CN114511781A - 无人机搭载多光谱相机对伪装人员识别的方法、装置及介质 - Google Patents
无人机搭载多光谱相机对伪装人员识别的方法、装置及介质 Download PDFInfo
- Publication number
- CN114511781A CN114511781A CN202210104898.1A CN202210104898A CN114511781A CN 114511781 A CN114511781 A CN 114511781A CN 202210104898 A CN202210104898 A CN 202210104898A CN 114511781 A CN114511781 A CN 114511781A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- feature
- original
- candidate
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种无人机搭载多光谱相机对伪装人员识别的方法、装置及介质；该方法包括：对多光谱相机所采集的DN值原始图像进行预处理以完成波段配准和辐射校正，获得与DN值原始图像对应的预处理后的反射率图像；基于预处理后的反射率图像生成原始特征集；基于Relief算法通过交叉验证从原始特征集中筛选获得最优特征子集；基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型；将预处理后的反射率图像通过最优模型进行分类以获得预测二值图像；从预测二值图像中识别伪装人员目标，并根据DN值原始图像中的位置信息确定被识别目标的位置。
Description
技术领域
本发明实施例涉及战场搜寻技术领域，尤其涉及一种无人机搭载多光谱相机对伪装人员识别的方法、装置及介质。
背景技术
当前，战场环境下的伤员搜救技术通常采用无人机搭载RGB高清相机结合热红外成像仪进行低空搜寻，但是在战场环境下，作战人员均处于伪装条件，比如身着迷彩服等，不同于传统的检测目标，伪装目标没有明显的特征和边缘，因此仅依靠机载视觉很难发现伤员；此外，热红外成像技术视场小、分辨率较差，受到无人机飞行高度的影响，搜索效率较低，此外，混合像元精度低环境温度影响较大，通常在战场上热源较多、环境温度大于30℃，较易造成误检，无法准确地检测到人体的热信号。
发明内容
有鉴于此，本发明实施例期望提供一种无人机搭载多光谱对伪装人员识别的方法、装置及介质；能够提高分辨率和识别准确率，降低对环境的依赖度。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种无人机搭载多光谱对伪装人员识别的方法，所述方法包括：
对多光谱相机所采集的遥感影像像元亮度DN值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像；
基于所述预处理后的反射率图像的波段反射率、被选取的植被指数特征、基于主成分分析PCA的纹理特征以及每个预处理后的反射率图像对应的高频信息和低频信息特征，生成原始特征集；
基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集；
基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型；
将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像；
从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置。
第二方面，本发明实施例提供了一种无人机搭载多光谱对伪装人员识别的装置，所述装置包括：预处理部分、特征生成部分、特征筛选部分、模型选取部分、预测部分和识别部分；其中，
所述预处理部分，经配置为对多光谱相机所采集的遥感影像像元亮度DN值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像；
所述特征生成部分，经配置为基于所述预处理后的反射率图像的波段反射率、被选取的植被指数特征、基于主成分分析PCA的纹理特征以及每个预处理后的反射率图像对应的高频信息和低频信息特征，生成原始特征集；
所述特征筛选部分，经配置为基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集；
所述模型选取部分，经配置为基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型；
所述预测部分，经配置为将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像；
所述识别部分，经配置为从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置。
第三方面，本发明实施例提供了一种无人机搭载多光谱对伪装人员识别的系统，所述系统包括：多光谱相机、存储器和处理器；其中，
所述多光谱相机，用于采集遥感影像像元亮度DN值原始图像；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行第一方面所述无人机搭载多光谱对伪装人员识别的方法步骤。
第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有无人机搭载多光谱对伪装人员识别的程序，所述无人机搭载多光谱对伪装人员识别的程序被至少一个处理器执行时实现第一方面所述无人机搭载多光谱对伪装人员识别的方法步骤。
本发明实施例提供了一种无人机搭载多光谱对伪装人员识别的方法、装置及介质；利用多光谱相机所采集的多个特征光谱的DN值原始图像进行预处理后生成对应的反射率图像；随后利用最优特征子集对候选监督分类器模型进行训练，并根据各候选监督分类器模型对应的分类评价结果选取最优模型；最后利用最优模型对反射率图像进行分类并识别伪装人员目标，从而降低了数据量，提升了数据处理的实时性。
