CN113343871B - 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及*** - Google Patents

基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及*** Download PDF

Info

Publication number
CN113343871B
CN113343871B CN202110673423.XA CN202110673423A CN113343871B CN 113343871 B CN113343871 B CN 113343871B CN 202110673423 A CN202110673423 A CN 202110673423A CN 113343871 B CN113343871 B CN 113343871B
Authority
CN
China
Prior art keywords
target
image
resolution
added
multispectral
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.)
Active
Application number
CN202110673423.XA
Other languages
English (en)
Other versions
CN113343871A (zh
Inventor
谷延锋
徐禄捷
高国明
邹同元
张鹏
田牧歌
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.)
Harbin Institute of Technology
Space Star Technology Co Ltd
Original Assignee
Harbin Institute of Technology
Space Star Technology 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 Harbin Institute of Technology, Space Star Technology Co Ltd filed Critical Harbin Institute of Technology
Priority to CN202110673423.XA priority Critical patent/CN113343871B/zh
Publication of CN113343871A publication Critical patent/CN113343871A/zh
Application granted granted Critical
Publication of CN113343871B publication Critical patent/CN113343871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***，本发明涉及遥感影像的舰船目标仿真方法及***。本发明的目的是为了解决现有方法不能准确对高分四号遥感卫星影像中舰船目标类型进行识别的问题。过程为：一、从高分二号多光谱的遥感影像中裁剪出感兴趣的五波段目标影像并确定裁剪出目标影像的目标类型；二、对裁剪出的五个波段目标影像分别进行下采样，得到高分二号下采样后的五个波段图像；三、从待添加仿真目标的高分四号多光谱遥感影像中选择并裁剪出一幅参考目标的五波段图像；四、得到处理后的高分二号多光谱的目标图；五、得到添加仿真目标的高分四号多光谱影像。本发明用于遥感影像的目标仿真领域。

Description

基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰 船目标的仿真方法及***
技术领域
本发明涉及遥感影像的舰船目标仿真方法及***。
背景技术
在对高分四号遥感卫星影像进行海面舰船目标检测时，受到影像空间分辨率的限制，通常无法确认舰船目标的类型，除此之外影像中的舰船目标数量通常较少，导致不能为目标检测提供有效的数据支持。为了克服以上的困难，研究人员需要对遥感影像中的舰船目标进行仿真，使其满足研究需求。
为了提供有效且足够数量的舰船目标，遥感影像中目标仿真的方法逐渐的引起了国内学者的重视，在对遥感影像中的目标进行仿真时，要尽可能的保证目标的添加没有痕迹，同时要让仿真的目标的特性尽量和真实的目标相近。现有的方法分为两种，一种是采用3D建模软件对目标进行三维建模，然后将建模的结果投影为2D的影像，从而得到确定类型的舰船目标，这种方法不仅费时费力，而且与真实的目标成像相差较大；另一种方法是将已有的目标裁剪下来，采用拼接的方法添加到影像中，但是这种方法仿真的目标只能做到空间特性的相近，无法确定仿真目标类型，为后续的检测提供依据。
为此，提出一种基于泊松融合+直方图匹配的方法对高分四号遥感影像中的舰船目标进行仿真，并采用高分二号遥感影像中的舰船目标作为基础。
发明内容
本发明的目的是为了解决现有方法不能准确对高分四号遥感卫星影像中舰船目标类型进行识别的问题，而提出基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***。
基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法具体过程为：
步骤一、从高分二号多光谱的遥感影像中裁剪出感兴趣的五波段目标影像并确定裁剪出目标影像的目标类型；
步骤二、对步骤一中裁剪出的五个波段目标影像分别进行下采样，得到高分二号下采样后的五个波段图像；
步骤三、从待添加仿真目标的高分四号多光谱遥感影像中选择并裁剪出一幅参考目标的五波段图像；
步骤四、将步骤二中高分二号下采样后的五个波段图像按照波长的对应关系分别与高分四号的参考目标的五波段图像进行直方图匹配，得到处理后的高分二号多光谱的目标图；
步骤五、在待添加仿真目标的高分四号多光谱影像中选择仿真目标的位置作为待添加目标的区域，采用泊松融合算法将步骤四处理后的高分二号多光谱目标图添加至高分四号多光谱影像中选择的仿真目标的位置，得到添加仿真目标的高分四号多光谱影像。
基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真***用于执行一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法。
本发明的有益效果为：
本发明为了解决现有方法不能准确对高分四号遥感卫星影像中舰船目标类型进行识别的问题，以泊松融合与直方图匹配算法为基础，以空间相似性和目标类型可确定性的角度出发，对高分四号遥感影像中的舰船目标进行仿真。本发明的目的是获得包含足够数量的可确定舰船目标类型的高分四号多光谱遥感影像，并使仿真目标的空间特性尽可能与真实目标的影像相接近，做到目标尽量无痕迹的添加；能够准确获得舰船目标的类型，为目标检测提供有效的数据支持的问题。
本发明实现了利用高分二号舰船目标图像对高分四号遥感影像进行目标仿真的方法该方法具有目标类型已知、空间特性相近和目标添加无痕迹的优点。首先利用高分二号的舰船目标作为基础，利用其全色波段亚米级的空间分辨率解决了仿真目标类型未知的问题，然后通过直方图匹配的方法，利用其灰度值映射的特性使得仿真目标具有和真实目标相似的空间特性，最后通过泊松融合的方法将仿真目标添加到背景图像中去。这样不仅确定了仿真目标的类型，获得了与真实目标相近的空间特性，还能够实现目标的无痕迹添加，提高仿真后图像的质量。
为了验证本发明所提出方法的性能，针对一组遥感影像数据进行验证。包括高分四号采集的某时刻部分海面影像，截取的部分图像大小为400×400像素，共有五个波段(包含一个目标)；两组高分二号的舰船目标图像，各五个波段，其目标类型不同。实验结果表明了本发明提出的基于泊松融合+直方图匹配的目标仿真方法能够将已知类型的舰船目标无痕迹的添加到背景图像中去，并且能够做到与真实目标图像近似的空闲特性。
附图说明
图1是本发明的实现流程图；
图2a是选择两类的高分二号目标影像中的第一类高分二号目标影像图(band5)；
图2b是选择两类的高分二号目标影像中的第二类高分二号目标影像图(band5)；
图3是包含真实目标的高分四号遥感影像图(band5)；
图4是在图3的基础上添加了仿真目标的遥感影像图(band5)，其目标图像是在图2的基础上获得的。
具体实施方式
具体实施方式一：结合图1说明实施方式，本实施方式基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法具体过程为：
步骤一、从高分二号多光谱的遥感影像中裁剪出感兴趣的五波段目标影像并确定裁剪出目标影像的目标类型(鉴于高分二号亚米级的高分辨率，可以通过人工判读的方法确定其目标类型)；
步骤二、对步骤一中裁剪出的五个波段目标影像分别进行下采样，得到高分二号下采样后的五个波段图像；
步骤三、从待添加仿真目标的高分四号多光谱遥感影像中选择并裁剪出一幅参考目标的五波段图像；
所述参考目标的大小应尽量与待添加仿真目标相近；
步骤四、将步骤二中高分二号下采样后的五个波段图像按照波长的对应关系(一波段与一波段，二波段与二波段，以此类推)分别与高分四号的参考目标的五波段图像进行直方图匹配，得到处理后的高分二号多光谱的目标图；
步骤五、在待添加仿真目标的高分四号多光谱影像中选择仿真目标的位置作为待添加目标的区域，该区域应满足目标存在的客观条件(比如船不能再陆地)，采用泊松融合算法将步骤四处理后的高分二号多光谱目标图添加至高分四号多光谱影像中选择的仿真目标的位置，得到添加仿真目标的高分四号多光谱影像。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤二中对步骤一中裁剪出的五个波段目标影像分别进行下采样，得到高分二号下采样后的五个波段图像；具体过程为：
对步骤一中裁剪出的五个波段目标影像分别进行下采样，下采样至50m空间分辨率(高分四号遥感影像的空间分辨率为50m)，得到高分二号下采样后的五个波段图像。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤五中在待添加仿真目标的高分四号多光谱影像中选择仿真目标的位置作为待添加目标的区域，该区域应满足目标存在的客观条件(比如船不能再陆地)，采用泊松融合算法将步骤四处理后的高分二号多光谱目标图添加至高分四号多光谱影像中选择的仿真目标的位置，得到添加仿真目标的高分四号多光谱影像；具体过程为：
泊松融合是一种基于图像梯度场的图像拼接方法，将步骤四处理后的高分二号多光谱的目标图与待添加仿真目标的高分四号多光谱影像按照波段对应关系分为五组；
步骤五一、以第一波段的影像为例，对于第一组，对步骤四处理后的高分二号多光谱目标图(下称目标图)和待添加仿真目标的高分四号多光谱影像的背景图(下称背景图)分别求解图像的梯度场；
步骤五二、将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场；
步骤五三、根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图；
步骤五四、对剩余四组分别执行步骤五一至五三，即得到添加了舰船目标的高分四号多光谱遥感影像图。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤五一中以第一波段的影像为例，对于第一组，对步骤四处理后的高分二号多光谱目标图(下称目标图)和待添加仿真目标的高分四号多光谱影像的背景图(下称背景图)分别求解图像的梯度场，计算公式为：
dx(i,j)＝I(i+1,j)-I(i,j)
dy(i,j)＝I(i,j+1)-I(i,j)
其中，dx(i,j)表示图像在(i,j)位置水平方向的梯度，dy(i,j)表示图像在(i,j)位置垂直方向的梯度，I表示图像的像素值(灰度值)，(i,j)为像素的位置坐标。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤五二中将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场；具体过程为：
利用梯度场计算散度场，计算公式如下：
div(i,j)＝dx(i+1,j)-dx(i,j)+dy(i,j+1)-dy(i,j)
以目标图大小为1×1矩阵为例，将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述以目标图大小为1×1矩阵为例，将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场，替换后背景图的散度场的计算公式为：
Figure BDA0003119715000000051
其中，divc1～divc8为背景图中与待添加目标区域相接位置的散度值，divx为目标图位置的散度值。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述步骤五三中根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图；具体过程为：
根据五二中得到的散度场，当前已知的变量值有：
Figure BDA0003119715000000052
其中，c1～c8为背景图中对应位置的像素值，divx为步骤五二中目标图的散度值，根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图；具体过程为：
散度值与像素值的关系为：
div(i,j)＝[I(i-1,j)+I(i,j-1)+I(i,j+1)+I(i+1,j)]-4I(i,j)
泊松方程为：
Figure BDA0003119715000000061
其中x为目标图在背景图中的像素值，求解上述泊松方程，即可得到目标图在背景图中的像素值，将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述步骤三中待添加仿真目标为舰船目标。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真***用于执行具体实施方式一至具体实施方式九之一的一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法。
采用以下实施例验证本发明的有益效果：
实施例一：
为了验证本发明所提出方法的性能，针对一组遥感影像数据进行验证。包括高分四号采集的某时刻部分海面影像，截取的部分图像大小为400×400像素，共有五个波段(包含一个目标)；两组高分二号的舰船目标图像，各五个波段，其目标类型不同。实验结果表明了本发明提出的基于泊松融合+直方图匹配的目标仿真方法能够将已知类型的舰船目标无痕迹的添加到背景图像中去，并且能够做到与真实目标图像近似的空闲特性；如图2a、2b、图3、图4。
本发明还可有其它多种实施方式，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法，其特征在于：所述方法具体过程为：
步骤一、从高分二号多光谱的遥感影像中裁剪出感兴趣的五波段目标影像并确定裁剪出目标影像的目标类型；
步骤二、对步骤一中裁剪出的五个波段目标影像分别进行下采样，得到高分二号下采样后的五个波段图像；
步骤三、从待添加仿真目标的高分四号多光谱遥感影像中选择并裁剪出一幅参考目标的五波段图像；
步骤四、将步骤二中高分二号下采样后的五个波段图像按照波长的对应关系分别与高分四号的参考目标的五波段图像进行直方图匹配，得到处理后的高分二号多光谱的目标图；
步骤五、在待添加仿真目标的高分四号多光谱影像中选择仿真目标的位置作为待添加目标的区域，，采用泊松融合算法将步骤四处理后的高分二号多光谱目标图添加至高分四号多光谱影像中选择的仿真目标的位置，得到添加仿真目标的高分四号多光谱影像；
所述步骤五中在待添加仿真目标的高分四号多光谱影像中选择仿真目标的位置作为待添加目标的区域，采用泊松融合算法将步骤四处理后的高分二号多光谱目标图添加至高分四号多光谱影像中选择的仿真目标的位置，得到添加仿真目标的高分四号多光谱影像；具体过程为：
将步骤四处理后的高分二号多光谱的目标图与待添加仿真目标的高分四号多光谱影像按照波段对应关系分为五组；
步骤五一、对于第一组，对步骤四处理后的高分二号多光谱目标图和待添加仿真目标的高分四号多光谱影像的背景图分别求解图像的梯度场；
步骤五二、将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场；
步骤五三、根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图；
步骤五四、对剩余四组分别执行步骤五一至五三，即得到添加了舰船目标的高分四号多光谱遥感影像图；
所述步骤五一中对于第一组，对步骤四处理后的高分二号多光谱目标图和待添加仿真目标的高分四号多光谱影像的背景图分别求解图像的梯度场，计算公式为：
dx(i,j)＝I(i+1,j)-I(i,j)
dy(i,j)＝I(i,j+1)-I(i,j)
其中，dx(i,j)表示图像在(i,j)位置水平方向的梯度，dy(i,j)表示图像在(i,j)位置垂直方向的梯度，I表示图像的像素值，(i,j)为像素的位置坐标；
所述步骤五二中将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场；具体过程为：
利用梯度场计算散度场，计算公式如下：
div(i,j)＝dx(i+1,j)-dx(i,j)+dy(i,j+1)-dy(i,j)
将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场；
所述将背景图中待添加目标的区域的梯度场用目标图的梯度场替换，并计算替换后背景图的散度场，替换后背景图的散度场的计算公式为：
Figure FDA0003436622930000021
其中，divc1～divc8为背景图中与待添加目标区域相接位置的散度值，divx为目标图位置的散度值；
所述步骤五三中根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图；具体过程为：
根据五二中得到的散度场，当前已知的变量值有：
Figure FDA0003436622930000022
其中，c1～c8为背景图中对应位置的像素值，divx为步骤五二中目标图的散度值，根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图；
所述根据散度值与像素值的关系，求解泊松方程，得到目标图在背景图中的像素值；
将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图；具体过程为：
散度值与像素值的关系为：
div(i,j)＝[I(i-1,j)+I(i,j-1)+I(i,j+1)+I(i+1,j)]-4I(i,j)
泊松方程为：
Figure FDA0003436622930000031
其中x为目标图在背景图中的像素值，求解上述泊松方程，即可得到目标图在背景图中的像素值，将这些像素值放入背景图中，即可得到添加了目标图的仿真结果图。
2.根据权利要求1所述一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法，其特征在于：所述步骤二中对步骤一中裁剪出的五个波段目标影像分别进行下采样，得到高分二号下采样后的五个波段图像；具体过程为：
对步骤一中裁剪出的五个波段目标影像分别进行下采样，下采样至50m空间分辨率，得到高分二号下采样后的五个波段图像。
3.根据权利要求2所述一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法，其特征在于：所述步骤三中待添加仿真目标为舰船目标。
4.一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真***，其特征在于：该***用于执行权利要求1至权利要求3之一的一种基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法。
CN202110673423.XA 2021-06-17 2021-06-17 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及*** Active CN113343871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110673423.XA CN113343871B (zh) 2021-06-17 2021-06-17 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110673423.XA CN113343871B (zh) 2021-06-17 2021-06-17 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***

Publications (2)

Publication Number Publication Date
CN113343871A CN113343871A (zh) 2021-09-03
CN113343871B true CN113343871B (zh) 2022-03-18

Family

ID=77476259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110673423.XA Active CN113343871B (zh) 2021-06-17 2021-06-17 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***

Country Status (1)

Country Link
CN (1) CN113343871B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246594A (zh) * 2008-02-22 2008-08-20 华南师范大学 一种基于梯度场的优化融合遥感图像处理方法
JP2011120668A (ja) * 2009-12-09 2011-06-23 Hiroshi Kitani ディジタル医用放射線画像の局所の観察条件を最適化する方法
CN108491869A (zh) * 2018-03-14 2018-09-04 北京师范大学 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法
CN109447922A (zh) * 2018-07-10 2019-03-08 中国资源卫星应用中心 一种改进的ihs变换遥感影像融合方法及***
CN110555818A (zh) * 2019-09-09 2019-12-10 中国科学院遥感与数字地球研究所 一种卫星图像序列云区修补方法和装置
CN112418133A (zh) * 2020-12-01 2021-02-26 四川航天神坤科技有限公司 一种基于多源遥感影像的秸秆焚烧监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034189B (zh) * 2018-06-15 2022-04-08 中南林业科技大学 基于高分遥感影像的森林类型识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246594A (zh) * 2008-02-22 2008-08-20 华南师范大学 一种基于梯度场的优化融合遥感图像处理方法
JP2011120668A (ja) * 2009-12-09 2011-06-23 Hiroshi Kitani ディジタル医用放射線画像の局所の観察条件を最適化する方法
CN108491869A (zh) * 2018-03-14 2018-09-04 北京师范大学 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法
CN109447922A (zh) * 2018-07-10 2019-03-08 中国资源卫星应用中心 一种改进的ihs变换遥感影像融合方法及***
CN110555818A (zh) * 2019-09-09 2019-12-10 中国科学院遥感与数字地球研究所 一种卫星图像序列云区修补方法和装置
CN112418133A (zh) * 2020-12-01 2021-02-26 四川航天神坤科技有限公司 一种基于多源遥感影像的秸秆焚烧监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
3D Models" Retrieval System Design Based on Poisson"s Histogram of 2D Selective Views;Mohammad Ramezani 等;《2013 21st Iranian Conference on Electrical Engineering (ICEE)》;20130916;第1-6页 *
一种基于泊松融合的实时海滩场景模拟;周益飞等;《武汉大学学报（工学版）》;20180430;第51卷(第4期);第363-370页 *

Also Published As

Publication number Publication date
CN113343871A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
KR101165523B1 (ko) 다중 소스의 지리 정보를 이용한 지리공간 모델링 시스템 및 관련 방법
US8179393B2 (en) Fusion of a 2D electro-optical image and 3D point cloud data for scene interpretation and registration performance assessment
CN112712535B (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
CN112257605B (zh) 基于自标注训练样本的三维目标检测方法、***及装置
CN109035327B (zh) 基于深度学习的全景相机姿态估计方法
CN113052109A (zh) 一种3d目标检测***及其3d目标检测方法
CN109741446B (zh) 一种三维数字地球动态生成精细海岸地形的方法
CN108921035B (zh) 基于空间引力和像元聚集度的亚像元定位方法和***
CN112489099A (zh) 点云配准方法、装置、存储介质及电子设备
CN114359226A (zh) 基于分层叠加和区域增长的三维模型组可视面积提取方法
CN108629742B (zh) 真正射影像阴影检测与补偿方法、装置及存储介质
CN104299241A (zh) 基于 Hadoop 的遥感图像显著性目标检测方法及***
CN113781621A (zh) 三维重建处理的方法、装置、设备及存储介质
CN111814792A (zh) 一种基于rgb-d图像的特征点提取与匹配方法
Chen et al. Object detection of optical remote sensing image based on improved faster RCNN
US20210304411A1 (en) Map construction method, apparatus, storage medium and electronic device
CN113343871B (zh) 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***
CN112017159A (zh) 一种遥感场景下的地面目标真实感仿真方法
CN116342698A (zh) 一种基于残缺几何补全的工业零件6d位姿估计方法
CN113838199B (zh) 一种三维地形生成方法
CN113409457B (zh) 立体图像的三维重构与可视化方法及设备
CN115116052A (zh) 一种果园荔枝识别方法、装置、设备及存储介质
CN115409962A (zh) 虚幻引擎内构建坐标***的方法、电子设备和存储介质
CN114723973A (zh) 大尺度变化鲁棒的图像特征匹配方法及装置
CN110322454B (zh) 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法

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