MPPC low-level-light imaging enhancement algorithm based on sub-window box filtering
-
摘要:
针对多像素光子计数器(MPPC)进行微光成像时，图像受光照不足和噪声影响出现的图像亮度低、对比度差、边缘模糊等问题，提出一种基于子窗口盒式滤波的自适应微光图像处理算法。为了减少算法运行时间的同时突出图像的边缘细节信息，利用子窗口盒式滤波器对图像进行分层得到基础层和细节层；对基础层图像采用自适应阈值直方图均衡化拉伸对比度，细节层图像采用自适应增益控制方式进行增强；根据基础层图像中有效灰度值个数占总灰度的比值自适应确定融合系数，将基础层图像与细节层图像融合得到增强后图像。通过微光实验平台设置3组不同照度的微光环境进行实验仿真，验证了本文算法在保持边缘信息和增强细节方面获得了更好的效果。实验结果表明本文算法在标准差、信息熵、平均梯度等客观评价方面优于改进前算法，提升了微光图像的成像效果。
Abstract:Aiming at the problems of low image brightness, poor contrast, and blurred edges caused by insufficient illumination and noise during low-level-light imaging for multi-pixel photon counter (MPPC), an adaptive low-level-light image processing algorithm based on sub-window box filtering was proposed. To reduce the algorithm running time while highlighting the edge detail information of the image, the sub-window box filter was used to layer the image to obtain the basic layer and detail layer. For the image of basic layer, the adaptive threshold histogram equalization was used to stretch the contrast, and the image of detail layer was enhanced by adaptive gain control method. The fusion coefficient was determined adaptively based on the ratio of the number of effective gray values to the total gray in the image of basic layer, and the image of basic layer was fused with the image of detail layer to obtain the enhanced image. Three sets of low-level-light environments with different illumination levels were set by the low-level-light experimental platform for experimental simulation, which verified that the algorithm obtained better results in maintaining edge information and enhancing details. Experimental results show that the proposed algorithm is superior to the previous algorithm in objective evaluation of standard deviation, information entropy, and average gradient, which improves the imaging effect of low-level-light image.
-
引言
海底沉积物的特性，对于军用反潜作战、智能化武器的发展、探测水雷，以及民用上的海洋工程选址、海底资源开发都起到重要作用。其中海底微地形粗糙度是海底沉积物性质中的重要参数。因此，研究海底粗糙度的表达和探测有着重要意义。由于海底沉积物往往具有松散颗粒的结构特点[1]，打捞后原始结构会遭到影响，所以多采用近距离、原位观测海底微地形粗糙度的技术方法。
海底微地形粗糙度的测量随着上世纪七十年代海底声散射研究的开始而兴起。作为传统的测量方法，手工测量和电导率探针方法属于接触式测量，这种方式存在分辨率低、准确度差的问题。1978年，Akal和Hovem作为早期的研究人员，曾使用立体摄影测量法统计和量化海底微地形[2]，基于多个不同角度的水下照片对摄像机进行校准，以获得海底三维数字高程模型[3]。但是这种方法成像时需要校准，实现复杂，并由于海洋复杂的环境中难以实施单一位置多镜头复现的问题，导致该方法在实际应用中难以开展。十九世纪以来，测量海底底质粗糙度参数的方法得到极大发展，2016年，Isakson提出了一种移动式激光测量方法，将激光测量装置安装在ROV(remote operated vehicle)上，可以在无需海底设施的条件下实现大面积测量，并于佛罗里达部署实验[4]。
作为三维重建方法——SFS算法，成像时不需要校准，且可以通过单张照片中的亮度信息得到海底微地形的数据。SFS算法目前也已经发展了多种理论和应用，并被应用于地形观测、缺陷检测、人体建模等[5-6]。然而，其水下光学应用相对较少。本文将SFS算法拓展到水下，并通过该方法表示三维海底微地形，提取粗糙度参数。
1 理论模型
1.1 微地形测量
工件表面粗糙度是一个重要的参数[7-8]，而海底微地形粗糙度对于声纳的性能也具有不可忽视的影响。获取海底微地形的数字表示是计算粗糙度参数的第一步。用函数z(x, y)来描述海底微地形成像结果，x、y对应于二维成像中的横纵坐标，z是像素点(x, y)对应的真实海底点的相对高度，也就是需要求解的变量。具有亮度I(x, y)的图像中的每个点p(x, y, z)对应于真实海底中的点P(X, Y, Z)。考虑到海水对光线具有强吸收、散射作用，依据光学规律建立光线传播模型，如图 1所示。
根据Beers法则，水下光吸收的规律符合[9]：
$$ B = {B_0}{e^{ - \alpha d}} $$ (1) 其中:B0代表发射光强度; d是通过介质传播的距离; B是光线在水中经过d距离后的光强; 参数α是介质中的光吸收系数。通常，吸收系数以cm-1为单位。考虑到上述海水对光的吸收、散射等物理现象，在假设透视投影的情况下，根据Shaomin Zhang的理论，水下散射规律可写为[10]
$$ {I_W}\left( {x, y} \right) = \left( {\frac{K}{{P_S^3}}} \right){e^{ - \alpha \left( {{P_S} + {P_C}} \right)}}\cos \varphi $$ (2) 其中：IW(x, y)表示归一化后每个像素的灰度值；PS是从成像点P到水下光源的距离；PC是从成像点P到相机的距离；设$p = \frac{{\partial Z}}{{\partial X}}, q = \frac{{\partial Z}}{{\partial Y}}$, k是坐标和梯度p和q的函数；φ是单位法向量n与光源方向之间的夹角。假设与到成像区域的距离相比，光源和相机方向上的分离可以忽略不计。根据Shaomin Zhang [11]，(2)式简化为
$$ {I_W}\left( {x, y} \right) = \left( {\frac{1}{{P_C^2}}} \right){e^{ - 2\alpha {P_C}}}\cos \varphi $$ (3) 其中${P_C} = \sqrt {{{\left( {X - {X_c}} \right)}^2} + {{\left( {Y - {Y_c}} \right)}^2} + Z{{\left( {Z - {Z_c}} \right)}^2}} $。即在Lambert模型I(x, y)=σcosφ基础上，水下光散射模型引入了因子cf进行修正:
$$ {c_f} = \left( {\frac{1}{{P_C^2}}} \right){e^{ - 2c{P_C}}} $$ (4) cf是一个依赖于PC和α的修正因子。点P(X, Y, Z)处的单位法线可以表示为$\mathit{\boldsymbol{n = }}{\left[ { - p, - q, 1} \right]^{\rm{T}}}/\sqrt {\left( {{p^2} + {q^2} + 1} \right)} $。光源方向表示为$\mathit{\boldsymbol{s = }}{\left[ { - {s_X}, - {s_Y}, 1} \right]^{\rm{T}}}/\sqrt {\left( {s_X^2 + s_X^2 + 1} \right)} $。对于n和s，有[11]：
$$ \cos \varphi = \mathit{\boldsymbol{n}} \cdot \mathit{\boldsymbol{s}}{\rm{ = }}\frac{{1 + p \cdot {s_X} + q \cdot {s_Y}}}{{\sqrt {\left( {{p^2} + {q^2} + 1} \right)} \cdot \sqrt {\left( {s_X^2 + s_X^2 + 1} \right)} }} $$ (5) 代入方程(3)，有：
$$ \begin{array}{l} \left( {\frac{1}{{P_C^2}}} \right){e^{ - 2\alpha {P_C}}}\cos \gamma = \left( {\frac{1}{{P_C^2}}} \right){e^{ - 2\alpha {P_C}}} \cdot \\ \frac{{1 + p \cdot {s_X} + q \cdot {s_Y}}}{{\sqrt {\left( {p \cdot 2 + {q^2} + 1} \right)} \cdot \sqrt {\left( {s_X^2 + s_X^2 + 1} \right)} }} = {I_W}\left( {x, y} \right) \end{array} $$ (6) IW(x, y)为水下照片里各像素点的归一化亮度，方程(6)是一个含有p、q两个未知数的方程。在不添加约束的情况下，这是一个病态方程，因此需要对方程添加约束才能进行求解。Horn加入了平滑、可积和强度约束，将方程转换为功能极值的解；Zheng和Chellappa用图像梯度代替了平滑的约束条件，用函数极值的方法求解该方程[12-13]。Tsai引入了牛顿迭代法[14]，离散化之后，梯度p和q为
$$ p\left( {x, y} \right) = z\left( {x + 1, y} \right) - z\left( {x, y} \right) $$ (7) $$ q\left( {x, y} \right) = z\left( {x, y + 1} \right) - z\left( {x, y} \right) $$ (8) 用Gr(p, q)表示$\left( {\frac{1}{{P_C^2}}} \right){e^{ - 2\alpha {P_C}}})\cos \gamma $，待求解方程(6)可以表示为
$$ \begin{array}{l} f\left( {z\left( {x, y} \right), z\left( {x + 1, y} \right), z\left( {x, y + 1} \right)} \right) = {I_W}\left( {x, y} \right) - \\ \;\;\;\;\;\;\;\;Gr\left( {p, q} \right) = 0 \end{array} $$ (9) 将k设置为迭代次数，对上式在z(x, y)=zk-1(x, y)处进行泰勒展开，并进行一阶近似，我们可以得到：
$$ \begin{array}{l} f\left( {z\left( {x, y} \right)} \right) \approx f\left( {{z^{k - 1}}\left( {x, y} \right)} \right) + \left( {z\left( {x, y} \right) - } \right.\\ \left. {\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{z^{k - 1}}\left( {x, y} \right)} \right)\frac{{\partial f}}{{\partial z\left( {x, y} \right)}}{z^{k - 1}}\left( {x, y} \right) \end{array} $$ (10) 一阶展开后，(9)式可由(11)式近似：
$$ {z^{k + 1}}\left( {x, y} \right) = {z^k}\left( {x, y} \right) - \frac{{{f^k}}}{{f_z^k}} $$ (11) 其中fz是z(i, j)的导数：
$$ \begin{array}{l} {f_z}\frac{{\partial f\left( {z\left( {x, y} \right)} \right)}}{{z\left( {x, y} \right)}} = - \left[ {\left( { - \frac{c}{{{R^2}}} - \frac{{{e^{ - 2\alpha R}}}}{{{R^3}}} \times \frac{{1 + p{s_x} + q{s_y}}}{{\sqrt {1 + {p^2} + {q^2}} }} \times \frac{{1 + 2z}}{R} + \frac{{{e^{ - 2\alpha z}}}}{{{z^2}}} \times } \right.} \right.\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\left. {\left( { - \frac{{{s_x} + {s_y}}}{{\sqrt {1 + {p^2} + {q^2}} }} + \frac{{\left( {{s_x} + {s_y}} \right)\left( {1 + p{s_x} + q{s_y}} \right)}}{{\sqrt {{{\left( {1 + {p^2} + {q^2}} \right)}^3}} }}} \right)} \right]/\sqrt {1 + s_x^2 + s_y^2} \end{array} $$ (12) 经过迭代后，进行标定，即可得到微地形的三维数字模型。
1.2 粗糙度求解
经过上一节求解，可以得到水下微地形。测量时水下装置配置如图 2所示，将摄像机放置于待测区域上方的ROV或水下框架上操作。待测参数包括从相机到该区域中心的距离以及光吸收系数。
成像结果如图 3(a)所示，成像范围为0.4 m×0.4 m，经过三次迭代后，获得的数字高程模型(digital elevation model, DEM)如图 3(b)所示。
海底散射的研究与三维地形的具体表征无关，它依赖于频域的统计信息。在图像处理之后，获得界面高度函数z=f(R)，R =(x, y)。海底散射需要空间频率f(周期/单位长度)的统计信息来表示，$f = \frac{1}{\lambda }$。实际上，波数k是更为常用的表征粗糙度谱的自变量。k和f的关系是
$$ k = \frac{{2{\rm{ \mathsf{ π} }}}}{\lambda } = 2{\rm{ \mathsf{ π} }}f $$ (13) 海底粗糙度的功率谱强度近似符合幂律形式，因此可以表示为
$$ W\left( \mathit{\boldsymbol{K}} \right) = \frac{{{\omega _2}}}{{{\mathit{\boldsymbol{K}}^{{\gamma _2}}}}} $$ (14) 其中：W(K)是粗糙度谱；K表示二维波长向量；参数ω2称为谱强度；参数γ2称为谱指数。用B(R)表示高程数字信息的协方差函数。根据Wiener-Khinchin定理，粗糙度谱W(K)可以由B(R)的傅里叶变换求解得到：
$$ W\left( \mathit{\boldsymbol{K}} \right) = \frac{2}{{2{{\rm{ \mathsf{ π} }}^2}}}\int {B\left( \mathit{\boldsymbol{R}} \right){e^{ - i\mathit{\boldsymbol{KR}}}}){{\rm{d}}^2}\mathit{\boldsymbol{R}}} $$ (15) 设H(Kx, Ky)为微地形的频谱，z=f(R)在采样数为m/n的x/y方向采样，采样间隔为lx/ly，有：
$$ W\left( \mathit{\boldsymbol{K}} \right) = \frac{1}{{mn{l_x}{l_y}}}{\left| {H\left( {{\mathit{\boldsymbol{K}}_x}, {\mathit{\boldsymbol{K}}_y}} \right)} \right|^2} $$ (16) 在估算其粗糙度谱之前，为减少频谱泄漏，将二维Hamming窗应用于高度场数据，高度频谱强度等级以dB表示。
对海底粗糙度功率谱进行幂律拟合，结果如图 5所示，其中W(K)和K以对数形式进行表示。拟合结果为γ2=2.581，ω2=10-4.768m4-γ2，置信度为95%。
2 实验验证
验证实验于2017年在青岛市即墨海域附近部署，其海图位置与海底拍摄情况如图 6所示。
利用三角架架设水下相机，对海底沙坡进行成像，得到图 7(a)中拍摄结果和图 7(b)处理结果。将原始波纹图像与其功率谱强度进行比较，二维功率谱强度在空间频率域内具有整体倾斜的特点，如图 7(b)所示，对应着图 7(a)中沙坡的分布方向。根据图 8中拟合的结果，观察得到粗糙度参数主要是由较高空间频率部分，即微地形的小尺度起伏决定的。对海底微地形的粗糙度功率谱数据进行幂律拟合，γ2=1.404, ω2=10-8.295m4-γ2，具有95%的置信度。所得的结果和Briggs在美国东南海岸测量海底粗糙度的结果相当[15]。如图 9所示，水下SFS算法是一种有效的海底粗糙度测量算法。与Ispkson提出的方法相比，本方法更加便捷、价格低廉。
![]()
图 7 海底沙坡及其对应的功率谱强度Figure 7. Simulated seabed ripples and its power spectrum intensity3 结论
本文提出一种基于SFS的光学海底微地形粗糙度测量方法，结合水下光传播的特点，利用水下SFS得到海底微地形的数字高程模型进行仿真，并在即墨海域部署实验进行验证，证明了该算法有效性。该方法可以通过单张水下照片获得海底微地形特征。对于动态海底而言，这种可安装在ROV或框架上的光学系统非常有效，并且有利于长期和大面积观测。
-
![]()
图 1 不同类型支持区域的滤波特征
Figure 1. Diagram of filtering characteristics in different types of support regions
![]()
图 3 不同参数条件下的子窗口盒式滤波器
Figure 3. Sub-window box filter under different parameter conditions
![]()
图 5 引导滤波和本文滤波器保持边缘性能对比
Figure 5. Performance comparison in edge preserving between guided filter and proposed filter
![]()
图 6 本文微光图像增强算法流程
Figure 6. Flow chart of proposed low-level-light image enhancement algorithm
![]()
图 7 算法处理前后的微光图像直方图分布
Figure 7. Histogram distribution of low-level-light image before and after algorithm processing
![]()
图 9 直方图均衡化效果对比
Figure 9. Effect comparison of histogram equalization in different scenes
![]()
图 14 ${10^{ - 1}}\;{\rm{lx}}$微光环境下各算法增强图像效果对比
Figure 14. Comparison of effect of image enhancement by algorithms under ${10^{ - 1}}\;{\rm{lx}}$ low-level-light condition
![]()
图 15 ${10^{ - 3}}\;{\rm{lx}}$微光环境下各算法增强图像效果对比
Figure 15. Comparison of effect of image enhancement by algorithms under ${10^{ - 3}}\;{\rm{lx}}$ low-level-light condition
![]()
图 16 ${10^{ - 5}}\;{\rm{lx}}$微光环境下各算法增强图像效果对比
Figure 16. Comparison of effect of image enhancement by algorithms under ${10^{ - 5}}\;{\rm{lx}}$ low-level-light condition
表 1 ${10^{ - 1}}\;{\rm{lx}}$微光环境下的图像增强评价指标
Table 1 Image enhancement evaluation indexes under ${10^{ - 1}}\;{\rm{lx}}$ low-level-light environment
算法 标准差 信息熵 平均梯度 A B C A B C A B C 原始图像 34.63 15.87 29.24 6.38 1.20 4.59 1.26 0.57 0.83 交叉子窗
口算法35.51 14.43 33.75 6.41 1.22 4.98 1.37 0.61 0.96 DDE算法 35.82 16.11 33.56 6.46 1.16 4.81 1.78 0.72 1.06 文献[4]算法 37.35 17.15 36.57 6.47 1.19 4.94 1.43 0.89 1.12 本文算法 39.58 20.56 40.36 6.49 0.77 5.19 2.27 1.15 1.46 
下载: 导出CSV
表 2 ${10^{ - 3}}\;{\rm{lx}}$微光环境下的图像增强评价指标
Table 2 Image enhancement evaluation indexes under ${10^{ - 3}}\;{\rm{lx}}$ low-level-light environment
算法 标准差 信息熵 平均梯度 A B C A B C A B C 原始图像 21.29 16.71 19.42 5.85 1.81 6.04 0.77 0.69 0.64 交叉子窗
口算法22.39 17.24 19.57 6.04 1.73 6.06 0.87 0.72 0.68 DDE算法 24.67 18.08 19.65 5.87 1.66 5.98 1.06 0.80 0.71 文献[4]算法 26.89 18.70 19.82 6.01 1.63 6.01 0.98 0.87 0.78 本文算法 28.94 19.30 28.43 6.15 1.39 6.39 1.18 0.95 1.13
下载: 导出CSV
表 3 ${10^{ - 5}}\;{\rm{lx}}$微光环境下的图像增强评价指标
Table 3 Image enhancement evaluation indexes under ${10^{ - 5}}\;{\rm{lx}}$ low-level-light environment
算法 标准差 信息熵 平均梯度 A B C A B C A B C 原始图像 15.53 9.17 8.08 5.27 1.55 4.55 0.45 0.37 0.26 交叉子窗
口算法14.88 10.10 14.07 5.28 1.38 4.61 0.42 0.43 0.41 DDE算法 17.15 10.57 11.59 5.24 1.30 4.58 0.58 0.44 0.37 文献[4]算法 17.46 11.23 12.02 5.46 1.27 4.61 0.60 0.48 0.42 本文算法 16.57 12.48 15.16 5.21 1.32 3.89 0.63 0.57 0.51
下载: 导出CSV
-
[1] 徐炜君, 刘国忠. 空间域和频域结合的图像增强技术及实现[J]. 中国测试,2009,35(4):52-54. XU Weijun, LIU Guozhong. Image enhancement technology combining spatial domain and frequency domain and its implementation[J]. China Measurement & Test,2009,35(4):52-54.
[2] 周克虎, 雷涛, 罗刚. 一种基于时域滤波的红外序列图像去噪算法[J]. 应用光学,2021,42(3):474-480. ZHOU Kehu, LEI Tao, LUO Gang. An infrared sequence image denoising algorithm based on time-domain filtering[J]. Journal of Applied Optics,2021,42(3):474-480.
[3] LIU Ning, ZHAO Dongxue. Detail enhancement for high-dynamic-range infrared images based on guided image filter[J]. Infrared Physics & Technology,2014,67:138-147.
[4] ZHOU B, LUO Y, YANG M, et al. An improved adaptive detail enhancement algorithm for infrared images based on guided image filter[J]. Journal of Modern Optics,2019,66(1):33-46. doi: 10.1080/09500340.2018.1511861
[5] 王炫, 尹丽菊, 高明亮, 等. 基于新符号函数与盲源分离的光子计数图像去噪方法[J]. 激光与光电子学进展. 2018, 55(10): 158-164. WANG Xuan, YIN Liju, GAO Mingliang, et al. Photon counting image denoising method based on new symbol function and blind source separation[J]. Laser & Optoelectronics Progress. 2018, 55(10): 158-164.
[6] 廖斌, 刘鸳鸳. 基于多尺度灰度变换的图像增强研究[J]. 量子电子学报,2015,32(5):550-554. LIAO Bin, LIU Yuanyuan. Research on image enhancement based on multi-scale gray transform[J]. Chinese Journal of Quantum Electronics,2015,32(5):550-554.
[7] YIN Hui, GONG Yuanhao, Qiu Guoping. Combined window filtering and its applications[J]. Multidimensional Systems and Signal Processing,2021,32(2):313-333.
[8] KITAGAWA G. The two-filter formula for smoothing and an implementation of the Gaussian-sum smoother[J]. Annals of the Institute of Statistical Mathematics,1994,46:605-623. doi: 10.1007/BF00773470
[9] 沈德海, 张龙昌, 鄂旭. 基于多子窗口的混合噪声滤波算法[J]. 计算机技术与发展,2015,25(6):69-72. SHEN Dehai, ZHANG Longchang, E Xu. Hybrid noise filtering algorithm based on multiple sub-windows[J]. Computer Technology and Development,2015,25(6):69-72.
[10] CÁTIA P, ANA O, CRISTINA J, et al. Automatic crackle detection algorithm based on fractal dimension and box filtering[J]. Procedia Computer Science,2015,64:705-712. doi: 10.1016/j.procs.2015.08.592
[11] 胡海波, 邱民仆. 微光图像对比度增强技术研究[J]. 测绘通报,2015,1:26-30. HU Haibo, QIU Minpu. Contrast enhancement of low light level image[J]. Bulletin of Surveying and Mapping,2015,1:26-30.
[12] 孙国栋, 徐昀, 徐亮. 不均匀光照和重影的仪表图像二值化方法[J]. 应用光学,2020,41(1):74-78. doi: 10.5768/JAO202041.0102002 SUN Guodong, XU Yun, XU Liang. Instrumentation image binarization method for inhomogeneous illumination and ghosting[J]. Journal of Applied Optics,2020,41(1):74-78. doi: 10.5768/JAO202041.0102002
[13] 汪伟, 许德海, 任明艺. 一种改进的红外图像自适应增强方法[J]. 红外与激光工程,2021,50(11):419-427. WANG Wei, XU Dehai, REN Mingyi. An improved adaptive enhancement method for infrared image[J]. Infrared and Laser Engineering,2021,50(11):419-427.
[14] 李佳, 李少娟, 段小虎, 等. 基于Retinex理论与概率非局部均值的红外图像增强方法[J]. 光子学报,2020,49(4):187-196. LI jia, LI Shaojuan, DUAN Xiaohu, et al. Infrared image enhancement method based on Retinex theory and probabilistic non-local mean[J]. Acta Photonica Sinica,2020,49(4):187-196.
[15] 汪子君, 罗渊贻, 蒋尚志, 等. 基于引导滤波的自适应红外图像增强改进算法[J]. 光谱学与光谱分析,2020,40(11):3463-3467. WANG Zijun, LUO Yuanyi, JIANG Shangzhi, el at. An improved adaptive infrared image enhancement algorithm based on guided filtering[J]. Spectroscopy and Spectral Analysis,2020,40(11):3463-3467.
-
期刊类型引用(16)
1. 杨治，曾寰，涂起龙. 基于激光点云精确定位的输电线路无人机自主巡检系统研究. 微型电脑应用. 2024(01): 23-26+31 . 
百度学术
2. 杨东晨，黄玉春，欧阳凝晖. 基于多视投影的电力杆塔点云绝缘子串快速提取. 电工电能新技术. 2024(04): 94-103 . 百度学术
3. 束庆霏. 激光点云中输电杆塔坐标的快速提取方法. 宁夏电力. 2024(01): 75-80 . 百度学术
4. 王思凡. 基于激光点云的输电杆塔坐标提取方法. 长江信息通信. 2024(07): 183-186 . 百度学术
5. 蔡东健，岳顺. 基于机载点云的电力线提取方法研究. 水利与建筑工程学报. 2023(01): 17-21 . 百度学术
6. 郑维刚，赵振威，唐红，张忠瑞，杨鑫，杨泓悦，苗腾. 基于三维激光点云的隧道电缆敷设质量参数自动检测方法. 半导体光电. 2023(03): 460-466 . 百度学术
7. 张智前，叶周润，欧鑫，肖信峰. 基于机载LiDAR系统的电力线点云提取方法研究. 合肥工业大学学报(自然科学版). 2023(08): 1103-1108 . 百度学术
8. 姚煜，蒋昌太. 基于激光点云数据的聚类算法分析应用. 传感器世界. 2023(10): 19-23 . 百度学术
9. 李海明，冯新文，吕通发，何永春，袁晓磊. 融合探测概率的电力线路点云分类方法. 电子测量技术. 2023(22): 102-108 . 百度学术
10. 李辉燕，肖新华，成俊. 网络化激光雷达的多源数据融合点云分类算法研究. 激光杂志. 2022(02): 124-128 . 百度学术
11. 吴芳，李瑜，金鼎坚，李天祺，郭华，张琦洁. 无人机三维地障信息提取技术应用于航空物探飞行轨迹规划. 自然资源遥感. 2022(01): 286-292 . 百度学术
12. 占晓明. 基于机载LiDAR的电塔点云提取与重建. 地理空间信息. 2022(04): 139-142+162 . 百度学术
13. 刘玉贤，阮明浩，闫臻. 一种基于机载激光点云的门型电塔精确提取方法. 测绘通报. 2022(07): 129-133 . 百度学术
14. 覃剑，杜珂，苏淑敏，李瑾，黎铭洪. 基于场景识别的变电站智能机器人巡视技术. 机械与电子. 2022(08): 76-80 . 百度学术
15. 白莎莎，张海洋，许世东，陈思祺，张子龙，赵长明. 基于机载激光雷达点云的雪道坡度提取算法. 应用光学. 2021(03): 481-487 . 本站查看
16. 周钦坤，岳建平，杨恒，朱依民. 机载LiDAR数据中电力线的自动提取与重建. 测绘通报. 2020(10): 26-30+37 . 百度学术
其他类型引用(7)
计量
- 文章访问数: 303
- HTML全文浏览量: 149
- PDF下载量: 29
- 被引次数: 23
陕公网安备 61011302001501号 