CN110490045A - 一种无人机航拍图像差异分析方法 - Google Patents

一种无人机航拍图像差异分析方法 Download PDF

Info

Publication number
CN110490045A
CN110490045A CN201910555209.7A CN201910555209A CN110490045A CN 110490045 A CN110490045 A CN 110490045A CN 201910555209 A CN201910555209 A CN 201910555209A CN 110490045 A CN110490045 A CN 110490045A
Authority
CN
China
Prior art keywords
image
images
characteristic point
visual angle
carries out
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
Application number
CN201910555209.7A
Other languages
English (en)
Inventor
周骅
余凯华
李鹏程
黎西凌
张彦晶
戴勇华
徐禅
李震宇
彭海琴
王露璐
马男
张云千
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.)
Shanghai Guimu Robot Co Ltd
SHANGHAI CITY MUNICIPAL DRAINAGE CO Ltd
Original Assignee
Shanghai Guimu Robot Co Ltd
SHANGHAI CITY MUNICIPAL DRAINAGE CO Ltd
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 Shanghai Guimu Robot Co Ltd, SHANGHAI CITY MUNICIPAL DRAINAGE CO Ltd filed Critical Shanghai Guimu Robot Co Ltd
Priority to CN201910555209.7A priority Critical patent/CN110490045A/zh
Publication of CN110490045A publication Critical patent/CN110490045A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无人机航拍图像差异分析方法，包括以下步骤：利用无人机航拍获取同一地区、不同时间段的两幅图像；对两幅图像进行高斯模糊变换；检测并匹配筛选经高斯模糊变换处理后的两幅图像的特征点，以获得同一视角的图像；采用位置一一对应方式对同一视角的图像进行像素值做差；对所述同一视角的图像进行二值化处理，以得到一张二值图；对所述二值图进行图像腐蚀处理，以获得两幅图像的差异集合。通过上述方案，本发明具有识别准确、识别效率高、流程简单、计算工作量少等优点，在图像差异分析技术领域具有很高的实用价值和推广价值。

Description

一种无人机航拍图像差异分析方法
技术领域
本发明涉及图像差异分析技术领域，尤其是一种无人机航拍图像差异分析方法。
背景技术
近年来，随着科学技术的迅猛发展，无人机航拍技术也得到了快速的发展，其是利用无线电遥控设备和自备的程序控制装置操纵的无人机。目前，现有技术对无人机航拍获得的图像分析依然采用人工方式，其分析效率极低，且容易出现误差。
因此，急需提出一种用于分析航拍获得的同一地区、不同时间的图像的差异。
发明内容
针对上述问题，本发明的目的在于提供一种无人机航拍图像差异分析方法，本发明采用的技术方案如下：
一种无人机航拍图像差异分析方法，包括以下步骤：
步骤H01，利用无人机航拍获取同一地区、不同时间段的两幅图像。
步骤H02，对两幅图像进行高斯模糊变换。
步骤H03，检测并匹配筛选经高斯模糊变换处理后的两幅图像的特征点，以获得同一视角的图像。
步骤H04，采用位置一一对应方式对同一视角的图像进行像素值做差。
步骤H05，对步骤H04中所述同一视角的图像进行二值化处理，以得到一张二值图。
步骤H06，对步骤H05中所述二值图进行图像腐蚀处理，以获得两幅图像的差异集合。
进一步地，所述步骤H02中，对两幅图像进行高斯模糊变换，具体包括以下步骤：
步骤H21，选取3×3的高斯模糊核函数；
步骤H21，求取任一像素四周像素的加权平均值。
更进一步地，所述步骤H03中，检测两幅图像的特征点，具体包括以下步骤：
步骤H31，建立两幅图像的Hessian矩阵，其表达式为：
其中，σ为尺度系数，Lxx(x，σ)表示在x方向的二阶偏导，Lxy(x，σ)表示在xy方向的二阶偏导，Lyy(x，σ)表示在y方向的二阶偏导；
步骤H32，预设Hessian矩阵阈值参数设置为δ，分别得到与两幅图像一一对应的特征点集pts1和特征点集pts2；所述δ为大于1000、且小于1500的自然数。
更进一步地，所述步骤H03中，匹配筛选两幅图像的特征点，以获得同一视角的图像，具体包括以下步骤：
步骤H33，采用kNNMatch最近邻算法对所述特征点集pts1和特征点集pts2进行特征点筛选；
步骤H34，添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点；
步骤H35，根据步骤H34中匹配的特征点，对特征点集pts1和特征点集pts2进行仿射变换，以获得同一视角的图像。
更进一步地，所述步骤H05中，对所述同一视角的图像进行二值化处理，具体包括以下步骤：
步骤H51，设定像素的分割阀值ψ，ψ为大于20、且小于30的自然数；
步骤H52，将任一像素值小于ψ的特征点的像素值替换为255，以得到变换后一张二值图。
一种无人机航拍图像差异分析方法，包括以下步骤：
步骤S01，利用无人机航拍获取同一地区、不同时间段的两幅图像；
步骤S02，分别采用自适应的征匹配优化算法对所述两幅图像进行特征匹配，以获得同一视角的图像；
步骤S03，采用位置一一对应方式对同一视角的图像进行像素值做差；
步骤S04，对步骤S03中所述同一视角的图像进行二值化处理，以得到一张二值图；
步骤S05，对步骤S04中所述二值图进行图像腐蚀处理，以获得两幅图像的差异集合。
优选地，所述步骤S02，分别采用自适应的征匹配优化算法对所述两幅图像进行特征匹配，以获得同一视角的图像，具有包括以下步骤：
步骤S21，采用SUFR算法检测特征点，并设定Hessian矩阵阈值参数为1200；
步骤S22，判断特征点集pts1与特征点集pts2的特征点是否大于等于2；若是，则进入步骤S23；否则，进入步骤S26；
步骤S23，采用kNNMatch最近邻算法对所述特征点集pts1和特征点集pts2进行特征点筛选；
步骤S24，添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点；
步骤S25，采用RANSAC算法寻找一个最佳单应性矩阵H，以获得一组匹配的特征点对matches；
并断两幅图像匹配的特征点对matches的对数是否大于5；若是，则进入步骤S26；否则进入步骤S27；
步骤S26，分别采用卷积核为M对两幅图像进行卷积锐化处理，并调低Hessian矩阵阈值参数为400，重复一次步骤S23～步骤S24；并进入步骤S27；所述卷积核M的表达式为：
步骤S27，对两幅图像匹配的特征点对matches的任一组特征点进行先验知识约束；
步骤S28，判断两幅图像的特征点数量是否大于零，若是，则进入步骤S29；否则，特征匹配失败；
步骤S29，根据步骤S28中匹配的特征点，对特征点集pts1和特征点集pts2进行仿射变换，以获得同一视角的图像。
优选地，所述步骤S04中，对所述同一视角的图像进行二值化处理，具体包括以下步骤：
步骤S41，设定像素的分割阀值ψ，ψ为大于20、且小于30的自然数；
步骤S42，将任一像素值小于ψ的特征点的像素值替换为255，以得到变换后一张二值图。
与现有技术相比，本发明具有以下有益效果：
(1)本发明巧妙地采用高斯模糊变换对历史图像和当前图像进行图像降噪处理，以增加图像比对的鲁棒性。如此一来，便能突显图像的整体性，滤除局部像素。
(2)本发明由于无人机采集图像会存在无人机平台、相机姿态的影响，使得前后拍出来的照片存在图像上的旋转、缩放等差别。为了排除这些硬件上的误差干扰。本发明巧妙地采用SURF特征点检测可以很好的将两张图转换到同一视角。本发明增加了特征匹配筛选算法，其转换更加精准。由此可见，本发明能很好的适应图像的旋转、缩放、平移等场景，其适用性更强。
(3)本发明采用同一视角计算差值图，以便于获取两幅图的差异性，并经过彩色二值化后，可以得到两张图像明显有差异的地方，过滤掉差异不明显的地方。
(4)本发明通过严格的SURF算法和宽松的SURF算法检测特征点，既能保证光线较好区域的图像的特征点检测，又能拆分区别光线较差区域的图像，为光线较差区域的图像锐化处理提供基础。
(5)本发明巧妙的采用自适应的征匹配优化算法对两幅图像进行特征匹配，其中，采用KNNMatch算法搜索两个最优匹配的点，并且添加对称约束，使特征点匹配更准确。
(6)本发明采用采用RANSAC算法寻找一个最佳单应性矩阵，可从全局层面滤掉一些匹配错误的点，进一步地提高了特征匹配的准确度。
(7)由于无人机拍摄的同一位置图像是存在GPS误差的，但是这个误差是在一定的精度范围内的；单纯从图像特征来判断匹配是否最优，其较为局限性。而本发明通过增加先验知识的约束，可以筛选掉匹配错误的点，使得匹配结果更加精准。
(8)发明采用卷积核进行锐化处理，其有效地增加了图像的角点、边缘点等特征，以增加SURF提取到的特征点，提高光线较暗的区域的图像特征匹配的成功率。
综上所述，本发明具有识别准确、识别效率高、流程简单、计算工作量少等优点，在图像差异分析技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，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相关的附图。
图1为本发明的流程图。
图2为本发明的高斯模糊变换的流程图。
图3为本发明的检测、匹配筛选特征点的流程图。
图4为本发明的二值化处理的流程图。
图5为本发明的某地区的历史与当前的航拍图像。
图6为本发明的某一像素的高斯模糊变换结果表图。
图7为本发明的某地区的历史与当前的特征点匹配结果视图。
图8为本发明的某地区的历史与当前的图像差异分析结果图。
图9为为本发明的自适应的征匹配优化算法的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。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的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。
实施例1
如图1至图4所示，本实施例提供了一种无人机航拍图像差异分析方法，其包括以下步骤：
第一步，利用无人机航拍获取同一地区、不同时间段的两幅图像。即历史图像img1和当前图像img2，如图5所示。
第二步，对两幅图像进行高斯模糊变换。具体包括以下步骤：
(1)选取3×3的高斯模糊核函数；
(2)求取任一像素四周像素的加权平均值。其中，每个像素都取周边像素的加权平均值，权重跟高斯函数有关，以某一像素为例，其加权平均值如图6所示。
第三步，检测并匹配筛选经高斯模糊变换处理后的两幅图像的特征点，以获得同一视角的图像。具体如下：
(1)建立两幅图像的Hessian矩阵，其表达式为：
其中，σ为尺度系数，Lxx(x，σ)表示在x方向的二阶偏导，Lxy(x，σ)表示在xy方向的二阶偏导，Lyy(x，σ)表示在y方向的二阶偏导；
(2)预设Hessian矩阵阈值参数设置为1200，分别得到与两幅图像一一对应的特征点集pts1和特征点集pts2。在此，阵阈值参数设置为1200既能有效保证特征点检测匹配和匹配速度。
(3)采用kNNMatch最近邻算法对所述特征点集pts1和特征点集pts2进行特征点筛选。
经过kNNMatch后，img1中特征点集pts1中的每个点P1i都会在img2中找到两个最佳匹配点p2i，p3j。Img2中特征点集pts2中的每个点Pi都会在img1中找到两个最佳匹配点p2，p3。
(4)添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点；即一个好的匹配点满足：
img1的特征点集pts1中点P1在img2的特征点集pts2中匹配的好的点P2；
img2的特征点集pts2中点P2在img1的特征点集pts1中匹配的好的点P1；
通过上述匹配获得的匹配结果如图7所示。
(5)，根据匹配的特征点，对特征点集pts1和特征点集pts2进行仿射变换，以获得同一视角的图像。
第四步，采用位置一一对应方式对同一视角的图像进行像素值做差。
第五步，对第四步中所述同一视角的图像进行二值化处理，以得到一张二值图，具体如下：
(1)设定像素的分割阀值25；
(2)将任一像素值小于25的特征点的像素值替换为255，以得到变换后一张二值图。
第六步，对所述二值图进行图像腐蚀处理，最终获得两幅图像的差异集合，如图8所示。
实施例2
如图9所示，本实施例提供了一种无人机航拍图像差异分析方法，其包括以下步骤：
第一步，利用无人机航拍获取同一地区、不同时间段的两幅图像。
第二步，分别采用自适应的征匹配优化算法对所述两幅图像进行特征匹配，以获得同一视角的图像，具体如下：
(1)采用SUFR算法检测特征点，并设定Hessian矩阵阈值参数为1200，分别得到与两幅图像一一对应的特征点集pts1和特征点集pts2。
(2)判断特征点集pts1与特征点集pts2的特征点是否大于等于2；若是，则进入(3)；否则，进入(6)。
(3)采用kNNMatch最近邻算法对所述特征点集pts1和特征点集pts2进行特征点筛选。根据空间中距离最近的点属于同一类的可能性越大这个公理，我们把未知点和离它最近的那一个点归为一类。
(4)添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点。
经过kNNMatch后，img1中特征点集pts1中的每个点P1i都会在img2中找到两个最佳匹配点p2i，p3j。Img2中特征点集pts2中的每个点Pi都会在img1中找到两个最佳匹配点p2，p3。
增加对称约束，即一个好的匹配点满足：
img1的特征点集pts1中点P1在img2的特征点集pts2中匹配的好的点P2；
img2的特征点集pts2中点P2在img1的特征点集pts1中匹配的好的点P1。
(5)采用RANSAC算法寻找一个最佳单应性矩阵H，以获得一组匹配的特征点对matches；其中，寻找一个最佳单应性矩阵H为现有技术，在此就不予赘述。
判断两幅图像匹配的特征点对matches的对数是否大于5；若是，则进入(6)；否则进入(7)。
(6)分别采用卷积核为M对两幅图像进行卷积锐化处理，并调低Hessian矩阵阈值参数为400，重复一次第四步、第五步；并进入第八步。其中，该卷积核M的表达式为：
(7)对两幅图像匹配的特征点对matches的任一组特征点进行先验知识约束。例如GPS精度在20cm以内，那么如果特征匹配结果出来某图需要移动30cm去匹配上对应特征点，则从matches中删除这组特征点对，过滤该组匹配结果。
(8)判断两幅图像的特征点数量是否大于零，若是，则进入(9)；否则，特征匹配失败；
(9)根据步骤S28中匹配的特征点，对特征点集pts1和特征点集pts2进行仿射变换，以获得同一视角的图像。
第三步，采用位置一一对应方式对同一视角的图像进行像素值做差。
第四步，对第四步中所述同一视角的图像进行二值化处理，以得到一张二值图，具体如下：
(1)设定像素的分割阀值25；
(2)将任一像素值小于25的特征点的像素值替换为255，以得到变换后一张二值图。
第五步，对所述二值图进行图像腐蚀处理，最终获得两幅图像的差异集合。
综上所述，本发明具有步骤简单、运算工作量小、分析准确等优点，与现有技术相比，具体突出的实质性特点和显著的进步，在图像差异分析技术领域具有很高的实用价值和推广价值。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims (8)

1.一种无人机航拍图像差异分析方法，其特征在于，包括以下步骤：
步骤H01，利用无人机航拍获取同一地区、不同时间段的两幅图像；
步骤H02，对两幅图像进行高斯模糊变换；
步骤H03，检测并匹配筛选经高斯模糊变换处理后的两幅图像的特征点，以获得同一视角的图像；
步骤H04，采用位置一一对应方式对同一视角的图像进行像素值做差；
步骤H05，对步骤H04中所述同一视角的图像进行二值化处理，以得到一张二值图；
步骤H06，对步骤H05中所述二值图进行图像腐蚀处理，以获得两幅图像的差异集合。
2.根据权利要求1所述的一种无人机航拍图像差异分析方法，其特征在于，所述步骤H02中，对两幅图像进行高斯模糊变换，具体包括以下步骤：
步骤H21，选取3×3的高斯模糊核函数；
步骤H21，求取任一像素四周像素的加权平均值。
3.根据权利要求2所述的一种无人机航拍图像差异分析方法，其特征在于，所述步骤H03中，检测两幅图像的特征点，具体包括以下步骤：
步骤H31，建立两幅图像的Hessian矩阵，其表达式为：
其中，σ为尺度系数，Lxx(x，σ)表示在x方向的二阶偏导，Lxy(x，σ)表示在xy方向的二阶偏导，Lyy(x，σ)表示在y方向的二阶偏导；
步骤H32，预设Hessian矩阵阈值参数设置为δ，分别得到与两幅图像一一对应的特征点集pts1和特征点集pts2；所述δ为大于1000、且小于1500的自然数。
4.根据权利要求3所述的一种无人机航拍图像差异分析方法，其特征在于，所述步骤H03中，匹配筛选两幅图像的特征点，以获得同一视角的图像，具体包括以下步骤：
步骤H33，采用kNNMatch最近邻算法对所述特征点集pts1和特征点集pts2进行特征点筛选；
步骤H34，添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点；
步骤H35，根据步骤H34中匹配的特征点，对特征点集pts1和特征点集pts2进行仿射变换，以获得同一视角的图像。
5.根据权利要求4所述的一种无人机航拍图像差异分析方法，其特征在于，所述步骤H05中，对所述同一视角的图像进行二值化处理，具体包括以下步骤：
步骤H51，设定像素的分割阀值ψ，ψ为大于20、且小于30的自然数；
步骤H52，将任一像素值小于ψ的特征点的像素值替换为255，以得到变换后一张二值图。
6.一种无人机航拍图像差异分析方法，其特征在于，包括以下步骤：
步骤S01，利用无人机航拍获取同一地区、不同时间段的两幅图像；
步骤S02，分别采用自适应的征匹配优化算法对所述两幅图像进行特征匹配，以获得同一视角的图像；
步骤S03，采用位置一一对应方式对同一视角的图像进行像素值做差；
步骤S04，对步骤S03中所述同一视角的图像进行二值化处理，以得到一张二值图；
步骤S05，对步骤S04中所述二值图进行图像腐蚀处理，以获得两幅图像的差异集合。
7.根据权利要求6所述的一种无人机航拍图像差异分析方法，其特征在于，所述步骤S02，分别采用自适应的征匹配优化算法对所述两幅图像进行特征匹配，以获得同一视角的图像，具有包括以下步骤：
步骤S21，采用SUFR算法检测特征点，并设定Hessian矩阵阈值参数为1200；
步骤S22，判断特征点集pts1与特征点集pts2的特征点是否大于等于2；若是，则进入步骤S23；否则，进入步骤S26；
步骤S23，采用kNNMatch最近邻算法对所述特征点集pts1和特征点集pts2进行特征点筛选；
步骤S24，添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点；
步骤S25，采用RANSAC算法寻找一个最佳单应性矩阵H，以获得一组匹配的特征点对matches；
并断两幅图像匹配的特征点对matches的对数是否大于5；若是，则进入步骤S26；否则进入步骤S27；
步骤S26，分别采用卷积核为M对两幅图像进行卷积锐化处理，并调低Hessian矩阵阈值参数为400，重复一次步骤S23～步骤S24；并进入步骤S27；所述卷积核M的表达式为：
步骤S27，对两幅图像匹配的特征点对matches的任一组特征点进行先验知识约束；
步骤S28，判断两幅图像的特征点数量是否大于零，若是，则进入步骤S29；否则，特征匹配失败；
步骤S29，根据步骤S28中匹配的特征点，对特征点集pts1和特征点集pts2进行仿射变换，以获得同一视角的图像。
8.根据权利要求7所述的一种无人机航拍图像差异分析方法，其特征在于，所述步骤S04中，对所述同一视角的图像进行二值化处理，具体包括以下步骤：
步骤S41，设定像素的分割阀值ψ，ψ为大于20、且小于30的自然数；
步骤S42，将任一像素值小于ψ的特征点的像素值替换为255，以得到变换后一张二值图。
CN201910555209.7A 2019-06-25 2019-06-25 一种无人机航拍图像差异分析方法 Pending CN110490045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910555209.7A CN110490045A (zh) 2019-06-25 2019-06-25 一种无人机航拍图像差异分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910555209.7A CN110490045A (zh) 2019-06-25 2019-06-25 一种无人机航拍图像差异分析方法

Publications (1)

Publication Number Publication Date
CN110490045A true CN110490045A (zh) 2019-11-22

Family

ID=68546333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910555209.7A Pending CN110490045A (zh) 2019-06-25 2019-06-25 一种无人机航拍图像差异分析方法

Country Status (1)

Country Link
CN (1) CN110490045A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968035A (zh) * 2020-08-05 2020-11-20 成都圭目机器人有限公司 基于损失函数的图像相对旋转角计算方法
WO2024140293A1 (zh) * 2022-12-30 2024-07-04 亿航智能设备（广州）有限公司 一种基于无人机的地面差异检测方法、***及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016086754A1 (zh) * 2014-12-03 2016-06-09 中国矿业大学 一种大场景视频图像拼接方法
CN109034185A (zh) * 2018-06-08 2018-12-18 汪俊 一种街景图像差异对比方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016086754A1 (zh) * 2014-12-03 2016-06-09 中国矿业大学 一种大场景视频图像拼接方法
CN109034185A (zh) * 2018-06-08 2018-12-18 汪俊 一种街景图像差异对比方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于宏彦等: "《工业无线传感器网络抗毁性关键技术研究》", 当代中国音像出版社, pages: 311 - 313 *
吴国强等: "一种多时相无人机视频图像变化检测技术研究", 《第十五届中国航天电子技术研究院学术交流会优秀论文集》, 13 December 2018 (2018-12-13), pages 58 - 65 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968035A (zh) * 2020-08-05 2020-11-20 成都圭目机器人有限公司 基于损失函数的图像相对旋转角计算方法
CN111968035B (zh) * 2020-08-05 2023-06-20 成都圭目机器人有限公司 基于损失函数的图像相对旋转角计算方法
WO2024140293A1 (zh) * 2022-12-30 2024-07-04 亿航智能设备（广州）有限公司 一种基于无人机的地面差异检测方法、***及存储介质

Similar Documents

Publication Publication Date Title
US7636455B2 (en) Digital image edge detection and road network tracking method and system
CN110119728B (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
Luo et al. Removing rain from a single image via discriminative sparse coding
CN108154520B (zh) 一种基于光流与帧间匹配的运动目标检测方法
CN107133929B (zh) 基于背景估计和能量最小化的低质量文档图像二值化方法
CN112150493B (zh) 一种基于语义指导的自然场景下屏幕区域检测方法
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN110503613B (zh) 基于级联空洞卷积神经网络的面向单幅图像去雨方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN113239830B (zh) 一种基于全尺度特征融合的遥感图像云检测方法
CN110135438B (zh) 一种基于梯度幅值预运算的改进surf算法
Er-Sen et al. An adaptive edge-detection method based on the canny operator
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN105590301B (zh) 自适应正斜双十字窗均值滤波的脉冲噪声消除方法
CN110490045A (zh) 一种无人机航拍图像差异分析方法
CN114119586A (zh) 一种基于机器视觉的飞机蒙皮缺陷智能检测方法
CN109993692A (zh) 一种基于深度学习的电子海图和雷达图像的数据融合方法
Jing et al. SAR image de-noising via grouping-based PCA and guided filter
CN110458845A (zh) 基于图像相似度的无人机航拍图像差异分析方法
Chen et al. Visual depth guided image rain streaks removal via sparse coding
Tong et al. Transmission line extraction and recognition from natural complex background
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
CN110349129B (zh) 一种高密度柔性ic基板外观缺陷检测方法
Fu et al. Infrared small dim target detection under maritime near sea-sky line based on regional-division local contrast measure
CN116258645A (zh) 一种基于图像分解的低照度彩色图像增强方法

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