均值。
步骤2.4、将每个特征的像素显著性值进行归一化处理；
步骤2.4中对各个特征的显著值做归一化处理的计算如下式：
Figure BDA0002708119020000071
Figure BDA0002708119020000072
Figure BDA0002708119020000073
式中，S′L、S′a、S′b分别是亮度特征L、颜色特征a及颜色特征b下经过归一化操作后的像素显著值，SL、Sa、Sb分别是亮度特征L、颜色特征a及颜色特征b下的像素显著值，min(SL)、min(Sa)、min(Sb)分别是亮度特征L、颜色特征a及颜色特征b下像素的最小显著性值，max(SL)、max(Sa)、max(Sb)分别是亮度特征L、颜色特征a及颜色特征b下像素的最大显著性值。
步骤2.5、将归一化后的像素显著性值进行融合得到高光谱图像的显著性映射图；
步骤2.5中将归一化后的像素显著性值进行融合得到高光谱图像的显著性映射图的计算如下式：
Figure BDA0002708119020000074
式中，SalIFT是改进的FT算法得到的高光谱图像的显著性映射图，
Figure BDA0002708119020000075
Figure BDA0002708119020000076
分别是亮度特征L、颜色特征a及颜色特征b对应的权重，我们取/>
Figure BDA0002708119020000077
步骤3、计算高光谱图像的光谱带之间的光谱角距离，得到光谱显著图；
步骤3具体按照以下步骤实施：
步骤3.1、计算光谱带之间的光谱角距离作为高光谱图像的光谱特征，从而得到光谱特征图；
步骤3.1中光谱特征图的计算如下式：
Figure BDA0002708119020000081
式中，Mc与Ms表示不同的光谱带，SAD(c,s)表示不同波段之间的光谱角距离，c,s分别代表两条不同的光谱带；
步骤3.2，将步骤3.1得到的光谱特征图进行归一化，得到光谱显著图；
步骤3.2中光谱显著图的计算如下式：
Figure BDA0002708119020000082
式中，SAD(c,s)表示不同波段之间的光谱角距离，max(SAD(c，s))表示光谱带间的最大光谱角距离，SalSpectral表示将光谱特征图经过归一化，得到的光谱显著图。
步骤4、将步骤2得到的显著映射图和步骤3得到的光谱显著图融合，形成最终的高光谱图像的显著目标图；
步骤4中高光谱图像的显著目标图的计算如下式：
Figure BDA0002708119020000083
式中S表示高光谱图像的显著目标图；SalIFT表示通过改进的FT算法得到的高光谱图像的显著性映射图；SalSpectral表示光谱显著图。
从图2中可以看出，利用改进的FT算法得到的高光谱图像的显著性映射图的目标物体具有明确的边界；
从图3中可以看出，光谱信息的引入为目标检测提供了更充分的信息；
从图4中可以看出，基于改进的FT算法的高光谱图像显著目标检测方法得到了具有明确边界定义的目标，同时，光谱特征的加入使的显著目标检测更加完整。

Claims (6)

1.基于改进的FT算法的高光谱图像显著目标检测方法，其特征在于，具体按照以下步骤实施：
步骤1、输入高光谱图像以及高光谱图像对应的RGB图像；
步骤2、利用改进的FT算法对高光谱的RGB图像进行显著目标检测，得到改进的FT算法的显著映射图；
所述步骤2具体按照以下步骤实施：
步骤2.1、使用高斯滤波对高光谱图像做处理，得到高斯滤波图像；
步骤2.2、将高斯滤波图像进行颜色空间变换，将图像从RGB空间变换到LAB空间，得到图像的亮度特征L和颜色特征a、颜色特征b；
步骤2.3、计算图像的亮度特征L、颜色特征a及颜色特征b所对应的像素与图像像素均值的欧式距离，作为像素显著性值；
步骤2.4、将每个特征的像素显著性值进行归一化处理；
步骤2.5、将归一化后的像素显著性值进行融合得到高光谱图像的显著性映射图；
步骤3、计算高光谱图像的光谱带之间的光谱角距离，得到光谱显著图；
所述步骤3具体按照以下步骤实施：
步骤3.1、计算光谱带之间的光谱角距离作为高光谱图像的光谱特征，从而得到光谱特征图；
所述步骤3.1中光谱特征图的计算如下式：
Figure FDA0004101059670000011
式中，Mc与Ms表示不同的光谱带，SAD(c,s)表示不同波段之间的光谱角距离，c,s分别代表两条不同的光谱带；
步骤3.2，将步骤3.1得到的光谱特征图进行归一化，得到光谱显著图；
步骤4、将步骤2得到的显著映射图和步骤3得到的光谱显著图融合，形成最终的高光谱图像的显著目标图。
2.根据权利要求1所述的基于改进的FT算法的高光谱图像显著目标检测方法，其特征在于，所述步骤2.3中像素显著性值计算如下式：
SL(i，j)＝[L(i，j)-μL]2 (1)；
Sa(i，j)＝[a(i，j)-μa]2 (2)；
Sb(i，j)＝[b(i，j)-μb]2 (3)；
式中，(i,j)是代表每个像素所在的位置，SL(i,j)是亮度特征L下每个像素的显著性值，Sa(i,j)与Sb(i,j)分别是颜色特征a及颜色特征b下的每个像素的像素值，L(i，j)是高斯滤波图像的亮度特征L的像素值，a(i，j)与b(i，j)分别是高斯滤波图像的颜色特征a及颜色特征b的像素值，μL是亮度特征L对应的图像像素均值，μa与μb分别是颜色特征a及颜色特征b对应的图像像素均值。
3.根据权利要求1所述的基于改进的FT算法的高光谱图像显著目标检测方法，其特征在于，所述步骤2.4中对各个特征的显著值做归一化处理的计算如下式：
Figure FDA0004101059670000031
Figure FDA0004101059670000032
Figure FDA0004101059670000033
式中，S′L、S′a、S′b分别是亮度特征L、颜色特征a及颜色特征b下经过归一化操作后的像素显著值，SL、Sa、Sb分别是亮度特征L、颜色特征a及颜色特征b下的像素显著值，min(SL)、min(Sa)、min(Sb)分别是亮度特征L、颜色特征a及颜色特征b下像素的最小显著性值，max(SL)、max(Sa)、max(Sb)分别是亮度特征L、颜色特征a及颜色特征b下像素的最大显著性值。
4.根据权利要求1所述的基于改进的FT算法的高光谱图像显著目标检测方法，其特征在于，所述步骤2.5中将归一化后的像素显著性值进行融合得到高光谱图像的显著性映射图的计算如下式：
Figure FDA0004101059670000034
式中，SalIFT是改进的FT算法得到的高光谱图像的显著性映射图，
Figure FDA0004101059670000035
Figure FDA0004101059670000036
分别是亮度特征L、颜色特征a及颜色特征b对应的权重，我们取/>
Figure FDA0004101059670000041
5.根据权利要求1所述的基于改进的FT算法的高光谱图像显著目标检测方法，其特征在于，所述步骤3.2中光谱显著图的计算如下式：
Figure FDA0004101059670000042
式中，SAD(c，s)表示不同波段之间的光谱角距离，max(SAD(c，s))表示光谱带间的最大光谱角距离，SalSpectral表示将光谱特征图经过归一化，得到的光谱显著图。
6.根据权利要求1所述的基于改进的FT算法的高光谱图像显著目标检测方法，其特征在于，所述步骤4中高光谱图像的显著目标图的计算如下式：
Figure FDA0004101059670000043
式中S表示高光谱图像的显著目标图；SalIFT表示通过改进的FT算法得到的高光谱图像的显著性映射图；SalSpectral表示光谱显著图。
CN202011046341.4A 2020-09-29 2020-09-29 基于改进的ft算法的高光谱图像显著目标检测方法 Active CN112183633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011046341.4A CN112183633B (zh) 2020-09-29 2020-09-29 基于改进的ft算法的高光谱图像显著目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011046341.4A CN112183633B (zh) 2020-09-29 2020-09-29 基于改进的ft算法的高光谱图像显著目标检测方法

Publications (2)

Publication Number Publication Date
CN112183633A CN112183633A (zh) 2021-01-05
CN112183633B true CN112183633B (zh) 2023-07-04

Family

ID=73946829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011046341.4A Active CN112183633B (zh) 2020-09-29 2020-09-29 基于改进的ft算法的高光谱图像显著目标检测方法

Country Status (1)

Country Link
CN (1) CN112183633B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591708B (zh) * 2021-07-30 2023-06-23 金陵科技学院 基于星载高光谱图像的气象灾害监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN110414411A (zh) * 2019-07-24 2019-11-05 中国人民解放军战略支援部队航天工程大学 基于视觉显著性的海面船只候选区域检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101537174B1 (ko) * 2013-12-17 2015-07-15 가톨릭대학교 산학협력단 스테레오스코픽 영상에서의 주요 객체 검출 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN110414411A (zh) * 2019-07-24 2019-11-05 中国人民解放军战略支援部队航天工程大学 基于视觉显著性的海面船只候选区域检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Salient point region Local Binary Patterns descriptor for target tracking;Oguzhan Oguz，and etc;《2018 26th Signal Processing and Communications Applications Conference (SIU)》;20180709;第1-4页 *
基于多孔径映射的高光谱异常检测算法;李敏等;《测绘学报》;20161015(第10期);第1222-1230页 *

Also Published As

Publication number Publication date
CN112183633A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN107862667B (zh) 一种基于高分辨率遥感影像的城市阴影检测与去除方法
CN111062931B (zh) 一种被拼接篡改的图像的检测方法
CN111489330B (zh) 基于多源信息融合的弱小目标检测方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
WO2011074014A2 (en) A system for lip corner detection using vision based approach
CN107545550B (zh) 细胞图像偏色校正方法
CN105678245A (zh) 一种基于哈尔特征的靶位识别方法
CN112906550A (zh) 一种基于分水岭变换的静态手势识别方法
CN112183633B (zh) 基于改进的ft算法的高光谱图像显著目标检测方法
CN115100240A (zh) 视频中的物体追踪方法及装置、电子设备、存储介质
CN113724273B (zh) 一种基于神经网络区域目标分割的边缘光影融合方法
CN110223253A (zh) 一种基于图像增强的去雾方法
CN117422631A (zh) 基于自适应滤波分层的红外图像增强方法
CN112070098B (zh) 基于频率调整模型的高光谱图像显著目标检测方法
CN115035281A (zh) 一种快速的红外全景图像拼接方法
CN110348530B (zh) 用于识别口红色号的方法
Thayammal et al. Performance analysis of image denoising using deep convolutional neural network
You et al. Saturation enhancement of blue sky for increasing preference of scenery images
CN111915500A (zh) 一种基于改进Retinex算法的雾天图像增强方法
CN107316037A (zh) 一种基于视觉主体检测的果蔬识别预处理方法
CN108961190A (zh) 一种提升自然光照下机器视觉鲁棒性的图像预处理方法
Hu et al. Shadow elimination based on multiple feature differences and glvq
CN113160073B (zh) 一种滚动深度学习与Retinex理论结合的遥感图像雾霾去除方法
CN111325209A (zh) 一种车牌识别方法和系统

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