附图说明
图1为本发明实施例提供的一种无人机搭载多光谱对伪装人员识别的方法流程示意图；
图2为本发明实施例提供的预处理流程示意图；
图3为本发明实施例提供的形成原始特征集示意图；
图4为本发明实施例提供的最优特征子集筛选示意图；
图5为本发明实施例提供的一种无人机搭载多光谱对伪装人员识别的装置组成示意图；
图6为本发明实施例提供的一种无人机搭载多光谱对伪装人员识别的系统结构示意图。
具体实施方式
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。
战场环境中必定会出现大量的伤员，而伤员搜救工作不仅是以人为本的重要体现，更是战时战斗力的重要保障。根据现有研究内容表明，陆地各种伤员受伤后因未被及时发现而死亡的占死亡总数的76.2％；而快速找寻到伤员，可使伤员死亡率降低2/3。然而，通往搜救现场的道路通常已被毁坏，且存在环境复杂危险、搜索范围大、人员分布不确定、人员特征不明显等不利情况，并且救护人员数量有限，采用传统的伤员搜救方案已经无法快速并准确搜索到受伤人员。因此，快速有效地搜寻伤员不仅成为应急医学救援面临的首要问题，而且也是降低失踪、死亡率的首要因素。
从技术发展特征和使用方式来看，伤员搜寻技术可分为约束式方案和无约束式方案两种。以约束式方案为例，需要战斗人员携带有穿戴式救生设备，但是目前穿戴式救生装备主要存在增加身体载荷、设备使用不便、电磁兼容产生不确定性等问题，降低了战斗人员的战斗力。所以，无约束式方案成为了重要发展的伤员搜寻技术，利用人体生命特征进行搜索可以减轻伤员负担。目前相关的无约束式搜寻技术主要采用无人机搭载RGB高清相机和热红外成像仪进行低空搜寻，但在战场环境下，作战人员都处于伪装条件，仅凭RGB高清相机所采集的照片依靠机载视觉很难发现伤员；此外，热红外成像技术分辨率较差，受环境温度影响较大，通常战场上热源较多、环境温度较容易就会大于30℃，由此会使得热红外成像技术无法检测到人体热信号。为了避免目前相关无约束式搜寻技术存在的问题及不足，本发明实施例期望利用多光谱相机所具备的抗伪装、抗干扰性、实时性强等优点，将其应用于战场伤员搜寻。
对于光谱技术来说，其将成像信息从可见光波段拓展到300至1100纳米nm波段之间，通过目标与背景光谱特性曲线之间的差别，利用提取特征将目标从背景中识别出来。对于光谱成像仪来说，根据分辨率的不同，可分为高光谱和多光谱，其中，高光谱数据体量大、冗余度高，包含的信息丰富，但是需要的探测器数量也更多，导致数据处理的实时性变差；而多光谱一般选择其中4至10个特征光谱进行数据处理并识别目标，降低了数据量，提升了数据处理的实时性。
基于此，参见图1所示，其示出了本发明实施例提供的一种无人机搭载多光谱对伪装人员识别的方法，该方法可以包括：
S101：对多光谱相机所采集的遥感影像像元亮度(DN，Digital Number)值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像；
S102：基于所述预处理后的反射率图像的波段反射率、被选取的植被指数特征、基于主成分分析(PCA，Principal Component Analysis)的纹理特征以及每个预处理后的反射率图像对应的高频信息和低频信息特征，生成原始特征集；
S103：基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集；
S104：基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型；
S105：将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像；
S106：从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置。
通过图1所示的技术方案，利用多光谱相机所采集的多个特征光谱的DN值原始图像进行预处理后生成对应的反射率图像；随后利用最优特征子集对候选监督分类器模型进行训练，并根据各候选监督分类器模型对应的分类评价结果选取最优模型；最后利用最优模型对反射率图像进行分类并识别伪装人员目标，图1所示的技术方案降低了数据量，提升了数据处理的实时性。
对于图1所示的技术方案，在关于步骤S101的一些可能的实现方式中，所述对多光谱相机所采集的遥感影像像元亮度DN值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像，包括：
利用所述多光谱相机拍摄灰板；
从所述拍摄的灰板图像中获取灰板区域；
基于所述灰板区域制作掩膜；
利用所述掩膜获取所述DN值原始图像中灰板区域的DN值；
基于下式对所述DN值原始图像中灰板区域的DN值消除渐晕效应，获得每个像素的辐亮度以及所述DN值原始图像中灰板区域内的平均辐亮度；
通过下行光传感器(DLS，Down Light Sensor)对每组DN值原始图像的辐亮度进行辐照度补偿后，采用经验线反射率校正方法完成辐亮度到反射率的转换；
将转换后的反射率图像组通过加速稳健特征(SURF，Speeded Up RobustFeatures)算法提取特征点之后，对提取的特征点进行匹配，并计算仿射变换矩阵以完成图像变换，生成与所述DN值原始图像对应的预处理后的反射率图像。
对于上述实现方式，在一些示例中，所述从所述拍摄的灰板图像中获取灰板区域，包括：
对所述拍摄的灰板图像进行二值化处理后，根据最大类间方差法所确定的阈值对二值化处理后的图像数据进行得阈值化，以使得阈值化后的黑白像素的类内方差最小化；
采用16×16的正方形结构元素对阈值化后的图像数据进行闭运算，以获得尽可能少的连通区域，并从所有连通区域中选取最大非零连通区域为灰板区域。
对于上述实现方式及其示例，具体来说，在本发明实施例中，无人机所搭载的多光谱相机采集到的影像数据为6个波段一组的DN值图像(DN值在0至65535，即2的16次方之间，其属于被传感器量化为整数的物理量，用来记录地物灰度值，无单位)。在定量遥感分析中，为了提高分析结果的准确性，本发明实施例优选对DN值原始图像进行预处理。需要说明的是，性能良好的光谱指数依赖于高精度的波段配准和高精度的辐射校正及定标结果；其中，高精度的波段配准结果可消除光谱指数计算时像素错位带来的差值和比值误差；高精度辐射校正可消除传感器和镜头带来的辐射畸变误差；高精度辐射定标则用于建立当时、当地传感器工作条件和地物反射率之间的关系。
