CN113436281B - 一种融合lbp特征的遥感图像样本处理方法 - Google Patents

一种融合lbp特征的遥感图像样本处理方法 Download PDF

Info

Publication number
CN113436281B
CN113436281B CN202110667776.9A CN202110667776A CN113436281B CN 113436281 B CN113436281 B CN 113436281B CN 202110667776 A CN202110667776 A CN 202110667776A CN 113436281 B CN113436281 B CN 113436281B
Authority
CN
China
Prior art keywords
image
lbp
channel
channel image
value
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
CN202110667776.9A
Other languages
English (en)
Other versions
CN113436281A (zh
Inventor
李方方
孙康
陈金勇
王敏
帅通
王士成
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202110667776.9A priority Critical patent/CN113436281B/zh
Publication of CN113436281A publication Critical patent/CN113436281A/zh
Application granted granted Critical
Publication of CN113436281B publication Critical patent/CN113436281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种融合LBP特征的遥感图像样本处理方法，属于遥感图像目标检测技术领域。本发明将LBP特征与基于深度学习的目标检测算法相结合，首先将图像进行最大信息投影变换，得到能够保留最大信息量的灰度图像，然后提取训练样本LBP特征，将LBP特征替换掉原图像的B通道，与R通道图像、G通道图像融合构成新的训练样本。利用融合后的目标样本训练深度学习目标检测模型，能够同时使用LBP特征与CNN特征，对目标检测准确度有一定提升作用。本发明操作简单，易于实现，对各类遥感图像、各类目标有广泛的适用性，能够适用于各类深度学习模型。

