CN112749620B - 一种目标检测方法、装置及可读存储介质 - Google Patents
一种目标检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112749620B CN112749620B CN202011341569.6A CN202011341569A CN112749620B CN 112749620 B CN112749620 B CN 112749620B CN 202011341569 A CN202011341569 A CN 202011341569A CN 112749620 B CN112749620 B CN 112749620B
- Authority
- CN
- China
- Prior art keywords
- scene
- original image
- target
- scene complexity
- target information
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测方法、装置及可读存储介质,其中方法包括:根据原始图像的场景评估指标确定场景复杂度级别;提取所述原始图像中的目标信息;将所述目标信息与所述场景复杂度级别进行关联,实现目标检测。本发明实施例通过将检测的目标信息与对应的场景复杂度级别进行关联,实现了自适应调整检测率和虚警率的效果。
Description
技术领域
本发明涉及红外成像技术领域,尤其涉及一种目标检测方法、装置及可 读存储介质。
背景技术
红外成像系统以其被动成像机理的独特优势,广泛应用于安全监控等各 领域。红外成像的原理是经过大气传输、光学成像、信号处理等过程,通过 热辐射对场景进行成像。红外图像可以用于完成某些特定任务,包括弱小目 标检测、目标跟踪、数据融合等图像处理算法。当前对红外图像缺乏一套完 备的分析方式,场景的复杂度对于算法的适应性具有较大的限制,,不同的场 景类型(背景复杂度)对红外目标探测系统的性能影响很大,而目前缺乏一种对 于场景复杂度进行有效分析的手段。
在实际应用环境中,光电设备的探测场景瞬息多变,经常需要应对及其 恶劣的环境条件,比如,平缓的云层区域、卷云区域、城市背景、山脉、田 地等复杂背景。同时,由于成像距离远,探测器所获得的红外图像信噪比低、 对比度差,目标尺寸小,缺乏形状、纹理等信息,进一步增加了目标检测和 跟踪的难度。在复杂多变的环境中,红外目标探测系统发挥作用的关键在于 信号处理算法的性能。经过长期的研究和实验,目前的红外目标探测算法虽 然可以实现远距探测,但是因系统噪声、背景干扰、天气条件恶劣等因素引 起的虚警率过高的问题,是光电系统发挥重要作用的最大阻碍。
发明内容
本发明实施例提供一种目标检测方法、装置及可读存储介质,用以实现 将检测的目标信息与对应的场景复杂度级别进行关联,实现自适应调整检测 率和虚警率的效果。
第一方面,本发明实施例提供一种目标检测方法,包括:
根据场景评估指标确定原始图像的场景复杂度级别;
提取所述原始图像中的目标信息;
将所述目标信息与所述场景复杂度级别进行关联,实现目标检测。
可选的,根据场景评估指标确定原始图像的场景复杂度级别,包括:
根据所述原始图像计算不同的场景评估指标;
对不同的所述场景评估指标进行归一化处理,以获得场景复杂度权重;
根据所述场景复杂度权重与预设复杂度分级标准进行比对,确定所述原 始图像的场景复杂度级别。
可选的,所述场景评估指标至少包括如下之一:信息熵、反差分矩阵、 边缘比率、归一化能量差和局部灰度分布似然比。
可选的,提取所述原始图像中的目标信息之前,所述方法还包括:
利用Top-hat算子对所述原始图像进行预处理;
利用Robinson-guard滤波器对预处理之后的所述原始图像进行背景抑制;
通过恒虚警方法对目标进行分割。
可选的,提取所述原始图像中的目标信息,包括:
利用非极大值抑制提取噪声点去除后的所述原始图像中的目标信息。
可选的,提取所述原始图像中的目标信息,还包括:
根据预设像素阈值确定所述目标信息对应的目标规格。
可选的,将所述目标信息与所述场景复杂度级别进行关联,包括:
根据所述场景复杂度级别确定关联参数;
对不同的所述目标规格利用对应的关联参数进行数据关联;
其中所述关联参数至少包括如下之一:
出现次数、方位俯仰角、目标大小和目标灰度。
第二方面,本发明实施例提供一种目标检测装置,包括:
图像处理模块,用于根据场景评估指标确定原始图像的场景复杂度级别;
数据提取模块,用于提取所述原始图像中的目标信息;
关联模块,用于将所述目标信息与所述场景复杂度级别进行关联,实现 目标检测。
第三方面,本发明实施例提供一种计算机可读存储介质,所述计算机可 读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现前述 的目标检测方法的步骤。