目前常规的图像预处理方法是在全部数据采集完成后，读取相机校准参数和GPS信息，然后进行空中三角测量自动转点，根据生成的虚拟相机参数进行正射和镶嵌，完成图像的配准和拼接，之后再提取灰板图像进行辐射标定。该方案需要航向重叠度和旁向重叠度都达到80％以上，虽然精度较高但图像间重合度高，信息冗余且极其费时，无法进行实时处理。
本发明实施例放弃常规的图像拼接方案，转而采用低重叠度、单组影像辐射标定的方案以达到实时处理的目的。详细来说，如图2所示，首先，需要从灰板影像中识别灰板区域，并计算平均辐亮度。该过程可在起飞前进行，多光谱相机拍摄灰板，对灰板图像进行二值化处理，并使用最大类间方差法寻找到一个合适的阈值,使阈值化后的黑白像素的类内方差最小化，采用16×16的正方形结构元素进行闭运算，使连通区域尽可能减少，然后选取最大非零连通区域即为灰板区域；接着，计算灰板区域的行坐标和列坐标的平均值定位灰板中心，以中心为原点取正方形像素区域制作掩膜；掩膜与灰板图像进行矩阵点乘，即可提取出灰板区域的DN值；最后按照以下公式消除渐晕效应(即从主点径向偏离时，图像的亮度衰减的效果)，并计算每个像点的辐亮度Li，求出灰板的平均辐亮度
其中，a表征实验室辐射定标系数，为1280×960的矩阵；t和g分别表征积分时间和增益，每张DN值原始图像均对应一个积分时间和增益；c1和c2分别为积分时间相关系数和增益相关系数；DNdark表征暗像元值，可以通过实验室辐射标定给出的一个数值，使用时直接读入，对于a来说，其也可以是面形拟合系数，每个像素对应的a值如下式所示：
其中，
x和y分别为像素的列和行对应的栅格坐标；a0表示辐射校正标定值；k1至k6分别表示渐晕多项式系数；x0和y0分别表示渐晕效应中心点坐标；在具体实施过程中，a0、ki、x0、y0、c1、c2、DNdark均可以由DN值原始图像的XMP文件中读出。按照以上公式可得出每个像素对应的辐亮度Li。
对于灰板标定来说，其有效性建立在一定的假设基础上，即从拍完灰板到一个航拍架次执行完，环境光保持不变；但现实中由于云层遮挡、时间推移等因素，环境光一定会发生变化，因此需要使用下行光传感器DLS进行校正。比如，在无人机起飞后，采用上述同样方式读取并计算每组图像的辐亮度L，并采用DLS进行辐照度实时补偿。具体的补偿公式如下：
其中，DLS0为起飞前下行光传感器的辐照度值，DLSi为飞行时所测实时辐照度值，b1、b2为实验室标定系数(与波段有关)。
随后，如下式所示，采用经验线反射率校正方法进行辐亮度到反射率的转换：
其中，
是起飞前测得的灰板辐亮度，即反射参考板的辐亮度；α是灰板在每个波段对应的反射率值，通常每个光谱通道对应一个数值。
通过上述完成DN值到反射率的转换，并消除渐晕效应之后，接下来需进行图像的配准。本发明实施例所采用的型号为MS600多光谱相机由多个单波段相机组合而成，每个波段具有独立的光路和承像片，由于各波段相机之间存在明显的位置偏移，因此图像不可直接合并，需经过波段配准。具体来说，校正后的图像为6张一组的反射率图像，通过SURF算法提取特征点，特征点匹配，计算仿射变换矩阵，图像变换，最终形成6合1的反射率图像；具体来说，SURF算法属于尺度不变特征变换(SIFT，ScaleInvariant Feature Transform)算法的加速版；SIFT算法的优点是特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱。而SURF算法改进了特征的提取和描述方式，用一种更为高效的方式完成特征的提取和描述，特征描述子是关键点邻域2D离散小波变换响应的一种表示，是16×4＝64维向量。匹配特征描述子后可使用随机抽样一致(RANSAC，RANdom SAmple Consensus)算法剔除其中的误匹配点，接着解算仿射变换矩阵，将待配准图像转化到基准图像的坐标系下，完成图像配准，获得配准后的图像，即完成了预处理。
对于图1所示的技术方案，在关于步骤S102的一些可能的实现方式中，如图3所示，本发明实施例中的DN值原始图像经过前述实现方式及示例所阐述的预处理之后，首先，可以直接获得6个波段的反射率数据作为特征；
接着，根据本发明实施例的适用场景和特点从当前常规方案中实用性较强的8类共27种植被指数中挑选出8种植被指数作为特征，比如本发明实施例挑选归一化植被指数(NDVI，Normalized Difference Vegetation Index)、归一化差异绿度植被指数NDGI、归一化蓝绿差异指数NGBDI、植被衰减指数PSRI、结构不敏感色素指数SIPI、改进红边归一化植被指数mNDVI、修正型比值植被指数MSR以及增强型植被指数EVI；各植被指数计算方式如下所示：
归一化植被指数
归一化差异绿度植被指数
归一化绿蓝差异指数
修正型比值植被指数
植被衰减指数
结构不敏感色素指数
改进红边归一化植被指数
增强型植被指数
其次，通常来说，光谱特征无法区分“异物同谱”和“同物异谱”的现象，因此，本发明实施例还额外加入了纹理特征，从而能够获得灰度图像的空间变换规律，反映物体表面方向形状等特征。在本发明实施例中，采用灰度共生矩阵使得每个波段图像可获得8个纹理特征(即均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性)，这8个纹理特征的计算方式如下所示：
对比度
信息熵
二阶矩
相关性
其中，
为减少信息冗余，本发明实施例采用PCA进行分析后，提取前3个主成分分别计算灰度共生矩阵从而一共生成24个纹理特征；然后进行空间频率卷积滤波，每个波段的DN值原始图像分别通过低通滤波和高通滤波卷积核，增加低频和高频信息作为新的特征。
基于以上所述，本发明实施例共组成6个波段反射率+8个光谱指数+3个主成分×8个纹理特征+6张DN值原始图像×2个高低频信息＝50个特征，从而组成了原始特征集。
对于图1所示的技术方案，在关于步骤S103的一些可能的实现方式中，所述基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集，包括：
利用Relief算法为所述原始特征集中的特征进行排序后，选取前N个特征对样本进行交叉验证，计算每组特征的平均分类准确率；
将所述原始特征集中平均分类准确率最高的特征子集选取为最优特征子集。
对于上述实现方式，需要说明的是，原始特征集中数量较多，可能存在不相关或冗余的特征，且特征数量越多，分析特征训练模型所需样本量就越大、时间就越长。通过S103进行特征选择就能够剔除不相关、冗余、或没有差异刻画能力的特征，从而达到减少特征个数、减少训练或者运行时间、提高模型精确度的作用。由于Relief算法简单、运行效率高、且在二分类问题的特征选择中应用广泛，因此，本发明实施例优选采用Relief算法进行特征选择。详细来说，Relief算法是一种过滤式特征权重算法(Feature weightingalgorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。也就是说，特征对应的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。在具体实施过程中，采用Relief算法进行特征排序后，取前n个(1≤n≤50)特征对样本进行交叉验证，采用如下式所示计算每组特征的平均分类准确率A作为精度评价标准：
其中，TP为真正例，TN为真反例，FP为假正例，FN为假反例。如图4所示的最优特征子集筛选示意图，本发明实施例选择准确率最高的特征子集为最优特征集。
对于图1所示的技术方案，在关于步骤S104的一些可能的实现方式中，所述基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型，包括：
对预设的数据集进行归一化处理后，利用所述最优特征子集分别对各候选监督分类器模型进行训练，通过10折交叉验证法获得各候选监督分类器对应的分类结果；
采用混淆矩阵的方式对各候选监督分类器对应的分类结果进行评价，选取最优的分类器模型。
对于上述实现方式，需要说明的是，在筛选出最优特征子集后，可针对最优特征子集进行模型训练。在具体实施过程中，在分类前对数据集进行归一化处理，应用10折交叉验证法对模型进行训练。详细来说，采用5种候选监督分类器模型，包括分类与回归树(CART，Classification And Regression Trees)决策树模型、K最邻近(KNN，K-NearestNeighbor)模型、支持向量机(SVM，Support Vector Machines)模型、随机森林(RF，RandomForest)模型和卷积神经网络(CNN，Convolutional Neural Networks)模型进行训练，通过10折交叉计算分类结果；接着，采用混淆矩阵评价分类结果，本发明实施例以准确率(A)、精确率(P)、召回率(R)、F1值4个指标为例作为精度评价指标，分析不同候选监督分类器模型间的差异，从而选取最优的分类器模型作为目标识别模型。
上述4个指标的计算方式如下所示：
其中，TP为真正例；FN为假反例；FP为假正例；TN为真反例。接着，按照下式计算上述4个指标中精确率、召回率和F1值的平均值：
其中，Pm_avg为平均精确率；Rm_avg为平均召回率；F1m_avg为平均F1值；n为交叉验证次数；Pi为第i次验证精确率；Ri为第i次验证召回率；并且总体精度
期望精度
Kappa系数
对于图1所示的技术方案，在关于步骤S105的一些可能的实现方式中，所述将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像，包括：
针对所述预处理后的反射率图像的每个像素作为一个样本通过所述最优模型进行分类，对于符合目标特征的赋值为1，否则为0，从而所述预测二值图像。
对于上述实现方式，需要说明的是，在选取到最优模型之后，就可以利用该最优模型对预处理后的反射率图像进行识别，详细来说，将预处理后的反射率图像中的每个像素均作为一个样本进行分类，符合目标特征的赋值为1，否则为0，从而形成预测二值图像。
对于图1所示的技术方案，在关于步骤S106的一些可能的实现方式中，所述从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置，包括：
对所述预测二值图像进行闭运算以使相邻目标区域连通后，采用方向梯度直方图(HOG，Histogram of Oriented Gradient)描述器捕捉局部形状信息，并使用SVM分类器进行人体形状检测；
判定为人体后，计算人体目标中心点坐标，并在所述中心坐标作红色十字目标标记；
将所述DN值原始图像中的GPS位置信息确定为拍摄时所述多光谱相机所在位置；
结合无人机航向和地面像素分辨率，根据所述人体目标所在像平面坐标系位置，计算出所述人体目标在实际地面测量坐标系位置。
对于上述实现方式，需要说明的是，在获得预测二值图像之后，本发明实施例优选对该预测二值图像进行闭运算，使相邻目标区域连通；然后采用HOG描述器捕捉局部形状信息，使用SVM分类器进行人体形状检测，从而计算获得伪装人员的人体目标中心点坐标，并在中心坐标作红色十字目标标记。此外，将原始图像中的GPS位置信息作为拍摄照片时多光谱相机所在位置，即图像的中心像素点位置，可结合无人机航向和地面像素分辨率，根据人体目标所在像平面坐标系位置，计算出作为人体目标的伪装人员的实际地面测量坐标系位置。可以理解地，通过上述方案所生成的目标检测伪彩图和目标位置信息可利用无人机的图传通道，传输至后方的地面站遥控显示端口，从而完成实时检测。
基于以上所阐述的方案，能够检测低对比度环境下伪装人员，并实时标记显示目标坐标，提供了一种远距离、快速搜寻识别方案。
基于前述实施例相同的发明构思，如图5所示，其示出了本发明实施例提供的一种无人机搭载多光谱对伪装人员识别的装置50，所述装置50包括：预处理部分501、特征生成部分502、特征筛选部分503、模型选取部分504、预测部分505和识别部分506；其中，
