CN115546033A - 一种基于遥感图像的图像矫正方法 - Google Patents
一种基于遥感图像的图像矫正方法 Download PDFInfo
- Publication number
- CN115546033A CN115546033A CN202211545324.4A CN202211545324A CN115546033A CN 115546033 A CN115546033 A CN 115546033A CN 202211545324 A CN202211545324 A CN 202211545324A CN 115546033 A CN115546033 A CN 115546033A
- Authority
- CN
- China
- Prior art keywords
- image
- representing
- remote sensing
- features
- correction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003702 image correction Methods 0.000 title abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 70
- 230000003321 amplification Effects 0.000 claims abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种基于遥感图像的图像矫正方法,包括:获取低分辨率遥感图像,根据矫正分支得到矫正图像,根据尺寸放大分支得到特征图像,将所述特征图像输入至图像辨析网络得到高分辨率遥感图像。本发明利用多尺度特征校正模块提取低分辨率遥感图像的深层次多尺度特征,避免提取到的特征的单一性,进一步对多尺度的深层特征提取权重从而进行矫正,从而兼顾对于较细的纹理特征和较粗的边缘特征的超分辨率重建。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于遥感图像的图像矫正方法。
背景技术
遥感图像在许多领域都发挥着重要的地板观测作用,然而,由于成像传感器的局限性,获取的遥感图像通常有有限的分辨率,使得获取的低分辨率遥感图像在需要遥感应用中存在困难。遥感图像超分辨率旨在将低分辨率的遥感图像转化为高分辨率的遥感图像,从而突破图像采集设备的分辨率限制。近年来,许多研究人员提出了超分辨率技术来提高图像的空间或光谱分辨率。
通过国内外专利和文献检索,目前关于遥感图像超分辨率的研究比较多。但是现有的研究,一般采用单尺度的卷积进行遥感图像的特征提取,因此得到的超分辨率遥感图像往往不够自然逼真。某些采取了多尺度机制的深度学习遥感图像超分辨率方法中,缺少对多尺度特征的校正环节,因此导致得到的超分辨率遥感图像容易出现伪影,很难兼顾对于较细的纹理特征和较粗的边缘特征的较为优异的超分辨率性能表现。总地,未见基于全过程多尺度特征校正的遥感图像超分辨率方法。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题,提供一种基于遥感图像的图像矫正方法。
为实现上述目的,本发明提供的一种基于遥感图像的图像矫正方法,包括:
获取低分辨率遥感图像;
根据矫正分支得到矫正图像;
根据尺寸放大分支得到特征图像;
将所述特征图像输入至图像辨析网络得到高分辨率遥感图像。
根据本发明的一个方面,所述根据矫正分支得到矫正图像的方法为:
根据本发明的一个方面,所述根据矫正分支得到矫正图像的方法进一步包括:
对所述低分辨率遥感图像进行预处理得到中间特征,得到中间特征的公式为,
将中间特征进行多尺度特征提取得到其深度特征,得到深度特征的公式为,
根据本发明的一个方面,分别提取三个深度特征的矫正权重,得到矫正权重的公式为,
使用得到的矫正权重对深度特征进行矫正,得到多尺度特征,得到多尺度特征的公式为,
将三个多尺度特征进行融合,得到融合特征,得到融合特征的公式为,
根据本发明的一个方面,所述根据尺寸放大分支得到特征图像的方法为;
将所述矫正图像输入至所述尺寸放大分支后得到所述特征图像,得到所述特征图像的公式为,
根据本发明的一个方面,使用均方误差和结构相似性对所述图像辨析网络进行训练,其中公式为,
为实现上述目的,本发明提供一种基于遥感图像的图像矫正系统,包括:
图像获取模块:获取低分辨率遥感图像;
矫正图像获取模块:根据矫正分支得到矫正图像;
特征图像获取模块:根据尺寸放大分支得到特征图像;
高分辨率遥感图像获取模块:将所述特征图像输入至图像辨析网络得到高分辨率遥感图像。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述针对一种基于遥感图像的图像矫正方法。
为实现上述目的,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述针对一种基于遥感图像的图像矫正方法。
基于此,本发明的有益效果在于:
本发明利用多尺度特征校正模块首先提取低分辨率遥感图像的深层次多尺度特征,避免提取到的特征的单一性,进一步对多尺度的深层特征提取权重从而进行矫正,从而兼顾对于较细的纹理特征和较粗的边缘特征的超分辨率重建。
附图说明
图1示意性表示根据本发明的一种基于遥感图像的图像矫正方法的流程图;
图2示意性表示根据本发明的一种基于遥感图像的图像矫正系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于遥感图像的图像矫正方法的流程图,如图1所示,本发明的一种基于遥感图像的图像矫正方法,包括:
获取低分辨率遥感图像;
根据矫正分支得到矫正图像;
根据尺寸放大分支得到特征图像;
将特征图像输入至图像辨析网络得到高分辨率遥感图像。
根据本发明的一个实施方式,根据矫正分支得到矫正图像的方法为:
根据本发明的一个实施方式,根据矫正分支得到矫正图像的方法进一步包括:
对低分辨率遥感图像进行预处理得到中间特征,得到中间特征的公式为,
将中间特征进行多尺度特征提取得到其深度特征,得到深度特征的公式为,
根据本发明的一个实施方式,分别提取三个深度特征的矫正权重,得到矫正权重的公式为,
使用得到的矫正权重对深度特征进行矫正,得到多尺度特征,得到多尺度特征的公式为,
将三个多尺度特征进行融合,得到融合特征,得到融合特征的公式为,
根据本发明的一个实施方式,根据尺寸放大分支得到特征图像的方法为;
将矫正图像输入至尺寸放大分支后得到特征图像,得到特征图像的公式为,
根据本发明的一个实施方式,使用均方误差和结构相似性对图像辨析网络进行训练,其中公式为,
不仅如此,为实现上述发明目的,本发明还提供一种基于遥感图像的图像矫正系统,图2示意性表示根据本发明的一种基于遥感图像的图像矫正系统的流程图,如图2所示,根据本发明的一种基于遥感图像的图像矫正系统,该系统包括:
图像获取模块:获取低分辨率遥感图像;
矫正图像获取模块:根据矫正分支得到矫正图像;
特征图像获取模块:根据尺寸放大分支得到特征图像;
高分辨率遥感图像获取模块:将特征图像输入至图像辨析网络得到高分辨率遥感图像。
根据本发明的一个实施方式,根据矫正分支得到矫正图像的方法为:
根据本发明的一个实施方式,根据矫正分支得到矫正图像的方法进一步包括:
对低分辨率遥感图像进行预处理得到中间特征,得到中间特征的公式为,
将中间特征进行多尺度特征提取得到其深度特征,得到深度特征的公式为,
根据本发明的一个实施方式,分别提取三个深度特征的矫正权重,得到矫正权重的公式为,
使用得到的矫正权重对深度特征进行矫正,得到多尺度特征,得到多尺度特征的公式为,
将三个多尺度特征进行融合,得到融合特征,得到融合特征的公式为,
根据本发明的一个实施方式,根据尺寸放大分支得到特征图像的方法为;
将矫正图像输入至尺寸放大分支后得到特征图像,得到特征图像的公式为,
根据本发明的一个实施方式,使用均方误差和结构相似性对图像辨析网络进行训练,其中公式为,
为实现上述发明目的,本发明还提供一种电子设备,该电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被处理器执行时实现上述一种基于遥感图像的图像矫正方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述一种基于遥感图像的图像矫正方法。
基于此,本发明的有益效果在于,本发明利用多尺度特征校正模块首先提取低分辨率遥感图像的深层次多尺度特征,避免提取到的特征的单一性。进一步对多尺度的深层特征提取权重从而进行矫正,从而兼顾对于较细的纹理特征和较粗的边缘特征的超分辨率重建。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,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或者该技术方案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)执行本发明各个实施例节能信号发送/接收的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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (10)
1.一种基于遥感图像的图像矫正方法,其特征在于,包括:
获取低分辨率遥感图像;
根据矫正分支得到矫正图像;
根据尺寸放大分支得到特征图像;
将所述特征图像输入至图像辨析网络得到高分辨率遥感图像。
8.一种基于遥感图像的图像矫正系统,其特征在于,包括:
图像获取模块:获取低分辨率遥感图像;
矫正图像获取模块:根据矫正分支得到矫正图像;
特征图像获取模块:根据尺寸放大分支得到特征图像;
高分辨率遥感图像获取模块:将所述特征图像输入至图像辨析网络得到高分辨率遥感图像。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的一种基于遥感图像的图像矫正方法。
10.一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7中任一项所述的一种基于遥感图像的图像矫正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211545324.4A CN115546033B (zh) | 2022-12-05 | 2022-12-05 | 一种基于遥感图像的图像矫正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211545324.4A CN115546033B (zh) | 2022-12-05 | 2022-12-05 | 一种基于遥感图像的图像矫正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115546033A true CN115546033A (zh) | 2022-12-30 |
CN115546033B CN115546033B (zh) | 2023-03-03 |
Family
ID=84721956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211545324.4A Active CN115546033B (zh) | 2022-12-05 | 2022-12-05 | 一种基于遥感图像的图像矫正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546033B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880346A (zh) * | 2023-02-10 | 2023-03-31 | 耕宇牧星(北京)空间科技有限公司 | 一种基于深度学习的可见光遥感图像精确配准方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013250891A (ja) * | 2012-06-01 | 2013-12-12 | Univ Of Tokyo | 超解像方法及び装置 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN112084923A (zh) * | 2020-09-01 | 2020-12-15 | 西安电子科技大学 | 一种遥感图像语义分割方法、存储介质及计算设备 |
US20210374908A1 (en) * | 2020-06-01 | 2021-12-02 | Acer Incorporated | Method and electronic device for processing images that can be played on a virtual device |
CN113888550A (zh) * | 2021-09-27 | 2022-01-04 | 太原理工大学 | 一种结合超分辨率和注意力机制的遥感图像道路分割方法 |
CN114005028A (zh) * | 2021-07-30 | 2022-02-01 | 北京航空航天大学 | 一种抗干扰的遥感图像目标检测轻量模型及其方法 |
CN114255168A (zh) * | 2021-12-10 | 2022-03-29 | 浙江大学 | 基于残差卷积神经网络的ldct图像超分辨增强方法及装置 |
CN115018708A (zh) * | 2022-06-21 | 2022-09-06 | 南京航空航天大学 | 一种基于多尺度特征融合的机载遥感图像超分辨率重建方法 |
CN115205527A (zh) * | 2022-06-29 | 2022-10-18 | 陕西师范大学 | 一种基于域适应和超分辨率的遥感图像双向语义分割方法 |
-
2022
- 2022-12-05 CN CN202211545324.4A patent/CN115546033B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013250891A (ja) * | 2012-06-01 | 2013-12-12 | Univ Of Tokyo | 超解像方法及び装置 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
US20210374908A1 (en) * | 2020-06-01 | 2021-12-02 | Acer Incorporated | Method and electronic device for processing images that can be played on a virtual device |
CN112084923A (zh) * | 2020-09-01 | 2020-12-15 | 西安电子科技大学 | 一种遥感图像语义分割方法、存储介质及计算设备 |
CN114005028A (zh) * | 2021-07-30 | 2022-02-01 | 北京航空航天大学 | 一种抗干扰的遥感图像目标检测轻量模型及其方法 |
CN113888550A (zh) * | 2021-09-27 | 2022-01-04 | 太原理工大学 | 一种结合超分辨率和注意力机制的遥感图像道路分割方法 |
CN114255168A (zh) * | 2021-12-10 | 2022-03-29 | 浙江大学 | 基于残差卷积神经网络的ldct图像超分辨增强方法及装置 |
CN115018708A (zh) * | 2022-06-21 | 2022-09-06 | 南京航空航天大学 | 一种基于多尺度特征融合的机载遥感图像超分辨率重建方法 |
CN115205527A (zh) * | 2022-06-29 | 2022-10-18 | 陕西师范大学 | 一种基于域适应和超分辨率的遥感图像双向语义分割方法 |
Non-Patent Citations (2)
Title |
---|
余东行等: "联合显著性特征与卷积神经网络的遥感影像舰船检测", 《中国图象图形学报》 * |
张锡鹏等: "基于高光谱遥感的荒漠化草原草种类分类模型研究", 《光学技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880346A (zh) * | 2023-02-10 | 2023-03-31 | 耕宇牧星(北京)空间科技有限公司 | 一种基于深度学习的可见光遥感图像精确配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115546033B (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rao et al. | A residual convolutional neural network for pan-shaprening | |
CN102084378B (zh) | 基于照相机的文档成像 | |
CN115546033B (zh) | 一种基于遥感图像的图像矫正方法 | |
CN102930518B (zh) | 基于改进的稀疏表示的图像超分辨率方法 | |
CN110895697B (zh) | 变压器铭牌信息采集方法及智能采集系统 | |
CN108536780B (zh) | 一种基于触觉纹理特征的跨模态物体材质检索方法 | |
CN107122787A (zh) | 一种基于特征融合的图像缩放质量评价方法 | |
CN109993702B (zh) | 基于生成对抗网络的满文图像超分辨率重建方法 | |
CN108288256A (zh) | 一种多光谱马赛克图像复原方法 | |
CN111583113A (zh) | 一种基于生成对抗网络的红外图像超分辨率重建方法 | |
CN110647820A (zh) | 基于特征空间超分辨映射的低分辨率人脸识别方法 | |
CN113222819A (zh) | 一种基于深度卷积神经网络的遥感图像超分辨重建方法 | |
CN115240072A (zh) | 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 | |
CN108510531A (zh) | 基于pcncc和邻域信息的sar图像配准方法 | |
CN109978897A (zh) | 一种多尺度生成对抗网络的异源遥感图像配准方法及装置 | |
CN114092804A (zh) | 遥感图像的识别方法和装置 | |
CN116109829B (zh) | 一种基于融合网络的珊瑚礁水域图像分割方法 | |
CN116543165A (zh) | 一种基于双通道复合深度网络的遥感图像果树分割方法 | |
CN108108663A (zh) | 一种视频人脸识别系统与方法 | |
CN106203442B (zh) | 一种基于深度学习的拷贝图像特征提取方法 | |
CN116740399A (zh) | 异源图像匹配模型的训练方法、匹配方法及介质 | |
CN108537855B (zh) | 一种草图一致的陶瓷花纸图案生成方法及装置 | |
CN110766655A (zh) | 一种基于丰度的高光谱图像显著性分析方法 | |
CN114782454A (zh) | 用于盆腔肿瘤影像术前导航的图像识别系统 | |
JP6017005B2 (ja) | 画像検索装置、画像検索方法及びプログラム |
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 |