行业分类-物理装置-图像目标的检测方法、装置、终端设备及存储介质.zip

目标检测是高光谱遥感领域一个重要研究方向，其在矿物勘探和国防侦查等领域都有着广泛的应用。简明、系统地介绍了高光谱图像目标检测中的一些关键算法及其在实际应用中存在的问题，并对未来发展方向进行了展望。

基于深度学习的SAR图像目标识别算法.pdf

这是红外光图像小目标识别源代码。下载解压后直接运行。

详细介绍见博客 https://blog.csdn.net/kobeyu652453/article/details/117398990 数据集

二值检测

mind-ar-js（测试版） mind-ar-js是用于Web增强现实的轻量级库。 主要功能包括： :white_medium_star: 用纯JavaScript编写，从底层计算机视觉引擎到前端是端到端的 :white_medium_star: 利用gpu（通过webgl）和网络工作者提高性能 :white_medium_star: 支持自然特征跟踪（即图像目标），具有多个目标 :white_medium_star: 开发人员友好。 易于设置。 借助AFRAME扩展程序，您只需10行代码即可启动您的应用 演示版 观看视频： : ，或自己尝试： 示例1：使用手机打开以下网址： : 。 允许相机访问并查看下图以触发AR效果。 示例2（多个目标）用您的手机打开此URL： : 。 允许相机访问并查看以下图像（一次一张）以触发AR效果。 示例3（交互式示例） 观看视频： : ，或自己尝试： 用您的手机打开此网址： : 。 允许相机访问并查看示例1中的相同图像。 用法 步骤1：编译映像目标 使用

SSD方法图像目标检测,该模型为Tesnorflow版本,可以直接在Tesorflow环境下载入进行预测.

为了从遥感图像中提取出更为准确完整的目标边缘，提出一种基于无下采样Shearlet 模极大值和改进数学形态学的目标边缘提取方法。首先采用无下采样 Shearlet 变换(NSST)将图像分解成边缘细节丰富的高频分量和边缘细节较少的低频分量；然后结合不同分解程度下边缘像素点处的系数关系，对高频分量的各个子带进行模极大值检测，再经过双层掩膜筛选后得到高频边缘提取结果；对低频分量采用改进的数学形态学方法，得到低频边缘提取结果；最后将上述两部分融合，使用区域连通方法去除孤立点，得到最终的目标边缘图像。大量实验结果表明，与 Canny 以及其他 4 种同类边缘提取方法相比，本文方法所得边缘定位准确、完整清晰、细节丰富，且抗噪能力强，为后续遥感图像目标特征提取与识别奠定更好基础。

2020冬季数字图像处理课程项目，使用yolov5+wider_face 和 deeplabv3+cityscapes，均使用开源的代码和数据集。