CN106709501A - 一种图像匹配***的景象匹配区域选择与基准图优化方法 - Google Patents
一种图像匹配***的景象匹配区域选择与基准图优化方法 Download PDFInfo
- Publication number
- CN106709501A CN106709501A CN201510784714.0A CN201510784714A CN106709501A CN 106709501 A CN106709501 A CN 106709501A CN 201510784714 A CN201510784714 A CN 201510784714A CN 106709501 A CN106709501 A CN 106709501A
- Authority
- CN
- China
- Prior art keywords
- matching
- reference map
- region
- scene
- 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.)
- Granted
Links
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
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明一种图像匹配***的景象匹配区域选择与基准图优化方法,针对遥感卫星图片初始化分块,根据边缘特征提取算法提取各个区域的边缘特征,并筛选边缘梯度点数集中的分块区域;利用重复模式指标度量方法计算各个区域的自相关程度,并根据内相关指标对区域由小到大进行排序,输出最优候选区域;采用空间分布描述方法建立候选区域基准图的空间特征向量;建立景象可匹配性度量评价指标集合,分析评价指标集合与匹配概率之间的关联性,输出匹配性评价指标集合;统计分析基准图与卫星图片的匹配相关面,根据基准图优化方法优化基准图。本发明在匹配***工作在未知环境中,利用优化后的基准图实现高匹配性、高可靠性,保障图像匹配***顺利完成任务。
Description
技术领域
本发明涉及一种图像处理***性能评估技术领域,具体地说是一种图像匹配***的景象匹配区域选择与基准图优化方法。
背景技术
在景象匹配***中,其匹配过程实质是计算实时图与基准图两者相似性,因此,基准图的质量和景象匹配精度紧密相关。而基准图作为事前规划信息,主要来源于遥感影像,存在时间上和成像体制上的多方面区别,严重影响基准图的质量,如果能在基准图制备环节,分析匹配区域的结构特性,构建基于高匹配性度量评价指标和准则,并依据这些指标选择匹配区域和优化基准图,则对于提高景象匹配***的性能有重要意义。
景象区域适配性选择与分析具体过程,从本质上讲就是确定符合区域适配性基本指标的感兴趣区域(ROI)。在这些区域内某种特征属性区别于其相邻的区域,找寻能够全面反映区域适配性能的特征集并量化特征指标,对各种特征指标进行信息融合形成综合特征量,并提出各类综合特征量的景象区域适配性评价方法,特征指标设计原则包括:
(1)景象信息丰富的程度,景象匹配区要包含足够多的信息才能够进行匹配,信息越丰富越有利于成功匹配,如张晓晨等提出的基于信息熵的景象匹配区选取方法;
(2)景象中稳定的特征,由于成像质量较差,造成地物景象特征变得模糊,甚至消失,导致匹配失败,所以特征指标必须保证匹配区具有稳定的特征,Meth R.等提取目标稳定的曲线特征来估计目标的稳定边界;
(3)反映景象中特征的唯一性,所选匹配区内若有多个相似的明显地物,会极大地降低匹配成功概率,特征指标应当能够反映特征的唯一性,如Caves R G.引入数字地图,计算其与成像图像的高匹配区域,作为特征选取的指标;
(4)反映景象中的明显特征,为达到高匹配精度,匹配位置明显区别于非匹配位置,相关峰足够大,同时相关峰足够尖锐,如巨西诺等提出利用小波域多尺度图像计算不同尺度图像的疑似目标数目,并对各级图像进行加权,设计目标凸显性指标;
综合特征量的适配性评价多数包含在多属性决策和模式分类两类基本理论体系中:
(1)基于多属性决策理论的景象区域适配性评价
该类评价方法的基本思想是将适配性评价过程抽象成一个决策过策,将各特征指标作为决策的基本属性,通过特定的决策模型构造选好函数组成综合特征量,如赵峰伟等采用区域内各特征极值的简单加权实现决策过程,曹治国等利用修正的D-S理论完成多属性决策,通过正交实验设计获得各全局特征指标加权系数,通过反馈修正获取加权系数,实现决策过程。
(2)基于模式分类理论的景象区域适配性评价
该类评价方法的基本思想是将各个特征指标值作为感知信息,按照预先选定的分类准则设计分类器,从而将匹配概率估计问题转化为对像素或区域的分类问题,如李俊等提出的Mumford-Shah模型,通过水平集曲线演化,得到对匹配稳定局部区域和不稳定局部区域两个集合的最优划分,杨昕等利用Fisher分类器设计错分率最小阈值,进行分类结果预测。
因此,目前的基准图选取主要是集中在图像灰度信息分析或者特征质量的评价上,并没有关联到匹配性能上进行基准图的事前优化,尤其是在图像匹配***中,图像匹配***多数工作在红外成像体制上,对于图像匹配***的事前基准图制备,应该采用同源测试图像来标定完成,即红外图像序列。但在实际的未知环境中,同源的红外图像序列很难获取,而可见光的异源图像是非常容易获取的,如卫星图像、航拍图像,这种成像体制带来的分析误差则更少关注,这些都导致匹配概率下降。这就需要建立一种面向异源图像的基准图选取与评价方法,能够适应异源图像制备条件,同时具备事前优化基准图的功能,促使基准图制备向高质量的目标接近,而这方面的制备和优化基准图的方法还没有相关成果发表。
发明内容
针对现有技术的不足,本发明提供一种利用异源图像的边缘特征相似性,使用遥感卫星图像,建立内相关和外相关评价指标集合,监督基准图制备过程,完成区域选择与基准图优化的方法。
本发明为实现上述目的所采用的技术方案是:
一种图像匹配***的景象匹配区域选择与基准图优化方法,包括以下步骤:
步骤1:针对遥感卫星图片初始化分块,根据边缘特征提取算法提取各个区域的边缘特征,并筛选边缘梯度点数集中的分块区域;
步骤2:利用重复模式指标度量方法计算各个区域的自相关程度,并根据内相关指标对区域由小到大进行排序,输出最优候选区域;
步骤3:采用空间分布描述方法建立候选区域基准图的空间特征向量;
步骤4:建立景象可匹配性度量评价指标集合,分析评价指标集合与匹配概率之间的关联性,输出匹配性评价指标集合;
步骤5:统计分析基准图与卫星图片的匹配相关面,根据基准图优化方法优化基准图。
所述边缘特征提取算法为Canny算子边缘特征提取算法。
所述筛选边缘梯度点数集中的分块区域包括一下过程:
步骤1:针对每一个分块子区域,利用Canny算子提取边缘特征;
步骤2:计算每个子区域的梯度变化直方图分布;
步骤3:比较各子区域的梯度点集分布,按梯度变化从小到大,选择点集集中一个或者多个区域为候选区域。
所述重复模式指标度量方法包括以下步骤:
步骤1:针对每一个分块区域,选取一幅子图i,其重复模式指标的计算公式为:
式中s为子图i在候选区域上逐点匹配时参与匹配计算的图块数;Pi为在匹配过程中,s个图块和子图i之间边缘点相关系数大于门限的图块数目;
步骤2:计算参考图重复模式的公式为:
其中,cf为整个图块重复模式度量程度;n为选取的子图块数。
所述采用空间分布描述方法建立候选区域基准图的空间特征向量包括以下过程:
步骤1:将基准图进行特征抽取,表述为方向特征和规模特征,建立特征的灵敏性分析试验;
步骤2:根据方向特征最小可分辨区间对参考图区域的基准图进行区间划分;
步骤3:统计区间内规模点数,建立形式为{X1,X2,X3,X4,X5,X6}的多维特征向量。
所述基准图优化方法为:
步骤1:利用Harsdoff距离匹配方法完成匹配过程,并计算匹配性度量指标;
步骤2:评判匹配性度量指标的优劣后,计算主峰与次峰的主要影响区间;
步骤3:修正该区间的边缘数量,并进行基准图优化,重新计算匹配性度量指标,直到满足匹配性阈值要求结束。
本发明具有以下有益效果及优点:
1.本发明方法采用图像特征分析方法,针对图像边缘特征信息,利用自相似指标搜索评价最可匹配性候选区域,并利用基准图空间分布描述建立特征向量,建立评价指标,通过度量匹配***的匹配相关面,修正优化特征向量;
2.本发明方法特别适用于异源匹配***的基准图制备,通过内相关和外相关两个层面的分析与评价,提高可匹配性,并建立监督指标体系,实时度量基准图质量,引导与优化基准图,实现高质量基准图的制备。
附图说明
图1为本发明的整体流程图;
图2为本发明子区域直方比较图;
图3为基准图的空间分布分析图,(a)为方向特征灵敏性分析图,(b)为规模特征灵敏性分析图;
图4为本发明方法优化后的匹配指标曲线图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示,本发明图像匹配***的景象匹配区域选择与基准图优化方法包括以下步骤:
(1)分块提取各个区域的边缘特征,并筛选边缘梯度点数稳定的分块区域;
(2)利用重复模式指标度量各个区域的自相关程度,并根据内相关指标对区域进行排序,输出最优候选区域;
(3)采用空间分布描述方法建立候选区域基准图的空间特征向量;
(4)建立景象可匹配性度量评价指标集合,分析指标集合与匹配概率之间的关联性;
(5)统计分析基准图与卫星图片的匹配相关面,计算可匹配性度量指标,修正特征向量,指导与优化基准图,结束基准图制备与优化过程。
所述的提取各个区域的边缘特征,并筛选边缘梯度点数稳定的分块区域的过程:
根据目标区域的卫星图片,划分成多个子区域,如图2所示,图像的边缘检测,就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置,然后在图像中将这些位置的点连起来就构成了所谓的图像边缘。这里的选择策略是选择其中梯度边缘集中、稳定的子区域,这样的选择方式也是为了大概率保证异源红外体制成像中也能具有稳定的边缘信息,保证异源图像的相似性。
将梯度划分4个等级,对比4个等级的样本统计情况,如表1所示。选取明显集中的区域,本目标区域选择的候选区域为区域5和区域7。
表1 子区域梯度特征直方统计表
子区号 | 梯度等级1 | 梯度等级2 | 梯度等级3 | 梯度等级4 |
1 | 401695 | 210796 | 120432 | 77159 |
2 | 456190 | 199114 | 109368 | 69573 |
3 | 611629 | 146493 | 68119 | 41373 |
4 | 505308 | 172192 | 93492 | 61521 |
5 | 710924 | 146338 | 41584 | 22355 |
6 | 517751 | 171202 | 83510 | 51910 |
7 | 782992 | 91640 | 30488 | 18005 |
8 | 583435 | 151043 | 68775 | 43351 |
9 | 419121 | 187095 | 111749 | 74036 |
利用重复模式指标度量各个区域的自相关程度,并根据内相关指标对区域进行排序,输出最优候选区域的过程;
步骤1:针对每一个分块区域,选取一幅子图i,其重复模式的计算公式为:
式中S为子图i在候选区域上逐点匹配时,参与匹配计算的图块数;
Pi为在匹配过程中,s个图块和子图i之间边缘点相关系数大于门限的图块数目。
步骤2:计算参考图重复模式的公式为:
步骤3:根据重复模式指标由小到大排序,选取重复指标最小的区域为参考图的最终输出区域。
表2 子区域内相关对比表
子区号 | 区域5 | 区域7 |
位置1 | 0 | 0.020117191 |
位置2 | 0 | 0 |
位置3 | 0 | 0.017970387 |
位置4 | 0.013828491 | 0 |
位置5 | 0.017665928 | 0.030609096 |
位置6 | 0.02223386 | 0.02458329 |
位置7 | 0.005933324 | 0.030570649 |
位置8 | 0.015193883 | 0.02530859 |
位置9 | 0.016019976 | 0.000337711 |
综合重复模式 | 0.010097273 | 0.016610768 |
根据重复模式最低原则,这里确定子区域5为最终的基准图制备区域。
所述的采用空间分布描述方法建立候选区域基准图的空间特征向量过程为:
将基准图进行模式抽取,表述为方向模式和规模模式,方向属性上按象限选取等级,规模属性上按轮廓长度的点数选取多个等级,设计模式的灵敏性分析试验,结果如图3所示,证明基准图的方向和规模属性与匹配结果是高灵敏性。
通过实际场景分析,感兴趣的目标都是人造物,且人造物目标各方向的边缘夹角都在30°以上,边缘方向分布取的区间过大,起不到模板特征的分布,区间过细,则可能信息冗余,使模板标准化过程变得复杂。因此,这里选择方向属性的划分精度依此选择为:[0,30),[30,60),[60,90),[90,120),[120,150),[150,180),并根据各个区间轮廓线投影长度计算规模,最终可建立形式为{X1,X2,X3,X4,X5,X6}的六维特征向量。本目标的六维特征向量为:{45,349,52,56,4545,167}。
所述的选取景象可匹配性度量评价指标集合,验证指标集合与匹配概率之间的关联性分析过程:
参考匹配性能度量方法,从局部性指标和全局性指标中选取度量匹配相关面的指标三个,如表3所示。
表3 显著性指标集合
序号 | 指标 | 指标类型 |
1 | 峰值旁瓣比 | 局部指标 |
2 | 尖锐程度 | 局部指标 |
3 | 全局显著性 | 全局指标 |
设计指标单调性验证实验,分解基准图的轮廓线,排序每条轮廓线的匹配得分情况,依次删减匹配相关面次峰所在的轮廓线,验证这些指标的单调性,结果如表4所示。
表4 指标单调性验证结果
序号 | 峰值旁瓣比 | 尖锐程度 | 全局显著性 |
1 | 3.34 | 0.42 | 37.8 |
2 | 3.34 | 0.31 | 35.7 |
3 | 3.3 | 0.41 | 65.3 |
4 | 4.55 | 0.47 | 58.5 |
5 | 5.64 | 0.48 | 72.8 |
6 | 6.82 | 0.47 | 71.6 |
7 | 6.81 | 0.47 | 75.6 |
8 | 7.58 | 0.43 | 82.2 |
9 | 7.84 | 0.4 | 83.3 |
10 | 8.09 | 0.38 | 83.5 |
11 | 8.23 | 0.38 | 85.3 |
12 | 8.41 | 0.4 | 79.5 |
13 | 8.54 | 0.41 | 74.5 |
14 | 8.59 | 0.44 | 70 |
15 | 9.67 | 0.45 | 69.5 |
16 | 9.76 | 0.46 | 69 |
17 | 9.86 | 0.5 | 68 |
18 | 10 | 0.51 | 67 |
19 | 9.98 | 0.51 | 65 |
20 | 10.12 | 0.52 | 66 |
21 | 9.98 | 0.53 | 66 |
22 | 10.12 | 0.54 | 66 |
23 | 10.42 | 0.55 | 65 |
24 | 10.65 | 0.56 | 62 |
25 | 9.87 | 0.67 | 59 |
26 | 8.96 | 0.75 | 0 |
从单调性验证结果说明,局部指标具有明显的单调性,而全局指标为非单调性,最终选择峰值旁瓣比和尖锐程度作为基准图优化的监督指标。
如图4所示为测试图像匹配结果,该匹配所用的依靠峰值旁瓣比和尖锐程度两个指标迭代,修正对应象限的基准图,迭代后比较主峰与次峰的直方图,降低轮廓线,直到可匹配性度量指标满足阈值要求,最终优化的基准图提高了匹配概率,完成了匹配***的景象匹配区域选择与基准图优化过程。
Claims (7)
1.一种图像匹配***的景象匹配区域选择与基准图优化方法,其特征在于:包括以下步骤:
步骤1:针对遥感卫星图片初始化分块,根据边缘特征提取算法提取各个区域的边缘特征,并筛选边缘梯度点数集中的分块区域;
步骤2:利用重复模式指标度量方法计算各个区域的自相关程度,并根据内相关指标对区域由小到大进行排序,输出最优候选区域;
步骤3:采用空间分布描述方法建立候选区域基准图的空间特征向量;
步骤4:建立景象可匹配性度量评价指标集合,分析评价指标集合与匹配概率之间的关联性,输出匹配性评价指标集合;
步骤5:统计分析基准图与卫星图片的匹配相关面,根据基准图优化方法优化基准图。
2.根据权利要求1所述的图像匹配***的景象匹配区域选择与优化方法,其特征在于:所述边缘特征提取算法为Canny算子边缘特征提取算法。
3.根据权利要求1所述的图像匹配***的景象匹配区域选择与优化方法,其特征在于:所述筛选边缘梯度点数集中的分块区域包括以下过程:
步骤1:针对每一个分块子区域,利用Canny算子提取边缘特征;
步骤2:计算每个子区域的梯度变化直方图分布;
步骤3:比较各子区域的梯度点集分布,按梯度变化从小到大,选择点集集中一个或多个区域为候选区域。
4.根据权利要求1所述的图像匹配***的景象匹配区域选择与优化方法,其特征在于:所述重复模式指标度量方法包括以下步骤:
步骤1:针对每一个分块区域,选取一幅子图i,其重复模式指标的计算公式为:
式中s为子图i在候选区域上逐点匹配时参与匹配计算的图块数;Pi为在匹配过程中,s个图块和子图i之间边缘点相关系数大于门限的图块数目;
步骤2:计算参考图重复模式的公式为:
其中,cf为整个图块重复模式度量程度;n为选取的子图块数。
5.根据权利要求1所述的图像匹配***的景象匹配区域选择与优化方法,其特征在于:所述采用空间分布描述方法建立候选区域基准图的空间特征向量包括以下过程:
步骤1:将基准图进行特征抽取,表述为方向特征和规模特征,建立特征的灵敏性分析试验;
步骤2:根据方向特征最小可分辨区间对参考图区域的基准图进行区间划分;
步骤3:统计区间内规模点数,建立多维特征向量。
6.根据权利要求1所述的图像匹配***的景象匹配区域选择与优化方法,其特征在于:所述多维特征向量为{X1,X2,X3,X4,X5,X6},其中,Xi为单一区间点数。
7.根据权利要求1所述的图像匹配***的景象匹配区域选择与优化方法,其特征在于:所述基准图优化方法为:
步骤1:利用Harsdoff距离匹配方法完成匹配过程,并计算匹配性度量指标;
步骤2:评判匹配性度量指标的优劣后,计算主峰与次峰的主要影响区间;
步骤3:修正该区间的边缘数量,并进行基准图优化,重新计算匹配性度量指标,直到满足匹配性阈值要求结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510784714.0A CN106709501B (zh) | 2015-11-16 | 2015-11-16 | 一种图像匹配***的景象匹配区域选择与基准图优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510784714.0A CN106709501B (zh) | 2015-11-16 | 2015-11-16 | 一种图像匹配***的景象匹配区域选择与基准图优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709501A true CN106709501A (zh) | 2017-05-24 |
CN106709501B CN106709501B (zh) | 2020-03-10 |
Family
ID=58931542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510784714.0A Active CN106709501B (zh) | 2015-11-16 | 2015-11-16 | 一种图像匹配***的景象匹配区域选择与基准图优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709501B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063731A (zh) * | 2018-06-26 | 2018-12-21 | 北京航天自动控制研究所 | 一种景象适配性准则训练样本集生成方法 |
CN110503679A (zh) * | 2019-08-29 | 2019-11-26 | 四川轻化工大学 | 一种红外基准图制备与评价方法 |
CN111444985A (zh) * | 2020-04-26 | 2020-07-24 | 南京大学 | 一种基于直方图匹配的图像匹配方法 |
CN113392255A (zh) * | 2021-05-21 | 2021-09-14 | 广东国地规划科技股份有限公司 | 一种生态修复项目中的图斑的自动匹配方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5027422A (en) * | 1988-08-29 | 1991-06-25 | Raytheon Company | Confirmed boundary pattern matching |
CN102708386A (zh) * | 2012-04-18 | 2012-10-03 | 中国电子科技集团公司第十研究所 | 光学/sar异类影像匹配方法 |
CN103353988A (zh) * | 2013-06-17 | 2013-10-16 | 苏州科技学院 | 异源sar景象特征匹配算法性能评估方法 |
US20150199573A1 (en) * | 2014-01-10 | 2015-07-16 | Mitsubishi Electric Research Laboratories, Inc. | Global Scene Descriptors for Matching Manhattan Scenes using Edge Maps Associated with Vanishing Points |
-
2015
- 2015-11-16 CN CN201510784714.0A patent/CN106709501B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5027422A (en) * | 1988-08-29 | 1991-06-25 | Raytheon Company | Confirmed boundary pattern matching |
CN102708386A (zh) * | 2012-04-18 | 2012-10-03 | 中国电子科技集团公司第十研究所 | 光学/sar异类影像匹配方法 |
CN103353988A (zh) * | 2013-06-17 | 2013-10-16 | 苏州科技学院 | 异源sar景象特征匹配算法性能评估方法 |
US20150199573A1 (en) * | 2014-01-10 | 2015-07-16 | Mitsubishi Electric Research Laboratories, Inc. | Global Scene Descriptors for Matching Manhattan Scenes using Edge Maps Associated with Vanishing Points |
Non-Patent Citations (1)
Title |
---|
李壮等: "基于边缘相似性的异源图像匹配", 《飞行器测控学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063731A (zh) * | 2018-06-26 | 2018-12-21 | 北京航天自动控制研究所 | 一种景象适配性准则训练样本集生成方法 |
CN109063731B (zh) * | 2018-06-26 | 2020-11-10 | 北京航天自动控制研究所 | 一种景象适配性准则训练样本集生成方法 |
CN110503679A (zh) * | 2019-08-29 | 2019-11-26 | 四川轻化工大学 | 一种红外基准图制备与评价方法 |
CN111444985A (zh) * | 2020-04-26 | 2020-07-24 | 南京大学 | 一种基于直方图匹配的图像匹配方法 |
CN113392255A (zh) * | 2021-05-21 | 2021-09-14 | 广东国地规划科技股份有限公司 | 一种生态修复项目中的图斑的自动匹配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106709501B (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN104408707B (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
CN102254303B (zh) | 遥感图像分割方法及遥感图像检索方法 | |
CN102810158B (zh) | 一种基于多尺度语义模型的高分辨率遥感目标提取方法 | |
CN102521592B (zh) | 基于非清晰区域抑制的多特征融合显著区域提取方法 | |
Zhao et al. | Automatic recognition of loess landforms using Random Forest method | |
CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
CN102129573A (zh) | 基于字典学习和稀疏表示的sar图像分割方法 | |
CN107507170A (zh) | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 | |
CN108765470A (zh) | 一种针对目标遮挡改进的kcf跟踪算法 | |
CN109740588A (zh) | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 | |
CN102930275B (zh) | 基于Cramer’s V指数的遥感影像特征选择方法 | |
CN104680542A (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN106709501A (zh) | 一种图像匹配***的景象匹配区域选择与基准图优化方法 | |
CN112150804B (zh) | 一种基于MaskRCNN算法的城市多类型交叉口识别方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN103198482B (zh) | 基于差异图模糊隶属度融合的遥感图像变化检测方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN103500453B (zh) | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 | |
CN103093243B (zh) | 高分辨率全色遥感图像云判方法 | |
CN102163333A (zh) | 谱聚类的sar图像变化检测方法 | |
CN102663740B (zh) | 基于图切的sar图像变化检测方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN104881867A (zh) | 一种基于特征分布的遥感图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |