CN116109662A - 一种红外图像的超像素分割方法 - Google Patents
一种红外图像的超像素分割方法 Download PDFInfo
- Publication number
- CN116109662A CN116109662A CN202310391215.XA CN202310391215A CN116109662A CN 116109662 A CN116109662 A CN 116109662A CN 202310391215 A CN202310391215 A CN 202310391215A CN 116109662 A CN116109662 A CN 116109662A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- pixels
- smoothness
- image
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种红外图像的超像素分割方法,所述方法包括:步骤1)对红外图像依次计算图像梯度和图像平滑度;步骤2)进行超像素初始化,并设置分割控制参数;步骤3)进行全局像素聚类,对红外图像中的所有像素均进行以下处理:如果判断当前像素平滑度低于局部平滑度阈值且未被标记,则经扩展搜索近邻像素进行背景像素判别和目标像素判别,更新当前像素所属聚类;步骤4)在对所有像素遍历后,统计超像素特征,判断是否满足收敛条件,判断为是,转至步骤5);否则,转至步骤3);步骤5)输出分割结果。本发明提高了像素之间的区分度和对边缘细节的敏感性,提前过滤了背景干扰,能够提高后续处理步骤的效能和精度。
Description
技术领域
本发明属于红外图像处理技术领域,尤其涉及一种红外图像的超像素分割方法。
背景技术
超像素分割是一种根据数字图像中像素的亮度和颜色等特征,将完整图像划分为若干同质而相互不重叠的像素簇的图像分割技术。超像素分割能够以少量的超像素代替大量像素来表达图像特征,简化图像的细节信息,并提取图像的整体结构,是重要的数字图像预处理技术,在目标检测、目标跟踪、生物医学成像、遥感图像处理等领域有重要价值。
超像素分割可以分为基于图分割和基于梯度上升两大类。基于图分割的方法将数字图像的像素矩阵转化为图结构,通过求解相应的图分割问题进行图像划分;基于梯度上升的方法则选择一些像素作为初始中心,按一定的满足收敛准则,通过近邻像素迭代聚类的方式进行超像素生成。在现有的诸多超像素分割方法中,基于简单线性迭代聚类(SimpleLinear Iterative Clustering,下简称SLIC)的方法以其参数简单、运算效率高、分割精度高的优点,因而被广泛地应用。
现有技术的缺陷和不足:
红外图像是由红外波段的光电传感器生成的数字图像,由于红外线具有更好的穿透能力且不易受光照条件影响,因而红外视频图像是国防、遥感等领域中重要的远距监视观测技术手段。在中远距离(3~15km及以上)的成像条件下,由于红外辐射能量的扩散衰减和红外传感器阵列的成像能力极限,红外图像的分辨率有限,目标的成像结果通常表现出弱小特性(即像素少、弱度弱、对比度低),而背景则庞杂模糊,且混有较多的杂波成分。
因而,通过对红外图像的超像素分割,尽可能地过滤其中的非目标成分,同时识别潜在的目标成分,对于提升红外视频图像处理的效能,具有重要意义。但是,红外图像主要反映物体的热辐射强度,缺乏常规可见光图像中精细的外形轮廓和材质细节;另一方面,相较可见光图像中多具有较大尺度的常规目标(32*32像素以上),红外图像中弱小目标的尺寸和个体信息都极度匮乏。这些因素,使得目前主流的超像素分割技术,容易混淆红外图像中的目标和背景成分,对弱小目标的分割精度欠佳。
发明内容
本发明的目的在于克服现有技术缺陷,提出了一种红外图像的超像素分割方法。
为了实现上述目的,本发明提出了一种红外图像的超像素分割方法,所述方法包括:
步骤1)对红外图像依次计算图像梯度和图像平滑度;
步骤2)进行超像素初始化,并设置分割控制参数;
步骤3)进行全局像素聚类,对红外图像中的所有像素均进行以下处理:如果判断当前像素平滑度低于局部平滑度阈值且未被标记,则经扩展搜索近邻像素进行背景像素判别和目标像素判别,并更新当前像素所属聚类;
步骤4)在对所有像素遍历后,统计超像素特征,判断是否满足收敛条件,判断为是,转至步骤5);否则,转至步骤3);
步骤5)输出分割结果。
作为上述方法的一种改进,所述步骤1)的计算图像梯度具体包括:计算输入图像沿像平面坐标轴方向的梯度分量,按像素位置累加各方向梯度的绝对值,得到图像的梯度分布。
作为上述方法的一种改进,所述步骤1)的计算图像平滑度具体包括:将图像的梯度和原始红外图像的强度值按像平面坐标直接叠加,再对相应结果取倒数,得到图像的平滑度分布。
作为上述方法的一种改进,所述步骤2)的超像素初始化具体包括:指定超像素网格的尺度S,将红外图像分割为相应数量的矩形网格,选取每个矩形网格几何中心位置附近设定范围内拥有最大平滑度的位置,作为超像素聚类中心的起始位置,统计每个超像素的平均平滑度。
作为上述方法的一种改进,所述步骤2)的设置分割控制参数具体包括:
指定超像素分割的最大聚类残差E用于控制分割收敛条件;
指定局部平滑度阈值M作为背景像素的分辨条件;
指定目标像素扩展搜索的最大迭代次数I用于限制扩展搜索的深度;
指定扩展搜索中候选像素的对比度阈值R作为目标像素的分辨条件。
作为上述方法的一种改进,所述步骤3)具体包括:
步骤S1)重复遍历红外图像中的所有像素,以当前像素像平面位置为中心,计算该像素到附近2Sx2S范围内每个超像素聚类中心的特征距离,将当前像素划入特征距离最近的超像素中;对红外图像中的所有像素均进行以下处理:
步骤S2)计算当前像素平滑度与其所属超像素的平均平滑度的比值,判断该比值是否低于局部平滑度阈值M,
判断为是,则继续判断当前像素是否已被标记为目标像素,如果没有被标记则转至步骤S3)进行目标像素判别;
判断为否,将当前像素标记为背景像素,并转至步骤S5);
步骤S3)判断当前像素的梯度是否大于所属超像素的平均梯度,且该像素的灰度超过图像中平均灰度和所属超像素内最大灰度的均值,
判断为是,将当前像素标记为目标像素,并更新当前像素所属聚类;判断当前扩展搜索的深度是否小于最大迭代次数I,判断为是,则转至步骤S4)执行扩展搜索;判断为否,则终止当前像素所处的扩展搜索循环,并转至步骤S5);
判断为否,将当前像素标记为背景像素,并转至步骤S5);
步骤S4)选择当前像素周围设定区域中平滑度不超过该像素的近邻像素,对每个近邻像素,判断像素相对当前超像素的灰度均值的对比度是否超过对比度阈值R,判断为是,则从这个近邻像素开始重复步骤S2)到步骤S4);判断为否,则将当前像素标记为背景像素,并转至步骤S5);
步骤S5) 更新当前像素所属聚类。
作为上述方法的一种改进,所述步骤4)具体包括:统计每个超像素聚类中的成员像素信息,更新超像素的中心位置和平均灰度和平滑度;计算全部超像素的聚类残差,如果残差小于最大聚类残差E,则结束迭代,转至步骤5);否则,转至步骤3)。
作为上述方法的一种改进,所述步骤4)具体包括:遍历全部超像素,将属于各超像素但与聚类中心不处在同一个连通域的飞地像素,合并到空间距离上最近的其他超像素中,绘制超像素分割结果,在结果中标记出目标像素成分。
与现有技术相比,本发明的优势在于:
1、本发明针对现有超像素分割方法用于红外视频图像预处理过程中,容易忽视弱小目标、破坏图像细节的问题,提出了一种基于红外图像辐射能量信息的超像素分割方法,提升超像素分割精度的同时,实现对潜在弱小目标的预检测;
2、本发明提取和利用了红外图像的能量信息,增强了单通道灰度图像中的像素特征,相较于常规可见光图像的主流超像素分割方法,提高了像素之间的区分度和对边缘细节的敏感性,对红外图像分割的精度更高、连贯性更好;
3、本发明提出了一种红外弱小目标像素的预分割方式,能够在单个像元上进行超像素聚类的同时,识别和标记潜在的红外弱小目标像素,相较常规的超像素分割方法,不仅分割了图像,还额外实现了目标的预检测,提前过滤了背景干扰,能够提高后续处理步骤的效能和精度。
附图说明
图1是本发明的红外图像的超像素分割方法流程图。
具体实施方式
本发明提出一种红外图像的超像素分割方法,该方法利用红外图像的辐射能量信息,提升了对弱小目标和边缘轮廓的敏感性,在分割红外图像整体的同时,能够标记和识别出潜在的弱小目标,进而提高红外视频图像的处理效能。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例
本发明的实施例提出了一种红外图像的超像素分割方法,该方法以红外传感器所得数字图像作为输入,输出带有弱小目标预检测标注的相应图像的的超像素分割结果,如图1所示,主要流程说明如下:
(1)计算图像梯度:计算输入图像沿像平面坐标轴方向的梯度分量,按像素位置累加各方向梯度的绝对值,得到图像的梯度分布;
(2)计算图像平滑度:将图像的梯度和原始图像的强度值按像平面坐标直接叠加,再对相应结果取倒数,得到图像的平滑度分布;
(3)超像素初始化:指定超像素网格的尺度S,将图像分割为相应数量的矩形网格,选取每个网格几何中心位置附近3x3范围内拥有最大平滑度的位置,作为超像素聚类中心的起始位置,统计每个超像素的平均平滑度;
(4)设置分割控制参数:指定超像素分割的最大聚类残差E来控制分割收敛条件,指定局部平滑度阈值M作为背景像素的分辨条件,指定目标像素扩展搜索的最大迭代次数I来限制扩展搜索的深度,指定扩展搜索中候选像素的对比度阈值R作为目标像素的分辨条件;
(5)全局像素聚类:重复遍历图像中的所有像素,以当前像素像平面位置为中心,计算该像素到附近2Sx2S范围内每个超像素聚类中心的特征距离,将当前像素划入特征距离最近的那个超像素中;
(6)背景像素判别:如果当前像素平滑度低于其所属超像素的平均平滑度M,则将当前像素视作普通背景像素,否则判断当前像素是否被标记为目标像素,如果没有则进行目标像素判别;
(7)目标像素判别:如果当前像素的梯度大于所属超像素的平均梯度,且该像素的灰度超过图像中平均灰度和所属超像素内最大灰度的均值,那么将当前像素标记为目标像素,并执行步骤(8)尝试判断该像素是否满足扩展搜索条件,否则直接标记当前像素为背景;
(8)判断扩展搜索条件:如果当前像素的扩展搜索的深度小于I,则执行步骤(9)尝试进行扩展搜索,否则终止当前像素所处的扩展搜索循环;
(9)扩展搜索近邻像素:选择当前像素周围3x3区域中平滑度不超过该像素的近邻像素,将当前像素的扩展搜索深度增加1,作为这些近邻像素的扩展搜索深度,对每个近邻像素,如果相应像素相对当前超像素的灰度均值的对比度超过阈值R,则从这个近邻像素开始重复步骤(6)到(9);
(10)统计超像素特征:当图像中所有像素都被遍历一轮之后,统计每个超像素聚类中的成员像素信息,更新超像素的中心位置和平均灰度、平滑度等统计特征;
(11)判断收敛条件:计算全部超像素的聚类残差,如果残差小于最大聚类残差E,则结束迭代,否则重复步骤(5)到(11);
(12)分割后处理:遍历全部超像素,将属于各超像素但与聚类中心不处在同一个连通域的“飞地”像素,合并到空间距离上最近的其他超像素中,绘制超像素分割结果,在结果中标记出目标像素成分。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种红外图像的超像素分割方法,所述方法包括:
步骤1)对红外图像依次计算图像梯度和图像平滑度;
步骤2)进行超像素初始化,并设置分割控制参数;
步骤3)进行全局像素聚类,对红外图像中的所有像素均进行以下处理:如果判断当前像素平滑度低于局部平滑度阈值且未被标记,则经扩展搜索近邻像素进行背景像素判别和目标像素判别,并更新当前像素所属聚类;
步骤4)在对所有像素遍历后,统计超像素特征,判断是否满足收敛条件,判断为是,转至步骤5);否则,转至步骤3);
步骤5)输出分割结果。
2.根据权利要求1所述的红外图像的超像素分割方法,其特征在于,所述步骤1)的计算图像梯度具体包括:计算输入图像沿像平面坐标轴方向的梯度分量,按像素位置累加各方向梯度的绝对值,得到图像的梯度分布。
3.根据权利要求2所述的红外图像的超像素分割方法,其特征在于,所述步骤1)的计算图像平滑度具体包括:将图像的梯度和原始红外图像的强度值按像平面坐标直接叠加,再对相应结果取倒数,得到图像的平滑度分布。
4.根据权利要求1所述的红外图像的超像素分割方法,其特征在于,所述步骤2)的超像素初始化具体包括:指定超像素网格的尺度S,将红外图像分割为相应数量的矩形网格,选取每个矩形网格几何中心位置附近设定范围内拥有最大平滑度的位置,作为超像素聚类中心的起始位置,统计每个超像素的平均平滑度。
5.根据权利要求4所述的红外图像的超像素分割方法,其特征在于,所述步骤2)的设置分割控制参数具体包括:
指定超像素分割的最大聚类残差E用于控制分割收敛条件;
指定局部平滑度阈值M作为背景像素的分辨条件;
指定目标像素扩展搜索的最大迭代次数I用于限制扩展搜索的深度;
指定扩展搜索中候选像素的对比度阈值R作为目标像素的分辨条件。
6.根据权利要求5所述的红外图像的超像素分割方法,其特征在于,所述步骤3)具体包括:
步骤S1)重复遍历红外图像中的所有像素,以当前像素像平面位置为中心,计算该像素到附近2Sx2S范围内每个超像素聚类中心的特征距离,将当前像素划入特征距离最近的超像素中;对红外图像中的所有像素均进行以下处理:
步骤S2)计算当前像素平滑度与其所属超像素的平均平滑度的比值,判断该比值是否低于局部平滑度阈值M,
判断为是,则继续判断当前像素是否已被标记为目标像素,如果没有被标记则转至步骤S3)进行目标像素判别;
判断为否,将当前像素标记为背景像素,并转至步骤S5);
步骤S3)判断当前像素的梯度是否大于所属超像素的平均梯度,且该像素的灰度超过图像中平均灰度和所属超像素内最大灰度的均值,
判断为是,将当前像素标记为目标像素,并更新当前像素所属聚类;判断当前扩展搜索的深度是否小于最大迭代次数I,判断为是,则转至步骤S4)执行扩展搜索;判断为否,则终止当前像素所处的扩展搜索循环,并转至步骤S5);
判断为否,将当前像素标记为背景像素,并转至步骤S5);
步骤S4)选择当前像素周围设定区域中平滑度不超过该像素的近邻像素,对每个近邻像素,判断像素相对当前超像素的灰度均值的对比度是否超过对比度阈值R,判断为是,则从这个近邻像素开始重复步骤S2)到步骤S4);判断为否,则将当前像素标记为背景像素,并转至步骤S5);
步骤S5) 更新当前像素所属聚类。
7.根据权利要求6所述的红外图像的超像素分割方法,其特征在于,所述步骤4)具体包括:统计每个超像素聚类中的成员像素信息,更新超像素的中心位置和平均灰度和平滑度;计算全部超像素的聚类残差,如果残差小于最大聚类残差E,则结束迭代,转至步骤5);否则,转至步骤3)。
8.根据权利要求6所述的红外图像的超像素分割方法,其特征在于,所述步骤5)具体包括:遍历全部超像素,将属于各超像素但与聚类中心不处在同一个连通域的飞地像素,合并到空间距离上最近的其他超像素中,绘制超像素分割结果,在结果中标记出目标像素成分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391215.XA CN116109662B (zh) | 2023-04-13 | 2023-04-13 | 一种红外图像的超像素分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391215.XA CN116109662B (zh) | 2023-04-13 | 2023-04-13 | 一种红外图像的超像素分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109662A true CN116109662A (zh) | 2023-05-12 |
CN116109662B CN116109662B (zh) | 2023-06-23 |
Family
ID=86256582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391215.XA Active CN116109662B (zh) | 2023-04-13 | 2023-04-13 | 一种红外图像的超像素分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109662B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150327766A1 (en) * | 2014-05-19 | 2015-11-19 | Ricoh Co., Ltd. | Superpixel-based image segmentation using shading and albedo decomposition |
CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
CN108710908A (zh) * | 2018-05-17 | 2018-10-26 | 常州信息职业技术学院 | 一种面向机器人导航应用的物体似物性检测方法 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
CN113362341A (zh) * | 2021-06-10 | 2021-09-07 | 中国人民解放军火箭军工程大学 | 基于超像素结构约束的空地红外目标跟踪数据集标注方法 |
US20220148237A1 (en) * | 2020-05-28 | 2022-05-12 | Affiliated Hospital Of Jiangsu University | Clustering algorithm-based multi-parameter cumulative calculation method for lower limb vascular calcification indexes |
CN115661017A (zh) * | 2022-12-29 | 2023-01-31 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
-
2023
- 2023-04-13 CN CN202310391215.XA patent/CN116109662B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150327766A1 (en) * | 2014-05-19 | 2015-11-19 | Ricoh Co., Ltd. | Superpixel-based image segmentation using shading and albedo decomposition |
CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
CN108710908A (zh) * | 2018-05-17 | 2018-10-26 | 常州信息职业技术学院 | 一种面向机器人导航应用的物体似物性检测方法 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
US20220148237A1 (en) * | 2020-05-28 | 2022-05-12 | Affiliated Hospital Of Jiangsu University | Clustering algorithm-based multi-parameter cumulative calculation method for lower limb vascular calcification indexes |
CN113362341A (zh) * | 2021-06-10 | 2021-09-07 | 中国人民解放军火箭军工程大学 | 基于超像素结构约束的空地红外目标跟踪数据集标注方法 |
CN115661017A (zh) * | 2022-12-29 | 2023-01-31 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
Non-Patent Citations (6)
Title |
---|
HUSSIN K. RAGB ET AL.: "Human Detection in Infrared Imagery using Gradient and Texture Features and Super-pixel Segmentation", 《2018 IEEE INTERNATIONAL SYMPOSIUM ON TECHNOLOGIES FOR HOMELAND SECURITY (HST)》 * |
周海等: "低空复杂场景红外弱小目标快速精准检测", 《国防科技大学学报》, vol. 45, no. 1 * |
张则言: "变压器红外图像识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 03 * |
杨龙;李范明;刘士建;: "基于超像素分割的红外图像细节增强算法", 红外, no. 06 * |
王小芳;毛华敏;: "一种复杂背景下的电力设备红外图像分割方法", 红外技术, vol. 41, no. 12 * |
陈科羽;石书山;: "一种红外图像增强算法在无人机巡检输电线路上的应用", 电子设计工程, no. 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116109662B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
CN107133623A (zh) | 一种基于背景差和圆心定位的指针位置精确检测方法 | |
CN115661173B (zh) | 一种基于遥感图像的地块分割方法 | |
CN109754440A (zh) | 一种基于全卷积网络和均值漂移的阴影区域检测方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
CN111881801A (zh) | 基于不变检测策略的新增建设用地遥感监测方法及设备 | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
CN117911408B (zh) | 一种道路路面施工质量检测方法及系统 | |
CN110335282A (zh) | 一种基于栅格的轮廓线段特征提取算法 | |
CN116109662B (zh) | 一种红外图像的超像素分割方法 | |
CN106485264B (zh) | 基于梯度序划分及映射策略的曲线描述及匹配方法 | |
Wang et al. | Subpixel edge detection algorithm based on improved Gaussian fitting and Canny operator | |
CN109410227B (zh) | 一种基于gvf模型的土地利用图斑轮廓提取算法 | |
CN115063311B (zh) | 一种星图拖尾直线快速去除方法 | |
CN109685837B (zh) | 一种基于地物结构相似度的异源遥感影像配准方法 | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN111985492B (zh) | 一种云识别方法 | |
CN110264474B (zh) | 一种sar遥感图像的水陆分割方法 | |
CN109522941B (zh) | 一种基于图像的大气光强估计方法 | |
WO2021138994A1 (zh) | 一种复杂场景下基于深度图的红外小目标检测方法 | |
CN109948543B (zh) | 一种田间近景图像的导航线提取方法 |
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 |