CN110717960A - 一种建筑垃圾遥感图像样本的生成方法 - Google Patents
一种建筑垃圾遥感图像样本的生成方法 Download PDFInfo
- Publication number
- CN110717960A CN110717960A CN201911003405.XA CN201911003405A CN110717960A CN 110717960 A CN110717960 A CN 110717960A CN 201911003405 A CN201911003405 A CN 201911003405A CN 110717960 A CN110717960 A CN 110717960A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- remote sensing
- layer
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010276 construction Methods 0.000 claims description 27
- 239000002699 waste material Substances 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种建筑垃圾遥感图像样本的生成方法,将下载好的遥感图像做预处理得到样本数据集,在样本集进入程序时,***会为样本集进行对比度调整,之后输入到生成对抗网络中进行样本的生成,若样本精度达到标准且网络达到收敛则完成。本发明解决了使用遥感图像进行建筑垃圾识别时建筑垃圾遥感图像样本过少问题。
Description
技术领域
本发明涉及一种建筑垃圾遥感图像样本的生成方法,其是一种基于生成对抗网络与LBP算子的建筑垃圾遥感图像样本的生成方法。
背景技术
随着工业化、城市化进程的加速,建筑业也同时快速发展,相伴而产生的建筑垃圾日益增多,中国建筑垃圾的数量已占到城市垃圾总量的1/3以上。中国正处于经济建设高速发展时期,每年不可避免地产生数亿吨建筑垃圾。如果不及时处理和利用,必将给社会、环境和资源带来不利影响,建筑垃圾的智能化监管识别研究迫在眉睫。
对于主流深度学习识别算法中,大量的训练样本是其得到最优模型的保证,而且训练样本需要包含各种不同的场景,这样才能使得模型具有足够好的鲁棒性。由于没有建筑垃圾样本集,需要首先制作建筑垃圾样本集,但是一方面满足要求的遥感影像数据量有限,另一方面人工判读解译效率往往较低,因此大型建筑垃圾样本集的制备难度较大,仅靠现有数据,需要对数据进行数据增强才能满足深度学习的大量样本要求。
在图像领域,常见的数据增强技术包括图像平移几个像素,或者图像水平翻转。然而,使用简单数据增强有时并不符合客观现实,所以更加需要生成符合现实世界建筑垃圾规律的样本作为样本集的扩充。
数据集扩展领域,唐贤伦等人提出了一种非监督式的由图像生成图像的低秩纹理生成对抗网络 LR-GAN算法. 将传统低秩纹理映射算法作为引导加入到网络中来辅助判别器, 并设计加入了低秩梯度滤波层来逼近网络的低秩最优解. 牛斌等人提通过将循环神经网络和生成式对抗网络相结合的方法使循环神经网络学习到数据的序列关系和特征,使生成式对抗网络产生合理数据进而扩展人体行为数据集。 李敏等人提出基于WGAN结合拉普拉斯金字塔模型的级联卷积网络训练一个多尺度的卷积网络,根据输入视频序列预测未来几帧,生成比较清晰的图像。目前还没有针对遥感图像的样本生成方法。
发明内容
为了解决上述技术问题,本发明的目的是提供一种建筑垃圾遥感图像样本的生成方法,解决使用遥感图像进行建筑垃圾识别时遥感建筑垃圾图像样本过少问题。
为解决上述技术问题,本发明采用如下技术方案:
一种建筑垃圾遥感图像样本的生成方法,包括:
S1、遥感图像预处理制作样本数据集
S1.1、正射校正
正射校正时输入数据选择多光谱数据,DEM数据选择全球分辨率为900米的DEM数据,输出像元大小为4米,重采样方法为三次卷积法,输出像元大小为1米;
S1.2、图像融合
首先以全色数据为基准对多光谱数据进行配准,配准后多光谱数据的存储格式如果是BSQ,将其转化为BIL,提高融合效率;
S1.3、图像利用分类
将图像进行非监督土地利用分类,生成土地利用分类标注图;
S1.4、减少通道
检查融合后图像是否为四通道,若为四通道,则将图像通道融合转化为三通道;
S1.5、剪裁
将土地利用分类标注图与三通道遥感图像均剪裁为256×256;
S1.6、筛选样本
将裁好的图像进行对比查看,选出土地利用分类标注图中标记为建筑垃圾的图像,并根据图名对应,找到相应的三通道遥感图像;
S1.7、制作样本数据集
将筛选好的三通道遥感图像样本以7:3的比例生成训练集与测试集;
S2、对样本数据集进行优化调整,生成样本
S2.1、对比度调整
首先对图像的灰度图像进行自适应直方图均衡化,并使用通过RGB转Lab方法替换为均衡化图像的亮度通道进行图像融合;
S2.2、网络架构
使用全卷积网络
生成器网络与判别器网络均使用全卷积网络,不使用全连接层,生成器共六层卷积网络,第一层网络结构设置为8×8×256,第二层16×16×128,第三层为32×32×64,第四层为64×64×32,第五层为128×128×16,第六层为256×256×3。判别器共四层,第一层网络结构设置为64×64×32,第二层32×32×64,第三层为16×16×128,第四层为8×8×256,每层包含leaky_relu层,且判别器不使用Sigmoid函数;
S3、损失函数设计
由于遥感图像颜色分布与纹理分布存在规律,所以在网络的损失函数中增加颜色与纹理约束。判别器网络损失函数仍使用原始WGAN网络损失函数,生成器网络损失函数在原始WGAN网络基础上增加LBP距离运算,网络损失函数如下所示:
进一步的,所述步骤S1.2中,图像融合时多光谱和全色数据的空间分辨率重采样设置为4米和1米。
进一步的,还包括快速大气校正的步骤,以消除或减弱了大气的影响。
进一步的,所述步骤S2.1具体包括如下:
S2.1.1、自适应直方图均衡化
通过自适应直方图均衡化增加局部区域的对比度,有效的抑制了噪声的产生,使原图中大部分像素落在低灰度值这一特性得以保持,而整体的灰度值分布又有一定的扩展;
S2.1.2、图像融合
为了保证最后生成图像为全彩色图像,将灰度图像与原始图像进行融合;
S2.1.3、颜色空间转换
将未进行自适应直方图均衡化的原始图像通过RGB转Lab方法将亮度通道分离出来;
S2.1.4、亮度通道替换
颜色空间转换之后,将RGB图的L通道替换为自适应直方图均衡化结果灰度图的L通道;
S2.1.5、颜色空间逆变换
将替换后图像数据从Lab空间转换回RGB色彩空间。
与现有技术相比,本发明的有益技术效果:
本发明基于生成对抗网络与LBP算子能够高效、高质的生成遥感图像样本,为使用遥感图像进行建筑垃圾识别时,提供遥感建筑垃圾图像样本支持。
附图说明
下面结合附图说明对本发明作进一步说明。
图1为本发明建筑垃圾遥感图像样本的生成方法的流程图;
图2为本发明建筑垃圾遥感图像样本的生成方法的预处理流程示意图;
图3为本发明建筑垃圾遥感图像样本的生成方法的对比度调整流程示意。
具体实施方式
如图1所示,一种建筑垃圾遥感图像样本的生成方法,其总体过程为:将下载好的遥感图像做预处理得到两个样本数据集,在样本集进入程序时,***会为样本集进行对比度调整,之后输入到生成对抗网络中进行样本的生成,若样本精度达到标准且网络达到收敛则完成。
具体包括:
S1、遥感图像预处理制作样本数据集
如图2所示,样本数据集制作过程如下:
S1.1、正射校正
正射校正时输入数据选择多光谱数据,DEM数据选择全球分辨率为900米的DEM数据,输出像元大小为4米,重采样方法为三次卷积法,输出像元大小为1米;
S1.2、图像融合
首先以全色数据为基准对多光谱数据进行配准,配准后多光谱数据的存储格式如果是BSQ,将其转化为BIL,提高融合效率;
S1.3、图像利用分类
将图像进行非监督土地利用分类,生成土地利用分类标注图;
S1.4、减少通道
检查融合后图像是否为四通道,若为四通道,则将图像通道融合转化为三通道;
S1.5、剪裁
将土地利用分类标注图与三通道遥感图像均剪裁为256×256;
S1.6、筛选样本
将裁好的图像进行对比查看,选出土地利用分类标注图中标记为建筑垃圾的图像,并根据图名对应,找到相应的三通道遥感图像;
S1.7、制作样本数据集
将筛选好的三通道遥感图像样本以7:3的比例生成训练集与测试集;
S2、对样本数据集进行优化调整,生成样本
S2.1、对比度调整
首先对图像的灰度图像进行自适应直方图均衡化,并使用通过RGB转Lab方法替换为均衡化图像的亮度通道进行图像融合;
S2.2、网络架构
使用全卷积网络
生成器网络与判别器网络均使用全卷积网络,不使用全连接层,生成器共六层卷积网络,第一层网络结构设置为8×8×256,第二层16×16×128,第三层为32×32×64,第四层为64×64×32,第五层为128×128×16,第六层为256×256×3,判别器共四层,第一层网络结构设置为64×64×32,第二层32×32×64,第三层为16×16×128,第四层为8×8×256,每层包含leaky_relu层,且判别器不使用Sigmoid函数;
S3、损失函数设计
由于遥感图像颜色分布与纹理分布存在规律,所以在网络的损失函数中增加颜色与纹理约束,判别器网络损失函数仍使用原始WGAN网络损失函数,生成器网络损失函数在原始WGAN网络基础上增加LBP距离运算,网络损失函数如下所示:
其中:所述步骤S1.2中,图像融合时多光谱和全色数据的空间分辨率重采样设置为4米和1米;还包括快速大气校正的步骤,以消除或减弱了大气的影响。
如图3所示,所述步骤S2.1具体包括如下:
S2.1.1、自适应直方图均衡化
通过自适应直方图均衡化增加局部区域的对比度,有效的抑制了噪声的产生,使原图中大部分像素落在低灰度值这一特性得以保持,而整体的灰度值分布又有一定的扩展;
S2.1.2、图像融合
为了保证最后生成图像为全彩色图像,将灰度图像与原始图像进行融合;
S2.1.3、颜色空间转换
将未进行自适应直方图均衡化的原始图像通过RGB转Lab方法将亮度通道分离出来;
S2.1.4、亮度通道替换
颜色空间转换之后,将RGB图的L通道替换为自适应直方图均衡化结果灰度图的L通道;
S2.1.5、颜色空间逆变换
将替换后图像数据从Lab空间转换回RGB色彩空间。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种建筑垃圾遥感图像样本的生成方法,其特征在于,包括:
S1、遥感图像预处理制作样本数据集
S1.1、正射校正
正射校正时输入数据选择多光谱数据,DEM数据选择全球分辨率为900米的DEM数据,输出像元大小为4米,重采样方法为三次卷积法,输出像元大小为1米;
S1.2、图像融合
首先以全色数据为基准对多光谱数据进行配准,配准后多光谱数据的存储格式如果是BSQ,将其转化为BIL,提高融合效率;
S1.3、图像利用分类
将图像进行非监督土地利用分类,生成土地利用分类标注图;
S1.4、减少通道
检查融合后图像是否为四通道,若为四通道,则将图像通道融合转化为三通道;
S1.5、剪裁
将土地利用分类标注图与三通道遥感图像均剪裁为256×256;
S1.6、筛选样本
将裁好的图像进行对比查看,选出土地利用分类标注图中标记为建筑垃圾的图像,并根据图名对应,找到相应的三通道遥感图像;
S1.7、制作样本数据集
将筛选好的三通道遥感图像样本以7:3的比例生成训练集与测试集;
S2、对样本数据集进行优化调整,生成样本
S2.1、对比度调整
首先对图像的灰度图像进行自适应直方图均衡化,并使用通过RGB转Lab方法替换为均衡化图像的亮度通道进行图像融合;
S2.2、网络架构
使用全卷积网络
生成器网络与判别器网络均使用全卷积网络,不使用全连接层,生成器共六层卷积网络,第一层网络结构设置为8×8×256,第二层16×16×128,第三层为32×32×64,第四层为64×64×32,第五层为128×128×16,第六层为256×256×3,
判别器共四层,第一层网络结构设置为64×64×32,第二层32×32×64,第三层为16×16×128,第四层为8×8×256,每层包含leaky_relu层,且判别器不使用Sigmoid函数;
S3、损失函数设计
由于遥感图像颜色分布与纹理分布存在规律,所以在网络的损失函数中增加颜色与纹理约束,
判别器网络损失函数仍使用原始WGAN(Wasserstein Generative AdversarialNetworks)网络损失函数,生成器网络损失函数在原始WGAN网络基础上增加LBP距离运算,网络损失函数如下所示:
2.根据权利要求1所述的建筑垃圾遥感图像样本的生成方法,其特征在于,所述步骤S1.2中,图像融合时多光谱和全色数据的空间分辨率重采样设置为4米和1米。
3.根据权利要求1所述的建筑垃圾遥感图像样本的生成方法,其特征在于,还包括快速大气校正的步骤,以消除或减弱了大气的影响。
4.根据权利要求1所述的建筑垃圾遥感图像样本的生成方法,其特征在于,所述步骤S2.1具体包括如下:
S2.1.1、自适应直方图均衡化
通过自适应直方图均衡化增加局部区域的对比度,有效的抑制了噪声的产生,使原图中大部分像素落在低灰度值这一特性得以保持,而整体的灰度值分布又有一定的扩展;
S2.1.2、图像融合
为了保证最后生成图像为全彩色图像,将灰度图像与原始图像进行融合;
S2.1.3、颜色空间转换
将未进行自适应直方图均衡化的原始图像通过RGB转Lab方法将亮度通道分离出来;
S2.1.4、亮度通道替换
颜色空间转换之后,将RGB图的L通道替换为自适应直方图均衡化结果灰度图的L通道;
S2.1.5、颜色空间逆变换
将替换后图像数据从Lab空间转换回RGB色彩空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003405.XA CN110717960B (zh) | 2019-10-22 | 2019-10-22 | 一种建筑垃圾遥感图像样本的生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003405.XA CN110717960B (zh) | 2019-10-22 | 2019-10-22 | 一种建筑垃圾遥感图像样本的生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717960A true CN110717960A (zh) | 2020-01-21 |
CN110717960B CN110717960B (zh) | 2020-12-04 |
Family
ID=69214000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911003405.XA Expired - Fee Related CN110717960B (zh) | 2019-10-22 | 2019-10-22 | 一种建筑垃圾遥感图像样本的生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717960B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680733A (zh) * | 2020-06-01 | 2020-09-18 | 北京建工资源循环利用投资有限公司 | 组分检测、样本库建立方法、装置、平台、***及介质 |
CN113989132A (zh) * | 2021-09-18 | 2022-01-28 | 北京数慧时空信息技术有限公司 | 全自动遥感影像预处理装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252625A (zh) * | 2013-06-28 | 2014-12-31 | 河海大学 | 样本自适应多特征加权的遥感图像分类方法 |
CN106599870A (zh) * | 2016-12-22 | 2017-04-26 | 山东大学 | 一种基于自适应加权局部特征融合的人脸识别方法 |
US20170330068A1 (en) * | 2016-05-16 | 2017-11-16 | Canon Kabushiki Kaisha | Devices, systems, and methods for feature encoding |
US20180214111A1 (en) * | 2015-08-06 | 2018-08-02 | Case Western Reserve University | Decision support for disease characterization and treatment response with disease and peri-disease radiomics |
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及*** |
CN109948776A (zh) * | 2019-02-26 | 2019-06-28 | 华南农业大学 | 一种基于lbp的对抗网络模型图片标签生成方法 |
CN110111414A (zh) * | 2019-04-10 | 2019-08-09 | 北京建筑大学 | 一种基于三维激光点云的正射影像生成方法 |
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取***及终端 |
-
2019
- 2019-10-22 CN CN201911003405.XA patent/CN110717960B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252625A (zh) * | 2013-06-28 | 2014-12-31 | 河海大学 | 样本自适应多特征加权的遥感图像分类方法 |
US20180214111A1 (en) * | 2015-08-06 | 2018-08-02 | Case Western Reserve University | Decision support for disease characterization and treatment response with disease and peri-disease radiomics |
US20170330068A1 (en) * | 2016-05-16 | 2017-11-16 | Canon Kabushiki Kaisha | Devices, systems, and methods for feature encoding |
CN106599870A (zh) * | 2016-12-22 | 2017-04-26 | 山东大学 | 一种基于自适应加权局部特征融合的人脸识别方法 |
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及*** |
CN109948776A (zh) * | 2019-02-26 | 2019-06-28 | 华南农业大学 | 一种基于lbp的对抗网络模型图片标签生成方法 |
CN110111414A (zh) * | 2019-04-10 | 2019-08-09 | 北京建筑大学 | 一种基于三维激光点云的正射影像生成方法 |
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取***及终端 |
Non-Patent Citations (9)
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680733A (zh) * | 2020-06-01 | 2020-09-18 | 北京建工资源循环利用投资有限公司 | 组分检测、样本库建立方法、装置、平台、***及介质 |
CN113989132A (zh) * | 2021-09-18 | 2022-01-28 | 北京数慧时空信息技术有限公司 | 全自动遥感影像预处理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110717960B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292264B (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN111524135A (zh) | 基于图像增强的输电线路细小金具缺陷检测方法及*** | |
CN112465111A (zh) | 一种基于知识蒸馏和对抗训练的三维体素图像分割方法 | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110334719B (zh) | 一种提取遥感影像中建筑物图像的方法及*** | |
CN112435191A (zh) | 一种基于多个神经网络结构融合的低照度图像增强方法 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及*** | |
CN116485785B (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
CN110717960B (zh) | 一种建筑垃圾遥感图像样本的生成方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN113838064B (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN111160128B (zh) | 一种基于对抗神经网络模型的遥感图像处理方法及*** | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估***及方法 | |
CN111931857B (zh) | 一种基于mscff的低照度目标检测方法 | |
CN114973011A (zh) | 一种基于深度学习的高分辨率遥感影像建筑物提取方法 | |
CN111798469A (zh) | 基于深度卷积神经网络的数字图像小数据集语义分割方法 | |
JP7493867B1 (ja) | 深層Retinexに基づいた低光画像強調方法 | |
CN114612664A (zh) | 一种基于双边分割网络的细胞核分割方法 | |
CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
CN116128766A (zh) | 一种基于改进Retinex-Net的电力设备红外图像增强方法 | |
CN115830585A (zh) | 一种基于图像增强的港口集装箱号识别方法 | |
CN116580184A (zh) | 一种基于YOLOv7的轻量化模型 | |
CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
CN113077438B (zh) | 针对多细胞核彩色图像的细胞核区域提取方法及成像方法 | |
CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201204 |
|
CF01 | Termination of patent right due to non-payment of annual fee |