CN117649613B - 一种光学遥感图像优化方法、装置、存储介质及电子设备 - Google Patents
一种光学遥感图像优化方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117649613B CN117649613B CN202410128325.1A CN202410128325A CN117649613B CN 117649613 B CN117649613 B CN 117649613B CN 202410128325 A CN202410128325 A CN 202410128325A CN 117649613 B CN117649613 B CN 117649613B
- Authority
- CN
- China
- Prior art keywords
- target image
- image
- pixel
- target
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000003287 optical effect Effects 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 239000003595 mist Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 32
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000013074 reference sample Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/13—Satellite images
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本说明书公开了一种光学遥感图像优化方法、装置、存储介质及电子设备。所述光学遥感图像优化方法包括:获取第一目标图像以及第一目标图像对应的第二目标图像,其中,第一目标图像为光学遥感图像,第二目标图像为合成孔径雷达SAR图像,对第一目标图像进行图像检测,以从第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域,根据第一目标图像的风格特征,对第二目标图像进行图像调整,得到调整后的第二目标图像,将目标区域内的第一目标图像替换为目标区域内调整后的第二目标图像,以将第二目标图像融合到第一目标图像中,得到优化后第一目标图像。进而可以将优化后的第一目标图像通过去云雾网络处理得到去云雾后恢复的图像。
Description
技术领域
本说明书涉及遥感图像处理技术领域,尤其涉及一种光学遥感图像优化方法、装置、存储介质及电子设备。
背景技术
目前,由于光学遥感成像技术具有空间分辨率较高以及包含有观测目标清晰的空间纹理信息等特点,使得光学遥感成像技术在土地监测、土地资源管理、城市建设、灾害防备、水资源环保、林牧业等领域中都有着广泛的应用。
但是,光学遥感成像技术在成像过程中极易受到大气环境或者天气环境的影响,从而导致最终生成的光学遥感图像中的部分图像区域信息丢失,例如:地球表面的云层导致最终生成的光学遥感图像中的部分图像区域信息丢失,并且由于地球表面全年约有35%被云层覆盖,所以导致光学遥感成像技术的使用受到极大的限制。
因此,如何对受到大气和/或天气环境影响光学遥感图像进行修复,则是一个亟待解决的问题。
发明内容
本说明书提供一种光学遥感图像优化方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种光学遥感图像优化方法,所述方法包括:
获取第一目标图像以及所述第一目标图像对应的第二目标图像,所述第一目标图像为光学遥感图像,所述第二目标图像为合成孔径雷达SAR图像;
对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域;
根据所述第一目标图像的风格特征,对所述第二目标图像进行图像调整,得到调整后的第二目标图像;
将所述目标区域内的所述第一目标图像替换为所述目标区域内的所述第二目标图像,以将所述第二目标图像融合到所述第一目标图像中,得到优化后第一目标图像。
可选地,对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域,具体包括:
针对所述第一目标图像中包含的每个像素,确定该像素在每个颜色波段通道下对应的像素值的均值,作为该像素对应的均值;
根据各像素对应的均值,从所述第一目标图像中包含的各像素中,筛选出对应的均值处于预设均值范围的各像素,作为各目标像素;
将所述各目标像素组成的图像区域,作为从所述第一目标图像中确定出部分存在图像信息缺失的目标区域。
可选地,对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域,具体包括:
将所述第一目标图像输入到预设的目标区域检测模型中,以通过所述目标区域检测模型,根据所述第一目标图像中包含的每个像素的像素值,从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域。
可选地,根据所述第一目标图像的风格特征,对所述第二目标图像进行图像调整,得到调整后的第二目标图像,具体包括:
对所述第二目标图像中包含的每个像素的像素值进行归一化处理,得到处理后第二目标图像;
对所述处理后第二目标图像进行主成分分析,以确定出所述处理后第二目标图像包含的各像素中筛选出对应的信息度高于预设阈值的各像素,作为所述第二目标图像的主成分像素;
根据所述第一目标图像的风格特征,对所述第二目标图像的主成分像素进行图像调整,得到调整后的第二目标图像。
可选地,根据所述第一目标图像的风格特征,对所述第二目标图像的主成分像素进行图像调整,得到调整后的第二目标图像,具体包括:
将所述第一目标图像中包含的每个像素的像素值转换为HSV颜色空间下的像素值;
针对所述第二目标图像中包含的每个主成分像素,在所述第一目标图像中确定出位置与该主成分像素位置相同的像素,作为该主成分像素对应的待替换像素;
将该主成分像素对应的待替换像素对应于所述HSV颜色空间的指定颜色波段通道下的像素值替换为该主成分像素对应于所述HSV颜色空间的指定颜色波段通道下的像素值,得到变换后第二目标图像;
根据所述第一目标图像的风格特征,对所述变换后第二目标图像进行图像调整,得到调整后的第二目标图像。
可选地,根据所述第一目标图像的风格特征,对所述变换后第二目标图像进行图像调整,得到调整后的第二目标图像,具体包括:
对所述第一目标图像进行傅里叶变换,得到变换后第一目标图像;以及
对所述变换后第二目标图像进行傅里叶变换,得到傅里叶变换后第二目标图像;
将所述傅里叶变换后第二目标图像中对应的频率低于预设频率阈值的各像素的像素值替换为所述变换后第一目标图像中对应的频率低于预设频率阈值的各像素的像素值,得到迁移后第二目标图像;
对所述迁移后第二目标图像进行傅里叶逆变换,得到调整后的第二目标图像。
可选地,将所述目标区域内的所述第一目标图像替换为所述目标区域内的所述第二目标图像,以将所述第二目标图像融合到所述第一目标图像中,得到优化后第一目标图像,具体包括:
将所述目标区域内的所述第一目标图像替换为所述目标区域内的所述第二目标图像,得到替换后第一目标图像;
将所述替换后第一目标图像输入到预设的去云雾模型中,以通过所述去云雾模型,对所述替换后第一目标图像中包含的低质区域进行处理,得到去云雾后的第一目标图像。
本说明书提供了一种光学遥感图像优化装置,包括:
获取模块,用于获取第一目标图像以及所述第一目标图像对应的第二目标图像,所述第一目标图像为光学遥感图像,所述第二目标图像为合成孔径雷达SAR图像;
检测模块,用于对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域;
调整模块,用于根据所述第一目标图像的风格特征,对所述第二目标图像进行图像调整,得到调整后的第二目标图像;
优化模块,用于将所述目标区域内的所述第一目标图像替换为所述目标区域内的所述第二目标图像,以将所述第二目标图像融合到所述第一目标图像中,得到优化后第一目标图像。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述光学遥感图像优化方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述光学遥感图像优化方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的光学遥感图像优化方法中,获取第一目标图像以及第一目标图像对应的第二目标图像,第一目标图像为光学遥感图像,第二目标图像为合成孔径雷达SAR图像,对第一目标图像进行图像检测,以从第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域,根据第一目标图像的风格特征,对第二目标图像进行图像调整,得到调整后的第二目标图像,将目标区域内的第一目标图像替换为目标区域内的第二目标图像,以将第二目标图像融合到第一目标图像中,得到优化后第一目标图像。
从上述方法可以看出,可以通过能够在全时段、全天候获取到的SAR图像中包含的亮度波段的信息,对通过光学遥感技术采集到的第一目标图像中由于大气环境或天气环境影响的第一目标图像中的信息缺失区域进行优化,从而可以提升第一目标图像的信息量。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种光学遥感图像优化方法的流程示意图;
图2为本说明书中提供的优化后第一目标图像的优化过程的示意图;
图3为本说明书中提供的任务模型的结构示意图;
图4为本说明书提供的一种光学遥感图像优化装置的示意图;
图5为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种光学遥感图像优化方法的流程示意图,包括以下步骤:
S101:获取第一目标图像以及所述第一目标图像对应的第二目标图像,所述第一目标图像为光学遥感图像,所述第二目标图像为合成孔径雷达SAR图像。
在本说明书中,业务平台可以获取第一目标图像以及第一目标图像对应的第二目标图像,进而可以基于第二目标图像中包含的至少部分图像信息,对第一目标图像进行优化,从而可以使得优化后的第一目标图像具有更高的信息量,以使得优化后的第一目标图像可以用于土地监测、土地资源管理、城市建设、灾害防备、水资源环保、林牧业等领域中。
其中,上述的第一目标图像可以为通过光学遥感技术采集到的光学遥感图像,上述的第二目标图像可以为通过合成孔径雷达(Synthetic Aperture Radar,SAR)图像,这里的SAR图像可以为单极化SAR图像、双极化SAR图像、全极化SAR图像等。
上述的第一目标图像对应的第二目标图像可以是指在通过光学遥感技术采集指定目标物对应的图像作为第一目标图像的同时,通过合成孔径雷达采集到的指定目标物的图像。
需要说明的是,由于合成孔径雷达具有全天时、全天候成像的特点,因此,可以通过有合成孔径雷达采集到的第二目标图像中包含的至少部分图像信息,对在采集过程中受到大气环境或者天气环境影响的第一目标图像进行修复,以得到优化后的第一目标图像。
在本说明书中,用于实现光学遥感图像优化方法的执行主体,可以是指服务器等设置于业务平台中指定设备,也可以为笔记本电脑、台式电脑、手机等终端设备,下面仅以服务器是执行主体为例,对本说明书提供的光学遥感图像优化方法进行说明。
S102:对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域。
在本说明书中,服务器可以对第一目标图像进行图像检测,以从第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域。
具体地,服务器可以针对第一目标图像中包含的每个像素,确定该像素在每个颜色波段通道下对应的像素值的均值,作为该像素对应的均值,根据各像素对应的均值,从第一目标图像中包含的各像素中,筛选出对应的均值处于预设均值范围的各像素,作为各目标像素,将各目标像素组成的图像区域,作为从第一目标图像中确定出部分存在图像信息缺失的目标区域。
其中,上述的颜色波段通道可以根据第一目标图像实际所采用的颜色空间确定,例如:在RGB颜色空间中,上述的颜色波段通道可以是指红色Red波段通道、绿色Green波段通道、蓝色Blue波段通道。
以上述的第一目标图像所采用的颜色空间为RGB颜色空间为例,上述的该像素在每个颜色波段通道下对应的像素值的均值可以是指该像素在红色Red波段通道下对应的像素值、在绿色Green波段通道下对应的像素值、在蓝色Blue波段通道下对应的像素值的均值。
在实际应用场景中,第一目标图像在采集过程中,通常可能由于高空云层掩盖导致采集到的第一目标图像存部分图像区域高亮,从而导致这部分图像区域的图像信息缺失,以及可能由于部分图像区域存在较重的阴影,导致这部分图像区域缺失。
基于此,上述的预设均值范围可以是指预先根据历史采集的第一目标图像中包含的高亮图像区域中像素的像素值确定出的第一均值范围,以及,预先根据历史采集的第一目标图像中包含的阴影图像区域中像素的像素值确定出的第二均值范围。
除此之外,服务器还可以将第一目标图像输入到预设的目标区域检测模型中,以通过目标区域检测模型,根据第一目标图像中包含的每个像素的像素值,从第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域。
其中,上述的目标区域检测模型的训练方法可以为获取历史采集的第一目标图像,作为样本第一目标图像,将样本第一目标图像输入到预设的目标区域检测模型中,以通过目标区域检测模型,根据样本第一目标图像中包含的每个像素的像素值,从样本第一目标图像中确定出部分存在图像信息缺失的图像区域,作为样本目标区域,以最小化样本目标区域和预先确定的样本第一目标图像实际对应的目标区域之间的偏差为优化目标,对目标区域检测模型进行训练。
其中,上述预先确定样本第一目标图像实际对应的目标区域的方法可以为,根据样本第一目标图像中包含的每个像素对应的均值,从样本第一目标图像中确定出样本第一目标图像实际对应的目标区域。
进一步地,为了提升确定出的样本第一目标图像实际对应的目标区域的准确性,以提升训练出的目标区域检测模型的输出结果的准确性,服务器还可以获取样本第一目标图像对应的参考样本图像,这里的参考样本图像可以为通过光学遥感技术采集到的样本第一目标图像对应的没有受到大气环境以及天气环境影响的图像。
服务器可以样本第一目标图像中包含的各像素对应的均值,以及,参考样本图像中包含的各像素对应的均值,确定第一目标图像对应的差异化检测指数,具体可以参考如下公式:
差异化检测指数=(DNcloudy-DNclean)*DNcloudy/DNclean
上述公式中,DNcloudy为样本第一目标图像中各像素对应的均值,DNclean为参考样本图像中包含的各像素对应的均值。
进而针对样本第一目标图像中的每个像素判断该像素对应的均值是否属于预设的第一均值范围,并且,该像素对应的差异化检测指数属于预设的指数范围,若是,则确定该像素为第一样本目标像素。
以及,判断该像素对应的均值是否属于预设的第二均值范围,若是,则确定该像素为第二样本目标像素。
根据上述的第一样本目标像素和第二样本目标像素,确定样本第一目标图像实际对应的目标区域。
需要说明的是,上述的目标区域检测模型可以为Mask2Former语义分割模型,目标区域检测模型训练过程中的步数可以为40000,优化器可以为Adamw,学习率可以为1e-4,权重衰减可以为0.05,损失函数可以为交叉熵损失,学习率策略可以为线性衰减,评价指标可以为mIoU,训练最终的mIoU可以为0.9389。
S103:根据所述第一目标图像的风格特征,对所述第二目标图像进行图像调整,得到调整后的第二目标图像。
在本说明书中,服务器可以对第二目标图像中包含的每个像素的像素值进行归一化处理,得到处理后第二目标图像,对处理后第二目标图像进行主成分分析,以确定出处理后第二目标图像包含的各像素中筛选出对应的信息度高于预设阈值的各像素,作为第二目标图像的主成分像素。
其中,以上述的第二目标图像为VV、VH双极化SAR图像为例,上述的服务器对第二目标图像中包含的每个像素的像素值进行归一化处理的方法可以为将第二目标图像中的每个像素在VV波段通道和VH波段通道下对应的像素值进行拼接,得到拼接后第二目标图像,进而可以对拼接后第二目标图像中包含的每个像素的拼接后像素值进行归一化处理,得到处理后第二目标图像。
需要说明的是,上述的主成分分析可以用于对第二目标图像中包含的图像信息进行变换压缩,以去除第二目标图像中包含的图像信息之间的冗余,同时减少噪声干扰,可以理解为,假设存在两个图像信息A和B,当这两个图像信息之间的相关度极高时,只需要保留图像信息A或者图像信息B即可等价于同时保存图像信息A和B,此时就可以确定图像信息A或者图像信息B为主成分,并把另一个图像信息去除,从而可以有效降低图像信息的数量,并且可以减少引入的噪声。
进一步地,服务器可以将第一目标图像中包含的每个像素的像素值转换为HSV颜色空间下的像素值,针对第二目标图像中包含的每个主成分像素,在第一目标图像中确定出位置与该主成分像素位置相同的像素,作为该主成分像素对应的待替换像素,将该主成分像素对应的待替换像素对应于HSV颜色空间的指定颜色波段通道下的像素值替换为该主成分像素对应于HSV颜色空间的指定颜色波段通道下的像素值,得到变换后第二目标图像。
上述的HSV颜色空间下包含Hue色相、Saturation饱和度、Value亮度三个颜色波段通道。
进一步地,服务器可以对第一目标图像进行傅里叶变换以及移位置操作,得到变换后第一目标图像,以及,对变换后第二目标图像进行傅里叶变换以及移位置操作,得到傅里叶变换后第二目标图像,进而可以将傅里叶变换后第二目标图像中对应的频率低于预设频率阈值的各像素的像素值替换为变换后第一目标图像中对应的频率低于预设频率阈值的各像素的像素值,得到迁移后第二目标图像,对迁移后第二目标图像进行反移位操作以及傅里叶逆变换,得到调整后的第二目标图像。
S104:将所述目标区域内的所述第一目标图像替换为所述目标区域内的所述第二目标图像,以将所述第二目标图像融合到所述第一目标图像中,得到优化后第一目标图像。
在本说明书中,服务器可以将目标区域内的第一目标图像替换为目标区域内的第二目标图像,以将第二目标图像融合到第一目标图像中,得到优化后第一目标图像,具体如图2所示。
图2为本说明书中提供的优化后第一目标图像的优化过程的示意图。
结合图2可以看出,服务器可以将目标区域内的第一目标图像替换为目标区域内的第二目标图像,得到替换后第一目标图像,将替换后第一目标图像输入到预设的任务模型中,以通过任务模型,基于替换后第一目标图像进行任务执行。
其中,上述的任务模型可以根据实际需求设置,例如:上述的任务模型可以为去云雾模型,此时,服务器可以将替换后第一目标图像输入到去云雾模型中,以通过去云雾模型,对替换后第一目标图像中包含的低质区域进行处理,得到去云雾后的第一目标图像。
再例如:上述的任务模型可以为图像分类模型,此时,服务器可以将替换后第一目标图像输入到图像分类模型中,以通过图像分类模型,根据替换后第一目标图像中包含的图像信息,确定第一目标图像所属的图像类别,其中,当第一目标图像为地表的光学遥感图像时,这里的图像信息可以为颜色、纹理和形状等特征信息,这里的图像类别可以为森林、田地、城市建筑物等。
上述的低质区域可以是指第一目标图像受大气环境干扰或者受天气环境干扰后导致图像信息质量下降的图像区域,例如:受较厚云层干扰而导致图像信息缺失的图像区域,再例如:受雾气影响而导致图像信息损失的图像区域。
上述的去云雾模型的训练方法可以为,通过上述方法对预先获取的样本第一目标图像进行处理,得到替换后样本第一目标图像,并将替换后样本第一目标图像输入到预设的去云雾模型中,以通过去云雾模型,对替换后样本第一目标图像中包含的低质区域进行优化,得到优化后样本第一目标图像,进而可以以最小化优化后样本第一目标图像和样本第一目标图像对应的参考样本图像之间的偏差为训练目标,对去云雾模型进行训练,得到训练后去云雾模型。
需要说明的是,在受到大气环境或天气环境影响后的第一目标图像中所存在的低质区域往往面积较大,因此,在通过去云雾模型对替换后第一目标图像进行处理时,就需要去云雾模型具有较大的感受野以针对第一目标图像中的低质区域进行优化,以下对本说明书中所采用的去云雾模型进行详细说明,如图3所示。
图3为本说明书中提供的去云雾模型的结构示意图。
结合图3可以看出,去云雾模型中包含L0层模块、L1层模块、L2层模块、L3层模块、L4层模块、L5层模块,其中、L1层模块L3层模块、L4层模块同时用在了去云雾模型的网络层的编码器和解码器阶段,L5层模块与L4层模块结构一致,但特征的维度为H/16*W/16*16C,H、W、C分别为特征的高度、宽度和通道数。
通过将上述的L4层模块同时用在去云雾模型的网络层的编码器和解码器阶段,以及,通过上述的特征尺度为其他模块的1/16的L5层模块,使得去云雾模型的感受野提升。
从上述内容中可以看出,服务器可以通过能够在全时段、全天候获取到的SAR图像中包含的亮度波段的信息,对通过光学遥感技术采集到的第一目标图像中由于大气环境或天气环境影响的第一目标图像中的低质区域进行修复,从而可以提升第一目标图像的清晰度。
以上为本说明书的一个或多个实施光学遥感图像优化方法,基于同样的思路,本说明书还提供了相应的光学遥感图像优化装置,如图4所示。
图4为本说明书提供的一种光学遥感图像优化装置的示意图,包括:
获取模块401,用于获取第一目标图像以及所述第一目标图像对应的第二目标图像,所述第一目标图像为光学遥感图像,所述第二目标图像为合成孔径雷达SAR图像;