本发明实施例通过将检测的目标信息与对应的场景复杂度级别进行关 联,实现了自适应调整检测率和虚警率的效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技 术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它 目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本 领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的, 而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示 相同的部件。在附图中:
图1为本发明第一实施例流程图;
图2为本发明第一实施例场景复杂度级别确定流程示意图;
图3为本发明第一实施例背景抑制流程;
图4为本发明第一实施例总流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示 了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不 应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地 理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
本发明第一实施例提供一种目标检测方法,如图1所示,包括:
S101、根据原始图像的场景评估指标确定场景复杂度级别;
S102、提取所述原始图像中的目标信息;
S103、将所述目标信息与所述场景复杂度级别进行关联,实现目标检测。
具体的说,本实施例中,可以首先获取输入的红外图像,将红外图像作 为原始图像,根据场景评估指标确定原始图像的场景复杂度级别。然后提取 所述原始图像中的目标信息,由此可以获得潜在的目标信息。进一步将目标 信息与场景复杂度级别进行关联,由此实现目标检测。从而实现自适应调整 检测率和虚警率的效果。
可选的,根据原始图像的场景评估指标确定场景复杂度级别,包括:
根据所述原始图像计算不同的场景评估指标;
对不同的所述场景评估指标进行归一化处理,以获得场景复杂度权重;
根据所述场景复杂度权重与预设复杂度分级标准进行比对,确定所述原 始图像的场景复杂度级别。
具体的说,场景的复杂程度跟人眼视觉感知有一定关系,目前的研究中 场景复杂度评价多使用像素亮度和边缘纹理作为评价指标。对于光电系统采 集到的实际红外图像,通常存在对比度低、纹理模糊、噪声干扰等问题,仅 考虑亮度信息或边缘信息作为评价场景复杂度的依据易出现判断不准确的问 题。本实施例中,可以选取多个指标作为图像复杂度评价依据然后建立类似 sigmoid函数的图像复杂度评价函数将场景复杂度标准化。
本实例中提出的场景评估指标与相应计算得到的复杂度可以反映出红外 图像的复杂程度,可以用来对图像的复杂度进行定性描述和定量分析。由于 各指标的计算受到噪声以及预处理的影响,才使得各指标并不完全呈单调变 化,因此本实施例中选取多个指标来降低随机性和综合描述复杂度。
传统方法中通常采用图像的纹理来评价场景复杂度,由于纹理是灰度分 布的一种度量方式,因此灰度的空间分布状况可用纹理来描述,图像的纹理计 算方法有很多种,其中基于灰度共生矩阵提取纹理特征的方法是一个经典的 统计分析方法,是目前公认的一种图像纹理分析方法。图像纹理主要从灰度 共生矩阵着手来统计分析图像的特征,借以描述图像的灰度的空间分布情况 和反应图像的整体复杂度。灰度共生矩阵是像素距离和角度的矩阵函数,它 通过计算图像中一定距离和一定方向的两点灰度之间的相关性,来反映图像 在方向,间隔、变化幅度及快慢上的综合信息。
本实施例中根据弱小目标检测特性,针对性的选取相应指标来评价图像 场景的复杂度。鉴于复杂度描述因子之间会存在一定的相关和冗余,如果采用 过多的因子,则会带来更大的计算量,而且也不利于对复杂度进行准确的描 述。
本实施例中,如图2所示,所选取的场景评估指标至少包括如下之一: 信息熵、反差分矩阵、边缘比率、归一化能量差和局部灰度分布似然比。也 即本实施例中通过对每幅红外原始图像的5个指标分别进行计算。再通过算 出的定量指标,对图像的复杂程度给出级别的判别。
具体的场景评估指标计算过程如下:
指标1:信息熵(Entropy,ENT)
信息熵是描述图像具有的信息量/随机性的度量,表明图像的复杂程度, 复杂度大,熵值也越大。
指标2:反差分矩阵(Inverse Differential Moment,IDM)
反差分矩阵反映了纹理的清晰规则程度,纹理越清晰规则越易于描述,IDM值越大,纹理杂乱无章难于描述的,IDM值越小。
指标3:边缘比率(Edge Ratio,ER)
目标对象的出现情况主要反映图幅中目标个数的多少,目标个数的多少 可以直接反映图像的复杂程度,如果目标个数较多,则该图像一般比较复杂, 反之亦然。图像中对象的出现情况,可以用边缘比率来描述,因为边缘是目 标的显著特征。
其中,Pedge表示图像中边缘像素的个数,M和N分别为图像的行数和列 数。原始图像中目标的边缘表现为图像灰度显著变化的地方,可以由差分算 法来求得,本实施例中可以通过边缘检测算子即可求出图像中边缘像素的个 数。图像中对应目标边缘的多少可以直接用来反映图像中目标物的多少及其 复杂程度,因此可以用来描述图像的复杂程度。
指标4:归一化能量差(Normalized Energy Difference,NDE)
用于比较两帧图像间灰度能量的差异。因为天空背景的灰度值普遍偏高, 因此天空背景的图像往往大于地面背景的图像。
计算方法:
指标5:局部灰度分布似然比(Local Gray Distribution Likelihood Ratio,LGDLR)
局部灰度分布似然比用于比较两帧图像中对应子区的相似性程度。
计算方法:
如图2所示,在计算完成上述场景评估指标之后,对于各类指标进行归 一化处理,对于不同的场景评估指标可以设置不同的权重加权比例,或者可 以针对不同的场景从选取预设数量的场景评估指标并按照权重加权比例进行 计算,由此可以获得对应的原始图像的场景复杂度权重。
然后根据场景复杂度权重与预设复杂度分级标准进行比对,确定所述原 始图像的场景复杂度级别。
本实施例中,如表1所示,可以将场景复杂度分为四个级别来衡量场景 复杂度和调整后续算法参数,分级标准如表1所示,分别是C0(干净),C1 (简单),C2(中等),C3(复杂)。
表1红外图像复杂级别
具体的实现方式可以是根据不同的复杂程度设置不同的比较阈值,由此 根据场景复杂度权重与预设复杂度分级阈值进行比对,确定输入的原始图像 的场景复杂度级别。
可选的,提取所述原始图像中的目标信息之前,所述方法还包括:
利用Top-hat算子对所述原始图像进行预处理;
利用Robinson-guard滤波器对预处理之后的所述原始图像进行背景抑制;
通过恒虚警方法对目标进行分割。
具体的说,在本实施例中,提取所述原始图像中的目标信息之前,进一 步对原始图像进行背景抑制,远距探测过程中,目标在图像上所占像素比较 少,图像数据中除了来自目标的辐射,还有来自探测器的内部噪声及背景杂 波。通过背景抑制算法可以实现背景杂波的抑制和增强目标的效果。背景抑 制是红外小目标检测的预处理技术,其目的是抑制背景杂波和噪声的干扰,同 时有效地保留目标信息。如图3所示,本实施例中,背景抑制包括:利用Top-hat 算子对图像进行预处理,然后用改进的Robinson guard滤波器进一步抑制背 景,凸显目标,最后通过恒虚警方法对目标进行分割。
可选的,提取所述原始图像中的目标信息,包括:
利用非极大值抑制提取噪声点去除后的所述原始图像中的目标信息。
在前述背景抑制的基础上,本实施例中,利用非极大值抑制NMS进行目 标检测,由此获得红外原始图像中的目标信息。
可选的,提取所述原始图像中的目标信息,还包括:
根据预设像素阈值确定所述目标信息对应的目标规格。
具体的说,本实施例中,根据预设像素阈值确定所述目标信息对应的目 标规格,也即可以根据潜在目标的面积大小对大小目标进行一个区分。例如 定义小于9个像素的目标为小目标,超过9个像素的目标为大目标。由于小 目标与干扰特性相似,对于小目标可以根据场景复杂度对其参数进行自适应 实时调整。
可选的,将所述目标信息与所述场景复杂度级别进行关联,包括:
根据所述场景复杂度级别确定关联参数;
对不同的所述目标规格利用对应的关联参数进行数据关联;
其中所述关联参数至少包括如下之一:
出现次数、方位俯仰角、目标大小和目标灰度。
本实施例中,如图4所示,将所述目标信息与所述场景复杂度级别进行 关联,也即根据目标的大小规格进行数据关联。具体的可以根据场景复杂度 级别确定关联参数,由此实现根据场景复杂度对关联参数进行自适应实时调 整。
然后将目标信息与场景复杂度级别进行关联,可以对不同的所述目标规 格利用对应的关联参数进行数据关联。其中,关联参数至少包括如下之一: 目标的方出现次数、目标的方位俯仰角变化、目标的目标大小变化和目标灰 度变化等。大目标与小目标使用不同的关联参数,且小目标关联参数随场景 复杂度自适应变化。
综上,本实施例针采用场景分类技术估计当前视场内的背景复杂度,根 据复杂度等级调整后续算法的处理参数,从而可以达到不同场景下,自适应 调整检测率和虚警率的效果:干净背景下,实现低信噪比的远距探测;复杂 背景下,主要实现低虚警探测。在保障远距、高检测率的前提条件下,缓解 天气、复杂背景等带来的虚警率高的问题,同时最大程度的提高算法的通用 性,降低算法的复杂度。
实施例二
本发明第二实施例提供一种目标检测装置,包括:
图像处理模块,用于根据场景评估指标确定原始图像的场景复杂度级别;
数据提取模块,用于提取所述原始图像中的目标信息;
关联模块,用于将所述目标信息与所述场景复杂度级别进行关联,实现 目标检测。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介 质上存储有计算机程序,所述计算机程序被处理器执行时实现前述的目标检 测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在 涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装 置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括 为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下, 由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物 品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器, 空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上 述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的, 本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求 所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种目标检测方法,其特征在于,包括:
根据原始图像的场景评估指标确定场景复杂度级别;
提取所述原始图像中的目标信息;
将所述目标信息与所述场景复杂度级别进行关联,实现目标检测;
根据原始图像的场景评估指标确定场景复杂度级别,包括:
根据所述原始图像计算不同的场景评估指标;
对不同的所述场景评估指标进行归一化处理,以获得场景复杂度权重;
根据所述场景复杂度权重与预设复杂度分级标准进行比对,确定所述原始图像的场景复杂度级别;
所述场景评估指标至少包括:信息熵、反差分矩阵、边缘比率、归一化能量差和局部灰度分布似然比;
提取所述原始图像中的目标信息,还包括:
根据预设像素阈值确定所述目标信息对应的目标规格;
将所述目标信息与所述场景复杂度级别进行关联,包括:
根据所述场景复杂度级别确定关联参数;
对不同的所述目标规格利用对应的关联参数进行数据关联。
2.如权利要求1所述的目标检测方法,其特征在于,提取所述原始图像中的目标信息之前,所述方法还包括:
利用Top-hat算子对所述原始图像进行预处理;
利用Robinson-guard滤波器对预处理之后的所述原始图像进行背景抑制;
通过恒虚警方法对目标进行分割。
3.如权利要求1所述的目标检测方法,其特征在于,提取所述原始图像中的目标信息,包括:
利用非极大值抑制提取噪声点去除后的所述原始图像中的目标信息。
4.如权利要求1所述的目标检测方法,其特征在于,
所述关联参数至少包括如下之一:
出现次数、方位俯仰角、目标大小和目标灰度。
5.一种目标检测装置,其特征在于,包括:
图像处理模块,用于根据原始图像的场景评估指标确定场景复杂度级别;
数据提取模块,用于提取所述原始图像中的目标信息;
关联模块,用于将所述目标信息与所述场景复杂度级别进行关联,实现目标检测;
根据原始图像的场景评估指标确定场景复杂度级别,包括:
根据所述原始图像计算不同的场景评估指标;
对不同的所述场景评估指标进行归一化处理,以获得场景复杂度权重;
根据所述场景复杂度权重与预设复杂度分级标准进行比对,确定所述原始图像的场景复杂度级别;
所述场景评估指标至少包括:信息熵、反差分矩阵、边缘比率、归一化能量差和局部灰度分布似然比;
提取所述原始图像中的目标信息,还包括:
根据预设像素阈值确定所述目标信息对应的目标规格;
将所述目标信息与所述场景复杂度级别进行关联,包括:
根据所述场景复杂度级别确定关联参数;
对不同的所述目标规格利用对应的关联参数进行数据关联。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011341569.6A CN112749620B (zh) | 2020-11-25 | 2020-11-25 | 一种目标检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011341569.6A CN112749620B (zh) | 2020-11-25 | 2020-11-25 | 一种目标检测方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749620A CN112749620A (zh) | 2021-05-04 |
CN112749620B true CN112749620B (zh) | 2023-01-06 |
Family
ID=75648672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011341569.6A Active CN112749620B (zh) | 2020-11-25 | 2020-11-25 | 一种目标检测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749620B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006032650A1 (fr) * | 2004-09-21 | 2006-03-30 | Thales | Procede de detection et de pistage de cibles ponctuelles, dans un systeme de surveillance optronique |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034239B (zh) * | 2010-12-07 | 2012-08-22 | 北京理工大学 | 一种基于局部灰度突变的红外小目标检测方法 |
CN104657945B (zh) * | 2015-01-29 | 2017-08-25 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN107067397A (zh) * | 2017-04-27 | 2017-08-18 | 北京环境特性研究所 | 一种基于红外图像复杂度的图像分级方法 |
CN111783656B (zh) * | 2020-06-30 | 2024-03-08 | 哈尔滨工程大学 | 一种基于统计特性预分割的自适应红外小目标检测方法 |
-
2020
- 2020-11-25 CN CN202011341569.6A patent/CN112749620B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006032650A1 (fr) * | 2004-09-21 | 2006-03-30 | Thales | Procede de detection et de pistage de cibles ponctuelles, dans un systeme de surveillance optronique |
Non-Patent Citations (3)
Title |
---|
一种改进的移动/滞留物体检测算法;魏青等;《信息技术》;20110525(第05期);全文 * |
基于像素可信度和空间位置的运动目标跟踪;施华等;《计算机研究与发展》;20051016(第10期);全文 * |
运动小目标检测最优图像帧数概率模型;郑红等;《系统工程与电子技术》;20110115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749620A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851086B (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN109740445B (zh) | 一种变尺寸的红外弱小目标检测方法 | |
CN110110675B (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
Cui et al. | Single image dehazing by latent region‐segmentation based transmission estimation and weighted L1‐norm regularisation | |
Guo et al. | Haze and thin cloud removal using elliptical boundary prior for remote sensing image | |
CN108614998B (zh) | 一种单像素红外目标检测方法 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
He et al. | Multiscale local gray dynamic range method for infrared small-target detection | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
CN113822279A (zh) | 基于多特征融合的红外目标检测方法、装置、设备及介质 | |
CN117218026B (zh) | 一种红外图像增强方法及装置 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
CN112749620B (zh) | 一种目标检测方法、装置及可读存储介质 | |
CN117541535A (zh) | 一种基于深度卷积神经网络的输电线路巡检图像检测方法 | |
Fu et al. | Infrared small dim target detection under maritime near sea-sky line based on regional-division local contrast measure | |
CN116188990A (zh) | 一种基于无人机遥感的地表植被识别方法及系统 | |
Sun et al. | Single-image dehazing based on dark channel prior and fast weighted guided filtering | |
Jian et al. | Maritime target detection and tracking | |
Tian et al. | Joint spatio-temporal features and sea background prior for infrared dim and small target detection | |
CN114708544A (zh) | 一种基于边缘计算的违规行为智能监测头盔及其监测方法 | |
CN113705672A (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
CN114140698A (zh) | 一种基于FasterR-CNN的水系信息提取算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |