CN116109659A - 一种sar影像海洋内波条纹分割方法、设备及存储介质 - Google Patents
一种sar影像海洋内波条纹分割方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116109659A CN116109659A CN202211551714.2A CN202211551714A CN116109659A CN 116109659 A CN116109659 A CN 116109659A CN 202211551714 A CN202211551714 A CN 202211551714A CN 116109659 A CN116109659 A CN 116109659A
- Authority
- CN
- China
- Prior art keywords
- bright
- stripes
- dark
- sar image
- internal wave
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种SAR影像海洋内波条纹分割方法、设备及存储介质,该方法包括以下步骤:步骤S1、获取海洋内波SAR影像,并采用Gabor变换对海洋内波SAR影像进行特征提取,得到特征图像;步骤S2、利用K均值聚类算法对特征图像进行条纹分割,分离海洋内波中明/暗条纹与背景,并根据类间差自动判断暗/明条纹所在区域;步骤S3、构建明/暗条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到暗/明条纹所在位置。与现有技术相比,本发明的方法对于海洋内波特征较强的SAR图像明暗条纹分割效果较好,可以较好地识别出与背景相差较大的明或暗条纹特征,具有鲁棒性强,准确度高的优点。
Description
技术领域
本发明涉及内波探测技术领域,尤其是涉及一种SAR影像海洋内波条纹分割方法、设备及存储介质。
背景技术
海洋内波一种普遍存在于稳定分层的海洋内部的波动现象。它具有突发性强,破坏力强,能量巨大的特点。海洋内波对海洋结构以及表面的动力过程有很大影响,也严重影响着海洋工程结构安全。因此,准确地了解海洋内波发生的位置是十分必要的。
由于合成孔径雷达SAR(Synthetic Aperture Radar)具有全天时、全天候和高分辨率成像的优势,这使得海洋内波遥感研究受到了广泛的关注。但在现有的海洋内波遥感研究中,大多都只是提取出海洋内波条纹信息,并没有对明暗条纹各自的具体位置进行区分。由于肉眼观察主观性强且效率低下,从图像中提取出特征进而反应事物演变规律和变化历程变得迫在眉睫。
海洋内波的明暗条纹特征可直接反映海洋内波的传播信息及演变规律,因而对SAR影像中海洋内波进行特征提取,并将海洋内波明暗条纹与背景分离具有重要意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种SAR图像明暗条纹分割效果较好的SAR影像海洋内波条纹分割方法、设备及存储介质。
本发明的目的可以通过以下技术方案来实现:
根据本发明的第一方面,提供了一种SAR影像海洋内波条纹分割方法,该方法包括以下步骤:
步骤S1、获取海洋内波SAR影像,并采用Gabor变换对海洋内波SAR影像进行特征提取,得到特征图像;
步骤S2、利用K均值聚类算法对特征图像进行条纹分割,分离海洋内波中明条纹与背景,并根据类间差自动判断暗条纹所在区域,或分离海洋内波中暗条纹与背景,并根据类间差自动判断明条纹所在区域;
步骤S3、基于暗条纹所在区域,构建明条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到暗条纹所在位置,或基于明条纹所在区域,构建暗条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到明条纹所在位置。
优选地,所述步骤S1中采用Gabor变换对海洋内波SAR影像进行特征提取,得到特征图像,具体为:基于Gabor核函数与滤波图像之间的对应关系,构建表征不同波长和方向的Gabor核函数,分别与海洋内波SAR影像进行卷积,得到不同Gabor核函数下对不同特征响应的多维滤波图像,然后经过高斯平滑,将多维滤波图像合成一维图像,提取出用于分类的特征图像。
优选地,所述Gabor变换为仅取Gabor滤波器实部的偶对称滤波器,对应的Gabor滤波器实部表达式为:
式中,x,y为像素点位置坐标,x′,y′为Gabor核函数旋转生成的新坐标,λ为余弦函数波长;θ为平行条带的法线方向即纹理方向,在0°-180°之间以设定间隔进行选取;ψ为余弦函数的相位参数,ψ值取0°;σ为高斯函数的标准差;γ为Gabor函数的空间纵横比。
优选地,所述余弦函数波长λ与空间频率的对应关系为:
优选地,所述步骤S1中纹理方向θ在0°-180°之间以30°为间隔进行选取。
优选地,所述高斯平滑采用的高斯函数表达式为:
式中,σG为高斯窗口标准差,x,y为像素点位置坐标。
优选地,所述步骤S2中利用K均值聚类算法对特征图像进行条纹分割,具体为:
1)初始化聚类数目K,随机创建一个初始划分,并给定聚类初始中心;
2)采用迭代方法通过将聚类中心不断地移动来改进划分效果,直到准则函数收敛,其中,准则函数表达式为:
优选地,所述步骤S3中基于明条纹所在区域,构建暗条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到明条纹所在位置,具体为:
基于海洋内波图像特性,利用各暗条纹轮廓的最小外接矩形,沿该矩形长边的法线方向平移设定距离Di,即为各明条纹所在位置;记分割所得暗条纹区域为集合m,将该区域沿内外法线方向分别平移距离Di可得两个同样大小的区域,分别记为n和p,形成三个大小相同的区域,即相同数量的坐标点集合;其中,集合m对应暗条纹,集合n则对应着明条纹或背景区域,集合p则相应确定;在原始图像中,自动判断出类间差较大的一侧为明条纹所在区域,自动提取出明条纹
根据本发明的第二方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现任一项所述的方法。
根据本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现任一项所述的方法。
与现有技术相比,本发明具有以下优点:
1)本发明的研究对于海洋内波特征较强的SAR图像明暗条纹分割效果较好,可以较好地识别出与背景相差较大的明或暗条纹特征。
2)本发明可进一步通过比较类间差自动判断出对应的暗或明条纹的相对位置,从而实现了海洋内波明暗条纹的特征提取,为后续的海洋内波参数反演研究奠定了基础。
附图说明
图1为海洋内波SAR图像(11200×9600)(中心点经纬度坐标为48°35′W,29°17′S);
图2为所选区域海洋内波SAR图像(1024×1024);
图3为海洋内波的特征提取流程图;
图4为最优IoU下的暗条纹分割效果图;
图5为最优IoU下的暗条纹分割效果对比图;
图6为条纹平移示意图;
图7为海洋内波明暗条纹分割图;其中a、b、c分别为三种不同的海洋内波SAR图像;i~vi依次为海洋内波SAR图像原图、手动分割图、中值滤波后分割图、Gabor滤波后分割图、明暗条纹位置图、明暗条纹对比图;
图8为本发明的方法流程图。
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,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明给出了一种SAR影像海洋内波条纹分割方法,如图8所示,该方法包括以下步骤:
步骤S1、获取海洋内波SAR影像,并采用Gabor变换对海洋内波SAR影像进行特征提取,得到特征图像,具体为:
基于Gabor核函数与滤波图像之间的对应关系,构建表征不同波长和方向的Gabor核函数,分别与海洋内波SAR影像进行卷积,得到不同Gabor核函数下对不同特征响应的多维滤波图像,然后经过高斯平滑,将多维滤波图像合成一维图像,提取出用于分类的特征图像;
Gabor变换为仅取Gabor滤波器实部的偶对称滤波器,对应的Gabor滤波器实部表达式为:
式中,x,y为像素点位置坐标,x′,y′为Gabor核函数旋转生成的新坐标,λ为余弦函数波长;θ为平行条带的法线方向即纹理方向,在0°-180°之间以设定间隔进行选取,本实施例中纹理方向θ在0°-180°之间以30°为间隔进行选取;ψ为余弦函数的相位参数,ψ值取0°;σ为高斯函数的标准差;γ为Gabor函数的空间纵横比。
余弦函数波长λ与空间频率的对应关系为:
高斯平滑采用的高斯函数表达式为:
式中,σG为高斯窗口标准差,本实施例中设置为σG=3σ;x,y为像素点位置坐标。
步骤S2、利用K均值聚类算法对特征图像进行条纹分割,分离海洋内波中明条纹与背景,并根据类间差自动判断暗条纹所在区域,或分离海洋内波中暗条纹与背景,并根据类间差自动判断明条纹所在区域;
利用K均值聚类算法对特征图像进行条纹分割,具体为:
1)初始化聚类数目K,随机创建一个初始划分,并给定聚类初始中心;
2)采用迭代方法通过将聚类中心不断地移动来改进划分效果,直到准则函数收敛,其中,准则函数表达式为:
步骤S3、基于暗条纹所在区域,构建明条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到暗条纹所在位置,或基于明条纹所在区域,构建暗条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到明条纹所在位置。
基于明条纹所在区域,构建暗条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到明条纹所在位置,具体为:
基于海洋内波图像特性,利用各暗条纹轮廓的最小外接矩形,沿该矩形长边的法线方向平移设定距离Di,即为各明条纹所在位置;本实施例中Di近似为各条纹轮廓宽度,由于分割后的每条条纹各处宽度不一定恒为定值,因此需要将每条条纹按照不同的距离Di分别进行平移。当一条条纹各处宽度恒为定值时,如图6中灰色条纹所示,可从最小外接矩形的一长边与条纹轮廓切点Ci作一条平行于最小外接矩形短边的线段,该线段与轮廓相交于点Bi,并与最小外接矩形另一长边相交于点Ai,故可取当一条条纹各处宽度不恒为定值时,可将平移距离Di取为该条纹各处宽度的平均值。
为简化起见,本文假设每条条纹各处宽度恒为定值Di。为了解决在平移过程中沿法线方向出现180°模糊的问题(一类条纹平移得到另一条条纹,而平移过程中是往左上还是右下方向),即图6所示黑色条纹的选取问题,记分割所得暗条纹区域为集合m,将该区域沿内外法线方向分别平移距离Di可得两个同样大小的区域,分别记为n和p,形成三个大小相同的区域,即相同数量的坐标点集合;其中,集合m对应暗条纹,集合n则对应着明条纹或背景区域,集合p则相应确定;在原始图像中,自动判断出类间差较大的一侧为明条纹所在区域,自动提取出明条纹。
其中类间差,就是明条纹一类、暗条纹一类和其他一类的亮度差别。
实施例
本实施例针对2011年2月23日02:19:28左右发生的海洋内波,如图1所示,为ALOS卫星数据,图像中心点经纬度坐标为48°35′W、29°17′S,成像于大小为11200×9600。为了计算方便,从中截取红色框内大小为1024×1024的图像作为样本进行分析,如图2所示。结合Gabor变换和K均值聚类进行合成孔径雷达海洋内波条纹识别。
将卫星遥感实验数据按照图3所示的流程图进行操作,具体步骤如下:
(1)对原始遥感数据通过ENVI软件进行滤波预处理。此后处理均在Matlab软件中进行。
(2)将上一步得到的图像利用Gabor变换和高斯平滑对海洋内波SAR影像进行特征提取。
(3)利用K均值聚类算法对SAR图像进行条纹分割,从而实现了海洋内波明(暗)条纹与背景的分离,并对比了中心滤波分分割结果。
(4)将(3)的结果与手动计提取的图像进行对比,计算IOU得到最优分割图像。
(5)最后通过比较类间差自动判断出对应的暗或明条纹的相对位置,从而实现了海洋内波明暗条纹的特征提取。
根据图像的交并比IOU(Intersection over Union)将分割结果与海洋内波样本图像进行对比,验证了分割的准确性,进而说明了该方法在海洋内波SAR图像明暗条纹分割中的有效性和实用性,为后续的海洋内波参数反演研究奠定了基础。
本发明电子设备包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令,来执行各种适当的动作和处理。在RAM中,还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
设备中的多个部件连接至I/O接口,包括:输入单元,例如键盘、鼠标等;输出单元,例如各种类型的显示器、扬声器等;存储单元,例如磁盘、光盘等;以及通信单元,例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理,例如方法S1~S3。例如,在一些实施例中,方法S1~S3可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时,可以执行上文描述的方法S1~S3的一个或多个步骤。备选地,在其他实施例中,CPU可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S1~S3。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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,可轻易想到各种等效的修改或替换,这些修改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权利要求的保护范围为准。
Claims (10)
1.一种SAR影像海洋内波条纹分割方法,其特征在于,该方法包括以下步骤:
步骤S1、获取海洋内波SAR影像,并采用Gabor变换对海洋内波SAR影像进行特征提取,得到特征图像;
步骤S2、利用K均值聚类算法对特征图像进行条纹分割,分离海洋内波中明条纹与背景,并根据类间差自动判断暗条纹所在区域,或分离海洋内波中暗条纹与背景,并根据类间差自动判断明条纹所在区域;
步骤S3、基于暗条纹所在区域,构建明条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到暗条纹所在位置,或基于明条纹所在区域,构建暗条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到明条纹所在位置。
2.根据权利要求1所述的一种SAR影像海洋内波条纹分割方法,其特征在于,所述步骤S1中采用Gabor变换对海洋内波SAR影像进行特征提取,得到特征图像,具体为:基于Gabor核函数与滤波图像之间的对应关系,构建表征不同波长和方向的Gabor核函数,分别与海洋内波SAR影像进行卷积,得到不同Gabor核函数下对不同特征响应的多维滤波图像,然后经过高斯平滑,将多维滤波图像合成一维图像,提取出用于分类的特征图像。
5.根据权利要求3所述的一种SAR影像海洋内波条纹分割方法,其特征在于,所述步骤S1中纹理方向θ在0°-180°之间以30°为间隔进行选取。
8.根据权利要求1所述的一种SAR影像海洋内波条纹分割方法,其特征在于,所述步骤S3中基于明条纹所在区域,构建暗条纹轮廓的最小外接矩形,沿最小外接矩形长边法线方向平移设定距离得到明条纹所在位置,具体为:
基于海洋内波图像特性,利用各暗条纹轮廓的最小外接矩形,沿该矩形长边的法线方向平移设定距离Di,即为各明条纹所在位置;记分割所得暗条纹区域为集合m,将该区域沿内外法线方向分别平移距离Di可得两个同样大小的区域,分别记为n和p,形成三个大小相同的区域,即相同数量的坐标点集合;其中,集合m对应暗条纹,集合n则对应着明条纹或背景区域,集合p则相应确定;在原始图像中,自动判断出类间差较大的一侧为明条纹所在区域,自动提取出明条纹。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~8任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211551714.2A CN116109659A (zh) | 2022-12-05 | 2022-12-05 | 一种sar影像海洋内波条纹分割方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211551714.2A CN116109659A (zh) | 2022-12-05 | 2022-12-05 | 一种sar影像海洋内波条纹分割方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109659A true CN116109659A (zh) | 2023-05-12 |
Family
ID=86258776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211551714.2A Pending CN116109659A (zh) | 2022-12-05 | 2022-12-05 | 一种sar影像海洋内波条纹分割方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109659A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778232A (zh) * | 2023-06-01 | 2023-09-19 | 自然资源部国土卫星遥感应用中心 | Sar图像竖条纹检测方法、装置、设备以及存储介质 |
-
2022
- 2022-12-05 CN CN202211551714.2A patent/CN116109659A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778232A (zh) * | 2023-06-01 | 2023-09-19 | 自然资源部国土卫星遥感应用中心 | Sar图像竖条纹检测方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
Nasiri et al. | Infrared small target enhancement based on variance difference | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
Modava et al. | Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN108898101B (zh) | 基于素描图和先验约束的高分辨sar图像路网检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
CN110660065A (zh) | 一种红外故障检测识别算法 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN116109659A (zh) | 一种sar影像海洋内波条纹分割方法、设备及存储介质 | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
CN116630225A (zh) | 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 | |
CN116152115A (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN111260564A (zh) | 一种图像处理方法和装置及计算机存储介质 | |
CN113724267A (zh) | 一种乳腺超声图像肿瘤分割方法及装置 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
CN115272262A (zh) | 室外绝缘子表面缺陷识别方法、装置及电子设备 | |
CN115639159A (zh) | 一种基于多光谱影像的废水污染监测方法和装置 |
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 |