CN110163287A - 一种中尺度涡检测方法及装置 - Google Patents
一种中尺度涡检测方法及装置 Download PDFInfo
- Publication number
- CN110163287A CN110163287A CN201910439569.0A CN201910439569A CN110163287A CN 110163287 A CN110163287 A CN 110163287A CN 201910439569 A CN201910439569 A CN 201910439569A CN 110163287 A CN110163287 A CN 110163287A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- mesoscale eddy
- training sample
- gradient
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种中尺度涡检测方法及装置,获取待识别图像,待识别图像包括初始图像和缩小图像,缩小图像为将初始图像按照预设比例进行缩小后的图像,从待识别图像中获取具有预设目标尺寸的区域,获取区域的梯度方向直方图,使用预先训练的检测模型,确定区域中的目标区域,目标区域为包括满足预设条件的中尺度涡的区域,检测模型依据任意一个区域的梯度方向直方图,判定任意一个区域中是否包括满足预设条件的中尺度涡,将目标区域的参考信息映射到初始图像中,得到中尺度涡的检测结果。本申请提供的中尺度涡的检测方案,能够识别出待识别图像中不同尺度的中尺度涡,使得检测结果具有较高的准确性。
Description
技术领域
本申请涉及遥感图像处理领域,尤其涉及一种中尺度涡检测方法及装置。
背景技术
随着科学与技术的发展,人类与海洋的关系越来越密切,人类进行海洋作业,例如,在海面上操作航舰和水下航线器。航舰和水下航线器在航行安全与使用效能方面受海洋流速分布的影响,其中,海洋流速分布受中尺度涡的影响,因此,航舰和水下航线器在航行安全与使用效能方面受中尺度涡的影响。在实际应用中,为了保证航舰和水下航线器在航行安全与使用效能,需要检测海洋中的中尺度涡。其中,中尺度涡可以在雷达拍摄的合成孔径雷达图像中体现。
目前,检测中尺度涡的方法包括:在海量的合成孔径雷达图像中,通过专家目视解译的方法,检测是否存在中尺度涡,以及在检测到中尺度涡的情况下,对中尺度涡进行人工标记。
通过人工检测与标记,需要耗费大量的人力与物力。因此,需要一种中尺度涡自动检测方案,并且,该中尺度涡检测方案具有较高的检测准确率。
发明内容
本申请提供了一种中尺度涡检测方法及装置,目的在于提供一种具有较高准确性的自动检测中尺度涡的方法。
为了实现上述目的,本申请提供了以下技术方案:
本申请提供了一种中尺度涡检测方法,包括:
获取待识别图像,所述待识别图像包括初始图像和缩小图像,所述缩小图像为将所述初始图像按照预设比例进行缩小后的图像;
从所述待识别图像中获取具有预设目标尺寸的区域;
获取所述区域的梯度方向直方图;
使用预先训练的检测模型,确定所述区域中的目标区域,所述目标区域为包括满足预设条件的中尺度涡的区域,所述检测模型依据任意一个区域的梯度方向直方图,判定所述任意一个区域中是否包括满足所述预设条件的中尺度涡;所述预设条件包括:最小外接矩形的大小与所述任意一个区域的大小相同;
依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果。
可选的,所述目标区域的参考信息包括:所述目标区域所属的层级图像,以及所述目标区域在所属的层级图像中的位置;所述目标区域所属的层级图像为所述待识别图像中的至少一个;
所述依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果,包括:
依据所述预设比例以及所述目标区域所属的层级图像,确定所述目标区域所属的层级图像与所述初始图像间的缩放比例;
按照所述缩放比例,将所述目标区域在所属的层级图像中的位置映射到所述初始图像中,得到所述目标区域在所述初始图像中的位置;
将所述目标区域在所述初始图像中的位置,作为所述中尺度涡的检测结果。
可选的,所述预先训练的检测模型通过以下方式训练得到:
获取训练样本;
确定所述训练样本的梯度方向直方图;
将所述训练样本的梯度方向直方图作为训练数据集;
采用所述训练数据集对预设检测模型进行训练,得到训练后的检测模型;所述预设的检测模型为支持向量机;
将所述训练后的检测模型作为所述预先训练的检测模型。
可选的,所述获取训练样本,包括:
获取多幅原始图像;所述多幅原始图像由存在中尺度涡的图像和不存在中尺度涡的图像构成;
将所述存在中尺度涡的图像中所述中尺度涡的最小外接矩形所框出的区域,作为中尺度涡图像;
将所述不存在中尺度涡的图像中预设大小的区域,作为非中尺度涡图像;
将所述中尺度涡图像与所述非中尺度涡图像的尺寸统一为预设的目标尺寸,得到尺寸统一后的图像;
将所述尺寸统一后的图像作为所述训练样本。
可选的,所述确定任意一个所述训练样本的梯度方向直方图,包括:
对该训练样本进行归一化,得到归一化训练样本;
计算所述归一化训练样本中各像素的梯度,得到所述归一化训练样本的梯度图;
将所述归一化训练样本的梯度图划分为多个子区域,并将所划分得到的每个子区域作为细胞单元;
计算所述归一化训练样本的梯度图中每个所述细胞单元的梯度方向直方图;
计算所述归一化训练样本的梯度图中每个块的梯度方向直方图;所述归一化训练样本的梯度图中的任意一个块由多个所述细胞单元组成;任意一个块的梯度方向直方图通过构成该块的细胞单元的梯度方向直方图串联得到;
将所述归一化训练样本的梯度图中每个块的梯度方向直方图进行串联,得到所述该训练样本的梯度方向直方图。
可选的,还包括:
在所述检测模型对每个所述区域的判定结果为不存在所述中尺度涡的情况下,输出所述待识别图像中不存在所述中尺度涡的检测结果。
本申请还提供了一种中尺度涡检测装置,包括:
第一获取模块,用于获取待识别图像,所述待识别图像包括初始图像和缩小图像,所述缩小图像为将所述初始图像按照预设比例进行缩小后的图像;
第二获取模块,用于从所述待识别图像中获取具有预设目标尺寸的区域;
第三获取模块,用于获取所述区域的梯度方向直方图;
确定模块,用于使用预先训练的检测模型,确定所述区域中的目标区域,所述目标区域为包括满足预设条件的中尺度涡的区域,所述检测模型依据任意一个区域的梯度方向直方图,判定所述任意一个区域中是否包括满足所述预设条件的中尺度涡;所述预设条件包括:最小外接矩形的大小与所述任意一个区域的大小相同;
映射模块,用于依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果。
可选的,所述映射模块,用于依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果,包括:
依据所述预设比例以及所述目标区域所属的层级图像,确定所述目标区域所属的层级图像与所述初始图像间的缩放比例;
按照所述缩放比例,将所述目标区域在所属的层级图像中的位置映射到所述初始图像中,得到所述目标区域在所述初始图像中的位置;
将所述目标区域在所述初始图像中的位置,作为所述中尺度涡的检测结果。
可选的,所述装置还包括训练模块;
所述训练模块,用于获取训练样本;确定所述训练样本的梯度方向直方图;将所述训练样本的梯度方向直方图作为训练数据集;采用所述训练数据集对预设检测模型进行训练,得到训练后的检测模型;所述预设的检测模型为支持向量机;将所述训练后的检测模型作为所述预先训练的检测模型。
可选的,所述训练模块,用于获取训练样本,包括:
获取多幅原始图像;所述多幅原始图像由存在中尺度涡的图像和不存在中尺度涡的图像构成;
将所述存在中尺度涡的图像中所述中尺度涡的最小外接矩形所框出的区域,作为中尺度涡图像;
将所述不存在中尺度涡的图像中预设大小的区域,作为非中尺度涡图像;
将所述中尺度涡图像与所述非中尺度涡图像的尺寸统一为预设的目标尺寸,得到尺寸统一后的图像;
将所述尺寸统一后的图像作为所述训练样本。
可选的,所述训练模块,用于确定任意一个所述训练样本的梯度方向直方图,包括:
对该训练样本进行归一化,得到归一化训练样本;
计算所述归一化训练样本中各像素的梯度,得到所述归一化训练样本的梯度图;
将所述归一化训练样本的梯度图划分为多个子区域,并将所划分得到的每个子区域作为细胞单元;
计算所述归一化训练样本的梯度图中每个所述细胞单元的梯度方向直方图;
计算所述归一化训练样本的梯度图中每个块的梯度方向直方图;所述归一化训练样本的梯度图中的任意一个块由多个所述细胞单元组成;任意一个块的梯度方向直方图通过构成该块的细胞单元的梯度方向直方图串联得到;
将所述归一化训练样本的梯度图中每个块的梯度方向直方图进行串联,得到所述该训练样本的梯度方向直方图。
可选的,所述装置还包括:输出模块;
所述输出模块,用于在所述检测模型对每个所述区域的判定结果为不存在所述中尺度涡的情况下,输出所述待识别图像中不存在所述中尺度涡的检测结果。
本申请提供的中尺度涡检测方法及装置中,获取待识别图像,其中,待识别图像包括初始图像以及将该初始图像按照预设比例进行缩小所得到的缩小图像。从待识别图像中获取具有预设目标尺寸的区域,并获取区域的梯度方向直方图,使用预先训练的检测模型,确定区域中的目标区域,其中,目标区域为包括满足预设条件的中尺度涡的区域,该检测模型依据任意一个区域的梯度方向直方图,判定该区域中是否存在满足预设条件的中尺度涡,并将目标区域的参考信息映射到该初始图像,得到中尺度涡的检测结果。其中,预设条件包括:最小外接矩形的大小与任意一个区域的大小相同。
首先,预先训练的检测模型通过具有目标尺寸的训练样本的梯度方向直方图训练得到,训练样本的梯度方向直方图表征训练样本中像素的梯度方向的分布情况。由于中尺度涡具有螺旋结构,梯度方向直方图可以很好体现中尺度涡的螺旋结构的特征,因此,预先训练的检测模型具有识别满足预设条件的中尺度涡对应的梯度方向直方图的能力。
其次,由于预先训练的检测模型对所能识别的梯度方向直方图的尺寸限制为目标尺寸,在本申请提供的中尺度涡检测方案中,获取的待识别图像包括初始图像以及缩小图像,使得从待识别图像中获取的区域的尺寸相同但是尺度不同,因此,所检测的区域的尺度是比较全面的,进而能够检测出不同尺度的中尺度涡,进而减少对中尺度涡漏检的可能性,进而,提高确定出的目标区域的准确性,进而,使得依据预设比例,将目标区域的参考信息映射到初始图像中,所得到的中尺度涡的检测结果具有较高的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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。
图1为本申请实施例公开的一种检测模型训练过程示意图;
图2为本申请实施例公开的一种中尺度涡检测方法的流程图;
图3为本申请实施例公开的一种中尺度涡检测装置的结构示意图。
具体实施方式
发明人在研究过程中发现,中尺度涡具有螺旋结构,而梯度方向直方图这一特征可以很好地体现中尺度涡的螺旋结构的特征,因此,可以采用梯度方向直方图来检测合成孔径雷达图像中的中尺度涡。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请实施例提供的一种检测模型训练过程示意图,包括以下步骤:
S101、获取训练样本。
在本实施例中,检测模型为支持向量机。训练样本包括正样本与负样本,其中,正样本为包含中尺度涡的图像,负样本为不包含中尺度涡的图像。
具体的,对于训练样本的生成过程包括:
A1、获取多幅原始图像。
在本步骤中,原始图像为通过雷达拍摄得到后未经任何处理的合成孔径雷达图像。在本步骤中,所获取的多幅原始图像中包括存在中尺度涡的图像,也包括不存在中尺度涡的图像。其中,存在中尺度涡的图像中存在各种类别的中尺度涡。
A2、对所获取的原始图像进行预处理。
在本步骤中,对原始图像进行的预设处理可以包括:图像压缩、辐射校正与大陆剔除。
其中,为了减少后续对预处理后的原始图像的计算量,对原始图像进行图像压缩。对原始图像进行图像压缩是指:将原始图像中的多个像素点的像素值合并为一个像素点的像素值的过程。对原始图像进行辐射校正是指:将原始图像中像素点的原始像素值替换为像素点的后向散射系数。
对原始图像进行大陆剔除是指:标记出原始图像中表征大陆的像素点。由于本申请实施例是要从预处理后的原始图像中检测是否存在中尺度涡,因此,原始图像中表征大陆的像素点是本申请实施例中检测是否存在中尺度涡无关的像素点,因此,在本步骤中,标记出原始图像中表征大陆的像素点,使得后续从预处理后的原始图像中检测是否存在中尺度涡时,无需对标记出的像素点进行处理。
在本步骤中,对原始图像进行图像压缩、辐射校正与大陆剔除的先后处理顺序,本实施例不作限定。
A3、从预处理后的原始图像中获取训练样本。
具体的,获取训练样本的过程可以包括:
从预处理后的原始图像中选取包含中尺度涡的图像作为第一待处理图像,从第一待处理图像中裁剪出包括中尺度涡的图像,具体的,裁剪得到的图像为中尺度涡的最小外接矩形框出的区域,得到中尺度涡图像。从选取第一待处理图像到得到裁剪后的中尺度涡图像的过程可以采用人工方式。
从预处理后的原始图像中选取不包含中尺度涡的图像作为第二待处理图像,从第二待处理图像中裁剪得到多幅具有预设尺寸的图像为非中尺度涡图像。需要说明的是,从预处理后的原始图像中选取第二待处理图像可以采用人工的方式,从第二待处理图像中裁剪非中尺度涡图像的过程可以采用预设的裁剪程序自动执行。
由于所得到的中尺度涡图像与非中尺度涡图像的尺寸可能不同,为了使得训练样本的大小相同,在本实施例中,需要将中尺度涡图像与非中尺度涡图像的大小统一,为了描述方便,将统一的尺寸称为目标尺寸。一般情况下,目标尺寸小于中尺度涡图像的尺寸,也小于非中尺度涡图像的尺寸。
具体的,可以采用图像压缩的方式,将中尺度涡图像与非中尺度涡图像的大小统一为目标尺寸。在本实施例中,将大小统一为目标尺寸的中尺度涡图像作为正样本,将大小统一到目标尺寸的非中尺度涡图像作为负样本。
此时,所得到的正样本的尺寸为目标尺寸,并且,每个正样本是通过对原始图像中的中尺度涡的最小外接矩形的区域裁剪得到的图像,进行尺寸统一得到的,因此,每个正样本中的中尺度涡的外接矩形的大小与正样本的大小相同。
为了避免对检测模型的训练过程中出现过拟合现象,以及增强训练后的检测模型的泛化能力与鲁棒性,需要大量的正样本与大量的负样本。如果通过上述过程所得到的正样本或负样本的数量较少时,在本实施例中,可以采用对训练样本进行扩充。即如果正样本的数量较少,就需对正样本进行扩充,相反,如果负样本数量较少,就需对负样本进行扩充。
具体的,对训练样本的扩充方式包括:通过对训练样本进行旋转和翻转实现对训练样本扩充。例如,可以顺时针旋转90度,逆时针旋转90度,水平翻转、垂直翻转等的方式。
雷达所获取的合成孔径雷达图像中存在严重的斑点噪声,为了保证后续采用训练后的检测模型对待识别图像测试结果的准确性,在本实施例中,可以向训练样本中添加斑点噪声,进而采用存在斑点噪声的训练样本对检测模型进行训练。
S102、确定每个训练样本的梯度方向直方图。
在本实施例中,由于中尺度涡具有螺旋结构,中尺度涡特有的这一性质,可以通过梯度很好的体现,因此,中尺度涡的梯度方向直方图可以很好的体现中尺度涡的特征。具体的,中尺度涡各个子区域的梯度方向直方图上中尺度涡的具有明显的最大梯度,且最大梯度指向中尺度涡的中心。因此,训练样本的梯度方向直方图可以很好的描述正样本中中尺度涡的特征,从而训练样本中,正样本的梯度方向直方图的特征与负样本的梯度方向直方图的特征具有较大的差异,使得检测模型可以更好的学习到正样本的梯度方向直方图的特征与负样本的梯度方向直方图中的特征差异,进而可以提高检测模型对待检测的梯度方向直方图中是否存在中尺度涡的检测结果的准确性。因此,在本步骤中,需要确定每个训练样本的梯度方向直方图。
具体的,确定任意一个训练样本的梯度方向直方图的过程包括:
B1、对该训练样本进行归一化。
不同传感器所采集的图像的对比度和光照情况存在差异,为了提高检测模型对训练样本的鲁棒性,在本步骤中,需要减少光照因素的影响。具体的,通过采用Gamma校正公式对该训练样本中的像素值进行校正,以实现对该训练样本的归一化。
具体的,Gamma校正公式如下公式(1)所示:
H(x,y)=F(x,y)1/r (1)
式中,(x,y)为该训练样本中的任意一个像素点,F(x,y)为该像素点的像素值,H(x,y)为该像素点的像素值进行归一化后的像素值。
B2、计算归一化后的训练样本中各像素的梯度,得到归一化后的训练样本的梯度图。
对于归一化后的任一训练样本中的任一像素点,该像素点的梯度包括:梯度幅值与梯度方向两部分。其中,该像素点的梯度幅值的计算方式如下公式(2)所示,该像素点的梯度方向的计算方式如下公式(3)所示。
式中,(x,y)表示该像素点在图像中的位置,Gx(x,y)表示该像素点的水平方向梯度,Gy(x,y)表示该像素点的垂直方向梯度。G(x,y)表示该像素点的梯度幅值,a(x,y)表示该像素点的梯度方向。
其中,Gy(x,y)的计算方式如下公式(4)所示,Gy(x,y)的计算方式如下公式(5)所示。
Gy(x,y)=H(x+1,y)-H(x-1,y) (4)
Gy(x,y)=H(x,y+1)-H(x,y-1) (5)
式中,x表示该像素点在图像中的横坐标,y表示该像素点在图像中的纵坐标,H(x+1,y)表示归一化图像中(x+1,y)位置处的像素点的像素值,H(x-1,y)表示归一化图像中(x-1,y)位置处的像素点的像素值,H(x,y+1)表示归一化图像中(x,y+1)位置处的像素点的像素值,H(x,y-1)表示归一化图像中(x,y-1)位置处的像素点的像素值。
B3、计算归一化训练样本中每个细胞单元的梯度方向直方图。
在本步骤中,将归一化训练样本划分为多个子区域,为了描述方便,将每个子区域都称为细胞单元,此时,该归一化样本就被划分为多个细胞单元。由于细胞单元中的每个像素的梯度方向所属的范围为[0,180],在本步骤中,将[0,180]以20度进行等分,即被分成了9份,其中,每份对应一个梯度方向范围,此时,任意一个细胞单元都对应9个梯度方向范围。
对于任意一个细胞单元中的任意一个像素点,确定该像素点的梯度(包括梯度方向与梯度幅值)在该细胞单元对应的9个梯度方向范围中所属的梯度方向范围。具体的确定过程包括:确定该像素点的梯度方向在9个梯度方向范围中所属的梯度方向范围。
在确定该细胞单元中的每个像素点的梯度分别在该细胞单元对应的9个梯度方向范围中所属的梯度方向范围后,针对该细胞单元对应的9个梯度方向范围中的每个梯度方向范围,分别计算该细胞单元中的像素点中投影到该梯度方向范围的像素点的梯度幅值之和,并将计算得到的和作为该梯度方向范围的最终值,此时,得到该细胞单元对应的9个梯度方向范围中每个梯度方向范围的最终值。并将该细胞单元对应的9个梯度方向范围的最终值所构成的9维向量,作为该细胞单元的梯度方向直方图。
