CN109740468B - 一种用于黑土有机质信息提取的自适应高斯低通滤波方法 - Google Patents
一种用于黑土有机质信息提取的自适应高斯低通滤波方法 Download PDFInfo
- Publication number
- CN109740468B CN109740468B CN201811581128.6A CN201811581128A CN109740468B CN 109740468 B CN109740468 B CN 109740468B CN 201811581128 A CN201811581128 A CN 201811581128A CN 109740468 B CN109740468 B CN 109740468B
- Authority
- CN
- China
- Prior art keywords
- organic matter
- data
- image
- black soil
- hyperspectral
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于信息提取技术领域,具体涉及一种用于黑土有机质信息提取的自适应高斯低通滤波算法;本发明的目的是针对现有技术的缺陷,提供一种用于黑土有机质信息提取的自适应高斯低通滤波算法;包括以下步骤:步骤一、黑土地高光谱预处理;步骤二、频率域转化;步骤三、自适应高斯滤波;步骤四、分级提取;步骤五、有机质提取结果;将各个级别含量的有机质进行综合制图,形成有机质含量的航空高光谱提取结果;将总体精度和Kappa系数最高的参数设置σ1=0.5,ε1=1.1应用到黑土地有机质的运算中,分级之后,根据地面分析数据,给出每一级别的有机质含量,得出黑土有机质含量的空间分布情况。
Description
技术领域
本发明属于信息提取技术领域,具体涉及一种用于黑土有机质信息提取的自适应高斯低通滤波方法。
背景技术
我国东北黑土富含有机质,引入航空高光谱数据能够为科学评估黑土地质量提供新的技术手段。在基于高光谱数据的黑土有机质含量识别中,将光谱数据理解为反映黑土成分含量目标电磁辐射特性的能量分布图,这一处理仅仅描述了地物能量分布的光谱特性,是一种黑土单像元分析的方法,能够提取的黑土信息有限。为掌握遥感光学***信息传递规律,从遥感光学***的频域信道矩阵推导出发,从频域的角度分析对成像***频域信息传递参数进行数值计算,研究成果对遥感光学***的设计起到了参考作用。
常规方法是,将黑土地像元光谱的能量表达与频域频谱能量的表征进行分开处理,这种处理不能将原始光谱数据重新分布到另一个空间,无法反映空域图像中能量的变化规律,使得黑土的色调、纹理、走向和边界等空间特征未能参与到土质评估中,其评估结果常常不是一个综合的黑土特征集合,限制了黑土有机质信息提取的精度。
因此,迫切需要在分析黑土频谱特征的基础上,设计一种自适应高斯低通滤波方法,通过逐步排除不同能量等级的数据,达到黑土地分类分级的目的。联合黑土地高光谱像元的空间上下文信息和光谱信息对高光谱像元进行分类,突破影像的空间信息突破传统逐像素光谱分类的性能瓶颈,为黑土有机质大范围精确制图提供支撑,来解决现有的方法的弊端。
发明内容
本发明的目的是针对现有技术的缺陷,提供一种用于黑土有机质信息提取的自适应高斯低通滤波方法。
本发明的技术方案是:
一种用于黑土有机质信息提取的自适应高斯低通滤波方法,其特征在于:包括以下步骤:
步骤一、黑土地高光谱预处理;
辐射校正使用基于MODTRAN4+辐射传输模型的FLAASH方法对高光谱数据进行预处理。
计算时需要元数据包括观测视场角、太阳角度、平均海拔高度、大气模型、气溶胶类型和能见度范围;几何校正利用机载POS 510***实现,机上惯导***和定位***记录了每一个像元的位置参数X,Y,Z和姿态参数Roll,Pitch,Heading,通过每一帧图像的GPS时间,将坐标赋值给该象元;
步骤二、频率域转化;
将原始黑土地高光谱数据进行频域转换,生成频率域数据;
步骤三、自适应高斯滤波;
结合黑土地理空间中已知有机质数据的插值数据,设计能够自适应的高斯滤波器,使得在保留黑土图像局部特征的基础上,选择不同的σ,实现原始图像的分类;这一过程中,不断与地面化验数据进行比对,迭代运算,直至满足分级要求;
步骤四、分级提取;
设计一种自适应高斯低通滤波方法,通过逐步排除不同能量等级的数据,实现黑土地有机质含量分类分级的目的;