所述预处理部分501，经配置为对多光谱相机所采集的遥感影像像元亮度DN值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像；
所述特征生成部分502，经配置为基于所述预处理后的反射率图像的波段反射率、被选取的植被指数特征、基于主成分分析PCA的纹理特征以及每个预处理后的反射率图像对应的高频信息和低频信息特征，生成原始特征集；
所述特征筛选部分503，经配置为基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集；
所述模型选取部分504，经配置为基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型；
所述预测部分505，经配置为将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像；
所述识别部分506，经配置为从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置。
在一些示例中，所述预处理部分501，经配置为：
利用所述多光谱相机拍摄灰板；
从所述拍摄的灰板图像中获取灰板区域；
基于所述灰板区域制作掩膜；
利用所述掩膜获取所述DN值原始图像中灰板区域的DN值；
基于下式对所述DN值原始图像中灰板区域的DN值消除渐晕效应，获得每个像素的辐亮度以及所述DN值原始图像中灰板区域内的平均辐亮度；
通过下行光传感器DLS对每组DN值原始图像的辐亮度进行辐照度补偿后，采用经验线反射率校正方法完成辐亮度到反射率的转换；
将转换后的反射率图像组通过加速稳健特征SURF(Speeded Up RobustFeatures)算法提取特征点之后，对提取的特征点进行匹配，并计算仿射变换矩阵以完成图像变换，生成与所述DN值原始图像对应的预处理后的反射率图像。
在一些示例中，所述预处理部分501，经配置为：
对所述拍摄的灰板图像进行二值化处理后，根据最大类间方差法所确定的阈值对二值化处理后的图像数据进行得阈值化，以使得阈值化后的黑白像素的类内方差最小化；
采用16×16的正方形结构元素对阈值化后的图像数据进行闭运算，以获得尽可能少的连通区域，并从所有连通区域中选取最大非零连通区域为灰板区域。
在一些示例中，所述特征筛选部分503，经配置为：
利用Relief算法为所述原始特征集中的特征进行排序后，选取前N个特征对样本进行交叉验证，计算每组特征的平均分类准确率；
将所述原始特征集中平均分类准确率最高的特征子集选取为最优特征子集。
在一些示例中，所述模型选取部分504，经配置为：
对预设的数据集进行归一化处理后，利用所述最优特征子集分别对各候选监督分类器模型进行训练，通过10折交叉验证法获得各候选监督分类器对应的分类结果；
采用混淆矩阵的方式对各候选监督分类器对应的分类结果进行评价，选取最优的分类器模型。
在一些示例中，所述预测部分505，经配置为：
针对所述预处理后的反射率图像的每个像素作为一个样本通过所述最优模型进行分类，对于符合目标特征的赋值为1，否则为0，从而所述预测二值图像。
在一些示例中，所述识别部分506，经配置为：
对所述预测二值图像进行闭运算以使相邻目标区域连通后，采用HOG描述器捕捉局部形状信息，并使用SVM分类器进行人体形状检测；
判定为人体后，计算人体目标中心点坐标，并在所述中心坐标作红色十字目标标记；
将所述DN值原始图像中的GPS位置信息确定为拍摄时所述多光谱相机所在位置；
结合无人机航向和地面像素分辨率，根据所述人体目标所在像平面坐标系位置，计算出所述人体目标在实际地面测量坐标系位置。
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有无人机搭载多光谱对伪装人员识别的程序，所述无人机搭载多光谱对伪装人员识别的程序被至少一个处理器执行时实现上述技术方案中所述无人机搭载多光谱对伪装人员识别的方法步骤。
根据上述无人机搭载多光谱对伪装人员识别的装置50以及计算机存储介质，参见图6，其示出了本发明实施例提供的一种能够实施上述无人机搭载多光谱对伪装人员识别的装置50的无人机搭载多光谱对伪装人员识别的系统60的具体硬件结构，该系统60可以搭载于无人机，该系统60包括：通信接口601，存储器602、处理器603以及多光谱相机605；各个组件通过总线系统604耦合在一起。可理解，总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统604。其中，
所述通信接口601，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述多光谱相机605，用于采集遥感影像像元亮度DN值原始图像
所述存储器602，用于存储能够在所述处理器603上运行的计算机程序；
所述处理器603，用于在运行所述计算机程序时，执行前述技术方案中所述无人机搭载多光谱对伪装人员识别的方法步骤，这里不再进行赘述。
可以理解，本发明实施例中的存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的系统和方法的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器603可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器603可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器603读取存储器602中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可以理解地，上述无人机搭载多光谱对伪装人员识别的装置50以及系统60的示例性技术方案，与前述无人机搭载多光谱对伪装人员识别的方法的技术方案属于同一构思，因此，上述对于人机搭载多光谱对伪装人员识别的装置50以及系统60的技术方案未详细描述的细节内容，均可以参见前述无人机搭载多光谱对伪装人员识别的方法的技术方案的描述。本发明实施例对此不做赘述。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种无人机搭载多光谱对伪装人员识别的方法，其特征在于，所述方法包括：
对多光谱相机所采集的遥感影像像元亮度DN值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像；
基于所述预处理后的反射率图像的波段反射率、被选取的植被指数特征、基于主成分分析PCA的纹理特征以及每个预处理后的反射率图像对应的高频信息和低频信息特征，生成原始特征集；
基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集；
基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型；
将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像；
从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置。
2.根据权利要求1所述的方法，其特征在于，所述对多光谱相机所采集的遥感影像像元亮度DN值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像，包括：
利用所述多光谱相机拍摄灰板；
从所述拍摄的灰板图像中获取灰板区域；
基于所述灰板区域制作掩膜；
利用所述掩膜获取所述DN值原始图像中灰板区域的DN值；
基于下式对所述DN值原始图像中灰板区域的DN值消除渐晕效应，获得每个像素的辐亮度以及所述DN值原始图像中灰板区域内的平均辐亮度；
通过下行光传感器DLS对每组DN值原始图像的辐亮度进行辐照度补偿后，采用经验线反射率校正方法完成辐亮度到反射率的转换；
将转换后的反射率图像组通过加速稳健特征SURF(Speeded Up Robust Features)算法提取特征点之后，对提取的特征点进行匹配，并计算仿射变换矩阵以完成图像变换，生成与所述DN值原始图像对应的预处理后的反射率图像。
3.根据权利要求2所述的方法，其特征在于，所述从所述拍摄的灰板图像中获取灰板区域，包括：
对所述拍摄的灰板图像进行二值化处理后，根据最大类间方差法所确定的阈值对二值化处理后的图像数据进行得阈值化，以使得阈值化后的黑白像素的类内方差最小化；
采用16×16的正方形结构元素对阈值化后的图像数据进行闭运算，以获得尽可能少的连通区域，并从所有连通区域中选取最大非零连通区域为灰板区域。
4.根据权利要求1所述的方法，其特征在于，所述基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集，包括：
利用Relief算法为所述原始特征集中的特征进行排序后，选取前N个特征对样本进行交叉验证，计算每组特征的平均分类准确率；
将所述原始特征集中平均分类准确率最高的特征子集选取为最优特征子集。
5.根据权利要求1所述的方法，其特征在于，所述基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型，包括：
对预设的数据集进行归一化处理后，利用所述最优特征子集分别对各候选监督分类器模型进行训练，通过10折交叉验证法获得各候选监督分类器对应的分类结果；
采用混淆矩阵的方式对各候选监督分类器对应的分类结果进行评价，选取最优的分类器模型。
6.根据权利要求1所述的方法，其特征在于，所述将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像，包括：
针对所述预处理后的反射率图像的每个像素作为一个样本通过所述最优模型进行分类，对于符合目标特征的赋值为1，否则为0，从而所述预测二值图像。
7.根据权利要求1所述的方法，其特征在于，所述从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置，包括：
对所述预测二值图像进行闭运算以使相邻目标区域连通后，采用HOG描述器捕捉局部形状信息，并使用SVM分类器进行人体形状检测；
判定为人体后，计算人体目标中心点坐标，并在所述中心坐标作红色十字目标标记；
将所述DN值原始图像中的GPS位置信息确定为拍摄时所述多光谱相机所在位置；
结合无人机航向和地面像素分辨率，根据所述人体目标所在像平面坐标系位置，计算出所述人体目标在实际地面测量坐标系位置。
8.一种无人机搭载多光谱对伪装人员识别的装置，其特征在于，所述装置包括：预处理部分、特征生成部分、特征筛选部分、模型选取部分、预测部分和识别部分；其中，
所述预处理部分，经配置为对多光谱相机所采集的遥感影像像元亮度DN值原始图像进行预处理以完成波段配准和辐射校正，获得与所述DN值原始图像对应的预处理后的反射率图像；
所述特征生成部分，经配置为基于所述预处理后的反射率图像的波段反射率、被选取的植被指数特征、基于主成分分析PCA的纹理特征以及每个预处理后的反射率图像对应的高频信息和低频信息特征，生成原始特征集；
所述特征筛选部分，经配置为基于Relief算法通过交叉验证从所述原始特征集中筛选获得最优特征子集；
所述模型选取部分，经配置为基于预设的数据集对候选监督分类器模型进行训练所获得的各候选监督分类器模型对应的分类评价结果，从所有候选监督分类器模型中选取最优模型；
所述预测部分，经配置为将所述预处理后的反射率图像通过所述最优模型进行分类以获得预测二值图像；
所述识别部分，经配置为从所述预测二值图像中识别伪装人员目标，并根据所述DN值原始图像中的位置信息确定被识别目标的位置。
9.一种无人机搭载多光谱对伪装人员识别的系统，其特征在于，所述系统包括：多光谱相机、存储器和处理器；其中，
所述多光谱相机，用于采集遥感影像像元亮度DN值原始图像；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行权利要求1至7任一项所述无人机搭载多光谱对伪装人员识别的方法步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有无人机搭载多光谱对伪装人员识别的程序，所述无人机搭载多光谱对伪装人员识别的程序被至少一个处理器执行时实现权利要求1至7任一项所述无人机搭载多光谱对伪装人员识别的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210104898.1A CN114511781B (zh) | 2022-01-28 | 2022-01-28 | 无人机搭载多光谱相机对伪装人员识别的方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210104898.1A CN114511781B (zh) | 2022-01-28 | 2022-01-28 | 无人机搭载多光谱相机对伪装人员识别的方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114511781A true CN114511781A (zh) | 2022-05-17 |
| CN114511781B CN114511781B (zh) | 2024-09-10 |
Family
ID=81549533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210104898.1A Active CN114511781B (zh) | 2022-01-28 | 2022-01-28 | 无人机搭载多光谱相机对伪装人员识别的方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114511781B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862846A (zh) * | 2022-07-04 | 2022-08-05 | 武汉精立电子技术有限公司 | 一种筛分方法、装置、设备及存储介质 |
| CN116977620A (zh) * | 2023-08-01 | 2023-10-31 | 重庆大学 | 一种环境光线鲁棒的高光谱遥感图像智能辐射校正方法 |
| CN119495028A (zh) * | 2025-01-17 | 2025-02-21 | 北京观微科技有限公司 | 植物氮含量监测模型的建立方法、装置和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020000271A1 (zh) * | 2018-06-27 | 2020-01-02 | 深圳大学 | 一种基于无人机的数据处理的方法及装置 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN112183489A (zh) * | 2020-11-04 | 2021-01-05 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种松材变色立木识别定位方法、装置、设备及存储介质 |
-
2022
- 2022-01-28 CN CN202210104898.1A patent/CN114511781B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020000271A1 (zh) * | 2018-06-27 | 2020-01-02 | 深圳大学 | 一种基于无人机的数据处理的方法及装置 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN112183489A (zh) * | 2020-11-04 | 2021-01-05 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种松材变色立木识别定位方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 朱明明 等: "基于多光谱的地面伤员识别技术实验研究", 医疗卫生装备, vol. 42, no. 4, 30 April 2021 (2021-04-30), pages 1 - 3 * |
| 王圆圆;李京;: "基于决策树的高光谱数据特征选择及其对分类结果的影响分析", 遥感学报, no. 01, 10 February 2007 (2007-02-10), pages 2 - 5 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862846A (zh) * | 2022-07-04 | 2022-08-05 | 武汉精立电子技术有限公司 | 一种筛分方法、装置、设备及存储介质 |
| CN114862846B (zh) * | 2022-07-04 | 2022-10-25 | 武汉精立电子技术有限公司 | 一种筛分方法、装置、设备及存储介质 |
| CN116977620A (zh) * | 2023-08-01 | 2023-10-31 | 重庆大学 | 一种环境光线鲁棒的高光谱遥感图像智能辐射校正方法 |
| CN119495028A (zh) * | 2025-01-17 | 2025-02-21 | 北京观微科技有限公司 | 植物氮含量监测模型的建立方法、装置和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114511781B (zh) | 2024-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114511781B (zh) | 无人机搭载多光谱相机对伪装人员识别的方法、装置及介质 | |
| Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
| Singh et al. | A comparative study on change vector analysis based change detection techniques | |
