CN110516565A - 一种基于Zernike和SVM的海面船只识别方法 - Google Patents
一种基于Zernike和SVM的海面船只识别方法 Download PDFInfo
- Publication number
- CN110516565A CN110516565A CN201910723468.6A CN201910723468A CN110516565A CN 110516565 A CN110516565 A CN 110516565A CN 201910723468 A CN201910723468 A CN 201910723468A CN 110516565 A CN110516565 A CN 110516565A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- identification
- zernike
- svm
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及海面船只识别领域,特别是一种基于Zernike和SVM的海面船只识别的新方法。本方法针对海上易出现的海雾等恶劣天气,提出了一种基于图像分析的***高效的船只分类方法。建立识别模型,通过图像预处理、图像分割以及特征提取,提取图像的Zernike特征矩,然后利用SVM进行分类建立三层识别模型,将待识别图像进行图像预处理,采用暗通道去雾,然后进行图像分割、提取Zernike矩,带入SVM识别模型进行逐层识别,本方法可以准确识别船与非船、快艇和货船、渔船,识别速度快,识别率高。
Description
技术领域
本发明涉及海面船只识别领域,特别是一种基于Zernike和SVM的海面船只识别的新方法。本方法针对海上易出现的海雾等恶劣天气,提出了一种基于图像分析的***高效的船只分类方法。
背景技术
目前,无人值守海洋观测平台自动观测仪器设备的运行管理通常以值班软件监控为主,人工定期巡检为辅。值班软件主要用于接收、处理和显示各类观测数据,同时显示设备当前电压,值班员通过人工监控值班软件判断数据传输和设备运行情况。
海洋综合观测平台离岸距离较远,周界大型船舶往来频繁,这给平台设施及数据安全带来了潜在的威胁。由于传统的近岸有/无人值守海洋平台的安全防范措施高成本、高投入并不适用于新型无人值守海洋环境观测平台,因此目前尚无专门的装备与技术能够为平台周界提供防护。
为满足海洋综合观测平台的安防需求,保护平台基础设施和数据的安全,业内急需一种能够确保实时识别、具有较高准确性与鲁棒性的海面船只识别技术。
发明内容
本发明的目的是提供一种受外界海浪环境因素影响小、识别速度快、识别率高的船只识别方法。
具体为一种基于Zernike和SVM的海面船只识别方法,所述方法包括如下步骤:
步骤一、对样本图像进行预处理,通过中值滤波得到较清晰图像;
步骤二、图像分割,经过预处理的图像通过Canny边缘检测,然后通过形态学操作,再进行Double-Otsu,采用最小外接矩形将船只提取出来;
步骤三、特征提取,提取不同船只的Zernike矩不变量;
步骤四、建立识别模型,将提取的Zernike矩带入SVM训练得到识别模型;
步骤五、将待识别图像进行步骤一到步骤三的处理,然后带入步骤四中所述的识别模型得到识别结果。。
进一步,将所述待识别图像进行预处理时,加入暗通道去雾,消除海雾对船只的影响。
进一步,步骤二中所述的Double-Otsu为先进行一次Otsu,比较两类的类内方差,将方差较大的一类与阈值200进行比较,如果大于200,则再进行一次Otsu,最后将面积小于背景面积后总面积1/5的区域视为波浪,完成去除;所述最小外接矩形采用遍历整幅图像寻找最***边界方法,将所有边界囊括进矩形当中,防止某些细节的丢失。
进一步,步骤四中船只识别类型为四类:非船、快艇、渔船、货船,基于不同船只所提取的不同Zernike矩利用SVM将识别模型建立为三层不同的模型:MODEL1为识别船与非船的模型,MODEL2为识别快艇与货船、渔船的模型,MODEL3为识别货船与渔船的模型。
进一步,将待识别图像进行所述步骤一至步骤三的处理后得到相应的Zernike矩不变量带入三层识别模型中利用SVM进行识别:带入到第一层MODEL1中识别是否为船,若非船,识别结束;若为船,进入第二层MODEL2中识别是否为快艇,若为快艇,识别结束;若非快艇,进入第三层MODEL3识别是货船还是渔船,最后输出货船或渔船。
本发明采用基于Zernike和SVM的海面船只识别方法进行海面船只识别,与现有技术相比具有以下优点:
1.识别速度快:与传统海面船只识别算法相比,采用Zernike和SVM进行海面船只识别训练时间相对较短,预测时间瞬时,基本能够实现瞬时预测。
2.识别精度高:利用15阶Zernike矩识别率能够达到98%以上。
3.可靠性强:Canny、Double-Otsu有效的将船只提取了出来,防止了海浪的影响,Zernike不变量具有旋转、平移的不变性,是海上船只识别的重要特征。利用SVM训练预测函数,结合矩不变量特征,建立三层识别模型,能有效对船只不同的类型进行识别。
附图说明
附图1为整个***的流程图。
附图2为Otsu算法流程图。
附图3为Double-Otsu算法流程图。
附图4为识别率。
附图5为Canny边缘检测之后的图像。
附图6为形态学操作之后的图像。
附图7为Otsu处理之后的图像。
附图8为Double-Otsu处理之后的图像。
附图9为去除面积小于总面积1/5后的图像。
附图10为最小外接矩形之后的图像。
具体实施例
以下结合实施例对发明做详细的说明:
本发明海面船只识别主要包括两个部分,一个是训练部分:建立识别模型,一个是识别部分:获取待识别的图像,会自动匹配到最优类当中,得到最终的识别结果。
本发明面向海面船只识别***的具体实施流程如图1所示。首先从码头附近采集大量样本,每类中至少采取1000张不同角度不同距离的样本,该样本选用无雾天气的较清晰图像进行训练,我们首先训练样本建立识别模型。
步骤一、首先将样本图像进行预处理,相对于传统的室内监控***,海上船只监控***受室外环境的影响较大。在该***中,影响目标检测和识别的因素主要有:复杂多变的背景,山脉、云、水、阳光及其阴影和反光等室外背景,特别是光照、风和海浪产生的大量噪声。预处理主要通过中值滤波和图像增强。
中值滤波法是一种非线性平滑技术,将当前点的像素值设置为该点特定相邻域窗口内所有像素值的中值。主要是用来去除图像采集过程当中噪声点的影响,本方法采用3×3的中值滤波形式,图片周围采取保持原有图像的像素值的方法。
步骤二、图像分割,将船与浪分别开来,只对船进行定位。经过预处理的图像通过Canny边缘检测,然后通过形态学操作,再进行Double-Otsu,最后进行面积筛选去除掉海浪等噪声。采用最小外接矩形将船提取出来。
首先,Canny边缘检测:为了将船与背景分割开,需要对船只进行边缘检测,将船的边缘提取出来,本方法采用Canny边缘检测,Canny边缘检测有四个步骤:
(1)用高斯滤波器平滑图像,去除噪声;
(2)用一阶偏导的有限差分来计算梯度的幅值和方向;
(3)对梯度幅值进行非极大值抑制;
(4)采用两个阈值检测和连接边缘;
在进行非极大值抑制之后,剩余的能够准确表示图像中的边缘,但是仍然存在由于噪声和其他因素引起的一些边缘像素,为了去除掉这些边缘像素的影响保留高梯度的边缘像素,可以通过双阈值检测来达到目的。设高阈值为100,低阈值为20,当边缘像素的梯度值高于100,便认为是强边界保留;低于20的抑制,对于大于20小于100的认为是弱边界暂时保留。然后通过查看弱边缘及其8个邻域像素,只要在其中有一个强边缘像素就可以保留认为是边缘,其他情况抑制,得到如附图5所示图像。
其次,形态学操作:为了缩减边缘提取过后产生的浪花等细节过多的边缘,本方法采用腐蚀形态学操作方法。但对于细节过少,边缘区域不够联通的图像需要让其细节变多,线条联通起来,此时需要进行先膨胀后腐蚀操作。根据大量试验,对图像方差小于30进行一次膨胀操作,大于30进行一次膨胀再做一次腐蚀操作,对图像的边缘进行细化。然后将面积小于1/5的去掉,进行粗定位,得到如附图6所示图像。
形态学操作后的图像,浪花减少,船只能够进行粗定位。此时采用Double-Otsu算法将所有的浪花去掉,对船只细定位。Double-Otsu的核心是Otsu最大类间差方法,通过统计整个图像的直方图特性来实现全局最优阈值的选取,使整个图像的方差达到最大。将形态学操作后的样本进行Otsu,算法的具体步骤如附图2所示:
(1)先计算图像的直方图,将图像划分为0—255共256个直方图,统计各个像素值的数量。
(2)归一化直方图,将每组中的像素点数量除以总的像素点数。
(3)I表示分类的阈值,从0开始遍历。
(4)统计0—I灰度级像素(前景)所占整幅图像的比例w0,并统计前景像素的平均灰度μ0;统计I—255灰度级像素(背景)所占整幅图像的比例w1,并统计前景像素的平均灰度μ1。
(5)计算前景像素和背景像素的方差g=w0*w1*(μ0-μ1)2。
(6)I++;回到4,直到255结束。
(7)将最大g相应的I值作为图像的全局阈值。
首先利用Otsu将图像分割为背景和船只,但是在进行一次Otsu之后只能将天空分割出来,浪与船仍在同一类中,如附图7所示,于是提出Double-Otsu。如附图3所示,先进行一次Otsu,比较两类的类内方差,将方差较大的一类与200(阈值200是经试验获得,将阈值设为200可基本实现船只的有效提取)进行比较。如果大于200,则再进行一次Otsu,得到如附图8所示图像,最后将面积小于背景面积后总面积1/5的区域视为波浪,完成去除,得到附图9所示图像。
为避免由于去浪操作造成船只部分细节受损,本方法未利用传统意义上的最小外接矩形提取出船只,而是采用遍历整幅图像,寻找最***边界的方法,将所有边界囊括进矩形当中,防止某些细节的丢失,最后图像如附图10所示。
步骤三、特征提取,为了提取出不同船只的不同特征,本方法采用矩作为特征。在海面船只识别中,图像的形状特征是特征提取的重要参考对象,矩特征能够有效的表达目标的形状特征,例如图像的长轴、短轴、重心、面积的惯性矩等。不变矩是一种重要的图像统计特性,具有平移、缩放、旋转的不变性,所以被广泛应用到目标识别、景物识别等诸多领域。
对于数字图像在离散状态下,f(x,y)的(p+q)阶普通矩和中心矩的公式如下:
式中p,q=0,1,2…。
当图像发生变化时,mpq的值也会随之发生变化,μpq对于旋转仍然敏感。所以需要归一化中心矩,归一化的中心距具有比例不变性。
图像矩可以分为正交矩和非正交矩,非正交矩具有良好的平移、缩放、旋转不变性,但存在较多的信息冗余,且很难用于图像重建。正交矩具有无冗余、可逆性等特性使其可用于图像的重建等。正交矩可以分为连续正交矩和离散正交矩。由于图像的离散性,离散正交矩有更强的抗噪性。
Zernike矩是一种正交复数矩,(p+q)阶Zernike矩定义为:
在极坐标下,
其中*是取共轭符号,V是Zernike多项式:
Vpq(x,y)=Vpq(r,θ)=Rpq(r)ejqθ
p-|q|=even,|q|≤p
该多项式满足单位圆内的正交性:
δ为Kronecker符号。
Zernike矩分别计算Z的实部和虚部,然后计算其模。实部和虚部的系数分别为:
本发明中提取图像的15阶Zernike矩。
步骤四、建立识别模型,为了将提取的矩特征有效的识别、分类出来,本方法采用SVM算法。SVM(Support Vector Machine)中文名为支持向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。支持向量机是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将输入的低维空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
本方法采用libsvm-3.23工具对特征进行分析,采用径向基核函数,交叉验证的方式进行分类。
(1)将原始样本的各位数据归一化到[0,1];
(2)遍历预设的c和g参数,c是惩罚因子,g是核函数的一个重要参数;
(3)调用svmtrain.exe的交叉验证功能,选取k=5,不断迭代得到最优的精准度,将此时的c和g保存,作为最优参数。
(4)根据保存的c和g生成一个模型文件。
(5)将模型文件保存。
(6)调用svmpredict.exe利用模型文件将测试样本分类。
本方法识别的船只类型为非船、快艇、渔船、货船,由于多分类预测精度不高,采用二分类的方法。首先区分差异较大的船与非船差异,得到训练模型一MODEL1;然后区分差异次之的快艇、货船和渔船差异次之,得到训练模型二MODEL2;最后区分差异不太明显的货船与渔船,得到训练模型三MODEL3。
最后,识别部分,也就是步骤五、获取待识别的船只图像,进行步骤一的预处理后,加入暗通道去雾处理,消除雾天对船只的影响。暗通道法即在RGB三个通道中寻找最小值,由最小值组成一个灰度图像,继而通过最小值滤波得到。
海雾去除在计算机视觉中,主要采用下式的雾图模型:
I(x)=J(x)t(x)+A(1-t(x))
其中I(x)是待去雾图像,J(x)是无雾图像,A是全球大气光成分,t(x)是投射率。变形得:
C表示三通道,假设每一个窗口的t(x)为一个常数记为给上式取两次最小值
因为
则有:
得:
根据实际情况,空气中也包含一些颗粒,所以将上式修正:
w一般取0.95。当t很小时会导致J(x)偏大,导致图片的部分区域过爆,通常设置一个阈值来限制,一般选取0.1。
然后进行前述步骤二到步骤三的处理,获得待识别图像的矩不变量。
将提取Zernike矩带入到MODEL1当中。
输出非船,结束,输出为船,原图进入下一层。
将进入第二层SVM的测试样本带入到MODEL2中。
如果输出快艇,结束,如果不是进入下一层。
将进入第三层SVM的测试样本带入到MODEL3中,判断输出是渔船还是货船,结束。
如图4所示为本发明识别方法的识别率,识别率高达98%,能够准确快速的识别船只图像。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于Zernike和SVM的海面船只识别方法,其特征在于,所述方法包括如下步骤:
步骤一、对样本图像进行预处理,通过中值滤波得到较清晰图像;
步骤二、图像分割,经过预处理的图像通过Canny边缘检测,然后通过形态学操作,再进行Double-Otsu,采用最小外接矩形将船只提取出来;
步骤三、特征提取,提取不同船只的Zernike矩不变量;
步骤四、建立识别模型,将提取的Zernike矩带入SVM训练得到识别模型;
步骤五、将待识别图像进行步骤一到步骤三的处理,然后带入步骤四中所述的识别模型得到识别结果。
2.根据权利要求1所述的海面船只识别方法,其特征在于,将所述待识别图像进行预处理时,加入暗通道去雾,消除海雾对船只的影响。
3.根据权利要求1所述的海面船只识别方法,其特征在于,步骤二中所述的Double-Otsu为先进行一次Otsu,比较两类的类内方差,将方差较大的一类与阈值200进行比较,如果大于200,则再进行一次Otsu,最后将面积小于背景面积后总面积1/5的区域视为波浪,完成去除;所述最小外接矩形采用遍历整幅图像寻找最***边界方法,将所有边界囊括进矩形当中,防止某些细节的丢失。
4.根据权利要求1所述的海面船只识别方法,其特征在于,步骤四中船只识别类型为四类:非船、快艇、渔船、货船,基于不同船只所提取的不同Zernike矩利用SVM将识别模型建立为三层不同的模型:MODEL1为识别船与非船的模型,MODEL2为识别快艇与货船、渔船的模型,MODEL3为识别货船与渔船的模型。
5.根据权利要求4所述的海面船只识别方法,其特征在于,将待识别图像进行所述步骤一至步骤三的处理后得到相应的Zernike矩不变量带入三层识别模型中利用SVM进行识别:带入到第一层MODEL1中识别是否为船,若非船,识别结束;若为船,进入第二层MODEL2中识别是否为快艇,若为快艇,识别结束;若非快艇,进入第三层MODEL3识别是货船还是渔船,最后输出货船或渔船。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723468.6A CN110516565A (zh) | 2019-08-07 | 2019-08-07 | 一种基于Zernike和SVM的海面船只识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723468.6A CN110516565A (zh) | 2019-08-07 | 2019-08-07 | 一种基于Zernike和SVM的海面船只识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516565A true CN110516565A (zh) | 2019-11-29 |
Family
ID=68624625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910723468.6A Pending CN110516565A (zh) | 2019-08-07 | 2019-08-07 | 一种基于Zernike和SVM的海面船只识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516565A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695398A (zh) * | 2019-12-24 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种小目标船只识别方法、装置及电子设备 |
CN112070805A (zh) * | 2020-09-10 | 2020-12-11 | 深圳市豪恩汽车电子装备股份有限公司 | 机动车目标实时图像跟踪装置及方法 |
CN112257811A (zh) * | 2020-11-11 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种船只分类方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910204A (zh) * | 2016-12-30 | 2017-06-30 | 中国人民解放军空军预警学院监控***工程研究所 | 一种对海面船只自动跟踪识别的方法和*** |
CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别***及方法 |
-
2019
- 2019-08-07 CN CN201910723468.6A patent/CN110516565A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910204A (zh) * | 2016-12-30 | 2017-06-30 | 中国人民解放军空军预警学院监控***工程研究所 | 一种对海面船只自动跟踪识别的方法和*** |
CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别***及方法 |
Non-Patent Citations (4)
Title |
---|
刘国华: "《HALCON数字图像处理》", 30 June 2018 * |
周树道: "《现代气象雷达》", 31 December 2017 * |
李涛 著: "《数字图像处理之红外弱目标分割方法研究》", 30 June 2016 * |
蒋梅群: "基于图像的海上船舶检测与识别研究", 《万方学位论文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695398A (zh) * | 2019-12-24 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种小目标船只识别方法、装置及电子设备 |
CN112070805A (zh) * | 2020-09-10 | 2020-12-11 | 深圳市豪恩汽车电子装备股份有限公司 | 机动车目标实时图像跟踪装置及方法 |
CN112257811A (zh) * | 2020-11-11 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种船只分类方法、装置、电子设备及存储介质 |
CN112257811B (zh) * | 2020-11-11 | 2022-04-19 | 珠海大横琴科技发展有限公司 | 一种船只分类方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Modava et al. | Integration of spectral histogram and level set for coastline detection in SAR images | |
CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别***及方法 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
Brandtberg et al. | Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis | |
Solberg et al. | A large-scale evaluation of features for automatic detection of oil spills in ERS SAR images | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN110414414A (zh) | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 | |
CN109902618A (zh) | 一种海面船只识别方法和装置 | |
CN110516565A (zh) | 一种基于Zernike和SVM的海面船只识别方法 | |
CN108509919B (zh) | 一种基于深度学习对视频或图片中水线的检测和识别方法 | |
CN104331710B (zh) | 开关状态识别*** | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN103198319B (zh) | 用于矿山井筒环境下的模糊图像角点提取方法 | |
Xu | Robust traffic sign shape recognition using geometric matching | |
CN109712158A (zh) | 一种基于目标背景像元统计约束的红外小目标捕获方法 | |
CN108229342A (zh) | 一种海面舰船目标自动检测方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN116309600A (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
Chen et al. | Contour refinement and EG-GHT-based inshore ship detection in optical remote sensing image |
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: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |