CN116128804B - 多尺度多方向的无人机图像角点检测方法、***及终端 - Google Patents
多尺度多方向的无人机图像角点检测方法、***及终端 Download PDFInfo
- Publication number
- CN116128804B CN116128804B CN202211500752.5A CN202211500752A CN116128804B CN 116128804 B CN116128804 B CN 116128804B CN 202211500752 A CN202211500752 A CN 202211500752A CN 116128804 B CN116128804 B CN 116128804B
- Authority
- CN
- China
- Prior art keywords
- corner
- area
- scale
- aerial vehicle
- unmanned aerial
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims description 101
- 238000001228 spectrum Methods 0.000 claims description 50
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多尺度多方向的无人机图像角点检测方法、***及终端,通过在无人机图像中划分圆形模板,将圆形模板进一步划分为扇形模板,分别计算圆形模板、扇形模板的核相似区面积,根据圆形模板的核相似区面积确定候选角点,再根据候选角点的圆形模板、扇形模板的核相似区面积计算候选角点的角点响应指数,从而根据角点响应指数确定候选角点为角点,获得当前尺度下的角点图像。并且在多个尺度下获得角点图像,根据不同尺度的角点图像对角点做进一步的筛选。与现有技术相比,可较好的避免将噪点误判为角点的情况,准确地检测无人机图像中的角点。
Description
技术领域
本发明涉及无人机图像处理技术领域,尤其涉及的是一种多尺度多方向的无人机图像角点检测方法、***及终端。
背景技术
角点是一种极值点,保留了图像中的关键信息,是描述图像中目标形状的重要信息之一。角点已被广泛运用在图像配准,三维物体追踪,光流计算等多种场合。
SUSAN(Smallest Univalue Segment Assimilating Nucleus)算法由牛津大学的Smith和Brady提出,通过选用一个圆形模板,将位于圆形模板中心等待检测的像素点称为核心点。核心点的领域根据像素点与核心点的相似程度划分为核值相似区USAN(UnivalueSegment Assimilating Nucleus)和核值不相似区,当USAN面积小于所给定的阈值时,将核心点确定为角点。因其出色的角点和边缘检测能力,SUSAN算法得到了广泛的运用。
尽管SUSAN算法在角点和边缘检测方面有着优良的性能,但是现有的基于SUSAN的角点检测算法仍存在面对复杂噪声情形下将大量噪点误判为角点的情况,不能准确地检测角点。
因此,现有技术中有待改进和提高。
发明内容
本发明的主要目的在于提供一种多尺度多方向的无人机图像角点检测方法,旨在解决现有技术中不能准确地检测角点的问题。
为了实现上述目的,本发明提供了一种多尺度多方向的无人机图像角点检测方法,所述方法包括:
将尺度序列中的一个尺度设定为当前尺度;
基于当前尺度,以无人机图像中每个像素点为中心分别构建圆形模板并将圆形模板划分为若干个扇形模板;
计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积;
当所述第一面积位于设定的面积阈值范围时,将圆形模板核心点对应的像素点设定为候选角点;
根据所述第一面积和所述第二面积计算候选角点的角点响应指数;
当角点响应指数满足设定条件时,将候选角点设定为角点,所有的角点构成当前尺度对应的角点图像;
用尺度序列中下一个尺度更新当前尺度,重新获得当前尺度对应的角点图像,直至获得尺度序列中所有尺度对应的角点图像;
筛选所有角点图像中共同的角点并输出。
可选的,所述计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积,包括:
计算圆形模板内每个像素点与圆形模板核心点对应的像素点之间的第一光谱相似度以及圆形模板中扇形模板内的每个像素点与圆形模板核心点对应的像素点之间的第二光谱相似度;
累计圆形模板内第一光谱相似度小于或等于相似度阈值的所有像素点,获得第一面积;
累计圆形模板中扇形模板内第二光谱相似度小于或等于相似度阈值的所有像素点,获得第二面积。
可选的,还包括:
根据自适应阈值二值化算法,将无人机图像中的像素点划分为前景像素点和背景像素点;
分别计算前景像素点、背景像素点的标准差;
基于前景像素点的标准差、背景像素点的标准差和无人机图像的波段数,获得所述相似度阈值。
可选的,计算无人机图像中的像素点与圆形模板核心点对应的像素点之间的光谱相似度,包括:
在无人机图像的每个光谱波段下,计算像素点的光谱值与圆形模板核心点对应的像素点的光谱值之间差值的绝对值;
累计所有的绝对值,获得所述光谱相似度。
可选的,所述根据所述第一面积和所述第二面积计算候选角点的角点响应指数,包括:
计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;
将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;
计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;
对所述第一响应值和所述第二响应值进行加权求和,获得角点响应指数。
为了实现上述目的,本发明还提供了一种多尺度多方向的无人机图像角点检测***,所述***包括:
模板构建模块,用于基于当前尺度,以无人机图像中每个像素点为中心分别构建圆形模板并将圆形模板划分为若干个扇形模板;
核相似区模块,用于计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积;
候选角点模块,用于当所述第一面积位于设定的面积阈值范围时,将圆形模板核心点对应的像素点设定为候选角点;
角点响应指数模块,用于根据所述第一面积和所述第二面积计算候选角点的角点响应指数;
角点图像模块,用于当角点响应指数满足设定条件时,将候选角点设定为角点,所有的角点构成当前尺度对应的角点图像;
枚举模块,用于将尺度序列中的一个尺度设定为当前尺度,获得当前尺度对应的角点图像;以及,用尺度序列中下一个尺度更新当前尺度,重新获得当前尺度对应的角点图像,直至获得尺度序列中所有尺度对应的角点图像;
筛选模块,用于筛选所有角点图像中共同的角点并输出。
可选的,所述角点响应指数模块还包括角点响应指数计算单元,所述角点响应指数计算单元用于计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;对所述第一响应值和所述第二响应值进行加权求和,获得角点响应指数。
可选的,所述核相似区模块还包括光谱相似度计算单元,所述光谱相似度计算单元用于在无人机图像的每个光谱波段下,计算像素点的光谱值与圆形模板核心点对应的像素点的光谱值之间差值的绝对值;累计所有的绝对值,获得光谱相似度。
为了实现上述目的,本发明还提供了一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的多尺度多方向的无人机图像角点检测程序,上述多尺度多方向的无人机图像角点检测程序被上述处理器执行时实现任意一项上述多尺度多方向的无人机图像角点检测方法的步骤。
为了实现上述目的,本发明还提供了一种计算机可读存储介质,上述计算机可读存储介质上存储有多尺度多方向的无人机图像角点检测程序,上述多尺度多方向的无人机图像角点检测程序被处理器执行时实现任意一项上述多尺度多方向的无人机图像角点检测方法的步骤。
由上述可见,本发明不仅在无人机图像中划分圆形模板,还将圆形模板进一步划分为扇形模板,分别计算圆形模板、扇形模板的核相似区面积,根据圆形模板的核相似区面积确定候选角点,再根据候选角点的圆形模板、扇形模板的核相似区面积计算候选角点的角点响应指数,从而根据角点响应指数确定候选角点为角点,可较好的避免将噪点误判为角点的情况。并且在多个尺度上获取角点图像,根据不同尺度的角点图像对角点做进一步的筛选,提高角点检测的准确度。与现有技术相比,能够准确地检测无人机图像中的角点。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明提供的多尺度多方向的无人机图像角点检测方法实施例的流程示意图;
图2是圆形模板中的四个极坐标向量示意图;
图3是圆形模板中第一个扇形模板示意图;
图4是直径为7、方向数为4的圆形模板和所有的扇形模板示意图;
图5是直径为9、方向数为6的圆形模板和所有的扇形模板示意图;
图6是直径为11,方向数为8的圆形模板和所有的扇形模板示意图;
图7是图1实施例中获得核相似区面积的流程示意图;
图8是图1实施例中确定相似度阈值的流程示意图;
图9是图1实施例中计算候选角点的角点响应指数的流程示意图;
图10是本发明实施例提供的多尺度多方向的无人机图像角点检测装置的结构示意图;
图11是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
针对现有的基于SUSAN的角点检测算法仍存在面对复杂噪声情形下将大量噪点误判为角点的情况发生,不能准确地检测角点的情况,本发明提出了一种多尺度多方向的无人机图像角点检测方法,不仅在无人机图像中划分圆形模板,还多方向地将圆形模板进一步划分为若干个扇形模板,并且根据圆形模板的核相似区面积只是确定候选角点,还需进一步根据候选角点的圆形模板、扇形模板的核相似区面积计算候选角点的角点响应指数,再根据角点响应指数来确定角点。确定角点更加准确,可较好的避免将噪点误判为角点的情况。本发明还根据不同尺度的角点图像对角点做了筛选,进一步提高角点检测的准确度。
示例性方法
本发明实施例提供一种多尺度多方向的无人机图像角点检测方法,部署于智能终端上,用于检测无人机图像的角点。具体的,如图1所示,上述方法包括如下步骤:
步骤S100:将尺度序列中的一个尺度设定为当前尺度;
具体地,尺度是指创建圆形模板和扇形模板的规格,主要包括:直径和方向数。直径用于确定圆形模板的大小,方向数用于确定将圆形模板切分为多少个扇形模板。本发明设计了多尺度检测角点的机制,即采用不同大小的圆形模板、不同个数的扇形模板来检测无人机图像的角点。预先设定好各个尺度,然后保存在尺度序列中。具体检测时,先从尺度序列中取出一个尺度作为当前尺度进行检测,然后再用另外一个尺度进行检测,就能够获取到不同尺度对应的角点图像。经试验,一般使用不超过三个的尺度就可以获得准确的角点检测结果。
本实施例中,i表示直径(Di的值一般取5、7、9、11等奇数),构造的圆形模板记为Ci,圆形模板的中心像素点为待检测的像素点,也称为核心点。其中,i表示尺度的序号,i取值从1开始递增,一般取3以内正整数,如D1=7,D2=9。ni表示尺度i的方向数,i一般取小于等于8的自然数。
步骤S200:基于当前尺度,以无人机图像中每个像素点为中心分别构建圆形模板并将圆形模板划分为若干个扇形模板;
具体地,遍历无人机图像中的像素点,以每一个像素点中心,以当前尺度的直径Di为直径,构建圆形模板Ci。然后根据当前尺度的方向数ni将圆形模板均等切分为ni个扇形模板,分别定义各个扇形模板内的像素坐标集合为Tj(1≤j≤ni)。
根据方向数ni生成扇形模板的具体步骤为:以圆形模板的圆心为原点建立二维笛卡尔坐标系,同时定义一个原点与二维笛卡尔坐标系原点重合的极坐标系。定义x轴正方向的弧度θ为0。生成扇形模板时,首先生成一个θ=0,且长度为的向量作为起始向量,记为将该向量以逆时针方向进行旋转,每次弧度增加/>时生成一个新的向量,共生成ni个向量/>其中αk,αk+1在圆形模板中所围区域形成一个扇形模板k,其中k为整数且k∈[1,ni]。对于圆形模板内像素点,若其在二维笛卡尔坐标系中的坐标为(,y),求解该像素点的极坐标(,θ)。其中弧度θ求解方法如下:
其中r的求解方法为:
然后根据像素点的极坐标判断像素点是否位于扇形模板内。具体的,若圆形模板内的像素点在极坐标系下的坐标(r,θ)同时满足以下两个条件:则判定该像素点位于扇形模板k内。
参考图2,其中的四条射线为直径Di为7、方向数ni为4的圆形模板中的四个极坐标向量,参考图3,其中的虚线所围的区域内的像素点同时满足以及/>用灰色方格表示,代表的是扇形模板中的像素点。所有的灰色方格形成第一个扇形模板的像素坐标集合T1。图4展示了直径为7、方向数为4的圆形模板和所有的扇形模板;图5展示了一个直径为9、方向数为6的圆形模板和所有的扇形模板;图6展示了一个直径为11,方向数为8的圆形模板和所有的扇形模板。
其中判断一个像素点是否位于圆形模板内的方法为:根据像素点的中心坐标是否在圆形模板所围区域内确定一个像素点是否位于圆形模板内,即圆形模板内的像素点的中心坐标(x,y)需满足以下公式:圆形模板内的所有像素的集合记为T0。
步骤S300:计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积;
具体地,圆形模板的核相似区由圆形模板内与核心点相似的像素点构成,扇形模板的核相似区由扇形模板内与核心点相似的像素点构成。例如:采用相似度计算公式对圆形模板内各像素点(xi,yi)与核心点(x,y)作相似度判定。像素点(xi,yi)与像素点(x,y)的相似度计算公式如下:
其中,I(x,y)为像素点(x,y)的灰度值,I(xi,yi)为像素点(xi,yi)的灰度值,为相似度。
若两个像素点之间的相似度小于或等于相似度阈值t,则判定像素点(xi,yi)为核心点(x,y)的相似像素。具体表达式为:
其中C((xi,yi),(x,y))代表像素点(xi,yi)与核心点(x,y)的相似性判定结果,C((xi,yi),(x,y))=1代像素点(xi,yi)和核心点(x,y)相似,C((xi,yi),(x,y))=0代表像素点(xi,yi)和核心点(x,y)不相似,t为相似度阈值。
对于扇形模板内的像素点与核心点的相似度判定与圆形模板内的像素点判定方法相同,在此不再赘述。然后累计圆形模板的核相似区所有像素点的面积获得第一面积,累计圆形模板中每个扇形模板的核相似区所有像素点的面积获得第二面积。
针对无人机拍摄的图像多为多光谱图像或高光谱图像,本实施例在上述方法的基础上作了改进,获得核相似区面积的具体步骤如图7所示,包括:
步骤S310:计算圆形模板内每个像素点与圆形模板核心点对应的像素点之间的第一光谱相似度以及圆形模板中扇形模板内的每个像素点与圆形模板核心点对应的像素点之间的第二光谱相似度;
具体地,计算无人机图像中的一个像素点与另一个像素点之间的光谱相似度,具体的方法为:针对无人机图像的每个光谱波段,分别计算在各个光谱波段下A像素点的光谱值与B像素点的光谱值之间的差值后取绝对值,然后累计所有光谱波段下得到的绝对值,获得两个像素点之间的光谱相似度。具体表达式为:
其中,Ib(x,y)为多光谱图像或高光谱图像中像素点(x,y)在第b波段的光谱值,B为多光谱图像的波段数。
根据上述计算光谱相似度的方法,对圆形模板内各个像素点(xi,yi),依次计算该像素点与圆形模板核心点对应的像素点(x,y)之间的光谱相似度,获得第一光谱相似度;对圆形模板中各个扇形模板内的每个像素点,依次计算该像素点与圆形模板核心点对应的像素点(,y)之间的光谱相似度,获得第二光谱相似度。
步骤S320:累计圆形模板内第一光谱相似度小于或等于相似度阈值的所有像素点,获得第一面积;
步骤S330:累计圆形模板中扇形模板内第二光谱相似度小于或等于相似度阈值的所有像素点,获得第二面积。
具体地,本实施例为了提高计算效率,没有计算每个像素点的实际面积而是简单采用累计个数来表征面积。累计圆形模板中扇形模板内第二光谱相似度小于或等于相似度阈值的所有像素点的个数,获得第二面积,累计所有的第二面积获得第一面积。具体表达式为:
其中,ni为方向数,Nk(x,y)为第二面积,N(x,y)为第一面积。
在一个实施例中,为了使得相似度阈值与无人机图像相关联,没有采用固定的相似度阈值,即相似度阈值是自适应的,能够根据无人机图像的亮度、对比度等相应地进行自适应地调整。确定相似度阈值的具体步骤如图8所示,包括:
步骤A310:根据自适应阈值二值化算法,将无人机图像中的像素点划分为前景像素点和背景像素点;
步骤A320:分别计算前景像素点、背景像素点的标准差;
步骤A330:基于前景像素点的标准差、背景像素点的标准差和无人机图像的波段数,获得相似度阈值。
具体地,首先对无人机图像进行灰度化,使用像素点在各波段光谱值的均值作为该点的灰度值,即取所有像素点的灰度值的均值作为图像灰度值。
而后使用自适应阈值二值化算法OTSU,比较像素点的灰度值与图像灰度值,将像素点分为前景像素点和背景像素点两类,分别记为p和q。分别计算所有前景像素点的标准差σp和所有背景像素点的标准差σq,然后计算相似度阈值,相似度阈值t的计算公式如下:
t=2×max(σp,σq)×B
其中,B为多光谱图像的波段数。
步骤S400:当第一面积位于设定的面积阈值范围时,将圆形模板核心点对应的像素点设定为候选角点;
具体地,若圆形模板的核相似区面积N(x,y)满足大于等于阈值g1且小于等于阈值g2时,将圆形模板核心点标记为当前尺度下的候选角点,即:直径为Di,方向数为ni的尺度i下的候选角点。其中阈值g1和g2的取值根据所需检测角点的类型进行设置,取值范围介于0到圆形模板最大像素点数(在当前尺度的圆形模板内所有像素的总数)之间。具体表达式为:
其中,ρ(x,y)代表核心点(x,y)是否为候选角点,ρ(x,y)=1代表其被记为尺度i下的候选角点,否则不被记为尺度i下的候选角点。
步骤S500:根据第一面积和第二面积计算候选角点的角点响应指数;
具体地,角点响应指数用来进一步量化像素点为角点的概率。本实施例中根据第一面积、第二面积综合计算角点响应指数,使得结果更加可信。如图9所示,计算候选角点的角点响应指数的具体步骤包括:
步骤S510:计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;
具体地,首先统计圆形模板内像素点的总数,作为圆形模板面积,计算第一面积N(x,y)与圆形模板面积的比值γ1,将(1-γ1)作为第一响应值。
步骤S520:将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;
具体地,将圆形模板内所有扇形模板的第二面积按照由大到小的顺序进行排列,记结果序列为{P1,P2,…,Pn}。从结果序列{P1,P2,…,Pn}中选取前两项,将这两个扇形模板确定为候选角点的第一主方向和第二主方向。分别用Nk1(x,y)和Nk2(x,y)代表第一主方向和第二主方向的核相似区面积。
步骤S530:计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;
步骤S540:对第一响应值和第二响应值进行加权求和,获得角点响应指数。
具体地,计算第一主方向的核相似区面积Nk1(x,y)和第二主方向核相似区面积Nk2(x,y)之和,除以第一主方向和第二主方向的面积之和,获得的比值为第二响应值γ2。对第一响应值和第二响应值进行加权求和,获得候选角点的角点响应指数δ。
具体表达式为:
δ=ω×(1-γ1)+(1-)×γ2
其中,ω是取值在0.0~1.0之间的系数。
通过融合第一响应值和第二响应值,可以准确地评估候选角点为角点的概率。
需要说明的是,还可以采用其他方法对第一面积和第二面积进行处理,计算出候选角点的角点响应指数。例如:采用加权系数对第一面积和第二面积进行求和,然后计算求和结果与设定阈值之间的比值,获得候选角点的角点响应指数。
步骤S600:当角点响应指数满足设定条件时,将候选角点设定为角点,所有的角点构成当前尺度对应的角点图像;
具体地,当角点响应指数满足设定条件,意味着可以确认候选角点为当前尺度下的角点。通常设定条件为:角点响应指数δ大于等于角点响应指数阈值G。即:若候选角点的角点响应指数δ大于等于角点响应指数阈值G时,则确定该候选角点为角点。所有的角点对应的像素点构成当前尺度下的角点图像。即直径为Di,方向数为ni的尺度i下的角点图像。当角点响应指数δ越大,则可认为该候选角点越符合角点特征。其中,G的取值为经验值,可根据筛选角点类型的不同而相应设置。综合上述内容,本实施例中当前尺度下的核心点为角点应满足的条件为:
即:核心点构成的圆形模板的第一面积N(x,y)满足大于或等于阈值g1、小于或等于阈值g2且核心点的角点响应指数大于或等于角点响应指数阈值G。
步骤S700:用尺度序列中下一个尺度更新当前尺度,重新获得当前尺度对应的角点图像,直至获得尺度序列中所有尺度对应的角点图像;
步骤S800:筛选所有角点图像中共同的角点并输出。
具体地,若当前尺度序号i小于尺度序列中的尺度总数,则用尺度序列中下一个尺度更新当前尺度,返回步骤S200重新执行,获得更新后的当前尺度对应的角点图像。即将当前尺度更新为:直径为Di+1、方向数为ni+1,获得尺度i+1下的角点图像。然后对比各个尺度下的角点图像,筛选出同时存在于所有角点图像中的角点作为角点检测结果并输出。
综上所述,本实施例通过将圆形模板进一步划分为扇形模板,分别计算圆形模板、扇形模板的核相似区面积,根据圆形模板的核相似区面积确定候选角点,再根据候选角点的圆形模板、扇形模板的核相似区面积计算候选角点的角点响应指数,从而根据角点响应指数确定候选角点为角点,获得当前尺度下的角点图像。并且在多个尺度下获得角点图像,根据不同尺度的角点图像对角点做进一步的筛选,提高角点检测的准确度。可较好的避免将噪点误判为角点的情况,准确地检测无人机图像中的角点。
示例性设备
如图10所示,对应于多尺度多方向的无人机图像角点检测方法,本发明实施例还提供一种多尺度多方向的无人机图像角点检测***,所述角点检测***包括:
模板构建模块600,用于基于当前尺度,以无人机图像中每个像素点为中心分别构建圆形模板并将圆形模板划分为若干个扇形模板;
核相似区模块610,用于计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积;
候选角点模块620,用于当所述第一面积位于设定的面积阈值范围时,将圆形模板核心点对应的像素点设定为候选角点;
角点响应指数模块630,用于根据所述第一面积和所述第二面积计算候选角点的角点响应指数;
角点图像模块640,用于当角点响应指数满足设定条件时,将候选角点设定为角点,所有的角点构成当前尺度对应的角点图像;
枚举模块650,用于将尺度序列中的一个尺度设定为当前尺度,获得当前尺度对应的角点图像;以及,用尺度序列中下一个尺度更新当前尺度,重新获得当前尺度对应的角点图像,直至获得尺度序列中所有尺度对应的角点图像;
筛选模块660,用于筛选所有角点图像中共同的角点并输出。
可选的,角点响应指数模块630还包括角点响应指数计算单元,所述角点响应指数计算单元用于计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;对所述第一响应值和所述第二响应值进行加权求和,获得角点响应指数。
可选的,核相似区模块610还包括光谱相似度计算单元,所述光谱相似度计算单元用于在无人机图像的每个光谱波段下,计算像素点的光谱值与圆形模板核心点对应的像素点的光谱值之间差值的绝对值;累计所有的绝对值,获得光谱相似度。
本实施例中,上述多尺度多方向的无人机图像角点检测***可以参照上述多尺度多方向的无人机图像角点检测方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图11所示。上述智能终端包括通过***总线连接的处理器、存储器、网络接口以及显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和多尺度多方向的无人机图像角点检测程序。该内存储器为非易失性存储介质中的操作***和多尺度多方向的无人机图像角点检测程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该多尺度多方向的无人机图像角点检测程序被处理器执行时实现上述任意一种多尺度多方向的无人机图像角点检测方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图11中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的多尺度多方向的无人机图像角点检测程序,上述多尺度多方向的无人机图像角点检测程序被上述处理器执行时进行以下操作指令:
将尺度序列中的一个尺度设定为当前尺度;
基于当前尺度,以无人机图像中每个像素点为中心分别构建圆形模板并将圆形模板划分为若干个扇形模板;
计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积;
当所述第一面积位于设定的面积阈值范围时,将圆形模板核心点对应的像素点设定为候选角点;
根据所述第一面积和所述第二面积计算候选角点的角点响应指数;
当角点响应指数满足设定条件时,将候选角点设定为角点,所有的角点构成当前尺度对应的角点图像;
用尺度序列中下一个尺度更新当前尺度,重新获得当前尺度对应的角点图像,直至获得尺度序列中所有尺度对应的角点图像;
筛选所有角点图像中共同的角点并输出。
可选的,所述计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积,包括:
计算圆形模板内每个像素点与圆形模板核心点对应的像素点之间的第一光谱相似度以及圆形模板中扇形模板内的每个像素点与圆形模板核心点对应的像素点之间的第二光谱相似度;
累计圆形模板内第一光谱相似度小于或等于相似度阈值的所有像素点,获得第一面积;
累计圆形模板中扇形模板内第二光谱相似度小于或等于相似度阈值的所有像素点,获得第二面积。
可选的,还包括:
根据自适应阈值二值化算法,将无人机图像中的像素点划分为前景像素点和背景像素点;
分别计算前景像素点、背景像素点的标准差;
基于前景像素点的标准差、背景像素点的标准差和无人机图像的波段数,获得所述相似度阈值。
可选的,计算无人机图像中的像素点与圆形模板核心点对应的像素点之间的光谱相似度,包括:
在无人机图像的每个光谱波段下,计算像素点的光谱值与圆形模板核心点对应的像素点的光谱值之间差值的绝对值;
累计所有的绝对值,获得所述光谱相似度。
可选的,所述根据所述第一面积和所述第二面积计算候选角点的角点响应指数,包括:
计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;
将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;
计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;
对所述第一响应值和所述第二响应值进行加权求和,获得角点响应指数。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有多尺度多方向的无人机图像角点检测程序,上述多尺度多方向的无人机图像角点检测程序被处理器执行时实现本发明实施例提供的任意一种多尺度多方向的无人机图像角点检测方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述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,并不是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,均应包含在本发明的保护范围之内。
Claims (9)
1.多尺度多方向的无人机图像角点检测方法,其特征在于,所述方法包括:
将尺度序列中的一个尺度设定为当前尺度;
基于当前尺度,以无人机图像中每个像素点为中心分别构建圆形模板并将圆形模板划分为若干个扇形模板;
计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积;
当所述第一面积位于设定的面积阈值范围时,将圆形模板核心点对应的像素点设定为候选角点;
根据所述第一面积和所述第二面积计算候选角点的角点响应指数,所述角点响应指数用来表征候选角点为角点的概率;
当角点响应指数满足设定条件时,将候选角点设定为角点,所有的角点构成当前尺度对应的角点图像;
用尺度序列中下一个尺度更新当前尺度,重新获得当前尺度对应的角点图像,直至获得尺度序列中所有尺度对应的角点图像;
筛选所有角点图像中共同的角点并输出;
所述根据所述第一面积和所述第二面积计算候选角点的角点响应指数,包括:
计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;
将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;
计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;
对所述第一响应值和所述第二响应值进行加权求和,获得角点响应指数。
2.如权利要求1所述的多尺度多方向的无人机图像角点检测方法,其特征在于,所述计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积,包括:
计算圆形模板内每个像素点与圆形模板核心点对应的像素点之间的第一光谱相似度以及圆形模板中扇形模板内的每个像素点与圆形模板核心点对应的像素点之间的第二光谱相似度;
累计圆形模板内第一光谱相似度小于或等于相似度阈值的所有像素点,获得第一面积;
累计圆形模板中扇形模板内第二光谱相似度小于或等于相似度阈值的所有像素点,获得第二面积。
3.如权利要求2所述的多尺度多方向的无人机图像角点检测方法,其特征在于,还包括:
根据自适应阈值二值化算法,将无人机图像中的像素点划分为前景像素点和背景像素点;
分别计算前景像素点、背景像素点的标准差;
基于前景像素点的标准差、背景像素点的标准差和无人机图像的波段数,获得所述相似度阈值。
4.如权利要求2所述的多尺度多方向的无人机图像角点检测方法,其特征在于,计算无人机图像中的像素点与圆形模板核心点对应的像素点之间的光谱相似度,包括:
在无人机图像的每个光谱波段下,计算像素点的光谱值与圆形模板核心点对应的像素点的光谱值之间差值的绝对值;
累计所有的绝对值,获得所述光谱相似度。
5.多尺度多方向的无人机图像角点检测***,其特征在于,所述***包括:
模板构建模块,用于基于当前尺度,以无人机图像中每个像素点为中心分别构建圆形模板并将圆形模板划分为若干个扇形模板;
核相似区模块,用于计算圆形模板的核相似区的第一面积和圆形模板中每个扇形模板的核相似区的第二面积;
候选角点模块,用于当所述第一面积位于设定的面积阈值范围时,将圆形模板核心点对应的像素点设定为候选角点;
角点响应指数模块,用于根据所述第一面积和所述第二面积计算候选角点的角点响应指数,所述角点响应指数用来表征像素点为角点的概率;
角点图像模块,用于当角点响应指数满足设定条件时,将候选角点设定为角点,所有的角点构成当前尺度对应的角点图像;
枚举模块,用于将尺度序列中的一个尺度设定为当前尺度,获得当前尺度对应的角点图像;以及,用尺度序列中下一个尺度更新当前尺度,重新获得当前尺度对应的角点图像,直至获得尺度序列中所有尺度对应的角点图像;
筛选模块,用于筛选所有角点图像中共同的角点并输出;
所述根据所述第一面积和所述第二面积计算候选角点的角点响应指数,包括:
计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;
将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;
计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;
对所述第一响应值和所述第二响应值进行加权求和,获得角点响应指数。
6.如权利要求5所述的多尺度多方向的无人机图像角点检测***,其特征在于,所述角点响应指数模块还包括角点响应指数计算单元,所述角点响应指数计算单元用于计算第一面积与候选角点对应的圆形模板面积的比值,获得第一响应值;将候选角点对应的圆形模板中各个扇形模板对应的第二面积按照降序排序,将前两个扇形模板分别设定为第一主方向和第二主方向;计算第一主方向的第二面积、第二主方向的第二面积之和与第一主方向的面积、第二主方向的面积之和的比值,获得第二响应值;对所述第一响应值和所述第二响应值进行加权求和,获得角点响应指数。
7.如权利要求5所述的多尺度多方向的无人机图像角点检测***,其特征在于,所述核相似区模块还包括光谱相似度计算单元,所述光谱相似度计算单元用于在无人机图像的每个光谱波段下,计算像素点的光谱值与圆形模板核心点对应的像素点的光谱值之间差值的绝对值;累计所有的绝对值,获得光谱相似度。
8.智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的多尺度多方向的无人机图像角点检测程序,所述多尺度多方向的无人机图像角点检测程序被所述处理器执行时实现如权利要求1-4任意一项所述多尺度多方向的无人机图像角点检测方法的步骤。
9.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有多尺度多方向的无人机图像角点检测程序,所述多尺度多方向的无人机图像角点检测程序被处理器执行时实现如权利要求1-4任意一项所述多尺度多方向的无人机图像角点检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500752.5A CN116128804B (zh) | 2022-11-28 | 2022-11-28 | 多尺度多方向的无人机图像角点检测方法、***及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500752.5A CN116128804B (zh) | 2022-11-28 | 2022-11-28 | 多尺度多方向的无人机图像角点检测方法、***及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128804A CN116128804A (zh) | 2023-05-16 |
CN116128804B true CN116128804B (zh) | 2024-02-27 |
Family
ID=86299821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211500752.5A Active CN116128804B (zh) | 2022-11-28 | 2022-11-28 | 多尺度多方向的无人机图像角点检测方法、***及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128804B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156888A (zh) * | 2011-04-27 | 2011-08-17 | 西安电子科技大学 | 基于特征点局部颜色及分布特征的图像拣出方法 |
CN104463896A (zh) * | 2014-12-26 | 2015-03-25 | 武汉大学 | 基于核相似区分布特性的图像角点检测方法及*** |
CN107977960A (zh) * | 2017-11-24 | 2018-05-01 | 南京航空航天大学 | 一种基于改进的susan算子的轿车表面划痕检测算法 |
CN110807473A (zh) * | 2019-10-12 | 2020-02-18 | 浙江大华技术股份有限公司 | 目标检测方法、装置及计算机存储介质 |
CN111968117A (zh) * | 2020-09-25 | 2020-11-20 | 北京百度网讯科技有限公司 | 重合度检测方法、装置、设备以及存储介质 |
CN113496230A (zh) * | 2020-03-18 | 2021-10-12 | 中国电信股份有限公司 | 图像匹配方法和*** |
-
2022
- 2022-11-28 CN CN202211500752.5A patent/CN116128804B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156888A (zh) * | 2011-04-27 | 2011-08-17 | 西安电子科技大学 | 基于特征点局部颜色及分布特征的图像拣出方法 |
CN104463896A (zh) * | 2014-12-26 | 2015-03-25 | 武汉大学 | 基于核相似区分布特性的图像角点检测方法及*** |
CN107977960A (zh) * | 2017-11-24 | 2018-05-01 | 南京航空航天大学 | 一种基于改进的susan算子的轿车表面划痕检测算法 |
CN110807473A (zh) * | 2019-10-12 | 2020-02-18 | 浙江大华技术股份有限公司 | 目标检测方法、装置及计算机存储介质 |
CN113496230A (zh) * | 2020-03-18 | 2021-10-12 | 中国电信股份有限公司 | 图像匹配方法和*** |
CN111968117A (zh) * | 2020-09-25 | 2020-11-20 | 北京百度网讯科技有限公司 | 重合度检测方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116128804A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612841B (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
Manzanera et al. | Line and circle detection using dense one-to-one Hough transforms on greyscale images | |
CN109493367B (zh) | 一种对目标对象进行跟踪的方法和设备 | |
Kumar et al. | A novel method of edge detection using cellular automata | |
EP2079054B1 (en) | Detection of blobs in images | |
Ma et al. | Classification of automatic radar plotting aid targets based on improved fuzzy C-means | |
WO2022237153A1 (zh) | 目标检测方法及其模型训练方法、相关装置、介质及程序产品 | |
CN110533679B (zh) | 基于对数变换与伽柏卷积的sar图像边缘检测方法 | |
CN112085701A (zh) | 一种人脸模糊度检测方法、装置、终端设备及存储介质 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN111223128A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
JP2012043436A (ja) | 対象検出装置、対象検出方法、分類器作成装置及び分類器作成方法 | |
Yang et al. | A sea-sky-line detection method based on Gaussian mixture models and image texture features | |
CN116128883A (zh) | 一种光伏板数量统计方法、装置、电子设备及存储介质 | |
CN116645608A (zh) | 一种基于YOLOX-Tiny有偏特征融合网络的遥感目标检测 | |
CN114359383A (zh) | 一种图像定位方法、装置、设备以及存储介质 | |
CN117893468A (zh) | 一种快速3d孔洞检测方法、***、计算机设备及介质 | |
CN116128804B (zh) | 多尺度多方向的无人机图像角点检测方法、***及终端 | |
JP2014010633A (ja) | 画像認識装置、画像認識方法、及び画像認識プログラム | |
CN112906652A (zh) | 一种人脸图像的识别方法、装置、电子设备及存储介质 | |
CN116310837B (zh) | 一种sar舰船目标旋转检测方法及*** | |
CN115797453B (zh) | 一种红外微弱目标的定位方法、定位装置及可读存储介质 | |
CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN113591704B (zh) | 体重指数估计模型训练方法、装置和终端设备 |
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 |