DE19939732C2 - Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten - Google Patents
Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen FernerkundungsdatenInfo
- Publication number
- DE19939732C2 DE19939732C2 DE1999139732 DE19939732A DE19939732C2 DE 19939732 C2 DE19939732 C2 DE 19939732C2 DE 1999139732 DE1999139732 DE 1999139732 DE 19939732 A DE19939732 A DE 19939732A DE 19939732 C2 DE19939732 C2 DE 19939732C2
- Authority
- DE
- Germany
- Prior art keywords
- test
- objects
- multispectral
- analysis test
- analysis
- 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.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
Dei Erfindung betrifft ein Verfahren zur automatischen Detektion und Identifiktion von Objekten in multispektralen Fernerkundungsdaten, umfassend folgende Verfahrensschritte: DOLLAR A a) Durchführung eines Trainingsgebietsallokationstests (TAT), DOLLAR A b) Durchführung eines Strukturanalysetests (SAT), DOLLAR A c) Durchführung eines Umgebungsanalysetests (UAT), DOLLAR A d) Durchführung eines Multispektralanalysetests (MST) unter zur Hilfenahme von a-priori-Informationen von charakteristischen spektralen Signaturen der zu identifizierenden Objekte, DOLLAR A e) Gewichtetes Zusammenfassen der Verfahrensergebnisse nach dem Verfahrensansprüchen a)-d) einschließlich der a-priori Informationen und DOLLAR A f) Klassifizierung der detektierten Objekte mittels der gemäß Verfahrensschritt e) ermittelten Datenbasis.
Description
Die Erfindung betrifft ein Verfahren zur automatischen Detektion und
Identifikation von Objekten in multispektralen Fernerkundungsdaten.
Multispektrale Fernerkundungsdaten werden beispielsweise von
satellitengestützten Kameras oder von Luftbildkameras in Flugzeugen
gewonnen. Die multispektralen Fernerkundungsdaten liegen dabei bei
Verwendung digitaler Kameras bereits in digitaler Form vor oder werden durch
A/D-Wandlung der Filme digitalisiert und weiterverarbeitet.
Es existieren bereits eine Reihe grundlegender Verfahren zur Detektion und
Identifikation von Objekten in multispektralen Fernerkundungsdaten wie
beispielsweise Clusteranalysen. Diese Verfahren beruhen darauf, daß von
optischen Sensoren unterschiedliche Merkmale der verschiedenen Objekte
erfaßt werden. Das sind beispielsweise der Grauton, die Farbe, die
multispektrale Signatur, die Oberflächenstruktur (Textur), die Form oder das
zeitliche Verhalten eines solchen Objektes. In all diesen Verfahren sind
bestimmte Kriterien im Merkmalsraum festzulegen, nach denen die
Unterscheidung vorgenommen werden kann, ob ein Bildpunkt einem Objekt
zugeordnet wird oder nicht. In der Regel werden bildpunktbezogene oder
umgebungsabhängige Informationen zur Segmentierung herangezogen.
Die oben geschilderten Verfahren werden überwacht oder unüberwacht
betrieben. Daraus folgt im Fall der überwachten Verfahren, daß ein erheblicher
Teil der Identifikationsarbeit durch den Interpreter (zum Teil im interaktiven
Modus) durch umfangreiches Parameter-Tuning zu leisten ist. Im Fall der
unüberwachten Verfahren resultieren demgegenüber zum Teil erhebliche
Fehlzuordnungen. Eine der Ursachen ist, daß die Bestimmung von
Zurückweisungsradien oder die Auswahl von Testgebieten in der Regel
subjektiv stark beeinflußt und zusätzlich durch Wolkenschatten, verschiedene
Beleuchtungsverhältnisse und ähnliches erschwert ist.
Aus E. Dennert-Möller "die Verwendung von Zusatzinformationen zur
Verbesserung der digitalen multispektralen Klassifizierung von
Fermerkundungsaufnahmen" in: Mustererkennung 1984, DAGM-Symposium,
Graz, Springer-Verlag, 1984, Seiten 42-48 ist es bekannt, Zusatzinformationen
einzubeziehen, die Aussagen über das konkrete Klassifizierungsproblem
liefern, um die Trennbarkeit der Klassen zu verbessern. Diese
Zusatzinformationen werden entweder in den Klassifizierungsprozess
einbezogen oder dienen zur Erweiterung des Merkmalraums und des Einsatzes
von verallgemeinerten a-priori-Wahrscheinlichkeiten.
Aus M. Köhler, S. Kinzel "Automatische Klassifikation multispektraler Bilddaten
aus der Fernerkundung" in: Mustererkennung 1988, 10. DAGM-Symposium,
Zürich, Springer-Verlag, Seiten 172-178 ist es bekannt, dass die überwachte
Klassifikation dadurch gekennzeichnet ist, dass die Nutzung bestimmter
Gebiete genau bekannt ist. Die spektralen Werte dieser Gebiete werden als
Stichproben für die jeweils zu untersuchenden Klassen benutzt. Vom
Anwender, der entsprechende Kenntnisse über das Untersuchungsgebiet
besitzen muss, wird über Art und Anzahl der Cluster (Klassen) entschieden. Im
ersten Schritt wird in einem interaktiven Eingriff die Anzahl der Objektklassen
bestimmt. Im zweiten Schritt wählt der Anwender Szenenausschnitte als
sogenannte Trainingsgebiete aus, bei denen davon ausgegangen wird, dass
sie Abbildungen für die Objektklassen sind. Die Klassifizierung erfolgt nun
derart, dass sämtliche Bildpunkte der Szene nach vorgegebenen Kriterien einer
der Musterklassen zugeordnet werden. Bei der automatischen Klassifikation
werden ähnliche Objekte zu sogenannten Klassen zusammengefasst, wobei
diese intern möglichst homogen und extern möglichst separiert sein sollen. Die
Ähnlichkeit zwischen Objekten wird durch ein numerisches Maß bestimmt, die
Ähnlichkeits- bzw. Distanzfunktion. Für die Durchführung einer Clusteranalyse
wird entweder eine Ähnlichkeits- oder eine Distanzmatrix erstellt. Bei dem
dargestellten Verfahren sind jedoch an verschiedenen Stellen interaktive
Eingriffe eines Operators notwendig.
Die US-5,640,468 betrifft ein Verfahren zur Detektion von 3D-Objekten in
3D-Bildern, insbesondere von erdgebundenen Fahrzeugen. In diesen Bildern
wird die Entfernung der Messeinrichtung (z. B. Radar) zu allen Punkten im
Blickfeld als dritte Dimension dargestellt. Die eigentlichen
Segmentierungskriterien sind danach die Distanz von benachbarten
Bildpunkten zum Sensor und deren Entfernung zueinander. Diese Objekte,
wobei von einem realen Objekt nur Bruchstücke erfasst zu sein brauchen,
werden mit Daten von Objektcharakteristika in einer Datenbank verglichen und
nach einer Zuordnungswahrscheinlichkeit klassifiziert oder identifiziert. Bei
multispektralen Fernerkundungsdaten stehen derartige Abstandsinformationen
im allgemeinen nicht zur Verfügung.
Der Erfindung liegt daher das technische Problem zugrunde, ein Verfahren zur
vollautomatischen Detektion und Identifikation von Objekten in multispektralen
Fernerkundungsdaten zu schaffen, das zur Implementierung in automatischen
Prozeßketten geeignet ist.
Die Lösung des technischen Problems ergibt sich durch den Gegenstand mit
den Merkmalen des Patentanspruches 1. Weitere vorteilhafte Ausgestaltungen
der Erfindung ergeben sich aus den Unteransprüchen.
Hierzu umfasst das Verfahren zur vollautomatischen Detektion und
Identifikation von Objekten in multispektralen Fernerkundungsdaten die
Schritte:
- - Durchführung eines Trainingsgebietsallokationstests (TAT), der einen Homogenitätstest (HT) und einen Trainingsgebietstest (TT) umfasst, wobei mittels ersterem Schwellwerte zur Definition von Zuweisungswahrscheinlichkeiten innerhalb eines Datensatzes ermittelt werden, die zur Lokalisierung homogener Bildbereiche dienen und mittels letzterem die lokalisierten Bildbereiche einer Frequenzanalyse unterzogen werden und die über den gesamten Spektralbereich als homogen erfassten Gebiete als Trainingsgebiete eingestuft werden,
- - Durchführung eines Strukturanalysetests (SAT), der einen Kantendetektionsalgorithmus (KD) und einen Wachstumsalgorithmus (WA) umfasst,
- - Durchführung eines Umgebungsanalysetests (UAT),
- - Durchführung eines Multispektralanalysetests (MST) unter zur Hilfenahme von a-priori-Informationen von charakteristischen spektralen Signaturen der zu identifizierenden Objekte,
- - Gewichtetes Zusammenfassen der Verfahrensergebnisse nach den vorangegangenen Verfahrensschritten einschließlich der a-priori Informationen und
- - Klassifizierung der detektierten Objekte mittels der so ermittelten Datenbasis.
Durch den modularen Aufbau des Verfahrens kann dieses weitgehend
parallelisiert werden, sodass das Verfahren sehr gut in einem neuronalem Netz
implementierbar ist und zudem fuzzybasiert betrieben werden kann. Ein
weiterer Vorteil ist die leichte Ergänzbarkeit des Gesamtverfahrens mit
zusätzlichen Auswerteverfahren, die dann nur in einem Fusionsalgorithmus
entsprechend berücksichtigt werden müssen.
Die Erfindung wird nachfolgend anhand eines bevorzugten
Ausführungsbeispiels näher erläutert. Die einzige Figur zeigt ein schematisches
Ablaufdiagramm eines Verfahrens zur automatischen Detektion und
Identifikation von Objekten in multispektralen Fernerkundungsdaten.
Die automatische Detektion und Identifikation von Bildinhalten in
mehrkanaligen Fernerkundungsdaten FD besteht aus vier verschiedenen
Teilprozessen, die als Module zusammengefügt werden. Diese sind der
Trainingsgebietsallokationstest TAT, der Strukturanalysetest SAT, der
Umgebungsanalysetest UAT und der Muktispektralanalysetest MST, in die die
Fernerkundungsdaten FD parallel eingelesen und verarbeitet werden.
Die Verarbeitungskette ist so angelegt, daß sie durch neue Algorithmen
erweiterbar bzw. modifizierbar ist. In verschiedenen Teilprozessen wird in
paralleler Abarbeitung aus dem Datensatz ein Informationsgehalt mit hohem
Sicherheitsgrad gewonnen. Die Verkopplung der verschiedenen
Informationsgehalte gewährleistet im Ergebnis die Qualität des automatischen
Verfahrens zur Detektion und Interpretation von Objekten in multispektralen
Fernerkundungsdaten FD.
Der Trainigsgebeitsallokationstest TAT gliedert sich in einen Homogenitätstest
HT und einen Trainigsgebietstest TT. Mit Hilfe des Homogenitätstests HT
werden Schwellwerte zur Definition der Zuweisungswahrscheinlichkeit
innerhalb des Datensatzes ermittelt, so daß auf der Grundlage dieser
Schwellwerte homogene Bildbereiche lokalisiert werden können. Mit einer
Filtermatrix (m × m) werden diese Bildbereiche auf ihre lokale Homogenität
untersucht und mit den Schwellwerten verglichen. Dem sich anschließenden
Trainingsgebietstest TT werden diese detektierten Bildbereiche übermittelt und
mittels Frequenzanalyse auf ihren Bildinhalt hin untersucht. Definierte
Bildbereiche werden dann akzeptiert, wenn sie über alte Spektralbereiche das
Kriterium der Homogenität erfüllen, ansonsten werden sie abgelehnt. Diese
gewonnenen Bereiche werden im folgenden als Trainingsgebiete behandelt.
Der Strukturanalysetest SAT besteht aus den Modulen Kantendetektion KD
zum Auffinden von "scharfen" Kanten innerhalb des Datensatzes und einem
Wachstumsalgorithmus WA zum Abgrenzen von Objekten nach einem
strukturanalytischen und texturellen Ansatz. Der Wachstumsalgorithmus beruht
auf einem Grenzdistanzverfahren. Ausgehend von einer detektierten
Kantenstruktur werden Pixel beidseitig mit zunehmender Entfernung von dieser
Kante kodiert. Bei einer geschlossenen Struktur hat dieses Vorgehen zur
Folge, daß ein Punkt oder Bereich größter Distanz als strukturelles Zentrum
ermittelt wird, dem eine hohe Objektzugehörigkeit beigemessen werden kann.
Bei nichtgeschlossenen Kantenstrukturen endet das Wachstum bei Auffüllung
des angrenzenden Gebietes.
Der Umgebungsanalysetest UAT zielt auf eine Analyse der Umgebung des
Einzelpixels. Dieser Test beinhaltet die Module Adaptive Filterdefinition AFD
und die Flächenzerlegung FZ. Die Adaptive Filterdefinition AFD ermittelt für den
gesamten Datensatz eine maximal zulässige Filtergröße über alle Pixel und für
jedes Pixel die Umgebungseigenschaften. Die Flächenzerlegung FZ zielt auf
die Segmentierung des Bildes in Pixel gleicher Umgebungscharakteristik (z. B.
Textur). Die Zuordnung von Pixeln erfolgt hinsichtlich der Gleichartigkeit ihrer
Umgebung. Dabei wird über die Größe der Umgebung auf sogenannte Misch-
und Störpixel geschlossen, die gesondert hinsichtlich ihrer Zugehörigkeit zu
den angrenzenden Objekten behandelt werden.
Der Multispektralanalysetest MST delektiert Gebiete, die entsprechend ihres
spektralen Signatur einem definierten Objekt (Wasser, Wald u. dgl.) zugeordnet
werden können. Dazu greift dieser Algorithmus auf die a priori-Datenbank DB
zu und entnimmt dieser generalisierte, charakteristische spektrale Signaturen
für die zu identifizierenden Objekte. Der MST besteht aus den Modulen
Spektrale Analyse SA zur Erfassung der spektralen Signaturen für jedes Pixel,
und der Inhaltszuweisung IZ, in dem die Detektion von definierten Objektpixeln
(Wasser, Wald u. dgl.) erfolgt. Der Test realisiert die Identifikation und
Zuordnung von Mischpixeln.
Darüberhinaus beinhaltet das Gesamtverfahren einen Fusionsalgorithmus FA,
der die Einzelergebnisse der oben vorgenannten Tests für eine Detektion,
Identifikation und Inhaltszuweisung von Bildobjekten zusammenführt, um sie
einem Klassifikationsalgorithmus KA zuzuliefern.
Claims (6)
1. Verfahren zur vollautomatischen Detektion und Identifikation von
Objekten in multispektralen Fernerkundungsdaten, umfassend folgende
Verfahrensschritte:
- a) Durchführung eines Trainingsgebietsallokationstests (TAT), der einen Homogenitätstest (HT) und einen Trainingsgebietstest (TT) umfaßt, wobei mittels ersterem Schwellwerte zur Definition von Zuweisungswahrscheinlichkeiten innerhalb eines Datensatzes ermittelt werden, die zur Lokalisierung homogener Bildbereiche dienen und mittels letzterem die lokalisierten Bildbereiche einer Frequenzanalyse unterzogen werden und die über den gesamten Spektralbereich als homogen erfaßten Gebiete als Trainingsgebiete eingestuft werden,
- b) Durchführung eines Strukturanalysetests (SAT), der einen Kantendetektionsalgorithmus (KD) und einen Wachstumsalgorithmus (WA) umfaßt,
- c) Durchführung eines Umgebungsanalysetests (UAT),
- d) Durchführung eines Multispektralanalysetests (MST) unter zur Hilfenahme von a-priori-Informationen von charakteristischen spektralen Signaturen der zu identifizierenden Objekte,
- e) Gewichtetes Zusammenfassen der Verfahrensergebnisse nach dem Verfahrensansprüchen a)-d) einschließlich der a-priori Informationen und
- f) Klassifizierung der detektierten Objekte mittels der gemäß Verfahrensschritt e) ermittelten Datenbasis.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der
Wachstumsalgorithmus (WA) als Grenzdistanzverfahren ausgebildet ist.
3. Verfahren nach einem der vorangegangenen Ansprüche, dadurch
gekennzeichnet, daß der Umgebungsanalysetest (UAT) einen Modul
Adaptive Filterdefinition (AFD) umfaßt, der für den gesamten Datensatz
über alle Pixel eine maximale zulässige Filtergröße und für jedes Pixel
die Umgebungseigenschaften ermittelt.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß der
Umgebungsanalysetest (UAT) eine Flächenzerlegungsfunktion (FZ)
umfaßt, um Bilder in Pixel gleicher Umgebungscharakteristik zu
segmentieren.
5. Verfahren nach einem der vorangegangenen Ansprüche, dadurch
gekennzeichnet, daß der Multispektralanalysetest (MST) eine Spektrale
Analyse (SA) umfaßt, mittels derer die spektralen Signaturen jedes
Bildpixels bestimmt werden.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß der
Multispektralanalyse (MST) eine Inhaltszuweisung (IZ) umfaßt, in der die
Detektion von definierten Objektpixeln erfolgt.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1999139732 DE19939732C2 (de) | 1999-08-16 | 1999-08-16 | Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1999139732 DE19939732C2 (de) | 1999-08-16 | 1999-08-16 | Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19939732A1 DE19939732A1 (de) | 2001-03-01 |
DE19939732C2 true DE19939732C2 (de) | 2003-06-12 |
Family
ID=7919182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE1999139732 Expired - Lifetime DE19939732C2 (de) | 1999-08-16 | 1999-08-16 | Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19939732C2 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10358938A1 (de) * | 2003-12-15 | 2005-07-21 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur mindestens teilweise automatisierten Auswertung von Fernerkundungsdaten |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE443846T1 (de) | 2004-09-15 | 2009-10-15 | Deutsch Zentr Luft & Raumfahrt | Verarbeitung von fernerkundungsdaten |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640468A (en) * | 1994-04-28 | 1997-06-17 | Hsu; Shin-Yi | Method for identifying objects and features in an image |
-
1999
- 1999-08-16 DE DE1999139732 patent/DE19939732C2/de not_active Expired - Lifetime
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640468A (en) * | 1994-04-28 | 1997-06-17 | Hsu; Shin-Yi | Method for identifying objects and features in an image |
Non-Patent Citations (2)
Title |
---|
DENNERT-MÖLLER, E.: "Die Verwendung von Zusatzinformationen zur Verbesserung der digitalenmultispektralen Klassifizierung von Fern- erkundungsaufnahmen", In: Mustererkennung 1984, DAGM-Symposium, Graz, Springer-Verlag, 1984, S. 42-48 * |
KÖHLER, M., KINZEL, S.: "Automatische Klassifi- kation multispektraler Bilddaten aus der Fernerkundung", In: Mustererkennung 1988, 10.DAGM-Symposium, Zürich, Springer-Verlag, S. 172-178 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10358938A1 (de) * | 2003-12-15 | 2005-07-21 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur mindestens teilweise automatisierten Auswertung von Fernerkundungsdaten |
DE10358938B4 (de) * | 2003-12-15 | 2006-06-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur mindestens teilweise automatisierten Auswertung von Fernerkundungsdaten |
Also Published As
Publication number | Publication date |
---|---|
DE19939732A1 (de) | 2001-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60038158T2 (de) | Zielerfassungsvorrichtung und verfahren zur schätzung des azimuts von radarzielen mittels radon transformation | |
DE2823490C2 (de) | ||
DE60115314T2 (de) | Verfahren für die Auswertung von Bildern zur Defekterkennung | |
EP3058556B1 (de) | Verfahren und vorrichtung zur automatisierten waldbrandfrüherkennung mittels optischer detektion von rauchwolken | |
DE102006008482B4 (de) | Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur Auto-Identifikation einer partiellen Entladungsquelle | |
DE19521346C2 (de) | Bilduntersuchungs/-Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür | |
DE4413963C2 (de) | Anordnung zur Erkennung von Fingerabdrücken | |
DE19747415C2 (de) | Verfahren zur Unterstützung eines Betrachters bei der Durchmusterung einer Probe und zytologisches Probenanalysiersystem | |
DE60307583T2 (de) | Auswertung der Schärfe eines Bildes der Iris eines Auges | |
DE3505331C2 (de) | Verfahren und Gerät zur Vermessung des bei der Eindringhärteprüfung in einer Probe hinterlassenen Eindrucks | |
EP1610270A2 (de) | Verfahren zur qualitativen Beurteilung eines Materials mit mindestens einem Erkennungsmerkmal | |
DE2417282A1 (de) | Vorrichtung zum erkennen eines musters | |
EP0780002A1 (de) | Verfahren zur rekonstruktion von in rasterform vorliegenden linienstrukturen | |
EP1118956A2 (de) | Verfahren zur Erkennung von Objekten in Bildern auf der Bildpixelebene | |
DE102007013971A1 (de) | Verfahren und Vorrichtung zur Ermittlung einer Zellkontur einer Zelle | |
EP2028605A1 (de) | Detektionsverfahren für symmetrische Muster | |
EP2624170B1 (de) | Verfahren zur Erkennung eines vorgegebenen Musters in einem Bilddatensatz | |
DE112019005143T5 (de) | System zur co-registrierung medizinischer bilder unter verwendung eines klassifikators | |
EP3598194A1 (de) | Verfahren zur mikroskopischen auswertung | |
DE69628654T2 (de) | Messsystem zur bestimmung der globalen modulationsübertragungsfunktion | |
EP0825543A2 (de) | Verfahren und Vorrichtung zur Mustererfassung | |
DE19928231C2 (de) | Verfahren und Vorrichtung zur Segmentierung einer Punkteverteilung | |
DE102019204602B4 (de) | Verfahren und Vorrichtung zur Maskierung von in einem Bild enthaltenen Objekten | |
DE19939732C2 (de) | Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten | |
DE102005049017A1 (de) | Verfahren zur Segmentierung in einem n-dimensionalen Merkmalsraum und Verfahren zur Klassifikation auf Grundlage von geometrischen Eigenschaften segmentierter Objekte in einem n-dimensionalen Datenraum |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8127 | New person/name/address of the applicant |
Owner name: DEUTSCHES ZENTRUM FUER LUFT-UND RAUMFAHRT E.V., 51 |
|
8304 | Grant after examination procedure | ||
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: DEUTSCHES ZENTRUM FUER LUFT- UND RAUMFAHRT E.V. |
|
8327 | Change in the person/name/address of the patent owner |
Owner name: DEUTSCHES ZENTRUM FUER LUFT- UND RAUMFAHRT E.V. |
|
R071 | Expiry of right |