最新刊期
2017 年 第 22 卷 第 11 期
- 摘要：基于内容的图像检索方法利用从图像提取的特征进行检索，以较小的时空开销尽可能准确的找到与查询图片相似的图片。 本文从浅层特征、深层特征和特征融合3个方面对图像检索国内外研究进展和面临的挑战进行介绍，并对未来的发展趋势进行展望。 尺度下不变特征转换（SIFT）存在缺乏空间几何信息和颜色信息，高层语义的表达不够等问题；而CNN （convolutional neural network）特征则往往缺乏足够的底层信息。为了丰富描述符的信息，通常将SIFT与CNN等特征进行融合。融合方式主要包括：串连、核融合、图融合、索引层次融合和得分层（score-level）融合。"融合"可以有效地利用不同特征的互补性，提高检索的准确率。 与SIFT相比，CNN特征的通用性及几何不变性都不够强，依然是图像检索领域面临的挑战。关键词：尺度不变特征;卷积神经网络;特征融合;图像检索3082|519|5更新时间：2024-05-07
综述
- 摘要：基于分类的稀疏字典去噪算法改善了字典训练阶段的效率问题，但稀疏分解阶段仍是全字典匹配，影响算法运行速度。为了解决稀疏去噪算法在稀疏分解阶段因复杂矩阵运算及字典全局搜索导致的算法效率低，以及冗余的稀疏字典因无法描述图像具体特征而影响图像去噪效果的问题，提出改进算法。 首先稀疏分解阶段，在原正交匹配追踪算法基础上引入字典原子聚类思想，提出局部正交匹配追踪算法，将全局搜索优化为局部搜索；为保证局部搜索仍能保持良好的匹配结果，提出近邻择优策略，计算聚类中心与信号原子的距离，从而按照某一阈值自适应地选择最优的个子字典作为稀疏分解的匹配空间；最后将图像分解为内容簇和背景簇，对内容簇采用基于近邻的局部K奇异值分解（K-SVD）算法去噪，背景簇采用均值滤波方法去噪。 对USC标准数据库中大量图像进行去噪实验，本文算法去噪结果的峰值信噪比值比K-SVD算法平均提高了1.53 dB，比2维块匹配（BM3D）算法平均提高了0.72 dB，比聚类的稀疏表示去噪（CSR）算法平均提高了0.5 dB；运行时间比原算法提高了23.2%。 本文算法针对灰度图像去噪，在去噪效果及去噪效率方面均有改善，尤其对细节纹理较丰富的灰度图像去噪具有一定的应用价值。关键词：图像去噪;稀疏表示;局部字典;近邻择优;近邻局部K奇异值分解3272|461|5更新时间：2024-05-07
图像处理和编码
- 摘要：针对传统局部方向模式（LDP）在特征提取的充分性、对光照和噪声等的鲁棒性以及识别时间长短这3方面不能同时取得一个很好的平衡效果，提出了一种双空间局部方向模式（DSLDP）的人脸识别方法。 首先，将图像3×3邻域像素灰度值与8个Kirsch模板算子卷积，得到8个方向的边缘响应值，然后，将近邻边缘响应值之间相应作差，对应8个方向的边缘响应差值，将两组值取绝对值，取各自最大值的方向编码成一个二位八进制数，产生DSLDP码。最后，在人脸描述阶段将人脸图像进行分块并把每块转换成DSLDP图，再对DSLDP图进行直方图统计，并利用信息熵对每块进行加权，将所有子块的直方图连接生成人脸特征，再通过PCA进行降维，用最近邻分类器分类识别。 在剑桥大学Olivetti实验室（ORL）、Aleix Martinez and Robert Benavente （AR）和中国科学院（CAS-PEAL）的人脸图像数据库进行实验，相比局部方向模式（LDP）、显著型局部方向模式（SLDP）、增强型局部方向模式（ELDP）、局部方向数字模式（LDN）、差值型局部方向模式（DLDP）、中心对称局部方向模式（CSLDP）和梯度中心对称局部方向模式（GCSLDP），DSLDP具有更好的识别性能。5幅测试样本时，在ORL库上取得了97.82%的平均识别率，在AR光照、表情、遮挡A和遮挡B库分别取得了98.00%、98.33%、99.33%、87.67%的平均识别率，在CAS-PEAL光照、表情和饰物库分别取得了99.33%、95.33%、90.00%的平均识别率。 1）该方法既考虑了近邻边缘响应值的外在变化，也考虑了近邻边缘响应值之间的内在变化，通过将强度空间和梯度空间人脸特征信息结合使人脸特征得到更加充分的提取。2） DSLDP只考虑邻边缘响应值和边缘响应差值的最大值情况，突出了主要边缘梯度信息，同时又避免了不重要信息的干扰，相比同类基于局部方向模式的单一人脸识别算法，对光照、表情、噪声、遮挡等情况表现出更强的鲁棒性。3） DSLDP码是由二位八进制数构成，特征模式数降低到64，识别时间明显降低。因此，DSLDP算法能同时在识别效果，稳定性和识别时间上取得一个较好的平衡效果。关键词：局部方向模式;双空间局部方向模式;Kirsch算子;信息熵;PCA;最近邻分类器;人脸识别2932|457|2更新时间：2024-05-07
- 摘要：机动车检测和属性识别是智能交通系统中的基本任务，现有的方法通常将检测和识别分开进行，导致以下两个问题：一是检测算法与识别任务在时序上存在耦合问题，增加了算法设计的复杂度；二是多个任务模块及其交互会增加计算负载，降低了智能交通系统的执行效率。为了解决以上问题，结合机动车辆视觉属性与检测之间的联系，提出机动车联合检测与识别方法，将检测和属性识别任务整合在一个算法框架中完成。 首先，将车辆颜色与类型融合到检测算法中，使用多任务学习框架对机动车的属性识别任务与定位任务建模，在检测的同时完成属性识别。进一步地，针对智能交通系统中数据分布不均匀、呈现长尾现象的问题，将多任务学习框架与在线难例挖掘算法相结合，降低该现象给模型优化带来的危害。 为了验证本文提出的方法，构建了拥有12 712幅图像，包含19 398辆机动车的道路车辆图像数据集。在该数据集上，使用机动车联合检测与识别算法取得了85.6%的检测精度，优于SSD （single shot detector）与Faster-RCNN检测方法。针对识别任务，本文方法对于颜色与类型属性的识别准确率分别达到了91.3%和91.8%。 车辆颜色和类型作为机动车的重要视觉特征，综合利用以上线索有助于提高机动车检测的效果，同时能够得到良好的属性识别性能。除此之外，使用一个高度集成的框架完成多个任务，可以提升智能交通系统的运行效率。关键词：机动车检测;机动车属性识别;难例挖掘;长尾现象;多任务学习2874|433|0更新时间：2024-05-07
- 摘要：图像模板匹配法常用于寻找像对间区域的对应关系，目前尚存的问题有：1）随着摄影基线的增加，待匹配区域在目标影像中有效信息逐渐降低；2）匹配区域的选择对匹配结果准确性影响较大。为了解决上述问题，提出一种基于分值图的图像模板选择与匹配方法。 首先利用图像多通道特征，提出采用抽样矢量归一化相关算法SV-NCC （sampling vector-normalized cross correlation）度量两幅图像间区域一致性，增加多通道特征间的有效信息对比，以此降低噪声与光照对模板匹配的影响。其次，在矢量空间中对图像进行分块聚类，将模板区域根据颜色特征分为几类，统计匹配图像的每个区域类中心颜色在待匹配图像中相似数量的倒数作为度量值，其值越大则颜色或颜色组合在目标图像中相似的概率越小，以该位置为基础选取模板进行匹配的准确率越高。最后，给出依据分值图排序模板区域的方法，并选取高分值区域作为最终的模板选择区域。 实验采用公共数据集从两个方面对本文方法进行客观评价：1）在摄影基线变换不大的情况下，SAD与SV-NCC方法的准确率均较高，达到90%以上。随着摄影基线的增大，采用SAD方法匹配准确率降低速率更快，在第6幅Graf图像的测试中匹配准确率低于20%，而SV-NCC方法匹配准确率高于40%；2）随着摄影基线的增大，落在高分值图区域匹配的正确率高于未落在高分值图区域匹配的正确率，由此可见高分值图区域的合理选择将提高模板匹配方法的准确率，验证了本文分值图与选择最佳模板匹配位置方法的有效性。 该方法从定量和定性比较上都体现了较好的像对匹配能力，其匹配结果适用于影像融合、超分辨率重建及3维重建等技术中的先期处理步骤。关键词：归一化互相关;模板匹配;分值图;密度聚类;摄影基线3030|562|1更新时间：2024-05-07
- 摘要：在细粒度视觉识别中，难点是对处于相同层级的大类，区分其具有微小差异的子类，为实现准确的分类精度，通常要求具有专业知识，所以细粒度图像分类为计算机视觉的研究提出更高的要求。为了方便普通人在不具备专业知识和专业技能的情况下能够区分物种细粒度类别，进而提出一种基于深度区域网络的卷积神经网络结构。 该结构基于深度区域网络，首先，进行深度特征提取任务，使用VGG16层网络和残差101层网络两种结构作为特征提取网络，用于提取深层共享特征，产生特征映射。其次，使用区域建议网络结构，在特征映射上进行卷积，产生目标区域；同时使用兴趣区域（RoI）池化层对特征映射进行最大值池化，实现网络共享。之后将池化后的目标区域输入到区域卷积网络中进行细粒度类别预测和目标边界回归，最终输出网络预测类别及回归边框点坐标。同时还进行了局部遮挡实验，检测局部遮挡部位对于分类正确性的影响，分析局部信息对于鸟类分类的影响情况。 该模型针对CUB_200_2011鸟类数据库进行实验，该数据库包含200种细粒度鸟类类别，11 788幅鸟类图片。经过训练及测试，实现VGG16+R-CNN （RPN）和Res101+R-CNN （RPN）两种结构验证正确率分别为90.88%和91.72%，两种结构Top-5验证正确率都超过98%。本文模拟现实环境遮挡情况进行鸟类局部特征遮挡实验，检测分类效果。 基于深度区域网络的卷积神经网络模型，提高了细粒度鸟类图像的分类性能，在细粒度鸟类图像的分类上，具有分类精度高、泛化能力好和鲁棒性强的优势，实验发现头部信息对于细粒度鸟类分类识别非常重要。关键词：细粒度;深度区域网络;卷积神经网络;鸟类分类;残差网络4512|534|7更新时间：2024-05-07
- 摘要：为了解决手绘运动学示意图对辅助学习的局限性，以及现有物理辅助教学软件只能模拟系统设定机构的局限性，提出了一种对手绘运动学机构示意图进行识别，并实现其运动过程模拟的方法。 首先提取笔画的几何特征进行笔画识别，得到笔画类型，然后根据构件笔画组成列表及笔画间相对关系，进行构件的匹配识别，再根据用户意图，识别构件间位置约束关系，自动矫正机构示意图中构件的相对位置，最后通过2维物理引擎，实现机构的运动过程模拟。 实现了对运动学教学中常见的16种构件的识别，和构件中常用的7种图元的识别，识别准确率分别为93.25%、94%。 实验结果表明，该方法可在对手写运动学构件符号以及构件间的约束关系进行正确的识别和矫正的基础上，实现对整个运动机构的识别，以及对机构运动过程的模拟。关键词：手写识别;运动学示意图;位置约束;相对位置矫正;运动过程模拟2129|301|0更新时间：2024-05-07
- 摘要：在监控场景的视频异常检测中，存在数据量大和检测速度慢的问题，为此提出图结构多尺度变换下的视频异常检测方法。 针对视频中光流特征的空间结构存在关联性，提出构建光流特征网络图结构，并在相关约束下利用光流特征图结构的迭代尺度化变换，有效降低视频异常检测中的光流特征数量，从而完成特征优化。光流特征图结构的尺度化变换首先利用光流特征图结构的图拉普拉斯矩阵所对应的最大特征向量的极性来筛选顶点，完成图的下采样操作；接着利用Kron规约构建顶点间的内在连接，重新构建光流特征图结构。 该方法能够提高视频异常检测算法的检测速度，但这是在略微降低检测精度的前提下实现的。在UMN数据集中，当尺度化图结构仅一次时的检测精度下降了3.2%，但检测速度提升了19.1%。这对整个视频集的检测速度的提升有明显效果。当尺度化次数为两次时的检测精度下降了7.3%，但这时检测效果达不到实际要求。此时，当尺度化图结构仅一次时异常检测的效果能达到预期。在Web数据集中，当尺度化图结构仅一次时，检测精度下降了1.9%，但检测速度提升了32%；尺度化两次时，检测精度降低了4.8%，检测速度提升了51%。因此，需要根据检测精度与检测速度的综合考虑后，选择尺度化次数是一次还是两次。但是随着尺度化次数的提高，这时检测效果就不能符合要求。 本文利用不规则的网络图结构来更好地表述特征之间的空间关系，并且多尺度变换后图结构也能表述特征间仍然保留有较强的空间关系。在不同的视频监控场景下，根据对检测精度与检测速度的综合考虑后选择合适的尺度化次数，从而实现快速异常检测。关键词：光流特征;特征优化;图结构;多尺度变换;异常检测2106|591|2更新时间：2024-05-07
图像分析和识别
- 摘要：基于目标模型匹配方法被广泛用于运动物体的检测与跟踪。针对传统模型匹配跟踪方法易受局部遮挡、复杂背景等因素影响的问题，提出一种前景划分下的双向寻优BOTFP （Bidirectional optimization tracking method under foreground partition）跟踪方法。 首先，在首帧中人工圈定目标区域，提取目标区域的颜色、纹理特征，建立判别外观模型。然后，利用双向最优相似匹配方法进行目标检测，计算测试图像中的局部特征块与建立的外观模型之间的相似性，从而完成模型匹配过程。为了避免复杂背景和相似物干扰，提出一种前景划分方法约束匹配过程，得到更准确的匹配结果。最后，提出一种在线模型更新算法，引入了距离决策，判断是否发生误匹配，避免前景区域中相似物体的干扰，保证模型对目标的描述更加准确。 本文算法与多种优秀的跟踪方法相比，可以达到相同甚至更高的跟踪精度，在Girl、Deer、Football、Lemming、Woman、Bolt、David1、David2、Singer1以及Basketball视频序列下的平均中心误差分别为7.43、14.72、8.17、13.61、24.35、7.89、11.27、13.44、12.18、7.79，跟踪重叠率分别为0.69、0.58、0.71、0.85、0.58、0.78、0.75、0.60、0.74、0.69。与同类方法L1APG （L1 tracker using accelerated proximal gradient approach），TLD （tracking-learning-detection），LOT （local orderless tracker）比较，平均跟踪重叠率提升了20%左右。 实验结果表明，在前景区域中，利用目标的颜色特征和纹理特征进行双向最有相似匹配，使得本文算法在部分遮挡、目标形变、复杂背景、目标旋转等条件下具有跟踪准确、适应性强的特点。关键词：判别外观模型;前景划分;双向寻优;距离决策;目标跟踪2137|369|2更新时间：2024-05-07
- 摘要：为解决传统阴影恢复形状（SFS）算法由于光源方向初始信息估计不准确，恢复的物体表面过于光滑，3维表面形状误差较大等问题，建立了基于径向基函数神经网络的反射模型，并对传统的神经网络进行了改进。 建立的基于径向基函数（SFS）神经网络的从阴影恢复形状反射模型代替了传统方法中采用的理想朗伯体表面反射模型。该模型利用径向基函数优秀的局部映射和函数逼近能力来处理SFS问题，通过网络训练过程中的权值代替物体所受到的初始光源信息，解决了传统算法在进行计算时，必须已知光源参数的限制。在该网络模型中添加自适应学习率算法，加速网络的收敛和训练速度。 针对SFS问题处理的两幅经典合成图像以及两幅实际图像进行了实验，实验结果表明，改进后的算法在3维视觉效果和3维形状信息的恢复方面都明显优于传统算法。归一化后的3维高度误差结果相比传统算法缩小了60%以上，而且同时适用合成图像和实际图像；自适应学习率的加入，使得网络的训练速度大大加快，对一幅128×128像素的图像，运算速度提升了50%。 本文针对SFS问题建立了基于RBF神经网络的从阴影恢复形状反射模型，利用网络模型中的参数代替SFS问题中的初始光源信息，通过最优化方法求解SFS问题。并针对传统的神经网络固定学习率造成网络收敛速度慢，容易陷入局部极小值的问题，加入了自适应学习率算法。实验结果表明，改进后的算法在处理该SFS问题时表现了优秀的性能，适用范围更广，收敛速度更快。关键词：从阴影恢复形状;径向基函数;神经网络;反射模型;3维重建1913|385|0更新时间：2024-05-07
图像理解和计算机视觉
- 摘要：由于单模态医学图像所提供的信息有限，不能反映相关组织所有细节信息，可能会造成临床医学误诊。针对这一问题，提出一种基于非下采样剪切波变换（NSST）的医学图像融合算法，对多模态医学图像进行融合，丰富融合图像信息，提高图像质量，为临床诊断提供依据。 