CN110276350A - 一种海上船舶目标检测方法 - Google Patents
一种海上船舶目标检测方法 Download PDFInfo
- Publication number
- CN110276350A CN110276350A CN201910554899.4A CN201910554899A CN110276350A CN 110276350 A CN110276350 A CN 110276350A CN 201910554899 A CN201910554899 A CN 201910554899A CN 110276350 A CN110276350 A CN 110276350A
- Authority
- CN
- China
- Prior art keywords
- color
- region
- image
- target
- visible light
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种海上船舶目标检测方法,包含:对可见光船舶图像进行处理得到区域稳定图;对可见光船舶图像进行处理得到颜色抽象显著图;融合所述的区域稳定图和颜色抽象显著图形成最终的显著性船舶目标图。本发明针对含有海杂波的图像,与单纯采用低级特征检测的自顶向下算法不同,本发明将颜色抽象显著提取和图像稳定区域结合的方法应用于船舶目标检测,与一些检测方法针对显著图做低秩处理不同,本发明是在可见光原图的基础上进行处理,并且更为关注稳定区域和颜色显著性的结合,有助于筛除海杂波。
Description
技术领域
本发明涉及目标检测技术,具体涉及在复杂背景中可见光目标的高效检测方法以及海杂波的筛除处理。
背景技术
目标检测是各种高级视觉任务的前提,在各类图像处理任务中应用广泛。而近年来提出显著性目标检测技术在检测多种自然图像中都发挥着重要作用,但是相对而言,在可将光下船舶目标检测中还没有十分成熟的应用。因此在过去的几十年中人们采用了许多办法去改进检测的精确度和稳定性。然而,在海防监控等类似的信噪比极低的场景中,由于复杂的背景、海洋杂波干扰,检测的精确性、稳定性问题仍没有很好解决,其性能堪忧。
伴随着计算机功能的多样化拓展以及多媒体技术的全面应用,国内外的相关学者对目标检测技术与脑科学、神经科学以及心理学等多个学科展开交互研究,仿制人类视觉***研究出一种能快速从复杂场景中搜索出感兴趣目标的视觉机制。基于这种视觉注意机制的图像目标检测,不仅更符合人的视觉认知,还能有效地分配有限的计算资源给感兴趣区域目标,有助于本文提出结合视觉机制与计算机视觉处理的方法,实现对船舶目标的准确提取,减少海杂波对船舶目标检测的影响。而复杂海上杂波的影响对船舶目标检测会严重干扰检测***的可靠性和实时性,因此需要利用显著性检测海上船舶图像这一研究课题具有重大的现实意义。
发明内容
本发明的目的是提供一种海上船舶目标检测方法,既具有较高的检测率又能避免巨大的计算量,本发明能最终应用于海防监控等严酷的场景。
为了实现以上目的,本发明是通过以下技术方案实现的:
一种海上船舶目标检测方法,其特点是,包含:
对可见光船舶图像进行处理得到区域稳定图;
对可见光船舶图像进行处理得到颜色抽象显著图;
融合所述的区域稳定图和颜色抽象显著图形成最终的显著性船舶目标图。
所述的对可见光船舶图像进行处理得到区域稳定图包括:
对输入的可见光船舶图像转换为灰度图,并设定多个布尔映射处理,得到在不同阈值下的初步分割图,实现初步的目标和海面杂波的分离;
通过计算图像内剩余多个区域的质心,并对比初步分割图,将区域质心距离小于约束条件的潜在聚类区域提取出;
通过局部最大类间方差法判定潜在聚类区域内的目标与目标周边杂波背景的分离,形成区域稳定图。
所述对可见光船舶图像进行处理得到颜色抽象显著图包括:
将输入的可见光船舶图像由RGB颜色空间转换到CIELAB颜色空间,通过RG滤波强化船舶目标边缘信息,结合线性聚类迭代的方法形成超像素块区域;
通过对超像素块内颜色归一化处理,对比统计图像中不同超像素块的颜色信息,通过双变量高斯分布曲线对超像素块区域颜色分布建模,得到颜色抽象显著图。
所述的对可见光船舶图像进行处理得到区域稳定图进一步包括:
通过比对质心位置相似区域的区域变化程度、质心距离、填充率差异以及面积比率差异的结构算子,提取出区域稳定图。
所述的比对质心位置相似区域的区域变化程度:
Dr(A,B)=||A|-|B||;
其中A、B表示两个质心区域相似的矩形区域,r表示区域,Dr表示两个区域之间变化程度。
所述的比对质心位置相似区域的质心距离:
Dc(A,B)=||cA-cB||2
其中||·||2是2-范数,c表示区域A、B的质心位置;
所述的比对质心位置相似区域的填充率差异:
所述的比对质心位置相似区域的面积比率差异:
其中填充率f表示涵盖目标全部像素点的矩形框中目标所占像素点的比率,面积比率是矩形框的宽与长度之比。
所述的对可见光船舶图像进行处理得到区域稳定图进一步包括:
根据不同布尔映射图初步分类后,比较潜在区域的质心区域,筛选出质心的欧几里得距离不能大于△c,区域质心距离的约束条件:
其中分别表示最优矩形框ri,rj的长和宽。
所述的通过双变量高斯分布曲线对超像素块区域颜色分布建模包括:
其中,nw、nh分别为输入图像的长和宽,Pi表示第i个像素在图像中的空间位置,mx(pi)、my(pi)分别表示水平方向和垂直方向的颜色空间中心,Vx(Pi)、Vy(Pi)分别表示在水平方向和垂直方向上第i个像素与颜色空间中心点的颜色方差偏离程度,μ表示高斯分布的均值矩阵,∑表示高斯分布的协方差矩阵。
本发明提供一种可以用于筛除海杂波的海上船舶目标的显著性检测方法。该方法深入分析海面场景,针对场景中的主要噪声源——海洋杂波噪声。由于海天杂波等被归类为动态且缺乏规律的噪声以及船舶目标内部阈值稳定的区别。据此提出结合稳定性检测和颜色抽象的显著性检测算法排除杂波噪声,最终有效检测到感兴趣的船舶目标。
与现有显著性检测方法不同,本发明中针对含有海杂波的图像,与单纯采用低级特征检测的自顶向下算法不同,本发明将颜色抽象显著提取和图像稳定区域结合的方法应用于船舶目标检测。与一些检测方法针对显著图做低秩处理不同,本发明是在可见光原图的基础上进行处理,并且更为关注稳定区域和颜色显著性的结合,有助于筛除海杂波。
因此,本发明的优点及有益效果在于:
1.充分利用了RG滤波和超像素颜色分割作为图像预处理强化了船舶目标的边缘信息,不仅提升了超像素分割细致程度,也减少了算法的计算复杂程度。
2.充分利用海杂波不稳定引入稳定性检测目标检测等同于目标与背景的分离以及选取最优化目标窗口。利用布尔映射图以及四种结构算子对比不同阈值下的映射图,最后通过最大类间方差法分离目标和周边背景得到局部稳定性区域。
3.融合颜色抽象显著性和局部稳定性算法,不仅排除了海杂波噪声的影响,而且与其他经典显著性算法相比,提升了检测船舶目标的准确率。
综上所述,本发明所阐述的融合局部稳定性的颜色抽象显著性船舶目标检测方法,可以成功应用于海杂波噪声较重的场景中提取船舶目标。
附图说明
图1为本发明提出的新的网络框架示意图;
图2为本发明方法的流程图;
图3为稳定性检测方法的网络结构示意图;
图4a、4b、4c为RG滤波前后对比结果图;
图5为相邻帧差分结果图;
图6为本发明的效果图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,本发明提出了一种融合局部稳定性的显著颜色抽象网络结构,所述网络结构的主体框架基于颜色显著性检测,引入了稳定性检测算法的简单结构的选择性剔除杂波区域,维护船舶目标的有效信息,以提高检测精度。此网络结构主要分为两个部分,第一部分为稳定性检测通过筛选局部稳定区域提取船舶目标,剔除图像中像素灰度值频繁变化的海杂波区域。第二部分,在RG滤波和超像素分割预处理后,结合每个像素的颜色特征和空间距离信息,生成图像颜色抽象图。最后,融合两个部分的处理结果生成最终的显著性船舶目标图。
具体实施过程如图2所示,包括以下步骤:
S1、对可见光船舶图像进行处理得到区域稳定图;具体地,对输入的可见光船舶图像转换为灰度图,并设定多个布尔映射处理,得到在不同阈值下的初步分割图,实现初步的目标和海面杂波的分离;
通过计算图像内剩余多个区域的质心,并对比初步分割图,将区域质心距离小于约束条件的潜在聚类区域提取出;
通过局部最大类间方差法判定潜在聚类区域内的目标与目标周边杂波背景的分离,形成区域稳定图;
引入了稳定性,如附图3。将目标检测问题等同于目标和背景的分离以及获取最优目标窗口通过比较布尔映射图,并计算和比较区域质心位置,在不同阈值下质心位置偏离程度较大的区域,剔除了具有大部分杂波区域,形成多个聚类。然后通过比对质心位置相似区域的区域变化程度、质心距离、填充率差异以及面积比率差异四个结构算子,提取出最合适的稳定目标所在矩形区域,公式如下:
区域变化:
Dr(A,B)=||A|-|B|| (1)
其中A、B表示两个质心区域相似的矩形区域,r表示区域,Dr表示两个区域之间变化程度。
质心距离:
Dc(A,B)=||cA-cB||2 (2)
其中||·||2是2-范数,c表示区域A、B的质心位置。
填充率差异:
面积比率差异:
其中填充率f表示涵盖目标全部像素点的矩形框中目标所占像素点的比率,对检测的目标进行标记,面积比率是矩形框的宽与长度之比。
S2、对可见光船舶图像进行处理得到颜色抽象显著图,具体地,将输入的可见光船舶图像由RGB颜色空间转换到CIELAB颜色空间,通过RG滤波强化船舶目标边缘信息,结合线性聚类迭代的方法形成超像素块区域;
通过对超像素块内颜色归一化处理,对比统计图像中不同超像素块的颜色信息,通过双变量高斯分布曲线对超像素块区域颜色分布建模,得到颜色抽象显著图。
对于颜色抽象显著性,通过RG滤波和SLIC超像素分割方法,然后对不同超像素块内部颜色信息进行统计计算,由附图4a~4c所示,图4a~4c中从左至右依次为原图、SLIC(Simple Linear Iterative Clustering)图以及经过RG滤波(Rolling Guidance Filter)后SLIC超像素分割图。本发明能形成更细致的超像素分割图。利用双变量高斯函数曲线对显著颜色建模,得到最显著颜色区域并获取颜色抽象显著图。
所述的对可见光船舶图像进行处理得到区域稳定图进一步包括:
根据不同布尔映射图初步分类后,比较潜在区域的质心区域,筛选出质心的欧几里得距离不能大于△c,区域质心距离的约束条件:
其中分别表示最优矩形框ri,rj的长和宽,最优矩形涵盖目标全部像素点,且非目标像素点个数最小的矩形框区域。
所述的通过双变量高斯分布曲线对超像素块区域颜色分布建模包括:
其中,nw、nh分别为输入图像的长和宽,Pi表示第i个像素在图像中的空间位置,mx(pi)、my(pi)分别表示水平方向和垂直方向的颜色空间中心,Vx(Pi)、Vy(Pi)分别表示在水平方向和垂直方向上第i个像素与颜色空间中心点的颜色方差偏离程度,μ表示高斯分布的均值矩阵,∑表示高斯分布的协方差矩阵。
S3、融合两者有效地剔除海杂波,提取了显著性船舶目标。
实验运行的***环境是Windows 7,内存4GB,处理器环境为Intel(R)Core(TM)i7-3667U [email protected] 2.50GHz,软件环境是MATLAB R2014a。实验图像来源于上海海事大学和Singapore Maritime船舶视频图像数据集。图4a~4c分别为原图、超像素分割图和结合RG滤波的超像素分割图。从上图中我们可以看出,经过RG滤波形成的超像素块更为细致,细致化颜色等特征信息。采用前述步骤S1得到的稳定性结果如图5a所示,我们可以发现,已经成功去除了大部分海杂波噪声。继续采用前述步骤S2提取颜色抽象显著信息,得到的图像参见图5b所示,从图中可以看出,保留有具有显著颜色、亮度的区域。最后采用前述步骤S3,最终将剩余的动态不规则噪声排除,提取出了感兴趣的船舶目标,参见图5c。由图6可以看到,从左至右分别为原图、IT算法、GB算法、SR算法、FT算法显著性算法以及本发明显著性算法,本发明将目标与背景充分区分了开来,达到了剔除海杂波的目的。
表1中将本发明方法取得的检测性能与传统方法做了对比。对比指标为精度-查全率(Precision-Recall,PR)曲线和F值来衡量算法的有效性,三者者分别定义如下:
其中SG是二值图像里目标真值中非零像素的个数,SA是由算法得到显著目标中非零像素的个数。而F值是精度、查全率的加权调和平均值,且β是常数,通常β2取值为0.3。从表中结果可以看出本发明具有较好的检测性能。并且由于本发明的主要在于颜色特征信息的计算,其计算量比起显著性检测算法来说,减少了计算复杂度,并在检测富有海杂波的船舶图像中平均精度、平均查全率和F值均达到相较于另外四种显著性检测算法更优。
表1:平均精度、平均查全率和F值数值表
算法 | IT | SR | GB | FT | 本文 |
平均精度 | 0.5912 | 0.6921 | 0.6104 | 0.8125 | 0.8660 |
平均查全率 | 0.2113 | 0.2896 | 0.3970 | 0.7402 | 0.7498 |
F值 | 0.4178 | 0.5240 | 0.5430 | 0.7946 | 0.8361 |
综上所述,本发明公开了一种融合局部稳定性的颜色抽象显著性船舶目标检测方法,可以用于海洋杂波严重、信噪比极低的海防监控场景。该方法介绍了稳定性检测,将海上船舶目标检测等同于提取图像中稳定区域。并采用RG滤波处理生成大小均一、颜色相近、形状规则的超像素抽象图,然后计算抽象图中颜色的显著性,得到初步图像颜色抽象图。再结合对图像局部区域的稳定性检测,去除非稳定但具有显著颜色特征的区域,生成最终目标显著图。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种海上船舶目标检测方法,其特征在于,包含:
对可见光船舶图像进行处理得到区域稳定图;
对可见光船舶图像进行处理得到颜色抽象显著图;
融合所述的区域稳定图和颜色抽象显著图形成最终的显著性船舶目标图。
2.如权利要求1所述的海上船舶目标检测方法,其特征在于,所述的对可见光船舶图像进行处理得到区域稳定图包括:
对输入的可见光船舶图像转换为灰度图,并设定多个布尔映射处理,得到在不同阈值下的初步分割图,实现初步的目标和海面杂波的分离;
通过计算图像内剩余多个区域的质心,并对比初步分割图,将区域质心距离小于约束条件的潜在聚类区域提取出;
通过局部最大类间方差法判定潜在聚类区域内的目标与目标周边杂波背景的分离,形成区域稳定图。
3.如权利要求1所述的海上船舶目标检测方法,其特征在于,所述对可见光船舶图像进行处理得到颜色抽象显著图包括:
将输入的可见光船舶图像由RGB颜色空间转换到CIELAB颜色空间,通过RG滤波强化船舶目标边缘信息,结合线性聚类迭代的方法形成超像素块区域;
通过对超像素块内颜色归一化处理,对比统计图像中不同超像素块的颜色信息,通过双变量高斯分布曲线对超像素块区域颜色分布建模,得到颜色抽象显著图。
4.如权利要求1所述的海上船舶目标检测方法,其特征在于,所述的对可见光船舶图像进行处理得到区域稳定图进一步包括:
通过比对质心位置相似区域的区域变化程度、质心距离、填充率差异以及面积比率差异的结构算子,提取出区域稳定图。
5.如权利要求4所述的海上船舶目标检测方法,其特征在于,所述的比对质心位置相似区域的区域变化程度:
Dr(A,B)=||A|-|B||;
其中A、B表示两个质心区域相似的矩形区域,r表示区域,Dr表示两个区域之间变化程度。
所述的比对质心位置相似区域的质心距离:
Dc(A,B)=||cA-cB||2
其中||·||2是2-范数,c表示区域A、B的质心位置;
所述的比对质心位置相似区域的填充率差异:
所述的比对质心位置相似区域的面积比率差异:
其中填充率f表示涵盖目标全部像素点的矩形框中目标所占像素点的比率,面积比率是矩形框的宽与长度之比。
6.如权利要求5所述的海上船舶目标检测方法,其特征在于,所述的对可见光船舶图像进行处理得到区域稳定图进一步包括:
根据不同布尔映射图初步分类后,比较潜在区域的质心区域,筛选出质心的欧几里得距离不能大于△c,区域质心距离的约束条件:
其中分别表示最优矩形框ri,rj的长和宽。
7.如权利要求5所述的海上船舶目标检测方法,其特征在于,所述的通过双变量高斯分布曲线对超像素块区域颜色分布建模包括:
其中,nw、nh分别为输入图像的长和宽,Pi表示第i个像素在图像中的空间位置,mx(pi)、my(pi)分别表示水平方向和垂直方向的颜色空间中心,Vx(Pi)、Vy(Pi)分别表示在水平方向和垂直方向上第i个像素与颜色空间中心点的颜色方差偏离程度,μ表示高斯分布的均值矩阵,∑表示高斯分布的协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554899.4A CN110276350B (zh) | 2019-06-25 | 2019-06-25 | 一种海上船舶目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554899.4A CN110276350B (zh) | 2019-06-25 | 2019-06-25 | 一种海上船舶目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276350A true CN110276350A (zh) | 2019-09-24 |
CN110276350B CN110276350B (zh) | 2021-08-27 |
Family
ID=67962348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910554899.4A Active CN110276350B (zh) | 2019-06-25 | 2019-06-25 | 一种海上船舶目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276350B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016552B (zh) * | 2020-11-02 | 2021-02-12 | 矿冶科技集团有限公司 | 基于泡沫颜色的混合浮选工况识别方法和*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7961955B1 (en) * | 2008-01-28 | 2011-06-14 | Thomas Cecil Minter | Adaptive bayes feature extraction |
US20110243417A1 (en) * | 2008-09-03 | 2011-10-06 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN103020993A (zh) * | 2012-11-28 | 2013-04-03 | 杭州电子科技大学 | 一种双通道颜色对比度融合的视觉显著性检测方法 |
CN106056124A (zh) * | 2016-05-31 | 2016-10-26 | 佛山市天目工业测量科技有限公司 | 一种基于三维曲面循环引导的浮雕提取方法 |
CN106101490A (zh) * | 2016-07-18 | 2016-11-09 | 北京邮电大学 | 基于时空显著性的视频跨尺度自适应增强方法及装置 |
CN106250895A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 一种光学遥感图像感兴趣区域检测方法 |
CN107220957A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 一种利用滚动导向滤波的遥感图像融合方法 |
CN109446976A (zh) * | 2018-10-24 | 2019-03-08 | 闽江学院 | 一种基于子波变换和特征对比的视频大数据信息提取方法 |
CN109472259A (zh) * | 2018-10-30 | 2019-03-15 | 河北工业大学 | 基于能量优化的图像协同显著性检测方法 |
CN109522908A (zh) * | 2018-11-16 | 2019-03-26 | 董静 | 基于区域标签融合的图像显著性检测方法 |
CN109636784A (zh) * | 2018-12-06 | 2019-04-16 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
-
2019
- 2019-06-25 CN CN201910554899.4A patent/CN110276350B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7961955B1 (en) * | 2008-01-28 | 2011-06-14 | Thomas Cecil Minter | Adaptive bayes feature extraction |
US20110243417A1 (en) * | 2008-09-03 | 2011-10-06 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN103020993A (zh) * | 2012-11-28 | 2013-04-03 | 杭州电子科技大学 | 一种双通道颜色对比度融合的视觉显著性检测方法 |
CN106056124A (zh) * | 2016-05-31 | 2016-10-26 | 佛山市天目工业测量科技有限公司 | 一种基于三维曲面循环引导的浮雕提取方法 |
CN106101490A (zh) * | 2016-07-18 | 2016-11-09 | 北京邮电大学 | 基于时空显著性的视频跨尺度自适应增强方法及装置 |
CN106250895A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 一种光学遥感图像感兴趣区域检测方法 |
CN107220957A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 一种利用滚动导向滤波的遥感图像融合方法 |
CN109446976A (zh) * | 2018-10-24 | 2019-03-08 | 闽江学院 | 一种基于子波变换和特征对比的视频大数据信息提取方法 |
CN109472259A (zh) * | 2018-10-30 | 2019-03-15 | 河北工业大学 | 基于能量优化的图像协同显著性检测方法 |
CN109522908A (zh) * | 2018-11-16 | 2019-03-26 | 董静 | 基于区域标签融合的图像显著性检测方法 |
CN109636784A (zh) * | 2018-12-06 | 2019-04-16 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
Non-Patent Citations (3)
Title |
---|
EUNYOUNG LEE等: "Effective small target enhancement and detection in infrared images using saliency map and image intensity", 《OPTICAL REVIEW》 * |
JING LOU等: "Small target detection combining regional stability and saliency in a color image", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
梁美玉: "跨尺度空间运动图像增强和重建研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016552B (zh) * | 2020-11-02 | 2021-02-12 | 矿冶科技集团有限公司 | 基于泡沫颜色的混合浮选工况识别方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN110276350B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764085B (zh) | 基于生成对抗网络的人群计数方法 | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
CN110020606A (zh) | 一种基于多尺度卷积神经网络的人群密度估计方法 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN109815867A (zh) | 一种人群密度估计和人流量统计方法 | |
CN109255375A (zh) | 基于深度学习的全景图像对象检测方法 | |
CN113762138B (zh) | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 | |
CN110188730B (zh) | 基于mtcnn的人脸检测与对齐方法 | |
CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
Tu et al. | Hyperspectral anomaly detection using reconstruction fusion of quaternion frequency domain analysis | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
CN112381030A (zh) | 一种基于特征融合的卫星光学遥感图像目标检测方法 | |
Li et al. | Infrared small target detection via center-surround gray difference measure with local image block analysis | |
Wang et al. | Adaptive superpixel segmentation of marine SAR images by aggregating Fisher vectors | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN117237986A (zh) | 一种基于改进YOLOv7模型的鱼类目标个***置检测方法 | |
Sakthimohan et al. | Detection and Recognition of Face Using Deep Learning | |
Wang et al. | Multiscale traffic sign detection method in complex environment based on YOLOv4 | |
Babu et al. | Texture classification based on texton features | |
CN111914606A (zh) | 一种基于对透射率时空特征进行深度学习的烟雾检测方法 | |
CN110276350A (zh) | 一种海上船舶目标检测方法 | |
Zhang et al. | Infrared dim target detection method based on the fuzzy accurate updating symmetric adaptive resonance theory | |
CN117523612A (zh) | 一种基于Yolov5网络的密集行人检测方法 | |
CN117456376A (zh) | 一种基于深度学习的遥感卫星影像目标检测方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及*** |
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 |