CN116486086B - 一种基于热红外遥感影像的目标检测方法 - Google Patents
一种基于热红外遥感影像的目标检测方法 Download PDFInfo
- Publication number
- CN116486086B CN116486086B CN202310480626.6A CN202310480626A CN116486086B CN 116486086 B CN116486086 B CN 116486086B CN 202310480626 A CN202310480626 A CN 202310480626A CN 116486086 B CN116486086 B CN 116486086B
- Authority
- CN
- China
- Prior art keywords
- area
- segmentation
- remote sensing
- infrared remote
- thermal 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 122
- 230000011218 segmentation Effects 0.000 claims abstract description 135
- 238000004458 analytical method Methods 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013433 optimization analysis Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radiation Pyrometers (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于目标检测领域,涉及数据分析技术,用于解决现有技术中的基于热红外遥感影像的目标检测方法,无法通过多模式对热红外遥感影像进行分割来提高目标提取结果精确性的问题,具体是一种基于热红外遥感影像的目标检测方法,包括以下步骤:对热红外遥感影像进行图像分割处理:随机选取一种区域分割模式对热红外遥感影像进行区域分割并得到若干个检测区域;对热红外遥感影像的检测区域进行目标提取分析:遍历检测区域并提取特征向量,随机选取与一个检测区域并标记为分析区域;本发明是对热红外遥感影像进行图像分割处理,在目标位置被分割为两个独立的检测区域时,可以采取其他模式进行区域分割,进而提高目标位置提取的精确性。
Description
技术领域
本发明属于目标检测领域,涉及数据分析技术,具体是一种基于热红外遥感影像的目标检测方法。
背景技术
热红外线图像简称红外图像,是由热红外扫描器接收和记录目标物发射的热辐射能而形成的图像,热红外图像的解译有助于区分岩石类型、圈定地质构造、探测地热资源以及监测环境变化等;
但现有技术中的基于热红外遥感影像的目标检测方法,一般是先对原始图像进行一般性分割、标记和特征抽取等底层处理,然后将每个带标记的已分割区域的特征向量与目标模型相匹配,此方式由于区域分割的方式随机,当目标所在位置被分隔到两个不同的区域当中时,可能会对特征提取结果造成影响,从而导致目标检测提取结果精确性降低;
针对上述技术问题,本申请提出一种解决方案。
发明内容
本发明的目的在于提供一种基于热红外遥感影像的目标检测方法,用于解决现有技术中的基于热红外遥感影像的目标检测方法,无法通过多模式对热红外遥感影像进行分割来提高目标提取结果精确性的问题。
本发明需要解决的技术问题为:如何提供一种可以通过多模式对热红外遥感影像进行分割来提高目标提取结果精确性的基于热红外遥感影像的目标检测方法。
本发明的目的可以通过以下技术方案实现:
一种基于热红外遥感影像的目标检测方法,包括以下步骤:
步骤一:对热红外遥感影像进行图像分割处理:随机选取一种区域分割模式对热红外遥感影像进行区域分割并得到若干个检测区域;
步骤二:对热红外遥感影像的检测区域进行目标提取分析:遍历检测区域并提取特征向量,随机选取与一个检测区域并标记为分析区域,将与分析区域相邻的检测区域标记为分析区域的关联区域,对分析区域与关联区域是否存在特征关联进行判定;
步骤三:对热红外遥感影像的检测区域特征向量进行比对分析:将检测区域的特征向量与目标图像的特征向量进行匹配,若匹配结果为是,则记录目标位置;否则不做记录;
步骤四:对区域分割模式的选取优先级进行优化分析:生成优化周期,获取优化周期的重分系数,通过重分系数的数值对优化周期内的区域分割模式选择过程是否满足要求进行判定。
作为本发明的一种优选实施方式,在步骤一中,采用垂切分割模式对热红外遥感影像进行区域分割的过程包括:生成若干条横切线与纵切线,每条横切线均与热红外遥感影像底边平行,且相邻两条横切线之间的距离值均为C1,每条纵切线均与热红外遥感影像底边垂直,且相邻两条纵切线之间的距离值均为K1;由横切线与纵切线将热红外遥感影像分割为若干个封闭的检测区域;采用外扩分割模式对热红外遥感影像进行区域分割的过程包括:以热红外遥感影像的中心点为圆心,r1为半径画圆得到第一分割线,由第一分割线的包围区域构成第一个检测区域;以热红外遥感影像的中心点为圆心,2*r1为半径画圆得到第二分割线,由第一分割线与第二分割线的包围区域构成第二个检测区域;以此类推,直至热红外遥感影像的所有区域均完成分割;采用随机分割模式对热红外遥感影像进行区域分割的过程包括:将热红外遥感影像随机分割为若干个检测区域。