检测模块402,用于对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域;
调整模块403,用于根据所述第一目标图像的风格特征,对所述第二目标图像进行图像调整,得到调整后的第二目标图像;
优化模块404,用于将所述目标区域内的所述第一目标图像替换为所述目标区域内的所述第二目标图像,以将所述第二目标图像融合到所述第一目标图像中,得到优化后第一目标图像。
可选地,所述检测模块402具体用于,针对所述第一目标图像中包含的每个像素,确定该像素在每个颜色波段通道下对应的像素值的均值,作为该像素对应的均值;根据各像素对应的均值,从所述第一目标图像中包含的各像素中,筛选出对应的均值处于预设均值范围的各像素,作为各目标像素;将所述各目标像素组成的图像区域,作为从所述第一目标图像中确定出部分存在图像信息缺失的目标区域。
可选地,所述检测模块402具体用于,将所述第一目标图像输入到预设的目标区域检测模型中,以通过所述目标区域检测模型,根据所述第一目标图像中包含的每个像素的像素值,从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域。
可选地,所述调整模块403具体用于,对所述第二目标图像中包含的每个像素的像素值进行归一化处理,得到处理后第二目标图像;对所述处理后第二目标图像进行主成分分析,以确定出所述处理后第二目标图像包含的各像素中筛选出对应的信息度高于预设阈值的各像素,作为所述第二目标图像的主成分像素;根据所述第一目标图像的风格特征,对所述第二目标图像的主成分像素进行图像调整,得到调整后的第二目标图像。
可选地,所述调整模块403具体用于,将所述第一目标图像中包含的每个像素的像素值转换为HSV颜色空间下的像素值;针对所述第二目标图像中包含的每个主成分像素,在所述第一目标图像中确定出位置与该主成分像素位置相同的像素,作为该主成分像素对应的待替换像素;将该主成分像素对应的待替换像素对应于所述HSV颜色空间的指定颜色波段通道下的像素值替换为该主成分像素对应于所述HSV颜色空间的指定颜色波段通道下的像素值,得到变换后第二目标图像;根据所述第一目标图像的风格特征,对所述变换后第二目标图像进行图像调整,得到调整后的第二目标图像。
可选地,所述调整模块403具体用于,对所述第一目标图像进行傅里叶变换,得到变换后第一目标图像;以及对所述变换后第二目标图像进行傅里叶变换,得到傅里叶变换后第二目标图像;将所述傅里叶变换后第二目标图像中对应的频率低于预设频率阈值的各像素的像素值替换为所述变换后第一目标图像中对应的频率低于预设频率阈值的各像素的像素值,得到迁移后第二目标图像;对所述迁移后第二目标图像进行傅里叶逆变换,得到调整后的第二目标图像。
可选地,所述优化模块404具体用于,将所述目标区域内的所述第一目标图像替换为所述目标区域内的所述第二目标图像,得到替换后第一目标图像;将所述替换后第一目标图像输入到预设的去云雾模型中,以通过所述去云雾模型,对所述替换后第一目标图像中包含的低质区域进行处理,得到去云雾后的第一目标图像。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种光学遥感图像优化方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的光学遥感图像优化方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device, PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种光学遥感图像优化方法,其特征在于,所述方法包括:
获取第一目标图像以及所述第一目标图像对应的第二目标图像,所述第一目标图像为光学遥感图像,所述第二目标图像为合成孔径雷达SAR图像;
对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域;
根据所述第一目标图像的风格特征,对所述第二目标图像进行图像调整,得到调整后的第二目标图像;具体包括:对所述第二目标图像中包含的每个像素的像素值进行归一化处理,得到处理后第二目标图像;对所述处理后第二目标图像进行主成分分析,以确定出所述处理后第二目标图像包含的各像素中筛选出对应的信息度高于预设阈值的各像素,作为所述第二目标图像的主成分像素;根据所述第一目标图像的风格特征,对所述第二目标图像的主成分像素进行图像调整,得到调整后的第二目标图像;
将所述第一目标图像在所述目标区域中的各像素替换为所述第一目标图像在所述目标区域中的各像素在所述调整后第二目标图像中对应的像素,以将所述第二目标图像融合到所述第一目标图像中,得到替换后第一目标图像,将所述替换后第一目标图像输入到预设的去云雾模型中,以通过所述去云雾模型,对所述替换后第一目标图像中包含的低质区域进行处理,得到去云雾后的第一目标图像。
2.如权利要求1所述的方法,其特征在于,对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域,具体包括:
针对所述第一目标图像中包含的每个像素,确定该像素在每个颜色波段通道下对应的像素值的均值,作为该像素对应的均值;
根据各像素对应的均值,从所述第一目标图像中包含的各像素中,筛选出对应的均值处于预设均值范围的各像素,作为各目标像素;
将所述各目标像素组成的图像区域,作为从所述第一目标图像中确定出部分存在图像信息缺失的目标区域。
3.如权利要求1所述的方法,其特征在于,对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域,具体包括:
将所述第一目标图像输入到预设的目标区域检测模型中,以通过所述目标区域检测模型,根据所述第一目标图像中包含的每个像素的像素值,从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域。
4.如权利要求3所述的方法,其特征在于,根据所述第一目标图像的风格特征,对所述第二目标图像的主成分像素进行图像调整,得到调整后的第二目标图像,具体包括:
将所述第一目标图像中包含的每个像素的像素值转换为HSV颜色空间下的像素值;
针对所述第二目标图像中包含的每个主成分像素,在所述第一目标图像中确定出位置与该主成分像素位置相同的像素,作为该主成分像素对应的待替换像素;
将该主成分像素对应的待替换像素对应于所述HSV颜色空间的指定颜色波段通道下的像素值替换为该主成分像素对应于所述HSV颜色空间的指定颜色波段通道下的像素值,得到变换后第二目标图像;
根据所述第一目标图像的风格特征,对所述变换后第二目标图像进行图像调整,得到调整后的第二目标图像。
5.如权利要求4所述的方法,其特征在于,根据所述第一目标图像的风格特征,对所述变换后第二目标图像进行图像调整,得到调整后的第二目标图像,具体包括:
对所述第一目标图像进行傅里叶变换,得到变换后第一目标图像;以及
对所述变换后第二目标图像进行傅里叶变换,得到傅里叶变换后第二目标图像;
将所述傅里叶变换后第二目标图像中对应的频率低于预设频率阈值的各像素的像素值替换为所述变换后第一目标图像中对应的频率低于预设频率阈值的各像素的像素值,得到迁移后第二目标图像;
对所述迁移后第二目标图像进行傅里叶逆变换,得到调整后的第二目标图像。
6.一种光学遥感图像优化装置,其特征在于,包括:
获取模块,用于获取第一目标图像以及所述第一目标图像对应的第二目标图像,所述第一目标图像为光学遥感图像,所述第二目标图像为合成孔径雷达SAR图像;
检测模块,用于对所述第一目标图像进行图像检测,以从所述第一目标图像中确定出部分存在图像信息缺失的图像区域,作为目标区域;
调整模块,用于根据所述第一目标图像的风格特征,对所述第二目标图像进行图像调整,得到调整后的第二目标图像;具体包括:对所述第二目标图像中包含的每个像素的像素值进行归一化处理,得到处理后第二目标图像;对所述处理后第二目标图像进行主成分分析,以确定出所述处理后第二目标图像包含的各像素中筛选出对应的信息度高于预设阈值的各像素,作为所述第二目标图像的主成分像素;根据所述第一目标图像的风格特征,对所述第二目标图像的主成分像素进行图像调整,得到调整后的第二目标图像;
优化模块,用于将所述第一目标图像在所述目标区域中的各像素替换为所述第一目标图像在所述目标区域中的各像素在所述调整后第二目标图像中对应的各像素,以将所述第二目标图像融合到所述第一目标图像中,得到替换后第一目标图像,将所述替换后第一目标图像输入到预设的去云雾模型中,以通过所述去云雾模型,对所述替换后第一目标图像中包含的低质区域进行处理,得到去云雾后的第一目标图像。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410128325.1A CN117649613B (zh) | 2024-01-30 | 2024-01-30 | 一种光学遥感图像优化方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410128325.1A CN117649613B (zh) | 2024-01-30 | 2024-01-30 | 一种光学遥感图像优化方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649613A CN117649613A (zh) | 2024-03-05 |
CN117649613B true CN117649613B (zh) | 2024-04-26 |
Family
ID=90048212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410128325.1A Active CN117649613B (zh) | 2024-01-30 | 2024-01-30 | 一种光学遥感图像优化方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649613B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295498A (zh) * | 2016-07-20 | 2017-01-04 | 湖南大学 | 光学遥感图像目标区域检测装置与方法 |
CN107480620A (zh) * | 2017-08-04 | 2017-12-15 | 河海大学 | 基于异构特征融合的遥感图像自动目标识别方法 |
CN109345481A (zh) * | 2018-09-28 | 2019-02-15 | 北京空间机电研究所 | 一种用于航天光学遥感图像的量子优化方法 |
CN111028277A (zh) * | 2019-12-10 | 2020-04-17 | 中国电子科技集团公司第五十四研究所 | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 |
CN111354059A (zh) * | 2020-02-26 | 2020-06-30 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
CN113344198A (zh) * | 2021-06-09 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN113609994A (zh) * | 2021-08-06 | 2021-11-05 | 中国工商银行股份有限公司 | 遥感图像的处理方法、装置和服务器 |
WO2022000300A1 (zh) * | 2020-06-30 | 2022-01-06 | 深圳市大疆创新科技有限公司 | 图像处理方法、图像获取装置、无人机、无人机系统和存储介质 |
CN114565866A (zh) * | 2021-11-05 | 2022-05-31 | 南京大学 | 一种基于双模式多波段融合的全天时目标跟踪系统 |
CN114882206A (zh) * | 2022-06-21 | 2022-08-09 | 上海商汤临港智能科技有限公司 | 图像生成方法、模型训练方法、检测方法、装置及系统 |
CN115019187A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
CN115049927A (zh) * | 2022-06-20 | 2022-09-13 | 北京航空航天大学杭州创新研究院 | 基于SegNet的SAR图像桥梁检测方法、装置和存储介质 |
CN115623221A (zh) * | 2022-09-29 | 2023-01-17 | 北京三快在线科技有限公司 | 一种视频编码方法、装置、存储介质及图像采集设备 |
CN115713537A (zh) * | 2022-11-03 | 2023-02-24 | 北京理工雷科电子信息技术有限公司 | 基于光谱引导与深度注意力的光学遥感图像云雾分割方法 |
CN116824291A (zh) * | 2023-01-17 | 2023-09-29 | 支付宝(杭州)信息技术有限公司 | 一种遥感图像学习方法、装置以及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202696B (zh) * | 2021-12-15 | 2023-01-24 | 安徽大学 | 基于上下文视觉的sar目标检测方法、装置和存储介质 |
-
2024
- 2024-01-30 CN CN202410128325.1A patent/CN117649613B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295498A (zh) * | 2016-07-20 | 2017-01-04 | 湖南大学 | 光学遥感图像目标区域检测装置与方法 |
CN107480620A (zh) * | 2017-08-04 | 2017-12-15 | 河海大学 | 基于异构特征融合的遥感图像自动目标识别方法 |
CN109345481A (zh) * | 2018-09-28 | 2019-02-15 | 北京空间机电研究所 | 一种用于航天光学遥感图像的量子优化方法 |
CN111028277A (zh) * | 2019-12-10 | 2020-04-17 | 中国电子科技集团公司第五十四研究所 | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 |
CN111354059A (zh) * | 2020-02-26 | 2020-06-30 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
WO2022000300A1 (zh) * | 2020-06-30 | 2022-01-06 | 深圳市大疆创新科技有限公司 | 图像处理方法、图像获取装置、无人机、无人机系统和存储介质 |
CN113344198A (zh) * | 2021-06-09 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN113609994A (zh) * | 2021-08-06 | 2021-11-05 | 中国工商银行股份有限公司 | 遥感图像的处理方法、装置和服务器 |
CN114565866A (zh) * | 2021-11-05 | 2022-05-31 | 南京大学 | 一种基于双模式多波段融合的全天时目标跟踪系统 |
CN115049927A (zh) * | 2022-06-20 | 2022-09-13 | 北京航空航天大学杭州创新研究院 | 基于SegNet的SAR图像桥梁检测方法、装置和存储介质 |
CN114882206A (zh) * | 2022-06-21 | 2022-08-09 | 上海商汤临港智能科技有限公司 | 图像生成方法、模型训练方法、检测方法、装置及系统 |
CN115019187A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
CN115623221A (zh) * | 2022-09-29 | 2023-01-17 | 北京三快在线科技有限公司 | 一种视频编码方法、装置、存储介质及图像采集设备 |
CN115713537A (zh) * | 2022-11-03 | 2023-02-24 | 北京理工雷科电子信息技术有限公司 | 基于光谱引导与深度注意力的光学遥感图像云雾分割方法 |
CN116824291A (zh) * | 2023-01-17 | 2023-09-29 | 支付宝(杭州)信息技术有限公司 | 一种遥感图像学习方法、装置以及设备 |
Non-Patent Citations (8)
Title |
---|
SAR-to-optical image translation for quality enhancement;Yi Huo et al.;《Journal of Ambient Intelligence and Humanized Computing 》;20220130;第14卷;第9985-10000页 * |
一种从SAR影像到光学影像的翻译方法;张文元等;《武汉大学学报(信息科学版)》;20170205;第42卷(第02期);第178-184页+第192页 * |
一种基于深度学习的舰船目标融合识别算法;李家起等;《舰船电子工程》;20200920;第40卷(第09期);第31-35页+第171页 * |
基于ROI和证据理论的目标融合检测算法;雷琳等;《信号处理》;20100225;第26卷(第02期);第225-229页 * |
基于光学和SAR遥感图像融合的洪灾区域检测方法;王志豪等;《雷达学报 》;20200218;第9卷(第3期);第539-553页 * |
基于深度学习的SAR辅助下光学遥感图像去云方法;王梦瑶等;《光学学报》;20210625;第41卷(第12期);第243-251页 * |
基于目标关联的多源卫星遥感图像兵营融合检测方法;周钟娜等;《遥感学报》;20080115(第01期);第77-84页 * |
基于目标检测的多源遥感图像特征融合方法研究;周钟娜等;《计算机仿真》;20080415(第04期);第224-227页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117649613A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11138444B2 (en) | Methods and devices for processing images of a traffic light | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN112036462B (zh) | 一种模型训练以及目标检测的方法及装置 | |
Xiao et al. | Scene‐aware image dehazing based on sky‐segmented dark channel prior | |
CN112365513A (zh) | 一种模型训练的方法及装置 | |
CN114782310A (zh) | 表面缺陷检测方法、装置、设备和存储介质 | |
CN116721399B (zh) | 一种量化感知训练的点云目标检测方法及装置 | |
CN115049927A (zh) | 基于SegNet的SAR图像桥梁检测方法、装置和存储介质 | |
CN113888415B (zh) | 一种模型训练以及图像修复方法及装置 | |
CN117218551B (zh) | 一种基于误差分析的估测算法优化方法及装置 | |
CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
CN112487127B (zh) | 一种基于颜色特征分布与图像语义的众包建图方法及装置 | |
CN113132658B (zh) | 基于仿生图像传感器的数据处理方法、装置、设备和介质 | |
CN117649613B (zh) | 一种光学遥感图像优化方法、装置、存储介质及电子设备 | |
CN117456323A (zh) | 一种图像融合的方法、装置、存储介质及电子设备 | |
CN111292331B (zh) | 图像处理的方法与装置 | |
CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
CN113887351B (zh) | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 | |
CN118096634A (zh) | 一种气体泄漏检测方法、装置、电子设备及存储介质 | |
CN118334278B (zh) | 一种点云数据处理方法、装置、存储介质及设备 | |
CN108052585B (zh) | 一种复杂环境中动态目标的判定方法 | |
CN111292345A (zh) | 紫边检测方法及装置、电子设备和存储介质 | |
CN116363390B (zh) | 一种红外弱小目标检测方法、装置、存储介质及电子设备 | |
CN118097359B (zh) | 一种模型训练方法、装置、存储介质以及电子设备 |
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 |