首先，将源图像进行NSST变换得到低频子带和若干高频方向子带；其次，根据低频子带图像的特点，提出低频系数与脉冲耦合神经网络PCNN （pulse coupled neural network）相结合的方法；根据高频子带间结构相似度SSIM （structure similarity）不同，分为低相似和高相似子带图像；对低相似子带系数采用视觉敏感度系数VSC （visual sensitivity coefficient）与改进梯度能量相结合的策略；高相似子带系数采用VSC与区域能量相结合的方法；进而，选取结构相似度与边缘信息评价因子Q（edge based similarity measure）之和作为目标函数，自适应地优化可调参数；最后，经逆NSST变换重构图像。 对灰度图像和彩色图像进行实验仿真，并与其他4种融合方法进行比较，在主观视觉效果和客观评价标准，本文方法取得良好的融合效果，其中边缘评价因子和标准差都是最好的，其他指标相对较好；与靳珍怡提出的基于非下采样轮廓波变换的多模态医学图像融合相比，5组实验空间频率分别提高了11.8%、24.7%、83.4%、11.9%、30.3%；边缘评价因子分别提高了6.7%、15%、40%、50%、12%；结构相似度分别提高了0.7%、7.3%、2.4%、-3.6%、2.1%；交叉熵分别降低了16.9%、1.6%、-27.4%、6.1%、0.4%。 本文算法有效提高多模态医学图像融合质量，增加不同模态间的互补信息；与现有医学图像融合算法相比，本文算法更加优越。融合图像细节信息更为突出，整体信息更丰富，更符合人眼视觉特性。关键词：医学图像融合;NSST (non-subsampled shearlet transtransform)变换;PCNN (pulse coupled neural network);VSC (visual sensitivity coefficient);梯度能量;结构相似度4650|398|9更新时间：2024-05-07
医学图像处理
- 摘要：路网密度是一个地区交通可达性的重要指标，获取影像中的道路像元是计算路网密度的首要环节。本文利用高分遥感影像中城市主干道路光谱特征沿道路方向趋向一致的特性，提取城市主干道路。 通过分析像元点的角度纹理图，根据最小灰度方差所在方向设计2维Gabor滤波器。用滤波值数组作为每个像元的表征，借助k均值聚类分割策略将道路像元提取出来，并细化为主干道路网。 以完全率、正确率和提取质量作为精度评价指标，以k均值聚类作为分割策略，当分割对象分别为灰度值、灰度共生矩阵、多通道2维Gabor滤波值及本文采用的特征向量时，评价结果分别为0.45、0.51、0.37，0.62、0.70、0.54，0.58、0.66、0.52及0.72、0.78、0.65；以Hough变换法作为提取策略时，评价结果分别为0.41、0.56和0.34；以多尺度分割法作为提取策略时，评价结果分别为0.41、0.56和0.34。由此可知，采用相同分割策略，本文采用的分割对象相较其他对象可以获得更好的分类精度。相较传统的基于线状或面状特征的分类手段，本文方法在精度方面亦具有一定的优势。 本文提出了一种全新的道路像元提取方法，通过构造特定方向的2维Gabor滤波值数组进行影像分割。实验表明该方法具有较好的抗噪性和普适性，广泛适用于GF-1、GF-2、IKONS、QuickBird及其他传感器获取的高分辨率遥感影像。关键词：道路提取;角度纹理特征;2维Gabor滤波器;特征向量;k均值聚类2723|351|3更新时间：2024-05-07
- 摘要：由于高光谱遥感数据携带丰富的光谱和空间信息，使其在许多领域得以广泛关注和应用。但是高光谱遥感数据在获取过程中受到各种因素的影响，存在多种不同程度的退化，进而影响到后续的处理和应用。因此，提出一种基于低秩矩阵近似和混合全变差正则化方法来复原退化的高光谱遥感数据。 首先分析高光谱遥感数据的两种低秩先验：光谱低秩先验和空间低秩先验；然后利用光谱低秩先验建立低秩矩阵近似表示模型，有效抑制稀疏噪声，例如脉冲噪声、条纹噪声、死线噪声等；再利用空间低秩先验建立混合全变差正则化模型，有效去除高密度噪声，例如强高斯噪声、泊松噪声等；最后结合两种模型的优势，建立基于低秩矩阵近似和混合全变差正则化模型。 利用多组高光谱遥感数据，和多种相关的高光谱复原方法进行对比仿真实验，表明新模型的结果在视觉质量有很大改进。与目前最新的复原模型相比，提出的模型的平均峰值信噪比能提高1.8 dB，而平均结构相似数值指标能提高0.05。 新模型充分利用高光谱遥感数据的空间和光谱低秩先验，针对含有高密度噪声和稀疏异常值的高光谱遥感数据，能够有效复原出高质量的高光谱遥感数据。关键词：高光谱遥感图像;图像复原;低秩表示;全变差;正则化方法;稀疏先验2613|463|2更新时间：2024-05-07
- 摘要：无人机遥感具有高时效、高分辨率、低成本、操作简单等优势。但由于无人机通常只携带可见光传感器，无法计算由可见光-近红外波段组合所构造的植被指数。为解决这一问题，提出一种归一化色调亮度植被指数NHLVI （normalized hue and lightness vegetation index）。 通过分析HSL （hue-saturation-lightness）彩色空间模型，构建一种基于色调亮度的植被指数，将该植被指数以及其他常用的可见光植被指数，如归一化绿红差值指数NGRDI （normalized green-red difference index）、过绿指数ExG （excess green）、超绿超红差分指数ExGR （excess green minus excess red）等，分别与野外实测光谱数据和无人机多光谱数据的NDVI （normalized difference vegetation index）进行相关性比较；利用受试者工作特征曲线ROC （receiver operating characteristic curve）的特点确定阈值，并进行植被信息提取与分析。 NHLVI与NDVI相关性高（=0.776 8），而其他可见光植被指数中，NGRDI与NDVI相关性较高（=0.687 4）；ROC曲线下面积大小作为评价不同植被指数区分植被与非植被的指标，NHLVI指数在ROC曲线下面积为0.777，小于NDVI （0.815），但大于NGRDI （0.681），区分植被与非植被能力较强。为进一步验证其精度，利用阈值法提取植被，NHLVI提取植被信息的总体精度为82.25%，高于NGRDI （79.75%），尤其在植被稀疏区，NHLVI的提取结果优于NGRDI。 提出的归一化色调亮度植被指数，提取植被精度较高，适用于无人机可见光影像植被信息提取，为无人机可见光影像的应用提供了新方法。关键词：HSL变换;植被指数;无人机;可见光;植被提取3971|336|11更新时间：2024-05-07
遥感图像处理
- 摘要：基于数字高程模型（DEM）的地形山脊线和山谷线提取对地形模型简化、基于样本的地形合成和地形地貌研究有重要意义，针对许多传统算法无法对所提取特征线的显著度进行方便准确的控制，以及不支持环形特征线提取的问题，提出一种新的显著度可控的DEM地形特征线提取算法。 首先利用全局断面扫描算法提取特征点并计算各特征点的显著度，然后根据特征点的特征方向进行特征延伸以增强特征连通性，接着采用改进的Hilditch细线化算法对特征点集合进行细线化处理，之后为相邻特征点添加特征边，构成特征图，利用环路检测与破环算法检测特征图中的环路，并破除冗余小环路，最后根据分支显著度的相似度和分支方向一致性进行特征图分解，计算分解得到特征线的显著度并筛选得到最终特征线。 使用真实DEM数据提取最显著的若干条特征线，与现有的基于特征显著度的地形特征线提取算法进行对比，本文算法对特征图的分解能够更准确地提取主干特征线，而基于显著度的特征线筛选控制也更加准确合理。对提出的环路检测与破环算法进行实验验证，该算法能保留大的山脊线环路，破除小的冗余环路。 实验结果表明，本文算法能有效实现显著度可控的山脊线和山谷线自动提取，提取结果与人眼观察结果基本一致，同时能够支持含有环形特征的地形。关键词：地形特征线提取;特征显著度;数字高程模型;特征图分解;特征线筛选2969|246|0更新时间：2024-05-07
地理信息技术
- 地址：北京市海淀区北四环西路19号中科院电子所主楼223室 邮编：100190
- 联系电话：010-58887035/58887030/58887418 Email：jig@aircas.ac.cn
- 技术支持由北京北大方正电子有限公司提供 京ICP备05080539号-4
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0