CN117671531B - 一种无人机航测数据处理方法及系统 - Google Patents

一种无人机航测数据处理方法及系统 Download PDF

Info

Publication number
CN117671531B
CN117671531B CN202311657491.2A CN202311657491A CN117671531B CN 117671531 B CN117671531 B CN 117671531B CN 202311657491 A CN202311657491 A CN 202311657491A CN 117671531 B CN117671531 B CN 117671531B
Authority
CN
China
Prior art keywords
vertex
image
wave band
pixels
band image
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
CN202311657491.2A
Other languages
English (en)
Other versions
CN117671531A (zh
Inventor
刘春虎
王勤涛
李仁章
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.)
Jilin Xinke Surveying And Mapping Co ltd
Original Assignee
Jilin Xinke Surveying And Mapping 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 Jilin Xinke Surveying And Mapping Co ltd filed Critical Jilin Xinke Surveying And Mapping Co ltd
Priority to CN202311657491.2A priority Critical patent/CN117671531B/zh
Publication of CN117671531A publication Critical patent/CN117671531A/zh
Application granted granted Critical
Publication of CN117671531B publication Critical patent/CN117671531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • 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
    • G06V10/764—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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及航测技术领域，公开了一种无人机航测数据处理方法及系统，包括：提取目标区域的波段图像，波段图像包括第一波段图像和第二波段图像；对波段图像进行图像分割处理，图像分割时像素的分类为两类以上；基于波段图像的图像分割处理的结果生成顶点图；将顶点图和顶点特征输入校正模型；将校正模型输出的第二顶点的编码特征替换映射的第二波段图像的像素的参数来生成校正图像，第二顶点的编码特征是第二编码矩阵中对应的行向量；本发明通过同一采集时间段的X波段的图像对C波段的图像进行对比参照，通过训练学习模型来根据参照信息校正C波段的图像的像素参数，获得与实际的地表面结构差别小的图像。

Description

一种无人机航测数据处理方法及系统
技术领域
本发明涉及航测技术领域，更具体地说，它涉及一种无人机航测数据处理方法及系统。
背景技术
雪灾增加了山体的雪负荷和湿度，改变了山体的水文条件，进一步降低了山体的稳定性。此外，雪灾还会引发其他地质灾害，如冰崩和雪崩，引发山体滑坡，山体滑坡严重影响雪崩灾害发生后续的救援，因此需要对雪层下的地质状态进行监测，虽然可以通过无人机航测技术配合合成孔径雷达来透视雪层之下的地表面，但是合成孔径雷达成像属于相干成像，由于滑坡导致的地表面含水分布不均以及地面褶皱会产生严重的叠掩和收缩，通过一般的处理获得的成像与实际的地表面结构差别较大。
发明内容
本发明提供一种无人机航测数据处理方法及系统，解决相关技术中由于滑坡导致的地表面含水分布不均以及地面褶皱会产生严重的叠掩和收缩，通过一般的处理获得的成像与实际的地表面结构差别较大的技术问题。
在本公开的至少一个实施例中提供一种无人机航测数据处理方法，包括以下步骤：
步骤101，提取目标区域的波段图像，波段图像包括第一波段图像和第二波段图像；
其中第一波段图像和第二波段图像均为SAR图像，第一波段图像的雷达波段为X波段，第二波段图像的雷达波段为C波段，并且第一波段图像和第二波段图像的雷达极化方式相同；
步骤102，对波段图像进行图像分割处理，图像分割时像素的分类为两类以上；
步骤103，基于波段图像的图像分割处理的结果生成顶点图，顶点图的顶点分为第一顶点和第二顶点，第一顶点与第一波段图像的像素一一映射，第二顶点与第二波段的像素一一映射，映射的像素相邻的两个第一顶点之间存在边，映射的像素相邻的两个第二顶点之间存在边，映射的像素属于同一图像分割的分类的第一顶点和第二顶点之间存在边；
为每个顶点生成顶点特征，顶点特征基于与其映射的像素的参数来生成；
步骤104，将顶点图和顶点特征输入校正模型，校正模型包括第一隐藏层，其中第一隐藏层的计算公式如下：
O1＝SReLU(SXW1)W2
O2＝SReLU(SXW1)W3
其中X表示输入特征矩阵，输入特征矩阵的一个行向量表示一个顶点特征，O1表示第一编码矩阵，O2表示第二编码矩阵，表示顶点的邻接矩阵与单位矩阵的和，表示的度矩阵，W1、W2、W3表示三个权重参数；
步骤105，将校正模型输出的第二顶点的编码特征替换映射的第二波段图像的像素的参数来生成校正图像，第二顶点的编码特征是第二编码矩阵中对应的行向量。
在本公开的至少一个实施例中，图像分割处理是采用FMC图像分割的方法。
在本公开的至少一个实施例中，图像分割是采用卷积神经网络的方法。
在本公开的至少一个实施例中，校正模型还包括线性层和模拟分割层，其中线性层的计算公式如下：
Z＝O1+O2*ε，ε～N(0,I)
其中ε表示符合标准高斯分布的随机常数；
模拟分割层的计算公式如下：
U表示输出矩阵，σ表示sigmoid函数，表示二值化处理。
在本公开的至少一个实施例中，二值化处理是将输出矩阵的值二值化为0或1，如果元素值大于或等于0.5，则输出为1，否则输出为0。
在本公开的至少一个实施例中，线性层和模拟分割层仅在训练校正模型时被使用，模拟分割层的输出矩阵表示了顶点之间的连接关系，训练时只需要考虑表示分割的第一顶点与第二顶点之间的连接关系，根据输出矩阵解码第一顶点与第二顶点之间的连接关系。
在本公开的至少一个实施例中，输出矩阵的大小与邻接矩阵的大小一致，因此存在对应关系，邻接矩阵的第i行第j列的元素的值表示第i个和第j个顶点之间是否存在边，对应的输出矩阵的第i行第j列的元素的值表示第i个和第j个顶点之间是否存在连接关系。
在本公开的至少一个实施例中，进行模拟分割时，以第一顶点映射的图像分割处理的像素的类别为基准，如果第二顶点连接的第一顶点映射的像素属于图像分割处理的第i个类别的数量最多，则标记第二顶点映射的像素属于图像分割处理的第i个类别。
在本公开的至少一个实施例中提供一种无人机航测数据处理系统，包括：
图像采集模块，提取目标区域的波段图像，波段图像包括第一波段图像和第二波段图像；
其中第一波段图像和第二波段图像均为SAR图像，第一波段图像的雷达波段为X波段，第二波段图像的雷达波段为C波段，并且第一波段图像和第二波段图像的雷达极化方式相同；
分割处理模块，对波段图像进行图像分割处理，图像分割时像素的分类为两类以上；
顶点生成模块，基于波段图像的图像分割处理的结果生成顶点图，顶点图的顶点分为第一顶点和第二顶点，第一顶点与第一波段图像的像素一一映射，第二顶点与第二波段的像素一一映射，映射的像素相邻的两个第一顶点之间存在边，映射的像素相邻的两个第二顶点之间存在边，映射的像素属于同一图像分割的分类的第一顶点和第二顶点之间存在边；
为每个顶点生成顶点特征，顶点特征基于与其映射的像素的参数来生成；
像素的参数包括相位、振幅等。
图像校正模块，将顶点图和顶点特征输入校正模型。
图像生成模块，将校正模型输出的第二顶点的特征替换映射的第二波段图像的像素的参数来生成校正图像，校正图像即为表示雪层下的地表面的形貌的图像。
在本公开的至少一个实施例中提供一种存储介质，存储有非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行前述的一种无人机航测数据处理方法中的一个或多个步骤。
本发明通过同一采集时间段的X波段的图像对C波段的图像进行对比参照，通过训练学习模型来根据参照信息校正C波段的图像的像素参数，获得与实际的地表面结构差别小的图像。
附图说明
图1是在本公开的至少一个实施例中的无人机航测数据处理方法的流程图；
图2是在本公开的至少一个实施例中的无人机航测数据处理系统的模块示意图；
如图3所示为目标区域的SAR图像可视化的结果；
如图4所示为目标区域的SAR图像经过前述的无人机航测数据处理方法处理后的校正图像可视化的结果。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
在本公开的至少一个实施例中提供一种无人机航测数据处理方法，如图1所示，包括以下步骤：
步骤101，提取目标区域的波段图像，波段图像包括第一波段图像和第二波段图像；
其中第一波段图像和第二波段图像均为SAR图像，第一波段图像的雷达波段为X波段，第二波段图像的雷达波段为C波段，并且第一波段图像和第二波段图像的雷达极化方式相同；
波段图像的拍摄可以是由无人机航测完成。
步骤102，对波段图像进行图像分割处理，图像分割时像素的分类为两类以上；
在本发明的一个实施例中，图像分割处理是采用FMC图像分割的方法。
在本发明的一个实施例中，图像分割是采用卷积神经网络的方法。
在本发明的一个实施例中，图像分割时像素的分类为两类。
步骤103，基于波段图像的图像分割处理的结果生成顶点图，顶点图的顶点分为第一顶点和第二顶点，第一顶点与第一波段图像的像素一一映射，第二顶点与第二波段的像素一一映射，映射的像素相邻的两个第一顶点之间存在边，映射的像素相邻的两个第二顶点之间存在边，映射的像素属于同一图像分割的分类的第一顶点和第二顶点之间存在边；
为每个顶点生成顶点特征，顶点特征基于与其映射的像素的参数来生成；
像素的参数包括相位、振幅等。
步骤104，将顶点图和顶点特征输入校正模型，校正模型包括第一隐藏层、线性层和模拟分割层，其中第一隐藏层的计算公式如下：
O1＝SReLU(SXW1)W2
O2＝SReLU(SXW1)W3
其中X表示输入特征矩阵，输入特征矩阵的一个行向量表示一个顶点特征，O1表示第一编码矩阵，O2表示第二编码矩阵，表示顶点的邻接矩阵与单位矩阵的和，表示的度矩阵，W1、W2、W3表示三个权重参数；
第二编码矩阵的第i个行向量作为第i个顶点的编码特征。
线性层的计算公式如下：
Z＝O1+O2*ε，ε～N(0,I)
其中ε表示符合标准高斯分布的随机常数；
模拟分割层的计算公式如下：
U表示输出矩阵，σ表示sigmoid函数，表示二值化处理。
二值化处理是将输出矩阵的值二值化为0或1。例如：如果元素值大于或等于0.5，则输出为1，否则输出为0。
其中线性层和模拟分割层仅在训练校正模型时被使用，模拟分割层的输出矩阵表示了顶点之间的连接关系，训练时只需要考虑表示分割的第一顶点与第二顶点之间的连接关系，根据输出矩阵解码第一顶点与第二顶点之间的连接关系；
输出矩阵的大小与邻接矩阵的大小一致，因此存在对应关系，邻接矩阵的第i行第j列的元素的值表示第i个和第j个顶点之间是否存在边，对应的输出矩阵的第i行第j列的元素的值表示第i个和第j个顶点之间是否存在连接关系。
进行模拟分割时，以第一顶点映射的图像分割处理的像素的类别为基准，如果第二顶点连接的第一顶点映射的像素属于图像分割处理的第i个类别的数量最多，则标记第二顶点映射的像素属于图像分割处理的第i个类别。
需要说明的是波段图像是覆盖雪层的目标区域的图像，而训练样本的对比图像是目标区域融雪后的未覆盖雪层的目标区域的图像，通过与波段图像的相同的图像分割处理来进行图像分割，将对比图像的分割结果与模拟分割标记的结果进行对比来计算损失；
以下提供一种计算损失值LOSS的方式：
表示交叉熵损失函数，KL表示KL散度，p(Z)＝N(0,I)；
上式中，yi代表对比图像的第i个像素的类别，代表生成模拟分割的第i个像素的类别，N是D中的元素的总数。
步骤105，将校正模型输出的第二顶点的特征替换映射的第二波段图像的像素的参数来生成校正图像，校正图像即为表示雪层下的地表面的形貌的图像；
第二顶点的特征的一个分量作为像素的一个参数；
在本公开的一个实施例中第二顶点的特征的分量数等于第一波段图像的像素的参数的数量。
在本公开的一个实施例中提供一种无人机航测数据处理方法，还包括用于对校正图像进行可视化的步骤。
在本公开的一个实施例中提供一种无人机航测数据处理方法，还包括用于将校正图像转换为高程图的步骤；
可视化的图像以及高程图能够更直观的被救援人员观察使用。
如图3所示为目标区域的SAR图像可视化的结果。
如图4所示为目标区域的SAR图像经过前述的无人机航测数据处理方法处理后的校正图像可视化的结果。
在本公开的至少一个实施例中提供一种无人机航测数据处理系统，如图2所示，包括：
图像采集模块301，提取目标区域的波段图像，波段图像包括第一波段图像和第二波段图像；
其中第一波段图像和第二波段图像均为SAR图像，第一波段图像的雷达波段为X波段，第二波段图像的雷达波段为C波段，并且第一波段图像和第二波段图像的雷达极化方式相同；
分割处理模块302，对波段图像进行图像分割处理，图像分割时像素的分类为两类以上；
顶点生成模块303，基于波段图像的图像分割处理的结果生成顶点图，顶点图的顶点分为第一顶点和第二顶点，第一顶点与第一波段图像的像素一一映射，第二顶点与第二波段的像素一一映射，映射的像素相邻的两个第一顶点之间存在边，映射的像素相邻的两个第二顶点之间存在边，映射的像素属于同一图像分割的分类的第一顶点和第二顶点之间存在边；
为每个顶点生成顶点特征，顶点特征基于与其映射的像素的参数来生成；
像素的参数包括相位、振幅等。
图像校正模块304，将顶点图和顶点特征输入校正模型。
图像生成模块305，将校正模型输出的第二顶点的特征替换映射的第二波段图像的像素的参数来生成校正图像，校正图像即为表示雪层下的地表面的形貌的图像。
本公开的至少一实施例提供一种存储介质，存储有非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行前述的一种无人机航测数据处理方法中的一个或多个步骤。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

Claims (9)

1.一种无人机航测数据处理方法，其特征在于，包括：
提取目标区域的波段图像，波段图像包括第一波段图像和第二波段图像；
其中第一波段图像和第二波段图像均为SAR图像，第一波段图像的雷达波段为X波段，第二波段图像的雷达波段为C波段，并且第一波段图像和第二波段图像的雷达极化方式相同；
对波段图像进行图像分割处理，图像分割时像素的分类为两类以上；
基于波段图像的图像分割处理的结果生成顶点图，顶点图的顶点分为第一顶点和第二顶点，第一顶点与第一波段图像的像素一一映射，第二顶点与第二波段的像素一一映射，映射的像素相邻的两个第一顶点之间存在边，映射的像素相邻的两个第二顶点之间存在边，映射的像素属于同一图像分割的分类的第一顶点和第二顶点之间存在边；
为每个顶点生成顶点特征，顶点特征基于与其映射的像素的参数来生成；
将顶点图和顶点特征输入校正模型，校正模型包括第一隐藏层，其中第一隐藏层的计算公式如下：
O1＝SReLU(SXW1)W2
O2＝SReLU(SXW1)W3
其中X表示输入特征矩阵，输入特征矩阵的一个行向量表示一个顶点特征，O1表示第一编码矩阵，O2表示第二编码矩阵，表示顶点的邻接矩阵与单位矩阵的和，表示的度矩阵，W1、W2、W3表示三个权重参数；
将校正模型输出的第二顶点的编码特征替换映射的第二波段图像的像素的参数来生成校正图像，第二顶点的编码特征是第二编码矩阵中对应的行向量；
校正模型还包括线性层和模拟分割层，其中线性层的计算公式如下：
Z＝O1+O2*ε，ε～N(0,I)
其中ε表示符合标准高斯分布的随机常数；
模拟分割层的计算公式如下：
U表示输出矩阵，σ表示sigmoid函数，表示二值化处理。
2.根据权利要求1所述的一种无人机航测数据处理方法，其特征在于，图像分割处理是采用FMC图像分割的方法。
3.根据权利要求1所述的一种无人机航测数据处理方法，其特征在于，图像分割是采用卷积神经网络的方法。
4.根据权利要求1所述的一种无人机航测数据处理方法，其特征在于，二值化处理是将输出矩阵的值二值化为0或1，如果元素值大于或等于0.5，则输出为1，否则输出为0。
5.根据权利要求1所述的一种无人机航测数据处理方法，其特征在于，线性层和模拟分割层仅在训练校正模型时被使用，模拟分割层的输出矩阵表示了顶点之间的连接关系，训练时只需要考虑表示分割的第一顶点与第二顶点之间的连接关系，根据输出矩阵解码第一顶点与第二顶点之间的连接关系。
6.根据权利要求5所述的一种无人机航测数据处理方法，其特征在于，输出矩阵的大小与邻接矩阵的大小一致，因此存在对应关系，邻接矩阵的第i行第j列的元素的值表示第i个和第j个顶点之间是否存在边，对应的输出矩阵的第i行第j列的元素的值表示第i个和第j个顶点之间是否存在连接关系。
7.根据权利要求6所述的一种无人机航测数据处理方法，其特征在于，进行模拟分割时，以第一顶点映射的图像分割处理的像素的类别为基准，如果第二顶点连接的第一顶点映射的像素属于图像分割处理的第i个类别的数量最多，则标记第二顶点映射的像素属于图像分割处理的第i个类别。
8.一种无人机航测数据处理系统，其特征在于，用于执行如权利要求1-7任一所述的一种无人机航测数据处理方法，包括：
图像采集模块，提取目标区域的波段图像，波段图像包括第一波段图像和第二波段图像；
其中第一波段图像和第二波段图像均为SAR图像，第一波段图像的雷达波段为X波段，第二波段图像的雷达波段为C波段，并且第一波段图像和第二波段图像的雷达极化方式相同；
分割处理模块，对波段图像进行图像分割处理，图像分割时像素的分类为两类以上；
顶点生成模块，基于波段图像的图像分割处理的结果生成顶点图，顶点图的顶点分为第一顶点和第二顶点，第一顶点与第一波段图像的像素一一映射，第二顶点与第二波段的像素一一映射，映射的像素相邻的两个第一顶点之间存在边，映射的像素相邻的两个第二顶点之间存在边，映射的像素属于同一图像分割的分类的第一顶点和第二顶点之间存在边；
为每个顶点生成顶点特征，顶点特征基于与其映射的像素的参数来生成；
图像校正模块，将顶点图和顶点特征输入校正模型；
图像生成模块，将校正模型输出的第二顶点的特征替换映射的第二波段图像的像素的参数来生成校正图像，校正图像即为表示雪层下的地表面的形貌的图像。
9.一种存储介质，其特征在于，存储有非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，实现权利要求1-7任一所述的一种无人机航测数据处理方法。
CN202311657491.2A 2023-12-05 2023-12-05 一种无人机航测数据处理方法及系统 Active CN117671531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311657491.2A CN117671531B (zh) 2023-12-05 2023-12-05 一种无人机航测数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311657491.2A CN117671531B (zh) 2023-12-05 2023-12-05 一种无人机航测数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN117671531A CN117671531A (zh) 2024-03-08
CN117671531B true CN117671531B (zh) 2024-08-02

Family

ID=90080379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311657491.2A Active CN117671531B (zh) 2023-12-05 2023-12-05 一种无人机航测数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN117671531B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886978A (zh) * 2017-02-16 2017-06-23 清华大学深圳研究生院 一种图像的超分辨率重建方法
CN108038873A (zh) * 2017-12-12 2018-05-15 太仓鼎诚电子科技有限公司 一种sar和可见光波段影像的自动配准技术

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955913B (zh) * 2014-02-18 2017-03-29 西安电子科技大学 一种基于线段共生矩阵特征和区域图的sar图像分割方法
EP3514757A1 (en) * 2018-01-18 2019-07-24 Koninklijke Philips N.V. Spectral matching for assessing image segmentation
CN110874833B (zh) * 2019-10-15 2022-03-22 合肥工业大学 基于超图匹配的sar图像变化检测方法
EP3866105A1 (en) * 2020-02-17 2021-08-18 Paris Sciences et Lettres - Quartier Latin Method for processing insar images to extract ground deformation signals
CN112561133A (zh) * 2020-11-30 2021-03-26 西安科锐盛创新科技有限公司 一种基于神经网络的水流量预测系统和方法
CN113239938B (zh) * 2021-05-11 2024-01-09 中国人民解放军火箭军工程大学 一种基于图结构的高光谱分类方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886978A (zh) * 2017-02-16 2017-06-23 清华大学深圳研究生院 一种图像的超分辨率重建方法
CN108038873A (zh) * 2017-12-12 2018-05-15 太仓鼎诚电子科技有限公司 一种sar和可见光波段影像的自动配准技术

Also Published As

Publication number Publication date
CN117671531A (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Shao et al. Remote sensing image fusion with deep convolutional neural network
CN104008538B (zh) 基于单张图像超分辨率方法
CN106910202B (zh) 一种遥感图像地物的图像分割方法及系统
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
Jian et al. Infrared and visible image fusion based on deep decomposition network and saliency analysis
CN104915676A (zh) 基于深层特征学习和分水岭的sar图像分类
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN104217436B (zh) 基于多特征联合稀疏图的sar图像分割方法
CN109447897B (zh) 一种真实场景图像合成方法及系统
CN113689338B (zh) 一种缩放鲁棒性对抗补丁的生成方法
CN112883971A (zh) 一种基于深度学习的sar图像舰船目标检测方法
CN115082322B (zh) 图像处理方法和装置、图像重建模型的训练方法和装置
CN110647909A (zh) 一种基于三维密集卷积神经网络的遥感图像分类方法
CN116385281A (zh) 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法
CN116152206A (zh) 一种光伏输出功率预测方法、终端设备及存储介质
CN113705538A (zh) 基于深度学习的高分遥感影像道路变化检测装置及方法
CN114092803A (zh) 基于遥感图像的云检测方法、装置、电子设备及介质
Rout et al. Deepswir: A deep learning based approach for the synthesis of short-wave infrared band using multi-sensor concurrent datasets
CN117671531B (zh) 一种无人机航测数据处理方法及系统
CN117541720A (zh) 一种不动产测绘方法及系统
CN114821074B (zh) 机载liDAR点云语义分割方法、电子设备及存储介质
Lu et al. Multi-view based neural network for semantic segmentation on 3D scenes
CN106952287A (zh) 一种基于低秩稀疏表达的视频多目标分割方法
KR100991146B1 (ko) 신경 회로망을 이용한 위성 영상 보정 방법 및 장치
CN115700763A (zh) 一种应用于高分辨率遥感图像的端到端语义分割方法

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