作为本发明的一种优选实施方式,在步骤二中,对分析区域与关联区域是否存在特征关联进行判定的具体过程包括:由分析区域与关联区域组成组合区域,遍历组合区域并提取特征向量,将分析区域与关联区域的特征向量与组合区域的特征向量进行比对:若相同,则判定分析区域与关联区域之间不存在特征关联,选取下一个与分析区域相邻的检测区域标记为关联区域,直至分析区域与所有的相邻检测区域之间均不存在特征关联,随机选取下一个检测区域并标记为分析区域;若不相同,则判定分析区域与关联区域之间存在特征关联,目标检测模块向区域分割模块发送重新分割信号,区域分割模块接收到重新分割信号后在剩余区域分割模式中重新随机选取分割模式并将热红外遥感影像分割为若干个检测区域。
作为本发明的一种优选实施方式,在步骤四中,优化周期的重分系数的获取过程包括:获取优化周期内针对同一热红外遥感影像进行区域分割时区域分割模块接收到重新分割信号的次数并标记为重分值M1,将数值为零的重分值数量标记为重零值,将数值为一的重分值数量标记为重一值,将数值为二的重分值数量标记为重二值;通过对重零值、重一值以及重二值进行数值计算得到优化周期的重分系数。
作为本发明的一种优选实施方式,对优化周期内的区域分割模式选择过程是否满足要求进行判定的具体过程包括:将优化周期的重分系数与重分阈值进行比较:若重分系数小于重分阈值,则判定优化周期内的区域分割模式选取过程满足要求;若重分系数大于等于重分阈值,则判定优化周期内的区域分割模式选取过程不满足要求,将区域分割模块接收到重新分割信号时采用的垂切分割模式、外扩分割模式以及随机分割模式的次数标记为垂切值CQ、外扩值WK以及随机值SJ,为垂切分割模式、外扩分割模式以及随机分割模式生成对应的选取权重并分别标记为垂切权重CZ、外扩权重WZ以及随机权重SZ,垂切权重CZ、外扩权重WZ以及随机权重SZ的计算公式分别为:CZ=(1-CQ/M2)/2、WZ=(1-WK/M2)/2以及SZ=(1-SJ/M2)/2,其中M2为区域分割模块在优化周期内接收到重新分割信号的总次数;将垂切权重CZ、外扩权重WZ以及随机权重SZ发送至区域分割模块,在下一优化周期开始时,区域分割模块采用垂切权重CZ、外扩权重WZ以及随机权重SZ对区域分割模式进行选取。
作为本发明的一种优选实施方式,应用于基于热红外遥感影像的目标检测系统当中,包括区域分割模块、目标检测模块、特征分析模块以及分割优化模块;所述区域分割模块、目标检测模块、特征分析模块以及分割优化模块依次进行连接,所述特征分析模块、分割优化模块均与区域分割模块通信连接;
所述区域分割模块用于对热红外遥感影像进行图像分割处理并得到若干检测区域,将检测区域发送至目标检测模块;
所述目标检测模块用于对热红外遥感影像的检测区域进行目标提取分析;
所述特征分析模块用于对热红外遥感影像的检测区域特征向量进行比对分析;
所述分割优化模块用于对区域分割模式的选取优先级进行优化分析并对优化周期内的区域分割模式选取过程是否满足要求进行判定,在优化周期内的区域分割模式选取过程不满足要求时生成垂切权重CZ、外扩权重WZ以及随机权重SZ并发送至区域分割模块。
本发明具备下述有益效果:
1、本发明是通过区域分割模块可以对热红外遥感影像进行图像分割处理,通过垂切分割模式、外扩分割模式以及随机分割模式可以采取不同方式进行区域分割,在目标位置被分割为两个独立的检测区域时,可以采取其他模式进行区域分割,进而提高目标位置提取的精确性;
2、本发明还通过目标检测模块可以对热红外遥感影像的检测区域进行目标提取分析,通过对完成分割的检测区域中特征向量进行提取,然后组件组合区域并进行特征向量比对,对目标位置被一分为二的现象进行监控,避免目标位置提取精确性受到影响;
3、以及通过分割优化模块可以对区域分割模式的选取优先级进行优化分析,通过对重分值的数值进行数值计算得到重分系数,则通过重分系数对优化周期内区域分割模式的选择过程合理性进行反馈,并为不同分割模式生成对应的选取权重,提高区域分割效率,降低重复分割的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一的系统框图;
图2为本发明实施例二的方法流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
如图1所示,一种基于热红外遥感影像的目标检测系统,包括区域分割模块、目标检测模块、特征分析模块以及分割优化模块;区域分割模块、目标检测模块、特征分析模块以及分割优化模块依次进行连接,特征分析模块、分割优化模块均与区域分割模块通信连接。
区域分割模块用于对热红外遥感影像进行图像分割处理:随机选取一种区域分割模式对热红外遥感影像进行区域分割并得到若干个检测区域,区域分割模式包括垂切分割模式、外扩分割模式以及随机分割模式,采用垂切分割模式对热红外遥感影像进行区域分割的过程包括:生成若干条横切线与纵切线,每条横切线均与热红外遥感影像底边平行,且相邻两条横切线之间的距离值均为C1,每条纵切线均与热红外遥感影像底边垂直,且相邻两条纵切线之间的距离值均为K1,C1与K1均为数值常量,C1与K1的数值均由管理人员自行设置;由横切线与纵切线将热红外遥感影像分割为若干个封闭的检测区域;采用外扩分割模式对热红外遥感影像进行区域分割的过程包括:以热红外遥感影像的中心点为圆心,r1为半径画圆得到第一分割线,由第一分割线的包围区域构成第一个检测区域;以热红外遥感影像的中心点为圆心,2*r1为半径画圆得到第二分割线,由第一分割线与第二分割线的包围区域构成第二个检测区域;以此类推,直至热红外遥感影像的所有区域均完成分割;采用随机分割模式对热红外遥感影像进行区域分割的过程包括:将热红外遥感影像随机分割为若干个检测区域;对热红外遥感影像进行图像分割处理,通过垂切分割模式、外扩分割模式以及随机分割模式可以采取不同方式进行区域分割,从而在目标位置被分割为两个独立的检测区域时可以采取其他模式进行区域分割,进而提高目标位置提取的精确性。
目标检测模块用于对热红外遥感影像的检测区域进行目标提取分析:遍历检测区域并提取特征向量,随机选取与一个检测区域并标记为分析区域,将与分析区域相邻的检测区域标记为分析区域的关联区域,由分析区域与关联区域组成组合区域,遍历组合区域并提取特征向量,将分析区域与关联区域的特征向量与组合区域的特征向量进行比对:若相同,则判定分析区域与关联区域之间不存在特征关联,选取下一个与分析区域相邻的检测区域标记为关联区域,直至分析区域与所有的相邻检测区域之间均不存在特征关联,随机选取下一个检测区域并标记为分析区域;若不相同,则判定分析区域与关联区域之间存在特征关联,目标检测模块向区域分割模块发送重新分割信号,区域分割模块接收到重新分割信号后在剩余区域分割模式中重新随机选取分割模式并将热红外遥感影像分割为若干个检测区域;目标检测模块将所有检测区域的特征向量发送至特征分析模块;对热红外遥感影像的检测区域进行目标提取分析,通过对完成分割的检测区域中特征向量进行提取,然后组件组合区域并进行特征向量比对,对目标位置被一分为二的现象进行监控,避免目标位置提取精确性受到影响。
特征分析模块用于对热红外遥感影像的检测区域特征向量进行比对分析:特征向量与目标图像的特征向量进行匹配,若匹配结果为是,则记录目标位置;否则不做记录;将所有的目标位置发送至管理人员的手机终端。
分割优化模块用于对区域分割模式的选取优先级进行优化分析:生成优化周期,获取优化周期内针对同一热红外遥感影像进行区域分割时区域分割模块接收到重新分割信号的次数并标记为重分值M1,将数值为零的重分值数量标记为重零值CL,将数值为一的重分值数量标记为重一值CY,将数值为二的重分值数量标记为重二值CR;通过公式CF=(α2*CY+α3*CR)/(α1*CL)得到优化周期的重分系数CF,其中α1、α2以及α3均为比例系数,且α3>α2>α1>1;将优化周期的重分系数CF与重分阈值CFmax进行比较:若重分系数CF小于重分阈值CFmax,则判定优化周期内的区域分割模式选取过程满足要求;若重分系数CF大于等于重分阈值CFmax,则判定优化周期内的区域分割模式选取过程不满足要求,将区域分割模块接收到重新分割信号时采用的垂切分割模式、外扩分割模式以及随机分割模式的次数标记为垂切值CQ、外扩值WK以及随机值SJ,为垂切分割模式、外扩分割模式以及随机分割模式生成对应的选取权重并分别标记为垂切权重CZ、外扩权重WZ以及随机权重SZ,垂切权重CZ、外扩权重WZ以及随机权重SZ的计算公式分别为:CZ=(1-CQ/M2)/2、WZ=(1-WK/M2)/2以及SZ=(1-SJ/M2)/2,其中M2为区域分割模块在优化周期内接收到重新分割信号的总次数;将垂切权重CZ、外扩权重WZ以及随机权重SZ发送至区域分割模块,在下一优化周期开始时,区域分割模块采用垂切权重CZ、外扩权重WZ以及随机权重SZ对区域分割模式进行选取;对区域分割模式的选取优先级进行优化分析,通过对重分值的数值进行数值计算得到重分系数,从而通过重分系数对优化周期内区域分割模式的选择过程合理性进行反馈,并为不同分割模式生成对应的选取权重,提高区域分割效率,降低重复分割的概率。
实施例二
如图2所示,一种基于热红外遥感影像的目标检测方法,包括以下步骤:
步骤一:对热红外遥感影像进行图像分割处理:随机选取一种区域分割模式对热红外遥感影像进行区域分割并得到若干个检测区域;
步骤二:对热红外遥感影像的检测区域进行目标提取分析:遍历检测区域并提取特征向量,随机选取与一个检测区域并标记为分析区域,将与分析区域相邻的检测区域标记为分析区域的关联区域,对分析区域与关联区域是否存在特征关联进行判定;
步骤三:对热红外遥感影像的检测区域特征向量进行比对分析:将检测区域的特征向量与目标图像的特征向量进行匹配,若匹配结果为是,则记录目标位置;否则不做记录;
步骤四:对区域分割模式的选取优先级进行优化分析:生成优化周期,获取优化周期内针对同一热红外遥感影像进行区域分割时区域分割模块接收到重新分割信号的次数并标记为重分值M1,将数值为零、数值为一以及数值为二的重分值数量进行数值计算得到重分系数,通过重分系数的数值对优化周期内的区域分割模式选择过程是否满足要求进行判定。
本发明在工作时,随机选取一种区域分割模式对热红外遥感影像进行区域分割并得到若干个检测区域;遍历检测区域并提取特征向量,随机选取与一个检测区域并标记为分析区域,将与分析区域相邻的检测区域标记为分析区域的关联区域,对分析区域与关联区域是否存在特征关联进行判定;将检测区域的特征向量与目标图像的特征向量进行匹配,若匹配结果为是,则记录目标位置;否则不做记录;生成优化周期,获取优化周期内针对同一热红外遥感影像进行区域分割时区域分割模块接收到重新分割信号的次数并标记为重分值M1,将数值为零、数值为一以及数值为二的重分值数量进行数值计算得到重分系数,通过重分系数的数值对优化周期内的区域分割模式选择过程是否满足要求进行判定。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式CF=(α2*CY+α3*CE)/(α1*CL);由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的重分系数;将设定的重分系数和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到α1、α2以及α3的取值分别为3.74、2.97和2.65;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的重分系数;只要不影响参数与量化后数值的比例关系即可,如重分系数与重二值的数值成正比。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于热红外遥感影像的目标检测方法,其特征在于,包括以下步骤:
步骤一:对热红外遥感影像进行图像分割处理:随机选取一种区域分割模式对热红外遥感影像进行区域分割并得到若干个检测区域;
步骤二:对热红外遥感影像的检测区域进行目标提取分析:遍历检测区域并提取特征向量,随机选取与一个检测区域并标记为分析区域,将与分析区域相邻的检测区域标记为分析区域的关联区域,对分析区域与关联区域是否存在特征关联进行判定;
步骤三:对热红外遥感影像的检测区域特征向量进行比对分析:将检测区域的特征向量与目标图像的特征向量进行匹配,若匹配结果为是,则记录目标位置;否则不做记录;
步骤四:对区域分割模式的选取优先级进行优化分析:生成优化周期,获取优化周期的重分系数,通过重分系数的数值对优化周期内的区域分割模式选择过程是否满足要求进行判定;
在步骤四中,优化周期的重分系数的获取过程包括:获取优化周期内针对同一热红外遥感影像进行区域分割时区域分割模块接收到重新分割信号的次数并标记为重分值M1,将数值为零的重分值数量标记为重零值,将数值为一的重分值数量标记为重一值,将数值为二的重分值数量标记为重二值;通过对重零值、重一值以及重二值进行数值计算得到优化周期的重分系数;
对优化周期内的区域分割模式选择过程是否满足要求进行判定的具体过程包括:将优化周期的重分系数与重分阈值进行比较:若重分系数小于重分阈值,则判定优化周期内的区域分割模式选取过程满足要求;若重分系数大于等于重分阈值,则判定优化周期内的区域分割模式选取过程不满足要求,将区域分割模块接收到重新分割信号时采用的垂切分割模式、外扩分割模式以及随机分割模式的次数标记为垂切值CQ、外扩值WK以及随机值SJ,为垂切分割模式、外扩分割模式以及随机分割模式生成对应的选取权重并分别标记为垂切权重CZ、外扩权重WZ以及随机权重SZ,垂切权重CZ、外扩权重WZ以及随机权重SZ的计算公式分别为:CZ=(1-CQ/M2)/2、WZ=(1-WK/M2)/2以及SZ=(1-SJ/M2)/2,其中M2为区域分割模块在优化周期内接收到重新分割信号的总次数;将垂切权重CZ、外扩权重WZ以及随机权重SZ发送至区域分割模块,在下一优化周期开始时,区域分割模块采用垂切权重CZ、外扩权重WZ以及随机权重SZ对区域分割模式进行选取。
2.根据权利要求1所述的一种基于热红外遥感影像的目标检测方法,其特征在于,在步骤一中,采用垂切分割模式对热红外遥感影像进行区域分割的过程包括:生成若干条横切线与纵切线,每条横切线均与热红外遥感影像底边平行,且相邻两条横切线之间的距离值均为C1,每条纵切线均与热红外遥感影像底边垂直,且相邻两条纵切线之间的距离值均为K1;由横切线与纵切线将热红外遥感影像分割为若干个封闭的检测区域;采用外扩分割模式对热红外遥感影像进行区域分割的过程包括:以热红外遥感影像的中心点为圆心,r1为半径画圆得到第一分割线,由第一分割线的包围区域构成第一个检测区域;以热红外遥感影像的中心点为圆心,2*r1为半径画圆得到第二分割线,由第一分割线与第二分割线的包围区域构成第二个检测区域;以此类推,直至热红外遥感影像的所有区域均完成分割;采用随机分割模式对热红外遥感影像进行区域分割的过程包括:将热红外遥感影像随机分割为若干个检测区域。
3.根据权利要求1所述的一种基于热红外遥感影像的目标检测方法,其特征在于,在步骤二中,对分析区域与关联区域是否存在特征关联进行判定的具体过程包括:由分析区域与关联区域组成组合区域,遍历组合区域并提取特征向量,将分析区域与关联区域的特征向量与组合区域的特征向量进行比对:若相同,则判定分析区域与关联区域之间不存在特征关联,选取下一个与分析区域相邻的检测区域标记为关联区域,直至分析区域与所有的相邻检测区域之间均不存在特征关联,随机选取下一个检测区域并标记为分析区域;若不相同,则判定分析区域与关联区域之间存在特征关联,目标检测模块向区域分割模块发送重新分割信号,区域分割模块接收到重新分割信号后在剩余区域分割模式中重新随机选取分割模式并将热红外遥感影像分割为若干个检测区域。
4.根据权利要求1所述的一种基于热红外遥感影像的目标检测方法,其特征在于,应用于基于热红外遥感影像的目标检测系统当中,包括区域分割模块、目标检测模块、特征分析模块以及分割优化模块;所述区域分割模块、目标检测模块、特征分析模块以及分割优化模块依次进行连接,所述特征分析模块、分割优化模块均与区域分割模块通信连接;
所述区域分割模块用于对热红外遥感影像进行图像分割处理并得到若干检测区域,将检测区域发送至目标检测模块;
所述目标检测模块用于对热红外遥感影像的检测区域进行目标提取分析;
所述特征分析模块用于对热红外遥感影像的检测区域特征向量进行比对分析;
所述分割优化模块用于对区域分割模式的选取优先级进行优化分析并对优化周期内的区域分割模式选取过程是否满足要求进行判定,在优化周期内的区域分割模式选取过程不满足要求时生成垂切权重CZ、外扩权重WZ以及随机权重SZ并发送至区域分割模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310480626.6A CN116486086B (zh) | 2023-04-28 | 2023-04-28 | 一种基于热红外遥感影像的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310480626.6A CN116486086B (zh) | 2023-04-28 | 2023-04-28 | 一种基于热红外遥感影像的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116486086A CN116486086A (zh) | 2023-07-25 |
CN116486086B true CN116486086B (zh) | 2023-10-03 |
Family
ID=87217577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310480626.6A Active CN116486086B (zh) | 2023-04-28 | 2023-04-28 | 一种基于热红外遥感影像的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486086B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522900B (zh) * | 2023-12-13 | 2024-05-17 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN109102003A (zh) * | 2018-07-18 | 2018-12-28 | 华中科技大学 | 一种基于红外物理特征融合的小目标检测方法和系统 |
CN109376750A (zh) * | 2018-06-15 | 2019-02-22 | 武汉大学 | 一种融合中波红外与可见光的遥感影像分类方法 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
CN110929640A (zh) * | 2019-11-20 | 2020-03-27 | 西安电子科技大学 | 一种基于目标检测的宽幅遥感描述生成方法 |
WO2020211284A1 (zh) * | 2019-04-18 | 2020-10-22 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113255452A (zh) * | 2021-04-26 | 2021-08-13 | 中国自然资源航空物探遥感中心 | 一种目标水体的提取方法及提取系统 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7203360B2 (en) * | 2003-04-09 | 2007-04-10 | Lee Shih-Jong J | Learnable object segmentation |
-
2023
- 2023-04-28 CN CN202310480626.6A patent/CN116486086B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN109376750A (zh) * | 2018-06-15 | 2019-02-22 | 武汉大学 | 一种融合中波红外与可见光的遥感影像分类方法 |
CN109102003A (zh) * | 2018-07-18 | 2018-12-28 | 华中科技大学 | 一种基于红外物理特征融合的小目标检测方法和系统 |
WO2020211284A1 (zh) * | 2019-04-18 | 2020-10-22 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
CN110929640A (zh) * | 2019-11-20 | 2020-03-27 | 西安电子科技大学 | 一种基于目标检测的宽幅遥感描述生成方法 |
CN113255452A (zh) * | 2021-04-26 | 2021-08-13 | 中国自然资源航空物探遥感中心 | 一种目标水体的提取方法及提取系统 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
一种面向对象的遥感影像多尺度分割方法;谭衢霖;刘正军;沈伟;;北京交通大学学报(第04期);全文 * |
基于光学遥感图像的目标检测与分类识别方法;姬晓飞;秦宁丽;;沈阳航空航天大学学报(第01期);全文 * |
遥感应用分析中影像分割方法;付卓;胡吉平;谭衢霖;刘正军;;遥感技术与应用(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116486086A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160654A (zh) | 基于特征点提取的毛巾标签缺陷检测方法 | |
CN116486086B (zh) | 一种基于热红外遥感影像的目标检测方法 | |
CN111798411B (zh) | 一种基于探地雷达和深度学习的混凝土内钢筋智能定位方法 | |
CN112102323B (zh) | 基于生成对抗网络和Caps-Unet网络的粘连细胞核分割方法 | |
CN108319672B (zh) | 基于云计算的移动终端不良信息过滤方法及系统 | |
CN114973207B (zh) | 一种基于目标检测的路标识别方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN110688927A (zh) | 一种基于时序卷积建模的视频动作检测方法 | |
CN112529678B (zh) | 一种基于自监督判别式网络的金融指数时序异常检测方法 | |
CN106372624A (zh) | 人脸识别方法及系统 | |
CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
US9286217B2 (en) | Systems and methods for memory utilization for object detection | |
CN112163636A (zh) | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 | |
CN116614366B (zh) | 一种基于边缘计算的工业互联网优化方法及系统 | |
CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
CN112329669B (zh) | 一种电子档案管理方法 | |
CN113034543A (zh) | 一种基于局部注意力机制的3D-ReID多目标追踪方法 | |
AU2020102152A4 (en) | Algorithm and Device for License Plate Number Recognition Based on Line Drawing | |
CN114299373A (zh) | 一种基于图像深度学习的海上目标识别方法 | |
CN114926395B (zh) | 一种光伏电板红外图像掉串检测方法和系统 | |
CN113435320B (zh) | 自适应配置多模型的人体姿态估计方法 | |
Zhang et al. | Complex crack detection of postearthquake building using a optimzied YOLOv4 model | |
CN117953540A (zh) | 基于特征增强的行人检测方法 | |
CN117333469A (zh) | 一种基于mask-rcnn的自关注区域的表面缺陷检测方法 |
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 |