CN109255353B - 一种动目标检测方法、装置、电子设备及存储介质 - Google Patents

一种动目标检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN109255353B
CN109255353B CN201811065328.6A CN201811065328A CN109255353B CN 109255353 B CN109255353 B CN 109255353B CN 201811065328 A CN201811065328 A CN 201811065328A CN 109255353 B CN109255353 B CN 109255353B
Authority
CN
China
Prior art keywords
hyperspectral
hyperspectral images
moving target
image
registration
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
CN201811065328.6A
Other languages
English (en)
Other versions
CN109255353A (zh
Inventor
周春平
宫辉力
李小娟
李想
杨灿坤
孟冠嘉
钟若飞
张可
郭姣
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.)
Chinamap Hi Tech Beijing Information Technology Co ltd
Capital Normal University
Original Assignee
Chinamap Hi Tech Beijing Information Technology Co ltd
Capital Normal University
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 Chinamap Hi Tech Beijing Information Technology Co ltd, Capital Normal University filed Critical Chinamap Hi Tech Beijing Information Technology Co ltd
Priority to CN201811065328.6A priority Critical patent/CN109255353B/zh
Publication of CN109255353A publication Critical patent/CN109255353A/zh
Application granted granted Critical
Publication of CN109255353B publication Critical patent/CN109255353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/255Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10036Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种动目标检测方法、装置、电子设备及存储介质,属于数据处理技术领域。该方法包括:获取针对同一个区域成像的不同谱段的至少两幅高光谱图像;根据预设配准算法对所述至少两幅高光谱图像进行图像配准;基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果。本申请中,利用高光谱传感器不同谱段对同一地物成像具有时间差的特点,获取针对同一个区域成像的不同谱段的至少两幅高光谱图像,然后对获取到的至少两幅高光谱图像进行图像配准,最后再对配准后的高光谱图像进行动目标检测,不仅提高了对动目标检测的准确率,同时解决了现有卫星图像动目标检测中因光谱分辨率不足产生的漏检问题。

Description

一种动目标检测方法、装置、电子设备及存储介质
技术领域
本发明属于数据处理技术领域,具体涉及一种动目标检测方法、装置、电子设备及存储介质。
背景技术
卫星图像的动目标检测是将卫星图像中的运动目标与背景分离,光学卫星图像中的多光谱图像和全色图像是动目标检测的良好数据,在军事遥感、智能交通等领域应用广泛。本申请发明人在发明本申请的过程中发现:多光谱图像动目标检测是通过不同光谱图像对同一地物的成像时滞实现对快速运动目标的检测,全色图像的动目标检测是使用卫星视频的相邻帧或同一地区不同时间获取的全色图像进行动目标检测,这两种图像都存在由于某些动目标与背景(如暗色运动车辆与沥青路面)在这些光谱区间无法区分的现象,导致检测率降低。
发明内容
鉴于此,本发明的目的在于提供一种动目标检测方法、装置、电子设备及存储介质,以有效地改善上述问题。
本发明的实施例是这样实现的:
第一方面,本发明实施例提供了一种动目标检测方法,获取针对同一个区域成像的不同谱段的至少两幅高光谱图像;根据预设配准算法对所述至少两幅高光谱图像进行图像配准;基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果。
结合第一方面的一种可选的实施方式,在所述获取针对同一个区域成像的不同谱段的至少两幅高光谱图像之后,所述方法还包括:对所述至少两幅高光谱图像中的每幅图像进行数据预处理,得到预处理后的至少两幅高光谱图像;相应地,所述根据预设配准算法对所述至少两幅高光谱图像进行图像配准,包括:根据预设配准算法对所述预处理后的至少两幅高光谱图像进行图像配准。
结合第一方面的又一种可选的实施方式,所述对所述至少两幅高光谱图像中的每幅图像进行数据预处理,包括:对所述至少两幅高光谱图像中的每幅图像的原始数据DN值进行辐射校正以及几何校正处理。
结合第一方面的又一种可选的实施方式,根据预设配准算法对所述至少两幅高光谱图像进行图像配准,包括:基于特征点以及特征区域的配准算法对所述至少两幅高光谱图像进行图像配准。
结合第一方面的又一种可选的实施方式,基于预设检测算法对配准后的高光谱图像进行动目标检测,包括:判断所述配准后的高光谱图像的数量是否小于3;在为是时,基于帧差法对所述配准后的高光谱图像进行动目标检测;在为否时,基于背景差法和/或光流法对所述配准后的高光谱图像进行动目标检测。
第二方面,本发明还实施例提供了一种动目标检测装置,包括:获取模块、配准模块以及检测模块;获取模块,用于获取针对同一个区域成像的不同谱段的至少两幅高光谱图像;配准模块,用于根据预设配准算法对所述至少两幅高光谱图像进行图像配准;检测模块,用于基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果。
结合第二方面的一种可选的实施方式,所述装置还包括:预处理模块,用于对所述至少两幅高光谱图像中的每幅图像进行数据预处理,得到预处理后的至少两幅高光谱图像;相应地,所述配准模块还用于根据预设配准算法对所述预处理后的至少两幅高光谱图像进行图像配准。
结合第二方面的又一种可选的实施方式,所述预处理模块,还用于对所述至少两幅高光谱图像中的每幅图像的原始数据DN值进行辐射校正以及几何校正处理。
结合第二方面的又一种可选的实施方式,所述配准模块还用于基于特征点以及特征区域的配准算法对所述至少两幅高光谱图像进行图像配准。
结合第二方面的又一种可选的实施方式,所述检测模块,还用于判断所述配准后的高光谱图像的数量是否小于3;以及还用于在为是时,基于帧差法对所述配准后的高光谱图像进行动目标检测;以及还用于在为否时,基于背景差法和/或光流法对所述配准后的高光谱图像进行动目标检测。
第三方面,本发明还实施例提供了一种电子设备,包括存储器和存储器,所述存储器和所述处理器连接;所述存储器用于存储程序;所述处理器用于调用存储于所述存储器中的程序,以执行第一方面和/或结合第一方面的任意一种可选的实施方式提供的方法。
第四方面,本发明还实施例提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行第一方面和/或结合第一方面的任意一种可选的实施方式提供的方法。
本发明实施例提供的动目标检测方法,包括:获取针对同一个区域成像的不同谱段的至少两幅高光谱图像;根据预设配准算法对所述至少两幅高光谱图像进行图像配准;基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果。本申请中,利用高光谱传感器不同谱段对同一地物成像具有时间差的特点,获取针对同一个区域成像的不同谱段的至少两幅高光谱图像,然后对获取到的至少两幅高光谱图像进行图像配准,最后再对配准后的高光谱图像进行动目标检测,不仅提高了对动目标检测的准确率,同时解决了现有卫星图像动目标检测中因光谱分辨率不足产生的漏检问题。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。通过附图所示,本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本发明的主旨。
图1示出了本发明实施例提供的一种电子设备的结构示意图。
图2示出了本发明实施例提供的一种动目标检测方法的流程图。
图3示出了本发明实施例提供的一种图2中的步骤S103的流程图。
图4示出了本发明实施例提供的一种动目标检测装置的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
第一实施例
如图1所示,图1示出了本发明实施例提供的一种电子设备100的结构框图。所述电子设备100包括:动目标检测装置110、存储器120、存储控制器130和处理器140。
所述存储器120、存储控制器130、处理器140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述动目标检测装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作***(operating system,OS)中的软件功能模块。所述处理器140用于执行存储器120中存储的可执行模块,例如所述动目标检测装置110包括的软件功能模块或计算机程序。
其中,存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器120用于存储程序,所述处理器140在接收到执行指令后,执行所述程序,后述本发明实施例任一实施例揭示的流程定义的电子设备100所执行的方法可以应用于处理器140中,或者由处理器140实现。
处理器140可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
第二实施例
请参阅图2,为本发明实施例提供的一种应用于上述电子设备100的动目标检测方法,下面将结合图2对其所包含的步骤进行说明。
步骤S101:获取针对同一个区域成像的不同谱段的至少两幅高光谱图像。
