CN117409000B - 一种坡面的雷达图像处理方法 - Google Patents
一种坡面的雷达图像处理方法 Download PDFInfo
- Publication number
- CN117409000B CN117409000B CN202311713931.1A CN202311713931A CN117409000B CN 117409000 B CN117409000 B CN 117409000B CN 202311713931 A CN202311713931 A CN 202311713931A CN 117409000 B CN117409000 B CN 117409000B
- Authority
- CN
- China
- Prior art keywords
- slope
- radar image
- monitored
- slope radar
- standard
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种坡面的雷达图像处理方法,属于图像处理技术领域,包括以下步骤:S1、从连续历史时刻的边坡雷达图像中提取若干个待监测边坡雷达图像,生成待监测边坡雷达图像集;S2、为各个待监测边坡雷达图像生成颜色稳定性系数;S3、根据各个待监测边坡雷达图像的颜色稳定性系数,生成标准边坡雷达图像集。该坡面的雷达图像处理方法可以从所有历史时刻的边坡雷达图像中挑选需要重点处理的图像,在后续过程重点分析像素点的颜色变化,从而确定图像的质量情况,保证运维人员通过像素较高的边坡雷达图像及时获取边坡情况,提高边坡监测效率。同时,本发明结合相邻时刻边坡雷达图像中像素点的颜色变化,可以有效提高变形监测准确率。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种坡面的雷达图像处理方法。
背景技术
随着我国经济的快速发展,露天矿的开采范围和开采深度在不断的增加,从而形成了众多大型的边坡,边坡很容易发生滑坡等事故,对矿区安全生产造成了很大威胁。为了发现边坡隐患,消除危害,有效而经济地采取整治措施,必须对各种边坡进行监测。传统的边坡变形监测采用人工通过监控摄像头实时监控,在发现可能发生边坡变形时,及时疏散人员,然而传统边坡变形监测方法效率低,且图像质量不清晰。因此本发明对采集的边坡雷达图像进行处理,提供像素高的图像。
发明内容
本发明为了解决以上问题,提出了一种坡面的雷达图像处理方法。
本发明的技术方案是:一种坡面的雷达图像处理方法包括以下步骤:
S1、采集连续历史时刻的边坡雷达图像,并从连续历史时刻的边坡雷达图像中提取若干个待监测边坡雷达图像,生成待监测边坡雷达图像集;
S2、为待监测边坡雷达图像集中各个待监测边坡雷达图像生成颜色稳定性系数;
S3、根据各个待监测边坡雷达图像的颜色稳定性系数,生成标准边坡雷达图像集。
进一步地,S1包括以下子步骤:
S11、采集连续历史时刻的边坡雷达图像,对各个历史时刻的边坡雷达图像进行滤波处理,生成各个历史时刻的滤波边坡雷达图像;
S12、对各个历史时刻的滤波边坡雷达图像进行坐标转换处理,生成各个历史时刻的标准边坡雷达图像;
S13、计算各个历史时刻的标准边坡雷达图像的变化系数;
S14、将所有变化系数的均值作为变化阈值,将小于变化阈值的变化系数对应的标准边坡雷达图像作为待监测边坡雷达图像,生成待监测边坡雷达图像集。
上述进一步方案的有益效果是:在本发明中,通常情况下,边坡变形并非一瞬间发生,而是经历一定时间段的缓慢变化,因此本发明对历史时刻的雷达图像进行监测,通过各个时刻边坡雷达图像的变化系数来挑选需要重点处理的边坡雷达图像,将变化较小的边坡雷达图像剔除,可以简化处理流程。
进一步地,S12中,进行坐标转换处理的计算公式为:
;式中,xm_0表示滤波边坡雷达图像中第m个像素点的横坐标,ym_0表示滤波边坡雷达图像中第m个像素点的纵坐标,xm_1表示标准边坡雷达图像中第m个像素点的横坐标,ym_1表示标准边坡雷达图像中第m个像素点的纵坐标,M表示滤波边坡雷达图像的像素点个数,x0表示滤波边坡雷达图像中质心所在像素点的横坐标,y0表示滤波边坡雷达图像中质心所在像素点的横坐标。
进一步地,S13中,第t个历史时刻的标准边坡雷达图像变化系数θt的计算公式为:
;式中,T表示历史时刻总数,ht+1表示第t+1个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,ht表示第t个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,ht-1表示第t-1个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,min(·)表示最小值运算,ht_0表示第t个历史时刻的标准边坡雷达图像中像素点的最大灰度值。
进一步地,S2包括以下子步骤:
S21、计算待监测边坡雷达图像中各个像素点的颜色空间值;
S22、根据待监测边坡雷达图像中所有像素点的颜色空间值,确定待监测边坡雷达图像的颜色对比值;
S23、根据待监测边坡雷达图像的颜色对比值,确定待监测边坡雷达图像的颜色稳定性系数。
上述进一步方案的有益效果是:在本发明中,待监测雷达图像的颜色稳定性系数可以表征图像的颜色变化,颜色变化的大小又可以表征边坡稳定性变化,因此本发明可以通过颜色变化来确定生成质量更高的图像。
进一步地,S21中,像素点的颜色空间值r的计算公式为:
;式中,H表示像素点的色相值,S表示像素点的饱和度,V表示像素点的明度,ln(·)表示对数函数。
进一步地,S22中,待监测边坡雷达图像的颜色对比值d的计算公式为:
;式中,rm表示待监测边坡雷达图像中第m个像素点的颜色空间值,M表示待监测边坡雷达图像的像素点个数。
进一步地,S23中,待监测边坡雷达图像的颜色稳定性系数w的计算公式为:
;式中,dmax表示待监测边坡雷达图像集中最大颜色对比值,dmin表示待监测边坡雷达图像集中最小颜色对比值,d表示待监测边坡雷达图像的颜色对比值。
进一步地,S3中,生成标准边坡雷达图像集的具体方法为:将最大颜色稳定性系数与最小颜色稳定性系数之间的差值作为标准边坡雷达图像集的各个标准边坡雷达图像中像素点的灰度值。
本发明的有益效果是:该坡面的雷达图像处理方法可以从所有历史时刻的边坡雷达图像中挑选需要重点处理的图像,在后续过程重点分析像素点的颜色变化,从而确定图像的质量情况,保证运维人员通过像素较高的边坡雷达图像及时获取边坡情况,提高边坡监测效率。同时,本发明结合相邻时刻边坡雷达图像中像素点的颜色变化,可以有效提高变形监测准确率。
附图说明
图1为坡面的雷达图像处理方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种坡面的雷达图像处理方法,包括以下步骤:
S1、采集连续历史时刻的边坡雷达图像,并从连续历史时刻的边坡雷达图像中提取若干个待监测边坡雷达图像,生成待监测边坡雷达图像集;
S2、为待监测边坡雷达图像集中各个待监测边坡雷达图像生成颜色稳定性系数;
S3、根据各个待监测边坡雷达图像的颜色稳定性系数,生成标准边坡雷达图像集。
在本发明实施例中,S1包括以下子步骤:
S11、采集连续历史时刻的边坡雷达图像,对各个历史时刻的边坡雷达图像进行滤波处理,生成各个历史时刻的滤波边坡雷达图像;
S12、对各个历史时刻的滤波边坡雷达图像进行坐标转换处理,生成各个历史时刻的标准边坡雷达图像;
S13、计算各个历史时刻的标准边坡雷达图像的变化系数;
S14、将所有变化系数的均值作为变化阈值,将小于变化阈值的变化系数对应的标准边坡雷达图像作为待监测边坡雷达图像,生成待监测边坡雷达图像集。
在本发明中,通常情况下,边坡变形并非一瞬间发生,而是经历一定时间段的缓慢变化,因此本发明对历史时刻的雷达图像进行监测,通过各个时刻边坡雷达图像的变化系数来挑选需要重点处理的边坡雷达图像,将变化较小的边坡雷达图像剔除,可以简化处理流程。
在本发明实施例中,S12中,进行坐标转换处理的计算公式为:
;式中,xm_0表示滤波边坡雷达图像中第m个像素点的横坐标,ym_0表示滤波边坡雷达图像中第m个像素点的纵坐标,xm_1表示标准边坡雷达图像中第m个像素点的横坐标,ym_1表示标准边坡雷达图像中第m个像素点的纵坐标,M表示滤波边坡雷达图像的像素点个数,x0表示滤波边坡雷达图像中质心所在像素点的横坐标,y0表示滤波边坡雷达图像中质心所在像素点的横坐标。
在本发明实施例中,S13中,第t个历史时刻的标准边坡雷达图像变化系数θt的计算公式为:
;式中,T表示历史时刻总数,ht+1表示第t+1个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,ht表示第t个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,ht-1表示第t-1个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,min(·)表示最小值运算,ht_0表示第t个历史时刻的标准边坡雷达图像中像素点的最大灰度值。
在本发明实施例中,S2包括以下子步骤:
S21、计算待监测边坡雷达图像中各个像素点的颜色空间值;
S22、根据待监测边坡雷达图像中所有像素点的颜色空间值,确定待监测边坡雷达图像的颜色对比值;
S23、根据待监测边坡雷达图像的颜色对比值,确定待监测边坡雷达图像的颜色稳定性系数。
在本发明中,待监测雷达图像的颜色稳定性系数可以表征图像的颜色变化,颜色变化的大小又可以表征边坡稳定性变化,因此本发明可以通过颜色变化来确定生成质量更高的图像。
在本发明实施例中,S21中,像素点的颜色空间值r的计算公式为:
;式中,H表示像素点的色相值,S表示像素点的饱和度,V表示像素点的明度,ln(·)表示对数函数。
在本发明实施例中,S22中,待监测边坡雷达图像的颜色对比值d的计算公式为:
;式中,rm表示待监测边坡雷达图像中第m个像素点的颜色空间值,M表示待监测边坡雷达图像的像素点个数。
在本发明实施例中,S23中,待监测边坡雷达图像的颜色稳定性系数w的计算公式为:
;式中,dmax表示待监测边坡雷达图像集中最大颜色对比值,dmin表示待监测边坡雷达图像集中最小颜色对比值,d表示待监测边坡雷达图像的颜色对比值。
在本发明实施例中,S3中,生成标准边坡雷达图像集的具体方法为:将最大颜色稳定性系数与最小颜色稳定性系数之间的差值作为标准边坡雷达图像集的各个标准边坡雷达图像中像素点的灰度值。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种坡面的雷达图像处理方法,其特征在于,包括以下步骤:
S1、采集连续历史时刻的边坡雷达图像,并从连续历史时刻的边坡雷达图像中提取若干个待监测边坡雷达图像,生成待监测边坡雷达图像集;
S2、为待监测边坡雷达图像集中各个待监测边坡雷达图像生成颜色稳定性系数;
S3、根据各个待监测边坡雷达图像的颜色稳定性系数,生成标准边坡雷达图像集;
所述S2包括以下子步骤:
S21、计算待监测边坡雷达图像中各个像素点的颜色空间值;
S22、根据待监测边坡雷达图像中所有像素点的颜色空间值,确定待监测边坡雷达图像的颜色对比值;
S23、根据待监测边坡雷达图像的颜色对比值,确定待监测边坡雷达图像的颜色稳定性系数;
所述S21中,像素点的颜色空间值r的计算公式为:;式中,H表示像素点的色相值,S表示像素点的饱和度,V表示像素点的明度,ln(·)表示对数函数;
所述S22中,待监测边坡雷达图像的颜色对比值d的计算公式为:;式中,rm表示待监测边坡雷达图像中第m个像素点的颜色空间值,M表示待监测边坡雷达图像的像素点个数;
所述S23中,待监测边坡雷达图像的颜色稳定性系数w的计算公式为:;式中,dmax表示待监测边坡雷达图像集中最大颜色对比值,dmin表示待监测边坡雷达图像集中最小颜色对比值,d表示待监测边坡雷达图像的颜色对比值。
2.根据权利要求1所述的坡面的雷达图像处理方法,其特征在于,所述S1包括以下子步骤:
S11、采集连续历史时刻的边坡雷达图像,对各个历史时刻的边坡雷达图像进行滤波处理,生成各个历史时刻的滤波边坡雷达图像;
S12、对各个历史时刻的滤波边坡雷达图像进行坐标转换处理,生成各个历史时刻的标准边坡雷达图像;
S13、计算各个历史时刻的标准边坡雷达图像的变化系数;
S14、将所有变化系数的均值作为变化阈值,将小于变化阈值的变化系数对应的标准边坡雷达图像作为待监测边坡雷达图像,生成待监测边坡雷达图像集。
3.根据权利要求2所述的坡面的雷达图像处理方法,其特征在于,所述S12中,进行坐标转换处理的计算公式为:;式中,xm_0表示滤波边坡雷达图像中第m个像素点的横坐标,ym_0表示滤波边坡雷达图像中第m个像素点的纵坐标,xm_1表示标准边坡雷达图像中第m个像素点的横坐标,ym_1表示标准边坡雷达图像中第m个像素点的纵坐标,M表示滤波边坡雷达图像的像素点个数,x0表示滤波边坡雷达图像中质心所在像素点的横坐标,y0表示滤波边坡雷达图像中质心所在像素点的横坐标。
4.根据权利要求2所述的坡面的雷达图像处理方法,其特征在于,所述S13中,第t个历史时刻的标准边坡雷达图像变化系数θt的计算公式为:;式中,T表示历史时刻总数,ht+1表示第t+1个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,ht表示第t个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,ht-1表示第t-1个历史时刻的标准边坡雷达图像中所有像素点的灰度均值,min(·)表示最小值运算,ht_0表示第t个历史时刻的标准边坡雷达图像中像素点的最大灰度值。
5.根据权利要求1所述的坡面的雷达图像处理方法,其特征在于,所述S3中,生成标准边坡雷达图像集的具体方法为:将最大颜色稳定性系数与最小颜色稳定性系数之间的差值作为标准边坡雷达图像集的各个标准边坡雷达图像中像素点的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713931.1A CN117409000B (zh) | 2023-12-14 | 2023-12-14 | 一种坡面的雷达图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713931.1A CN117409000B (zh) | 2023-12-14 | 2023-12-14 | 一种坡面的雷达图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409000A CN117409000A (zh) | 2024-01-16 |
CN117409000B true CN117409000B (zh) | 2024-04-05 |
Family
ID=89489413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311713931.1A Active CN117409000B (zh) | 2023-12-14 | 2023-12-14 | 一种坡面的雷达图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409000B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671464B (zh) * | 2024-02-02 | 2024-04-16 | 深圳市拓远能源科技有限公司 | 一种基于边缘计算的设备物联网数据管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496282A (zh) * | 2011-12-16 | 2012-06-13 | 湖南工业大学 | 一种rgb颜色变换的交通路口信号灯状态识别方法 |
CN106934760A (zh) * | 2016-12-08 | 2017-07-07 | 大连民族大学 | 一种面向类别的高光谱数据彩色可视化方法 |
CN107392968A (zh) * | 2017-07-17 | 2017-11-24 | 杭州电子科技大学 | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 |
CN110689587A (zh) * | 2019-10-11 | 2020-01-14 | 大连海事大学 | 一种基于颜色校正和细节增强的水下图像增强方法 |
CN112233024A (zh) * | 2020-09-27 | 2021-01-15 | 昆明物理研究所 | 基于差异特征色彩映射的中长波双波段红外图像融合方法 |
CN114463966A (zh) * | 2020-06-23 | 2022-05-10 | 图森有限公司 | 用于部署紧急路边信令装置的系统和方法 |
CN117190900A (zh) * | 2023-11-07 | 2023-12-08 | 中铁八局集团第二工程有限公司 | 一种隧道围岩变形监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816627B2 (en) * | 2001-04-12 | 2004-11-09 | Lockheed Martin Corporation | System for morphological image fusion and change detection |
US20220414936A1 (en) * | 2021-06-25 | 2022-12-29 | Adobe Inc. | Multimodal color variations using learned color distributions |
-
2023
- 2023-12-14 CN CN202311713931.1A patent/CN117409000B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496282A (zh) * | 2011-12-16 | 2012-06-13 | 湖南工业大学 | 一种rgb颜色变换的交通路口信号灯状态识别方法 |
CN106934760A (zh) * | 2016-12-08 | 2017-07-07 | 大连民族大学 | 一种面向类别的高光谱数据彩色可视化方法 |
CN107392968A (zh) * | 2017-07-17 | 2017-11-24 | 杭州电子科技大学 | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 |
CN110689587A (zh) * | 2019-10-11 | 2020-01-14 | 大连海事大学 | 一种基于颜色校正和细节增强的水下图像增强方法 |
CN114463966A (zh) * | 2020-06-23 | 2022-05-10 | 图森有限公司 | 用于部署紧急路边信令装置的系统和方法 |
CN112233024A (zh) * | 2020-09-27 | 2021-01-15 | 昆明物理研究所 | 基于差异特征色彩映射的中长波双波段红外图像融合方法 |
CN117190900A (zh) * | 2023-11-07 | 2023-12-08 | 中铁八局集团第二工程有限公司 | 一种隧道围岩变形监测方法 |
Non-Patent Citations (3)
Title |
---|
Bison muscle discrimination and color stability prediction using near-infrared hyperspectral imaging;Muhammad Mudassir Arif Chaudhry 等;《Biosystems Engineering》;20210703;第209卷;1-13 * |
Reducing integrability error of color tensor gradients for image fusion;Roberto Montagna等;《IEEE Transactions on Image Processing》;20130619;第22卷(第10期);4072-4085 * |
基于多尺度混合注意力LSTM雷达回波外推方法;刘瑞华等;《重庆理工大学学报(自然科学)》;20230615;第37卷(第06期);212-221 * |
Also Published As
Publication number | Publication date |
---|---|
CN117409000A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117409000B (zh) | 一种坡面的雷达图像处理方法 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN110675443A (zh) | 一种井下输煤图像的煤块面积检测方法 | |
CN105069778B (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN104331688A (zh) | 一种雷管外壳点阵字符识别方法 | |
CN102779273A (zh) | 一种基于局部对比模式的人脸识别方法 | |
CN106682665A (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN117190900A (zh) | 一种隧道围岩变形监测方法 | |
CN101546431B (zh) | 基于序列非线性滤波的遥感影像水体专题信息提取方法 | |
Wu et al. | Video surveillance object recognition based on shape and color features | |
CN112434570A (zh) | 一种钽铌矿摇床矿带的图像识别方法 | |
CN113066077B (zh) | 火焰检测方法及装置 | |
CN106530292A (zh) | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 | |
CN115330752A (zh) | 基于深度图像识别的路面隐性剥落点检测方法及系统 | |
CN111242983A (zh) | 一种采用统计意义背景减除法的运动目标检测方法 | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别系统与方法 | |
CN103136735A (zh) | 一种基于双尺度暗通道的单幅图像去雾方法 | |
CN112561949A (zh) | 一种基于rpca和支持向量机的快速运动目标检测算法 | |
CN112651891A (zh) | 一种基于深度学习的图像去雾方法 | |
CN111862152A (zh) | 一种基于帧间差分与超像素分割的动目标检测方法 | |
CN111986094A (zh) | 一种基于空间域混合运算的红外图像优化处理方法 | |
CN114494728B (zh) | 一种基于深度学习的小目标检测方法 | |
CN117557785B (zh) | 一种基于图像处理的远距离渔船船牌识别方法 | |
CN117671464B (zh) | 一种基于边缘计算的设备物联网数据管理系统 |
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 |