CN112329677B - 基于特征融合的遥感图像河道目标检测方法和装置 - Google Patents
基于特征融合的遥感图像河道目标检测方法和装置 Download PDFInfo
- Publication number
- CN112329677B CN112329677B CN202011262327.8A CN202011262327A CN112329677B CN 112329677 B CN112329677 B CN 112329677B CN 202011262327 A CN202011262327 A CN 202011262327A CN 112329677 B CN112329677 B CN 112329677B
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- river channel
- sensing image
- feature fusion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 claims abstract 7
- 230000004044 response Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于特征融合的遥感图像河道目标检测方法、装置和计算机可存储介质，其中方法包括：采集并输入含有河道的遥感图像；利用多尺度对比度提升方法对遥感图像进行增强预处理；对增强预处理后的图像利用剪切波变换得到不同尺度和方向的方差最大剪切波特征图；利用相似度比较法对增强预处理后的图像提取SUSAN边缘特征图；计算剪切波特征图和SUSAN边缘特征图的信息熵，并利用信息熵加权方法得到特征融合图；对特征融合图进行阈值分割和形态学操作得到最终的河道目标检测结果图。本发明提高了遥感图像下河道检测的能力，同时避免了传统河道检测精度不高和虚警率较高的问题。
Description
技术领域
本发明涉及遥感及红外图像处理中的目标检测领域，尤其涉及一种基于特征融合的遥感图像河道目标检测方法、装置和计算机可读存储介质。
背景技术
遥感图像中的目标检测任务是在给定的航空或卫星图片中标记出一个或多个感兴趣的地物目标。河道作为一种重要的地理目标，是遥感检测领域的一个研究热点，在土地监测、船舶导航、水土保持、洪涝灾害预防等方面具有广泛应用。遥感图像中地理目标的种类繁多，空间细节信息丰富，对河道检测存在一定的干扰，使得检测难度增大。目前，现有的遥感河道目标检测文献中，河道检测的主要方法有利于河道边缘信息或者复杂的数学模型来提取河道，计算量大，计算效率低。除此之外，机器学习的方法检测结果准确率严重依赖于前期大量的训练样本以及样本的质量，在样本数有限，遥感图像质量不足的情况下，难以区分河道和其他近似的长条形分布的物体，机器学习方法很难实现较好的检测效果。遥感图像的检测也常使用融合方法，但大部分的融合方法都是将不同的种类的原始数据进行融合，或者将有用的特征信息在决策级上进行融合实现检测。河道具有两条河岸线，通常近似呈两条平行线条分布，在较小区域范围内方向曲率变化不大，河岸线以内区域灰度变化不明显，河流区域与背景区域差异较大，区分较为明显。通常河流区域的灰度相对统一，波动较小，而背景区域灰度比较分散，波动较大。由于河道的条带状分布使得河道的检测具有明显的方向性。而常规的目标边缘检测方法通常没有考虑方向性的要求，使得对河道目标检测时效果不佳。
因此，针对以上不足，需要提供一种满足方向性要求，检测精度高，降低虚警率的遥感图像河道检测的方法。
发明内容
本发明的目的在于：提供一种基于特征融合的遥感图像河道目标检测方法、装置和计算机可读存储介质。
为了解决上述技术问题，本发明第一方面提供了一种基于特征融合的遥感图像河道目标检测方法，该方法包括以下步骤：
S1：采集并输入含有河道的遥感图像；
S2：利用多尺度对比度提升方法对遥感图像进行增强预处理；
S3：对增强预处理后的图像利用剪切波变换得到不同尺度和方向的方差最大剪切波特征图；
S4：利用相似度比较法对增强预处理后的图像提取SUSAN边缘特征图；
S5：计算剪切波特征图和SUSAN边缘特征图的信息熵，并利用信息熵加权方法得到特征融合图；
S6：对特征融合图进行阈值分割和形态学操作得到最终的河道目标检测结果图。
在本发明所述的基于特征融合的遥感图像河道目标检测方法中，优选地，所述步骤S2中，对输入的遥感图像进行多尺度对比度提升，用不同方差和尺寸的高斯函数对输入图像进行滤波处理，计算滤波处理结果的多级差分图，对所述多级差分图加权得到增强预处理后的图像，其中采用的表达式为：
B1＝G1*I，B2＝G2*I，B3＝G3*I
D1＝I-B1，D2＝B1-B2，D3＝B2-B3
D＝(1-w1×sgn(D1))×D1+w2×D2+w3×D3
其中G1、G2、G3为不同方差和尺寸的高斯函数，B1、B2、B3分别为滤波处理结果；D1、D2、D3为多级差分图，D为增强预处理后的图像。
在本发明所述的基于特征融合的遥感图像河道目标检测方法中，优选地，所述步骤S3具体包括以下步骤：
S3.1：采用以下公式对输入的遥感图像进行剪切波变换：
其中是尺度参数，j是表示分解尺度级数，/>为剪切参数，k表示剪切方向的序号，x表示图像的像素值，t表示平移量，Ψ表示剪切波变换，SH表示得到的剪切波特征；
S3.2：选定得到一个低频子图和多个不同尺度和方向下的高频子图；
S3.3：计算各个方向各个尺度下高频子图的方差，选择方差最大的子图作为剪切波的特征图f(x，y)1。
在本发明所述的基于特征融合的遥感图像河道目标检测方法中，优选地，所述步骤S4具体包括如下步骤：
S4.1：在增强预处理后的图像左上角建立一个k×k的窗口，窗口内每个像素点就是图像中在窗口内的图像的像素点；将窗口的中心像素点为中心的圆形模板对其窗口内其他邻域像素点的灰度值依据阈值相似度进行比较，相似度比较函数为：
式子中r0和r分别是窗口内的图像的中心像素点和窗口内的图像中除中心像素点以外的其他像素点的坐标，c(r，r0)为相似比较结果，I为像素点的灰度值，t为灰度相似度分界值；
S4.2：根据相似比较结果，对不同像素点的窗口计算图像中心像素点的相似区大小，计算公式为：
S4.3：根据中心像素点的相似区的大小，计算窗口内的图像中心像素点的边缘响应值通过几何阈值的设定筛选确定有效的边缘响应，计算公式为：
g为几何阈值；
S4.4：确定增强预处理后图像的边缘响应方向，对于引力中心和模板中心不同点时，通过引力中心向量的法向量确定边缘响应方向；若是同一点，找到模板区域内最长的对称方向，使用到的公式如下：
按照从左到右，从上至下的规律通过窗口移动像素点，每次计算图像的边缘响应值和边缘响应方向，得到SUSAN边缘特征图f(x，y)2。
在本发明所述的基于特征融合的遥感图像河道目标检测方法中，优选地，所述步骤S5中利用以下信息熵融合公式计算特征融合图：
其中，Entropy1表示剪切波特征图的信息熵，Entropy2表示SUSAN边缘特征图的信息熵，f(x，y)1表示剪切波特征图，f(x，y)2表示SUSAN边缘特征图，f(x，y)表示将两个特征图融合得到特征融合图。
在本发明所述的基于特征融合的遥感图像河道目标检测方法中，优选地，所述步骤S6具体包括以下步骤：
S6.1：对特征融合图进行阈值二值化处理；
S6.2：依据河道形状的特点，设置长条型结构元素对分割后的图像进行形态学操作消除干扰点和干扰区域，填充连通区域和消除孔洞，得到河道目标检测结果图。
本发明第二方面，提供了一种执行基于特征融合的遥感图像河道目标检测方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如前任一项所述的方法。
本发明第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如前任一项所述的方法。
实施本发明的基于特征融合的遥感图像河道目标检测方法、装置和计算机可读存储介质，具有以下有益效果：
1、本发明在小波变换域利用遥感河道图像的剪切波变换特征，并融合了河道图像的SUSAN边缘特征，基于信息熵的特征融合方法，能够有效增强河道特征信息，压制背景和噪声对检测的影响，能够实现有效特征融合降低河道检测虚警率，提高了对遥感河道图像检测的准确率。
2、本发明充分考虑了河道目标的形状特点，选用剪切波方向性较强的特征图和利用形态学条型结构元素来对河道目标进行特征提取和检测，能够较好的提取河道目标区域和减少背景噪声的干扰，提升了对河道目标的检测能力；
3、本发明相较于很多算法，易于实现，检测效果准确，计算步骤少，检测效率高，能够准确、高效、鲁棒地检测遥感图像的河道目标。
附图说明
图1为根据本发明优选实施例的基于特征融合的遥感图像河道目标检测方法的流程图；
图2a和图2b分别为本发明中输入的遥感图像以及增强预处理后的图像；
图3a是提取增强预处理后得到的第一尺度下不同方向的特征图像，图3b是提取增强预处理后得到的第二尺度下同方向的特征图像；图3c是方差最大的剪切波特征图；
图4为发明中提取的SUSAN边缘特征图；
图5为发明中基于信息熵的特征融合图；
图6为发明中最终的河道目标检测结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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，为根据本发明优选实施例的基于特征融合的遥感图像河道目标检测方法的流程图。如图1所示，该实施例提供基于特征融合的遥感图像河道目标检测方法包括以下步骤：
S1：采集并输入含有河道的遥感图像，如图2a所示。
S2：利用多尺度对比度提升方法对遥感图像进行增强预处理。
优选地，该步骤S2中，对输入的遥感图像进行多尺度对比度提升，用不同方差和尺寸的高斯函数对输入图像进行滤波处理，计算滤波处理结果的多级差分图，按照一定的权值对多级差分图加权得到增强预处理后的图像，其中采用的表达式为：
B1＝G1*I，B2＝G2*I，B3＝G3*I
D1＝I-B1，D2＝B1-B2，D3＝B2-B3
得到对比度增强后的图像为：
D＝(1-w1×sgn(D1))×D1+w2×D2+w3×D3
其中G1、G2、G3为不同方差和尺寸的高斯函数，B1、B2、B3分别为滤波处理结果；D1、D2、D3为多级差分图，D为增强预处理后的图像，如图2b所示。
S3：对增强预处理后的图像利用剪切波变换得到不同尺度和方向的方差最大剪切波特征图。
优选地，该步骤S3具体包括以下步骤：
S3.1：采用以下公式对输入的遥感图像进行剪切波变换：
其中是尺度参数，j是表示分解尺度级数，/>为剪切参数，k表示剪切方向的序号，x表示图像的像素值，t表示平移量，Ψ表示剪切波变换，SH表示得到的剪切波特征；
S3.2：选定得到一个低频子图和多个不同尺度和方向下的高频子图；低频子图对应j较小的子图。例如，高频的最大尺度设置为3，即j＝3，对应于分解尺度0至3的图像层个数分别为4，8，16，32；j＝0即对应低频子图。如图3a和3b为本发明中提取预处理后得到不同尺度不同方向的剪切波特征，其中图3a是第一尺度下不同方向的特征图像，图3b是第二尺度下同方向的特征图像。
S3.3：计算各个方向各个尺度下高频子图的方差，选择方差最大的子图作为剪切波的特征图f(x，y)1。如图3c是方差最大的剪切波特征图。
S4：利用相似度比较法对增强预处理后的图像提取SUSAN(Smallest UnivalueSegment Assimilating Nucleus，最小核值相似区)边缘特征图。
优选地，该步骤S4具体包括如下步骤：
S4.1：在增强预处理后的图像左上角建立一个k×k的窗口，窗口内每个像素点就是图像中在窗口内的图像的像素点；将窗口的中心像素点为中心的圆形模板对其窗口内其他邻域像素点的灰度值依据阈值相似度进行比较，相似度比较函数为：
式子中r0和r分别是窗口内的图像的中心像素点和窗口内的图像中除中心像素点以外的其他像素点的坐标，c(r，r0)为相似比较结果，I为像素点的灰度值，t为灰度相似度分界值；
S4.2：根据相似比较结果，对不同像素点的窗口计算图像中心像素点的相似区大小，计算公式为：
S4.3：根据中心像素点的相似区的大小，计算窗口内的图像中心像素点的边缘响应值通过几何阈值的设定筛选确定有效的边缘响应，计算公式为：
g为几何阈值；
S4.4：确定增强预处理后图像的边缘响应方向，对于引力中心和模板中心不同点时，通过引力中心向量的法向量确定边缘响应方向；若是同一点，找到模板区域内最长的对称方向，使用到的公式如下：
按照从左到右，从上至下的规律通过窗口移动像素点，每次计算图像的边缘响应值和边缘响应方向，得到SUSAN边缘特征图f(x，y)2，如图4所示。
S5：计算剪切波特征图和SUSAN边缘特征图的信息熵，并利用信息熵加权方法得到特征融合图。
优选地，该步骤S5中分别计算剪切波特征图和SUSAN边缘特征图的信息熵，再利用以下信息熵融合公式计算特征融合图：
其中，Entropy1表示剪切波特征图的信息熵，Entropy2表示SUSAN边缘特征图的信息熵，f(x，y)1表示剪切波特征图，f(x，y)2表示SUSAN边缘特征图；f(x，y)表示将两个特征图融合得到特征融合图，如图5所示。
S6：设置合适的结构元素对特征融合图进行阈值分割和形态学操作得到最终的河道目标检测结果图。
优选地，该步骤S6具体包括以下步骤：
S6.1：利用OTSU(大津)法对特征融合图进行阈值二值化处理；
S6.2：依据河道形状的特点，设置长条型结构元素对分割后的图像进行形态学操作消除干扰点和干扰区域，填充连通区域和消除孔洞，得到河道目标检测结果图，如图6所示。
本发明实施例还提供了一种执行基于特征融合的遥感图像河道目标检测方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于特征融合的遥感图像河道目标检测方法。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于特征融合的遥感图像河道目标检测方法。
综上所述，本发明利用剪切波特征图和SUSAN边缘特征图的信息熵的融合提高了遥感图像下河道检测的能力；同时避免了传统河道检测精度不高和虚警率较高的问题，从而提高了河道目标检测的性能。
应该理解地是，本发明中基于特征融合的遥感图像河道目标检测方法及装置的原理相同，因此对基于特征融合的遥感图像河道目标检测方法的实施例的详细阐述也适用于基于特征融合的遥感图像河道目标检测装置。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于特征融合的遥感图像河道目标检测方法，其特征在于，该方法包括以下步骤：
S1：采集并输入含有河道的遥感图像；
S2：利用多尺度对比度提升方法对遥感图像进行增强预处理；
S3：对增强预处理后的图像利用剪切波变换得到不同尺度和方向的方差最大剪切波特征图；
S4：利用相似度比较法对增强预处理后的图像提取SUSAN边缘特征图；
S5：计算剪切波特征图和SUSAN边缘特征图的信息熵，并利用信息熵加权方法得到特征融合图；
S6：对特征融合图进行阈值分割和形态学操作得到最终的河道目标检测结果图；
所述步骤S2中，对输入的遥感图像进行多尺度对比度提升，用不同方差和尺寸的高斯函数对输入图像进行滤波处理，计算滤波处理结果的多级差分图，对所述多级差分图加权得到增强预处理后的图像，其中采用的表达式为：
B1＝G1*I，B2＝G2*I，B3＝G3*I
D1＝I-B1，D2＝B1-B2，D3＝B2-B3
D＝(1-w1×sgn(D1))×D1+w2×D2+w3×D3
其中G1、G2、G3为不同方差和尺寸的高斯函数，B1、B2、B3分别为滤波处理结果；D1、D2、D3为多级差分图，D为增强预处理后的图像。
2.根据权利要求1所述的基于特征融合的遥感图像河道目标检测方法，其特征在于，所述步骤S3具体包括以下步骤：
S3.1：采用以下公式对输入的遥感图像进行剪切波变换：
其中是尺度参数，j是表示分解尺度级数，/>为剪切参数，k表示剪切方向的序号，x表示图像的像素值，t表示平移量，Ψ表示剪切波变换，SH表示得到的剪切波特征；
S3.2：选定得到一个低频子图和多个不同尺度和方向下的高频子图；
S3.3：计算各个方向各个尺度下高频子图的方差，选择方差最大的子图作为剪切波的特征图f(x,y)1。
3.根据权利要求1所述的基于特征融合的遥感图像河道目标检测方法，其特征在于，所述步骤S4具体包括如下步骤：
S4.1：在增强预处理后的图像左上角建立一个k×k的窗口，窗口内每个像素点就是图像中在窗口内的图像的像素点；将窗口的中心像素点为中心的圆形模板对其窗口内其他邻域像素点的灰度值依据阈值相似度进行比较，相似度比较函数为：
式子中r0和r分别是窗口内的图像的中心像素点和窗口内的图像中除中心像素点以外的其他像素点的坐标，c(r,r0)为相似比较结果，I为像素点的灰度值，t为灰度相似度分界值；
S4.2：根据相似比较结果，对不同像素点的窗口计算图像中心像素点的相似区大小，计算公式为：
S4.3：根据中心像素点的相似区的大小，计算窗口内的图像中心像素点的边缘响应值通过几何阈值的设定筛选确定有效的边缘响应，计算公式为：
g为几何阈值；
S4.4：确定增强预处理后图像的边缘响应方向，对于引力中心和模板中心不同点时，通过引力中心向量的法向量确定边缘响应方向；若是同一点，找到模板区域内最长的对称方向，使用到的公式如下：
按照从左到右，从上至下的规律通过窗口移动像素点，每次计算图像的边缘响应值和边缘响应方向，得到SUSAN边缘特征图f(x,y)2。
4.根据权利要求1所述的基于特征融合的遥感图像河道目标检测方法，其特征在于，所述步骤S5中利用以下信息熵融合公式计算特征融合图：
其中，Entropy1表示剪切波特征图的信息熵，Entropy2表示SUSAN边缘特征图的信息熵，f(x,y)1表示剪切波特征图，f(x,y)2表示SUSAN边缘特征图，f(x,y)表示将两个特征图融合得到特征融合图。
5.根据权利要求1所述的基于特征融合的遥感图像河道目标检测方法，其特征在于，所述步骤S6具体包括以下步骤：
S6.1：对特征融合图进行阈值二值化处理；
S6.2：依据河道形状的特点，设置长条型结构元素对分割后的图像进行形态学操作消除干扰点和干扰区域，填充连通区域和消除孔洞，得到河道目标检测结果图。
6.一种执行基于特征融合的遥感图像河道目标检测方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，其特征在于，当计算机程序指令被处理器执行时实现如权利要求1～5中任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如权利要求1～5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011262327.8A CN112329677B (zh) | 2020-11-12 | 2020-11-12 | 基于特征融合的遥感图像河道目标检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011262327.8A CN112329677B (zh) | 2020-11-12 | 2020-11-12 | 基于特征融合的遥感图像河道目标检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112329677A CN112329677A (zh) | 2021-02-05 |
| CN112329677B true CN112329677B (zh) | 2024-02-02 |
Family
ID=74318006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011262327.8A Active CN112329677B (zh) | 2020-11-12 | 2020-11-12 | 基于特征融合的遥感图像河道目标检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329677B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113012116A (zh) * | 2021-03-04 | 2021-06-22 | 昆明理工大学 | 一种基于改进的数学形态学的红外图像缺陷边缘检测方法 |
| CN113177456B (zh) * | 2021-04-23 | 2023-04-07 | 西安电子科技大学 | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
| CN102567979A (zh) * | 2012-01-20 | 2012-07-11 | 南京航空航天大学 | 车载红外夜视系统及其多源图像融合方法 |
| CN103247059A (zh) * | 2013-05-27 | 2013-08-14 | 北京师范大学 | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 |
| CN103345757A (zh) * | 2013-07-19 | 2013-10-09 | 武汉大学 | 多层次多特征约束下的光学和sar影像自动配准方法 |
| CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
| CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
| US9245201B1 (en) * | 2013-03-15 | 2016-01-26 | Excelis Inc. | Method and system for automatic registration of images |
| EP3014260A1 (en) * | 2013-06-26 | 2016-05-04 | UCL Business Plc. | Apparatus and method for performing photoacoustic tomography |
| CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及系统 |
| CN109978855A (zh) * | 2019-03-26 | 2019-07-05 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
| CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
| CN110796076A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种高光谱图像河流检测方法 |
-
2020
- 2020-11-12 CN CN202011262327.8A patent/CN112329677B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
| CN102567979A (zh) * | 2012-01-20 | 2012-07-11 | 南京航空航天大学 | 车载红外夜视系统及其多源图像融合方法 |
| US9245201B1 (en) * | 2013-03-15 | 2016-01-26 | Excelis Inc. | Method and system for automatic registration of images |
| CN103247059A (zh) * | 2013-05-27 | 2013-08-14 | 北京师范大学 | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 |
| EP3014260A1 (en) * | 2013-06-26 | 2016-05-04 | UCL Business Plc. | Apparatus and method for performing photoacoustic tomography |
| CN103345757A (zh) * | 2013-07-19 | 2013-10-09 | 武汉大学 | 多层次多特征约束下的光学和sar影像自动配准方法 |
| CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
| CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
| CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及系统 |
| CN109978855A (zh) * | 2019-03-26 | 2019-07-05 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
| CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
| CN110796076A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种高光谱图像河流检测方法 |
Non-Patent Citations (8)
| Title |
|---|
| Fast Corner Detection Using Approximate Form of Second-Order Gaussian Directional Derivative;Tian Gao 等;《IEEE Access》;第08卷;194092-194104 * |
| River detection in high-resolution SAR data using the Frangi filter and shearlet features;Yuhan Liu 等;《Remote Sensing Letters》;第10卷(第10期);949-958 * |
| 图像边缘检测算法研究新进展;张红霞 等;《计算机工程与应用》;第54卷(第14期);11-18 * |
| 基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割;吴诗婳 等;《应用科学学报》;第33卷(第01期);21-31 * |
| 基于SIFT-SUSAN融合的草地障碍物识别算法;邢明 等;《浙江理工大学学报(自然科学版)》;第35卷(第03期);427-432 * |
| 对地观测红外成像虚警源检测方法研究;刘雨菡;《中国博士学位论文全文数据库工程科技Ⅱ辑》(第(2022)01期);C028-9 * |
| 海量微小差异图像群中智能边缘检测方法仿真;李长超;《计算机仿真》;第35卷(第01期);436-440 * |
| 结合无下采样Shearlet变换和改进尺度积的边缘提取;侯小毛 等;《遥感信息》;第33卷(第04期);91-97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112329677A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Water body extraction from very high-resolution remote sensing imagery using deep U-Net and a superpixel-based conditional random field model | |
| CN107301661A (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
| CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
| CN101950364A (zh) | 基于邻域相似度和阈值分割的遥感图像变化检测方法 | |
| CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
| CN112329677B (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
| Yang et al. | Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs | |
| CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
| CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
| Zhang et al. | Superpixel generation for SAR imagery based on fast DBSCAN clustering with edge penalty | |
| CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN104537675B (zh) | 一种sar图像双边cfar舰船目标检测方法 | |
| Sun et al. | River detection algorithm in SAR images based on edge extraction and ridge tracing techniques | |
| CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
| Li et al. | SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image | |
| Lv et al. | Novel automatic approach for land cover change detection by using VHR remote sensing images | |
| CN106815851B (zh) | 一种基于视觉测量的栅格圆形油位计自动读数方法 | |
| Luo et al. | Extraction of bridges over water from IKONOS panchromatic data | |
| Ettabaa et al. | Anomaly detection in hyperspectral imagery: an overview | |
| Su et al. | Change detection in synthetic aperture radar images based on non-local means with ratio similarity measurement | |
| CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
| CN116433596A (zh) | 一种边坡坡面植被覆盖率测量方法、装置及相关组件 | |
| CN115049552A (zh) | 基于结构张量加权局部对比度测量的红外小目标检测方法 | |
| Jia et al. | Incorporating global-local a Priori knowledge into expectation-maximization for SAR image change detection |
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 |