CN102200575B - 一种基于恒虚警率的影像舰船检测方法 - Google Patents
一种基于恒虚警率的影像舰船检测方法 Download PDFInfo
- Publication number
- CN102200575B CN102200575B CN 201010568736 CN201010568736A CN102200575B CN 102200575 B CN102200575 B CN 102200575B CN 201010568736 CN201010568736 CN 201010568736 CN 201010568736 A CN201010568736 A CN 201010568736A CN 102200575 B CN102200575 B CN 102200575B
- Authority
- CN
- China
- Prior art keywords
- image
- window
- ship
- ship target
- target
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种基于恒虚警率的遥感影像舰船检测方法,属于雷达遥感影像目标检测领域。其步骤为:ENVISATASAR影像数据读取与格式转换,设定目标窗口、保护窗口与背景窗口三个检测窗口,在影像数据数组上滑动检测窗口,计算窗口均值与标准偏差,设定虚警率检测控制系数,按照舰船目标检测准则生成舰船目标-背景二值影像,遍历舰船目标-背景二值影像,生成矢量点状舰船目标。本发明解决了ENVISATASAR遥感影像舰船检测时滑动窗口与虚警率检测控制系数的设置问题,提出了矢量点状舰船目标的生成方法。应用本发明能够从ENVISATASAR影像中提取矢量点状舰船目标,服务于海洋环境与安全监测分析。
Description
技术领域
本发明涉及一种雷达影像舰船检测方法,特别是涉及一种基于恒虚警率的遥感影像舰船检测方法。
背景技术
舰船目标检测可用于特定海域的水运交通、遇难船只救助、非法捕鱼、非法走私、舰船非法倾倒油污等的监测和管理,在管理海运交通、提高海防预警能力、维护海洋权益等方面具有重要意义,是海洋环境与安全监测的重要内容。随着遥感技术手段在海洋观测中的广泛应用,通过遥感影像进行海上舰船目标的检测已成为可能,但光学遥感影像在海洋应用中受限于多变的海洋天气,难以实现宏观、长期、连续、动态的海洋观测。合成孔径雷达(Synthetic Aperture Radar,SAR)具有观测范围广、观测周期短、数据时效强、空间分辨率高、全天候和全天时等优点,因而近年来被广泛应用于包括舰船在内的海洋目标检测研究中。世界各国研究学者对于利用SAR影像进行舰船目标检测都十分重视,开展了多项关于SAR舰船检测的研究项目,美国、加拿大、挪威、英国和我国都开展了SAR影像舰船目标及其尾迹研究的实地实验研究;各国还开发了多个针对SAR影像的舰船目标检测系统,例如加拿大的OMW系统、欧洲联合中心的SUMO系统、法国Boost-Technologies公司的SARTool系统,以及我国的ShipServeillance系统等。舰船目标检测系统大都根据舰船SAR影像上呈现为典型的亮目标,通过各类舰船目标检测方法实现舰船提取。,基于雷达信号的恒虚警率(Constant False Alarm Rate,CFAR)的舰船检测方法是目前应用最为广泛的一种方法,在其基础上衍生的双参数CFAR方法、单元平均CFAR方法的应用集中于空间分辨率较低的SAR影像,K-分布CFAR方法则主要用于高空间分辨率RADARSAT影像的舰船检测,KSW双阈值图像分割方法同样适应于高分辨率SAR影像,而多极化检测方法只能应用于具有多极化通道观测的SAR影像。ENVISAT卫星是欧空局的对地观测卫星系列之一,于2002年3月1日发射升空,在ENVISAT-1卫星上载有多个传感器,分别对陆地、海洋、大气进行观测,其中最主要的是名为ASAR(Advanced SyntheticAperture Radar)的合成孔径雷达传感器,作为一种先进的合成孔径雷达传感器,ASAR在继承SAR优势的基础上,在雷达数据获取的覆盖范围、入射角范围、极化方式和操作模式等方面还具有其独特之处,在海洋目标检测领域具有广阔的应用前景。但目前绝大多数SAR影像舰船检测方法,均是针对较早发射的ERS-1/2、RADARSAT-1卫星的SAR传感器,不能直接使用面向SAR影像的舰船检测方法从ENVISAT ASAR数据中提取舰船。可查的面向ENVISAT ASAR影像的舰船检测方法仅有法国Boost-Technologies公司SARTool系统的舰船检测功能,但该功能的实现方法并未公开,且难以实现大批量影像的舰船检测,识别结果难以导出用于后续分析。Boost-Technologies公司的Guillaume H ajduch在2006年SEASAR,Advances in SAR Oceanography fromENVISAT and ERS Missions会议中撰文“Ship Detection on ENVISAT ASAR Data:Results,Limitations and Perspectives”,提出了从ENVISATASAR影像中检测舰船的技术框架,并给出了舰船检测结果的示例,但文章并未对ENVISATASAR影像舰船检测的具体方法进行阐述。此外,现有的舰船目标检测方法获取的检测结果为舰船目标-背景二值影像,不能在空间数据库中对其进行有效管理,不能直接对其进行空间查询、分析等操作,很难直接应用于海洋环境与安全监测分析。
发明内容
1.发明要解决的技术问题
本发明的目的是提供一种基于恒虚警率的影像舰船检测方法,生成矢量点状舰船目标,解决现有公开的雷达影像舰船检测方法不能提取ENVISAT ASAR影像舰船目标,以及舰船检测结果为舰船目标-背景二值影像,难以直接应用于海洋环境与安全监测分析的问题。
2.本发明的技术方案如下:
一种基于恒虚警率的影像舰船检测方法,步骤如下:
步骤1:通过卫星遥感地面接收站获取ENVISAT ASAR Level 1B级影像数据,读取ENVISAT ASAR影像,进行从原始数据格式.N1向带有空间参考的JPG数据格式的转换;
步骤2:读取格式转换后的ENVISAT ASAR影像数据至一维16位整型数组,作为检测窗口滑动检测的对象;
步骤3:设定基于恒虚警率的ENVISAT ASAR影像舰船检测窗口,共设定三个滑动窗口:目标窗口T,保护窗口P,背景窗口B,大小分别为3×3,5×5,7×7个影像单元点;
步骤4:滑动检测窗口,以待检测影像单元点为中心,计算目标窗口均值μt,背景窗口的均值μb,背景窗口的标准偏差σb;
步骤5:设定虚警率检测控制系数t=50,舰船目标检测准则μt>μb+σbt,满足该准则的待检测影像单元点判定为舰船目标,否则判定为影像背景,完成遍历后生成舰船目标-背景二值影像,其中舰船目标值为1,影像背景值为0;
步骤6:遍历舰船目标-背景二值影像,生成矢量点状舰船目标文件。
上述步骤1读取ENVISAT ASAR影像的方法如下:利用ENVI IDL读取ENVISAT ASAR原始数据格式*.N1数据,通过ENVI_ENVISAT_GEOREF_DOIT方法进行数据格式转换,生成带输入ENVISAT ASAR影像空间参考的JPG格式数据;
上述步骤2读取JPG格式的ENVISATASAR影像数据的方法如下:利用GDAL构建影像数据为Dataset数据集,利用Dataset的Read方法读取影像数据灰度数据至一维16位整型数组W,数组第i*columnNumber+j个位置的值对应影像数据第i行,第j列影像单元点的灰度值,i的取值范围为0至rowNumber-1,j的取值范围为0至columnNumber-1,其中columnNumber为影像的列数,rowNumber为影像的行数;
上述步骤4计算窗口均值μ与标准偏差σ的方法如下:在计算背景窗口均值μb和标准偏差σb时,位于保护窗口内的影像单元不参与运算,仅通过位于背景窗口中,同时位于保护窗口外的影像单元点进行计算;以待检测影像单元点为中心,遍历指定位置、大小窗口内的影像单元点,按照如下公式计算均值与标准偏差:
其中,si为位于背景窗口中,同时位于保护窗口外的影像单元点的灰度值,N为位于背景窗口中,同时位于保护窗口外的影像单元点的数量;
上述步骤6生成矢量点状舰船目标文件的方法如下:经过步骤1至步骤5处理生成舰船目标-背景二值影像,舰船目标表现为被背景分隔的、由1个或多个单元点组成的影像对象,其中舰船目标对应的影像灰度值为1,背景对应的影像灰度值为0,生成矢量点状舰船目标文件的具体流程如下:
(1)构建与影像等大的标记数组sign,初始值均设为0;
(2)遍历舰船目标-背景二值影像,对于遍历到的待检测影像单元点,若其对应位置标记数组sign值为0,舰船目标-背景二值影像值为1,并且其八邻域单元点标记值sign均为0,则将该待检测影像单元点作为检测到舰船的位置,同时更新其八邻域单元点的标记值sign为1;单元点(i,j)的八邻域点为(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i-1,j-1),(i-1,j+1),(i+1,j-1),(i+1,j+1)。遍历完成后,每个舰船目标均以其第一个被遍历的影像单元点表示;
(3)获取表征每个舰船目标的影像单元点的行列位置(i,j),以行数i作为点的Y坐标,以列数j作为点的X坐标,读取完毕后通过OGR程序集读取舰船目标点位信息并构造矢量点状对象,作为提取的矢量点状舰船目标,利用OGR程序集的Datasource.CreateDataSource()方法生成Shapefile格式矢量点状舰船目标数据文件。
3.有益效果
本发明公开了一种基于恒虚警率的影像舰船检测方法,实现了矢量点状舰船目标的生成方法。具体有益效果如下:
第一,提出了利用CFAR进行ENVISAT ASAR影像舰船提取滑动窗口与虚警率检测控制系数的设置方法。CFAR目标窗口、保护窗口及背景窗口的设置会对舰船提取结果产生重要影响,本发明根据ENVISAT ASAR影像中舰船目标的特征,提出了三个窗口大小的设置。虚警率表示背景被错误的检测为舰船目标的概率,虚警率检测控制系数的设置会显著影响虚警率,从而影响舰船目标提取结果,本发明提出了虚警率检测控制系数的设置。
第二,提出了从舰船目标-背景二值影像生成矢量点状舰船目标的方法。应用恒虚警率或其它方法从雷达影像中提取海上舰船目标,生成的是舰船目标-背景二值影像,不能直接将检测结果应用于海洋环境与安全监测分析。本发明提出了由舰船目标-背景二值影像向矢量点状舰船目标的转换方法,最终生成的矢量点状舰船目标可直接集成到舰船目标检测系统,便于根据舰船目标进行海洋环境与安全的监测分析。
综上,本发明提出了基于恒虚警率的影像舰船目标检测方法,解决了滑动窗口与虚警率检测控制系数的设置问题,提出了矢量点状舰船目标的生成方法。应用本发明能够从ENVISATASAR影像中提取矢量点状舰船目标,发明公布的方法能够集成至舰船目标检测系统,服务于海洋环境与安全监测相关分析。
附图说明
附图1为ENVISAT海上研究区影像;
附图2为CFAR舰船目标检测窗口(T目标窗口,P保护窗口,B背景窗口);
附图3为舰船目标-背景二值影像与区域放大图;
附图4矢量点状舰船提取结果。
具体实施方式
下面结合附图进一步说明本发明
实施例1
步骤1:ENVISAT ASAR影像获取与数据格式转换。由香港中文大学卫星遥感地面接收站2006年6月1日获取的名为ASA_WSM_1PNCUH20060601_022221_000000422048_00132_22230_0151.N1的ENVISAT ASAR WSM(WideSwath Mode)宽幅成像模式影像,通过ENVI IDL软件提供的ENVI_ENVISAT_GEOREF_DOIT方法读取ENVISAT ASAR*.N1格式影像数据,进行影像数据几何校正,并将其转换为JPG图像文件格式。利用ERDAS IMAGE软件Subset影像裁剪功能裁剪出大小为1654行,1181列的研究区影像(附图1);
步骤2:ENVISAT ASAR影像数据读取。利用GDAL/OGR的GDAL.Open方法打开研究区影像JPG格式数据集Dataset,利用Dataset的Read方法按行依次读取影像数据灰度数据至一维数组W,数组W的长度为1654×1181,数据类型为16位整型数组,数组第i*columnNumber+j个位置的值对应影像数据第i行,第j列影像单元点的灰度值,i的取值范围为0至rowNumber-1,j的取值范围为0至columnNumber-1,其中columnNumber为影像的列数,在本实例中为1181,rowNumber为影像的行数,在本实例中为1654;
步骤3:设定基于恒虚警率的ENVISAT ASAR影像舰船检测算法对应的检测窗口。设定目标窗口T,保护窗口P,背景窗口B,目标窗口是待检测舰船目标所在窗口,根据ENVISATASAR影像中海上舰船目标的特征,设定目标窗口大小为3×3,保护窗口是确保目标的像素没有被包含在背景窗口中,同样根据ENVISAT ASAR影像中舰船目标的大小特征,设定背景窗口大小为5×5,即舰船目标在影像上不会表现为超过该窗口大小的特征,背景窗口代表的是背景统计信息,用于在一定大小的范围内对ENVISATASAR影像舰船目标与影像背景信息进行区分,应保证在该范围内舰船目标与影像背景特征有显著区分,据此设定背景窗口大小为7×7(附图2);
步骤4:滑动检测窗口,计算窗口均值与标准偏差。同时滑动目标窗口T,保护窗口P,背景窗口B,计算以待检测影像单元点为中心,3×3大小的目标窗口的均值μt,7×7大小的背景窗口的均值μb和标准偏差σb,在计算背景窗口均值μb和标准偏差σb时,位于保护窗口内的影像单元不参与运算,即仅通过位于背景窗口中,同时位于保护窗口外的影像单元点进行计算,均值与标准偏差的计算公式为:
其中,si为位于背景窗口中,同时位于保护窗口外的影像单元点的灰度值,N为位于背景窗口中,同时位于保护窗口外的影像单元点的数量。均值反映了背景窗口中除去舰船目标的背景单元点灰度的平均特征,标准方差则反映了这些单元点灰度值的偏离程度。
步骤5:设定舰船目标检测准则,获取舰船目标-背景二值影像。根据ENVISATASAR影像中舰船目标的特征,设定恒虚警率检测控制系数t=50,设定舰船目标检测准则为μt>μb+σbt,满足该准则的待检测影像单元点,即窗口中心位置影像单元,判定为舰船目标,否则判定为影像背景。滑动窗口,完成遍历后生成舰船目标-背景二值影像,舰船目标在二值影像中值为1,影像背景在二值影像中值为0,本实例舰船目标-背景二值影像1953374个影像单元点中,共有405个单元点判定为舰船目标单元点,每个舰船目标均由1个或多个彼此相连的影像单元点组成(附图3);
步骤6:遍历舰船目标-背景二值影像,构造标记数组与提取规则,提取矢量点状舰船目标。构建长度为1654×1181的一维标记数组sign,初始值均设为0;遍历舰船目标-背景二值影像,对于遍历到的待检测影像单元点,若其对应位置sign数组标记值为0、舰船目标-背景二值影像值为1,并且其八邻域影像单元点对应标记值sign均为0,则该待检测影像单元点为检测到舰船的位置,记录其位置(i,j),同时更新其八邻域单元点的标记值sign为1,单元点(i,j)的八邻域点为(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i-1,j-1),(i-1,j+1),(i+1,j-1),(i+1,j+1),其中i为单元点在影像中的行号,j为单元点在影像中的列号。遍历完成后,每个舰船目标均以其第一个被遍历的影像单元点表示。读取表征每个舰船目标的影像单元点的行列位置(i,j),以行数i作为点的Y坐标,以列数j作为点的X坐标,利用点位信息构造矢量点状对象,在本实例中共构造23个点状舰船目标,利用OGR程序集的Datasource.CreateDataSource()方法生成Shapefile格式矢量点状数据文件,存储检测得到的23个点状舰船目标(附图4)。将提取结果与步骤1中的研究区影像进行对比分析可知,本方法正确提取了影像中的所有舰船目标,无错误提取或遗漏的情况,提取方法具有很高的精度。
Claims (4)
1.一种基于恒虚警率的影像舰船检测方法,包括以下步骤:
步骤1:通过卫星遥感地面接收站获取ENVISAT ASAR Level1B级影像数据,读取ENVISAT ASAR影像,进行从原始数据格式*.N1向带有空间参考的JPG数据格式的转换;
步骤2:读取转换格式后的ENVISAT ASAR影像数据至一维16位整型数组W,作为检测窗口滑动检测的对象;
步骤3:设定基于恒虚警率的ENVISAT ASAR影像舰船检测窗口,共设定三个滑动窗口:目标窗口T,保护窗口P,背景窗口B,大小分别为3×3,5×5,7×7个影像单元点;
步骤4:滑动检测窗口,以待检测影像单元点为中心,计算目标窗口T均值μt,背景窗口B的均值μb,背景窗口B的标准偏差σb;
步骤5:设定虚警率检测控制系数t=50,舰船目标检测准则μt>μb+σbt,满足该准则的待检测影像单元点判定为舰船目标,否则判定为影像背景,完成遍历后生成舰船目标-影像背景二值影像,其中舰船目标的影像灰度值为1,影像背景的影像灰度值为0;
步骤6:经过步骤1至步骤5处理生成舰船目标-影像背景二值影像,舰船目标表现为被影像背景分隔的、由1个或多个单元点组成的影像对象,其中舰船目标对应的影像灰度值为1,影像背景对应的影像灰度值为0,生成矢量点状舰船目标文件的具体流程如下:
(1)构建与ENVISAT ASAR影像等大的标记数组sign,初始值均设为0;
(2)遍历舰船目标-影像背景二值影像,对于遍历到的待检测影像单元点,若其对应位置标记数组sign值为0,舰船目标-影像背景二值影像值为1,并且其八邻域单元点标记数组sign值均为0,则将该待检测影像单元点作为检测到舰船的位置,同时更新其八邻域单元点的标记数组sign值为1,单元点(i,j)的八邻域点为(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i-1,j-1),(i-1,j+1),(i+1,j-1),(i+1,j+1),遍历完成后,每个舰船目标均以其第一个被遍历的影像单元点表示;
(3)获取表征每个舰船目标的影像单元点的行列位置(i,j),以行数i作为点的Y坐标,以列数j作为点的X坐标,通过OGR程序集读取舰船目标的影像单元点的行列位置(i,j)并构造矢量点状对象,作为提取的矢量点状舰船目标,利用OGR程序集的Datasource.CreateDataSource()方法生成Shapefile格式矢量点状舰船目标数据文件。
2.根据权利要求1所述的基于恒虚警率的影像舰船检测方法,其特征在于步骤1读取ENVISAT ASAR影像数据,进行数据格式转换的具体实现过程为:利用ENVI IDL读取ENVISAT ASAR原始数据格式*.N1数据,通过ENVI_ENVISAT_GEOREF_DOIT方法进行数据格式转换,生成带输入ENVISATASAR影像空间参考的JPG格式数据。
3.根据权利要求1所述的基于恒虚警率的影像舰船检测方法,其特征在于步骤2读取JPG格式ENVISAT ASAR影像数据的具体实现过程为:利用GDAL构建影像数据为Dataset数据集,利用Dataset数据集的Read方法读取影像数据灰度数据至一维16位整型数组W,数组第i*columnNumber+j个位置的值对应影像数据第i行,第j列影像单元点的灰度值,i的取值范围为0至rowNumber-1,j的取值范围为0至columnNumber-1,其中columnNumber为影像的列数,rowNumber为影像的行数。
4.根据权利要求1所述的基于恒虚警率的影像舰船检测方法,其特征在于步骤4计算窗口均值与标准偏差的具体实现过程为:在计算背景窗口B均值μb和标准偏差σb时,位于保护窗口P内的影像单元不参与运算,即仅通过位于背景窗口B中,同时位于保护窗口P外的影像单元点进行计算;以待检测影像单元点为中心,遍历指定位置、大小窗口内的影像单元点,按照如下公式计算均值与标准偏差:
其中,si为位于背景窗口B中,同时位于保护窗口P外的影像单元点的灰度值,N为位于背景窗口B中,同时位于保护窗口P外的影像单元点的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010568736 CN102200575B (zh) | 2010-12-02 | 2010-12-02 | 一种基于恒虚警率的影像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010568736 CN102200575B (zh) | 2010-12-02 | 2010-12-02 | 一种基于恒虚警率的影像舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102200575A CN102200575A (zh) | 2011-09-28 |
CN102200575B true CN102200575B (zh) | 2013-06-12 |
Family
ID=44661408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010568736 Expired - Fee Related CN102200575B (zh) | 2010-12-02 | 2010-12-02 | 一种基于恒虚警率的影像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102200575B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164686B (zh) * | 2011-12-12 | 2017-05-17 | 中国科学院对地观测与数字地球科学中心 | 一种根据船只的高分辨率sar图像识别船只类型的方法 |
CN102591709B (zh) * | 2011-12-20 | 2014-03-12 | 南京大学 | 基于OGR的shapefile文件主从式并行写方法 |
CN103425752B (zh) * | 2013-07-24 | 2016-12-28 | 浙江大学 | 一种Radarsat-1影像数据快速全面的读取方法 |
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN104680187B (zh) * | 2015-03-19 | 2017-12-29 | 南京大学 | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 |
CN105759268B (zh) * | 2016-03-24 | 2018-04-13 | 山东科技大学 | 基于多线程的sar图像cfar自适应快速检测方法 |
CN106056084B (zh) * | 2016-06-01 | 2019-05-24 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
CN106052718B (zh) * | 2016-07-21 | 2017-11-14 | 河南城建学院 | 一种基于pos设备与数字航测相机的校验方法及装置 |
CN108254770B (zh) * | 2018-01-24 | 2020-04-21 | 合肥工业大学 | 成像卫星搜索陆地移动目标的方法及装置 |
CN109214341B (zh) * | 2018-09-13 | 2022-05-10 | 青岛浩海网络科技股份有限公司 | 一种基于Himawari8的火点监测算法 |
CN109544574B (zh) * | 2018-10-31 | 2020-08-28 | 安徽四创电子股份有限公司 | 基于全固态vts雷达的目标提取方法 |
CN110084104A (zh) * | 2019-03-15 | 2019-08-02 | 北京理工雷科电子信息技术有限公司 | 基于高斯金字塔光流进行舰船动目标检测的方法 |
CN110596669B (zh) * | 2019-10-12 | 2023-06-16 | 南京慧尔视智能科技有限公司 | 一种基于时间统计的双参数恒虚警检测方法 |
CN113326212B (zh) * | 2020-02-28 | 2023-11-03 | 加特兰微电子科技(上海)有限公司 | 数据处理方法、装置及相关设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61138190A (ja) * | 1984-12-10 | 1986-06-25 | Toshiba Corp | 合成開口レ−ダ |
-
2010
- 2010-12-02 CN CN 201010568736 patent/CN102200575B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
Non-Patent Citations (1)
Title |
---|
JP昭61-138190A 1986.06.25 |
Also Published As
Publication number | Publication date |
---|---|
CN102200575A (zh) | 2011-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102200575B (zh) | 一种基于恒虚警率的影像舰船检测方法 | |
Muñoz et al. | From local to regional compound flood mapping with deep learning and data fusion techniques | |
Wick et al. | Description and validation of an automated objective technique for identification and characterization of the integrated water vapor signature of atmospheric rivers | |
CN112183432B (zh) | 一种基于中分辨率sar图像的建筑区提取方法以及系统 | |
CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
O'Grady et al. | The use of radar satellite data from multiple incidence angles improves surface water mapping | |
Huang et al. | An intelligent ship image/video detection and classification method with improved regressive deep convolutional neural network | |
CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
CN106815559B (zh) | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 | |
Kopp et al. | Fully automated snow depth measurements from time-lapse images applying a convolutional neural network | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Dibs et al. | Fusion Landsat-8 thermal TIRS and OLI datasets for superior monitoring and change detection using remote sensing | |
Yamaguchi et al. | Detection and localization of manhole and joint covers in radar images by support vector machine and Hough transform | |
Sun et al. | Coastline extraction using remote sensing: A review | |
Zhou et al. | Tree crown detection in high resolution optical and LiDAR images of tropical forest | |
CN102768356B (zh) | 一种利用多时相雷达数据检测海上静止目标的方法 | |
Xie et al. | Converting along-track photons into a point-region quadtree to assist with ICESat-2-based canopy cover and ground photon detection | |
Nazir et al. | Kiln-net: A gated neural network for detection of brick kilns in South Asia | |
Xu et al. | Dynamic detection of offshore wind turbines by spatial machine learning from spaceborne synthetic aperture radar imagery | |
Koo et al. | Semi-automated tracking of iceberg B43 using Sentinel-1 SAR images via Google Earth Engine | |
Xia et al. | Submesoscale oceanic eddy detection in SAR images using context and edge association network | |
Koo et al. | Automated detection and tracking of medium-large icebergs from Sentinel-1 imagery using Google Earth Engine | |
Zhang et al. | Quantifying seasonal variations in microphytobenthos biomass on estuarine tidal flats using Sentinel-1/2 data | |
Xie et al. | Machine-Learning-Method-Based Inversion of Shallow Bathymetric Maps Using ICESat-2 ATL03 Data | |
Zhao et al. | An automatic SAR-based change detection method for generating large-scale flood data records: the UK as a test case |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130612 Termination date: 20151202 |
|
EXPY | Termination of patent right or utility model |