步骤五、有机质提取结果;
将各个级别含量的有机质进行综合制图,形成有机质含量的航空高光谱提取结果;将总体精度和Kappa系数最高的参数设置σ1=0.5,ε1=1.1应用到黑土地有机质的运算中,分级之后,根据地面分析数据,给出每一级别的有机质含量,得出黑土有机质含量的空间分布情况。
所述步骤一包括以下步骤:
步骤1.1辐射校正
计算在高光谱传感器处接收的像元光谱辐射亮度:
式中,L为传感器接收的总辐射亮度;ρ为像元表面反射率;ρe为像元周围平均表面反射率;S为大气球面反照率;Lα为大气后向散射辐射率;A、B为大气和几何条件的系数;方法的机理在于使用基于MODTRAN4+的大气辐射传输模型;
步骤1.2几何校正
原始图像中记录了每一帧图像的GPS时间,经过辐射校正后生成了一个时间标志记录文件*.att文件,该文件中记录了每一帧图像的GPS时间,该GPS时间都包含在POS***结果文件的时间段内,通过时间比对和坐标投影变换就可以获得每一帧图像的姿态数据和位置数据,对图像进行几何校正。
所述步骤二包括以下步骤:
步骤2.1建立基本的滤波模型在频率域中,基本的滤波模型为:
G(u,v)=H(u,v)·F(u,v)
式中,F(u,v)为被滤波的傅里叶变换图像;H(u,v)为滤波器变换函数;通过衰减后高频信息后生成平滑后的图像G(u,v)。
步骤2.2高斯低通滤波器的建立
能够将空间域转化为频率域的高斯低通滤波器为:
适应高斯滤波器,根据被平滑图像的黑土含量特征,自动选择不同的d,使得在处理后的结果图像中得到相应含量的有机质数据。
所述步骤三包括以下步骤:
步骤3.1高斯平滑的表达
假设黑土影像的高斯平滑用下式表示:
I0(x,y)=Id(x,y)+ed(x,y)
式中,对于(x,y)处的像素点,I0(x,y)为原始高光谱数据的灰度值,Id(x,y)为截止频率d下的低通灰度值,εd(x,y)为截止频率d下的残差值。
步骤3.2自适宜高斯滤波的方法实现过程
输入:黑土高光谱影像x=(x1,x2,…,xi)∈Rd×i,滤波有机质含量级别C∈(1,2,3,4,5),黑土影像分类集合ξ={1,2,…,n},训练集Tm={(x1,c1),…,(xm,cm)}∈(Rd×ξ)m,其中,c∈ξ且m代表训练样本的数量;
a):输入训练集,构建高斯低通滤波器,对高光谱黑土影像进行逐像素分类获取初始分类结果c;
b):将地面化验数据插值为面域信息,结果表示为类概率图ξn,n=1,2,…,N;
c):对高光谱影像x进行初始截止频率d1计算,获得初始方差σ1和残差值ε1;
d):if d1=dbestthen
e):所提取信息符合某一级别有机质含量区间,则记为c1
f):end
g):else
h):d1’=d1++;
i):对高光谱影像x进行初始截止频率d1’计算,获得新方差σ1’和残差值ε1’;
j):直至,所提取信息符合某一级别有机质含量区间,则记为c1;
k):对高光谱数据x进行逆变换,去除空域中相应像素,生成x’;
l):end
m):对高光谱影像x’进行初始截止频率d2计算,获得初始方差σ2和残差值ε2;
n):重复d~m步骤,直至生成c1、c2、c3、c4和c5
输出:有机质含量分类结果c=(c1,c2,…,ci),分类结果中每一个像素i被赋予一个标记ci∈ξ。
所述步骤四包括以下步骤:
步骤4.1计算截止频率d
设计一种计算截止频率d的方法,达到既能平滑黑土高光谱数据实现分类分级,又能保持与化验值最近似的目的。
设计一种基于能量函数的计算方法:
式中,c为常数项,根据采样点的有机质化验数据确定;σ为方差;ε为残差值。
步骤4.2平滑分类与细节保持原则
得出,在c为已知常数项下,最优截止频率d需要方差σ尽可能大,将高光谱数据变换为更加平滑的数据。而残差ε必须尽可能小,即经过高斯滤波后,原始像素(x,y)处的反射率值变化幅度越小越好。这样,建立了一种在因素有机质含量的综合高斯滤波方法,达到了平滑分类与保持细节特征的平衡。
本发明的有益效果是:
一是自适应高斯低通滤波方法不仅使得平滑区域像素分类精度提升,同时使得分级结果中的田块有机质含量边缘检测更加精确。地块平滑滤波能够有效的联合影像的空间与光谱信息,在有效去除类似传统分类方法造成的椒盐噪声基础上,使得分类结果中黑土地的轮廓与真实的黑土地地块轮廓基本一致;
二是相比与传统高光谱分类方法,本章提出的频域识别与提取方法计算效率较高,在明确有机质含量等级后,能够快速计算出每一等级的结果数据;频域方法从新的角度对高光谱数据进行了描述和表征,在解决高光谱数据不确定基础上,未来这一方法可能能够突破传统的大气校正和辐射校正等制约因素,带来全新的方法。
具体实施方式
下面结合实施例对本发明进行进一步的介绍:
以在黑土高光谱影像分类分级时,能将空间和光谱信息同时作为参考数据为实现目标,在频域分类器集成时加入黑土有机质含量信息的自适应高斯低通滤波方法(AdvGauss filter)。
该方法的核心思想是,建立的一个能够对高光谱图像进行能量转化,实现能量低的就提取出(或排除掉)的高斯低通滤波模型,通过逐步排除不同能量等级的数据,达到黑土地分类分级的目的。高斯模型对图像进行平滑处理时,高斯函数通过计算方差σ决定滤波结果。结合黑土地理空间中已知有机质数据的插值数据,设计能够自适应的高斯滤波器,使得在保留黑土图像局部特征的基础上,选择不同的σ,实现原始图像的分类。
一种用于黑土有机质信息提取的自适应高斯低通滤波方法,包括以下步骤:
步骤一、黑土地高光谱预处理;
辐射校正使用基于MODTRAN4+辐射传输模型的FLAASH算法对高光谱数据进行预处理。计算时需要元数据包括观测视场角、太阳角度、平均海拔高度、大气模型、气溶胶类型和能见度范围;几何校正利用机载POS 510***实现,机上惯导***和定位***记录了每一个像元的位置参数X,Y,Z和姿态参数Roll,Pitch,Heading,通过每一帧图像的GPS时间,将坐标赋值给该象元;
步骤二、频率域转化;
将原始黑土地高光谱数据进行频域转换,生成频率域数据;
步骤三、自适应高斯滤波;
结合黑土地理空间中已知有机质数据的插值数据,设计能够自适应的高斯滤波器,使得在保留黑土图像局部特征的基础上,选择不同的σ,实现原始图像的分类;这一过程中,不断与地面化验数据进行比对,迭代运算,直至满足分级要求;
步骤四、分级提取;
设计一种自适应高斯低通滤波方法,通过逐步排除不同能量等级的数据,实现黑土地有机质含量分类分级的目的;
步骤五、有机质提取结果;
将各个级别含量的有机质进行综合制图,形成有机质含量的航空高光谱提取结果;将总体精度和Kappa系数最高的参数设置σ1=0.5,ε1=1.1应用到黑土地有机质的运算中,分级之后,根据地面分析数据,给出每一级别的有机质含量,得出黑土有机质含量的空间分布情况。
所述步骤一包括以下步骤:
步骤1.1辐射校正
计算在高光谱传感器处接收的像元光谱辐射亮度:
式中,L为传感器接收的总辐射亮度;ρ为像元表面反射率;ρe为像元周围平均表面反射率;S为大气球面反照率;Lα为大气后向散射辐射率;A、B为大气和几何条件的系数;方法的机理在于使用基于MODTRAN4+的大气辐射传输模型;
步骤1.2几何校正
原始图像中记录了每一帧图像的GPS时间,经过辐射校正后生成了一个时间标志记录文件*.att文件,该文件中记录了每一帧图像的GPS时间,该GPS时间都包含在POS***结果文件的时间段内,通过时间比对和坐标投影变换就可以获得每一帧图像的姿态数据和位置数据,对图像进行几何校正;
所述步骤二包括以下步骤:
步骤2.1建立基本的滤波模型
在频率域中,基本的滤波模型为:
G(u,v)=H(u,v)·F(u,v)
式中,F(u,v)为被滤波的傅里叶变换图像;H(u,v)为滤波器变换函数;通过衰减后高频信息后生成平滑后的图像G(u,v)。
步骤2.2高斯低通滤波器的建立
能够将空间域转化为频率域的高斯低通滤波器为:
式中,D(u,v)为距变换原点的距离,d为高斯曲线扩展的程度,即截止频率。设计一种自适应高斯滤波器,根据被平滑图像的黑土含量特征,自动选择不同的d,使得在处理后的结果图像中得到相应含量的有机质数据。
所述步骤三包括以下步骤:
步骤3.1高斯平滑的表达
假设黑土影像的高斯平滑用下式表示:
I0(x,y)=Id(x,y)+ed(x,y)
式中,对于(x,y)处的像素点,I0(x,y)为原始高光谱数据的灰度值,Id(x,y)为截止频率d下的低通灰度值,εd(x,y)为截止频率d下的残差值。
步骤3.2自适宜高斯滤波的方法实现过程
输入:黑土高光谱影像x=(x1,x2,…,xi)∈Rd×i,滤波有机质含量级别C∈(1,2,3,4,5),黑土影像分类集合ξ={1,2,…,n},训练集Tm={(x1,c1),…,(xm,cm)}∈(Rd×ξ)m,其中,c∈ξ且m代表训练样本的数量;
a):输入训练集,构建高斯低通滤波器,对高光谱黑土影像进行逐像素分类获取初始分类结果c;
b):将地面化验数据插值为面域信息,结果表示为类概率图ξn,n=1,2,…,N;
c):对高光谱影像x进行初始截止频率d1计算,获得初始方差σ1和残差值ε1;
d):if d1=dbest then
e):所提取信息符合某一级别有机质含量区间,则记为c1
f):end
g):else
h):d1’=d1++;
i):对高光谱影像x进行初始截止频率d1’计算,获得新方差σ1’和残差值ε1’;
j):直至,所提取信息符合某一级别有机质含量区间,则记为c1;
k):对高光谱数据x进行逆变换,去除空域中相应像素,生成x’;
l):end
m):对高光谱影像x’进行初始截止频率d2计算,获得初始方差σ2和残差值ε2;
n):重复d~m步骤,直至生成c1、c2、c3、c4和c5
输出:有机质含量分类结果c=(c1,c2,…,ci),分类结果中每一个像素i被赋予一个标记ci∈ξ
所述步骤四包括以下步骤:
步骤4.1计算截止频率d
设计一种计算截止频率d的方法,达到既能平滑黑土高光谱数据实现分类分级,又能保持与化验值最近似的目的。
设计一种基于能量函数的计算方法:
式中,c为常数项,根据采样点的有机质化验数据确定;σ为方差;ε为残差值。
步骤4.2平滑分类与细节保持原则
得出,在c为已知常数项下,最优截止频率d需要方差σ尽可能大,将高光谱数据变换为更加平滑的数据。而残差ε必须尽可能小,即经过高斯滤波后,原始像素(x,y)处的反射率值变化幅度越小越好。这样,建立了一种在因素有机质含量的综合高斯滤波方法,达到了平滑分类与保持细节特征的平衡。
Claims (5)
1.一种用于黑土有机质信息提取的自适应高斯低通滤波方法,其特征在于:包括以下步骤:
步骤一、黑土地高光谱预处理;
辐射校正使用基于MODTRAN4+辐射传输模型的FLAASH算法对高光谱数据进行预处理;
计算时需要元数据包括观测视场角、太阳角度、平均海拔高度、大气模型、气溶胶类型和能见度范围;几何校正利用机载POS 510***实现,机上惯导***和定位***记录了每一个像元的位置参数X,Y,Z和姿态参数Roll,Pitch,Heading,通过每一帧图像的GPS时间,将坐标赋值给该象元;
步骤二、频率域转化;
将原始黑土地高光谱数据进行频域转换,生成频率域数据;
步骤三、自适应高斯滤波;
结合黑土地理空间中已知有机质数据的插值数据,设计能够自适应的高斯滤波器,使得在保留黑土图像局部特征的基础上,选择不同的σ,实现原始图像的分类;这一过程中,不断与地面化验数据进行比对,迭代运算,直至满足分级要求;
步骤四、分级提取;
设计一种自适应高斯低通滤波算法,通过逐步排除不同能量等级的数据,实现黑土地有机质含量分类分级的目的;
步骤五、有机质提取结果;
将各个级别含量的有机质进行综合制图,形成有机质含量的航空高光谱提取结果;将总体精度和Kappa系数最高的参数设置σ1=0.5,ε1=1.1应用到黑土地有机质的运算中,分级之后,根据地面分析数据,给出每一级别的有机质含量,得出黑土有机质含量的空间分布情况。
2.根据权利要求1所述的一种用于黑土有机质信息提取的自适应高斯低通滤波方法,其特征在于:所述步骤一包括以下步骤:
步骤1.1辐射校正
计算在高光谱传感器处接收的像元光谱辐射亮度:
式中,L为传感器接收的总辐射亮度;ρ为像元表面反射率;ρe为像元周围平均表面反射率;S为大气球面反照率;Lα为大气后向散射辐射率;A、B为大气和几何条件的系数;方法的机理在于使用基于MODTRAN4+的大气辐射传输模型;
步骤1.2几何校正
原始图像中记录了每一帧图像的GPS时间,经过辐射校正后生成了一个时间标志记录文件*.att文件,该文件中记录了每一帧图像的GPS时间,该GPS时间都包含在POS***结果文件的时间段内,通过时间比对和坐标投影变换就可以获得每一帧图像的姿态数据和位置数据,对图像进行几何校正。
4.根据权利要求1所述的一种用于黑土有机质信息提取的自适应高斯低通滤波方法,其特征在于:所述步骤三包括以下步骤:
步骤3.1高斯平滑的表达
假设黑土影像的高斯平滑用下式表示:
I0(x,y)=Id(x,y)+ed(x,y)
式中,对于(x,y)处的像素点,I0(x,y)为原始高光谱数据的灰度值,Id(x,y)为截止频率d下的低通灰度值,εd(x,y)为截止频率d下的残差值;
步骤3.2自适宜高斯滤波的算法实现过程
输入:黑土高光谱影像x=(x1,x2,…,xi)∈Rd×i,滤波有机质含量级别C∈(1,2,3,4,5),黑土影像分类集合ξ={1,2,…,n},训练集Tm={(x1,c1),…,(xm,cm)}∈(Rd×ξ)m,其中,c∈ξ且m代表训练样本的数量;
a):输入训练集,构建高斯低通滤波器,对高光谱黑土影像进行逐像素分类获取初始分类结果c;
b):将地面化验数据插值为面域信息,结果表示为类概率图ξn,n=1,2,…,N;
c):对高光谱影像x进行初始截止频率d1计算,获得初始方差σ1和残差值ε1;
d):if d1=dbestthen
e):所提取信息符合某一级别有机质含量区间,则记为c1
f):end
g):else
h):d1’=d1++;
i):对高光谱影像x进行初始截止频率d1’计算,获得新方差σ1’和残差值ε1’;
j):直至,所提取信息符合某一级别有机质含量区间,则记为c1;
k):对高光谱数据x进行逆变换,去除空域中相应像素,生成x’;
l):end
m):对高光谱影像x’进行初始截止频率d2计算,获得初始方差σ2和残差值ε2;
n):重复d~m步骤,直至生成c1、c2、c3、c4和c5
输出:有机质含量分类结果c=(c1,c2,…,ci),分类结果中每一个像素i被赋予一个标记ci∈ξ。
5.根据权利要求1所述的一种用于黑土有机质信息提取的自适应高斯低通滤波方法,其特征在于:所述步骤四包括以下步骤:
步骤4.1计算截止频率d
设计一种计算截止频率d的方法,达到既能平滑黑土高光谱数据实现分类分级,又能保持与化验值最近似的目的;
设计一种基于能量函数的计算方法:
式中,c为常数项,根据采样点的有机质化验数据确定;σ为方差;ε为残差值;
步骤4.2平滑分类与细节保持原则
得出,在c为已知常数项下,最优截止频率d需要方差σ尽可能大,将高光谱数据变换为更加平滑的数据;而残差ε必须尽可能小,即经过高斯滤波后,原始像素(x,y)处的反射率值变化幅度越小越好;这样,建立了一种在因素有机质含量的综合高斯滤波方法,达到了平滑分类与保持细节特征的平衡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581128.6A CN109740468B (zh) | 2018-12-24 | 2018-12-24 | 一种用于黑土有机质信息提取的自适应高斯低通滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581128.6A CN109740468B (zh) | 2018-12-24 | 2018-12-24 | 一种用于黑土有机质信息提取的自适应高斯低通滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740468A CN109740468A (zh) | 2019-05-10 |
CN109740468B true CN109740468B (zh) | 2021-01-05 |
Family
ID=66361167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811581128.6A Active CN109740468B (zh) | 2018-12-24 | 2018-12-24 | 一种用于黑土有机质信息提取的自适应高斯低通滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740468B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5568151A (en) * | 1995-05-17 | 1996-10-22 | Merritt; David A. | Statistical averaging method for wind profiler doppler spectra |
US9664785B2 (en) * | 2013-08-21 | 2017-05-30 | Selex Es Inc. | Method and apparatus for distance measuring equipment (DME/normal) using a smoothed concave polygonal pulse shape |
CN104573732B (zh) * | 2013-10-18 | 2017-12-22 | 核工业北京地质研究院 | 一种目标光谱匹配方法 |
CN106442696A (zh) * | 2016-11-08 | 2017-02-22 | 核工业北京地质研究院 | 一种测定硼同位素比值的方法 |
CN106650819A (zh) * | 2016-12-30 | 2017-05-10 | 东北农业大学 | 利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法 |
CN106770054A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于光谱吸收特征的黑土含水量速测方法 |
CN107015074B (zh) * | 2017-03-30 | 2018-05-08 | 信丰县包钢新利稀土有限责任公司 | 一种稀土掺杂铁电材料压电系数的测量*** |
CN107748140B (zh) * | 2017-10-19 | 2018-09-25 | 中国矿业大学(北京) | 一种野外高光谱快速测量*** |
CN107576621B (zh) * | 2017-10-24 | 2018-08-14 | 中国矿业大学(北京) | 一种光谱二阶差分Gabor展开检测土壤铜污染的方法 |
-
2018
- 2018-12-24 CN CN201811581128.6A patent/CN109740468B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109740468A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN111626290B (zh) | 一种复杂海面环境下的红外舰船目标检测识别方法 | |
CN108446634B (zh) | 基于视频分析和定位信息结合的航空器持续跟踪方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN110175964A (zh) | 一种基于拉普拉斯金字塔的Retinex图像增强方法 | |
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 | |
CN108198228B (zh) | 一种天基红外高光谱图像智能压缩方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别***及其方法 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN111967511A (zh) | 一种基于异构特征融合网络的地基云图分类方法 | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN102663385A (zh) | 一种星上点目标检测方法 | |
CN116883588A (zh) | 一种大场景下的三维点云快速稠密重建方法及*** | |
CN115471741A (zh) | 一种融合MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法 | |
Manaf et al. | Hybridization of SLIC and Extra Tree for Object Based Image Analysis in Extracting Shoreline from Medium Resolution Satellite Images. | |
CN115457258A (zh) | 一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
Ghircoias et al. | Contour lines extraction and reconstruction from topographic maps | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
Shawal et al. | Fundamentals of digital image processing and basic concept of classification | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 |
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 |