CN115049579A - 融合多波段光谱特征的抗干扰目标识别方法 - Google Patents
融合多波段光谱特征的抗干扰目标识别方法 Download PDFInfo
- Publication number
- CN115049579A CN115049579A CN202110253950.5A CN202110253950A CN115049579A CN 115049579 A CN115049579 A CN 115049579A CN 202110253950 A CN202110253950 A CN 202110253950A CN 115049579 A CN115049579 A CN 115049579A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- interference
- segmentation
- infrared
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003595 spectral effect Effects 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 230000009466 transformation Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000005530 etching Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10032—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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种融合多波段光谱特征的抗干扰目标识别方法,将目标在不同干扰下的红外多波段图像序列进行形态学开运算后,利用改进的分水岭算法对图像中的目标与干扰进行不区分类别地分割,将分割的子图划分为训练集、验证集和测试集,用于对包含信息融合模块和图像二分类卷积神经网络的识别模块进行训练和验证;在实测阶段,以完整的多波段光谱红外图像分割成不定数目的子图后合并作为一个批次输入训练后的识别模块,并行计算出所有子图的分类概率,本发明通过对红外多波段探测器采集的多波段红外图像序列中的目标与干扰进行实时的识别,能够有效抑制复杂干扰对目标检测与识别精度的影响。
Description
技术领域
本发明涉及的是一种数字图像处理与模式识别领域的技术,具体是一种融合多波段光谱特征的抗干扰目标识别方法。
背景技术
红外目标识别属于模式识别领域,主要针对于面目标的识别问题,随着红外干扰技术的发展,如何实现点目标的识别成为一个影响实际应用的瓶颈问题。点目标由于没有形状信息,光谱特性就成为了一个重要的特征量。不同物体在不同运动状态下其光谱辐射特性是不同的,捕捉目标的精细光谱特征,实现目标的识别和确认,由于目前的红外、激光干扰系统只是在宽谱段范围内模拟目标。在光谱精细结构特征方面干扰系统很难、甚至无法与目标一致。
发明内容
本发明针对现有技术存在的上述不足,提出一种融合多波段光谱特征的抗干扰目标识别方法,对红外多波段探测器采集的多波段红外图像序列中的目标与干扰进行实时的识别,能够有效抑制复杂干扰对目标检测与识别精度的影响。
本发明是通过以下技术方案实现的:
本发明涉及一种融合多波段光谱特征的抗干扰目标识别方法,将目标在不同干扰下的红外多波段图像序列进行形态学开运算后,利用改进的分水岭算法对图像中的目标与干扰进行不区分类别地分割,将分割的子图划分为训练集、验证集和测试集,用于对包含信息融合模块和图像二分类卷积神经网络的识别模块进行训练和验证;在实测阶段,以完整的多波段光谱红外图像分割成不定数目的子图后合并作为一个批次输入训练后的识别模块,并行计算出所有子图的分类概率,实现抗干扰目标识别。
所述的干扰,其类型包括从点目标沿某一方向持续释放或向四周持续释放,干扰被释放后其被探测到的红外面积会持续膨胀,在采集过程中红外点目标始终位于采集图像的中央。
所述的形态学开运算是指:先对灰度图像进行腐蚀操作后再进行膨胀操作以消除图像中的部分噪声并明确目标与干扰间的界限,从而便于和后续分割,具体为:其中:A为待处理的红外灰度图像,B为选取的特定结构元素,ο表示开运算操作,表示腐蚀操作,表示膨胀操作。
所述的分割,选取第一个波段中的红外图像不加区分地分割其中的目标和干扰,对剩余波段的红外图像按照与第一波段相同的方式进行分割,具体为:对经过开运算的灰度图片进行阈值分割,确定目标或干扰所在区域后进行距离变换操作,在阈值分割后的图像中1代表目标或干扰区域,0代表背景,则产生欧式距离变换图
Dis(i,j)=min{Distance[(i,j),(x,y)],(x,y)∈B},其中:
Dis为欧式距离变换图,B为二值图像中所有值为1的点即为目标区域集合。在定义的拓展距离图中找到山谷,即局部最小值作为标记输入分水岭算法,算法输出分割后的目标或者干扰的点坐标,以此为中心分割成N×N大小的矩形子图,各子图中只包含目标或者干扰。根据该波段的分割结果,对剩余波段的图像以相同方式进行分割,将每个波段的各分割子图作为一个通道合并为多通道子图。
所述的改进的分水岭算法,结合距离变换与灰度差变换的结果作为拓展距离图,将位于原始图像中心的分割子图标注为目标,其余子图标注为干扰,具体为:
所述的训练集、验证集和测试集的比例优选为2∶2∶1,其中同一红外图像的分割子图中,若干扰的数目大于5个,则取与目标最相近的5个干扰作为数据集中的样本。
所述的识别模块将多通道图像融合后的单通道特征图输入二分类卷积神经网络中,完成对图像的分类。在多波段红外目标识别数据集上对网络进行训练时,对输入图片首先进行均值归一化处理。
所述的识别模块中的多通道图像融合网络通过1×1卷积核自行学习到不同波段光谱特征的融合方式,具体为:其中:f(x,y)表示特定位置的像素值,N为采集红外图像的波段数目,αi为信息融合模块中1×1卷积核学习到的参数,即每个通道在融合后的特征图中所占的权重,该多通道图像融合网络在不改变多通道图像尺寸的同时获得了融合后的单通道特征图,具体为:F:RN×H×W→R1×H×W,其中:F表示融合过程,N为采集红外图像的波段数目,H和W为图像的高度和宽度。
所述的训练,针对图像二分类卷积神经网络的损失函数为:
所述的网络训练,在采用批次梯度下降算法对网络进行训练的同时,结合权重衰减(Weight Decay)和动量方法(Momentum)等正则化手段。
所述的并行计算是指:首先固定训练完成的多通道图像融合网络的参数,利用形态学分割算法将图像中的目标和干扰分割为子图后,叠加为一个批次输入多通道图像融合网络计算分类概率张量,根据索引将子图与张量中的各个最大概率类别匹配,获得各个子图的类别,实现复杂干扰环境下目标与干扰的区分。
本发明涉及一种实现上述方法的系统,包括:分割模块、信息融合模块以及图像二分类卷积神经网络,其中:分割模块对采集数据中的目标与干扰加以分割,分割的子图作为信息融合模块的输入,信息融合模块融合同一目标或干扰的多个波段的光谱特征后将其输入图像二分类卷积神经网络,系统最终输出目标或干扰的位置与其对应的类别。
技术效果
本发明整体解决了现有技术难以对红外图像中目标与干扰的定位与区分的缺陷;通过改进的分水岭算法对图像中的目标与干扰加以分割,与采用深度学习方法的分割算法相比,无需对大量数据进行标注,在分割精度高的同时具有更快的运行速度;通过多波段光谱的信息融合模块能够有效地融合多个波段信息,与目前的单波段目标探测识别算法相比,由于融合了多波段光谱特征,提高了复杂干扰条件下的点目标检测性能,使得本发明总体无需对大量数据进行标注,在分割精度高的同时具有更快的运行速度,显著提高了复杂干扰条件下的点目标检测性能。
附图说明
图1是本发明算法的整体流程图;
图2是红外图像分割示意图;
图3是多波段光谱信息融合模块示意图。
具体实施方式
如图1所示,为本实施例涉及一种融合多波段光谱特征的抗干扰目标识别方法,首先基于形态学操作和改进的分水岭算法不加区别的从红外图像中分割出目标和干扰,再利用多通道图像融合网络结合图像二分类卷积神经网络实现对目标与干扰的分类,具体包括:
第一步、利用红外多波段探测器采集同一目标在不同干扰下的5个波段的图像序列,干扰的方式在本实施例中设置为从点目标向下持续释放和向四周持续释放两种(分别采集3930*5张与789*5张),干扰被释放后其被探测到的红外面积会持续膨胀。所有采集的图像的分辨率均为128*128像素,采集的红外图像样本如图2所示。为了便于后续多波段红外目标识别数据集的标注与训练,在采集的过程中保证目标位于红外图像中央以便于后续对数据的标注;
第二步、选多波段红外图像中的第1个波段的图像,对该图像进行一次开运算操作该过程可表示为:其中:A为待处理的红外灰度图像,B为选取的特定结构元素,本实施例中B的形状为3×3,ο表示开运算操作,表示腐蚀操作,表示膨胀操作。灰度腐蚀操作和灰度膨胀操作的过程分别为:
获得开运算操作后的红外图像后,利用阈值分割法确定目标或干扰所在区域。
所述的阈值为:T=argmaxW0(t)*[U0(t)-U(t)]2+W1(t)*[U0(t)-U(t)]2,其中:T为上式取最大值时的灰度值t即为分割的最大阈值,遍历图像中所以灰度值t作为前景与背景的分割阈值,前景点数占图像的比例为W0(t),前景的平均灰度为U0(t),背景点数占图像的比例为W1(t),背景的平均灰度为U1(t),整个图像的平均灰度为U(t)=[W0(t)*U0(t)+W1(t)*U1(t)]/[W0(t)+W1(t)]。
在阈值分割后进行距离变换操作,在阈值分割后的图像中1代表目标或干扰区域,0代表背景,则产生欧式距离变换图的过程可表示为:
Dis(i,j)=min{Distance[(i,j),(x,y)],(x,y)∈B}
为了提高分水岭算法的精度,本实施例改进的分水岭算法的输入结合了距离变换与灰度差变换的结果作为拓展距离图,可表示为:其中:D为拓展距离图,Dis和Dif分别为距离变换和灰度差变换的结果,Difmax和Difmin分别为灰度差变换的最大值和最小值。
在定义的拓展距离图中找到山谷,即局部最小值作为标记输入分水岭算法,算法输出分割后的目标或者干扰的点坐标,以此为中心分割成7×7大小的矩形子图,各子图中只包含目标或者干扰。根据第1个波段的分割结果,对剩余4个波段的图像以相同方式进行分割,将每个波段的各分割子图作为一个通道合并为5通道子图。将位于原始红外图像中心的分割子图标注为目标,其余子图标注为干扰。训练集、测试集和验证集的划分如下表1所示。
表1多波段红外目标识别数据集划分(分割后的子图)
数据集 | 目标子图数目 | 干扰子图数目 |
训练集 | 2000 | 6064 |
验证集 | 1930 | 4972 |
测试集 | 789 | 3183 |
第三步、本实施例构建针对5通道图像的信息融合模块,其卷积核大小为1×1,从数据集中学习将多通道图像合并为单通道图像的方式,其对图像的处理过程可表示为:其中:f(x,y)表示特定位置的像素值,αi为信息融合模块中1×1卷积核学习到的参数,即每个通道在融合后的特征图中所占的权重。
信息融合模块在不改变多通道图像尺寸的同时获得了融合后的单通道特征图,该过程F可表示为:F:R5×7×7→R1×7×7。
本实施例设计的整体网络结构单通道图像二分类MobileNet作为骨架,将多通道图像融合后的单通道特征图输入MobileNet网络中,完成对图像的分类。在多波段红外目标识别数据集上对网络进行训练时,对输入图片首先进行均值归一化处理。
所述的训练,针对图像二分类卷积神经网的损失函数定义为:
其中:α为用于平衡数据集干扰与目标比例不均衡的超参数,本实施例中设为0.75,γ为用于调整简单样本权重降低速率的超参数,本实施例中设为2,为网络预测样本是正例即目标的概率,y为样本标签,如果该样本为目标则为1,否则为0。
采用批次梯度下降算法(SGD)对网络进行训练,学习率设置为0.005,batch size设置为64,权重衰减(Weight Decay)设置为0.0005,动量方法(Momentum)设置为0.9。训练300个epochs取最好的结果作为最终的网络权重。
第四步、实际应用阶段,利用红外探测器实时采集多波段光谱红外图像,本实施例的分割算法将图像中的目标和干扰分割为子图后,叠加为一个批次输入卷积神经网络计算分类概率张量,根据索引将子图与张量中的各个最大概率类别匹配,获得各个子图的类别,实现复杂干扰环境下目标与干扰的区分,将目标以矩形标识,将干扰以圆圈标识。
本实例通过实验对本实施例提出方法的效果进行说明。通过以上介绍的本实例的具体实施方式,本实施例提出的分割算法的分割效果如图2所示,在自行采集的多波段红外目标识别数据集上的最终实验结果如表2所示。
表2抗干扰目标识别实验结果
从表2可以看出,将采集的5个波段的红外图像分割合并为尺寸为5×7×7的子图后,本实施例提出的方法能够有效地融合不同波段的信息,对目标与干扰的类别进行准确地区分,目标与干扰的识别准确率分别为80.99%与97.68%。所采用的轻量级分类网络与硬件并行计算的优势使得算法的速度达到了实际应用中对实时性的要求,FPS达到了60左右。
本实施例在采集不同干扰下的多波段红外目标序列的基础,提出的形态学图像分割方法准确地对图像中的目标与干扰进行了分割,根据分割结果形成了多波段红外目标识别数据集,最终利用提出的信息融合模块结合现有的分类卷积神经网络在精确实施目标与干扰分类的同时也保证了实时性,有效地融合了多波段的光谱特征,具有应用灵活,综合性能优异等特点。
综上,本发明基于多通道图像融合,通过基于1*1卷积设计的信息融合模块,从分割子图数据中学习不同波段光谱特征的融合方式,区别于单独依靠一个波段图像进行分割的传统方案,从而能够更高效地区分出目标与干扰。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (9)
1.一种融合多波段光谱特征的抗干扰目标识别方法,其特征在于,将目标在不同干扰下的红外多波段图像序列进行形态学开运算后,利用改进的分水岭算法对图像中的目标与干扰进行不区分类别地分割,将分割的子图划分为训练集、验证集和测试集,用于对包含信息融合模块和图像二分类卷积神经网络的识别模块进行训练和验证;在实测阶段,以完整的多波段光谱红外图像分割成不定数目的子图后合并作为一个批次输入训练后的识别模块,并行计算出所有子图的分类概率,实现抗干扰目标识别;
所述的形态学开运算是指:先对灰度图像进行腐蚀操作后再进行膨胀操作以消除图像中的部分噪声并明确目标与干扰间的界限,从而便于和后续分割;
所述的分割,选取第一个波段中的红外图像不加区分地分割其中的目标和干扰,对剩余波段的红外图像按照与第一波段相同的方式进行分割;
所述的改进的分水岭算法,结合距离变换与灰度差变换的结果作为拓展距离图,将位于原始图像中心的分割子图标注为目标,其余子图标注为干扰;
所述的并行计算是指:首先固定训练完成的多通道图像融合网络的参数,利用形态学分割算法将图像中的目标和干扰分割为子图后,叠加为一个批次输入多通道图像融合网络计算分类概率张量,根据索引将子图与张量中的各个最大概率类别匹配,获得各个子图的类别,实现复杂干扰环境下目标与干扰的区分。
3.根据权利要求1所述的融合多波段光谱特征的抗干扰目标识别方法,其特征是,所述的分割,具体为:对经过开运算的灰度图片进行阈值分割,确定目标或干扰所在区域后进行距离变换操作,在阈值分割后的图像中1代表目标或干扰区域,0代表背景,则产生欧式距离变换图Dis(i,j)=min{Distance[(i,j),(x,y)],(x,y)∈B},其中:Dis为欧式距离变换图,B为二值图像中所有值为1的点即为目标区域集合;在定义的拓展距离图中找到山谷,即局部最小值作为标记输入分水岭算法,算法输出分割后的目标或者干扰的点坐标,以此为中心分割成N×N大小的矩形子图,各子图中只包含目标或者干扰,根据该波段的分割结果,对剩余波段的图像以相同方式进行分割,将每个波段的各分割子图作为一个通道合并为多通道子图。
5.根据权利要求1所述的融合多波段光谱特征的抗干扰目标识别方法,其特征是,所述的训练集、验证集和测试集的比例为2∶2∶1,其中同一红外图像的分割子图中,若干扰的数目大于5个,则取与目标最相近的5个干扰作为数据集中的样本。
6.根据权利要求1所述的融合多波段光谱特征的抗干扰目标识别方法,其特征是,所述的识别模块将多通道图像融合后的单通道特征图输入二分类卷积神经网络中,完成对图像的分类,在多波段红外目标识别数据集上对网络进行训练时,对输入图片首先进行均值归一化处理。
9.一种实现权利要求1~8中任一所述方法的融合多波段光谱特征的抗干扰目标识别系统,其特征在于,包括:分割模块、信息融合模块以及图像二分类卷积神经网络,其中:分割模块对采集数据中的目标与干扰加以分割,分割的子图作为信息融合模块的输入,信息融合模块融合同一目标或干扰的多个波段的光谱特征后将其输入图像二分类卷积神经网络,系统最终输出目标或干扰的位置与其对应的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110253950.5A CN115049579A (zh) | 2021-03-09 | 2021-03-09 | 融合多波段光谱特征的抗干扰目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110253950.5A CN115049579A (zh) | 2021-03-09 | 2021-03-09 | 融合多波段光谱特征的抗干扰目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049579A true CN115049579A (zh) | 2022-09-13 |
Family
ID=83156637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110253950.5A Pending CN115049579A (zh) | 2021-03-09 | 2021-03-09 | 融合多波段光谱特征的抗干扰目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049579A (zh) |
-
2021
- 2021-03-09 CN CN202110253950.5A patent/CN115049579A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11734786B2 (en) | Low- and high-fidelity classifiers applied to road-scene images | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
JP6710135B2 (ja) | 細胞画像の自動分析方法及びシステム | |
US6456899B1 (en) | Context-based automated defect classification system using multiple morphological masks | |
US20170206434A1 (en) | Low- and high-fidelity classifiers applied to road-scene images | |
Kim et al. | Multi-task convolutional neural network system for license plate recognition | |
US20070058856A1 (en) | Character recoginition in video data | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN116612472B (zh) | 基于图像的单分子免疫阵列分析仪及其方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN111898627A (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN116596875A (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
Selamet et al. | Automatic detection and classification of defective areas on metal parts by using adaptive fusion of faster R-CNN and shape from shading | |
Marcuzzo et al. | Automated Arabidopsis plant root cell segmentation based on SVM classification and region merging | |
CN112464933B (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
Khamael et al. | Using adapted JSEG algorithm with fuzzy C mean for segmentation and counting of white blood cell and nucleus images | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
CN115049579A (zh) | 融合多波段光谱特征的抗干扰目标识别方法 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
CN114792300A (zh) | 一种基于多尺度注意力x光断针检测方法 | |
CN113628252A (zh) | 一种基于热成像视频的泄漏气体云团检测方法 | |
Kosala et al. | Robust License Plate Detection in Complex Scene using MSER-Dominant Vertical Sobel. |
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 |