CN103020592A - 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 - Google Patents
一种基于局部上下文的遥感图像舰船检测虚警剔除方法 Download PDFInfo
- Publication number
- CN103020592A CN103020592A CN2012104801160A CN201210480116A CN103020592A CN 103020592 A CN103020592 A CN 103020592A CN 2012104801160 A CN2012104801160 A CN 2012104801160A CN 201210480116 A CN201210480116 A CN 201210480116A CN 103020592 A CN103020592 A CN 103020592A
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- false
- little lattice
- alarm
- roi
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公布了一种基于局部上下文的遥感图像舰船检测虚警剔除方法。所述方法采用基于邻域相似性的局部上下文模型进行虚警目标的剔除,包括:邻域的划分、邻域描述特征提取、邻域相似性计算、利用邻域相似性剔除虚警ROI、基于表面特性的目标候选区域确认。与通用舰船虚警剔除方法相比,本发明能够在保持漏警率基本不变的情况下,降低20%以上的虚警率,能够支持实现复杂大视场遥感图像的舰船检测处理。
Description
技术领域
本发明涉及遥感图像处理方法,尤其是光学卫星遥感图像自动化处理中的海上舰船目标检测虚警剔除方法。
背景技术
舰船探测技术被广泛应用于港口航运管控、海洋渔业监管、水上交通管制及海洋污染监测等领域。为了动态、快速、准确地获取舰船的位置、航向、几何参数等相关信息,多种探测技术应运而生。传统的探测技术包括红外探测、岸基雷达探测及舰船监视系统(VesselMonitoring System VMS)。
近年来,随着空天搭载平台与传感器技术的飞速发展,利用空间遥感技术进行舰船目标检测和监视的研究与技术开发在海洋遥感领域得到越来越多的重视。基于遥感图像的舰船目标检测技术,是指利用空天遥感平台所获取扫描区域的遥感图像数据,通过计算机对其进行相应的检测算法自动处理,获得图像中海面舰船目标的精确定位及相关目标信息的技术。与传统舰船检测技术相比,基于遥感图像的舰船目标检测技术优势明显,主要体现在3个方面:(1)它是一种主动的舰船目标信息获取方式;(2)空天平台遥感图像通常具有大幅宽的特点(当前商用卫星的幅宽已可达几百公里),此外其获取图像数据率巨大,适合对大范围海域进行高时效性的舰船探测、监视任务。(3)空天平台载荷的频、空、时、谱分辨率不断提高,为舰船目标的进一步识别提供了可能。
在大视场光学遥感图像舰船检测任务中,存在大量与舰船目标特征属性相似的虚警物干扰(如:朵云、小岛及强海浪等),如图1所示。这些虚警物同舰船目标类似也明显区别于其背景区域。当前许多光学遥感图像舰船目标检测的方法都直接以目标候选区域检测出的区域作为最终结果,无法进一步将这些虚警物与真实的舰船目标区分开。此外,虽然当前大多数舰船目标检测系统都采用数据库进行陆地区域屏蔽,但低精度的海岸线数据库及潮汐等地理因素影响,舰船检测系统仍然会受到近海岸陆地区域的影响,这些复杂构造的陆地区域会使目标候选区域检测阶段产生较多的虚警。因此,研究舰船检测中的虚警剔除方法是控制整个舰船目标检测系统低虚警率的必要工作。
当前几乎所有的舰船检测虚警剔除方法都主要是关注目标的表面特征信息,所采用的分析手段也大都是“物体-中心”的方法。这些研究的局限性在于:由于图像空间分辨率限制、舰船多变的尾迹形态及海面碎浪的影响,光学遥感图像往往不能提供充足的舰船表面特征鉴别信息,从而影响最终的虚警剔除性能。
发明内容
本发明的目的在于针对上述现有技术的缺点,提供一种基于局部上下文的遥感图像舰船检测虚警剔除方法,并与已有的基于表面特征的虚警剔除方法互补,共同整合使用实现高效的虚警剔除能力。
本发明的技术方案如下:
一种基于局部上下文的遥感图像舰船检测虚警剔除方法,其特征是,所述方法采用基于邻域相似性的局部上下文模型进行虚警目标的剔除,包括如下步骤:
第一步,邻域的划分:取出目标候选区域检测阶段所获得的疑似目标区域及其周围邻域,将疑似目标区域周围邻域划分为若干个小格,为特征提取做准备;
第二步,邻域描述特征提取:对每个邻域小格,分别提取其灰度类特征及纹理类特征,组成其邻域描述特征;
第三步,邻域相似性计算:对每个划分小格提取得到的邻域描述特征,判断每个邻域小格在每一种类型特征下是否是相对于其它周围邻域小格奇异的小格,并将这些奇异性累计,从而计算出当前目标疑似区域的邻域相似性;
第四步,利用邻域相似性剔除虚警ROI(Region of Interest,感兴趣的区域):对目标疑似区域进行判断,判为虚警的ROI直接剔除,判为疑似舰船的ROI保留;
第五步,基于表面特性的目标候选区域确认:未被判为虚警的目标ROI,用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认,得到最终真实的舰船目标。
所述的遥感图像舰船检测虚警剔除方法,其特征是,第二步中所述邻域描述特征包括2维灰度类特征和4维纹理类特征。
所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第一步的实现方法如下:
1.1)截取出目标候选区域检测阶段所获得目标ROI周围的邻域;其中,目标ROI为包含疑似舰船目标的方形区域;ROI周围的邻域为环绕目标ROI周围的环状区域;
1.2)将获得的疑似舰船目标ROI周围邻域均匀地划分为若干个方形小格I1,2,…,IN,每个小格与疑似舰船目标ROI的尺寸相同。
所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第二步的实现方法如下:
针对上一步骤中划分得到的邻域小格,对每个小格分别提取其灰度类及纹理类的特征;令F1(Ik),F2(Ik)…FM(Ik)表示从第k个邻域小格Ik中对应提取的特征,其中,M为特征的数目,灰度类特征F1(Ik),F2(Ik)分别表示小格Ik的灰度均值及标准差;接下来,计算邻域小格Ik的灰度共生矩阵,并提取它的4个派生参数,分别是:对比特征F3(Ik),相关特性F4(Ik),能量特性F5(Ik),同质性F6(Ik);至此,每个邻域小格可以得到2维灰度类特征和4维纹理类特征,共6维邻域描述特征。
所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第三步的实现方法如下:
3.1)邻域中的“奇异”小格判别:对于邻域小格Ik的第i个给定的特征Fi,按照以下规则来判定邻域小格Ik是否为相对于其它剩余周围邻域区域“奇异”的格:
其中:N表示邻域小格的数量;表示除了领域小格Ik外的其它剩余邻域小格所提取第i类特征Fi的平均值;DifFlag(i,k)表示在考虑特征类型Fi的情况下Ik是否为“奇异”块,DifFlag(i,k)=0是当前小格Ik在第i类特征下表现出奇异的特性的标志,DifFlag(i,k)=1表示当前小格Ik在第i类特征下表现出与其它邻域小格相似的特性,TFlag是标志判决的门限;
3.2)邻域相似性度量:给定一个待判别的疑似舰船目标ROI,考虑其所有的邻域小格及所有的特征类型,计算邻域相似性,邻域相似性定义如下:
所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第四步的实现方法如下:
在获得邻域相似性Similarity后,判断:如果Similarity≥Taccept,则意味着给定疑似舰船目标ROI的邻域在灰度及纹理特性上具有较高的相似性,这个疑似舰船目标ROI将被保留进行后续表面特征确认的进一步分析;否则,判定为虚警ROI进行剔除;其中,Taccept是范围在0到1之间的接受门限。
所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第五步的实现方法如下:
5.1)对保留的目标ROI进行表面特征提取:采用尺度不变特征变换技术描述目标候选区域ROI的特性,按标准SIFT算法获得128维的特征向量VSIFT;
5.2)基于模式识别的目标候选区域确认:对VSIFT采用基于RBF核的支持向量机进行分类,将疑似舰船目标ROI分为3类,分别是:强对比舰船、弱暗对比舰船及虚警;最后鉴别的结果将前两个子类统一归为舰船目标。
所述的遥感图像舰船检测虚警剔除方法,其特征是,所述接受门限Taccept=0.8。
所述的遥感图像舰船检测虚警剔除方法,其特征是,所述标志判决的门限TFlag=2。
本发明的技术效果:
本发明提供了一种能够在光学遥感图像舰船检测中有效剔除虚警的方法,与通用舰船虚警剔除方法相比,本发明能够在保持漏警率基本不变的情况下,降低20%以上的虚警率,能够支持实现复杂大视场遥感图像的舰船检测处理。
附图说明
图1是光学遥感图像中与舰船目标特征属性相似的虚警物示例
其中:(a)舰船目标;(b)小岛;(c)朵云;(d)强海浪
图2是基于局部上下文的遥感图像舰船检测虚警剔除方法处理流程
图3是候选目标ROI邻域划分方法示意图
其中:(a)候选目标ROI;(b)候选目标ROI的邻域划分原则;(c)邻域划分示例
图4是实施例的过程及结果图
其中:(a)大视场光学卫星遥感图像;(b)目标候选区域检测阶段所获得的目标ROI;(c)经过本发明第四步处理后保留下来的疑似目标ROI;(d)经过本发明第五步后鉴别出的舰船目标
具体实施方式
以下说明如何具体实施本发明提供的方法,图2是本发明提供的方法的流程框图。处理过程如下:
第一步:邻域的划分
第(1.1)步:获取疑似目标邻域。截取出目标候选区域检测阶段所获得目标ROI(Regionof Interest)周围的邻域。其中,目标ROI为包含疑似舰船目标的方形区域;ROI周围的邻域为环绕目标ROI周围的环状区域(如图3所示)。
第(1.2)步:划分ROI周围邻域。将前一步骤获得的疑似舰船目标ROI周围邻域均匀地划分为若干个方形小格I1,I2,…,IN,每个小格与疑似舰船目标ROI的尺寸相同。在本例说明中仅给出常用的取N=8的划分情况,如图3所示。如果扩展ROI的邻域范围能够获得其他的N值取值情况(当前围绕疑似舰船目标ROI的只有一圈8个小格,如果扩展为两圈、三圈……,就能划分出更多的小格,那么N就有更大的取值)。
第二步:邻域描述特征提取
针对上一步骤中划分得到的邻域小格,对每个小格分别提取其灰度类及纹理类的特征。令F1(Ik),F2(Ik)…FM(Ik)表示从第k个邻域小格Ik中对应提取的特征,M为特征的数目。其中的灰度类特征F1(Ik),F2(Ik)分别表示小格Ik的灰度均值及标准差。接下来,计算邻域小格Ik的灰度共生矩阵(gary-level co-occurrence matrix GLCM),并提取它的4个派生参数,分别是:对比特征F3(Ik),相关特性F4(Ik),能量特性F5(Ik),同质性F6(Ik)。至此,每个邻域小格可以得到2维灰度类特征和4维纹理类特征,共6维邻域描述特征。
第三步:邻域相似性计算
第(3.1)步:邻域中的“奇异”小格判别。对于邻域小格Ik的第i个给定的特征Fi,按照以下规则来判定邻域小格Ik是否为相对于其它剩余周围邻域区域“奇异”的格。
其中:N表示邻域小格的数量;表示除了领域小格Ik外的其它剩余邻域小格所提取第i类特征Fi的平均值;DifFlag(i,k)表示在考虑特征类型Fi的情况下Ik是否为“奇异”块,DifFlag(i,k)=0是当前小格Ik在第i类特征下表现出奇异的特性的标志,DifFlag(i,k)=1表示当前小格Ik在第i类特征下表现出与其它邻域小格相似的特性。TFlag是标志判决的门限,典型地,可以设置TFlag=2。
第(3.2)步:邻域相似性度量。给定一个待判别的疑似舰船目标ROI,考虑其所有的邻域小格及所有的特征类型,计算邻域相似性。邻域相似性定义如下:
第四步:利用邻域相似性剔除虚警ROI
在上一步计算获得邻域相似性Similarity后,判断,如果Similarity≥Taccept,则意味着给定疑似舰船目标ROI的邻域在灰度及纹理特性上具有较高的相似性,在这样的局部上下文信息条件下往往意味着舰船目标的出现。因此,这个疑似舰船目标ROI将被保留进行后续表面特征确认的进一步分析。否则,判定为虚警ROI进行剔除。其中,Taccept是范围在0到1之间的接受门限。直观上,Taccept越大剔除虚警ROI的能力就越强,但事实上在实际应用中存在不少例外的情况,如舰船拖着长尾迹等。因此,该门限的选择需要具有一定的容忍性,本例将其设为Taccept=0.8已能在保持较低漏检率的前提下剔除大量虚警ROI。注意,被判为疑似舰船的ROI将在后续步骤中利用基于表面特征的技术进行进一步确认;但判为虚警的ROI则直接剔除。
第五步:基于表面特性的目标候选区域确认
在上一步骤中未被判为虚警的目标ROI需要利用基于表面特征的技术进行进一步确认。
第(5.1)步:对保留的目标ROI进行表面特征提取。采用尺度不变特征变换(Scale InvariantFeature Transform,SIFT)技术描述目标候选区域ROI的特性,按标准SIFT算法获得128维的特征向量VSIFT(参见:“D.Lowe,“Distinctive image features from scale-invariant keypoints,”Int.J.Comput.Vis.,vol.60,no.2,pp.91–110,Nov.2004.”)。
第(5.2)步:基于模式识别的目标候选区域确认。在上述第(5.1)步完成目标候选区域表面特征向量VSIFT提取后,对VSIFT采用基于RBF(radial basis function)核的支持向量机(SVM)进行分类。我们注意到强对比及弱暗对比舰船目标在表面特性上有着本质区别,这样的区别通过所提取的鉴别特征反映出来将会在很大程度上影响分类器的鉴别效果。因此,在SVM训练及识别阶段,本文将疑似舰船目标ROI分为3类,分别是:强对比舰船、弱暗对比舰船及虚警。最后鉴别的结果将舰船的两个子类统一归为舰船目标。
实施例:
下面以图3及图4为例进行进一步说明。
第一步:本例要实现对图4(a)所示的大视场遥感图像进行舰船检测,图4(b)为已经在目标候选区域检测阶段获得的若干疑似目标ROI。对图4(b)中每个ROI,按本发明步骤一所述的邻域划分方法提取对应邻域(以图3(a)所示的ROI为例可提取获得图3(c)所示的邻域)。
第二步:按本发明步骤二所述的方法,对上一步获得的每个ROI邻域的每个邻域小格进行特征提取,可以提取得到F1(I),F2(I)…F6(I)6维邻域描述特征.
第三步:利用上一步获得的邻域特征,按本发明步骤三的方法计算图4(b)中每个ROI邻域的相似性Similarity。
第四步:对上一步获得的每个ROI,按本发明步骤三所述的方法进行Similarity值判别,具体为:对Similarity值小于门限0.8的ROI认为是虚警进行剔除;对Similarity值大于等于门限0.8的ROI保留,本例中保留下来的ROI如图4(c)所示。
第五步:对图4(c)所示保留下来的3个ROI,按本发明步骤五所述的过程分别提取它们的128维SIFT特征向量,接着对这些特征向量用基于RBF核的支持向量机进行分类。该例的分类结果中判为舰船的目标如图4(d)所示,该目标为本发明方法最终认定的舰船目标。
Claims (9)
1.一种基于局部上下文的遥感图像舰船检测虚警剔除方法,其特征是,所述方法采用基于邻域相似性的局部上下文模型进行虚警目标的剔除,包括如下步骤:
第一步,邻域的划分:取出目标候选区域检测阶段所获得的疑似目标区域及其周围邻域,将疑似目标区域周围邻域划分为若干个小格,为特征提取做准备;
第二步,邻域描述特征提取:对每个邻域小格,分别提取其灰度类特征及纹理类特征,组成其邻域描述特征;
第三步,邻域相似性计算:对每个划分小格提取得到的邻域描述特征,判断每个邻域小格在每一种类型特征下是否是相对于其它周围邻域小格奇异的小格,并将这些奇异性累计,从而计算出当前目标疑似区域的邻域相似性;
第四步,利用邻域相似性剔除虚警ROI:对目标疑似区域进行判断,判为虚警的ROI直接剔除,判为疑似舰船的ROI保留;
第五步,基于表面特性的目标候选区域确认:未被判为虚警的目标ROI,用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认,得到最终真实的舰船目标。
2.如权利要求2所述的遥感图像舰船检测虚警剔除方法,其特征是,第二步中所述邻域描述特征包括2维灰度类特征和4维纹理类特征。
3.如权利要求2所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第一步的实现方法如下:
1.1)截取出目标候选区域检测阶段所获得目标ROI周围的邻域;其中,目标ROI为包含疑似舰船目标的方形区域;ROI周围的邻域为环绕目标ROI周围的环状区域;
1.2)将获得的疑似舰船目标ROI周围邻域均匀地划分为若干个方形小格I1,2,…,IN,每个小格与疑似舰船目标ROI的尺寸相同。
4.如权利要求3所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第二步的实现方法如下:
针对上一步骤中划分得到的邻域小格,对每个小格分别提取其灰度类及纹理类的特征;令F1(Ik),F2(Ik)…FM(Ik)表示从第k个邻域小格Ik中对应提取的特征,其中,M为特征的数目,灰度类特征F1(Ik),F2(Ik)分别表示小格Ik的灰度均值及标准差;接下来,计算邻域小格Ik的灰度共生矩阵,并提取它的4个派生参数,分别是:对比特征F3(Ik),相关特性F4(Ik),能量特性F5(Ik),同质性F6(Ik);至此,每个邻域小格可以得到2维灰度类特征和4维纹理类特征,共6维邻域描述特征。
5.如权利要求4所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第三步的实现方法如下:
3.1)邻域中的“奇异”小格判别:对于邻域小格Ik的第i个给定的特征Fi,按照以下规则来判定邻域小格Ik是否为相对于其它剩余周围邻域区域“奇异”的格:
其中:N表示邻域小格的数量;表示除了领域小格Ik外的其它剩余邻域小格所提取第i类特征Fi的平均值;DifFlag(i,k)表示在考虑特征类型Fi的情况下Ik是否为“奇异”块,DifFlag(i,k)=0是当前小格Ik在第i类特征下表现出奇异的特性的标志,DifFlag(i,k)=1表示当前小格Ik在第i类特征下表现出与其它邻域小格相似的特性,TFlag是标志判决的门限;
3.2)邻域相似性度量:给定一个待判别的疑似舰船目标ROI,考虑其所有的邻域小格及所有的特征类型,计算邻域相似性,邻域相似性定义如下:
6.如权利要求5所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第四步的实现方法如下:
在获得邻域相似性Similarity后,判断:如果Similarity≥Taccept,则意味着给定疑似舰船目标ROI的邻域在灰度及纹理特性上具有较高的相似性,这个疑似舰船目标ROI将被保留进行后续表面特征确认的进一步分析;否则,判定为虚警ROI进行剔除;其中,Taccept是范围在0到1之间的接受门限。
7.如权利要求6所述的遥感图像舰船检测虚警剔除方法,其特征是,所述第五步的实现方法如下:
5.1)对保留的目标ROI进行表面特征提取:采用尺度不变特征变换技术描述目标候选区域ROI的特性,按标准SIFT算法获得128维的特征向量VSIFT;
5.2)基于模式识别的目标候选区域确认:对VSIFT采用基于RBF核的支持向量机进行分类,将疑似舰船目标ROI分为3类,分别是:强对比舰船、弱暗对比舰船及虚警;最后鉴别的结果将前两个子类统一归为舰船目标。
8.如权利要求6所述的遥感图像舰船检测虚警剔除方法,其特征是,所述接受门限Taccept=0.8。
9.如权利要求6所述的遥感图像舰船检测虚警剔除方法,其特征是,所述标志判决的门限TFlag=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210480116.0A CN103020592B (zh) | 2012-11-22 | 2012-11-22 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210480116.0A CN103020592B (zh) | 2012-11-22 | 2012-11-22 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020592A true CN103020592A (zh) | 2013-04-03 |
CN103020592B CN103020592B (zh) | 2015-09-23 |
Family
ID=47969183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210480116.0A Expired - Fee Related CN103020592B (zh) | 2012-11-22 | 2012-11-22 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020592B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530628A (zh) * | 2013-10-29 | 2014-01-22 | 上海市城市建设设计研究总院 | 基于浮动控制点的高分辨率遥感影像正射校正方法 |
CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
CN109669168A (zh) * | 2019-01-21 | 2019-04-23 | 成都玻尔兹曼科技有限公司 | 一种基于深度学习的雷达虚警剔除方法 |
CN110378186A (zh) * | 2019-03-22 | 2019-10-25 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110390337A (zh) * | 2019-06-27 | 2019-10-29 | 清华大学 | 一种舰船个体识别方法 |
CN112487918A (zh) * | 2020-11-25 | 2021-03-12 | 天津津航技术物理研究所 | 一种红外图像小目标检测方法 |
CN112907521A (zh) * | 2021-02-05 | 2021-06-04 | 上海展湾信息科技有限公司 | 基于ssd和glcm的焊接气孔目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166014A1 (en) * | 2007-01-05 | 2008-07-10 | Raytheon Company | Target recognition system and method |
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
-
2012
- 2012-11-22 CN CN201210480116.0A patent/CN103020592B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166014A1 (en) * | 2007-01-05 | 2008-07-10 | Raytheon Company | Target recognition system and method |
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
Non-Patent Citations (1)
Title |
---|
胡俊华等: "基于局部自相似性的遥感图像港口舰船检测", 《中国图象图形学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530628B (zh) * | 2013-10-29 | 2016-08-17 | 上海市城市建设设计研究总院 | 基于浮动控制点的高分辨率遥感影像正射校正方法 |
CN103530628A (zh) * | 2013-10-29 | 2014-01-22 | 上海市城市建设设计研究总院 | 基于浮动控制点的高分辨率遥感影像正射校正方法 |
CN108399420B (zh) * | 2018-01-30 | 2021-07-06 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
CN109669168A (zh) * | 2019-01-21 | 2019-04-23 | 成都玻尔兹曼科技有限公司 | 一种基于深度学习的雷达虚警剔除方法 |
CN110378186A (zh) * | 2019-03-22 | 2019-10-25 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110378186B (zh) * | 2019-03-22 | 2021-09-24 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110390337A (zh) * | 2019-06-27 | 2019-10-29 | 清华大学 | 一种舰船个体识别方法 |
CN110390337B (zh) * | 2019-06-27 | 2021-05-18 | 清华大学 | 一种舰船个体识别方法 |
CN112487918A (zh) * | 2020-11-25 | 2021-03-12 | 天津津航技术物理研究所 | 一种红外图像小目标检测方法 |
CN112487918B (zh) * | 2020-11-25 | 2022-10-18 | 天津津航技术物理研究所 | 一种红外图像小目标检测方法 |
CN112907521A (zh) * | 2021-02-05 | 2021-06-04 | 上海展湾信息科技有限公司 | 基于ssd和glcm的焊接气孔目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103020592B (zh) | 2015-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020592B (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
CN101975940B (zh) | 基于分割组合的sar图像自适应恒虚警率目标检测方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN103177458B (zh) | 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 | |
CN102254191B (zh) | 一种基于图像处理的降水粒子相态识别方法 | |
CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN102298698A (zh) | 基于角点与边缘信息融合的遥感图像飞机检测方法 | |
CN104217196A (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN116109936B (zh) | 基于光学遥感的目标检测与识别方法 | |
CN101794437A (zh) | 一种高光谱遥感影像异常探测方法 | |
Xie et al. | Fast ship detection from optical satellite images based on ship distribution probability analysis | |
CN103366373A (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
Palenichka et al. | Multiscale isotropic matched filtering for individual tree detection in LiDAR images | |
Emna et al. | Offshore oil slicks detection from sar images through the mask-rcnn deep learning model | |
CN105139034A (zh) | 一种结合光谱滤除的船舶检测方法 | |
CN110208767A (zh) | 一种基于拟合相关系数的雷达目标快速检测方法 | |
CN103489194A (zh) | 基于安全半监督支持向量机的遥感影像变化检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150923 Termination date: 20181122 |
|
CF01 | Termination of patent right due to non-payment of annual fee |