B4、计算归一化训练样本中每个块的梯度方向直方图。
在本实施例中,将归一化训练样本中的多个细胞单元组成一个块,具体的,可以将四个细胞单元组成一个块,此时,得到该归一化训练样本中的块。对于任意一个块,将组成该块的细胞单元分别对应的梯度方向直方图串联起来,得到该块的梯度方向直方图。
B5、将归一化训练样本中各块的梯度方向直方图串联,得到归一化训练样本的梯度方向直方图。
通过B1~B5可以得到每个训练样本的梯度方向直方图,在本实施例中,将上述得到的训练样本的梯度方向直方图,作为训练检测模型的训练数据集。
S103、采用训练数据集对预设检测模型进行训练,得到训练后的检测模型。
在本实施例中,预设的检测模型为支持向量机。其中,支持向量机是一种最小化结构风险的机器学习算法,可看作一种广义的线性分类器,属于监督式学习的方法,它能在训练样本不足的情况下迅速学习到较好的分类决策。训练支持向量机的原理为:通过非线性变换将输入空间变换到一个高维的特征空间,并在新空间中寻找最优的线性分界面。
当然,在实际中,预设的检测模型还可以为除了支持向量机之外的检测模型,本实施例不对检测模型作限定。在本实施例中,采用训练数据集对支持向量机的训练过程为现有技术,这里不再赘述。
在本实施例中,采用训练数据集对支持向量机进行训练后,得到训练后的支持向量机,该训练后的支持向量机具有识别具有目标尺寸的中尺度涡的梯度方向直方图的能力,因此,可以向训练后的支持向量机输入待识别图像中具有目标尺寸的区域的梯度方向直方图,得到待识别图像中具有目标尺寸的区域中是否存在中尺度涡的检测结果,进而得到待识别图像中是否存在中尺度涡。
具体的,采用训练后的支持向量机检测待识别图像的过程,可以参考图2对应的实施例。图2为本申请实施例提供的一种中尺度涡检测方法,包括以下步骤:
S201、获取待检测图像。
在本步骤中,所获取的待检测图像为需要检测是否存在中尺度涡的图像。本步骤所获取的待检测图像是雷达拍摄得到且未经任何处理的合成孔径雷达图像。
S202、对所获取待检测图像进行预处理。
在本步骤中,对所获取的待检测图像所进行的预处理包括:图像压缩、辐射校正与大陆剔除。具体的,对所获取的待检测图像进行预处理的方式,与图1对应的实施例中A2对所获取的原始图像进行的预处理的方式相同,这里不再赘述。
S203、对预处理后的待检测图像进行金字塔处理,得到待识别图像。
由于本申请实施例训练得到的支持向量机具有识别具有目标尺寸的中尺度涡的梯度方向直方图的能力,此时,训练后的检测模型所能检测的图像尺寸限制为目标尺寸,并且预处理后的待检测图像中所存在的中尺度涡的尺寸可能大于目标尺寸。此时,对于最小外接矩形的大小大于目标尺寸的中尺度涡的检测不到,因此,如果采用训练后的检测模型检测预处理的待检测图像中是否存在中尺度涡,得到的检测结果可能是不准确的(无法检测不同大小的中尺度涡)。因此,为了提高检测结果的准确性(即检测出预处理后的待检测图像中,最小外接矩形的大小不小于目标尺寸的中尺度涡),在本实施例中,对预处理后的待检测图像进行金字塔处理。
具体的,对预处理后的待检测图像进行金字塔处理包括:将预处理后的待检测图像按照预设比例进行缩小,具体的,可以对预处理后的待检测图像进行下采样处理,为了描述方便,将对预处理后的待检测图像进行下采样处理所得到的图像,称为第一层级图像。对第一层级图像进行下采样处理,为了描述方便,将对第一层级图像进行下采样处理所得到的图像,称为第二层级图像,依次递推,对第二层级图像进行下采样处理得到第三层级图像,直至达到预设的终止条件,停止下采样处理。在本实施例中,可以将预处理后的待检测图像作为第零层级图像,相邻层级图像间的缩放比例可以为1.1倍,当然,也可以为其他倍数,本实施例不对相邻层级的图像间的缩放比例作限定。
在本实施例中,将预处理后的待检测图像称为初始图像,将从预处理后的待检测图像下采样所得到的所有层级图像称为缩小图像,并将初始图像与缩小图像都作为待识别图像。将本步骤所得到的第零层级图像、第一层级图像、第二层级图像,……第N层级图像,都统称为层级图像,即所有的层级图像构成了待识别图像。
S204、在每幅待识别图像中获取具有目标尺寸的区域。
在本实施例中,可以通过一个具有目标尺寸的检测窗口在每幅待识别图像中,以预设步长进行滑动,检测窗口每次按照预设步长滑动后所处的区域就是遍历得到的具有目标尺寸的区域。在本实施例中,可以依据所遍历的图像在待识别图像中所属的层级图像,得到遍历出的各区域在待识别图像中所属的层级图像,以及在所属层级图像中的位置。
S205、计算区域的梯度方向直方图。
在本步骤中,分别计算遍历得到的每个区域的梯度方向直方图,具体的,针对任意一个区域,计算该区域的梯度方向直方图的方式,与图1对应的实施例中S102中计算任意训练样本的梯度方向直方图的方式相同,这里不再进行赘述。
S206、将计算得到的梯度方向直方图输入训练后的检测模型中,得到训练后的检测模型输出的检测结果。
在本步骤中,对于输入训练后的检测模型中的任意一个区域的梯度方向直方图,该训练后的检测模型输出的检测结果为用于表征该区域中是否存在中尺度涡的信息,例如,训练后的支持向量机输出0,表示该区域中不存在满足预设条件的中尺度涡,该训练后的支持向量机输出1,则表示该区域中存在满足预设条件的中尺度涡。其中,预设条件包括:最小外接矩形的大小与具有目标尺寸的区域的大小相同。
需要说明的是,在上述S204~S206的过程中,可以是遍历出待识别图像中所有的具有目标尺寸的区域后,再将遍历出的各个区域进行梯度方向直方图计算,再通过训练后的检测模型一一检测各区域中是否存在满足预设条件的中尺度涡。也可以是从待识别图像中遍历得到一个具有目标尺寸的区域,计算该区域的梯度方向直方图,将该区域的梯度方向直方图输入训练后的检测模型,得到该区域中是否存在满足预设条件的中尺度涡的检测结果。接着,遍历得到一个区域,判断该区域中是否存在满足预设条件的中尺度涡,依次循环,直至得到遍历出的每个区域中是否存在满足预设条件的中尺度涡的检测结果。本实施例不对S204~S206具体执行方式作限定。
S207、判断区域中是否存在目标区域,若不存在,则执行S208,否则,执行S209。
通过S204~S206可以得到从待识别图像中遍历得到的所有区域的检测结果,为了描述方便,将检测结果表示存在满足预设条件的中尺度涡的区域,称为目标区域。在本步骤中,判断遍历出的区域中是否存在检测结果表示存在满足预设条件的中尺度涡的目标区域,如果遍历出的区域中不存在目标区域,则执行S208,否则,执行S209。
S208、确定待识别图像中不存在中尺度涡。
S209、确定目标区域在待识别图像中所属的层级图像,以及在所属层级图像中的位置。
由于检测窗口在待识别图像上遍历具有目标尺寸的区域的过程中,可以得到遍历出的每个区域在待识别图像中所属的层级图像,以及在所属的层级图像中的位置。因此,在确定出遍历得到的区域中存在目标区域后,可以得到目标区域所属的层级图像,以及目标区域在所属层级图像中的位置,为了描述方便,将目标区域所属的层级图像以及在所属层级图像中的位置,称为目标区域的参考信息。
S210、依据目标区域的参考信息中的层级图像与初始图像间的缩放比例,将目标区域的参考信息中的位置映射到初始图像,得到该目标区域在初始图像所对应的位置。
在本步骤中,目标区域的参考信息包括:目标区域在待识别图像中所属的层级图像,以及目标区域在所属的层级图像中的位置。依据目标区域在待识别图像中所属的层级图像与待识别图像中的初始图像间的缩放比例,将目标区域从所属的层级图像中,映射到初始图像中。具体的,由于目标区域所属的层级图像是通过对初始图像按照缩放比例缩小得到的,因此,可以确定目标区域距离所属层级图像的每个边的像素点数量,得到四个边分别对应的像素点数量,将该四个边分别对应的像素点数量分别乘以该缩放比例,得到四个边分别对应的相乘后的像素点数量,并按照该四个边分别对应的四个相乘后的像素点数量,在初始图像中确定出的区域就是该目标区域映射到初始图像中位置。
例如,初始图像为待识别图像中的第零层级图像,目标区域在待识别图像中所属的层级图像为第二层级图像,其中,对第零层级图像按照1.1缩小得到第一层级图像,对第一层级图像按照1.1进行缩小得到第二层级图像,因此,第二层级图像与初始图像间的缩放比例为1.1*1.1,即第二层级图像与初始图像间的缩放比例为1.21。
假设目标区域的边距离第二层级图像的四个边的像素点数量分别为20、30、40和50,将距离这四个边的像素点数量分别乘以1.21,得到距离四个边的相乘后的像素点数量,大约为24、36、48和60。此时,按照24在第二层级图像中所对应的边(20对应的边),在第零层级图像中距离该边的像素点数量为24的行(或列),按照36在第二层级图像中所对应的边(30对应的边),在第零层级图像中距离该边的像素点数量为36的行(或列),按照48在第二层级图像中所对应的边(40对应的边),在第零层级图像中距离该边的像素点数量为48的行(或列),按照60在第二层级图像中所对应的边(50对应的边),在第零层级图像中距离该边的像素点数量为60的行(或列),在第零层级图像中所确定出的区域为目标区域在初始图像中的位置。
通过上述S209~S210,得到目标区域在初始图像中的位置。
本实施例具有以下有益效果:
在本实施例中,对预处理后的待检测图像进行下采样处理,得到具有预设缩放比例的待识别图像,对待识别图像进行遍历得到具有目标尺寸的多个区域,将每个区域的梯度方向直方图输入该训练后的检测模型,得到每个区域中是否存在满足预设条件的中尺度涡的检测结果。其中,预设条件包括:最小外接矩形的大小与任意一个区域的大小相同。
首先,预先训练后的检测模型是通过具有目标尺寸的训练样本的梯度方向直方图训练得到,训练样本的梯度方向直方图表征训练样本中各像素的梯度方向的分布情况。由于中尺度涡具有螺旋结构,梯度方向直方图可以很好体现中尺度涡的螺旋结构的特征,因此,本申请实施例所使用的训练后的检测模型具有识别满足预设条件的中尺度涡对应的梯度方向直方图的能力。
其次,由于训练后的检测模型对所能识别的梯度方向直方图的尺寸限制为目标尺寸,并且,待检测图像中的中尺度涡的尺寸可能大于目标尺寸,由于检测模型大小固定并且只能检测满足预设条件的中尺度涡,因此,检测不到大于目标尺寸的中尺度涡,为了减少对中尺度涡的漏检情况,在本实施例中,对待检测图像进行金字塔处理得到待识别图像,并将从待识别图像中获取具有目标尺寸的区域的梯度方向直方图,输入训练后的检测模型中。
由于获取的待识别图像包括初始图像以及缩小图像,使得从待识别图像中获取的区域的尺寸相同但是尺度不同,因此,所检测的区域的尺度是比较全面的,进而能够检测出不同尺度的中尺度涡,进而减少对中尺度涡漏检的可能性,进而,提高确定出的目标区域的准确性,进而,使得依据预设比例,将目标区域的参考信息映射到初始图像中,所得到的中尺度涡的检测结果具有较高的准确性。
综上所述,本实施例提供的中尺度涡检测方法具有较高的检测准确性。
图3为本申请实施例提供的一种中尺度涡检测装置,包括:第一获取模块301、第二获取模块302、第三获取模块303、确定模块304和映射模块305。
其中,第一获取模块301,用于获取待识别图像,待识别图像包括初始图像和缩小图像,缩小图像为将初始图像按照预设比例进行缩小后的图像。第二获取模块302,用于从待识别图像中获取具有预设目标尺寸的区域。第三获取模块303,用于获取区域的梯度方向直方图。确定模块304,用于使用预先训练的检测模型,确定区域中的目标区域,目标区域为包括满足预设条件的中尺度涡的区域,检测模型依据任意一个区域的梯度方向直方图,判定任意一个区域中是否包括满足预设条件的中尺度涡,其中,预设条件包括:最小外接矩形的大小与任意一个区域的大小相同。映射模块305,用于依据预设比例,将目标区域中的参考信息映射到初始图像中,得到所述中尺度涡的检测结果。
可选的,映射模块305,用于依据预设比例,将目标区域中的参考信息映射到初始图像中,得到中尺度涡的检测结果,包括:依据预设比例以及目标区域所属的层级图像,确定目标区域所属的层级图像与初始图像间的缩放比例,按照缩放比例,将目标区域在所属的层级图像中的位置映射到初始图像中,得到目标区域在初始图像中的位置,将目标区域在初始图像中的位置,作为中尺度涡的检测结果。
可选的,该装置还包括训练模块306,训练模块306,用于获取训练样本,确定训练样本的梯度方向直方图,将训练样本的梯度方向直方图作为训练数据集,采用训练数据集对预设检测模型进行训练,得到训练后的检测模型,预设的检测模型为支持向量机,将训练后的检测模型作为预先训练的检测模型。
可选的,所述训练模块306,用于获取训练样本,包括:获取多幅原始图像,多幅原始图像由存在中尺度涡的图像和不存在中尺度涡的图像构成,将存在中尺度涡的图像中中尺度涡的最小外接矩形所框出的区域,作为中尺度涡图像,将不存在中尺度涡的图像中预设大小的区域,作为非中尺度涡图像,将中尺度涡图像与非中尺度涡图像的尺寸统一为预设的目标尺寸,得到尺寸统一后的图像,将尺寸统一后的图像作为训练样本。
可选的,训练模块306,用于确定任意一个训练样本的梯度方向直方图,包括:对该训练样本进行归一化,得到归一化训练样本,计算归一化训练样本中各像素的梯度,得到归一化训练样本的梯度图,将归一化训练样本的梯度图划分为多个子区域,并将所划分得到的每个子区域作为细胞单元,计算归一化训练样本的梯度图中每个所述细胞单元的梯度方向直方图,计算归一化训练样本的梯度图中每个块的梯度方向直方图,归一化训练样本的梯度图中的任意一个块由多个所述细胞单元组成,任意一个块的梯度方向直方图通过构成该块的细胞单元的梯度方向直方图串联得到,将归一化训练样本的梯度图中每个块的梯度方向直方图进行串联,得到该训练样本的梯度方向直方图。
可选的,该装置还包括:输出模块307,其中,输出模块307,用于在检测模型对每个区域的判定结果为不存在中尺度涡的情况下,输出待识别图像中不存在中尺度涡的检测结果。
本申请实施例方法所述的功能如果以软件功能单元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设备可读取存储介质中。基于这样的理解,本申请实施例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设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请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-Only Memory)、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。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种中尺度涡检测方法,其特征在于,包括:
获取待识别图像,所述待识别图像包括初始图像和缩小图像,所述缩小图像为将所述初始图像按照预设比例进行缩小后的图像;
从所述待识别图像中获取具有预设目标尺寸的区域;
获取所述区域的梯度方向直方图;
使用预先训练的检测模型,确定所述区域中的目标区域,所述目标区域为包括满足预设条件的中尺度涡的区域,所述检测模型依据任意一个区域的梯度方向直方图,判定所述任意一个区域中是否包括满足所述预设条件的中尺度涡;所述预设条件包括:最小外接矩形的大小与所述任意一个区域的大小相同;
依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述目标区域的参考信息包括:所述目标区域所属的层级图像,以及所述目标区域在所属的层级图像中的位置;所述目标区域所属的层级图像为所述待识别图像中的至少一个;
所述依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果,包括:
依据所述预设比例以及所述目标区域所属的层级图像,确定所述目标区域所属的层级图像与所述初始图像间的缩放比例;
按照所述缩放比例,将所述目标区域在所属的层级图像中的位置映射到所述初始图像中,得到所述目标区域在所述初始图像中的位置;
将所述目标区域在所述初始图像中的位置,作为所述中尺度涡的检测结果。
3.根据权利要求1所述的方法,其特征在于,所述预先训练的检测模型通过以下方式训练得到:
获取训练样本;
确定所述训练样本的梯度方向直方图;
将所述训练样本的梯度方向直方图作为训练数据集;
采用所述训练数据集对预设检测模型进行训练,得到训练后的检测模型;所述预设的检测模型为支持向量机;
将所述训练后的检测模型作为所述预先训练的检测模型。
4.根据权利要求3所述的方法,其特征在于,所述获取训练样本,包括:
获取多幅原始图像;所述多幅原始图像由存在中尺度涡的图像和不存在中尺度涡的图像构成;
将所述存在中尺度涡的图像中所述中尺度涡的最小外接矩形所框出的区域,作为中尺度涡图像;
将所述不存在中尺度涡的图像中预设大小的区域,作为非中尺度涡图像;
将所述中尺度涡图像与所述非中尺度涡图像的尺寸统一为预设的目标尺寸,得到尺寸统一后的图像;
将所述尺寸统一后的图像作为所述训练样本。
5.根据权利要求3所述的方法,其特征在于,所述确定任意一个所述训练样本的梯度方向直方图,包括:
对该训练样本进行归一化,得到归一化训练样本;
计算所述归一化训练样本中各像素的梯度,得到所述归一化训练样本的梯度图;
将所述归一化训练样本的梯度图划分为多个子区域,并将所划分得到的每个子区域作为细胞单元;
计算所述归一化训练样本的梯度图中每个所述细胞单元的梯度方向直方图;
计算所述归一化训练样本的梯度图中每个块的梯度方向直方图;所述归一化训练样本的梯度图中的任意一个块由多个所述细胞单元组成;任意一个块的梯度方向直方图通过构成该块的细胞单元的梯度方向直方图串联得到;
将所述归一化训练样本的梯度图中每个块的梯度方向直方图进行串联,得到所述该训练样本的梯度方向直方图。
6.根据权利要求1~5任意一项所述的方法,其特征在于,还包括:
在所述检测模型对每个所述区域的判定结果为不存在所述中尺度涡的情况下,输出所述待识别图像中不存在所述中尺度涡的检测结果。
7.一种中尺度涡检测装置,包括:
第一获取模块,用于获取待识别图像,所述待识别图像包括初始图像和缩小图像,所述缩小图像为将所述初始图像按照预设比例进行缩小后的图像;
第二获取模块,用于从所述待识别图像中获取具有预设目标尺寸的区域;
第三获取模块,用于获取所述区域的梯度方向直方图;
确定模块,用于使用预先训练的检测模型,确定所述区域中的目标区域,所述目标区域为包括满足预设条件的中尺度涡的区域,所述检测模型依据任意一个区域的梯度方向直方图,判定所述任意一个区域中是否包括满足所述预设条件的中尺度涡;所述预设条件包括:最小外接矩形的大小与所述任意一个区域的大小相同;
映射模块,用于依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果。
8.根据权利要求7所述的装置,其特征在于,所述映射模块,用于依据所述预设比例,将所述目标区域中的参考信息映射到所述初始图像中,得到所述中尺度涡的检测结果,包括:
依据所述预设比例以及所述目标区域所属的层级图像,确定所述目标区域所属的层级图像与所述初始图像间的缩放比例;
按照所述缩放比例,将所述目标区域在所属的层级图像中的位置映射到所述初始图像中,得到所述目标区域在所述初始图像中的位置;
将所述目标区域在所述初始图像中的位置,作为所述中尺度涡的检测结果。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括训练模块;
所述训练模块,用于获取训练样本;确定所述训练样本的梯度方向直方图;将所述训练样本的梯度方向直方图作为训练数据集;采用所述训练数据集对预设检测模型进行训练,得到训练后的检测模型;所述预设的检测模型为支持向量机;将所述训练后的检测模型作为所述预先训练的检测模型。
10.根据权利要求9所述的装置,其特征在于,所述训练模块,用于获取训练样本,包括:
获取多幅原始图像;所述多幅原始图像由存在中尺度涡的图像和不存在中尺度涡的图像构成;
将所述存在中尺度涡的图像中所述中尺度涡的最小外接矩形所框出的区域,作为中尺度涡图像;
将所述不存在中尺度涡的图像中预设大小的区域,作为非中尺度涡图像;
将所述中尺度涡图像与所述非中尺度涡图像的尺寸统一为预设的目标尺寸,得到尺寸统一后的图像;
将所述尺寸统一后的图像作为所述训练样本。
11.根据权利要求9所述的装置,其特征在于,所述训练模块,用于确定任意一个所述训练样本的梯度方向直方图,包括:
对该训练样本进行归一化,得到归一化训练样本;
计算所述归一化训练样本中各像素的梯度,得到所述归一化训练样本的梯度图;
将所述归一化训练样本的梯度图划分为多个子区域,并将所划分得到的每个子区域作为细胞单元;
计算所述归一化训练样本的梯度图中每个所述细胞单元的梯度方向直方图;
计算所述归一化训练样本的梯度图中每个块的梯度方向直方图;所述归一化训练样本的梯度图中的任意一个块由多个所述细胞单元组成;任意一个块的梯度方向直方图通过构成该块的细胞单元的梯度方向直方图串联得到;
将所述归一化训练样本的梯度图中每个块的梯度方向直方图进行串联,得到所述该训练样本的梯度方向直方图。
12.根据权利要求7~11所述的装置,其特征在于,所述装置还包括:输出模块;
所述输出模块,用于在所述检测模型对每个所述区域的判定结果为不存在所述中尺度涡的情况下,输出所述待识别图像中不存在所述中尺度涡的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439569.0A CN110163287A (zh) | 2019-05-24 | 2019-05-24 | 一种中尺度涡检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439569.0A CN110163287A (zh) | 2019-05-24 | 2019-05-24 | 一种中尺度涡检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163287A true CN110163287A (zh) | 2019-08-23 |
Family
ID=67632484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439569.0A Pending CN110163287A (zh) | 2019-05-24 | 2019-05-24 | 一种中尺度涡检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163287A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582184A (zh) * | 2020-05-11 | 2020-08-25 | 汉海信息技术(上海)有限公司 | 页面检测方法、装置、设备及存储介质 |
CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN112446379A (zh) * | 2021-02-01 | 2021-03-05 | 清华大学 | 一种动态大场景自适应智能处理方法 |
CN112818965A (zh) * | 2021-04-16 | 2021-05-18 | 武汉光谷信息技术股份有限公司 | 多尺度影像目标检测方法、***、电子设备及存储介质 |
CN113191451A (zh) * | 2021-05-21 | 2021-07-30 | 北京文安智能技术股份有限公司 | 图像数据集处理方法和目标检测模型训练方法 |
CN114022774A (zh) * | 2022-01-10 | 2022-02-08 | 航天宏图信息技术股份有限公司 | 一种基于雷达影像的海洋中尺度涡监测方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
CN104200228A (zh) * | 2014-09-02 | 2014-12-10 | 武汉睿智视讯科技有限公司 | 一种安全带识别方法与*** |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN106940791A (zh) * | 2017-03-09 | 2017-07-11 | 中南大学 | 一种基于低维方向梯度直方图的行人检测方法 |
CN108710909A (zh) * | 2018-05-17 | 2018-10-26 | 南京汇川工业视觉技术开发有限公司 | 一种可变形旋转不变装箱物体清点方法 |
CN109766817A (zh) * | 2019-01-04 | 2019-05-17 | 中国人民解放军国防科技大学 | 一种基于活动轮廓模型的sst影像中尺度涡自动识别方法 |
-
2019
- 2019-05-24 CN CN201910439569.0A patent/CN110163287A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
CN104200228A (zh) * | 2014-09-02 | 2014-12-10 | 武汉睿智视讯科技有限公司 | 一种安全带识别方法与*** |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN106940791A (zh) * | 2017-03-09 | 2017-07-11 | 中南大学 | 一种基于低维方向梯度直方图的行人检测方法 |
CN108710909A (zh) * | 2018-05-17 | 2018-10-26 | 南京汇川工业视觉技术开发有限公司 | 一种可变形旋转不变装箱物体清点方法 |
CN109766817A (zh) * | 2019-01-04 | 2019-05-17 | 中国人民解放军国防科技大学 | 一种基于活动轮廓模型的sst影像中尺度涡自动识别方法 |
Non-Patent Citations (2)
Title |
---|
大奥特曼打小怪兽: "第十八节、基于传统图像处理的目标检测与识别(HOG+SVM附代码)", 《博客园》 * |
燕丹晨: "基于卫星高度计的中尺度涡自动识别算法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582184A (zh) * | 2020-05-11 | 2020-08-25 | 汉海信息技术(上海)有限公司 | 页面检测方法、装置、设备及存储介质 |
CN111582184B (zh) * | 2020-05-11 | 2024-02-20 | 汉海信息技术(上海)有限公司 | 页面检测方法、装置、设备及存储介质 |
CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN111695299B (zh) * | 2020-06-04 | 2022-12-13 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN112446379A (zh) * | 2021-02-01 | 2021-03-05 | 清华大学 | 一种动态大场景自适应智能处理方法 |
CN112818965A (zh) * | 2021-04-16 | 2021-05-18 | 武汉光谷信息技术股份有限公司 | 多尺度影像目标检测方法、***、电子设备及存储介质 |
CN112818965B (zh) * | 2021-04-16 | 2021-07-30 | 武汉光谷信息技术股份有限公司 | 多尺度影像目标检测方法、***、电子设备及存储介质 |
CN113191451A (zh) * | 2021-05-21 | 2021-07-30 | 北京文安智能技术股份有限公司 | 图像数据集处理方法和目标检测模型训练方法 |
CN113191451B (zh) * | 2021-05-21 | 2024-04-09 | 北京文安智能技术股份有限公司 | 图像数据集处理方法和目标检测模型训练方法 |
CN114022774A (zh) * | 2022-01-10 | 2022-02-08 | 航天宏图信息技术股份有限公司 | 一种基于雷达影像的海洋中尺度涡监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163287A (zh) | 一种中尺度涡检测方法及装置 | |
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 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN108304761A (zh) | 文本检测方法、装置、存储介质和计算机设备 | |
CN112418212B (zh) | 一种基于EIoU改进的YOLOv3算法 | |
CN113705478A (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
CN113065455B (zh) | 一种基于深度学习的滑坡风险巡检方法及*** | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN110232387A (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
CN109523516A (zh) | 一种基于双重约束条件的对象级土地覆盖变化检测方法 | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
Wei et al. | A sub-pixel edge detection algorithm based on Zernike moments | |
CN110751641A (zh) | 锚栓信息检测的方法及存储介质 | |
CN109165603A (zh) | 一种舰船检测方法及装置 | |
CN115994899A (zh) | 一种螺栓松动检测方法、装置及检测设备 | |
Moschos et al. | Computer Vision for Ocean Eddy Detection in Infrared Imagery | |
CN110427506A (zh) | 空间数据边界处理方法、装置、计算机设备及存储介质 | |
Marques et al. | Crater delineation by dynamic programming | |
Luo et al. | High-precise water extraction based on spectral-spatial coupled remote sensing information | |
CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
CN109063749A (zh) | 一种基于角点辐射域的鲁棒卷积核数量适配方法 | |
CN110223252B (zh) | 一种基于复合自适应区域生长准则的深度图像修复算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |