CN112288721A - 一种用于目标检测的马赛克多光谱图像生成方法 - Google Patents
一种用于目标检测的马赛克多光谱图像生成方法 Download PDFInfo
- Publication number
- CN112288721A CN112288721A CN202011181850.8A CN202011181850A CN112288721A CN 112288721 A CN112288721 A CN 112288721A CN 202011181850 A CN202011181850 A CN 202011181850A CN 112288721 A CN112288721 A CN 112288721A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- spectrum
- mosaic
- channel
- 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.)
- Granted
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于目标检测的马赛克多光谱图像生成方法,属于图像处理技术领域。该方法包括以下步骤:采用线扫描方式采集高光谱图像并进行预处理,其中,所述高光谱图像中包括待检测目标;根据预处理后的高光谱图像计算所述待检测目标与背景在每个光谱通道中的光谱相对平均差异度;根据预先设定的光谱平均差异度阈值选取有效光谱通道;从所述有效光谱通道中选出马赛克多光谱图像生成通道,利用选出的所述马赛克多光谱图像生成通道生成马赛克多光谱图像。本发明解决了目前将高光谱图像用于目标检测任务时数据处理量较大及不能有效提取目标检测相关信息的问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于目标检测的马赛克多光谱图像生成方法。
背景技术
高光谱成像技术是一种在一定波段范围内获取探测对象光谱辐射信息的技术手段。高光谱图像不仅可获取目标及背景的空间信息,还可同时获取丰富的光谱信息。利用高光谱图像中目标与背景光谱信息的差异,可大大拓展目标检测能力,为克服基于可见光、红外图像的伪装目标检测算法面临的应用场景受限等问题提供了解决思路。目前高光谱成像多采用线扫描的成像方式,使得单幅图像的数据量较大。因此,将高光谱图像用于目标检测任务时,多需要采用主成分分析等数据降维方法对高光谱图像进行预处理。然而,传统的数据降维方法计算速度较慢,且未能针对目标检测这一后续应用有效地提取相关信息。
发明内容
鉴于上述的分析,本发明旨在提供一种用于目标检测的马赛克多光谱图像生成方法,以解决目前将高光谱图像用于目标检测任务时数据处理量较大及不能有效提取目标检测相关信息的问题。
本发明的目的主要是通过以下技术方案实现的:
本发明提供了一种用于目标检测的马赛克多光谱图像生成方法,包括以下步骤:
采用线扫描方式采集高光谱图像并进行预处理,其中,所述高光谱图像中包括待检测目标;
根据预处理后的高光谱图像计算所述待检测目标与背景在每个光谱通道中的光谱相对平均差异度;根据预先设定的光谱平均差异度阈值选取有效光谱通道;
从所述有效光谱通道中选出马赛克多光谱图像生成通道,利用选出的所述马赛克多光谱图像生成通道生成马赛克多光谱图像。
进一步地,所述采用线扫描方式采集高光谱图像并进行预处理包括:
使用线扫描高光谱相机采集所述高光谱图像;
将采集到的所述高光谱图像统一裁剪为h×w×c的数据立方体,其中,h、w、c分别为图像的高度、宽度及光谱通道数。
进一步地,所述根据预处理后的高光谱图像计算所述待检测目标与背景在每个光谱通道中的光谱相对平均差异度,包括:
从所述预处理后的高光谱图像任选三个光谱通道以便生成RGB伪彩色图;
从所述生成的RGB伪彩色图中选取目标区域,并将所述目标区域中心点作为参考点,选取特定像素长度的目标邻域;
根据所述目标区域参考点的特征光谱值及目标邻域内的像素数计算目标邻域内反射光谱的平均值;
根据所述目标邻域内反射光谱的平均值与所述目标区域参考点的特征光谱值计算得到目标区域与目标邻域内的光谱相对平均差异度;
其中,所述特征光谱值与所述光谱通道一一对应。
进一步地,从所述生成的RGB伪彩色图中选取目标区域包括:采用矩形框框选得到每个目标区域;其中,所述伪彩色图的左上角为原点(0,0),所述矩形框对角线方向的顶点坐标分别为(x1,y1),(x2,y2),中心点坐标为矩形框的长为l=|x1-x2|,宽为w=|y1-y2|,其中坐标单位为像素数。
进一步地,采用矩形环框选所述目标邻域,矩形环内边为目标区域边界,矩形环宽度为预定值。
进一步地,根据所述目标区域参考点的特征光谱值及目标邻域内的像素数计算目标邻域内反射光谱的平均值Itgt的公式如下:
其中,Ik为每个目标区域参考点的特征光谱值,n为目标邻域内的像素数。
进一步地,根据所述目标邻域内反射光谱的平均值与所述目标区域参考点的特征光谱值计算目标区域与目标领域内的光谱相对平均差异度RD的公式如下:
其中,Ik为每个目标区域参考点的特征光谱值,Itgt为目标邻域内反射光谱的平均值,m为矩形环区域内的像素数。
进一步地,根据预先设定的光谱平均差异度阈值选取有效光谱通道包括:
预先设定差异阈值t,当所述光谱相对平均差异度RD高于所述设定的差异阈值t时,选取相应的有效光谱通道。
进一步地,根据所述有效光谱通道生成马赛克多光谱图像包括:
根据所需生成的马赛克多光谱图像从所述有效光谱通道中进一步选取生成图像通道,选取原则为随机或特定需求;
使用选取的生成图像通道,采用像元交叉方式在待生成的通道图像中每个像素位置处写入所述有效光谱通道对应位置的光谱值,并根据显示的分辨率调整生成图像的位数,得到马赛克多光谱图像。
进一步地,所需生成的马赛克多光谱图像包括单通道图像和三通道图像,对应选取的通道数分别为n2和3n2,其中,n为目标邻域内的像素数。
本技术方案有益效果如下:本发明公开了一种用于目标检测的马赛克多光谱图像生成方法,该方法利用线扫描高光谱图像中目标与背景的光谱差异,生成马赛克多光谱图像,有效凸显目标(特别是伪装目标)从而提高基于高光谱图像的目标检测的检测速度与准确率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例的一种用于目标检测的马赛克多光谱图像生成方法流程图;
图2为本发明实施例的高光谱图像示意图;
图3为本发明实施例的高光谱图像中目标和背景的光谱曲线图;
图4为本发明实施例的马赛克多光谱图像的像素单元示意图;
图5为本发明实施例的包含伪装目标的马赛克多光谱图像及对应的可见光图像。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种用于目标检测的马赛克多光谱图像生成方法,包括以下步骤:
采用线扫描方式采集高光谱图像并进行预处理,其中,所述高光谱图像中包括待检测目标;
根据预处理后的高光谱图像计算所述待检测目标与背景在每个光谱通道中的光谱相对平均差异度;根据预先设定的光谱平均差异度阈值选取有效光谱通道;
从所述有效光谱通道中选出马赛克多光谱图像生成通道,利用选出的所述马赛克多光谱图像生成通道生成马赛克多光谱图像。
也即,如图1所示,本发明实施例主要包括如下步骤:
a.线扫描高光谱图像的采集与预处理。
b.计算目标与背景的光谱相对平均差异度。
c.根据设定的阈值,选取有效光谱通道。
d.生成马赛克多光谱图像。
与现有技术相比,本发明实施例同时利用高光谱图像的光谱维和空间维信息,有效凸显目标,提高后续目标检测的准确性,在处理大量高光谱体数据时,在提前分析选取有效通道后,与PCA等传统降维方法相比,在计算速度方面大幅提升,且其方法设计简洁,可根据不同应用场景选择光谱,具有较好的鲁棒性和通用性。
本发明的一个具体实施例,所述采用线扫描方式采集高光谱图像并进行预处理包括:
使用线扫描高光谱相机采集所述高光谱图像;所述高光谱图像中包含待检测目标;
将采集到的所述高光谱图像统一裁剪为h×w×c的数据立方体,其中,h、w、c分别为图像的高度、宽度及光谱通道数。
具体举例来说,所述线扫描高光谱图像的采集与预处理具体包括a1至a2共2个步骤。
a1.图像的采集:使用线扫描高光谱相机采集高光谱图像,高光谱图像中包含待检测的伪装目标。参见图2所示的高光谱图像所示意图。
a2.图像预处理:高光谱图像的维度统一裁剪为960×1150×176,即包含176个光谱通道。
本发明的一个具体实施例,所述根据预处理后的高光谱图像计算目标与背景在每个光谱通道中的光谱相对平均差异度,包括:
从所述预处理后的高光谱图像任选三个光谱通道以便生成RGB伪彩色图;
从所述生成的RGB伪彩色图中选取目标区域,并将所述目标区域中心点作为参考点,选取特定像素长度的目标邻域;
根据所述目标区域参考点的特征光谱值及目标邻域内的像素数计算目标邻域内反射光谱的平均值;
根据所述目标邻域内反射光谱的平均值与所述目标区域参考点的特征光谱值计算得到目标区域与目标邻域内的光谱相对平均差异度;
其中,所述特征光谱值与所述光谱通道一一对应。
本发明的一个具体实施例,从所述生成的RGB伪彩色图中选取目标区域包括:采用矩形框框选得到每个目标区域;其中,所述伪彩色图的左上角为原点(0,0),所述矩形框对角线方向的顶点坐标分别为(x1,y1),(x2,y2),中心点坐标为矩形框的长为l=|x1-x2|,宽为w=|y1-y2|,其中坐标单位为像素数。
本发明的一个具体实施例,采用矩形环框选所述目标邻域,矩形环内边为目标区域边界,矩形环宽度为预定值。需要说明的是,矩形环宽度是像素数,为了取目标周围背景的光谱值,其大小可人为预先指定。
本发明的一个具体实施例,根据所述目标区域参考点的特征光谱值及目标邻域内的像素数计算目标邻域内反射光谱的平均值Itgt的公式如下:
其中,Ik为每个目标区域参考点的特征光谱值,n为目标邻域内的像素数。
本发明的一个具体实施例,根据所述目标邻域内反射光谱的平均值与所述目标区域参考点的特征光谱值计算目标区域与目标领域内的光谱相对平均差异度RD的公式如下:
其中,Ik为每个目标区域参考点的特征光谱值,Itgt为目标邻域内反射光谱的平均值,m为矩形环区域内的像素数。
具体地,步骤b中所述计算目标与背景的光谱差异度,包括b1至b4共4个步骤:
b1.在高光谱图像中,选取三个光谱通道,生成RGB伪彩色图。
b2.选取目标及邻近背景所在区域。在伪彩色图中,用矩形框框选每个目标区域,任一矩形框对角线方向上的顶点坐标分别为(x1,y1),(x2,y2),中心点坐标为位则矩形框的长l=|x1-x2|,宽w=|y1-y2|,其中坐标单位为像素数,以伪彩色图的左上角为原点(0,0)。目标邻近背景区域用矩形环框选,矩形环内边为目标矩形框,矩形环像素宽度为d=2。
b3.计算目标区域参考点的平均光谱值。在高光谱图像的每个光谱通道中,以目标区域中心点为参考点,选取像素长度为r=2的邻域,计算该邻域内反射光谱的平均值以此表征目标参考点的特征光谱值,其中n为邻域内的像素数。
按照如上步骤,针对采集的一幅高光谱图像,可得到目标参考点特征光谱曲线和相对平均差异曲线,如图3所示。
本发明的一个具体实施例,根据预先设定的光谱平均差异度阈值选取有效光谱通道包括:
预先设定差异阈值t,当所述光谱相对平均差异度RD高于所述设定的差异阈值t时,选取相应的有效光谱通道。
具体地,所述根据设定的阈值选取有效光谱通道具体包括:设定平均相对差异阈值t=1,根据上述步骤b计算得到的相对平均差异度RD,选取RD高于t对应的光谱通道。
本发明的一个具体实施例,根据所述有效光谱通道生成马赛克多光谱图像包括:
根据所需生成的马赛克多光谱图像从所述有效光谱通道中进一步选取生成图像通道,选取原则为随机或特定需求;
使用选取的生成图像通道,采用像元交叉方式在待生成的通道图像中每个像素位置处写入所述有效光谱通道对应位置的光谱值,并根据显示的分辨率调整生成图像的位数,得到马赛克多光谱图像。
本发明的一个具体实施例,所需生成的马赛克多光谱图像包括单通道图像和三通道图像,对应选取的通道数分别为n2和3n2,其中,n为目标邻域内的像素数。
具体地,所述生成马赛克多光谱图像包括步骤d1和d2:
d1.从步骤c选取的有效光谱通道中,进一步选取生成马赛克图像所需通道。生成的马赛克图像可分为单通道图像(灰度图)和三通道图像(伪彩色图),对应选取的通道数分别为n2和3n2。例如,当n=3时,为生成单通道马赛克图,从有效光谱通道选取9个通道(光谱通道编号为[90,95,100,105,110,115,120,125,130])。如,当n=2时,为生成三通道马赛克图,从有效光谱通道选取12个通道(光谱通道编号为[90,95,100,103,105,108,110,112,115,120,125,130])。
d2.生成马赛克图像。使用选出的通道,按像元交叉的方式,在待生成的单(三)通道图像中的每个像素位置处,写入原高光谱图像中所选通道对应位置的反射光谱值,一张4×4马赛克多光谱图像的像素单元如图4所示。调整生成图像为16位图,最终得到马赛克多光谱图像,如图5所示。可以看出,在可见光图像中,方框处的伪装目标难以识别;而在生成的马赛克多光谱图像中,伪装目标容易被检测识别。
综上所述,本发明公开了一种用于目标检测的马赛克多光谱图像生成方法,包括以下步骤:采用线扫描方式采集高光谱图像并进行预处理,其中,所述高光谱图像中包括待检测目标;根据预处理后的高光谱图像计算所述待检测目标与背景在每个光谱通道中的光谱相对平均差异度;根据预先设定的光谱平均差异度阈值选取有效光谱通道;从所述有效光谱通道中选出马赛克多光谱图像生成通道,利用选出的所述马赛克多光谱图像生成通道生成马赛克多光谱图像。本发明技术方案同时利用高光谱图像的光谱维和空间维信息,有效凸显目标,提高后续目标检测的准确性,处理大量高光谱体数据时,在提前分析选取好有效通道后,与PCA等传统降维方法相比,在计算速度方面大幅提升,计算时间约节省80%,有助于提高高光谱目标检测的实时性。此外,本发明涉及的方法设计简洁,可根据不同的目标检测应用场景选择光谱,具有较好的通用性;选择多个有效光谱生成的马赛克图像,在目标检测方面具有较好的鲁棒性。
本领域技术人员可以理解,实现上述实施例中方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于目标检测的马赛克多光谱图像生成方法,其特征在于,包括以下步骤:
采用线扫描方式采集高光谱图像并进行预处理,其中,所述高光谱图像中包括待检测目标;
根据预处理后的高光谱图像计算所述待检测目标与背景在每个光谱通道中的光谱相对平均差异度;
根据预先设定的光谱平均差异度阈值选取有效光谱通道;
从所述有效光谱通道中选出马赛克多光谱图像生成通道,利用选出的所述马赛克多光谱图像生成通道生成马赛克多光谱图像。
2.根据权利要求1所述的方法,其特征在于,所述采用线扫描方式采集高光谱图像并进行预处理包括:
使用线扫描高光谱相机采集所述高光谱图像;
将采集到的所述高光谱图像统一裁剪为h×w×c的数据立方体,其中,h、w、c分别为图像的高度、宽度及光谱通道数。
3.根据权利要求1所述的方法,其特征在于,所述根据预处理后的高光谱图像计算所述待检测目标与背景在每个光谱通道中的光谱相对平均差异度,包括:
从所述预处理后的高光谱图像任选三个光谱通道以生成RGB伪彩色图;
从所述生成的RGB伪彩色图中选取目标区域,并将所述目标区域中心点作为参考点,选取特定像素长度的目标邻域;
根据所述目标区域参考点的特征光谱值及目标邻域内的像素数计算目标邻域内反射光谱的平均值;
根据所述目标邻域内反射光谱的平均值与所述目标区域参考点的特征光谱值计算得到目标区域与目标邻域内的光谱相对平均差异度;
其中,所述特征光谱值与所述光谱通道一一对应。
5.根据权利要求3或4所述的方法,其特征在于,采用矩形环框选所述目标邻域,矩形环内边为目标区域边界,矩形环宽度为预定值。
8.根据权利要求1所述的方法,其特征在于,根据预先设定的光谱平均差异度阈值选取有效光谱通道包括:
预先设定差异阈值t,当所述光谱相对平均差异度RD高于所述设定的差异阈值t时,选取相应的有效光谱通道。
9.根据权利要求1所述的方法,其特征在于,根据所述有效光谱通道生成马赛克多光谱图像包括:
根据所需生成的马赛克多光谱图像从所述有效光谱通道中进一步选取生成图像通道,选取原则为随机或特定需求;
使用选取的生成图像通道,采用像元交叉方式在待生成的通道图像中每个像素位置处写入所述有效光谱通道对应位置的光谱值,并根据显示的分辨率调整生成图像的位数,得到马赛克多光谱图像。
10.根据权利要求9所述的方法,其特征在于,所需生成的马赛克多光谱图像包括单通道图像和三通道图像,对应选取的通道数分别为n2和3n2,其中,n为目标邻域内的像素数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011181850.8A CN112288721B (zh) | 2020-10-29 | 2020-10-29 | 一种用于目标检测的马赛克多光谱图像生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011181850.8A CN112288721B (zh) | 2020-10-29 | 2020-10-29 | 一种用于目标检测的马赛克多光谱图像生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288721A true CN112288721A (zh) | 2021-01-29 |
CN112288721B CN112288721B (zh) | 2022-03-01 |
Family
ID=74353600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011181850.8A Active CN112288721B (zh) | 2020-10-29 | 2020-10-29 | 一种用于目标检测的马赛克多光谱图像生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288721B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7298869B1 (en) * | 2003-07-21 | 2007-11-20 | Abernathy Donald A | Multispectral data acquisition system and method |
US20080123097A1 (en) * | 2004-10-25 | 2008-05-29 | Hamed Hamid Muhammed | System for Multi- and Hyperspectral Imaging |
CN102138329A (zh) * | 2009-07-07 | 2011-07-27 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
CN103390272A (zh) * | 2013-07-16 | 2013-11-13 | 西安应用光学研究所 | 实现多光谱伪彩色图像的配准融合方法 |
CN103927741A (zh) * | 2014-03-18 | 2014-07-16 | 中国电子科技集团公司第十研究所 | 增强目标特征的sar图像合成方法 |
CN104063897A (zh) * | 2014-06-28 | 2014-09-24 | 南京理工大学 | 基于图稀疏正则化的卫星高光谱图像压缩感知重建方法 |
CN105389834A (zh) * | 2015-12-24 | 2016-03-09 | 无锡市星迪仪器有限公司 | 特定光谱条件下的纹理检测方法 |
CN107851179A (zh) * | 2015-07-07 | 2018-03-27 | 威拓股份有限公司 | 用于转换光谱图像的方法和系统 |
CN108419061A (zh) * | 2017-02-10 | 2018-08-17 | 杭州海康威视数字技术股份有限公司 | 基于多光谱的图像融合设备、方法及图像传感器 |
CN108460342A (zh) * | 2018-02-05 | 2018-08-28 | 西安电子科技大学 | 基于卷积网和循环神经网络的高光谱图像分类方法 |
CN108896499A (zh) * | 2018-05-09 | 2018-11-27 | 西安建筑科技大学 | 结合主成分分析与正则化多项式的光谱反射率重建方法 |
CN111368712A (zh) * | 2020-03-02 | 2020-07-03 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的高光谱图像伪装目标检测方法 |
CN111507939A (zh) * | 2020-03-12 | 2020-08-07 | 深圳大学 | 一种水果外部缺陷类型的检测方法、装置和终端 |
-
2020
- 2020-10-29 CN CN202011181850.8A patent/CN112288721B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7298869B1 (en) * | 2003-07-21 | 2007-11-20 | Abernathy Donald A | Multispectral data acquisition system and method |
US20080123097A1 (en) * | 2004-10-25 | 2008-05-29 | Hamed Hamid Muhammed | System for Multi- and Hyperspectral Imaging |
CN102138329A (zh) * | 2009-07-07 | 2011-07-27 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
CN103390272A (zh) * | 2013-07-16 | 2013-11-13 | 西安应用光学研究所 | 实现多光谱伪彩色图像的配准融合方法 |
CN103927741A (zh) * | 2014-03-18 | 2014-07-16 | 中国电子科技集团公司第十研究所 | 增强目标特征的sar图像合成方法 |
CN104063897A (zh) * | 2014-06-28 | 2014-09-24 | 南京理工大学 | 基于图稀疏正则化的卫星高光谱图像压缩感知重建方法 |
CN107851179A (zh) * | 2015-07-07 | 2018-03-27 | 威拓股份有限公司 | 用于转换光谱图像的方法和系统 |
CN105389834A (zh) * | 2015-12-24 | 2016-03-09 | 无锡市星迪仪器有限公司 | 特定光谱条件下的纹理检测方法 |
CN108419061A (zh) * | 2017-02-10 | 2018-08-17 | 杭州海康威视数字技术股份有限公司 | 基于多光谱的图像融合设备、方法及图像传感器 |
CN108460342A (zh) * | 2018-02-05 | 2018-08-28 | 西安电子科技大学 | 基于卷积网和循环神经网络的高光谱图像分类方法 |
CN108896499A (zh) * | 2018-05-09 | 2018-11-27 | 西安建筑科技大学 | 结合主成分分析与正则化多项式的光谱反射率重建方法 |
CN111368712A (zh) * | 2020-03-02 | 2020-07-03 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的高光谱图像伪装目标检测方法 |
CN111507939A (zh) * | 2020-03-12 | 2020-08-07 | 深圳大学 | 一种水果外部缺陷类型的检测方法、装置和终端 |
Non-Patent Citations (4)
Title |
---|
K. CHAO等: "HIGH THROUGHPUT SPECTRAL IMAGING SYSTEM FOR WHOLESOMENESS INSPECTION OF CHICKEN", 《APPLIED ENGINEERING IN AGRICULTURE》 * |
RACHAEL TOBIN等: "Comparative study of sampling strategies for sparse photon multispectral lidar imaging: towards mosaic filter arrays", 《JOURNAL OF OPTICS》 * |
欧阳永昇: "基于测地Voronoi图的马赛克图像生成方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
韩佳彤: "镀膜式视频光谱成像仪图像预处理算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112288721B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8422788B2 (en) | Automatic image straightening | |
US8254643B2 (en) | Image processing method and device for object recognition | |
US10096091B2 (en) | Image generating method and apparatus | |
JP4479756B2 (ja) | 画像処理装置及び画像処理方法、並びにコンピュータ・プログラム | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
US9870600B2 (en) | Raw sensor image and video de-hazing and atmospheric light analysis methods and systems | |
Javed et al. | Real-time document localization in natural images by recursive application of a cnn | |
CN105339951A (zh) | 用于检测文档边界的方法 | |
EP2466901B1 (en) | Depth data upsampling | |
CN111353961B (zh) | 一种文档曲面校正方法及装置 | |
CN112200019B (zh) | 一种快速建筑夜景照明灯光故障检测方法 | |
WO2018147059A1 (ja) | 画像処理装置、および画像処理方法、並びにプログラム | |
CN112424821B (zh) | 基于由旋转成像器捕获的图像的全景图像构建 | |
US8306335B2 (en) | Method of analyzing digital document images | |
KR101699014B1 (ko) | 스테레오 카메라를 이용한 객체 검출 방법 및 장치 | |
US9392146B2 (en) | Apparatus and method for extracting object | |
CN112288721B (zh) | 一种用于目标检测的马赛克多光谱图像生成方法 | |
Zhang et al. | Nonlocal edge-directed interpolation | |
CN117456376A (zh) | 一种基于深度学习的遥感卫星影像目标检测方法 | |
US11810266B2 (en) | Pattern radius adjustment for keypoint descriptor generation | |
JP6276504B2 (ja) | 画像検出装置及び制御プログラム並びに画像検出方法 | |
CN112241935B (zh) | 图像处理方法、装置及设备、存储介质 | |
Çetin | Real-ESRGAN: A deep learning approach for general image restoration and its application to aerial images | |
US20180315164A1 (en) | Patch warper circuit for image processing | |
Shao et al. | Digital Image Aesthetic Composition Optimization Based on Perspective Tilt Correction |
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 |