CN114998740A - 一种基于线段分布的机场线性特征提取方法 - Google Patents

一种基于线段分布的机场线性特征提取方法 Download PDF

Info

Publication number
CN114998740A
CN114998740A CN202210661222.2A CN202210661222A CN114998740A CN 114998740 A CN114998740 A CN 114998740A CN 202210661222 A CN202210661222 A CN 202210661222A CN 114998740 A CN114998740 A CN 114998740A
Authority
CN
China
Prior art keywords
line segment
line
airport
segment
mass
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
Application number
CN202210661222.2A
Other languages
English (en)
Other versions
CN114998740B (zh
Inventor
常晓宇
王敏
王港
郭争强
刘宇
张晓男
谢鑫浩
孙方德
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202210661222.2A priority Critical patent/CN114998740B/zh
Publication of CN114998740A publication Critical patent/CN114998740A/zh
Application granted granted Critical
Publication of CN114998740B publication Critical patent/CN114998740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于线段分布的机场线性特征提取方法，属于遥感图像处理技术领域。其包括步骤：对多光谱遥感影像处理，提取可见光三个波段，并拉伸；提取图像的线段并计算其长度和倾角；以线段倾角作为依据，对线段集合分组，形成线段子集；将线段子集中线段抽象为具有质量的质点，并计算所有质点构成质点系的质心；计算线段子集中质点到质心的距离，并剔除显著离群线段，得到更新后的线段子集；对新线段子集计算线段长度的变异系数和线段质心平均距离；计算新线段子集的机场隶属度；选择隶属度最大的线段子集作为最终的机场区域线段。本发明可利用线段的空间位置及方向特性筛选出机场所属线段，为机场识别提供可靠的特征支撑。

Description

一种基于线段分布的机场线性特征提取方法
技术领域
本发明属于遥感图像处理技术领域，具体涉及一种基于线段分布的机场线性特征提取方法。
背景技术
随着遥感技术的快速发展，遥感影像的空间和时间分辨率越来越高，使得遥感的实效性和实用性大大提高，被广泛地应用于各个领域。机场作为一种重要的基础设施，利用遥感图像识别其位置和轮廓信息具有非常重要的研究意义。
机场在高分辨率遥感影像上具有较为特殊光谱和纹理特征，通常情况下机场由大面积规则不透水层组成，导致其灰度值比周围地物大，且由多条跑道组成，直线特性明显。许多研究基于机场亮度特征和直线特征，重点利用显著性和线段联合构建模型提取机场，取得一定可观的效果。虽然利用机场跑道直线和平行的特点可以实现快速的目标提取，但其对直线特征利用往往不是很充分，导致许多具有线段的非机场目标也会被检测出来。因此，如何在高分辨率遥感影像上提取有效的机场线段特征成为一个亟待解决的研究方向。
发明内容
有鉴于此，本发明提供一种基于线段分布的机场线性特征提取方法，其可利用线段的空间位置及方向特性筛选出机场所属线段，为机场识别提供可靠的特征层支撑。
为了实现上述目的，本发明采用的技术方案为：
一种基于线段分布的机场线性特征提取方法，包括以下步骤：
步骤1，对多光谱遥感影像进行处理，提取可见光的三个波段，并进行线性拉伸；
步骤2，采用线段检测器LSD在遥感影像上提取线段，得到线段集合Lset；
步骤3，依据各线段的端点坐标计算线段集合Lset中每一条线段的长度li和倾角θi；
步骤4，以线段倾角θi作为依据，对线段集合Lset进行分组，形成线段子集
Figure BDA0003690950500000011
步骤5，将线段子集
Figure BDA0003690950500000012
中的线段抽象为具有质量的质点Pi，并计算所有质点构成质点系的质心CMk；
步骤6，计算线段子集
Figure BDA0003690950500000013
中质点Pi到质心CMk的距离，并剔除显著离群线段，得到更新后的线段子集
Figure BDA0003690950500000014
步骤7，对更新后的线段子集
Figure BDA0003690950500000015
计算线段长度的变异系数
Figure BDA0003690950500000016
步骤8，先计算更新后的线段子集
Figure BDA0003690950500000021
的质心SCMk，再计算线段质心平均距离
Figure BDA0003690950500000022
步骤9，计算更新后的线段子集
Figure BDA0003690950500000023
的机场隶属度Pk：
Figure BDA0003690950500000024
其中，
Figure BDA0003690950500000025
为加权调节因子，Nor()表示对参数值进行最大值最小值归一化处理；
步骤10，选择机场隶属度Pk最大的线段子集
Figure BDA0003690950500000026
作为最终的机场区域线段Lap。
进一步地，步骤1中，对波段bi进行线性拉伸的计算方式如下：
Figure BDA0003690950500000027
式中，
Figure BDA0003690950500000028
表示多光谱遥感图像第i个拉伸后的波段，
Figure BDA0003690950500000029
和
Figure BDA00036909505000000210
分别表示波段bi的最小灰度值和最大灰度值。
进一步地，步骤3的具体方式为：
获取线段linei的两个端点坐标
Figure BDA00036909505000000211
和
Figure BDA00036909505000000212
每条线段的长度li计算方式如下：
Figure BDA00036909505000000213
每条线段的倾角θi计算方式如下：
Figure BDA00036909505000000214
Figure BDA00036909505000000215
其中，Ki表示线段linei的斜率，arctan( )表示反正切函数，θi以弧度的形式表示。
进一步地，步骤4中，分组的方式如下：
设定倾角间隔θgap，θgap能够被180整除；将0-180度范围划分为180/θgap个区间，将倾角在同一区间内的线段划为一组；即：
Figure BDA00036909505000000216
θgap×(k-1)＜θj≤θgap×k and linej∈Lset
k＝1,2,3,...,180/θgap
其中，θj为线段linej的倾角。
进一步地，步骤5中，以线段linei的中点坐标
Figure BDA0003690950500000031
为质点Pi的位置，以线段linei的长度为质点Pi的质量；
Figure BDA0003690950500000032
中所有质点构成质点系的质心CMk坐标为：
Figure BDA0003690950500000033
Figure BDA0003690950500000034
其中，
Figure BDA0003690950500000035
和
Figure BDA0003690950500000036
分别为质心CMk的横纵坐标。
进一步地，步骤6中，线段子集
Figure BDA0003690950500000037
中每个质点Pi到质心CMk的距离
Figure BDA0003690950500000038
为：
Figure BDA0003690950500000039
其中，d(Pi,CMk)表示求质点Pi到质心CMk的距离；
设线段子集
Figure BDA00036909505000000310
中有n条线段，则依据长度li对所有线段进行排序，并获取长度上下四分位数
Figure BDA00036909505000000311
和
Figure BDA00036909505000000312
则更新后的线段子集
Figure BDA00036909505000000313
为：
Figure BDA00036909505000000314
Figure BDA00036909505000000315
其中，m为更新后的线段子集
Figure BDA00036909505000000316
包含的线段总数。
进一步地，步骤7中，更新后的线段子集
Figure BDA00036909505000000317
中线段长度的变异系数
Figure BDA00036909505000000318
为：
Figure BDA00036909505000000319
其中，
Figure BDA00036909505000000320
和
Figure BDA00036909505000000321
分别表示
Figure BDA00036909505000000322
中线段长度的均值和标准差。
进一步地，步骤8中，更新后的线段子集
Figure BDA00036909505000000323
的线段质心平均距离
Figure BDA00036909505000000324
计算方式如下：
Figure BDA00036909505000000325
其中，d(Pi,SCMk)表示线段质点Pi到更新后的线段子集的质心SCMk的距离。
本发明具有如下有益效果：
(1)本发明方法基于线段分布提取机场的线性特征，可以在不需要训练样本的情况下，有效提取遥感图像中的机场线段特性。
(2)应用本发明方法可以有效提取线段的空间分布、长度和方向特征，为机场检测提供关键的线段特性描述。
附图说明
图1为机场线段提取方法的原理示意图。
具体实施方式
下面结合附图及具体实施方式对本发明做进一步详细的说明。
如图1所示，一种基于线段分布的机场线性特征提取方法，包括以下步骤：
步骤1，对多光谱遥感影像处理，提取可见光三个波段，并对多光谱各波段bi拉伸，计算方式如下：
Figure BDA0003690950500000041
式中，
Figure BDA0003690950500000042
表示多光谱遥感图像第i个拉伸后的波段，
Figure BDA0003690950500000043
和
Figure BDA0003690950500000044
分别表示波段bi的最小灰度值和最大灰度值。
步骤2，采用LSD算法在遥感影像上提取线段得到线段集合Lset；
步骤3，依据各线段的端点坐标计算线段集合Lset中每一条线段的长度li和倾角θi。首先需要获取线段linei的两个端点坐标分别为
Figure BDA0003690950500000045
和
Figure BDA0003690950500000046
则每条线段的长度li计算方式如下：
Figure BDA0003690950500000047
每条线段的倾角θi计算方式如下：
Figure BDA0003690950500000048
Figure BDA0003690950500000049
其中，Ki表示线段linei的斜率，arctan()表示反正切函数，θi以弧度的形式表示。
步骤4，以线段倾角θi作为依据，对线段集合Lset进行分组，形成线段子集
Figure BDA00036909505000000410
其分组规则如下：
Figure BDA00036909505000000411
θgap×(k-1)＜θj≤θgap×k and linej∈Lset
k＝1,2,3,...,180/θgap
其中，θj为linej的倾角，θgap为线段倾角间隔。
步骤5，将线段子集
Figure BDA0003690950500000051
中线段linei抽象为具有质量的质点Pi，以中点为质点位置，长度为质点的质量，其位置计算方式如下：
Figure BDA0003690950500000052
Figure BDA0003690950500000053
其中，
Figure BDA0003690950500000054
和
Figure BDA0003690950500000055
分别为质点Pi的横纵坐标。
Figure BDA0003690950500000056
中所有线段质点构成质点系的质心CMk，其坐标计算方式如下；
Figure BDA0003690950500000057
Figure BDA0003690950500000058
其中，
Figure BDA0003690950500000059
和
Figure BDA00036909505000000510
分别为质心CMk的横纵坐标。
步骤6，计算线段子集
Figure BDA00036909505000000511
中每个质点Pi到质心CMk的距离
Figure BDA00036909505000000512
为：
Figure BDA00036909505000000513
其中，d(Pi,CMk)表示求质点Pi到质心CMk的距离；
设线段子集
Figure BDA00036909505000000514
中有n条线段，则依据长度li对所有线段进行排序，并获取长度上下四分位数
Figure BDA00036909505000000515
和
Figure BDA00036909505000000516
利用长度筛选规则剔除显著离群线段，则更新后的新线段子集
Figure BDA00036909505000000517
为：
Figure BDA00036909505000000518
Figure BDA00036909505000000519
其中，m为新线段子集
Figure BDA00036909505000000520
包含的线段总数。
步骤7，对新线段子集
Figure BDA00036909505000000521
计算线段长度的变异系数
Figure BDA00036909505000000522
Figure BDA00036909505000000523
其中，
Figure BDA0003690950500000061
和
Figure BDA0003690950500000062
分别表示
Figure BDA0003690950500000063
中线段长度的均值和标准差。
步骤8，先计算新线段子集
Figure BDA0003690950500000064
的质心SCMk，再计算线段质心平均距离
Figure BDA0003690950500000065
Figure BDA0003690950500000066
其中，m为新线段子集
Figure BDA0003690950500000067
包含的线段总数，d(Pi,SCMk)表示线段质点Pi到质心SCMk的距离。
步骤9，计算线段子集
Figure BDA0003690950500000068
的机场隶属度Pk：
Figure BDA0003690950500000069
其中，
Figure BDA00036909505000000610
为加权调节因子，Nor()表示对参数值进行最大值最小值归一化处理；
归一化函数Nor()为：
Nor(w)＝(w-minw)/(maxw-minw)
其中，w为输入的待归一化的数组，minw和maxw分别表示输入数组w的最小值和最大值。
步骤10，选择隶属度Pk最大的线段子集
Figure BDA00036909505000000611
作为最终的机场区域线段Lap：
Figure BDA00036909505000000612
其中，o表示机场最大隶属度的线段组编号。
总之，本发明提出的机场线段特征提取算法，可以为高分辨率遥感影像的机场提取提供较好的线段特征，该方法无需选择训练样本，采用自动阈值选择方法，无需人工干预识别，为便捷、快速和精确的目标线段特征提取提供技术支撑。

Claims (8)

1.一种基于线段分布的机场线性特征提取方法，其特征在于，包括以下步骤：
步骤1，对多光谱遥感影像进行处理，提取可见光的三个波段，并进行线性拉伸；
步骤2，采用线段检测器LSD在遥感影像上提取线段，得到线段集合Lset；
步骤3，依据各线段的端点坐标计算线段集合Lset中每一条线段的长度li和倾角θi；
步骤4，以线段倾角θi作为依据，对线段集合Lset进行分组，形成线段子集
Figure FDA0003690950490000011
步骤5，将线段子集
Figure FDA0003690950490000012
中的线段抽象为具有质量的质点Pi，并计算所有质点构成质点系的质心CMk；
步骤6，计算线段子集
Figure FDA0003690950490000013
中质点Pi到质心CMk的距离，并剔除显著离群线段，得到更新后的线段子集
Figure FDA0003690950490000014
步骤7，对更新后的线段子集
Figure FDA0003690950490000015
计算线段长度的变异系数
Figure FDA0003690950490000016
步骤8，先计算更新后的线段子集
Figure FDA0003690950490000017
的质心SCMk，再计算线段质心平均距离
Figure FDA0003690950490000018
步骤9，计算更新后的线段子集
Figure FDA0003690950490000019
的机场隶属度Pk：
Figure FDA00036909504900000110
其中，
Figure FDA00036909504900000111
为加权调节因子，Nor()表示对参数值进行最大值最小值归一化处理；
步骤10，选择机场隶属度Pk最大的线段子集
Figure FDA00036909504900000112
作为最终的机场区域线段Lap。
2.根据权利要求1所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤1中，对波段bi进行线性拉伸的计算方式如下：
Figure FDA00036909504900000113
式中，
Figure FDA00036909504900000114
表示多光谱遥感图像第i个拉伸后的波段，
Figure FDA00036909504900000115
和
Figure FDA00036909504900000116
分别表示波段bi的最小灰度值和最大灰度值。
3.根据权利要求1所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤3的具体方式为：
获取线段linei的两个端点坐标
Figure FDA00036909504900000117
和
Figure FDA00036909504900000118
每条线段的长度li计算方式如下：
Figure FDA0003690950490000021
每条线段的倾角θi计算方式如下：
Figure FDA0003690950490000022
Figure FDA0003690950490000023
其中，Ki表示线段linei的斜率，arctan()表示反正切函数，θi以弧度的形式表示。
4.根据权利要求3所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤4中，分组的方式如下：
设定倾角间隔θgap，θgap能够被180整除；将0-180度范围划分为180/θgap个区间，将倾角在同一区间内的线段划为一组；即：
Figure FDA0003690950490000024
θgap×(k-1)＜θj≤θgap×k and linej∈Lset
k＝1,2,3,...,180/θgap
其中，θj为线段linej的倾角。
5.根据权利要求4所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤5中，以线段linei的中点坐标
Figure FDA0003690950490000025
为质点Pi的位置，以线段linei的长度为质点Pi的质量；
Figure FDA0003690950490000026
中所有质点构成质点系的质心CMk坐标为：
Figure FDA0003690950490000027
Figure FDA0003690950490000028
其中，
Figure FDA0003690950490000029
和
Figure FDA00036909504900000210
分别为质心CMk的横纵坐标。
6.根据权利要求5所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤6中，线段子集
Figure FDA00036909504900000211
中每个质点Pi到质心CMk的距离
Figure FDA00036909504900000212
为：
Figure FDA00036909504900000213
其中，d(Pi,CMk)表示求质点Pi到质心CMk的距离；
设线段子集
Figure FDA0003690950490000031
中有n条线段，则依据长度li对所有线段进行排序，并获取长度上下四分位数
Figure FDA0003690950490000032
和
Figure FDA0003690950490000033
则更新后的线段子集
Figure FDA0003690950490000034
为：
Figure FDA0003690950490000035
lm≤Q3+1.5×(Q3-Q1)and
Figure FDA0003690950490000036
其中，m为更新后的线段子集
Figure FDA0003690950490000037
包含的线段总数。
7.根据权利要求6所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤7中，更新后的线段子集
Figure FDA0003690950490000038
中线段长度的变异系数
Figure FDA0003690950490000039
为：
Figure FDA00036909504900000310
其中，
Figure FDA00036909504900000311
和
Figure FDA00036909504900000312
分别表示
Figure FDA00036909504900000313
中线段长度的均值和标准差。
8.根据权利要求7所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤8中，更新后的线段子集
Figure FDA00036909504900000314
的线段质心平均距离
Figure FDA00036909504900000315
计算方式如下：
Figure FDA00036909504900000316
其中，d(Pi,SCMk)表示线段质点Pi到更新后的线段子集的质心SCMk的距离。
CN202210661222.2A 2022-06-13 2022-06-13 一种基于线段分布的机场线性特征提取方法 Active CN114998740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210661222.2A CN114998740B (zh) 2022-06-13 2022-06-13 一种基于线段分布的机场线性特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210661222.2A CN114998740B (zh) 2022-06-13 2022-06-13 一种基于线段分布的机场线性特征提取方法

Publications (2)

Publication Number Publication Date
CN114998740A true CN114998740A (zh) 2022-09-02
CN114998740B CN114998740B (zh) 2023-07-21

Family

ID=83032790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210661222.2A Active CN114998740B (zh) 2022-06-13 2022-06-13 一种基于线段分布的机场线性特征提取方法

Country Status (1)

Country Link
CN (1) CN114998740B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103162669A (zh) * 2013-03-01 2013-06-19 西北工业大学 航拍图像机场区域检测方法
CN103488801A (zh) * 2013-10-17 2014-01-01 中国电子科技集团公司第五十四研究所 一种基于地理信息空间库的机场目标检测方法
CN103886285A (zh) * 2014-03-11 2014-06-25 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法
CN105740871A (zh) * 2016-02-01 2016-07-06 福建师范大学 一种利用线段空间关系检测多边行地物的方法
CN107392141A (zh) * 2017-07-19 2017-11-24 武汉大学 一种基于显著性检测和lsd直线检测的机场提取方法
CN108596055A (zh) * 2018-04-10 2018-09-28 西北工业大学 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN108830297A (zh) * 2018-05-19 2018-11-16 烟台大学 一种多光谱遥感影像地物分类方法
WO2019028721A1 (zh) * 2017-08-10 2019-02-14 哈尔滨工业大学 用于物品识别的方法、装置、设备和安检***
CN109614936A (zh) * 2018-12-12 2019-04-12 哈尔滨工业大学 遥感图像飞机目标的分层识别方法
CN110136159A (zh) * 2019-04-29 2019-08-16 辽宁工程技术大学 面向高分辨率遥感影像的线段提取方法
CN110210418A (zh) * 2019-06-05 2019-09-06 西安电子科技大学 一种基于信息交互和迁移学习的sar图像飞机目标检测方法
US20200320332A1 (en) * 2019-02-26 2020-10-08 Fingram Co., Ltd. System and method for object detection
CN112215126A (zh) * 2020-10-09 2021-01-12 西安交通大学 一种基于非下采样Contourlet变换的直线目标检测方法及***
CN112487977A (zh) * 2020-11-30 2021-03-12 东南大学 一种基于国产gf2遥感影像的机场跑道提取方法
CN112862847A (zh) * 2021-03-12 2021-05-28 辽宁工程技术大学 一种表达地物边缘的线段序列检测方法
CN113658129A (zh) * 2021-08-16 2021-11-16 中国电子科技集团公司第五十四研究所 一种结合视觉显著性和线段强度的阵地提取方法
CN114419450A (zh) * 2022-03-29 2022-04-29 中国人民解放军96901部队 一种基于影像特征分析的线性目标毁伤效能快速评估方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103162669A (zh) * 2013-03-01 2013-06-19 西北工业大学 航拍图像机场区域检测方法
CN103488801A (zh) * 2013-10-17 2014-01-01 中国电子科技集团公司第五十四研究所 一种基于地理信息空间库的机场目标检测方法
CN103886285A (zh) * 2014-03-11 2014-06-25 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法
CN105740871A (zh) * 2016-02-01 2016-07-06 福建师范大学 一种利用线段空间关系检测多边行地物的方法
CN107392141A (zh) * 2017-07-19 2017-11-24 武汉大学 一种基于显著性检测和lsd直线检测的机场提取方法
WO2019028721A1 (zh) * 2017-08-10 2019-02-14 哈尔滨工业大学 用于物品识别的方法、装置、设备和安检***
CN108596055A (zh) * 2018-04-10 2018-09-28 西北工业大学 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN108830297A (zh) * 2018-05-19 2018-11-16 烟台大学 一种多光谱遥感影像地物分类方法
CN109614936A (zh) * 2018-12-12 2019-04-12 哈尔滨工业大学 遥感图像飞机目标的分层识别方法
US20200320332A1 (en) * 2019-02-26 2020-10-08 Fingram Co., Ltd. System and method for object detection
CN110136159A (zh) * 2019-04-29 2019-08-16 辽宁工程技术大学 面向高分辨率遥感影像的线段提取方法
CN110210418A (zh) * 2019-06-05 2019-09-06 西安电子科技大学 一种基于信息交互和迁移学习的sar图像飞机目标检测方法
CN112215126A (zh) * 2020-10-09 2021-01-12 西安交通大学 一种基于非下采样Contourlet变换的直线目标检测方法及***
CN112487977A (zh) * 2020-11-30 2021-03-12 东南大学 一种基于国产gf2遥感影像的机场跑道提取方法
CN112862847A (zh) * 2021-03-12 2021-05-28 辽宁工程技术大学 一种表达地物边缘的线段序列检测方法
CN113658129A (zh) * 2021-08-16 2021-11-16 中国电子科技集团公司第五十四研究所 一种结合视觉显著性和线段强度的阵地提取方法
CN114419450A (zh) * 2022-03-29 2022-04-29 中国人民解放军96901部队 一种基于影像特征分析的线性目标毁伤效能快速评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. HUERTAS: "Detecting runways in complex airport scenes", 《COMPUTER VISION, GRAPHICS, AND IMAGE PROCESSING》, vol. 51, no. 2, pages 107 - 145, XP000171332 *
O. AYTEKIN: "Texture-Based Airport Runway Detection", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 10, no. 3, pages 471 - 475 *
戴开燕: "基于贝叶斯稀疏表示理论的SAR图像分类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 2, pages 136 - 1430 *
杨孝翠: "高分辨率遥感影像道路信息提取技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, vol. 2019, no. 1, pages 008 - 297 *

Also Published As

Publication number Publication date
CN114998740B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Wang et al. A multiscale and hierarchical feature extraction method for terrestrial laser scanning point cloud classification
CN109614936B (zh) 遥感图像飞机目标的分层识别方法
Wang et al. Application of ReliefF algorithm to selecting feature sets for classification of high resolution remote sensing image
Tao et al. Unsupervised detection of built-up areas from multiple high-resolution remote sensing images
CN109697465B (zh) 基于小波核局部Fisher判别分析的高光谱影像分类方法
CN105608474A (zh) 基于高分辨率影像的区域自适应耕地提取方法
CN101847163A (zh) 一种多特征融合的外观设计专利图像检索方法
CN104077605A (zh) 一种基于颜色拓扑结构的行人搜索识别方法
CN111709901A (zh) 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法
Xu et al. A robust deformed image matching method for multi-source image matching
CN114627104A (zh) 一种机场净空保护区建筑变化的遥感影像检测方法
CN112949738A (zh) 基于eecnn算法的多类不平衡高光谱图像分类方法
Li et al. Comparison of several remote sensing image classification methods based on envi
Wang et al. Realization of remote sensing image segmentation based on K-means clustering
CN109214430A (zh) 一种基于特征空间拓扑分布的行人重识别方法
Yao et al. Self-aligned spatial feature extraction network for UAV vehicle reidentification
CN114998740A (zh) 一种基于线段分布的机场线性特征提取方法
Li et al. Evaluation of spectral and texture features for object-based vegetation species classification using support vector machines
CN112241956A (zh) 基于区域生长法和变差函数的PolSAR图像山脊线提取方法
CN107103282B (zh) 超高分辨率合成孔径雷达图像分类方法
Cheng et al. Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images
Yang et al. Fast urban aerial image matching based on rectangular building extraction
Baassou et al. Unsupervised hyperspectral image classification algorithm by integrating spatial-spectral information
CN111340761B (zh) 基于分形属性和决策融合的遥感影像变化检测方法
CN111401385B (zh) 一种图像局部拓扑结构特征描述符的相似度计算方法

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