CN116665062A - 基于遥感影像的矿产资源监测方法 - Google Patents
基于遥感影像的矿产资源监测方法 Download PDFInfo
- Publication number
- CN116665062A CN116665062A CN202310913287.6A CN202310913287A CN116665062A CN 116665062 A CN116665062 A CN 116665062A CN 202310913287 A CN202310913287 A CN 202310913287A CN 116665062 A CN116665062 A CN 116665062A
- Authority
- CN
- China
- Prior art keywords
- area
- shadow
- gray value
- mining area
- mining
- 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
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 47
- 239000011707 mineral Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000005065 mining Methods 0.000 claims abstract description 121
- 238000005286 illumination Methods 0.000 claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000005192 partition Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 13
- 230000011218 segmentation Effects 0.000 abstract description 8
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于遥感影像的矿产资源监测方法,包括:获取矿区图像进行预处理,对灰度值均衡化处理后的直方图进行分析获得阴影区域和阴影区域轮廓,获取产生阴影区域的光照方向,根据阴影区域轮廓上像素点斜率得到矿区分割线,根据矿区分割线得到矿区阴影区域,根据矿区阴影区域得到矿区区域,对矿区中阴影区域进行线性增强。本发明通过确定矿区图像中阴影归属区域,消除其它区域阴影的干扰,从而在使用现有分割算法过程中,可以得到边缘明显并且轮廓完整的矿产区域图像,通过对不同时间段的矿产区域图像进行比较,达到矿产资源监测的效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于遥感影像的矿产资源监测方法。
背景技术
在矿产资源的监测中,为更加方便地得到相应的矿产资源信息,将遥感技术应用到矿产资源的检测中,对矿产进行相应的识别和监测。在识别矿产资源的遥感影像中,为达到遥感影像的矿产资源监测效果,对影像中矿产部分进行分割,对比每个时间段矿产资源占比大小,达到相应监测效果。在对相关影像进行分割的过程中,会因为一些不可预估的问题影响分割效果,如矿产区域因为阴影的存在对分割效果产生不良影响。本发明就相关阴影问题进行解决,以便于进行后续矿产分割,达到相应的监测效果。
在矿产资源影像中,其矿区灰度较大,利用阈值分割的方式容易实现分割,但是现实场景中,往往由于阴影的存在,导致分割不完整。本发明就阴影归属问题展开分析,确定矿区阴影,为后续分割矿区提供良好条件。
发明内容
本发明提供基于遥感影像的矿产资源监测方法,以解决现有的问题。
本发明的基于遥感影像的矿产资源监测方法采用如下技术方案:
本发明一个实施例提供了基于遥感影像的矿产资源监测方法,该方法包括以下步骤:
对矿区灰度图像进行灰度值均衡化处理,获取灰度值均衡化处理后的直方图;
根据灰度值均衡化处理后的直方图得到阴影部分所在灰度值范围,根据阴影部分所在灰度值范围得到阴影区域和阴影区域轮廓;
获取阴影区域和产生阴影区域之间的分割线,根据分割线上像素点的梯度方向得到光照方向;
获取矿区分割线,将矿区分割线和阴影区域轮廓构成的区域作为矿区阴影区域;
根据矿区阴影区域和矿区分割线得到没有被阴影影响的矿区区域,根据没有被阴影影响的矿区区域的灰度值均值对矿区阴影区域进行线性增强得到增强后的矿区图像,对增强后的矿区图像中矿区区域进行监测。
进一步地,所述根据灰度值均衡化处理后的直方图得到阴影部分所在灰度值范围,包括的具体步骤如下:
将灰度值均衡化处理后的直方图拟合成连续曲线,获取连续曲线的最大极值点和所有极小值点,将距离最大极值点的极小值点作为高峰左侧端点,将高峰左侧端点灰度值记为,阴影部分所在灰度值范围为/>。
进一步地,所述根据阴影部分所在灰度值范围得到阴影区域和阴影区域轮廓,包括的具体步骤如下:
将均衡化后的矿区图像中像素点灰度值在阴影部分所在灰度值范围之外的像素点灰度值置为255,将灰度值为255的区域记为阴影区域,并得到阴影区域轮廓。
进一步地,所述获取阴影区域和产生阴影区域之间的分割线,具体获取方法如下:
获取阴影区域轮廓上像素点,将阴影区域轮廓上像素点拟合连接成曲线,对拟合曲线上所有像素点做切线,获取所有像素点的切线斜率,预设斜率阈值范围,当拟合曲线上像素点的切线斜率满足斜率阈值范围时,获取满足斜率阈值范围的像素点,将满足斜率阈值范围的像素点拟合成直线,拟合直线则为阴影区域和产生阴影区域之间的分割线。
进一步地,所述根据分割线上像素点的梯度方向得到光照方向,包括的具体步骤如下:
将均衡化后的矿区图像中像素点灰度值在阴影部分所在灰度值范围内的像素点灰度值置为0,获取阴影区域和产生阴影区域之间的分割线,获取分割线上每个像素点的梯度角度,规定梯度方向为灰度值从0到255的方向,选取分割线上所有像素点的梯度角度数量最多的梯度角度作为梯度代表方向,将梯度代表方向的反方向作为光照方向。
进一步地,所述获取矿区分割线,具体获取方法如下:
获取所有阴影区域和产生阴影区域之间的分割线,获取拟合直线上属于阴影区域轮廓像素点的梯度代表方向,若梯度代表方向和光照方向反向时,则拟合直线为矿区分割线。
进一步地,所述根据矿区阴影区域和矿区分割线得到没有被阴影影响的矿区区域,包括的具体步骤如下:
将矿区阴影区域按照矿区分割线作为对称轴得到对称区域,将对称区域作为没有被阴影影响的矿区区域。
进一步地,所述根据没有被阴影影响的矿区区域的灰度值均值对矿区阴影区域进行线性增强得到增强后的矿区图像,包括的具体步骤如下:
其中,表示矿区阴影区域中像素点的灰度值,/>表示线性增强后像素点的灰度值,/>为线性增强的斜率,/>为线性增强的截距,对均衡化后的矿区图像中所有矿区阴影区域中像素点进行线性增强得到增强后的矿区图像。
进一步地,所述线性增强的斜率以及线性增强的截距的具体获取方法如下:
获取线性增强后矿区阴影区域的灰度值均值和没有被阴影影响的矿区区域的灰度值均值,通过调节使得线性增强后矿区阴影区域的灰度值均值和没有被阴影影响的矿区区域的灰度值均值相等。
本发明的技术方案的有益效果是:通过确认矿区图像中阴影区域的归属区域,是属于矿区阴影还是山体阴影,根据阴影区域和产生阴影区域之间的分割线以及梯度代表方向得到矿区分割线,进而根据矿区分割线得到矿区阴影,消除其它区域阴影的干扰,通过对矿区阴影进行增强,使得矿区的完整性更好,从而在使用现有分割算法过程中,可以得到边缘明显并且轮廓完整的矿产区域图像。对不同时间段的矿产区域图像进行比较,可以起到较好的遥感影像矿产资源监测效果。
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为本发明基于遥感影像的矿产资源监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于遥感影像的矿产资源监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于遥感影像的矿产资源监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于遥感影像的矿产资源监测方法的步骤流程图,该方法包括以下步骤:
步骤S001、获取矿区图像进行预处理。
本实施例是基于遥感影像的矿产资源检测,因此先要获取矿区图像并对矿区图像进行预处理。
具体的,利用遥感卫星获取矿区图像,对矿区图像进行灰度化,对灰度化后的矿区图像进行灰度值均衡化处理得到均衡化后的矿区图像,灰度值均衡化处理目的是增加光照产生的阴影部分与山体以及矿产区域的对比度,方便后续阴影去除等操作,获取灰度值均衡化处理后的直方图,获取灰度值均衡化处理后的直方图目的是获取不同区域灰度值及其像素点数量,便于后续得到阴影部分像素点分布特征及其分布范围。
至此,得到了灰度化后的矿区图像和灰度值均衡化处理后的直方图。
需要说明的是,对矿产资源进行分割的过程中,因为山体和矿产部分由光照产生的阴影影响,导致像素的灰度值分布较为分散,且矿区阴影部分直接影响着分割结果,所以整体分割效果变得很不理想,没有固定可利用的特征,并且无法确定哪一部分阴影为矿区阴影,寻找矿区阴影的目的是去除矿区阴影,增强矿区整体灰度值,利于矿区的分割。因此需要确认阴影部分归属区域,由于阴影部分灰度值普遍偏低,可以选取一个灰度值阈值,此阈值的作用是将不在此阈值范围的灰度值变255处理,从而确定出阴影部分区域及其轮廓,在确定轮廓之后,观察阴影部分分布规律,确定阴影部分,从而消除阴影部分对矿产区域分割带来的不利影响。
步骤S002、对灰度值均衡化处理后的直方图进行分析获得阴影区域和阴影区域轮廓。
需要说明的是,均衡化后的矿区图像中阴影部分灰度值普遍低于矿区图像中其他部分,因此可以根据灰度值均衡化处理后的直方图分析阴影部分所在灰度值范围。
具体的,将灰度值均衡化处理后的直方图拟合成连续曲线,获取连续曲线的最大极值点和所有极小值点,将距离最大极值点最近的极小值点作为高峰左侧端点,将高峰左侧端点灰度值记为,阴影部分所在灰度值范围为/>。灰度值范围的左侧灰度值为0,因为矿区和山体部分最小灰度值大于阴影部分灰度值,所以0可以囊括到阴影部分灰度值范围之内,直方图高峰处为山体部分,高峰左侧端点即为阴影部分最大灰度值。
进一步地,将均衡化后的矿区图像中像素点灰度值在阴影部分所在灰度值范围之外的像素点灰度值置为255,将灰度值为255的区域记为阴影区域,并得到阴影区域轮廓。
至此,得到了阴影区域和阴影区域轮廓。
步骤S003、获取产生阴影区域的光照方向。
需要说明的是,步骤S002获得了阴影区域,目的是易于观察阴影轮廓信息和阴影规律,从而确定光照方向。为了更好的确定光照方向,本实例引入分割线的定义,分割线具体为阴影区域和产生阴影区域之间的分割线,通过分析分割线两侧最近的像素点之间的梯度方向,归纳梯度方向的整体朝向,归纳整体朝向的目的是确定准确的梯度方向,因为分割线不是一条直线,所有小部分梯度方向与整体朝向不一致。
具体的,均衡化后的矿区图像中像素点灰度值在阴影部分所在灰度值范围之外的像素点灰度值已经被置为255,将均衡化后的矿区图像中像素点灰度值在阴影部分所在灰度值范围内的像素点灰度值置为0,将形成阴影区域的所在的区域作为产生阴影区域,获取阴影区域和产生阴影区域之间的分割线,具体获取方法见步骤S004,获取分割线上每个像素点的梯度角度,此处规定梯度方向为灰度值从0到255的方向,需要说明的是,分割线两侧最近的像素点灰度值为0或255,因此利用现有Sobel算法可以很方便的获取分割线上每个像素点的梯度角度,选取分割线上所有像素点的梯度角度数量最多的梯度角度作为梯度代表方向,取数量最多的梯度角度作为梯度代表方向目的是排除小部分梯度方向与整体朝向不一致的情况,通过阴影产生原理可以得到梯度代表方向和光照方向反向,因此将梯度代表方向的反方向作为光照方向。
至此,得到了光照方向。
步骤S004、根据阴影区域轮廓上像素点斜率得到矿区分割线,根据矿区分割线得到矿区阴影区域。
需要说明的是,对于矿区的阴影确定,根据阴影形成原理,在实际的遥感影像中,“凹”的区域和“凸”的区域阴影形成原理不同,“凹”的区域一般是开采之后的矿区,“凸”的区域一般为山区,通过分析阴影形成原理,从而确定出“凹”的矿区阴影,排除其他阴影对矿区的检测。
具体的,以任意一个阴影区域为例进行如下分析,获取阴影区域轮廓上像素点,将阴影区域轮廓上像素点拟合连接成曲线,判断拟合成的曲线是否近似一条直线,对拟合曲线上所有像素点做切线,获取所有像素点的切线斜率,预设斜率阈值范围,本实施例以斜率阈值范围为进行叙述,当拟合曲线上像素点的切线斜率满足斜率阈值范围时,获取满足斜率阈值范围的像素点,将满足斜率阈值范围的像素点拟合成直线,拟合直线则为阴影区域和产生阴影区域之间的分割线,获取拟合直线上属于阴影区域轮廓像素点的梯度代表方向,若梯度代表方向和光照方向反向时,则拟合直线为矿区分割线,若梯度代表方向和光照方向不反向时,则拟合直线为山体分割线,对于山体分割线进行舍去。
进一步地,获取矿区分割线和对应阴影区域轮廓构成的区域,将矿区分割线和对应阴影区域轮廓构成的区域作为矿区阴影区域。
至此,得到了矿区阴影区域。
步骤S005、根据矿区阴影区域得到矿区区域,对矿区中阴影区域进行线性增强。
具体的,步骤S004获得了矿区阴影区域,由于矿区区域包含未被阴影部分影响的矿区,且矿区阴影区域和未被阴影部分影响的矿区基本对称,根据对称性原理,将矿区阴影区域按照矿区分割线作为对称轴得到对称区域,则矿区区域为矿区阴影区域和对称区域的集合,获取均衡化后的矿区图像中所有矿区阴影区域。
进一步地,对矿区阴影区域进行线性增强,具体如下:
其中,表示矿区阴影区域中像素点的灰度值,/>表示线性增强后像素点的灰度值,/>为线性增强的斜率,本实例中以/>进行叙述,/>为线性增强的截距,本实例以/>进行叙述,具体/>的确定如下。
进一步地,将对称区域作为没有被阴影影响的矿区区域,获取线性增强后矿区阴影区域的灰度值均值和没有被阴影影响的矿区区域的灰度值均值,通过调节使得线性增强后矿区阴影区域的灰度值均值和没有被阴影影响的矿区区域的灰度值均值相等,最终得到完整的矿区区域,对均衡化后的矿区图像中所有矿区阴影区域进行线性增强得到增强后的矿区图像,后续通过对增强后的矿区图像中矿区区域进行监测,达到矿产资源监测效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于遥感影像的矿产资源监测方法,其特征在于,该方法包括以下步骤:
对矿区灰度图像进行灰度值均衡化处理,获取灰度值均衡化处理后的直方图;
根据灰度值均衡化处理后的直方图得到阴影部分所在灰度值范围,根据阴影部分所在灰度值范围得到阴影区域和阴影区域轮廓;
获取阴影区域和产生阴影区域之间的分割线,根据分割线上像素点的梯度方向得到光照方向;
获取矿区分割线,将矿区分割线和阴影区域轮廓构成的区域作为矿区阴影区域;
根据矿区阴影区域和矿区分割线得到没有被阴影影响的矿区区域,根据没有被阴影影响的矿区区域的灰度值均值对矿区阴影区域进行线性增强得到增强后的矿区图像,对增强后的矿区图像中矿区区域进行监测。
2.根据权利要求1所述基于遥感影像的矿产资源监测方法,其特征在于,所述根据灰度值均衡化处理后的直方图得到阴影部分所在灰度值范围,包括的具体步骤如下:
将灰度值均衡化处理后的直方图拟合成连续曲线,获取连续曲线的最大极值点和所有极小值点,将距离最大极值点的极小值点作为高峰左侧端点,将高峰左侧端点灰度值记为,阴影部分所在灰度值范围为/>。
3.根据权利要求1所述基于遥感影像的矿产资源监测方法,其特征在于,所述根据阴影部分所在灰度值范围得到阴影区域和阴影区域轮廓,包括的具体步骤如下:
将均衡化后的矿区图像中像素点灰度值在阴影部分所在灰度值范围之外的像素点灰度值置为255,将灰度值为255的区域记为阴影区域,并得到阴影区域轮廓。
4.根据权利要求1所述基于遥感影像的矿产资源监测方法,其特征在于,所述获取阴影区域和产生阴影区域之间的分割线,具体获取方法如下:
获取阴影区域轮廓上像素点,将阴影区域轮廓上像素点拟合连接成曲线,对拟合曲线上所有像素点做切线,获取所有像素点的切线斜率,预设斜率阈值范围,当拟合曲线上像素点的切线斜率满足斜率阈值范围时,获取满足斜率阈值范围的像素点,将满足斜率阈值范围的像素点拟合成直线,拟合直线则为阴影区域和产生阴影区域之间的分割线。
5.根据权利要求1所述基于遥感影像的矿产资源监测方法,其特征在于,所述根据分割线上像素点的梯度方向得到光照方向,包括的具体步骤如下:
将均衡化后的矿区图像中像素点灰度值在阴影部分所在灰度值范围内的像素点灰度值置为0,获取阴影区域和产生阴影区域之间的分割线,获取分割线上每个像素点的梯度角度,规定梯度方向为灰度值从0到255的方向,选取分割线上所有像素点的梯度角度数量最多的梯度角度作为梯度代表方向,将梯度代表方向的反方向作为光照方向。
6.根据权利要求1所述基于遥感影像的矿产资源监测方法,其特征在于,所述获取矿区分割线,具体获取方法如下:
获取所有阴影区域和产生阴影区域之间的分割线,获取拟合直线上属于阴影区域轮廓像素点的梯度代表方向,若梯度代表方向和光照方向反向时,则拟合直线为矿区分割线。
7.根据权利要求1所述基于遥感影像的矿产资源监测方法,其特征在于,所述根据矿区阴影区域和矿区分割线得到没有被阴影影响的矿区区域,包括的具体步骤如下:
将矿区阴影区域按照矿区分割线作为对称轴得到对称区域,将对称区域作为没有被阴影影响的矿区区域。
8.根据权利要求1所述基于遥感影像的矿产资源监测方法,其特征在于,所述根据没有被阴影影响的矿区区域的灰度值均值对矿区阴影区域进行线性增强得到增强后的矿区图像,包括的具体步骤如下:
其中,表示矿区阴影区域中像素点的灰度值,/>表示线性增强后像素点的灰度值,/>为线性增强的斜率,/>为线性增强的截距,对均衡化后的矿区图像中所有矿区阴影区域中像素点进行线性增强得到增强后的矿区图像。
9.根据权利要求8所述基于遥感影像的矿产资源监测方法,其特征在于,所述线性增强的斜率以及线性增强的截距的具体获取方法如下:
获取线性增强后矿区阴影区域的灰度值均值和没有被阴影影响的矿区区域的灰度值均值,通过调节使得线性增强后矿区阴影区域的灰度值均值和没有被阴影影响的矿区区域的灰度值均值相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913287.6A CN116665062A (zh) | 2023-07-25 | 2023-07-25 | 基于遥感影像的矿产资源监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913287.6A CN116665062A (zh) | 2023-07-25 | 2023-07-25 | 基于遥感影像的矿产资源监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665062A true CN116665062A (zh) | 2023-08-29 |
Family
ID=87715593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913287.6A Pending CN116665062A (zh) | 2023-07-25 | 2023-07-25 | 基于遥感影像的矿产资源监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665062A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210110176A1 (en) * | 2019-10-14 | 2021-04-15 | Denso Corporation | Obstacle identification apparatus and obstacle identification program |
US20220005252A1 (en) * | 2020-07-01 | 2022-01-06 | GE Precision Healthcare LLC | Method and system for controlling a virtual light source for volume-rendered images |
CN114187529A (zh) * | 2021-12-06 | 2022-03-15 | 北京理工大学 | 小天体表面复杂地形特征检测方法 |
CN116051822A (zh) * | 2022-09-22 | 2023-05-02 | 北京航天飞行控制中心 | 凹障碍的识别方法和装置、处理器及电子设备 |
CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
-
2023
- 2023-07-25 CN CN202310913287.6A patent/CN116665062A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210110176A1 (en) * | 2019-10-14 | 2021-04-15 | Denso Corporation | Obstacle identification apparatus and obstacle identification program |
US20220005252A1 (en) * | 2020-07-01 | 2022-01-06 | GE Precision Healthcare LLC | Method and system for controlling a virtual light source for volume-rendered images |
CN114187529A (zh) * | 2021-12-06 | 2022-03-15 | 北京理工大学 | 小天体表面复杂地形特征检测方法 |
CN116051822A (zh) * | 2022-09-22 | 2023-05-02 | 北京航天飞行控制中心 | 凹障碍的识别方法和装置、处理器及电子设备 |
CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
Non-Patent Citations (2)
Title |
---|
AN LIU等: "Saliency detection and edge feature matching approach for crater extraction", JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS, vol. 26, no. 6, pages 1291 - 1300 * |
徐辛超: "一种结合灰度特征的月面撞击坑提取方法", 遥感信息, vol. 32, no. 1, pages 79 - 84 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN107705314B (zh) | 一种基于灰度分布的多物体图像分割方法 | |
Mokhtarian et al. | Robust image corner detection through curvature scale space | |
CN110008932B (zh) | 一种基于计算机视觉的车辆违章压线检测方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
Jahedsaravani et al. | Development of a new algorithm for segmentation of flotation froth images | |
CN110009653A (zh) | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
CN113570628B (zh) | 一种基于活动轮廓模型的白细胞分割方法 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN103020953A (zh) | 一种指纹图像的分割方法 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN117541582A (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN110473224B (zh) | 一种基于kl熵的rsf水平集图像自动分割方法 | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
CN116665062A (zh) | 基于遥感影像的矿产资源监测方法 | |
Tao | Enhanced Canny Algorithm for Image Edge Detection in Print Quality Assessment | |
CN115294314A (zh) | 一种电子元器件表面缺陷识别方法 | |
CN112102350A (zh) | 一种基于Otsu和Tsallis熵的二次图像分割方法 | |
CN117558068B (zh) | 基于多源数据融合的智能设备手势识别方法 |
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 |