Description

一种融合LBP特征的遥感图像样本处理方法
技术领域
本发明属于遥感图像目标检测技术领域，具体涉及一种融合LBP特征的遥感图像样本处理方法。
背景技术
遥感图像目标检测识别是遥感图像应用中一个重要应用领域及难题，它是指通过对遥感图像的分析和研究，达到辨识目标以及确定目标的各种特性信息的目的。几十年来，遥感影像目标检测技术一直是遥感图像处理领域的研究热点。传统的遥感图像目标检测技术并不适用于高分辨率图像的处理，主要缺陷包括：需要人工选取特征、特征鲁棒性差、算法涉及较多经验参数，从而导致目标检测困难。
近年来，随着深度学习方法的研究与发展，以及该方法在自然场景图像解译、大数据分析等一系列应用中取得的成功，使得深度学习逐步引起遥感图像解译研究人员的重视，并开始将深度学习算法引入到图像目标提取与检测识别等应用中来。深度学习方法可通过学习一种深层非线性网络结构，实现复杂函数逼近和分布式的特征表示，同时深度学习中非监督特征学习方法展现了强大的从样本数据集中学习从低层到高层本质特征的能力。在遥感图像目标检测识别领域中，深度学习具有很大的应用前景。
目标检测识别的核心是目标特征的提取。基于深度学习的方法提取的是目标的抽象特征，人类难以理解其提取的特征。将传统具有良好区分度的特征与深度学习方法融合是提高深度学习模型能力的有效途径。LBP(Local Binary Pattern，局部二值模式)特征是一种用来描述图像局部纹理特征的传统算子，具有旋转不变性和灰度不变性等显著的优点，提取图像局部纹理特征，用于目标检测、人脸识别等领域。目前，现有技术中尚没有将LBP特征与基于深度学习的目标检测算法相结合的尝试。
发明内容
有鉴于此，本发明提供一种融合LBP特征的遥感图像样本处理方法，该方法可实现LBP特征提取方法和深度学习方法的融合，具有较高的目标检测精度。
为了实现上述目的，本发明采用的技术方案为：
一种融合LBP特征的遥感图像样本处理方法，包括以下步骤：
步骤1，针对作为训练样本的遥感图像，将其进行RGB三通道图像分离，并分别保存R通道图像、G通道图像和B通道图像；
步骤2，将RGB三个通道的图像按照信息量最大方向进行投影，得到具有最大信息量的单通道图像，该单通道图像最大程度上融合了RGB三个通道的信息；
步骤3，对步骤2得到的单通道图像进行LBP特征提取，获取LBP特征图像；
步骤4，将提取的LBP特征图像进行灰度映射，使得映射后的R、G通道图像在灰度范围内处于同一值域，然后将映射后的图像替换B通道图像，与R通道图像、G通道图像进行波段融合，形成三波段的融合图像；
步骤5，对每张训练样本图像均进行步骤1-4的操作，将得到的所有融合图像组成新的训练样本数据集。
进一步的，步骤2的具体方式为：
步骤2a，分别计算RGB三个通道图像的均值mR、mG、mB，将三个通道的图像分别减去各自的均值，处理后RGB三个通道图像的均值为0；
步骤2b，计算RGB三个通道图像的协方差矩阵
Figure BDA0003117582840000021
其中，K的每个元素为相应两个通道图像的协方差；
步骤2c，计算协方差矩阵K的特征向量，将最大特征值对应的特征向量记为
Figure BDA0003117582840000022
步骤2d，计算投影图像Y＝e1×R+e2×G+e3×B，Y即为具有最大信息量的单通道图像。
进一步的，步骤3的具体方式为：
步骤3a，计算采样点个数P；统计待处理的图像的最大灰度值vt和最小值vb，则：
Figure BDA0003117582840000023
其中
Figure BDA0003117582840000024
表示向上取整；
步骤3b，选取单通道图像中的一个像素点(xc,yc)，在以(xc,yc)为邻域中心，半径为5的圆形邻域内，选取P个采样点，其中，采样点(xp,yp)的坐标值为：
Figure BDA0003117582840000025
步骤3c，通过双线性插值方法计算采样点(xp,yp)的像素值f(xp,yp)，计算方式如下：
Figure BDA0003117582840000031
步骤3d，以邻域中心的像素值为阈值，将P个采样点的像素值与阈值进行比较，若采样点像素值大于阈值，则该采样点被标记为1，否则为0；
步骤3e，将P个采样点的标记组成P位二进制数q，对q进行旋转移位，得到P个二进制数；
步骤3f，将步骤3e得到的P个二进制数均转化为十进制数，以这些十进制数中的最小值作为像素点(xc,yc)的LBP特征值；
步骤3g，重复步骤3b-3f，计算出单通道图像中每个像素点的LBP特征值，得到LBP特征图像。
进一步的，步骤4的具体方式为：
步骤4a，分别计算R、G通道图像以及LBP特征图像的最大值和最小值，分别记为
Figure BDA0003117582840000032
Figure BDA0003117582840000033
下标t表示最大值，b表示最小值；
步骤4b，令
Figure BDA0003117582840000034
对LBP特征图像的每一像素值f进行灰度映射：
Figure BDA0003117582840000035
其中，
Figure BDA0003117582840000036
为映射后的灰度值；
步骤4c，将映射后的LBP特征图像替换B通道图像，与R通道图像、G通道图像进行波段融合，形成三波段的融合图像。
本发明具有如下优点：
(1)本发明将LBP特征图像与训练样本进行融合，有效地利用了图像的纹理特征，实现了传统特征提取方法与深度学习方法的结合，具有较高的目标检测精度。
(2)本发明操作简单，易于实现，对各类遥感图像、各类目标有广泛的适用性，能够适用于各类深度学习模型。
附图说明
图1为本发明方法的整体流程图。
图2为彩色舰船训练样本图像。
图3为最大信息投影的单通道图像。
图4为LBP特征图像。
图5为融合的LBP特征的样本图像。
具体实施方式
下面结合附图及具体实施方式对本发明的技术方案做进一步的说明。
