CN102509290A - 基于显著性的sar图像机场跑道边缘检测方法 - Google Patents
基于显著性的sar图像机场跑道边缘检测方法 Download PDFInfo
- Publication number
- CN102509290A CN102509290A CN201110328330XA CN201110328330A CN102509290A CN 102509290 A CN102509290 A CN 102509290A CN 201110328330X A CN201110328330X A CN 201110328330XA CN 201110328330 A CN201110328330 A CN 201110328330A CN 102509290 A CN102509290 A CN 102509290A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- pixel
- gray
- scale
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于显著性的SAR图像机场跑道边缘检测方法,其实现步骤为:(1)读入图像数据;(2)对读入的图像进行中值滤波;(3)对滤波去噪后的图像进行增强处理;(4)获取处理后图像的显著图;(5)基于显著图的显著性信息剔除嘈杂背景区;(6)获取种子生长点,进行区域生长;(7)后处理;(8)边缘定位。本发明既可以快速的完成对机场跑道边缘的检测,又可以较好的保持机场跑道边缘的信息,同时避免了嘈杂背景区域的干扰,具有较好的实时性和较高的检测精度,可应用于合成孔径雷达SAR图像机场跑道边缘的检测。
Description
技术领域
本发明属于图像处理技术领域,涉及合成孔径雷达(synthetic aperature radar,SAR)图像的边缘检测,更进一步来讲是一种基于视觉显著性的合成孔径雷SAR图像机场跑道边缘检测方法,可用于合成孔径雷达SAR图像边缘检测。
背景技术
合成孔径雷达SAR图像的目标检测是国内外普遍关注的研究热点问题,而合成孔径雷达SAR图像中的机场跑道是一类非常重要的目标,无论从军用,还是从民用的角度来讲,对其检测都具有特殊的意义。
对图像边缘的检测,目前学者已经提出了许多方法,像sobel检测,Prewitt检测,Robert检测,ROA检测等。但这些传统的边缘检测应用到合成孔径雷达SAR图像中时,由于合成孔径雷达SAR本身的成像特性,其检测结果中断边缘,错边缘现象严重,并且受到相干斑噪声的干扰很大。因此又有学者针对合成孔径雷达SAR图像的特点,提出了适合合成孔径雷达SAR图像的边缘检测算法。
西安电子科技大学在其专利申请“SAR图像机场道路边缘检测水平集方法”(专利申请号:201010541990.1,公开号:CN101982835A)中提出了一种基于水平集的合成孔径雷达SAR图像道路边缘检测方法。该专利申请采用区域生长的方法,从去噪后的图像中获取目标区域的边缘轮廓,作为水平集演化的初始化零水平集,进行水平集演化得到最终的目标区域的边缘轮廓。该方法虽然能够克服合成孔径雷达SAR图像斑点噪声对边缘检测的影响,但仍存在的不足是,区域生长时需手动选取初始化种子点,不能完成自动化的机场跑道边缘检测。此外,由于该方法利用区域生长得到水平集演化的初始化零水平集后再演化得到最终的目标区域的边缘轮廓,使得该方法的时间复杂度较高,不具有实时性。
西北工业大学在其专利申请“一种基于高分辨率遥感图像的机场目标检测方法”(专利申请号:201110094462.0,公开号:CN102156882A)中提出了基于高分辨率遥感图像的机场目标检测方法。该专利申请利用模糊边缘检测的方法,从预处理后的图像中提取图像边缘并留下近似直线的边缘,再利用自适应多尺度Beamlet变化检测其中平行的长直线作为跑道候选特征,并以机场的先验知识筛选出机场特征,最后以特征点八邻域范围内最高灰度的点作为种子点进行区域增长提取机场目标。该方法虽然能够克服边缘检测过程中大量误检的现象,但仍存在的不足是,该方法对合成孔径雷达SAR图像中相干斑噪声未采取有效措施,受噪声影响较大时,检测结果会较差。此外,由于该方法在处理过程未考虑复杂背景区域的问题,使得背景区域对检测结果造成影响。
发明内容
本发明针对上述现有技术存在的不足,提出了一种基于视觉显著性的合成孔径雷达SAR图像机场跑道边缘检测方法。本发明既可以较好的避免相干斑噪声对检测结果的影响,又可以较好的降低复杂图像背景对机场跑道边缘检测的干扰,同时又消除了区域生长时初始化种子点的手动选取问题,具有较高的检测精度和较好的实时性。
本发明实现上述目的的思路是:在对输入的图像进行中值滤波去噪并进行图像增强,先获取图像的显著图,根据显著图确定嘈杂背景区及机场跑道的候选区,再依据图像的显著性获取种子生长点,并同时去除嘈杂背景区,接着对去除嘈杂背景的去噪、增强图像进行区域生长获取机场跑道区域;最后用sobel算子对机场跑道区的边缘进行定位。
本发明的步骤包括如下:
(1)读入一幅SAR图像。
(2)对读入的SAR图像进行中值滤波
2a)以输入图像中任意一个像素点为中心,选取一个窗口大小为奇数的正方形窗口;
2b)将正方形窗口中全部像素点的灰度值按照由大到小的顺序排列,组成一个灰度序列,选取位于灰度序列中间位置的灰度值作为滤波值;
2c)用滤波值替代步骤2a)中像素点的灰度值;
2d)重复上述步骤,直至处理完图像中的全部像素点。
(3)图像增强
对滤波后的图像进行灰度非线性变换,得到对比度增强后的合成孔径雷达SAR图像,将该图像作为强度特征图。
(4)获取SAR图像的显著图
4a)用0°、45°、90°和135°四个方向的Gabor滤波器对增强后的图像进行滤波,获得四个方向特征图;
4b)利用下式分别获取强度特征图和四个方向特征图的待规格化图像;
Cj=idct[S*exp(i*P)]
其中,Cj为待规格化图像,j为变量,分别代表强度和四个方向,j∈{q,0°,45°,90°,135°},q为强度;idct表示离散余弦反变换,S是谱残差,i为虚数,P是图像离散余弦变换后的相位谱信息,*表示相乘操作;
4c)对待规格化图像进行规格化操作,分别获得强度显著图和方向显著图;
4d)按照下式对强度显著图和方向显著图设置权重系数,并合并各特征显著图;
其中,C为总显著图,l∈{I,D},I表示强度,D表示方向,Ml是特征显著图的最大值,是除特征显著图最大值以外,其他所有局部极大值的平均值,*表示相乘操作;
4e)对合并后的图像进行高斯低通滤波,获得合成孔径雷达SAR图像的显著图。
(5)剔除嘈杂背景区
对显著图中显著性较强的区域进行阈值分割,得到二值图像,将该二值图像与步骤(3)增强后的图像点乘,剔除复杂机场跑道的嘈杂背景区。
(6)区域生长
6a)在步骤(4)得到的合成孔径雷达SAR图像显著图中灰度值最小点;
6b)判断灰度值最小点的48邻域像素点与该点是否相似,如果相似,执行步骤6e),否则,执行下一步骤;
6c)判断灰度值最小点的24邻域像素点与该点是否相似,如果相似,执行步骤6e),否则,执行下一步骤;
6d)判断灰度值最小点的8邻域像素点与该点是否相似,如果相似,执行下一步骤,否则,执行步骤6f);
6e)以灰度值最小点的坐标对应于增强后图像中的点作为种子生长点,将步骤(3)增强图像中与种子生长点相似的点标识为1,其余的点标识为0,得到区域生长的连通区域;
6f)在步骤(4)得到的合成孔径雷达SAR图像显著图中未经选择的剩余像素点中选灰度值最小点,执行步骤6b)。
(7)后处理
7a)利用八连通区域标记法,对步骤6e)得到的连通区域分别进行标记,不同连通区域的像素点给予不同的标号;
7b)利用累计求和的方法统计出不同标号连通区域的像素数,将像素数目最多的连通区域的像素灰度值表示为1,其余连通区域的像素灰度值表示为0,得到一个二值图像。
(8)边缘定位
利用sobel边缘检测方法对二值图像进行边缘检测,得到合成孔径雷达SAR图像机场跑道边缘检测结果。
本发明与现有技术相比具有以下优点:
第一,本发明采用中值滤波进行降噪,克服了现有技术存在的检测虚假边缘,丢失真实边缘的缺点,减少了本发明检测结果中的错检和漏检。
第二,本发明利用显著性信息剔除了嘈杂背景区域,克服了现有技术存在的背景图像造成干扰的缺点,减少了本发明检测结果中的误检。
第三,本发明基于显著图的显著性信息,从显著图中显著性偏低的大片连通区域中获取种子生长点,克服了现有技术存在的手动选取种子生长点的缺点,使得本发明实现了自动化。
第四,本发明基于视觉显著性获取机场跑道边缘,克服了现有技术时间复杂度较大的缺点,使得本发明的处理速度得到了提高,具有较好的实时性。
附图说明
图1是本发明的流程图;
图2是本发明的仿真效果图。
具体实施方式
下面结合附图1对本发明的步骤做进一步的详细描述。
步骤1,读入一幅SAR图像。
步骤2,对读入的SAR图像进行中值滤波。
以输入图像中任意一个像素点为中心,选取一个窗口大小为奇数的正方形窗口。
将正方形窗口中全部像素点的灰度值按照由大到小的顺序排列,组成一个灰度序列,选取位于灰度序列中间位置的灰度值作为滤波值。
用滤波值替代作为中心的像素点的灰度值。
重复上述步骤,直至处理完图像中的全部像素点。
步骤3,图像增强。
对滤波后的图像进行灰度非线性变换,得到对比度增强后的合成孔径雷达SAR图像,将该图像作为强度特征图。
灰度非线性变换方法是将步骤2中滤波后的图像从low_in至high_in之间的源灰度值映射到目标灰度范围之间,增强高灰度区域的对比度,其中low_in和high_in分别是步骤2中滤波后图像的最小灰度值和最大灰度值。
步骤4,获取SAR图像的显著图。
用0°、45°、90°和135°四个方向的Gabor滤波器对增强后的图像进行滤波,获得四个方向特征图。
利用下式分别获取强度特征图和四个方向特征图的待规格化图像。
Cj=idct[S*exp(i*P)]
其中,Cj为待规格化图像,j为变量,分别代表强度和四个方向,j∈{q,0°,45°,90°,135°},q为强度;idct表示离散余弦反变换,S是谱残差,i为虚数,P是图像离散余弦变换后的相位谱信息,*表示相乘操作;
按照下式计算谱残差。
S=L-R
其中,S为谱残差,L为图像经过离散余弦变换得到的相位谱的对数,记为对数谱,R为对数谱的均值滤波结果。
对待规格化图像进行规格化操作,分别获得强度显著图和方向显著图。
待规格化图像的规格化操作步骤如下:
首先,将待规格化图像矩阵的所有行像素灰度最大值的最大值作为图像的像素灰度最大值,记录图像中像素灰度值等于该像素灰度最大值的所有像素点的任一坐标。
然后,将图像的像素灰度值归一化到0至图像像素灰度最大值之间。
其次,按照下式得到每个局部极大值与像素灰度最大值之间的综合差异值;
S=(M-mi)*B*[1-di/sqrt(w2+h2)]
其中,S为综合差异值,di是局部极大值mi与像素灰度最大值M之间的空间距离,i∈{1,...,n},n为局部极大值的个数,w是图像的宽度,h是图像的高度,B是权重控制因子,sqrt是平方根运算。
再次,计算规格化比例因子f=[(∑S)/n]2。
最后,给整个图像乘上f。
按照下式对强度显著图和方向显著图设置权重系数,并合并各特征显著图。
对合并后的图像进行高斯低通滤波,获得合成孔径雷达SAR图像的显著图,高斯低通滤波器的标准差σ=8。
步骤5,剔除嘈杂背景区。
对显著图中显著性较强的区域进行阈值分割,得到二值图像,将该二值图像与步骤3增强后的图像点乘,剔除复杂机场跑道的嘈杂背景区。
阈值分割是将显著图的灰度直方图中最后一个谷值确定为分割阈值,将合成孔径雷达SAR图像的显著图中灰度值大于等于该阈值的点记为0,其余的点记为1。
步骤6,区域生长。
在步骤4得到的合成孔径雷达SAR图像显著图中选灰度值最小点;
判断灰度值最小点的48邻域像素点与该点是否相似,如果相似,以灰度值最小点的坐标对应于步骤3增强后图像中的点作为种子生长点进行区域生长,将增强图像中与种子生长点相似的点标识为1,其余的点标识为0,得到区域生长后的连通区域,否则,判断灰度值最小点的24邻域像素点与该点是否相似,如果相似,进行区域生长,否则,判断灰度值最小点的8邻域像素点与该点是否相似,如果相似,进行区域生长,否则,在步骤4得到的合成孔径雷达SAR图像显著图中未经选择的剩余像素点中选灰度值最小点,重复以上判断。
像素点与像素点的相似是指两像素点的灰度值之差的绝对值小于阈值U,U=X-Y,其中X是步骤3中获得的合成孔径雷达SAR图像中机场区域像素灰度值的平均值,Y是机场区域像素灰度值的最小值。该机场区域是一个近似区域,将步骤3中获得的合成孔径雷达SAR图像显著图的灰度直方图的第一个谷值作为分割阈值,对显著图进行阈值分割,小于该阈值的像素灰度值设为1,大于该阈值的像素灰度值设为0,得到二值图像,将该二值图像与步骤3获得的增强图像进行点乘就得到该近似区域。
步骤7,后处理。
利用八连通区域标记法,对步骤6得到的连通区域分别进行标记,对属于相同连通区域的像素点给予相同的标号,属于不同连通区域的像素点给予不同的标号。
八连通区域标记法是指对图像中一个像素和其他像素在上、下、左、右、左上角、左下角、右上角或右下角连接着的像素点的区域给予相同标号的方法。
利用累计求和的方法统计出不同标号连通区域的像素数,将像素数目最多的连通区域的像素灰度值表示为1,其余连通区域的像素灰度值表示为0,得到一个二值图像;
步骤8,边缘定位。
利用sobel边缘检测方法对二值图像进行边缘检测,得到合成孔径雷达SAR图像机场跑道边缘检测结果。
sobel边缘检测方法是将步骤7b)得到的二值图像的矩阵与水平的sobel模板[1 21;0 0 0;-1 -2 -1]和垂直的sobel模板[-1 0 1;-2 0 2;-1 0 1]分别进行卷积,得到两个矩阵,将两个矩阵对应像素点的较大灰度值,作为该像素点的新灰度值,新灰度值大于阈值的像素点为边缘点。
下面结合附图2对本发明的仿真效果做进一步的描述。
1、仿真条件
本发明的仿真是在主频2.33GHZ的Intel(R)Core(TM)2Duo、内存2GB的硬件环境和MATLAB R2009a的软件环境下进行的。
本发明实施例中采用了3×3的中值滤波和标准差为σ=8的高斯低通滤波器,sobel边缘检测时的阈值是一个自动阈值。
2、仿真内容
本发明仿真实验所用数据为一幅真实的合成孔径雷达SAR图像。图像的大小为500×500像素。
本发明与传统sobel算法和canny算法等的仿真结果进行比较,进一步说明本发明在复杂背景图像应用上的优越性,本发明也具有较好的实时性。
3、仿真效果分析
本发明中,仿真图具有机场跑道边缘信息保持较好的优点,同时,机场跑道边缘检测结果受机场周围嘈杂背景的干扰较小。因此,利用视觉显著性信息对去噪增强图像进行边缘检测的方法,既较好的避免了错边缘和漏边缘,又较好的避免了断边缘,具有较好的实时性和较高的检测准确度。
为了说明本发明的有效性和优越性,将背景技术中提到的三种边缘检测方法作为对比方法进行验证。其中,将专利“SAR图像机场道路边缘检测水平集方法”中的方法简记为BCV法,sobel边缘检测算法和canny边缘检测算法分别简记为sobel法和canny法。
图2为本发明的仿真效果图。其中,图2(a)为合成孔径雷达SAR图像sobel法的效果图,图2(b)为合成孔径雷达SAR图像本发明的效果图,图2(c)为合成孔径雷达SAR图像BCV法的效果图,图2(d)为合成孔径雷达SAR图像canny法的效果图。
从图2(a)和图2(d)可以看出,sobel法和canny法得到的边缘效果都很差,断边缘现象都比较严重,且受机场周围的嘈杂背景干扰较大,冗余边缘比较多。图2(a)的BCV法虽能够得到比较准确的目标轮廓,但也存在断边缘和冗余边缘。BCV法在实现过程中需人工干预,手动完成初始化种子生长点的选取。从图2(b)可以看出,与sobel法、canny法和BCV法相比,本发明取得了比其他边缘检测方法相对更优的边缘检测效果。同时,本发明具有较好的实时性。
Claims (9)
1.基于显著性的SAR图像机场跑道边缘检测方法,包括如下步骤:
(1)读入一幅SAR图像;
(2)对读入的SAR图像进行中值滤波
2a)以输入图像中任意一个像素点为中心,选取一个窗口大小为奇数的正方形窗口;
2b)将正方形窗口中全部像素点的灰度值按照由大到小的顺序排列,组成一个灰度序列,选取位于灰度序列中间位置的灰度值作为滤波值;
2c)用滤波值替代步骤2a)中像素点的灰度值;
2d)重复上述步骤,直至处理完图像中的全部像素点;
(3)图像增强
对滤波后的图像进行灰度非线性变换,得到对比度增强后的合成孔径雷达SAR图像,将该图像作为强度特征图;
(4)获取SAR图像的显著图
4a)用0°、45°、90°和135°四个方向的Gabor滤波器对增强后的图像进行滤波,获得四个方向特征图;
4b)利用下式分别获取强度特征图和四个方向特征图的待规格化图像;
Cj=idct[S*exp(i*P)]
其中,Cj为待规格化图像,j为变量,分别代表强度和四个方向,j∈{q,0°,45°,90°,135°},q为强度;idct表示离散余弦反变换,S是谱残差,i为虚数,P是图像离散余弦变换后的相位谱信息,*表示相乘操作;
4c)对待规格化图像进行规格化操作,分别获得强度显著图和方向显著图;
4d)按照下式对强度显著图和方向显著图设置权重系数,并合并各特征显著图;
4e)对合并后的图像进行高斯低通滤波,获得合成孔径雷达SAR图像的显著图;
(5)剔除嘈杂背景区
对显著图中显著性较强的区域进行阈值分割,得到二值图像,将该二值图像与步骤(3)增强后的图像点乘,剔除复杂机场跑道的嘈杂背景区;
(6)区域生长
6a)在步骤(4)得到的合成孔径雷达SAR图像显著图中灰度值最小点;
6b)判断灰度值最小点的48邻域像素点与该点是否相似,如果相似,执行步骤6e),否则,执行下一步骤;
6c)判断灰度值最小点的24邻域像素点与该点是否相似,如果相似,执行步骤6e),否则,执行下一步骤;
6d)判断灰度值最小点的8邻域像素点与该点是否相似,如果相似,执行下一步骤,否则,执行步骤6f);
6e)以灰度值最小点的坐标对应于增强后图像中的点作为种子生长点,将步骤(3)增强图像中与种子生长点相似的点标识为1,其余的点标识为0,得到区域生长的连通区域;
6f)在步骤(4)得到的合成孔径雷达SAR图像显著图中未经选择的剩余像素点中选灰度值最小点,执行步骤6b);
(7)后处理
7a)利用八连通区域标记法,对步骤6e)得到的连通区域分别进行标记,不同连通区域的像素点给予不同的标号;
7b)利用累计求和的方法统计出不同标号连通区域的像素数,将像素数目最多的连通区域的像素灰度值表示为1,其余连通区域的像素灰度值表示为0,得到一个二值图像;
(8)边缘定位
利用sobel边缘检测方法对二值图像进行边缘检测,得到合成孔径雷达SAR图像机场跑道边缘检测结果。
2.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤(3)所述的灰度非线性变换方法是将步骤(2)中滤波后的图像从low_in至high_in之间的源灰度值映射到目标灰度范围之间,增强高灰度区域的对比度。
3.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤4b)所述的确定谱残差的公式为:
S=L-R
其中,S为谱残差,L为图像经过离散余弦变换得到的相位谱的对数,记为对数谱,R为对数谱的均值滤波结果。
4.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤4c)所述的规格化操作步骤是:
步骤1,将待规格化图像矩阵的所有行像素灰度最大值的最大值作为图像的像素灰度最大值,记录图像中像素灰度值等于该像素灰度最大值的所有像素点的任一坐标;
步骤2,将图像的像素灰度值归一化到0至图像像素灰度最大值之间;
步骤3,按照下式得到每个局部极大值与像素灰度最大值之间的综合差异值;
S=(M-mi)*B*[1-di/sqrt(w2+h2)]
其中,S为综合差异值,di是局部极大值mi与像素灰度最大值M之间的空间距离,i∈{1,...,n},n为局部极大值的个数,w是图像的宽度,h是图像的高度,B是权重控制因子,sqrt是平方根运算;
步骤4,计算规格化比例因子f=[(∑S)/n]2;
步骤5,给整个图像乘上f。
5.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤4e)所述的高斯低通滤波器的标准差σ=8。
6.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤(5)所述的阈值分割是将显著图的灰度直方图中最后一个谷值确定为分割阈值,将合成孔径雷达SAR图像的显著图中灰度值大于等于该阈值的点记为0,其余的点记为1。
7.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤(6)所述的相似是指两像素点的灰度值之差的绝对值小于阈值U,U=X-Y,其中X是步骤(3)中获得的合成孔径雷达SAR图像中机场区域像素灰度值的平均值,Y是机场区域像素灰度值的最小值。
8.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤(7)所述的八连通区域标记法是指对图像中一个像素和其他像素在上、下、左、右、左上角、左下角、右上角或右下角连接着的像素点的区域给予相同标号的方法。
9.根据权利要求1所述的基于显著性的合成孔径雷达SAR图像机场跑道边缘检测方法,其特征在于:步骤(8)所述的sobel边缘检测方法是将步骤7b)得到的二值图像的矩阵与水平的sobel模板[1 2 1;0 0 0;-1 -2 -1]和垂直的sobel模板[-1 0 1;-2 02;-1 0 1]分别进行卷积,得到两个矩阵,将两个矩阵对应像素点的较大灰度值,作为该像素点的新灰度值,新灰度值大于阈值的像素点为边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110328330XA CN102509290B (zh) | 2011-10-25 | 2011-10-25 | 基于显著性的sar图像机场跑道边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110328330XA CN102509290B (zh) | 2011-10-25 | 2011-10-25 | 基于显著性的sar图像机场跑道边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102509290A true CN102509290A (zh) | 2012-06-20 |
CN102509290B CN102509290B (zh) | 2013-12-25 |
Family
ID=46221368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110328330XA Active CN102509290B (zh) | 2011-10-25 | 2011-10-25 | 基于显著性的sar图像机场跑道边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509290B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177427A (zh) * | 2013-03-14 | 2013-06-26 | 哈尔滨工程大学 | 一种x波段雷达图像同频干扰去除方法 |
CN103236061A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于dct和区域生长的白粉虱图像分割方法 |
CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
CN103500453A (zh) * | 2013-10-13 | 2014-01-08 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
CN104408446A (zh) * | 2014-12-19 | 2015-03-11 | 中国人民解放军国防科学技术大学 | 一种基于图像显著性的无人机自主着陆目标检测方法 |
CN106650776A (zh) * | 2016-10-14 | 2017-05-10 | 浙江大学 | 一种基于动态滑动窗口的目标种子搜索方法 |
CN107122728A (zh) * | 2017-04-21 | 2017-09-01 | 西安电子科技大学 | 基于证据理论算法的sar图像中检测建筑物方法 |
CN107369163A (zh) * | 2017-06-15 | 2017-11-21 | 西安微电子技术研究所 | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 |
CN107886505A (zh) * | 2017-11-08 | 2018-04-06 | 电子科技大学 | 一种基于线基元聚合的合成孔径雷达机场检测方法 |
CN108648202A (zh) * | 2018-04-19 | 2018-10-12 | 西安电子科技大学 | 一种带补偿策略的火山口形sar图像边缘检测方法 |
CN109539978A (zh) * | 2017-09-22 | 2019-03-29 | 沈机(上海)智能系统研发设计有限公司 | 图像检测系统、图像检测装置以及图像检测方法 |
CN110163219A (zh) * | 2019-04-17 | 2019-08-23 | 安阳师范学院 | 基于图像边缘识别的目标检测方法 |
CN110717451A (zh) * | 2019-10-10 | 2020-01-21 | 电子科技大学 | 一种基于深度学习的药用植物叶部病害图像识别方法 |
CN110717454A (zh) * | 2019-10-10 | 2020-01-21 | 北京北特圣迪科技发展有限公司 | 一种舞台环境下的轮式机器人障碍检测方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN111160260A (zh) * | 2019-12-30 | 2020-05-15 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN111681256A (zh) * | 2020-05-07 | 2020-09-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111783524A (zh) * | 2020-05-19 | 2020-10-16 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
CN112329796A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN113034452A (zh) * | 2021-03-15 | 2021-06-25 | 南京理工大学 | 一种焊件轮廓检测方法 |
CN113203992A (zh) * | 2021-04-29 | 2021-08-03 | 电子科技大学 | 一种多基sar的抗欺骗性干扰方法 |
CN113436218A (zh) * | 2021-07-28 | 2021-09-24 | 西安电子科技大学 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
WO2022027197A1 (en) * | 2020-08-03 | 2022-02-10 | SZ DJI Technology Co., Ltd. | Systems and methods for processing image |
CN114332140A (zh) * | 2022-03-16 | 2022-04-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
CN114419341A (zh) * | 2022-01-20 | 2022-04-29 | 大连海事大学 | 一种基于迁移学习改进的卷积神经网络图像识别方法 |
CN115810113A (zh) * | 2023-02-10 | 2023-03-17 | 南京隼眼电子科技有限公司 | 针对sar图像的显著特征提取方法及装置 |
CN116012728A (zh) * | 2023-02-07 | 2023-04-25 | 北京交通大学 | 应用于无人机巡检的轨道线路识别跟踪方法及系统 |
CN116152123A (zh) * | 2023-04-21 | 2023-05-23 | 荣耀终端有限公司 | 图像处理方法、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001008098A1 (en) * | 1999-07-21 | 2001-02-01 | Obvious Technology, Inc. | Object extraction in images |
CN101901342A (zh) * | 2009-05-27 | 2010-12-01 | 深圳迈瑞生物医疗电子股份有限公司 | 影像目标区域的提取方法和装置 |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
-
2011
- 2011-10-25 CN CN201110328330XA patent/CN102509290B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001008098A1 (en) * | 1999-07-21 | 2001-02-01 | Obvious Technology, Inc. | Object extraction in images |
CN101901342A (zh) * | 2009-05-27 | 2010-12-01 | 深圳迈瑞生物医疗电子股份有限公司 | 影像目标区域的提取方法和装置 |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177427A (zh) * | 2013-03-14 | 2013-06-26 | 哈尔滨工程大学 | 一种x波段雷达图像同频干扰去除方法 |
CN103236061A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于dct和区域生长的白粉虱图像分割方法 |
CN103236061B (zh) * | 2013-04-28 | 2016-01-20 | 北京农业信息技术研究中心 | 基于dct和区域生长的白粉虱图像分割方法 |
CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
CN103500453A (zh) * | 2013-10-13 | 2014-01-08 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
CN103500453B (zh) * | 2013-10-13 | 2016-04-27 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
CN104408446B (zh) * | 2014-12-19 | 2017-10-03 | 中国人民解放军国防科学技术大学 | 一种基于图像显著性的无人机自主着陆目标检测方法 |
CN104408446A (zh) * | 2014-12-19 | 2015-03-11 | 中国人民解放军国防科学技术大学 | 一种基于图像显著性的无人机自主着陆目标检测方法 |
CN106650776A (zh) * | 2016-10-14 | 2017-05-10 | 浙江大学 | 一种基于动态滑动窗口的目标种子搜索方法 |
CN107122728A (zh) * | 2017-04-21 | 2017-09-01 | 西安电子科技大学 | 基于证据理论算法的sar图像中检测建筑物方法 |
CN107122728B (zh) * | 2017-04-21 | 2019-10-11 | 西安电子科技大学 | 基于证据理论算法的sar图像中检测建筑物方法 |
CN107369163A (zh) * | 2017-06-15 | 2017-11-21 | 西安微电子技术研究所 | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 |
CN109539978A (zh) * | 2017-09-22 | 2019-03-29 | 沈机(上海)智能系统研发设计有限公司 | 图像检测系统、图像检测装置以及图像检测方法 |
CN109539978B (zh) * | 2017-09-22 | 2021-06-25 | 沈机(上海)智能系统研发设计有限公司 | 图像检测系统、图像检测装置以及图像检测方法 |
CN107886505A (zh) * | 2017-11-08 | 2018-04-06 | 电子科技大学 | 一种基于线基元聚合的合成孔径雷达机场检测方法 |
CN108648202A (zh) * | 2018-04-19 | 2018-10-12 | 西安电子科技大学 | 一种带补偿策略的火山口形sar图像边缘检测方法 |
CN110163219A (zh) * | 2019-04-17 | 2019-08-23 | 安阳师范学院 | 基于图像边缘识别的目标检测方法 |
CN110163219B (zh) * | 2019-04-17 | 2023-05-16 | 安阳师范学院 | 基于图像边缘识别的目标检测方法 |
CN110717454A (zh) * | 2019-10-10 | 2020-01-21 | 北京北特圣迪科技发展有限公司 | 一种舞台环境下的轮式机器人障碍检测方法 |
CN110717451A (zh) * | 2019-10-10 | 2020-01-21 | 电子科技大学 | 一种基于深度学习的药用植物叶部病害图像识别方法 |
CN110717451B (zh) * | 2019-10-10 | 2022-07-08 | 电子科技大学 | 一种基于深度学习的药用植物叶部病害图像识别方法 |
CN110717454B (zh) * | 2019-10-10 | 2022-03-11 | 北京北特圣迪科技发展有限公司 | 一种舞台环境下的轮式机器人障碍检测方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN110853050B (zh) * | 2019-10-21 | 2023-05-26 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN111160260B (zh) * | 2019-12-30 | 2023-07-04 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN111160260A (zh) * | 2019-12-30 | 2020-05-15 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN111681256A (zh) * | 2020-05-07 | 2020-09-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111681256B (zh) * | 2020-05-07 | 2023-08-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111783524B (zh) * | 2020-05-19 | 2023-10-17 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
CN111783524A (zh) * | 2020-05-19 | 2020-10-16 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
WO2022027197A1 (en) * | 2020-08-03 | 2022-02-10 | SZ DJI Technology Co., Ltd. | Systems and methods for processing image |
CN112329796A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN112329796B (zh) * | 2020-11-12 | 2023-05-23 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN113034452A (zh) * | 2021-03-15 | 2021-06-25 | 南京理工大学 | 一种焊件轮廓检测方法 |
CN113203992A (zh) * | 2021-04-29 | 2021-08-03 | 电子科技大学 | 一种多基sar的抗欺骗性干扰方法 |
CN113436218B (zh) * | 2021-07-28 | 2023-02-10 | 西安电子科技大学 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
CN113436218A (zh) * | 2021-07-28 | 2021-09-24 | 西安电子科技大学 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
CN114419341B (zh) * | 2022-01-20 | 2024-04-26 | 大连海事大学 | 一种基于迁移学习改进的卷积神经网络图像识别方法 |
CN114419341A (zh) * | 2022-01-20 | 2022-04-29 | 大连海事大学 | 一种基于迁移学习改进的卷积神经网络图像识别方法 |
CN114332140B (zh) * | 2022-03-16 | 2022-07-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
CN114332140A (zh) * | 2022-03-16 | 2022-04-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
CN116012728A (zh) * | 2023-02-07 | 2023-04-25 | 北京交通大学 | 应用于无人机巡检的轨道线路识别跟踪方法及系统 |
CN115810113A (zh) * | 2023-02-10 | 2023-03-17 | 南京隼眼电子科技有限公司 | 针对sar图像的显著特征提取方法及装置 |
CN116152123B (zh) * | 2023-04-21 | 2023-09-19 | 荣耀终端有限公司 | 图像处理方法、电子设备及可读存储介质 |
CN116152123A (zh) * | 2023-04-21 | 2023-05-23 | 荣耀终端有限公司 | 图像处理方法、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102509290B (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102509290B (zh) | 基于显著性的sar图像机场跑道边缘检测方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
Yu et al. | A novel license plate location method based on wavelet transform and EMD analysis | |
CN105303184A (zh) | 一种卫星遥感影像中地物精确识别方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
Li et al. | Road lane detection with gabor filters | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN101650439B (zh) | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN105354865A (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
Wang et al. | Image feature detection from phase congruency based on two-dimensional Hilbert transform | |
CN104766046A (zh) | 一种利用交通标识颜色及形状特征进行检测与识别算法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
Luo et al. | Infrared and visible image fusion based on visibility enhancement and hybrid multiscale decomposition | |
Xiang et al. | An advanced multiscale edge detector based on Gabor filters for SAR imagery | |
CN101901476A (zh) | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN105404868A (zh) | 一种基于交互平台的复杂背景中文本的快速检测方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
Sahoo et al. | Design and simulation of various edge detection techniques using Matlab Simulink | |
CN104915932A (zh) | 基于目标特征的全息雷达图像预处理与目标提取方法 | |
CN108830883B (zh) | 基于超像素结构的视觉注意sar图像目标检测方法 | |
CN107862271A (zh) | 一种舰船目标的检测方法 | |
CN114581468B (zh) | 一种基于各向异性相位拉伸变换的活性污泥菌种分割方法 |
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 |