| Liu et al. | Identifying immature and mature pomelo fruits in trees by elliptical model fitting in the Cr–Cb color space | |
| Ganesh Babu et al. | Different stages of disease detection in squash plant based on machine learning | |
| CN107798294A (zh) | 检测森林斑块变化的方法和装置 | |
| Yu et al. | Three-channel infrared imaging for object detection in haze | |
| Kuswidiyanto et al. | Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation | |
| Hanapi et al. | A review on remote sensing-based method for tree detection and delineation | |
| Nuradili et al. | UAV remote-sensing image semantic segmentation strategy based on thermal infrared and multispectral image features | |
| CN114694043B (zh) | 复杂场景下机载多光谱多域优选特征的地面伤员识别方法、装置及介质 | |
| Omruuzun et al. | Shadow removal from VNIR hyperspectral remote sensing imagery with endmember signature analysis | |
| Senchuri et al. | Machine learning methods for road edge detection on fused airborne hyperspectral and lidar data | |
| Anjos et al. | Change detection techniques using multisensor data | |
| Wang et al. | Collaborative classification of hyperspectral and LiDAR data based on dual-branch convolutional neural network | |
| Yuan et al. | Monitoring Thosea sinensis Walker in Tea Plantations Based on UAV Multi-Spectral Image. | |
| Hamzah et al. | Drone Aerial Image Identification of Tropical Forest Tree Species using the Mask R-CNN | |
| Long et al. | Comprehensive wheat lodging detection under different UAV heights using machine/deep learning models | |
| Samadzadegan et al. | Toward optimum fusion of thermal hyperspectral and visible images in classification of urban area | |
| Yin et al. | A self-supervised learning method for shadow detection in remote sensing imagery | |
| CN115830326A (zh) | 基于光谱反射特性的人体与水体分割方法及装置 | |
| CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
| CN116503590A (zh) | 一种多光谱无人机遥感影像作物分割方法 | |
| Yang et al. | Automatic optical and IR image fusion for plant water stress analysis | |
| Huynh et al. | Hyperspectral imaging for skin recognition and biometrics |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Lu Guohua Inventor after: Zhu Mingming Inventor after: Qi Fugui Inventor after: Xia Juanjuan Inventor after: Cao Yusen Inventor after: Jing Yu Inventor after: Li Zhao Inventor after: Lei Tao Inventor after: Yan Yili Inventor before: Zhu Mingming Inventor before: Lu Guohua Inventor before: Qi Fugui Inventor before: Xia Juanjuan Inventor before: Cao Yusen Inventor before: Jing Yu Inventor before: Li Zhao Inventor before: Lei Tao Inventor before: Yan Yili |
|
| CB03 | Change of inventor or designer information |