一种融合LBP特征的遥感图像样本处理方法，该方法将训练样本图像的R、G、B三个通道进行分离，进行灰度投影变换，在变换过程中保持最大的信息量，然后针对变换图像提取训练LBP特征，然后将R通道图像、G通道图像和LBP特征图像合并，得到融合LBP特征的图像，使用融合图像训练深度学习目标检测模型，实现在深度学习模型和LBP纹理特征的融合。
如图1所示，该方法包括以下步骤：
步骤1，针对遥感影像的训练样本图像，将RGB三通道图像进行分离，并分别保存R通道图像、G通道图像和B通道图像，如图2所示；
步骤2，将RGB三个通道的图像按照信息量最大方向进行投影，得到具有最大信息量的单通道图像，该通道图像最大程度上融合了RGB三个通道的信息，如图3所示；
步骤3，针对步骤2得到的单通道图像进行LBP特征提取，获取提取LBP特征图像。LBP提取时采样半径R取值为5，采样点个数P根据单通道图像的像素值范围自适应计算，如图4所示；
步骤4，将提取的LBP特征图像进行灰度映射，使得映射后的影像R、G波段图像在灰度范围内处于同一值域，然后将映射后的图像替换B通道图像，与R通道图像、G通道图像进行波段融合，形成三波段的融合图像I，如图5所示；
步骤5，对于遥感图图像样本数据集中的每一张训练图像进行步骤1-4中的操作，形成新的融合LBP特征的训练样本数据集；
步骤6，利用新的数据集对深度学习模型进行训练。
其中，步骤2所述的最大信息量投影方法具体如下：
步骤2a，分别计算RGB三个通道图像的均值mR、mG、mB，将三个通道的图像分别减去各自的均值，处理后RGB三个通道图像的均值为0；
步骤2b，计算RGB三个通道图像的协方差矩阵
Figure BDA0003117582840000041
其中，K的每个元素为相应两个通道图像的协方差。以kRG为例，其技术方法如下：
Figure BDA0003117582840000051
其中，R(i,j)、G(i,j)分别为R通道、G通道中像素(i,j)的灰度值，M、N分别为图像的行、列数；
步骤2c，计算协方差矩阵K的特征向量，最大特征值对应的特征向量记为
Figure BDA0003117582840000052
满足Ke＝λe，其中λ为K的最大特征值；
步骤2d，计算投影图像Y＝e1×R+e2×G+e3×B，如图2所示。
其中，步骤3的LBP特征图像提取方法具体如下：
步骤3a，计算采样点个数P；统计待处理的图像的最大灰度值vt和最小值vb，则：
Figure BDA0003117582840000053
其中
Figure BDA0003117582840000054
表示向上取整；
步骤3b，选取单通道图像中的一个像素点(xc,yc)，在以(xc,yc)为邻域中心，半径为5的圆形邻域内，选取P个采样点，其中，采样点(xp,yp)的坐标值为：
Figure BDA0003117582840000055
步骤3c，通过双线性插值方法计算采样点(xp,yp)的像素值f(xp,yp)，计算方式如下：
Figure BDA0003117582840000056
步骤3d，以邻域中心的像素值为阈值，将P个采样点的像素值与阈值进行比较，若采样点像素值大于阈值，则该采样点被标记为1，否则为0；
步骤3e，将P个采样点的标记组成P位二进制数q，对q进行旋转移位，得到P个二进制数；
步骤3f，将步骤3e得到的P个二进制数均转化为十进制数，以这些十进制数中的最小值作为像素点(xc,yc)的LBP特征值；
步骤3g，重复步骤3b-3f，计算出单通道图像中每个像素点的LBP特征值，得到LBP特征图像。
其中，步骤4中LBP特征图像的融合方法如下：
步骤4a，分别计算R、G通道图像以及LBP特征图像的最大值和最小值，分别记为
Figure BDA0003117582840000061
Figure BDA0003117582840000062
步骤4b，令
Figure BDA0003117582840000063
对任意LBP特征图像像素值f，其映射关系如下：
Figure BDA0003117582840000064
步骤4c，将映射后的LBP特征图像替换B波段，与R通道图像、G通道图像进行波段融合，形成三波段的融合图像I。
基于深度学习的目标检测算法利用多层神经网络能够获取目标的多种抽象特征，而这些特征往往难以被人类直观理解，因此提高深度学习模型的检测效果具有较大的难度。换言之，人们知道深度学习方法有效，但不知道其有效的机理。在传统目标检测识别方法中，LBP特征提取计算复杂度第，特征区分度高，一直是使用最广泛的特征之一。本发明将LBP特征与基于深度学习的目标检测算法相结合，首先将图像进行最大信息投影变换，得到能够保留最大信息量的灰度图像，然后提取训练样本LBP特征，将LBP特征替换掉原图像的B通道，构成新的训练样本。利用LBP特征替换B通道图像的出发点是，在遥感图像中B波段的响应最弱、信噪比最低，绝大多数的目标在B通道图像没有明显特征。利用融合后的目标样本训练深度学习目标检测模型，能够同时使用LBP特征与CNN特征，对目标检测准确度有一定提升作用。
本方法的效果可通过以下试验进一步说明：
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz，64GB内存，Tesla K40显卡，软件环境为TensorFlow框架，深度神经网络模型为深度残差网络。
2.试验方法。
使用Faster RCNN进行模型训练和检测，分别使用原始样本以及本发明处理的样本进行模型训练，在模型相同情况下，对比两种训练集下的目标检测效果。
3.试验结果。
试验选择高分一号、高分二号多光谱影像进行目标检测，共58幅影像，待检测的目标为舰船目标，共计566个。利用前期积累的10000个样本作为训练样本。利用本发明方法进行样本处理，得到融合样本集。分别利用原始样本和融合样本集合对模型进行训练，然后对58幅影像进行目标检测，对比相应的结果。目标检测常用的评价指标为mAP(平均准确度均值)。利用原始样本训练的模型正确检测472个，目标检测mAP为83.39％。使用本发明处理的样本进行模型训练，正确检测目标508个，目标检测mAP为89.75％。
试验结果表明，利用本发明方法在训练样本中融合LBP特征，可以有效提高基于深度学习的目标检测准确度。

Claims (3)

1.一种融合LBP特征的遥感图像样本处理方法，其特征在于，包括以下步骤：
步骤1，针对作为训练样本的遥感图像，将其进行RGB三通道图像分离，并分别保存R通道图像、G通道图像和B通道图像；
步骤2，将RGB三个通道的图像按照信息量最大方向进行投影，得到具有最大信息量的单通道图像，该单通道图像最大程度上融合了RGB三个通道的信息；具体方式为：
步骤2a，分别计算RGB三个通道图像的均值mR、mG、mB，将三个通道的图像分别减去各自的均值，处理后RGB三个通道图像的均值为0；
步骤2b，计算RGB三个通道图像的协方差矩阵
Figure FDA0003672015810000011
其中，K的每个元素为相应两个通道图像的协方差；
步骤2c，计算协方差矩阵K的特征向量，将最大特征值对应的特征向量记为
Figure FDA0003672015810000012
步骤2d，计算投影图像Y＝e1×R+e2×G+e3×B，Y即为具有最大信息量的单通道图像；
步骤3，对步骤2得到的单通道图像进行LBP特征提取，获取LBP特征图像；
步骤4，将提取的LBP特征图像进行灰度映射，使得映射后的LBP特征图像与R、G通道图像在灰度范围内处于同一值域，然后将映射后的图像替换B通道图像，与R通道图像、G通道图像进行波段融合，形成三波段的融合图像；
步骤5，对每张训练样本图像均进行步骤1-4的操作，将得到的所有融合图像组成新的训练样本数据集。
2.根据权利要求1所述的一种融合LBP特征的遥感图像样本处理方法，其特征在于，步骤3的具体方式为：
步骤3a，计算采样点个数P；统计待处理的图像的最大灰度值vt和最小值vb，则：
Figure FDA0003672015810000013
其中
Figure FDA0003672015810000014
表示向上取整；
步骤3b，选取单通道图像中的一个像素点(xc,yc)，在以(xc,yc)为邻域中心，半径为R＝5的圆形邻域内，选取P个采样点，其中，采样点(xp,yp)的坐标值为：
Figure FDA0003672015810000021
步骤3c，通过双线性插值方法计算采样点(xp,yp)的像素值f(xp,yp)，计算方式如下：
Figure FDA0003672015810000022
步骤3d，以邻域中心的像素值为阈值，将P个采样点的像素值与阈值进行比较，若采样点像素值大于阈值，则该采样点被标记为1，否则为0；
步骤3e，将P个采样点的标记组成P位二进制数q，对q进行旋转移位，得到P个二进制数；
步骤3f，将步骤3e得到的P个二进制数均转化为十进制数，以这些十进制数中的最小值作为像素点(xc,yc)的LBP特征值；
步骤3g，重复步骤3b-3f，计算出单通道图像中每个像素点的LBP特征值，得到LBP特征图像。
3.根据权利要求1所述的一种融合LBP特征的遥感图像样本处理方法，其特征在于，步骤4的具体方式为：
步骤4a，分别计算R、G通道图像以及LBP特征图像的最大值和最小值，分别记为
Figure FDA0003672015810000023
Figure FDA0003672015810000024
下标t表示最大值，b表示最小值；
步骤4b，令
Figure FDA0003672015810000025
对LBP特征图像的每一像素值f进行灰度映射：
Figure FDA0003672015810000026
其中，
Figure FDA0003672015810000027
为映射后的灰度值；
步骤4c，将映射后的LBP特征图像替换B通道图像，与R通道图像、G通道图像进行波段融合，形成三波段的融合图像。
CN202110667776.9A 2021-06-16 2021-06-16 一种融合lbp特征的遥感图像样本处理方法 Active CN113436281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110667776.9A CN113436281B (zh) 2021-06-16 2021-06-16 一种融合lbp特征的遥感图像样本处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110667776.9A CN113436281B (zh) 2021-06-16 2021-06-16 一种融合lbp特征的遥感图像样本处理方法

Publications (2)

Publication Number Publication Date
CN113436281A CN113436281A (zh) 2021-09-24
CN113436281B true CN113436281B (zh) 2022-07-12

Family

ID=77756238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110667776.9A Active CN113436281B (zh) 2021-06-16 2021-06-16 一种融合lbp特征的遥感图像样本处理方法

Country Status (1)

Country Link
CN (1) CN113436281B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292339A (zh) * 2017-06-16 2017-10-24 重庆大学 基于特征融合的无人机低空遥感影像高分地貌分类方法
CN108629338A (zh) * 2018-06-14 2018-10-09 五邑大学 一种基于lbp和卷积神经网络的人脸美丽预测方法
CN110348322A (zh) * 2019-06-19 2019-10-18 西华师范大学 基于多特征融合的人脸活体检测方法及设备
CN111222447A (zh) * 2019-12-31 2020-06-02 上海悠络客电子科技股份有限公司 基于神经网络及多通道融合lbp特征的活体检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016110993A1 (ja) * 2015-01-09 2016-07-14 オリンパス株式会社 内視鏡システム、内視鏡装置及び内視鏡システムの制御方法
US10956714B2 (en) * 2018-05-18 2021-03-23 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for detecting living body, electronic device, and storage medium
CN111325259A (zh) * 2020-02-14 2020-06-23 武汉大学 一种基于深度学习和二进制编码的遥感图像分类方法
CN112883839B (zh) * 2021-02-02 2021-10-22 重庆市地理信息和遥感应用中心 基于自适应样本集构造与深度学习的遥感影像解译方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292339A (zh) * 2017-06-16 2017-10-24 重庆大学 基于特征融合的无人机低空遥感影像高分地貌分类方法
CN108629338A (zh) * 2018-06-14 2018-10-09 五邑大学 一种基于lbp和卷积神经网络的人脸美丽预测方法
CN110348322A (zh) * 2019-06-19 2019-10-18 西华师范大学 基于多特征融合的人脸活体检测方法及设备
CN111222447A (zh) * 2019-12-31 2020-06-02 上海悠络客电子科技股份有限公司 基于神经网络及多通道融合lbp特征的活体检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A New Approach for Recognition of Mosaic Textures by LBP Based On RGB Model;L.Sumalatha and B.Sujatha;《Signal & Image Processing : An International Journal (SIPIJ)》;20130215;全文 *
光照和尺度自适应的Mean Shift人脸跟踪算法;李晗，等;《计算机工程与应用》;20140301;全文 *

Also Published As

Publication number Publication date
CN113436281A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN108596197B (zh) 一种印章匹配方法及装置
CN109344701A (zh) 一种基于Kinect的动态手势识别方法
CN111310598B (zh) 一种基于3维和2维混合卷积的高光谱遥感图像分类方法
CN111563447A (zh) 一种基于密度图的人群密度分析与检测定位方法
CN111325750B (zh) 一种基于多尺度融合u型链神经网络的医学图像分割方法
CN114022408A (zh) 基于多尺度卷积神经网络的遥感图像云检测方法
CN111414954B (zh) 一种岩石图像检索方法及其系统
CN110503052A (zh) 一种基于改进u-net网络的图像语义分割方法
CN110766708B (zh) 基于轮廓相似度的图像比较方法
CN103839042A (zh) 人脸识别方法和人脸识别系统
CN114724155A (zh) 基于深度卷积神经网络的场景文本检测方法、系统及设备
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN102982561A (zh) 适用于彩色图像彩色的二进制鲁棒尺度不变特征检测方法
CN114926826A (zh) 场景文本检测系统
CN113657225B (zh) 一种目标检测方法
CN111291818A (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN110619648A (zh) 一种基于rgb变化趋势划分图像区域的方法
CN114049503A (zh) 一种基于非端到端深度学习网络的显著性区域检测方法
CN110490210B (zh) 一种基于紧致通道间t采样差分的彩色纹理分类方法
CN113436281B (zh) 一种融合lbp特征的遥感图像样本处理方法
CN112365451A (zh) 图像质量等级的确定方法、装置、设备及计算机可读介质
CN110766655A (zh) 一种基于丰度的高光谱图像显著性分析方法
CN116704241A (zh) 一种全通道3d卷积神经网络高光谱遥感图像分类方法
CN111402223B (zh) 一种利用变电站视频图像的变电站缺陷问题检测方法

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
GR01 Patent grant
GR01 Patent grant