CN108304766B - 一种基于高分辨率遥感筛选危险品堆场的方法 - Google Patents
一种基于高分辨率遥感筛选危险品堆场的方法 Download PDFInfo
- Publication number
- CN108304766B CN108304766B CN201711312959.9A CN201711312959A CN108304766B CN 108304766 B CN108304766 B CN 108304766B CN 201711312959 A CN201711312959 A CN 201711312959A CN 108304766 B CN108304766 B CN 108304766B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- scale
- image
- point
- dangerous material
- 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
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Astronomy & Astrophysics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高分辨率遥感筛选危险品堆场的方法,包括如下步骤:首先通过灰度共生矩阵进行区分,并根据灰度的均匀程度提取目标区域;其次,在目标区域内通过对尺度参数和方向参数进行卷积作为兴趣响应提取图像局部极大值和极小值点作为图像的不变特征点;再者通过Hausdorff距离进行模型和图像的匹配,并通过不变特征点进行平移变换消除空间误差,对不变特征点进行拟合匹配;最后依次通过对比特征点进行筛选,获取危险品堆场;利用了遥感图像的本质特征,能够产生有效、可靠的匹配结果,具有较好的容错能力,可以同时对包含多个目标的图像和图像中目标部分被遮蔽的情况进行处理,适合于危险品堆场的实际情况,筛选识别效率高。
Description
技术领域
本发明涉及遥感识别技术领域,具体为一种基于高分辨率遥感筛选危险品堆场的方法。
背景技术
高分辨率图像与传统的中、低分辨率遥感图像数据相比,高分辨率图像具有以下几个特点:首先,高分辨率遥感图像受空间成像技术的影响,实际的影像数据可供利用的光谱波段减少,而随着光谱信息的减少,影像中同谱异物、异物同谱的现象将大量存在,不同地物目标在影像光谱域中难以实现统计提取;其次,随着影像分辨率的提高,在同一个区域内,地物的信息获取能力将显著增强,与此同时,影像中地物类别将会更加的繁多,在众多的地物中进行识别出目标物是很困难的;最后,由于高分辨率影像中展现的地物纹理和形状信息更加明显,以往基于中、低分辨率的遥感影像的光谱解译方法难以直接应用在高分辨遥感图像数据解译中。
而在遥感图像中识别港口中危险品堆场的方法中,通过高分辨率的遥感影像进行识别将更加困难,这是由于在危险品堆场中没有特定光谱特征和形状特征,无法建立有效的识别数据库,因此利用传统的遥感图像方法在计算机的有效识别中是难以奏效的。
发明内容
为了克服现有技术方案的不足,本发明提供一种基于高分辨率遥感筛选危险品堆场的方法,利用了遥感图像的本质特征,在规避了校正运算的同时还能够产生有效、可靠的匹配结果,具有较好的容错能力,可以同时对包含多个目标的图像和图像中目标部分被遮蔽的情况进行处理,适合于危险品堆场的实际情况,筛选识别效率高,能有效的解决背景技术提出的问题。
本发明解决其技术问题所采用的技术方案是:一种基于高分辨率遥感筛选危险品堆场的方法,包括如下步骤:
S100、基于纹理特征获取目标区域,通过灰度共生矩阵区分不同的纹理特征和结构特性,并根据灰度的均匀程度提取目标区域;
S200、通过尺度-空间的方法进行特征点提取,在目标区域内通过对尺度参数和方向参数进行卷积作为兴趣响应提取图像局部极大值和极小值点作为图像的不变特征点;
S300、通过平移矢量消除不变特征点的空间误差,通过Hausdorff距离进行模型和图像的匹配,并通过不变特征点进行平移变换消除空间误差,对不变特征点进行拟合匹配;
S400、建立不变特征点库,对遥感特征点进行逐一筛选,将拟合匹配的不便特征点依次排序组成不变特征点库,并依次通过对比特征点进行筛选,获取危险品堆场。
作为本发明一种优选的技术方案,灰度共生矩阵区分不同的纹理特征和结构特征的具体步骤:
设定L表示图像局部区域的灰度级,则该区域内灰度共生矩阵表示为LxL的矩阵,
即Pθ,d=[Pi,j]LxL,其中矩阵元素Pij表示为图像局部区域内方向为θ,距离为d,灰度值分别为i和j的像素对出现的频率;
通过出现的频率通过统计测度提取共生矩阵特征,获得该区域内的灰度变化与纹理特征。
作为本发明一种优选的技术方案,在通过灰度共生矩阵提取空间频率和位置信息后通过Gabor滤波进行纹理特征精细提取,具体方法为:
S101、设定Gabor滤波器的函数形式为 其中x,y为位置坐标,j为空间域特征值,w为震荡频率,σx和σy分别表示滤波器在x方向和y方向的标准差;
S102、加入尺度参数u和方向参数v,则滤波器函数为:
guv(x,y)=a-ug(x’,y’),其中u,v均为整数,a>1,
而导数
导数其中K为总的方向数;
S103、通过滤波器函数输入影像I(x,y)进行m个尺度,n个方向的Gabor变换,并对统一尺度不同方向的特征取平均得到m个纹理特征子带,即得到一个m维的特征矢量作为影像中每个像元(x,y)的纹理特征信息X={x1,x2,…,xm}。
作为本发明一种优选的技术方案,在步骤S200中,尺度-空间方法的具体算法为:
S201、设定对应不同尺度的标准差高斯方程为L(u,v,σ)=G(u,v,σ)*I(u,v),其中u为尺度参数,v为方向参数,σ为尺度,G(u,v,σ)为二维高斯函数,I(u,v)为遥感图像的尺度-方向函数;
S202、计算二维高斯函数
S203、设遥感图像的尺度-方向函数I(u,v)=L(u,v,σ)进行循环计算,直至尺度σ等于参数值,且尺度σ的参考值为1.6。【方法研究P19】
作为本发明一种优选的技术方案,在进行尺度-空间方法的计算时,应当进行双向计算。
作为本发明一种优选的技术方案,所述Hausdor距离的具体定义为:设定两个遥感特征点A={a1,a2,…,ap}和B={b1,b2,…,bq},则Hausdor距离为H(A,B)=max(h(A,B),h(B,A)),其中||·||为距离测度。
作为本发明一种优选的技术方案,在Hausdor距离计算中,可以采用加速策略在有限的范围内进行计算。
作为本发明一种优选的技术方案,在步骤S300中,不变特征点进行平移变换的具体步骤为:
S301、设定两个特征点集A={a1,a2,…,ap}和B={b1,b2,…,bq},并取特征点集作为距离变换的参考集;
S302、设定为特征点集A的距离图,设定D’为特征点集B的距离图,则A和B之间存在平移变换时互相相对求取Hausdor距离;
S303、定义特征点集A和特征点集B的比值或者特征点集B和特征点集A的比值为变换阈值,并设定A和B之间的相对Hausdor距离为F(x,y),在进行平移变换的过程中,使得F(x,y)取最小值的变化阈值小于1即为有效平移变换。
作为本发明一种优选的技术方案,在组成不变特征点库之后,具体的筛选步骤如下所示:
S401、设定时间系数为γ1,云量系数为γ2,分辨率系数为γ3,其中0≤γ≤1,且γ1+γ2+γ3=1;
S402、遥感影像的权重值为γ=γ1xλ1+γ2xλ2+γ3xλ3,其中λ1、λ2和λ3分别为对应系数的权重;
S403、根据上述遥感影像的权重值计算每条数据记录的权重值,并对所有的遥感数据进行筛选,将权重值最大的数据记入筛选记录集。
作为本发明一种优选的技术方案,对获得的筛选记录集进行去重处理,获得新的结果集,检索并判断筛选记录集中的数据是否在结果集中,不存在则加入结果集,直至完成所有数据的检索。
与现有技术相比,本发明的有益效果是:本发明利用了遥感图像的本质特征,能够克服图像在成像过程中条件变化带来的影响,能够克服校正算法的应用,规避了校正的运算,在规避了校正运算的同时还能够产生有效、可靠的匹配结果,对高分辨率图像中较小的劳动影响不敏感,也就是较小的扰动不影响筛选过程中进行,这就有效的在源头上直接忽略干扰数据,具有较好的容错能力,通过特征点的对比,在保留原有数据特性的基础上,可以同时对包含多个目标的图像和图像中目标部分被遮蔽的情况进行处理,适合于危险品堆场的实际情况,没有复杂的数据计算过程,整个过程简捷,计算过程耗时是常规筛选计算量的30%-50%,筛选识别效率得到了较好的提高。
附图说明
图1为本发明的整体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例:
如图1所示,本发明提供了一种基于高分辨率遥感筛选危险品堆场的方法,包括如下步骤:
步骤S100、基于纹理特征获取目标区域,通过灰度共生矩阵区分不同的纹理特征和结构特性,并根据灰度的均匀程度提取目标区域。
步骤S101、设定L表示图像局部区域的灰度级,则该区域内灰度共生矩阵表示为LxL的矩阵,
即Pθ,d=[Pi,j]LxL,其中矩阵元素Pij表示为图像局部区域内方向为θ,距离为d,灰度值分别为i和j的像素对出现的频率;
通过出现的频率通过统计测度提取共生矩阵特征,获得该区域内的灰度变化与纹理特征。例如,如果区域内灰度分布不均匀,则矩阵主对焦元素的值会比较大。
在本实施方式中,还需要注意的,由于在灰度共生矩阵的处理过程中,区域中的灰度是随机分布的,共生矩阵中的元素将呈现相似的频率,而这种频率在高分辨率图像中将会产生严重的混淆干扰,需要进行精细处理,便于后续步骤对纹理特征的识别和利用,在通过灰度共生矩阵提取空间频率和位置信息后通过Gabor滤波进行纹理特征精细提取,其具体的方法为:
步骤S101、设定Gabor滤波器的函数形式为 其中x,y为位置坐标,j为空间域特征值,w为震荡频率,σx和σy分别表示滤波器在x方向和y方向的标准差;
步骤S102、加入尺度参数u和方向参数v,则滤波器函数为:
guv(x,y)=a-ug(x’,y’),其中u,v均为整数,a>1,
而导数
导数其中K为总的方向数;
步骤S103、通过滤波器函数输入影像I(x,y)进行m个尺度,n个方向的Gabor变换,并对统一尺度不同方向的特征取平均得到m个纹理特征子带,即得到一个m维的特征矢量作为影像中每个像元(x,y)的纹理特征信息X={x1,x2,…,xm}。
步骤S200、通过尺度-空间的方法进行特征点提取,在目标区域内通过对尺度参数和方向参数进行卷积作为兴趣响应提取图像局部极大值和极小值点作为图像的不变特征点。
基于特征点的提取是由于在目标区域中检测特征点,具有运行效率高,提取特征丰富等优点,便于在高分辨率遥感图像中的应用。
在步骤S200中,尺度-空间方法的具体算法为:
步骤S201、设定对应不同尺度的标准差高斯方程为L(u,v,σ)=G(u,v,σ)*I(u,v),其中u为尺度参数,v为方向参数,σ为尺度,G(u,v,σ)为二维高斯函数,I(u,v)为遥感图像的尺度-方向函数;
步骤S202、计算二维高斯函数
步骤S203、设遥感图像的尺度-方向函数I(u,v)=L(u,v,σ)进行循环计算,直至尺度σ等于参数值,且尺度σ的参考值为1.6。
步骤S300、通过平移矢量消除不变特征点的空间误差,通过Hausdorff距离进行模型和图像的匹配,并通过不变特征点进行平移变换消除空间误差,对不变特征点进行拟合匹配。
所述Hausdor距离的具体定义为:设定两个遥感特征点A={a1,a2,…,ap}和B={b1,b2,…,bq},则Hausdor距离为H(A,B)=max(h(A,B),h(B,A)),其中||·||为距离测度。
由上述定义可知,Hausdor距离衡量了点集A和点集B的整体匹配程度,它不适用于点集A的子集和点集B的子集,因此,在进行Hausdor距离计算的时候,也就是在进行尺度-空间方法的计算时,应当进行双向计算,利用双向的Hausdor距离克服子集不能参与计算的缺陷,实现全方位的覆盖,能够在点集进行匹配的同时实现子集的一致性匹配。
而上述中,利用双向部分的Hausdor距离进行模型和图像的匹配,这是由图像的特点决定的,因为图像一般包含多个目标,而在图像中的目标可能存在部分被遮蔽的情况,进行双向的计算,能够分别通过设置进行匹配的图像部分和模型部分的特征点数,进而克服上述问题。
在步骤S300中,不变特征点进行平移变换的具体步骤为:
步骤S301、设定两个特征点集A={a1,a2,…,ap}和B={b1,b2,…,bq},并取特征点集作为距离变换的参考集;
步骤S302、设定为特征点集A的距离图,设定D’为特征点集B的距离图,则A和B之间存在平移变换时互相相对求取Hausdor距离;
步骤S303、定义特征点集A和特征点集B的比值或者特征点集B和特征点集A的比值为变换阈值,并设定A和B之间的相对Hausdor距离为F(x,y),在进行平移变换的过程中,使得F(x,y)取最小值的变化阈值小于1即为有效平移变换。
在进行平移变换的过程中,通过上述可知,并不是所有的上述变换均是有意义的,因此可以通过加速策略,可在平移集非常有限的范围内进行计算。
步骤S400、建立不变特征点库,对遥感特征点进行逐一筛选,将拟合匹配的不便特征点依次排序组成不变特征点库,并依次通过对比特征点进行筛选,获取危险品堆场。
在组成不变特征点库之后,具体的筛选步骤如下所示:
步骤S401、设定时间系数为γ1,云量系数为γ2,分辨率系数为γ3,其中0≤γ≤1,且γ1+γ2+γ3=1;
步骤S402、遥感影像的权重值为γ=γ1xλ1+γ2xλ2+γ3xλ3,其中λ1、λ2和λ3分别为对应系数的权重;
步骤S403、根据上述遥感影像的权重值计算每条数据记录的权重值,并对所有的遥感数据进行筛选,将权重值最大的数据记入筛选记录集。
在上述的筛选步骤中,首先需要根据检索的条件,例如分辨率范围、地理区域以及时间范围等检索出符合要求的所有遥感影像数据记录集,再根据实际的需求确定权重系数,进行上述步骤。
对获得的筛选记录集进行去重处理,获得新的结果集,检索并判断筛选记录集中的数据是否在结果集中,不存在则加入结果集,直至完成所有数据的检索。
综上所述,本发明的主要特点在于:
(1)利用了遥感图像的本质特征,能够克服图像在成像过程中条件变化带来的影响,能够克服校正算法的应用,规避了校正的运算,在规避了校正运算的同时还能够产生有效、可靠的匹配结果;
(2)对高分辨率图像中较小的劳动影响不敏感,也就是较小的扰动不影响筛选过程中进行,这就有效的在源头上直接忽略干扰数据,具有较好的容错能力;
(3)通过特征点的对比,在保留原有数据特性的基础上,可以同时对包含多个目标的图像和图像中目标部分被遮蔽的情况进行处理,适合于危险品堆场的实际情况;
(4)没有复杂的数据计算过程,整个过程简捷,计算过程耗时是常规筛选计算量的30%-50%,筛选识别效率得到了较好的提高。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,包括如下步骤:
S100、基于纹理特征获取目标区域,通过灰度共生矩阵区分不同的纹理特征和结构特性,并根据灰度的均匀程度提取目标区域;
S200、通过尺度-空间的方法进行特征点提取,在目标区域内通过对尺度参数和方向参数进行卷积作为兴趣响应提取图像局部极大值和极小值点作为图像的不变特征点;
S300、通过平移矢量消除不变特征点的空间误差,通过Hausdorff距离进行模型和图像的匹配,并通过不变特征点进行平移变换消除空间误差,对不变特征点进行拟合匹配,在步骤S300中,不变特征点进行平移变换的具体步骤为:
S301、设定两个特征点集A={a1,a2,…,ap}和B={b1,b2,…,bq},并取特征点集作为距离变换的参考集;
S302、设定D[x,y]=mina∈A||(x,y)-a||为特征点集A的距离图,设定D’[x,y]=minb∈B||(x,y)-b||为特征点集B的距离图,则A和B之间存在平移变换时互相相对求取Hausdorff 距离,其中,a和b分别是特征点集A和B的参考子集;
S303、定义特征点集A和特征点集B的比值或者特征点集B和特征点集A的比值为变换阈值,并设定A和B之间的相对Hausdorff距离为F(x,y),在进行平移变换的过程中,使得F(x,y)取最小值的变化阈值小于1即为有效平移变换;
S400、建立不变特征点库,对遥感特征点进行逐一筛选,将拟合匹配的不变特征点依次排序组成不变特征点库,并依次通过对比特征点进行筛选,获取危险品堆场。
2.根据权利要求1所述的一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,灰度共生矩阵区分不同的纹理特征和结构特征的具体步骤:
设定L表示图像局部区域的灰度级,则该区域内灰度共生矩阵表示为LxL的矩阵,即Pθ,d=[Pi,j]LxL,其中矩阵元素Pij表示为图像局部区域内方向为θ,距离为d,灰度值分别为i和j的像素对出现的频率;
通过出现的频率通过统计测度提取共生矩阵特征,获得该区域内的灰度变化与纹理特征。
3.根据权利要求2所述的一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,在通过灰度共生矩阵提取空间频率和位置信息后通过Gabor滤波进行纹理特征精细提取,具体方法为:
S101、设定Gabor滤波器的函数形式为 其中x,y为位置坐标,j为空间域特征值,w为震荡频率,σx和σy分别表示滤波器在x方向和y方向的标准差;
S102、加入尺度参数u和方向参数v,则滤波器函数为:
guv(x,y)=a-ug(x’,y’),其中u,v均为整数,a>1,
而导数
导数其中K为总的方向数;
S103、通过滤波器函数输入影像I(x,y)进行m个尺度,n个方向的Gabor变换,并对同一尺度不同方向的特征取平均得到m个纹理特征子带,即得到一个m维的特征矢量作为影像中每个像元(x,y)的纹理特征信息X={x1,x2,…,xm}。
4.根据权利要求1所述的一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,在步骤S200中,尺度-空间方法的具体算法为:
S201、设定对应不同尺度的标准差高斯方程为L(u,v,σ)=G(u,v,σ)*I(u,v),其中u为尺度参数,v为方向参数,σ为尺度,G(u,v,σ)为二维高斯函数,I(u,v)为遥感图像的尺度-方向函数;
S202、计算二维高斯函数
S203、设遥感图像的尺度-方向函数I(u,v)=L(u,v,σ)进行循环计算,直至尺度σ等于1.6。
5.根据权利要求4所述的一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,在进行尺度-空间方法的计算时,应当进行双向计算。
6.根据权利要求1所述的一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,所述Hausdorff距离的具体定义为:设定两个遥感特征点A={a1,a2,…,ap}和B={b1,b2,…,bq},则Hausdorff距离为H(A,B)=max(h(A,B),h(B,A)),其中h(A,B)=maxa∈Aminb∈B||a-b||,||·||为距离测度。
7.根据权利要求1所述的一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,在组成不变特征点库之后,具体的筛选步骤如下所示:
S401、设定时间系数为γ1,云量系数为γ2,分辨率系数为γ3,其中0≤γ≤1,且γ1+γ2+γ3=1;
S402、遥感影像的权重值为γ=γ1xλ1+γ2xλ2+γ3xλ3,其中λ1、λ2和λ3分别为对应系数的权重;
S403、根据上述遥感影像的权重值计算每条数据记录的权重值,并对所有的遥感数据进行筛选,将权重值最大的数据记入筛选记录集。
8.根据权利要求1所述的一种基于高分辨率遥感筛选危险品堆场的方法,其特征在于,对获得的筛选记录集进行去重处理,获得新的结果集,检索并判断筛选记录集中的数据是否在结果集中,不存在则加入结果集,直至完成所有数据的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711312959.9A CN108304766B (zh) | 2017-12-12 | 2017-12-12 | 一种基于高分辨率遥感筛选危险品堆场的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711312959.9A CN108304766B (zh) | 2017-12-12 | 2017-12-12 | 一种基于高分辨率遥感筛选危险品堆场的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304766A CN108304766A (zh) | 2018-07-20 |
CN108304766B true CN108304766B (zh) | 2019-01-04 |
Family
ID=62869932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711312959.9A Active CN108304766B (zh) | 2017-12-12 | 2017-12-12 | 一种基于高分辨率遥感筛选危险品堆场的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304766B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977909B (zh) * | 2019-04-04 | 2021-04-20 | 山东财经大学 | 基于细节点区域匹配的手指静脉识别方法及*** |
CN110516531B (zh) * | 2019-07-11 | 2023-04-11 | 广东工业大学 | 一种基于模板匹配的危险品标志的识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
CN104318548A (zh) * | 2014-10-10 | 2015-01-28 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4752918B2 (ja) * | 2009-01-16 | 2011-08-17 | カシオ計算機株式会社 | 画像処理装置、画像照合方法、および、プログラム |
US9147127B2 (en) * | 2013-03-15 | 2015-09-29 | Facebook, Inc. | Verification of user photo IDs |
CN103839265B (zh) * | 2014-02-26 | 2017-05-24 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN103793705B (zh) * | 2014-03-11 | 2018-03-30 | 哈尔滨工业大学 | 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法 |
CN104408701B (zh) * | 2014-12-03 | 2018-10-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
CN104504724B (zh) * | 2015-01-15 | 2018-04-06 | 杭州国策商图科技有限公司 | 一种不受障碍物影响的运动物体跟踪及提取算法 |
-
2017
- 2017-12-12 CN CN201711312959.9A patent/CN108304766B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
CN104318548A (zh) * | 2014-10-10 | 2015-01-28 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108304766A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
CN109299720A (zh) | 一种基于轮廓片段空间关系的目标识别方法 | |
CN109255781B (zh) | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 | |
CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
WO2022141145A1 (zh) | 面向对象的高分辨率遥感影像多尺度分割方法及*** | |
Guan et al. | Random forests-based feature selection for land-use classification using lidar data and orthoimagery | |
CN108765359A (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
CN110276746B (zh) | 一种鲁棒性遥感图像变化检测方法 | |
Fan et al. | Registration of multiresolution remote sensing images based on L2-siamese model | |
CN108304766B (zh) | 一种基于高分辨率遥感筛选危险品堆场的方法 | |
CN108364011A (zh) | PolSAR图像多级特征提取与无监督分类方法 | |
CN112949738A (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN109300115B (zh) | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 | |
CN110363053A (zh) | 一种遥感影像居民地提取方法及装置 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN105631860B (zh) | 基于局部排序方向直方图描述子的图像同名点提取方法 | |
CN113378924B (zh) | 一种基于空-谱特征联合的遥感影像监督分类方法 | |
CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及*** | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及*** | |
Sırmaçek et al. | Using local features to measure land development in urban regions | |
CN114937038A (zh) | 面向可用性的遥感影像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |