CN102999908A - 基于改进视觉注意模型的sar机场分割方法 - Google Patents
基于改进视觉注意模型的sar机场分割方法 Download PDFInfo
- Publication number
- CN102999908A CN102999908A CN2012104699143A CN201210469914A CN102999908A CN 102999908 A CN102999908 A CN 102999908A CN 2012104699143 A CN2012104699143 A CN 2012104699143A CN 201210469914 A CN201210469914 A CN 201210469914A CN 102999908 A CN102999908 A CN 102999908A
- Authority
- CN
- China
- Prior art keywords
- image
- airport
- sar
- carried out
- sampling
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种基于改进视觉注意模型的SAR机场分割方法,它属于图像处理技术领域,主要解决传统视觉注意模型不能满足SAR图像分割条件要求的问题。其分割过程为:(1)对待分割SAR图像进行下采样;(2)对采样后的图像提取纹理特征、小波特征和邻域对比度特征,把这些特征进行加权相加后经过归一化及显著性处理得到初始显著图;(3)把初始显著图经过视觉感受野模板滤波,得到最终显著图;(4)把最终显著图插值到与原SAR图像大小相同,然后对插值后的显著图进行域值处理,得到机场区域;(5)用支撑矢量机的方法对机场区域进行分类,即可分割出机场。本发明具有计算速度快,分割效果明显的优点,可用于SAR图像机场的分割和识别。
Description
技术领域
本发明属于图像处理领域,特别是一种涉及SAR图像机场分割的方法,可应用于对SAR图像机场的分割。
背景技术
合成孔径雷达SAR是一种高分辨率雷达体制,可应用于军事,农业,导航,地理监视等诸多领域。它与其它遥感成像系统,光学成像系统相比有很多差异。在军事目标识别方面,SAR图像被广泛的应用在目标检测领域,而SAR图像分割则是从图像处理到图像分析的重要步骤,是目标分类和识别的基础。本质上SAR图像反映的是目标的电磁散射特性和结构特性,其成像效果很大程度上依赖于雷达参数和地域电磁参数。SAR成像的特殊性使得针对该类图像的分割方法有别于普通光学图像:非光学成像方式导致SAR图像灰度级变化缓慢,因此光学图像常用的自适应阈值分割方法对此类图像收效甚微;SAR图像含有大量相干斑噪声,而常规分割方法通常对噪声具有很高的敏感度,不宜用于此类图像。
视觉注意方法是一种人眼视觉生物机制和计算机仿真相结合的新方法,其定义如下:在面对一个复杂场景时,人类的注意力会迅速集中在少数几个显著的视觉对象上,并对这些对象进行优先处理,该过程则被称为视觉注意。视觉注意模型就是利用人眼的这种视觉生物学机制,用数学的计算方法模拟,从而形成了图像处理领域的一个重要方向,该模型可用于目标检测与识别,图像压缩与编码,图像检索,监视系统,主动视觉等方面。
经典的视觉注意模型是由Itti提出的,他首次用数学的方法来模拟人类的视觉注意机制并取得了较好的效果,后来引起了众多学者的关注并产生了重要的影响。按照对视觉信息的处理方式,可分为自底向上的视觉注意和自顶向下的视觉注意,目前研究的较多的是自底向上的视觉注意,它是基于数据驱动,且独立于具体的任务;而自顶向上的视觉注意是受意识支配,与具体任务相关,而目前针对自顶向下视觉注意模型的研究工作较少,大多数的工作限于生物实验取证和理论研究。
自底向上的视觉注意模型按计算方式的不同,又可分为基于空域的计算模型和基于频域的计算模型。
基于空域的计算模型主要思想是在空间域中计算图像中各个位置的视觉显著程度,即采用显著度来衡量,进而实现视觉注意机制的模拟。这类模型的优点是计算特征较容易提取、计算量较小、快速,但缺点是对于噪声较为敏感、鲁棒性较差,较适用于前期对注意焦点进行检测,对于对象区域语义的完整性考虑不足。代表模型是1998年Itti提出的视觉注意计算模型,参见Itti L,Koch C,Niebur E.1998.A modelof saliency—based visual attention for rapid scene analysis【J】.IEEE Trans.onPattern Analysis and Machine Intelligence,20(11):1254-1259。
基于频域空间的计算模型主要思想是利用傅立叶变换或特征值极坐标变换等方法将图像从空间域映射到频域空间,并对其分析处理,找出其显著性特征,之后再反变换回空间域得到显著图。其代表是以Hou等人的光谱剩余假说,参见Hou X andZhang L.2007.Saliency Detection:A Spectral Residual Approach【C】.Proceedingsof IEEE Conference on Computer Vision and Pattern Recognition,Minnesota,USA,1-8。
综上所述的视觉注意模型都是针对自然图像的,对于在SAR图像中的应用几乎没有,原因是SAR图像有其自身的特点,与其它遥感成像系统、光学成像系统相比有很多差异,常规视觉注意的方法在SAR图像上不能得到好的效果。另一方面视觉注意模型只是模拟人眼的视觉机制而产生的对目标的模糊注意及定位,而图像分割对分割后图像的边缘信息、纹理信息的完整性都有较高要求,常规的视觉注意方法难以达到这样的要求。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于改进视觉注意模型的SAR机场分割方法,以解决常规视觉注意方法不能满足图像分割条件要求的问题,利用人眼的视觉特性机制使得对SAR机场的分割更准确快速,保证图像分割信息的完整性,提高SAR图像分割的质量。
现本发明目的的技术方案是:在原有经典视觉注意模型的框架下,利用高效的多尺度多分辨率数学工具gabor小波和正交小波,并利用图像的邻域对比度特征,充分挖掘图像中的纹理信息、结构信息和对比度信息,模拟人眼的视觉注意机制,以实现对机场的分割。其实现步骤包括如下:
(1)对待分割SAR图像进行下采样处理,处理后的图像记为I;
(2)对采样后的图像I进行纹理特征提取,用gabor小波提取其在0°,45°,90°,135°方向上的分量纹理特征,然后把这些分量纹理特征相加,即可得到图像的纹理特征;
(3)对采样后的图像I进行小波特征提取:
(3a)对图像I进行正交小波变换,得到图像的四个小波分量,即一个低频分量ILL(x,y)和三个高频分量IHL(x,y),IHH(x,y),ILH(x,y);
(3b)计算低频分量与其平均值的对比差值:C(x,y)=(ILL(x,y)-Iu)2,其中ILL(x,y)为低频分量,Iu为低频分量的平均值;
(3c)对所述C(x,y),IHL(x,y),IHH(x,y),ILH(x,y)进行逆小波变换,即得到采样后图像I的小波特征;
(4)对采样后的图像I进行邻域对比度特征提取:
(4a)计算采样后图像I的每个像素I(x,y)邻域像素的平均值
(5)对提取后的纹理特征、小波特征和领域对比度特征进行加权相加,对相加后的图像进行归一化及显著性处理,得到初步的显著图;
(6)将初步显著图进行视觉感受野模型处理,得到最终的显著图;
(7)把得到的最终显著图插值到与原SAR图像大小相同;
(8)将插值后的显著图进行域值处理,得到目标区域;
(9)将目标区域用支撑矢量机方法进行分类,即对目标区域中的机场和背景进行标签并训练分类,从而分割出机场目标。
本发明与现有的技术相比具有以下优点:
1、本发明由于使用多尺度几何分析工具gabor小波,对SAR图像的纹理特征的方向性细节信息进行提取,保证了图像信息的完整性;
2、本发明使用了SAR图像的领域对比度特征,更好地模拟了人眼的视觉对比特征;
3、本发明对SAR图像进行了下采样,可对低分辨SAR图像来进行机场检测;
4、本发明由于使用了正交小波,抗噪性能较好,鲁棒性较好,得到的显著图轮廓较清晰,速度较快,定位准确;
5、本发明使用了视觉感受野模型,更好地模拟了人眼的视觉生物特性,使待分割图像中目标的边缘特征保留的较好,得到的显著图更准确;
6、仿真结果表明,本发明方法较传统Itti模型和频域谱残差模型分割结果更有效。
附图说明
图1是本发明的流程图;
图2是两类简单地物背景SAR图像;
图3是用本发明和现有方法对图2的仿真结果图;
图4是两类复杂地物背景SAR图像;
图5是用本发明和现有方法对图4的仿真结果图;
图6是三类复杂地物背景SAR图像;
图7是用本发明和现有方法对图6的仿真结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤二、对采样后的图像I进行gabor小波变换,分别提取其在0°,45°,90°,135°方向上的分量纹理特征,由于图像在不同角度上的纹理特征反映了目标的轮廓及形状特征,通过对不同角度上纹理特征的提取,更好地使目标的形状及轮廓的显著性表现出来,把这些分量纹理特征线性相加就得到采样后图像的纹理特征。
步骤三、对采样后的图像I提取小波特征。
本步骤目的是提取采样后图像I的目标特征,增强目标区域的显著性,由于SAR图像不同于自然图像,SAR图像与自然图像灰度图有较大差异,如果用SAR图像的灰度特征就失去了目标的意义,而使用小波特征就可以使目标的显著性更好地表现出来。其具体实现如下:
3.1)对采样后的图像I进行正交小波变换,得到一个低频分量ILL(x,y)和三个高频分量IHL(x,y),IHH(x,y),ILH(x,y);
3.2)计算低频分量ILL(x,y)与其平均值的对比差值:C(x,y)=(ILL(x,y)-Iu)2,其中ILL(x,y)为低频分量,Iu为低频分量的平均值;
3.3)将对比差值C(x,y)和高频分量IHL(x,y),IHH(x,y),ILH(x,y)进行逆小波变换,得到采样后图像I的小波特征。
步骤四、对采样后的图像I提取邻域对比度特征。
本步骤是模拟人眼的视觉对比特性,使目标的对比特性更好地表现出来,其具体实现如下:
步骤五、对得到的纹理特征、小波特征和邻域对比度特征进行加权相加,即将纹理特征乘以0.3,小波特征乘以0.5,邻域对比度特征乘以0.2,然后线性相加,得到采样后图像的特征图。
这一步骤的目的是形成更符合人眼视觉特性的显著图,由于人眼对不同的特征的处理是有差异的,人眼往往关注感兴趣的特征,而对其它特征的处理并不显著,因此对不同的特征加权相加,以增强感兴趣的特征,削弱不感兴趣的特征。
步骤六、对特征图进行归一化和显著性处理,得到初始显著图。
6.1)将特征图归一化到范围[0,N]上,N为图像灰度值范围内的任意正整数,使得非目标区域的显著性减弱;
步骤七、对得到的初始显著图进行视觉感受野模型处理,即将初始显著图经过感受野模板滤波,得到最终的显著图。
这一步骤的目的是模拟人眼的视觉感受野,由于人眼的视觉生物机制,对不同分辨率图像的差异性检测是有差别的,差异性越大,人眼对差异性的检测就越显著,而高斯差分函数与人眼的这种视觉感受野比较符合,故可用高斯差分函数来模拟人眼的视觉感受野。其实现方案是:以高斯差分函数为感受野模板函数,取3×3的矩阵作为滤波器模板,用该模板对初始显著图进行滤波,其中,感受野模板函数为:
式中,σex,σinh分别为两个数值不同的高斯函数方差,Cex,Cinh分别为两个数值不同的系数,这里取σex=0.02,σinh=0.25,Cex=0.5,Cinh=1.5。
步骤八、利用双线性插值的方法对将上述最终显著图进行插值,使其与原SAR图像大小相同。
这一步骤的目的是为后面的域值处理做准备,由于开始处理时对原SAR图像进行了下采样,所以应对显著图进行插值后才能进一步对显著图进行处理。
步骤九、将插值后的显著图进行域值处理,即将图像中大于显著图像素平均值的像素变为1,小于像素平均值的像素变为0,得到机场区域。
步骤十、用支撑矢量机方法对机场区域进行分类,即先选取原SAR图像中的机场和背景分别进行标签,然后把标签后的机场和背景数据用支撑矢量机进行训练,最后用支撑矢量机对机场区域中的机场和背景进行分类,从而分割出机场。
本发明的的效果可通过以下仿真进一步说明:
1仿真内容:应用本发明方法和Itti经典模型方法,频域谱残差方法分别对三幅SAR图像进行机场分割实验,并从分割出的机场的位置、形状、轮廓等方面评价这些方法的各自性能。
2仿真实验结果
仿真1,用本方法以及Itti经典模型方法、频域谱残差方法对如图2所示两类简单地物背景SAR图像进行机场分割,分割结果如图3所示。其中图3(a)为经典Itti模型方法对图2进行机场分割得到的结果;图3(b)为频域谱残差方法对图2进行机场分割得到的结果;图3(c)为本发明方法对图2进行机场分割得到的结果。
由图3可见,本发明的分割结果较好,对机场的定位较准确,轮廓形状较完整。相比之下,Itti经典模型方法只分割出了两个小的区域,机场的轮廓没有分割出,没有边缘信息。频域谱残差的方法只分割出机场区域的部分形状,机场的大部分边缘没有分割出。
仿真2,用本方法以及Itti经典模型方法、频域谱残差方法对如图4所示两类复杂地物背景SAR图像进行机场分割,分割结果如图5所示。其中图5(a)为Itti经典模型方法对图4进行机场分割得到的结果;图5(b)为频域谱残差方法对图4进行机场分割得到的结果;图5(c)为本发明方法对图4进行机场分割得到的结果。
由图5可见本发明对于机场轮廓形状的保留比较清晰准确,而Itti经典模型方法只分割出机场的四个区域,没有边缘信息,频域谱残差方法没有分割出机场。
仿真3,用本方法以及Itti经典模型方法、频域谱残差方法对如图6所示三类复杂地物背景SAR图像进行机场分割,分割结果如图7所示。其中图7(a)为Itti经典模型方法对图6进行机场分割得到的结果;图7(b)为频域谱残差方法对图6进行机场分割得到的结果;图7(c)为本发明方法对图6进行机场分割得到的结果。
由图7可见本发明对三类复杂背景下的机场有较好的效果,机场形状可以看到,边缘保留较好。比较Itti模型只能分割出机场两个小的区域,形状轮廓不完整,频域谱残差模型没有分割出机场。
Claims (5)
1.一种基于改进视觉注意模型的SAR机场分割方法,包括如下步骤:
1)对待分割SAR图像进行下采样处理,处理后的图像记为I;
2)对采样后的图像I进行纹理特征提取,用gabor小波提取其在0°,45°,90°,135°方向上的分量纹理特征,然后把这些分量纹理特征相加,即可得到图像的纹理特征;
3)对采样后的图像I进行小波特征提取:
3a)对图像I进行正交小波变换,得到图像的四个小波分量,即一个低频分量ILL(x,y)和三个高频分量IHL(x,y),IHH(x,y),ILH(x,y);
3b)计算低频分量与其平均值的对比差值:C(x,y)=(ILL(x,y)-Iu)2,其中ILL(x,y)为低频分量,Iu为低频分量的平均值;
3c)对所述C(x,y),IHL(x,y),IHH(x,y),ILH(x,y)进行逆小波变换,即得到采样后图像I的小波特征;
4)对采样后的图像I进行邻域对比度特征提取:
5)对提取后的纹理特征、小波特征和领域对比度特征进行加权相加,对相加后的图像进行归一化及显著性处理,得到初步的显著图;
6)将初步显著图进行视觉感受野模型处理,得到最终的显著图;
7)把得到的最终显著图插值到与原SAR图像大小相同;
8)将插值后的显著图进行域值处理,得到目标区域;
9)将目标区域用支撑矢量机方法进行分类,即对目标区域中的机场和背景进行标签并训练分类,从而分割出机场目标。
2.根据权利要求1所述的机场分割方法,其中步骤5)所述的对提取后的纹理特征、小波特征和邻域对比度特征进行加权相加,是将纹理特征乘以0.3,小波特征乘以0.5,邻域对比度特征乘以0.2,然后线性相加。
4.根据权利要求1所述的机场分割方法,其中步骤6)所述的将初步显著图进行视觉感受野模型处理,是将初步显著图用视觉感受野模板滤波,其中视觉感受野模板通过如下高斯差分函数Dog(x,y)生成,
其中,σex,σinh分别为两个数值不同的高斯函数方差,Cex,Cinh分别为两个数值不同的系数,这里取σex=0.02,σinh=0.25,Cex=0.5,Cinh=1.5。
5.根据权利要求1所述的机场分割方法,其中步骤8)所述的将插值后的显著图进行域值处理,是指将图像中大于显著图像素平均值的像素变为1,小于像素平均值的像素变为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104699143A CN102999908A (zh) | 2012-11-19 | 2012-11-19 | 基于改进视觉注意模型的sar机场分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104699143A CN102999908A (zh) | 2012-11-19 | 2012-11-19 | 基于改进视觉注意模型的sar机场分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102999908A true CN102999908A (zh) | 2013-03-27 |
Family
ID=47928442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012104699143A Pending CN102999908A (zh) | 2012-11-19 | 2012-11-19 | 基于改进视觉注意模型的sar机场分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102999908A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177458A (zh) * | 2013-04-17 | 2013-06-26 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
CN105335972A (zh) * | 2015-10-20 | 2016-02-17 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
CN106067027A (zh) * | 2016-06-03 | 2016-11-02 | 中国科学院电子学研究所 | Sar图像序列特征提取方法 |
CN103714353B (zh) * | 2014-01-09 | 2016-11-23 | 西安电子科技大学 | 基于视觉先验模型的极化sar图像分类方法 |
CN107271981A (zh) * | 2017-07-31 | 2017-10-20 | 河海大学 | 一种目标电磁散射数据模型的建立方法 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN109978881A (zh) * | 2019-04-09 | 2019-07-05 | 苏州浪潮智能科技有限公司 | 一种图像显著性处理的方法和装置 |
CN110674845A (zh) * | 2019-08-28 | 2020-01-10 | 电子科技大学 | 一种结合多感受野注意与特征再校准的菜品识别方法 |
CN113256720A (zh) * | 2021-06-03 | 2021-08-13 | 浙江大学 | 一种同时检测sar图像船只及其尾迹的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184557A (zh) * | 2011-06-17 | 2011-09-14 | 电子科技大学 | 一种复杂场景的显著区域检测方法 |
-
2012
- 2012-11-19 CN CN2012104699143A patent/CN102999908A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184557A (zh) * | 2011-06-17 | 2011-09-14 | 电子科技大学 | 一种复杂场景的显著区域检测方法 |
Non-Patent Citations (5)
Title |
---|
CHRISTOPHER WING HONG NGAU, LI-MINN ANG, KAH PHOOI SENG.: "Bottom-up Visual Saliency Map Using Wavelet Transform Domain", 《IEEE COMPUTER SCIENCE AND INFORMATION TECHNOLOGY》, vol. 1, 31 December 2010 (2010-12-31) * |
LAURENT ITTI.: "Models of Bottom-Up and Top-Down Visual Attention", 《CALIFORNIA INSTITUTE OF TECHNOLOGY》, 31 December 2000 (2000-12-31) * |
RADHAKRISHNA ACHANTA.: "Salient Region Detection and Segmentation", 《COMPUTER VISION SYSTEMS 》, 31 December 2008 (2008-12-31) * |
RAFAEL C. GONZALEZ, RICHARD E. WOODS: "《数字图像处理(中文第二版)》", 1 August 2007, article "图像分割", pages: 482 - 486 * |
边肇祺,张学工等: "《模式识别(第二版)》", 31 January 2000, article "支撑向量机", pages: 299 - 303 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177458B (zh) * | 2013-04-17 | 2015-11-25 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
CN103177458A (zh) * | 2013-04-17 | 2013-06-26 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
CN103714353B (zh) * | 2014-01-09 | 2016-11-23 | 西安电子科技大学 | 基于视觉先验模型的极化sar图像分类方法 |
CN105335972B (zh) * | 2015-10-20 | 2018-11-30 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
CN105335972A (zh) * | 2015-10-20 | 2016-02-17 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
CN106067027A (zh) * | 2016-06-03 | 2016-11-02 | 中国科学院电子学研究所 | Sar图像序列特征提取方法 |
CN106067027B (zh) * | 2016-06-03 | 2019-04-02 | 中国科学院电子学研究所 | Sar图像序列特征提取方法 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN107271981A (zh) * | 2017-07-31 | 2017-10-20 | 河海大学 | 一种目标电磁散射数据模型的建立方法 |
CN109978881A (zh) * | 2019-04-09 | 2019-07-05 | 苏州浪潮智能科技有限公司 | 一种图像显著性处理的方法和装置 |
CN110674845A (zh) * | 2019-08-28 | 2020-01-10 | 电子科技大学 | 一种结合多感受野注意与特征再校准的菜品识别方法 |
CN110674845B (zh) * | 2019-08-28 | 2022-05-31 | 电子科技大学 | 一种结合多感受野注意与特征再校准的菜品识别方法 |
CN113256720A (zh) * | 2021-06-03 | 2021-08-13 | 浙江大学 | 一种同时检测sar图像船只及其尾迹的方法 |
CN113256720B (zh) * | 2021-06-03 | 2021-09-24 | 浙江大学 | 一种同时检测sar图像船只及其尾迹的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999908A (zh) | 基于改进视觉注意模型的sar机场分割方法 | |
CN103049892B (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
Kervrann et al. | Optimal spatial adaptation for patch-based image denoising | |
Feng et al. | SAR image despeckling based on local homogeneous-region segmentation by using pixel-relativity measurement | |
Cao et al. | Ship recognition method combined with image segmentation and deep learning feature extraction in video surveillance | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
Hu | Variable lighting face recognition using discrete wavelet transform | |
CN102999909A (zh) | 基于改进视觉注意模型的sar目标检测方法 | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN104915676A (zh) | 基于深层特征学习和分水岭的sar图像分类 | |
CN107274401A (zh) | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN105023253A (zh) | 基于视觉底层特征的图像增强方法 | |
Jin et al. | A salient region detection and pattern matching-based algorithm for center detection of a partially covered tropical cyclone in a SAR image | |
Nair et al. | Fuzzy logic-based automatic contrast enhancement of satellite images of ocean | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
Jing et al. | SAR image de-noising via grouping-based PCA and guided filter | |
CN106408532B (zh) | 基于剪切波域参数估计的合成孔径雷达sar图像去噪方法 | |
Scharfenberger et al. | Image saliency detection via multi-scale statistical non-redundancy modeling | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
Potocnik et al. | Image enhancement by using directional wavelet transform | |
CN103345739B (zh) | 一种基于纹理的高分辨率遥感影像建筑区指数计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130327 |