获取针对同一个区域成像的不同谱段的至少两幅高光谱图像。本申请中,利用高光谱传感器不同谱段对同一地物成像具有时间差的特点,获取针对同一个区域成像的不同谱段的至少两幅高光谱图像。高光谱成像的每个波段宽度在10nm以内,相对于波段宽度为100至200nm的多光谱图像、波段宽度为300nm左右的全色图像而言,对地物的分辨能力大大提高,“同物异谱”和“异物同谱”现象得到有效抑制,同时高光谱传感器不同谱段对同一地物成像存在时间差,因此本申请中基于高光谱图像的动目标检测,则与背景光谱特性相似的动目标就能与之区分,提高检测率。
其中,为了便于理解高光谱传感器不同谱段对同一地物成像具有时间差的特点,下面以推扫式高光谱传感器为例,该传感器有多个谱段,在某一时刻,第一个谱段对地区I成像,卫星运动一段时间后,第一个谱段对地区II成像,第二谱段对地区I成像;随卫星运动,第一谱段对物III成像,第二谱段对地区II成像,第三谱段对地区I成像。因此,同一地区的不同谱段图像有一定的时间差,运动目标的位置也发生了变化。
其中,需要说明的是,本申请发明人在发明本申请的过程中发现:现有动目标检测是基于多光谱图像以及全色图像进行的。其中,多光谱图像动目标检测是通过不同光谱图像对同一地物的成像时滞实现对快速运动目标的检测,全色图像的动目标检测是使用卫星视频的相邻帧或同一地区不同时间获取的全色图像进行动目标检测,这两种图像都存在由于某些动目标与背景(如暗色运动车辆与沥青路面)在这些光谱区间无法区分的现象,导致检测率降低。
需要说明的是,针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案,都应该是发明人在本发明过程中对本发明做出的贡献。
步骤S102:根据预设配准算法对所述至少两幅高光谱图像进行图像配准。
获取到针对同一个区域成像的不同谱段的至少两幅高光谱图像后,根据预设配准算法对所述至少两幅高光谱图像进行图像配准。在图像配准时,可以是基于特征点的配准算法进行自动配准,也可以是基于特征区域的配准算法进行自动配准,也可以是基于特征点以及特征区域的配准算法对所述至少两幅高光谱图像进行图像配准。其中,需要说明的是,卫星飞行过程图像背景不一定能完全相同,因此需要对两幅或多幅图像进行影像自动配准,使每幅影像的背景点对应。
步骤S103:基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果。
对至少两幅高光谱图像进行图像配准后,基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果。
可选地,作为一种可能的实施方式,可以结合图3所示的步骤对这一过程进行说明。
步骤S201:判断所述配准后的高光谱图像的数量是否小于3。
对配准后的高光谱图像进行动目标检测,作为一种可能的实施方式,判断配准后的高光谱图像的数量是否小于3,即是否等于2。若是,即配准后的高光谱图像的数量为2时,则执行步骤S202,若否,即配准后的高光谱图像的数量为大于等于3时,执行步骤S203。
步骤S202:基于帧差法对所述配准后的高光谱图像进行动目标检测。
配准后的高光谱图像的数量为2时,基于帧差法对所述配准后的高光谱图像进行动目标检测。
步骤S203:基于背景差法和/或光流法对所述配准后的高光谱图像进行动目标检测。
即配准后的高光谱图像的数量为大于等于3时,基于背景差法和/或光流法对所述配准后的高光谱图像进行动目标检测。
作为一种可选的实施方式,在所述获取针对同一个区域成像的不同谱段的至少两幅高光谱图像之后,所述方法还包括:对所述至少两幅高光谱图像中的每幅图像进行数据预处理,得到预处理后的至少两幅高光谱图像。相应地,所述根据预设配准算法对所述至少两幅高光谱图像进行图像配准,包括:根据预设配准算法对所述预处理后的至少两幅高光谱图像进行图像配准。
其中,需要说明的是,在对至少两幅高光谱图像中的每幅图像进行数据预处理时,可以是对所述至少两幅高光谱图像中的每幅图像的原始数据DN(Digital Number)值进行辐射校正,也可以是对所述至少两幅高光谱图像中的每幅图像的原始数据DN值进行几何校正处理,也可以是对所述至少两幅高光谱图像中的每幅图像的原始数据DN值进行辐射校正以及几何校正处理。
其中,因太阳位置、角度、大气条件、地形影响及传感器本身的性能影响,传感器记录的遥感图像原始数据DN值与地物的真实的光谱反射率不一致,要经过光谱定标、辐射定标、大气校正等辐射校正,获得地物真实的光谱反射率以便比较图像。其中,光谱定标确定遥感传感器每个波段的中心波长、带宽、光谱响应函数;辐射定标通过各光谱通道的增益和偏置,以及数据获取时刻的光照条件,消除传感器本身的误差,确定传感器入口处的大气外层表观反射率;大气校正选择合适的大气辐射校正算法模型(如5S、6S、MODTRAN等)去除大气影响,求出地物实际反射率。其中,几何校正,是为了去除由于大气环境、地球曲率等多种因素引起的图像几何变形。此外,若图像分辨率不满足动目标检测要求,还需结合其他来源的高分辨率图像对高光谱图像进行超分辨率处理提高图像分辨率。
第三实施例
本申请实施例提供了一种动目标检测装置110,如图4所示。该动目标检测装置110包括:获取模块111、配准模块112、检测模块113。
获取模块111,用于获取针对同一个区域成像的不同谱段的至少两幅高光谱图像。
配准模块112,用于根据预设配准算法对所述至少两幅高光谱图像进行图像配准。其中,所述配准模块112还用于基于特征点以及特征区域的配准算法对所述至少两幅高光谱图像进行图像配准。
检测模块113,用于基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果。其中,所述检测模块113,还用于判断所述配准后的高光谱图像的数量是否小于3;以及还用于在为是时,基于帧差法对所述配准后的高光谱图像进行动目标检测;以及还用于在为否时,基于背景差法和/或光流法对所述配准后的高光谱图像进行动目标检测。
可选地,该动目标检测装置110还包括:预处理模块。预处理模块,用于对所述至少两幅高光谱图像中的每幅图像进行数据预处理,得到预处理后的至少两幅高光谱图像;相应地,所述配准模块112还用于根据预设配准算法对所述预处理后的至少两幅高光谱图像进行图像配准。其中,所述预处理模块,还用于对所述至少两幅高光谱图像中的每幅图像的原始数据DN值进行辐射校正以及几何校正处理。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本发明实施例所提供的动目标检测装置110,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
第四实施例
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第二实施例所述的方法的步骤。具体实现可参见方法实施例,在此不再赘述。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的程序代码被运行时,能够执行上述实施例示出的动目标检测方法,通过获取针对同一个区域成像的不同谱段的至少两幅高光谱图像,然后对获取到的至少两幅高光谱图像进行图像配准,最后再对配准后的高光谱图像进行动目标检测,不仅提高了对动目标检测的准确率,同时解决了现有卫星图像动目标检测中因光谱分辨率不足产生的漏检问题。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,笔记本电脑,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种动目标检测方法,其特征在于,包括:
获取针对同一个区域成像的不同谱段的至少两幅高光谱图像;
根据预设配准算法对所述至少两幅高光谱图像进行图像配准;
基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果;
所述获取针对同一个区域成像的不同谱段的至少两幅高光谱图像,包括:
获取根据高光谱传感器不同谱段对同一地物成像具有时间差的至少两幅高光谱图像。
2.根据权利要求1所述的方法,其特征在于,在所述获取针对同一个区域成像的不同谱段的至少两幅高光谱图像之后,所述方法还包括:
对所述至少两幅高光谱图像中的每幅图像进行数据预处理,得到预处理后的至少两幅高光谱图像;相应地,所述根据预设配准算法对所述至少两幅高光谱图像进行图像配准,包括:根据预设配准算法对所述预处理后的至少两幅高光谱图像进行图像配准。
3.根据权利要求2所述的方法,其特征在于,所述对所述至少两幅高光谱图像中的每幅图像进行数据预处理,包括:
对所述至少两幅高光谱图像中的每幅图像的原始数据DN值进行辐射校正以及几何校正处理。
4.根据权利要求1-3中任一项所述的方法,其特征在于,根据预设配准算法对所述至少两幅高光谱图像进行图像配准,包括:
基于特征点以及特征区域的配准算法对所述至少两幅高光谱图像进行图像配准。
5.根据权利要求4所述的方法,其特征在于,基于预设检测算法对配准后的高光谱图像进行动目标检测,包括:
判断所述配准后的高光谱图像的数量是否小于3;
在为是时,基于帧差法对所述配准后的高光谱图像进行动目标检测;
在为否时,基于背景差法和/或光流法对所述配准后的高光谱图像进行动目标检测。
6.一种动目标检测装置,其特征在于,包括:
获取模块,用于获取针对同一个区域成像的不同谱段的至少两幅高光谱图像;
配准模块,用于根据预设配准算法对所述至少两幅高光谱图像进行图像配准;
检测模块,用于基于预设检测算法对配准后的高光谱图像进行动目标检测,得到检测结果;
获取模块,还用于获取根据高光谱传感器不同谱段对同一地物成像具有时间差的至少两幅高光谱图像。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:预处理模块,用于对所述至少两幅高光谱图像中的每幅图像进行数据预处理,得到预处理后的至少两幅高光谱图像;相应地,所述配准模块还用于根据预设配准算法对所述预处理后的至少两幅高光谱图像进行图像配准。
8.根据权利要求7所述的装置,其特征在于,所述预处理模块,还用于对所述至少两幅高光谱图像中的每幅图像的原始数据DN值进行辐射校正以及几何校正处理。
9.一种电子设备,其特征在于,包括存储器和处理器 ,所述存储器和所述处理器连接;
所述存储器用于存储程序;
所述处理器用于调用存储于所述存储器中的程序,以执行如权利要求1-5中任一项所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-5中任一项所述的方法。
CN201811065328.6A 2018-09-12 2018-09-12 一种动目标检测方法、装置、电子设备及存储介质 Active CN109255353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811065328.6A CN109255353B (zh) 2018-09-12 2018-09-12 一种动目标检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811065328.6A CN109255353B (zh) 2018-09-12 2018-09-12 一种动目标检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN109255353A CN109255353A (zh) 2019-01-22
CN109255353B true CN109255353B (zh) 2022-06-28

Family

ID=65047511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811065328.6A Active CN109255353B (zh) 2018-09-12 2018-09-12 一种动目标检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109255353B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378268B (zh) * 2019-07-10 2022-04-26 中国科学院长春光学精密机械与物理研究所 高光谱快速目标检测方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006268639A (ja) * 2005-03-25 2006-10-05 Yamaguchi Univ 対象物の動作を認識する方法、対象物の動作の認識装置、動作の認識による入力装置及び対象物の動作の認識のためのプログラムを記録した記録媒体
AU2009243860A1 (en) * 2008-05-05 2009-11-12 Gea Farm Technologies Gmbh Detection of moving objects
CN103456011A (zh) * 2013-09-02 2013-12-18 杭州电子科技大学 一种利用互补信息的改进型高光谱rx异常检测方法
CN104502918A (zh) * 2014-12-30 2015-04-08 华中科技大学 一种低轨卫星星载图谱关联探测方法与载荷
CN104502999A (zh) * 2014-12-10 2015-04-08 中国科学院遥感与数字地球研究所 一种基于静止卫星多通道数据的昼夜云检测方法与装置
CN104678384A (zh) * 2013-11-28 2015-06-03 中国科学院声学研究所 一种波束域的声压差互相关谱分析水下目标速度估计方法
CN105701830A (zh) * 2016-01-18 2016-06-22 武汉大学 基于几何模型的lasis波段影像配准方法及***
CN106990403A (zh) * 2017-04-28 2017-07-28 西安电子科技大学 基于多波段两级信息融合的低空目标跟踪方法
CN108490465A (zh) * 2018-03-16 2018-09-04 中国电子科技集团公司第三十六研究所 基于时频差与测向的地面同频多运动辐射源跟踪方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100963797B1 (ko) * 2008-02-27 2010-06-17 아주대학교산학협력단 복잡성이 감소된 고분광 프로세싱에 기반을 둔 실시간 타겟검출 방법
CN103606157B (zh) * 2013-11-28 2016-09-28 中国科学院光电研究院 高光谱图像处理方法及装置
CN105447888B (zh) * 2015-11-16 2018-06-29 中国航天时代电子公司 一种基于有效目标判断的无人机机动目标检测方法
CN107664533B (zh) * 2017-08-30 2023-09-12 中国科学院上海技术物理研究所 一种三狭缝高光谱运动目标探测方法及装置
CN107563961A (zh) * 2017-09-01 2018-01-09 首都师范大学 一种基于相机传感器的动目标检测的***及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006268639A (ja) * 2005-03-25 2006-10-05 Yamaguchi Univ 対象物の動作を認識する方法、対象物の動作の認識装置、動作の認識による入力装置及び対象物の動作の認識のためのプログラムを記録した記録媒体
AU2009243860A1 (en) * 2008-05-05 2009-11-12 Gea Farm Technologies Gmbh Detection of moving objects
CN103456011A (zh) * 2013-09-02 2013-12-18 杭州电子科技大学 一种利用互补信息的改进型高光谱rx异常检测方法
CN104678384A (zh) * 2013-11-28 2015-06-03 中国科学院声学研究所 一种波束域的声压差互相关谱分析水下目标速度估计方法
CN104502999A (zh) * 2014-12-10 2015-04-08 中国科学院遥感与数字地球研究所 一种基于静止卫星多通道数据的昼夜云检测方法与装置
CN104502918A (zh) * 2014-12-30 2015-04-08 华中科技大学 一种低轨卫星星载图谱关联探测方法与载荷
CN105701830A (zh) * 2016-01-18 2016-06-22 武汉大学 基于几何模型的lasis波段影像配准方法及***
CN106990403A (zh) * 2017-04-28 2017-07-28 西安电子科技大学 基于多波段两级信息融合的低空目标跟踪方法
CN108490465A (zh) * 2018-03-16 2018-09-04 中国电子科技集团公司第三十六研究所 基于时频差与测向的地面同频多运动辐射源跟踪方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
High-throughput, multiplexed pushbroom hyperspectral microscopy;Gehm M E等;《Optics Express》;20081231;第16卷(第15期);第11032-11043页 *
Space-based multispectral image motion object detection and velocity estimation method;Shi Chunyu等;《PROCEEDINGS OF SPIE》;20170308;第1-9页 *
基于逐波段处理的高光谱图像实时目标检测;周昕等;《工业控制计算机》;20151231(第6期);第42-44页 *

Also Published As

Publication number Publication date
CN109255353A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
US8705887B2 (en) Method and apparatus for filling in or replacing image pixel data
US7826685B2 (en) Spatial and spectral calibration of a panchromatic, multispectral image pair
CN107527328B (zh) 一种兼顾精度与速度的无人机影像几何处理方法
US20110279682A1 (en) Methods for Target Tracking, Classification and Identification by Using Foveal Sensors
CN112131746B (zh) 叶绿素a浓度反演方法及***
Kluger et al. Two shifts for crop mapping: Leveraging aggregate crop statistics to improve satellite-based maps in new regions
US7391925B2 (en) System and method for estimating noise using measurement based parametric fitting non-uniformity correction
CN111157524A (zh) 基于高分影像的道路材质识别方法及装置和电子设备
WO2021097245A1 (en) Automated concrete/asphalt detection based on sensor time delay
CN109255353B (zh) 一种动目标检测方法、装置、电子设备及存储介质
US7760914B2 (en) Algorithm for line tracking using a circular sector search window
JP6996415B2 (ja) 画像処理装置、過積載検出装置、過積載検出システム及びプログラム
CN109165628B (zh) 提高动目标检测精度的方法、装置、电子设备及存储介质
Di Bisceglie et al. Destriping MODIS data using overlapping field-of-view method
CN111175231B (zh) 冠层植被指数的反演方法、装置及服务器
US11250260B2 (en) Automated process for dynamic material classification in remotely sensed imagery
JP5807111B2 (ja) 画像生成システム及び画像生成方法
Hashim et al. Geometric and radiometric evaluation of RazakSAT medium-sized aperture camera data
CN113516059B (zh) 固体废弃物的识别方法、装置、电子设备及存储介质
Fischer et al. Median spectral-spatial bad pixel identification and replacement for hyperspectral SWIR sensors
Lecerf et al. Monitoring land use and land cover changes in oceanic and fragmented landscapes with reconstructed MODIS time series
Martino et al. Multispectral characterization of tower visibility in VIS, NIR, SWIR, MWIR, and LWIR bands from a ground-vehicle
Crespi et al. Radiometric quality and DSM generation analysis of CartoSat-1 stereo imagery
CN113640226B (zh) 绿潮空间覆盖率的反演方法、装置及电子设备
Boukerch et al. A framework for geometric quality evaluation and enhancement of Alsat-2A satellite imagery

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