CN112329796A - 基于视觉显著性的红外成像卷云检测方法和装置 - Google Patents
基于视觉显著性的红外成像卷云检测方法和装置 Download PDFInfo
- Publication number
- CN112329796A CN112329796A CN202011259875.5A CN202011259875A CN112329796A CN 112329796 A CN112329796 A CN 112329796A CN 202011259875 A CN202011259875 A CN 202011259875A CN 112329796 A CN112329796 A CN 112329796A
- Authority
- CN
- China
- Prior art keywords
- image
- map
- detection method
- cloud detection
- infrared imaging
- 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
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于视觉显著性的红外成像卷云检测方法、装置和计算机可存储介质,其中方法包括:输入待检测红外图像;使用频率调制显著性检测方法对所述红外图像进行检测,得到显著性特征图;对所述显著性特征图进行伽马变化增强对比度,得到对比度增强图;对所述对比度增强图进行拉普拉斯高提升滤波,得到边缘增强图;对显著性特征图进行区域生长处理,其中采用的种子点为边缘增强图中灰度值高于99%的点,得到区域生长图;对区域生长图进行轮廓提取,得到轮廓二值图;根据轮廓二值图对红外图像进行目标区域标注,输出卷云检测结果图。本发明使得检测区域更加精准并且算法复杂度低,具有良好的实时性并且对成像设备要求不高。
Description
技术领域
本发明涉及遥感及红外图像处理中的目标检测领域,尤其涉及一种基于视觉显著性的红外成像卷云检测方法、装置和计算机可读存储介质。
背景技术
红外成像具有作用距离远、隐蔽性高、抗干扰性好、不受烟雾等障碍影响、可全天候工作等优点,因此被广泛应用于安防监控、侦察、导航以及寻的制导等军事领域。在军事预警、导弹拦截等***中,目标检测作为寻的制导***中的前端处理环节,是精确制导中最为关键和核心的组成部分。然而距离越远,目标成像面积越小,图像质量越差,对目标的检测越困难。在遥感红外成像卫星图片中,卷云作为一种虚警源,有较高的红外辐射能量,导致在目标检测中出现能量集中的局部干扰,容易造成遥感预警***的虚警。此外,在气象环境检测中,高空卷云的检测研究也一直是热点问题。
现有的技术中,红外成像的卷云检测方法主要分为两大类:物理阈值法和机器学习法。早期的卷云检测如1987年桑德斯(Saunders)提出的使用一组物理阈值对高级甚高分辨率辐射(AVHRR)数据进行云检测;1998年阿克曼(Ackerman)提出综合考虑几种光谱谱段进行阈值检测等,大多依据某些光谱谱段的数据进行检测,所以通常仅局限于特定的遥感数据,其普适性较差,且该类算法需要人为设定阈值,而卷云的反射光谱易受时间、天气等因素的影响,因而算法鲁棒性不高、准确率较低。目前的卷云检测方法主要有利用卷云的分形维数、纹理、频率等特征,再结合统计法、聚类法,以及神经网络、VSM支持向量机、AdaBoost一类的学习分类算法等进行检测。然而机器学习类的方法需要大量的数据集作训练,在军事预警方面难以达到足够的数据量,使得检测率低,并且难以满足实时性的要求。因此需要一种实时性高,同时能提高检测精度,降低虚警率的红外成像卷云检测方法。
发明内容
本发明的目的在于:解决现有红外成像卷云检测中存在的数据量需求大、实时性不高、检测率低且对成像设备要求高的问题,本发明提供一种基于视觉显著性的红外成像卷云检测方法、装置和计算机可读存储介质。
为了解决上述技术问题,本发明第一方面提供了一种基于视觉显著性的红外成像卷云检测方法,该方法包括以下步骤:
S1:输入待检测红外图像f0(x,y);
S2:使用频率调制显著性检测方法对所述红外图像f0(x,y)进行检测,得到显著性特征图f1(x,y);
S3:对所述显著性特征图f1(x,y)进行伽马变化增强对比度,得到对比度增强图f2(x,y);
S4:对所述对比度增强图f2(x,y)进行拉普拉斯高提升滤波,得到边缘增强图f3(x,y);
S5:对步骤S2获得的显著性特征图f1(x,y)进行区域生长处理,其中采用的种子点为边缘增强图f3(x,y)中灰度值高于99%的点,得到区域生长图f4(x,y);
S6:对区域生长图f4(x,y)进行轮廓提取,得到轮廓二值图f5(x,y);
S7:根据轮廓二值图f5(x,y)对红外图像f0(x,y)进行目标区域标注,输出卷云检测结果图f6(x,y)。
在根据本发明所述的基于视觉显著性的红外成像卷云检测方法中,优选地,所述步骤S2具体包括如下步骤:
S2.1:将红外图像f0(x,y)转换成三通道图,使用3ⅹ3高斯模板进行滤波;
S2.3:使用以下频率调制显著性特征公式进行计算:
得到显著性特征图f1(x,y)。
在根据本发明所述的基于视觉显著性的红外成像卷云检测方法中,优选地,所述步骤S3中采用以下伽马变换公式计算:
s=crγ
其中c=1,γ=2,r为显著性特征图f1(x,y)的灰度值,s为输出的对比度增强图f2(x,y)的图像灰度值。
在根据本发明所述的基于视觉显著性的红外成像卷云检测方法中,优选地,所述步骤S4具体包括如下步骤:
S4.2:通过高提升滤波公式计算:
g(x,y)=f(x,y)+k*gmask(x,y)
其中k>1,f(x,y)对应于对比度增强图f2(x,y)的灰度值,g(x,y)为得到的边缘增强图f3(x,y)的图像灰度值。
在根据本发明所述的基于视觉显著性的红外成像卷云检测方法中,优选地,所述步骤S5具体包括如下步骤:
S5.1:对步骤S3获得的边缘增强图f3(x,y)进行二值化处理,阈值为边缘增强图f3(x,y)最大灰度值的99%,得到二值图;
S5.2:对步骤S5.1得到的二值图做细化处理,得到区域生长的种子点;
S5.3:使用以下生长准则对显著性特征图f1(x,y)进行区域生长处理后得到区域生长图f4(x,y):T=0.75×seedvalue,其中seedvalue为种子点对应于显著性特征图f1(x,y)上的灰度值。
在根据本发明所述的基于视觉显著性的红外成像卷云检测方法中,优选地,所述步骤S6中采用4邻域作为搜索方式对步骤S5得到的区域生长图f4(x,y)进行轮廓提取,得到轮廓二值图f5(x,y)。
在根据本发明所述的基于视觉显著性的红外成像卷云检测方法中,优选地,所述步骤S7中根据轮廓二值图f5(x,y)中像素值为1的点坐标,将红外图像f0(x,y)相应坐标的点标记为红色,得到目标区域标注的卷云检测结果图f6(x,y)。
本发明第二方面,提供了一种执行基于视觉显著性的红外成像卷云检测方法的装置,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如前任一项所述的方法。
本发明第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如前任一项所述的方法。
实施本发明的基于视觉显著性的红外成像卷云检测方法、装置和计算机可读存储介质,具有以下有益效果:
1、由于视觉显著性源自于生物视觉研究中灵长类动物对图像部分区域先进行注意的机制,具有独特性、稀缺性、不可预测性和奇异性。人类通过在初等视觉里将视觉信息进行预选择,来减少场景复杂程度获取感兴趣区域。本发明中红外成像图中的卷云目标在亮度对比度方面与背景区域具有明显的视觉可分辨的差异,具有较强的视觉显著性,充分利用该特点,采用FT频率调制显著性检测算法能够很好地去除由于成像设备造成的高频噪声、抑制平坦背景区域、保留并突出目标区域,具有较高的运算效率和检测准确性。
2.本发明采用区域生长的方法来准确定位目标,检测目标边界范围。对显著性特征图进行伽马变化和拉普拉斯高提升滤波后得到边缘增强图,并对其做阈值分割得到区域生长的种子点,该种子点选取方法能确保不会将非目标区域的点作为种子,同时本发明设计的生长准则可根据图像特征自适应地生成最优的生长准则阈值,故算法具有较强的自适应性。
3.本发明利用图像处理技术进行红外成像图中的卷云检测,降低了对数据量以及仪器的要求,同时既有较低的算法复杂度,满足了实时检测的要求。
附图说明
图1为根据本发明优选实施例的基于视觉显著性的红外成像卷云检测方法的流程图;
图2为本发明实施例中的红外图像f0(x,y);
图3为本发明实施例中的显著性特征图f1(x,y)的示意图;
图4为本发明实施例中的伽马变换得到对比度增强图f2(x,y)的示意图;
图5为本发明实施例中的拉普拉斯高提升滤波得到的边缘增强图f3(x,y)的示意图;
图6为本发明实施例中的区域生长图f4(x,y)的示意图;
图7为本发明实施例中的轮廓提取得到的轮廓二值图f5(x,y)的示意图;
图8为本发明实施例中的卷云检测结果图f6(x,y)的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1,为根据本发明优选实施例的基于视觉显著性的红外成像卷云检测方法的流程图。如图1所示,该实施例提供基于视觉显著性的红外成像卷云检测方法包括以下步骤:
S1:输入待检测红外图像f0(x,y);该红外图像f0(x,y)可以为遥感红外成像卫星图,如图所示。
S2:使用频率调制显著性检测方法对所述红外图像f0(x,y)进行检测,得到显著性特征图f1(x,y),如图3所示。
优选地,步骤S2具体包括如下步骤:
S2.1:将灰度图形式的红外图像f0(x,y)转换成三通道图,使用3ⅹ3高斯模板进行滤波;
S2.3:使用以下频率调制显著性特征公式进行计算:
输出得到显著性特征图f1(x,y)。
S3:对显著性特征图f1(x,y)进行伽马变化增强对比度,得到对比度增强图f2(x,y),如图4所示。
优选地,该步骤S3中采用以下伽马变换公式计算:
s=crγ
其中c=1,γ=2,r为输入灰度值即显著性特征图f1(x,y)的灰度值,s为输出图像灰度值即对比度增强图f2(x,y)。
S4:对对比度增强图f2(x,y)进行拉普拉斯高提升滤波,得到边缘增强图f3(x,y),如图5所示。
优选地,该步骤S4具体包括如下步骤:
S4.2:通过高提升滤波公式计算:
g(x,y)=f(x,y)+k*gmask(x,y);
其中k>1,f(x,y)对应于对比度增强图f2(x,y)的灰度值,g(x,y)为得到的边缘增强图f3(x,y)的图像灰度值。
S5:对步骤S2获得的显著性特征图f1(x,y)进行区域生长处理,其中采用的种子点为边缘增强图f3(x,y)中灰度值高于99%的点,得到区域生长图f4(x,y),如图6所示。
优选地,该步骤S5具体包括如下步骤:
S5.1:对步骤S3获得的边缘增强图f3(x,y)进行二值化处理,阈值为边缘增强图f3(x,y)最大灰度值的99%,得到二值图;
S5.2:对步骤S5.1得到的二值图做细化处理,得到区域生长的种子点;
S5.3:使用以下生长准则对显著性特征图f1(x,y)进行区域生长处理后得到区域生长图f4(x,y):T=0.75×seedvalue,其中seedvalue为种子点对应于显著性特征图f1(x,y)上的灰度值。
S6:对区域生长图f4(x,y)进行轮廓提取,得到轮廓二值图f5(x,y),如图7所示。
优选地,该步骤S6中采用4邻域作为搜索方式对步骤S5得到的区域生长图f4(x,y)进行轮廓提取,得到轮廓二值图f5(x,y)。
S7:根据轮廓二值图f5(x,y)对红外图像f0(x,y)进行目标区域标注,输出卷云检测结果图f6(x,y),如图8所示。
优选地,该步骤S7中根据轮廓二值图f5(x,y)中像素值为1的点坐标,将红外图像f0(x,y)相应坐标的点标记为红色,得到目标区域标注的卷云检测结果图f6(x,y)。
本发明实施例还提供了一种执行基于视觉显著性的红外成像卷云检测方法的装置,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中基于视觉显著性的红外成像卷云检测方法。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中基于视觉显著性的红外成像卷云检测方法。
综上所述,本发明利用红外卷云图像的卷云目标与背景区域有明显的视觉差异,使用FT频率调制显著性检测算法对红外图像进行初步的卷云目标检测,再进一步使用伽马变换和拉普拉斯高提升滤波对显著性图进行增强,优化了区域生长的效果,使得检测区域更加精准并且算法复杂度低,具有良好的实时性并且对成像设备要求不高。
应该理解地是,本发明中基于视觉显著性的红外成像卷云检测方法及装置的原理相同,因此对基于视觉显著性的红外成像卷云检测方法的实施例的详细阐述也适用于基于视觉显著性的红外成像卷云检测装置。
最后应说明的是:以上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精神和范围。
Claims (9)
1.一种基于视觉显著性的红外成像卷云检测方法,其特征在于,该方法包括以下步骤:
S1:输入待检测红外图像f0(x,y);
S2:使用频率调制显著性检测方法对所述红外图像f0(x,y)进行检测,得到显著性特征图f1(x,y);
S3:对所述显著性特征图f1(x,y)进行伽马变化增强对比度,得到对比度增强图f2(x,y);
S4:对所述对比度增强图f2(x,y)进行拉普拉斯高提升滤波,得到边缘增强图f3(x,y);
S5:对步骤S2获得的显著性特征图f1(x,y)进行区域生长处理,其中采用的种子点为边缘增强图f3(x,y)中灰度值高于99%的点,得到区域生长图f4(x,u);
S6:对区域生长图f4(x,y)进行轮廓提取,得到轮廓二值图f5(x,y);
S7:根据轮廓二值图f5(x,y)对红外图像f0(x,y)进行目标区域标注,输出卷云检测结果图f6(x,y)。
3.根据权利要求1所述的基于视觉显著性的红外成像卷云检测方法,其特征在于,所述步骤S3中采用以下伽马变换公式计算:
s=crγ
其中c=1,γ=2,r为显著性特征图f1(x,y)的灰度值,s为输出的对比度增强图f2(x,y)的图像灰度值。
5.根据权利要求1所述的基于视觉显著性的红外成像卷云检测方法,其特征在于,所述步骤S5具体包括如下步骤:
S5.1:对步骤S3获得的边缘增强图f3(x,y)进行二值化处理,阈值为边缘增强图f3(x,y)最大灰度值的99%,得到二值图;
S5.2:对步骤S5.1得到的二值图做细化处理,得到区域生长的种子点;
S5.3:使用以下生长准则对显著性特征图f1(x,y)进行区域生长处理后得到区域生长图f4(x,y):T=0.75×seedvalue,其中seedvalue为种子点对应于显著性特征图f1(x,y)上的灰度值。
6.根据权利要求1所述的基于视觉显著性的红外成像卷云检测方法,其特征在于,所述步骤S6中采用4邻域作为搜索方式对步骤S5得到的区域生长图f4(x,y)进行轮廓提取,得到轮廓二值图f5(x,y)。
7.根据权利要求1所述的基于视觉显著性的红外成像卷云检测方法,其特征在于,所述步骤S7中根据轮廓二值图f5(x,y)中像素值为1的点坐标,将红外图像f0(x,y)相应坐标的点标记为红色,得到目标区域标注的卷云检测结果图f6(x,y)。
8.一种执行基于视觉显著性的红外成像卷云检测方法的装置,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,其特征在于,当计算机程序指令被处理器执行时实现如权利要求1~7中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259875.5A CN112329796B (zh) | 2020-11-12 | 2020-11-12 | 基于视觉显著性的红外成像卷云检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259875.5A CN112329796B (zh) | 2020-11-12 | 2020-11-12 | 基于视觉显著性的红外成像卷云检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329796A true CN112329796A (zh) | 2021-02-05 |
CN112329796B CN112329796B (zh) | 2023-05-23 |
Family
ID=74318976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011259875.5A Active CN112329796B (zh) | 2020-11-12 | 2020-11-12 | 基于视觉显著性的红外成像卷云检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329796B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663429A (zh) * | 2022-05-17 | 2022-06-24 | 陕西欧卡电子智能科技有限公司 | 镜头污染物检测方法、装置、计算机设备及存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
CN103440644A (zh) * | 2013-08-08 | 2013-12-11 | 中山大学 | 一种基于最小描述长度的多尺度图像弱边缘检测方法 |
CN103793905A (zh) * | 2012-11-02 | 2014-05-14 | 上海联影医疗科技有限公司 | 确定脑部图像冠状位方向的方法及装置 |
CN104463814A (zh) * | 2014-12-08 | 2015-03-25 | 西安交通大学 | 基于局部纹理方向性的图像增强方法 |
US20150173707A1 (en) * | 2013-12-20 | 2015-06-25 | Kabushiki Kaisha Toshiba | Image processing apparatus, ultrasound diagnosis apparatus, and image processing method |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
US20170249744A1 (en) * | 2014-12-02 | 2017-08-31 | Shanghai United Imaging Healthcare Co., Ltd. | A Method and System for Image Processing |
CN108447028A (zh) * | 2018-02-12 | 2018-08-24 | 中国科学院西安光学精密机械研究所 | 基于多尺度融合的水下图像质量改善方法 |
CN108647658A (zh) * | 2018-05-16 | 2018-10-12 | 电子科技大学 | 一种高空卷云的红外成像检测方法 |
CN109886980A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
US20190197344A1 (en) * | 2016-08-03 | 2019-06-27 | Jiangsu University | Saliency-based method for extracting road target from night vision infrared image |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110648342A (zh) * | 2019-09-30 | 2020-01-03 | 福州大学 | 基于nsst显著性检测及图割的泡沫红外图像分割方法 |
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN110930425A (zh) * | 2019-10-21 | 2020-03-27 | 中国科学院西安光学精密机械研究所 | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 |
CN111209918A (zh) * | 2020-01-06 | 2020-05-29 | 河北工业大学 | 一种图像显著性目标检测方法 |
US20200184214A1 (en) * | 2018-12-11 | 2020-06-11 | The Climate Corporation | Mapping soil properties with satellite data using machine learning approaches |
CN111612830A (zh) * | 2020-03-30 | 2020-09-01 | 清华大学 | 水下目标检测识别装置及方法 |
CN111640124A (zh) * | 2020-05-25 | 2020-09-08 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
WO2020211522A1 (zh) * | 2019-04-15 | 2020-10-22 | 京东方科技集团股份有限公司 | 图像的显著性区域的检测方法和装置 |
CN111915730A (zh) * | 2020-07-20 | 2020-11-10 | 北京建筑大学 | 一种顾及语义从点云自动生成室内三维模型的方法及*** |
-
2020
- 2020-11-12 CN CN202011259875.5A patent/CN112329796B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
CN103793905A (zh) * | 2012-11-02 | 2014-05-14 | 上海联影医疗科技有限公司 | 确定脑部图像冠状位方向的方法及装置 |
CN103440644A (zh) * | 2013-08-08 | 2013-12-11 | 中山大学 | 一种基于最小描述长度的多尺度图像弱边缘检测方法 |
US20150173707A1 (en) * | 2013-12-20 | 2015-06-25 | Kabushiki Kaisha Toshiba | Image processing apparatus, ultrasound diagnosis apparatus, and image processing method |
US20170249744A1 (en) * | 2014-12-02 | 2017-08-31 | Shanghai United Imaging Healthcare Co., Ltd. | A Method and System for Image Processing |
CN104463814A (zh) * | 2014-12-08 | 2015-03-25 | 西安交通大学 | 基于局部纹理方向性的图像增强方法 |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
US20190197344A1 (en) * | 2016-08-03 | 2019-06-27 | Jiangsu University | Saliency-based method for extracting road target from night vision infrared image |
CN108447028A (zh) * | 2018-02-12 | 2018-08-24 | 中国科学院西安光学精密机械研究所 | 基于多尺度融合的水下图像质量改善方法 |
CN108647658A (zh) * | 2018-05-16 | 2018-10-12 | 电子科技大学 | 一种高空卷云的红外成像检测方法 |
US20200184214A1 (en) * | 2018-12-11 | 2020-06-11 | The Climate Corporation | Mapping soil properties with satellite data using machine learning approaches |
CN109886980A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
WO2020211522A1 (zh) * | 2019-04-15 | 2020-10-22 | 京东方科技集团股份有限公司 | 图像的显著性区域的检测方法和装置 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110648342A (zh) * | 2019-09-30 | 2020-01-03 | 福州大学 | 基于nsst显著性检测及图割的泡沫红外图像分割方法 |
CN110930425A (zh) * | 2019-10-21 | 2020-03-27 | 中国科学院西安光学精密机械研究所 | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 |
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN111209918A (zh) * | 2020-01-06 | 2020-05-29 | 河北工业大学 | 一种图像显著性目标检测方法 |
CN111612830A (zh) * | 2020-03-30 | 2020-09-01 | 清华大学 | 水下目标检测识别装置及方法 |
CN111640124A (zh) * | 2020-05-25 | 2020-09-08 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
CN111915730A (zh) * | 2020-07-20 | 2020-11-10 | 北京建筑大学 | 一种顾及语义从点云自动生成室内三维模型的方法及*** |
Non-Patent Citations (5)
Title |
---|
M DERRIEN: ""Improvement of cloud detection near sunrise and sunset by temporal-differencing and region-growing techniques with real-time SEVIRI"", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
SUQI HUANG等: ""Infrared dim small target detection with directional difference of Gaussian filter"", 《2017 3RD IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS》 * |
吴逢信: ""高空卷云红外成像特征建模及检测方法研究"", 《中国优秀硕士学位论文全文数据库》 * |
杨帆等: ""基于高斯混合模型的遥感影像云检测技术"", 《南京林业大学学报(自然科学版)》 * |
邢琳等: ""基于Hessian矩阵和区域生长脉络膜血管自动检测"", 《软件导刊》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663429A (zh) * | 2022-05-17 | 2022-06-24 | 陕西欧卡电子智能科技有限公司 | 镜头污染物检测方法、装置、计算机设备及存储介质 |
CN114663429B (zh) * | 2022-05-17 | 2022-08-30 | 陕西欧卡电子智能科技有限公司 | 镜头污染物检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112329796B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN107239759B (zh) | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN103218621A (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
CN111553310B (zh) | 基于毫米波雷达的安检图像获取方法、***及安检设备 | |
CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
CN111144207A (zh) | 一种基于多模态信息感知的人体检测和跟踪方法 | |
Shen et al. | Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement | |
CN114299002A (zh) | 一种路面抛洒异常行为智能检测***与方法 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN114612359A (zh) | 基于特征提取的可见光与红外图像融合方法 | |
CN108229247A (zh) | 一种移动车辆检测方法 | |
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 | |
Zhao et al. | An adaptation of CNN for small target detection in the infrared | |
Ma et al. | A method for infrared sea-sky condition judgment and search system: Robust target detection via PLS and CEDoG | |
Chen et al. | Attention-based hierarchical fusion of visible and infrared images | |
Miller et al. | Person tracking in UAV video | |
CN112329796B (zh) | 基于视觉显著性的红外成像卷云检测方法和装置 | |
CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和*** | |
Fan et al. | Lane detection based on machine learning algorithm | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
CN109584255B (zh) | 一种基于全色与高光谱图像融合的目标轮廓提取方法 | |
CN108256519B (zh) | 一种基于全局和局部相互作用的红外图像显著检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |