CN116823949B - 一种小型化无人机机载实时图像处理装置 - Google Patents

一种小型化无人机机载实时图像处理装置 Download PDF

Info

Publication number
CN116823949B
CN116823949B CN202310697877.XA CN202310697877A CN116823949B CN 116823949 B CN116823949 B CN 116823949B CN 202310697877 A CN202310697877 A CN 202310697877A CN 116823949 B CN116823949 B CN 116823949B
Authority
CN
China
Prior art keywords
image
frame
real
unmanned aerial
aerial vehicle
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
Application number
CN202310697877.XA
Other languages
English (en)
Other versions
CN116823949A (zh
Inventor
胡进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Tianjin Technology Co ltd
Original Assignee
Wuhan Tianjin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Tianjin Technology Co ltd filed Critical Wuhan Tianjin Technology Co ltd
Priority to CN202310697877.XA priority Critical patent/CN116823949B/zh
Publication of CN116823949A publication Critical patent/CN116823949A/zh
Application granted granted Critical
Publication of CN116823949B publication Critical patent/CN116823949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种小型化无人机机载实时图像处理装置，利用帧内图像局部特征进行图像帧内质量优化，利用帧间图像变化的相关性特征进行连续图像质量增强。在小型化嵌入式设备上对机载采集图像进行实时优化处理，提高采集图像观测质量，使设备能够充分适应无人机工作的各种环境，对人工观测以及后端AI处理带来了更佳的便利性。

Description

一种小型化无人机机载实时图像处理装置
技术领域
本发明内容属于计算机视觉、图像识别技术、图像处理技术、边缘计算技术、嵌入式开发技术领域，特别地，涉及一种小型化机载实时图像处理技术。
背景技术
小型化机载实时图像处理是指在无人机上安装小型化的、嵌入式的边缘计算系统，用于对无人机所获取的实时图像进行处理和分析。嵌入式系统是一种专门设计的计算机系统，通常被用于控制和监测各种机器和设备。在无人机上安装嵌入式系统可以使其具备更加智能化的功能，例如对图像进行实时处理和分析。
实时图像处理是指对实时采集的图像进行即时处理和分析的过程。无人机载嵌入式实时图像处理技术可以应用于各种领域，例如农业、环境监测、建筑监测、搜索与救援等。例如，在农业领域，无人机可以通过拍摄作物生长情况的实时图像，进行分析和判断，以提高农业生产效率和减少浪费。
小型化机载实时图像处理技术需要涉及到图像采集、图像传输、图像处理和分析等多个方面。其中，图像处理和分析是整个过程的核心。无人机所采集到的图像数据需要通过嵌入式系统进行处理，分析出其中所包含的信息，并根据需要进行相应的反馈和控制。这就要求嵌入式系统具备较高的计算能力和实时性能。
总之，小型化机载实时图像处理技术是一项较为复杂的技术，需要涉及到多个方面的知识和技术。但是，它具备较高的应用价值和发展前景，将在未来的各个领域得到广泛应用。其中，图像质量优化、增强处理技术是这一项技术的前端技术，位于图像处理链的最前端，清晰的图像质量无论对人工观测还是后端处理均具有促进作用。同时，在保证图像质量的前提下尽量缩小图像文件大小对无人机的应用来说也是非常重要的。
现有技术中虽然提出了很多图像处理算法，但大多数是针对单张图像进行处理，这使得图像处理效果有限，且数据冗余较多，这对无人机与地面的通讯带宽提出了较高要求。也有使用多尺度Retinex进行图像处理，但依然无法很好解决上述问题。随着神经网络的发展，现有技术中开始研究将神经网络应用于图像处理中，虽然取得了一定的效果，但这些神经网络并不是专门用于无人机图像实时处理，大多数是针对采集得到的图像进行后台处理，因此为了追求图像处理效果，网络结构较为复杂。由此带来处理速度较慢的问题，不适合无人机实时图像处理。
发明内容
为了能够实时、连续处理无人机多帧图像，获得较好的图像质量和较低的图像冗余，为后续轨迹追踪、目标分析提供实时支持，本发明提出一种小型化机载实时图像质量优化处理技术，利用帧内图像局部特征进行图像帧内质量优化，利用帧间图像变化的相关性特征进行连续图像质量增强。在小型化嵌入式设备上对机载采集图像进行实时优化处理，提高采集图像观测质量，使设备能够充分适应无人机工作的各种环境，对人工观测以及后端AI处理带来了更佳的便利性。
一种小型化无人机机载实时图像处理装置，实时图像处理装置设置在无人机上，接收无人机的图像采集装置采集的图像序列，并进行实时处理，所述实时处理方法包括：
步骤1：对于采集到的一张图像，随机采样选取一组三个种子点、、，记录其 坐标、、，对于每一个种子点，记录其邻域内的动态系数如下：
其中，n=1、2、3；、、表示各种子点的动态系数，表示核函数的尺寸，假 设，如果：则不将动态系数最大的种子点加入种子点集 合，否则将种子点加入种子点集合，继续随机采样过程，重复上述随机采样过程直至在 种子点集合中包括256个种子点后停止；
以上述256个种子点及每个种子点的邻域为样本建立高斯模型：
求取使上式中取得最小的参数的值，作为核函数的优化参数；其中，
是种子点序数，表示种子点邻域中的坐标，, 表示某个种 子点在图像中的坐标；
步骤2：对于连续采集的一组图像、、…、分别利用步骤1的方 法可以得到一组核函数的优化参数、、…、；构建神经网络模型，以、 、…、，、、…、为输入，以为输出，根据帧图像、帧参数，估计第帧的 参数：
其中为激励函数，为偏置参数，，，、是与 对应的自由基函数；是L帧图像数据经过两层神经网络后的输出，是、、…、构 成的L-1维向量；由此，将帧图像数据与帧参数联合起来，并求解第帧核函数参数。
将求解出的第帧核函数优化参数带入下式中，求解真实图像：
其中，式中=，是卷积运算符，u、v是卷积核的像素坐标。
根据步骤2还能够获得第L+1、L+2、L+3…帧图像，从而实时获得清晰的机载图像序列。
使用神经网络模型前，需要先根据训练样本数据求解神经网络模型中未知参数的值。
所述求解采用BP算法。
BP算法中代价函数采用一阶范数：
其中是模型输出值，是样本真值。
一种小型化无人机，包括上述实时图像处理装置。
还包括图像采集装置和数据传输装置。
图像采集装置安装在无人机上，用于实时采集无人机飞过环境的图像，并讲图像传输至实时图像处理装置。
数据传输装置用于实时接收处理后的图像，并将其通过无线网络发送至地面控制系统。
本发明的发明点及技术效果：
1、本发明提出一种帧内图像优化参数计算方法，通过随机取样进行集合构建，使得图像处理更佳快捷，处理质量佳。
2、在帧内图像优化的基础上，提出了通过多帧连续图像进行帧间图像变化的相关性特征进行连续图像质量优化增强的方法，两者相互结合，利用前面的多幅图像和图像优化参数来优化后面的图像参数，从而在不增加过多计算负担的基础上，极大地降低了数据冗余，提高了图像质量，且能够保证实时性。
3、优化了神经网络模型结构，使得在较小的网络规模情况下能够获得较佳的图像处理质量，且处理速度较快，实时性佳。
具体实施方式
无人机图像监控系统包括：无人机、图像采集装置、实时图像处理装置、数据传输装置和地面控制系统。
其中图像采集装置安装在无人机上，用于实时采集无人机飞过环境的图像，并讲图像传输至实时图像处理装置。
实时图像处理装置设置在无人机上，接收图像采集装置采集的图像序列，并进行实时处理，从而获得清晰、空间占用少的图像，并将处理后的图像实时传输至数据传输装置。
数据传输装置用于实时接收处理后的图像，并将其通过无线网络发送至地面控制系统。
地面控制系统实时接收无人机传回的处理后的清晰图像，并进行后续进一步处理、存储和利用。同时，地面控制系统控制无人机的飞行参数。作为一种优选，可以使用实时传输的图像进行飞行轨迹、速度、姿态的控制调整。
实时图像处理装置实施如下算法：
步骤1：单帧图像优化因子计算
根据图像入射反射模型，该模型包含三个分量，即成像分量、入射分量和反射分量。其中，成像分量是相机采集图像获得的结果，入射分量是环境光照的强度，反射分量表示被拍摄物的反射强度。用公式表达如下。
其中表示相机成像的图像，表示环境光照的强度，表示反射强度；表示各图像中的像素坐标。根据入射反射模型，直接观测 值是带有噪声的，即，而观测物的真实观测值是。为了从 中获得真实观测，就需要去除的影响。
将上式移项并取对数，可得：
其中，表示自然对数。仅根据相机采集的数据无法重建。因此一般采 用观测值与某个核函数的卷积来模拟。即：
其中，是核函数，是卷积运算符，表示卷积核的像素坐标。
上述方法可以实现单帧图像优化增强，但核函数的选取是一个难点，如果选取不当的核函数，在强光阴影过渡区容易出现光晕现象等，反而引入了额外的噪声。
为了克服上述问题，本发明对核函数的估计方法进行了改进。优化计算核函数的参数，能够避免核函数选取不当带来的光晕、纹理不清晰、颜色扭曲等现象。
所述优化计算方法如下。
选取一组三个种子点、、，坐标分别记为、、。三个种子 点互相独立，且服从均值为0，方差为的高斯分布。其中、Y分别为图像的宽、高尺寸，为经验参数，优选。
建立一个种子点集合，初始时集合为空。根据上述分布要求随机采样选取一组三 个种子点、、，记录其坐标、、。对于每一个种子点，记录其邻域内的动态系数如下：
、、表示各种子点的动态系数，表示核函数的尺寸。
假设，如果：
则不将动态系数最大的种子点加入种子点集合，否则将种子点加入种子点 集合，继续随机采样过程。
采用式4、5所述动态系数对随机采样的种子点进行筛选，动态系数反映了一个像素周围的变化程度，如果动态系数过大，可能意味着这个像素处于变化较大的区域，例如边缘；通过式5过滤掉边缘位置的种子点，可以克服上述方法中在光亮变化大的区域引入额外噪声，改善图像优化效果。
重复上述随机采样过程直至在种子点集合中包括256个种子点后停止。
以上述256个种子点及每个种子点的邻域为样本建立高斯模型，高斯模型 的样本维度为。
其中，
是种子点序数，表示种子点邻域中的坐标，, 表示某个种 子点在图像中的坐标，表示高斯模型的方差。求取使式6取得最小的参数的值，作为核函 数的优化参数。
根据优化参数，计算真实观测如下：
其中为自然指数函数。
步骤2：利用帧间图像变化的相关性特征进行连续图像质量优化增强。
对于多帧连续图像处理通常假设相邻帧之间的变化是强相关的，即连续两帧的处理参数在参数空间的分布上相对靠近。利用上述假设，可以进一步对连续图像进行优化增强。
设连续帧图像分别记为、、…、。其对应的记为、、…、。根据式3，有：
式中、…、为相应核函数，假设其各自服从、…、的高 斯分布，记为：
采用同配置相机采集一组图像，即、、…、，、 、…、。根据步骤1，可求解核函数、…、的高斯分布参数、…、。
将上述一组图像中的、、…、，及参数、…、，组成一组样 本，样本输入为、、…、，、…、，样本输出为。即根据帧图像、帧参数，估计第帧的参数。
根据上述样本的组成维度，建立优化模型，实现连续帧的参数计算。
定义模型的输入空间为：
为一矩阵，矩阵中每个元素记为：
为维向量。向量中每个元素为第1到帧参数。Y为原图像的 高度。
定义：
为遍历参数。
定义：
其中表示三维卷积核，为卷积核中各维度的坐标，表示偏置参 数，为非线性激励函数，定义：
由于三位卷积核是一种线性运算，而现实中数据的模式通常是非线性的，因此加 入非线性函数使模型更加逼近现实数据。而为调节参数，用于增加正、负样本 之间的差异惩罚，有助于改善模型性能。优选。
上述式11利用三维卷积核提取连续帧的相关性。
将三维卷积后的数据映射到一维向量，保持与的维数一致，如下。
称为自由基函数，用于将三维卷积映射到一维向量，从而实现不同维度之间的映 射模型；三维卷积后的每一个标量值（即）通过自由基函数与一维数据的每一个 标量值（即）具有唯一且独立的相关性。为L维向量。将三维数据映射到一维数据，一 方面降低了数据的维度，提高了计算处理效率，另一方面也使处理后的数据与的维数 一致，便于后续处理。函数起与之前同样效果，按式12定义。
根据与，定义：
其中同12，为偏置参数，，，、是与对应的 自由基函数。通过式14将帧图像数据与帧参数联合起来，并求解第帧参数。
使用上述10-14所描述的模型，需要先根据训练样本数据求解各式中未知参数的 值，包括、、、、、、等。可采用BP算法对上述模型求解，BP模型的代价函数采用 一阶范数：
其中是模型输出值，是样本真值。
使用上述连续帧模型时，前L-1帧可根据步骤1的单帧方法求解，自第L帧开始，同时采用单帧方法与上述连续帧模型进行图像质量优化。
将求解得到第帧参数作为公式（7）中的参数，并对公式（7）进行计算，从而对 图像进行处理，获得较佳的第L帧图像。
以此类推，可以获得第L+1、L+2、L+3…帧图像，从而获得清晰的机载图像，由此可以实现机载图像的实时处理，最终获得连续的、清晰的机载图像，从而提高无人机图像采集能力。
本发明提出一种小型化机载实时图像质量优化处理技术，利用帧内图像局部特征进行图像帧内质量优化，利用帧间图像变化的相关性特征进行连续图像质量增强。在小型化嵌入式设备上对机载采集图像进行实时优化处理，提高采集图像观测质量。试验结果表明本发明方法与经典Retinex优化方法相比，在性能相当的情况下，信噪比（图像质量评价的客观指标，越高越好）更高。
参考方法 峰值信噪比(PSNR) 单帧响应时间（处理时间） 冗余降低量
常规处理 18.47 0.025s 16%
多尺度Retinex 29.25 0.013s 28%
大规模神经网络 40.31 0.116s 42%
本发明 36.48 0.014s 44%
可以理解，本发明的说明书仅是对技术方案的充分描述，并不是对权利范围的限定。以该说明书提出的发明构思为前提，相关的变形都在本发明的保护范围之内。

Claims (10)

1.一种小型化无人机机载实时图像处理装置，其特征在于：实时图像处理装置设置在无人机上，接收无人机的图像采集装置采集的图像序列，并进行实时处理，所述实时处理方法包括：
步骤1：对于采集到的一张图像，随机采样选取一组三个种子点/>、/>、/>，记录其坐标、/>、/>，对于每一个种子点，记录其邻域/>内的动态系数如下：
，
其中，n=1、2、3；、/>、/>表示各种子点的动态系数，/>表示核函数的尺寸，假设，如果：/>则不将动态系数最大的种子点/>加入种子点集合，否则将种子点/>加入种子点集合，继续随机采样过程，重复上述随机采样过程直至在种子点集合中包括256个种子点后停止；
以上述256个种子点及每个种子点的邻域为样本建立高斯模型：
，
求取使上式中取得最小的参数/>的值，作为核函数的优化参数；其中，
，
是种子点序数，/>表示种子点邻域中的坐标，/>, />表示某个种子点在图像中的坐标；
步骤2：对于连续采集的一组图像、/>、…、/>分别利用步骤1的方法可以得到一组核函数的优化参数/>、/>、…、/>；构建神经网络模型，以/>、/>、…、，/>、/>、…、/>为输入，以/>为输出，根据/>帧图像、/>帧参数，估计第/>帧的参数：
，
其中为激励函数，/>为偏置参数，/>，/>，/>、/>是与/>对应的自由基函数；/>是L帧图像数据经过两层神经网络后的输出，/>是/>、/>、…、/>构成的L-1维向量；由此，将/>帧图像数据与/>帧参数联合起来，并求解第/>帧核函数参数/>。
2.如权利要求1所述装置，其特征在于：将求解出的第帧核函数优化参数/>带入下式中，求解真实图像/>：
，
其中，式中=/>，/>是卷积运算符，u、v是卷积核的像素坐标。
3.如权利要求1所述装置，其特征在于：根据步骤2还能够获得第L+1、L+2、L+3…帧图像，从而实时获得清晰的机载图像序列。
4.如权利要求1所述装置，其特征在于：使用神经网络模型前，需要先根据训练样本数据求解神经网络模型中未知参数的值。
5.如权利要求4所述装置，其特征在于：所述求解采用BP算法。
6.如权利要求4所述装置，其特征在于：BP算法中代价函数采用一阶范数：
，
其中是模型输出值，/>是样本真值。
7.一种小型化无人机，其特征在于：包括如权利要求1-6任意一项实时图像处理装置。
8.如权利要求7所述的无人机，其特征在于：还包括图像采集装置和数据传输装置。
9.如权利要求8所述的无人机，其特征在于：图像采集装置安装在无人机上，用于实时采集无人机飞过环境的图像，并讲图像传输至实时图像处理装置。
10.如权利要求8所述的无人机，其特征在于：数据传输装置用于实时接收处理后的图像，并将其通过无线网络发送至地面控制系统。
CN202310697877.XA 2023-06-13 2023-06-13 一种小型化无人机机载实时图像处理装置 Active CN116823949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310697877.XA CN116823949B (zh) 2023-06-13 2023-06-13 一种小型化无人机机载实时图像处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310697877.XA CN116823949B (zh) 2023-06-13 2023-06-13 一种小型化无人机机载实时图像处理装置

Publications (2)

Publication Number Publication Date
CN116823949A CN116823949A (zh) 2023-09-29
CN116823949B true CN116823949B (zh) 2023-12-01

Family

ID=88113835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310697877.XA Active CN116823949B (zh) 2023-06-13 2023-06-13 一种小型化无人机机载实时图像处理装置

Country Status (1)

Country Link
CN (1) CN116823949B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7813581B1 (en) * 2005-05-06 2010-10-12 Fitzpatrick Ben G Bayesian methods for noise reduction in image processing
CN105225234A (zh) * 2015-09-18 2016-01-06 浙江工商大学 基于支持向量机mri图像分割的肺部肿瘤识别方法
WO2019090480A1 (zh) * 2017-11-07 2019-05-16 深圳市大疆创新科技有限公司 基于无人机航拍的三维重建方法、系统及装置
WO2020010349A1 (en) * 2018-07-06 2020-01-09 Northwestern University Brain and psychological determinants of placebo response in patients with chronic pain
CN111693047A (zh) * 2020-05-08 2020-09-22 中国航空工业集团公司西安航空计算技术研究所 一种高动态场景下的微小型无人机视觉导航方法
CN112652020A (zh) * 2020-12-23 2021-04-13 上海应用技术大学 一种基于AdaLAM算法的视觉SLAM方法
CN112685591A (zh) * 2020-12-31 2021-04-20 荆门汇易佳信息科技有限公司 用户兴趣区域与反馈引导的图片精准检索方法
CN113447771A (zh) * 2021-06-09 2021-09-28 上海交通大学 一种基于sift-lda特征的局部放电模式识别方法
CN114036610A (zh) * 2021-11-04 2022-02-11 河海大学 一种基于数据增强的侵彻深度预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10438302B2 (en) * 2017-08-28 2019-10-08 The Climate Corporation Crop disease recognition and yield estimation
CN113358665A (zh) * 2021-05-25 2021-09-07 同济大学 一种无人机隧洞缺陷检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7813581B1 (en) * 2005-05-06 2010-10-12 Fitzpatrick Ben G Bayesian methods for noise reduction in image processing
CN105225234A (zh) * 2015-09-18 2016-01-06 浙江工商大学 基于支持向量机mri图像分割的肺部肿瘤识别方法
WO2019090480A1 (zh) * 2017-11-07 2019-05-16 深圳市大疆创新科技有限公司 基于无人机航拍的三维重建方法、系统及装置
WO2020010349A1 (en) * 2018-07-06 2020-01-09 Northwestern University Brain and psychological determinants of placebo response in patients with chronic pain
CN111693047A (zh) * 2020-05-08 2020-09-22 中国航空工业集团公司西安航空计算技术研究所 一种高动态场景下的微小型无人机视觉导航方法
CN112652020A (zh) * 2020-12-23 2021-04-13 上海应用技术大学 一种基于AdaLAM算法的视觉SLAM方法
CN112685591A (zh) * 2020-12-31 2021-04-20 荆门汇易佳信息科技有限公司 用户兴趣区域与反馈引导的图片精准检索方法
CN113447771A (zh) * 2021-06-09 2021-09-28 上海交通大学 一种基于sift-lda特征的局部放电模式识别方法
CN114036610A (zh) * 2021-11-04 2022-02-11 河海大学 一种基于数据增强的侵彻深度预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Multi kernel SVM evaluation of UAV air ground combat effectiveness based on AFSA;Xusheng Gan等;2022 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA);449-454 *
基于CUDA平台的区域分割并行算法设计与实现;王媛媛;中国优秀硕士学位论文全文数据库信息科技辑(第7期);I138-886 *
基于Kernel-ICA和X-ray成像的品种分类研究;韩仲志;万剑华;;中国粮油学报(06);131-135 *
基于集成学习的高分遥感图像玉米区高精度提取算法研究;李大威;中国博士学位论文全文数据库农业科技辑(第7期);D047-17 *
深度置信网络对孤立性肺结节良恶性的分类;刘露;杨培亮;孙巍巍;周洋;赵宏远;;哈尔滨理工大学学报(03);13-19 *

Also Published As

Publication number Publication date
CN116823949A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN110619352A (zh) 基于深度卷积神经网络的典型红外目标分类方法
CN109919870A (zh) 一种基于bm3d的sar图像相干斑抑制方法
CN112703532B (zh) 图像处理方法、装置、设备及存储介质
CN112200854B (zh) 一种基于视频图像的叶类蔬菜三维表型测量方法
CN116664451B (zh) 基于多图像处理的测量机器人测量优化方法
CN112613338A (zh) 基于rgb图像融合特征的小麦叶层氮含量估测方法
CN117409339A (zh) 一种用于空地协同的无人机作物状态视觉识别方法
CN115797205A (zh) 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
CN116823949B (zh) 一种小型化无人机机载实时图像处理装置
CN114066786A (zh) 一种基于稀疏和滤波器的红外和可见光图像融合方法
CN111986109A (zh) 一种基于全卷积网络的遥感影像去雾方法
CN115601301B (zh) 鱼类表型特征测量方法、系统、电子设备及存储介质
Li (Retracted) Infrared image filtering and enhancement processing method based upon image processing technology
CN114821239B (zh) 一种有雾环境下的病虫害检测方法
Yang et al. Single image dehazing algorithm based on double exponential attenuation model
Ayoub et al. Video quality enhancement using recursive deep residual learning network
CN115761137A (zh) 一种基于法向量和点云数据相互融合的高精度曲面重建方法和装置
CN116188990A (zh) 一种基于无人机遥感的地表植被识别方法及系统
Yu et al. A novel nighttime dehazing model integrating Retinex algorithm and atmospheric scattering model
CN114155252A (zh) 面向移动端应用的人体目标分割方法及系统
CN114170530A (zh) 基于分辨率重建的无人机巡线影像辅助采集方法及系统
Chopra et al. Low light GAN-based photo enhancement
CN118521777B (zh) 基于点扩散函数拟合的红外弱小目标检测方法及系统

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