CN103778627A - 一种基于sar图像的海域溢油检测方法 - Google Patents
一种基于sar图像的海域溢油检测方法 Download PDFInfo
- Publication number
- CN103778627A CN103778627A CN201410001561.3A CN201410001561A CN103778627A CN 103778627 A CN103778627 A CN 103778627A CN 201410001561 A CN201410001561 A CN 201410001561A CN 103778627 A CN103778627 A CN 103778627A
- Authority
- CN
- China
- Prior art keywords
- image
- dark
- blackening
- region
- variance
- 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
本发明提供了一种基于SAR图像的海域溢油检测方法,针对不同海洋场景能够更准确的检测海域溢油。第一步、目标进行提取之前,对SAR图像进行均值滤波处理;第二步、利用最大类间方差的方法对均值滤波处理后的SAR图像进行第一次阈值分割,从整幅图中分割出暗海和部分溢油暗斑;第三步、利用基于上下文特征的局部对比度拉伸方法从暗海中提取溢油暗斑:对于对比度不均匀的SAR海域图像,利用第一次阈值分割会得到大面积的暗海区域;第四步,形态学操作:去除提取的暗海区域图像中的小散点暗斑;第五步,利用基于上下文特征的方法进行虚警剔除。
Description
技术领域
本发明涉及一种基于SAR图像的海域溢油检测方法,属于目标检测与识别技术领域。
背景技术
海域溢油主要来源是船舶溢油、不合法的废油排放以及开采海洋石油产生的溢油等,严重影响了海洋生态环境。为了有效的检测和治理海域溢油污染,目前基于SAR图像的海域溢油检测方法主要可以分为:基于灰度特征的溢油检测算法、基于纹理特征的检测算法、基于边缘特征的检测算法等。
基于灰度特征的溢油检测算法主要是依据溢油区域在SAR海域图像中呈现黑色暗斑区域,即溢油区域的像素值低于周围海水背景的像素值,然后利用SAR海域图像的这种灰度特征,通过合适的阈值分割方法能够从对比度比较均匀的SAR海域图像中检测出溢油区域。但由于海洋环境复杂性,例如低风速、海洋内波、船的尾迹、靠近海岸等这些因素会导致海洋非溢油区域的后向散射系数也很小,在SAR图像上这些区域的灰度值也比较低,所以只利用图像的整体灰度特征而忽略图像局部灰度变化的检测算法,很难准确地从对比度不均匀的图像中检测出溢油区域,且检测虚警概率较高。
基于纹理特征的检测算法主要是利用了像素间的空间分布信息,采用统计学分析或者基于模型的方法计算描述图像中各类别的整体分布规律的纹理特征。如果选择的纹理特征合适这种方法可以比较精确的对各类别进行分类,准确地检测目标。但是确定最佳的纹理特征较困难,为了选择合适的的纹理特征需要经过大量的训练实验,计算量较大,耗时长。
基于边缘特征的检测算法主要是依据海水和溢油的在海域SAR图像中成像原理,它们的交界处像素的灰度值有阶跃变化,所以通过计算边缘梯度值实现边缘的提取,从而来确定溢油区域。此方法虽然能够准确地提取边界,但是受到干扰影响较大,例如有海风或者图像有陆地时,通过边缘检测方法会得到具有很丰富边缘的梯度图像,这样会很难判断出溢油区域。
发明内容
有鉴于此,本发明提供了一种基于SAR图像的海域溢油检测方法,能够针对不同海洋场景更准确的检测海域溢油。
一种基于SAR图像的海域溢油检测方法,包括以下步骤:
第一步、目标进行提取之前,对SAR图像进行均值滤波处理;
第二步、利用最大类间方差的方法对均值滤波处理后的SAR图像进行第一次阈值分割,从整幅图中分割出暗海和部分溢油暗斑;
第三步、利用基于上下文特征的局部对比度拉伸方法从暗海中提取溢油暗斑:增强暗区域的低对比度区域。
第四步,形态学操作:去除提取的暗海区域图像中的小散点暗斑;
第五步,利用基于上下文特征的方法进行虚警剔除。
第三步所述的利用基于上下文特征的局部对比度拉伸的方法来提取暗海区域中溢油暗斑的方法如下:根据整幅图像的均值和方差判断SAR图像的对比度,选择局部对比度拉伸判决条件的加权系数,并选择整幅图像的均值和方差乘以对应的加权系数之后的值,作为判决条件的输入参数;然后利用模板对暗海区域进行操作,计算每个小模板内的均值和方差,经过判决条件,判决小模板区域是否进行对比度拉伸变换;其次对经过局部对比度拉伸之后的暗海区域,利用最大类间方差的方法在0到第一次阈值分割的阈值范围内求第二次分割的阈值,对暗海区域进行第二次分割;最后经过二次阈值分割之后,得到最终提取的暗斑图像。
第五步中利用基于上下文特征的方法进行虚警剔除采用以下方法:
5.1分析第一次阈值分割和第二次阈值分割过程中暗斑区域和非暗斑区域周围特征,选择特征值;
5.2计算第一次阈值分割得到的亮区域的灰度均值、方差,计算对大面积暗海区域进行第二次分割得到的亮区域的灰度均值、方差,以及计算最终提取的暗斑图像中亮区域的灰度均值、方差;
5.3计算最终提取的暗斑图像中每个暗斑区域边界的外周围区域和内周围区域的灰度均值和方差;
5.4根据5.2和5.3中得到的均值和方差设置判决条件,针对不同情况的图像进行虚警剔除。
本发明的有益效果:
1、本发明利用基于上下文特征的局部灰度对比度拉伸算法:由于第一次阈值分割提取的暗海区域对比度较低且灰度值较低,淹没在其中的溢油暗斑难以分辨出来。经过局部对比度拉伸之后,提高了暗海区域和溢油暗斑之间的对比度,更有利于提取暗海中的溢油暗斑。
2、利用基于上下文特征的局部对比度拉伸算法对暗海区域处理之后,会改善暗海区域的灰度直方图,即灰度直方图在0像素值附近会出现一个波峰,与高灰度级之间会有一个很明显的波谷存在。根据最大类间方差方法求阈值的原理,如果图像的灰度直方图之间有波谷存在,可以得到最佳的分割阈值。
3、本发明利用最大类间方差方法进行二次阈值分割:由于低风速等条件导致海域的低灰度值区域,所以第一次阈值分割会得到大面积的暗海区域。利用暗海区域经过局部灰度对比度拉伸之后的图像,进行第二次阈值分割,可以得到淹没在暗海区域中的溢油暗斑图像存在,大大提高了检测概率,而且实现了自适应求阈值。
4、本发明基于上下文特征的虚警剔除算法不仅利用了溢油区域的像素值主要集中在低灰度级的灰度特征,而且仅利用了均值和方差两个纹理特征,就实现了很好的虚警剔除效果,克服了纹理特征检测算法的计算量大、特征多、特征选择困难的缺点。
5、基于上下文特征的虚警剔除算法,不仅利用了背景的整体和部分特征信息,而且利用了目标暗斑边界的内外周围特征信息,可以对虚警暗斑作出更准确地判断,实现对虚警的正确剔除。
6、在全海域SAR图像和有部分陆地SAR图像两种场景下,能够实现较好的目标提取和虚警剔除效果。
附图说明
图1为本发明一种基于SAR图像的海域溢油检测方法的流程图。
具体实施方式
下面结合图1对本发明作进一步介绍。
本发明的一种基于SAR图像的海域溢油检测方法,具体包括5个步骤:(1)均值滤波处理;(2)基于最大类间方差的第一次阈值分割;(3)基于上下文特征的局部对比度拉伸方法提取暗海中的溢油暗斑;(4)形态学去除小散点暗斑;(5)基于上下文特征的虚警剔除。以下为本发明的详细描述:
(1)均值滤波处理:利用N*N的小模板对SAR原图像进行均值滤波。
(2)基于最大类间方差算法的第一次阈值分割:将(1)得到的图像作为这一步的输入图像,统计图像的灰度直方图。由于溢油区域在图像中的灰度值主要集中在低灰度区,为了得到最佳的分割阈值和减小计算量,对直方图进行截取,即在[0,N]范围内利用最大类间方差算法求解第一次分割的阈值,并对图像进行二值分割。其中N的选择原则:为了防止漏检和保证第二次阈值分割的准确性,选择N>100的值。具体操作:计算整幅图像的均值来判断图像亮度,选择判决门限T为100左右的值,如果图像的均值大于门限T,,则判决图像亮度较大,选择N值为N1,否则选择N值为N2。其中N1>N2且N1>100,N2>100,可以通过多样本训练试验确定合适的值N1,N2。
(3)基于上下文特征的局部对比度拉伸方法提取暗海中的溢油暗斑:增强暗区域的低对比度区域,但又不增强方差为零的恒定区域,限制能够接受的最低的对比度值。所以设置是否进行对比度拉伸的判决条件为:t<ki1t0&ki2d0<d<ki3d0,其中ki2<ki3<1.0,ki1<1.0。具体操作:
首先,计算整幅图像的均值t0和方差d0,根据先验知识和样本训练实验,选择两个合适的门限L1,L2,判断图像整体亮度和对比度,根据判决结果选择局部对比度拉伸时的判决条件的加权系数K=[K1,K2,K3,K4],其中K1=[k11,k12,k13]T,K2=[k21,k22,k23]T,K3=[k31,k32,k33]T,K4=[k41,k42,k43]T,具体的参数值可以通过多样本训练确定。选择加权系数的判决条件为:
如果t0>L1且d0>L2,选择加权系数为K1;
如果t0>L1且d0<L2,选择加权系数为K2;
如果t0<L1且d0>L2,选择加权系数为K3;
如果t0<L1且d0>L2,选择加权系数为K4。
其次,利用一个m*m的小模板对暗海区域进行操作,计算每个小模板内的均值t_m和方差d_m,并与t0*ki1和d0*ki2、d0*ki3进行比较,判决小模板区域是否进行对比度拉伸。判决条件为:
如果t_m<t0*ki1且d0*ki2<d_m<d0*ki3,则根据对比度变换公式g(x,y)=k0*f(x,y),对模板内的像素值进行对比度拉伸变换,否则模板内的像素值不变。其中k0为小于0.1的规定参数,这样可以使第一次阈值分割得到的暗海区域的灰度直方图在0灰度值附近形成一个波峰,有利于后续用最大类间方差方法进行第二次阈值分割。
最后,对经过局部对比度拉伸变换得到对比度改善的暗海区域,利用最大类间方差的方法在0到第一阈值分割的阈值范围内求第二次分割的阈值,对暗海区域进行第二次分割,得到最终提取的暗斑图像。
(4)形态学去除小散点暗斑:腐蚀和膨胀操作去除最终提取的目标区域图像中的小散点暗斑。
(5)基于上下文特征的虚警剔除:计算第一次阈值分割得到的亮区域的灰度均值t1和方差d1;计算对暗海区域第二次分割得到亮区域的灰度均值t2和方差d2;计算最终提取的溢油暗斑图像中亮区域的灰度均值t3和方差d3;计算最终提取的溢油暗斑图像中每个暗斑区域边界的外周围和内周围的灰度均值t_out、t_in和方差d_out、d_in。其中外周围区域是对最终提取的暗斑图像进行膨胀操作减去原暗斑图像得到,内周围区域是最终提取的暗斑图像减去对暗斑图像进行腐蚀操作得到。为了能够准确的剔除虚警,对于不同的场景的图像,即主要为全海域图像和海陆交界图像两种情况,选择不同的虚警剔除判决条件,所以在进行虚警剔除之前,先对图像的属于哪种场景进行判断。
首先,对不同场景情况下图像进行分析,如果图像为全海域图像,则整幅图像的均值、方差和最后提取的暗斑图像中亮区域的灰度均值、方差一般差别较小,所以设判决图像场景图像的判决条件参数为:方差误差比p1=((d0-d3)/d0)*10,方差之间的差值p2=d0-d3,均值误差比p3=(t0-t3)/t0。判决条件为:
如果p1<m1且p2<m2或者p2<m3且p3<m4,则判决输入图像为全海域图像,否则判决输入图像为海陆交界图像。
其次,如果图像为全海域图像,则不存在陆地虚警,虚警主要为暗海,而且暗海虚警主要是对大面积暗海区域进行第二次阈值分割得到。依据海和溢油的成像特点不同,暗海虚警暗斑的边界外周围区域的灰度均值和边界内周围区域的灰度均值差别相对较小,所以针对全海域图像虚警剔除的判决条件参数为:q1=t_out/t2,q2=t_in/t_out。判决条件为:
如果q1>m5且q2<m6,则判断暗斑区域为暗海虚警区域,进行剔除。
再次,针对海陆交界图像,可能会存在陆地虚警、靠近陆地的低风速暗海虚警和第二次分割的暗海虚警。由于陆地的纹理较粗糙,所以一般陆地暗斑比整幅图的均值和方差较大,低风速暗海虚警的外周围一般为陆地,所以其外周围比整幅图的均值和方差较大,第二次分割的暗海虚警边界的内外周围的灰度均值差别较小。虚警剔除的判决参数为:q1=t_out/t2,q2=t_in/t_out,q3=t_out/t1,q4=d_out/d1。
①如果q3>m7且d_out>d1,则判决暗斑周围区域为陆地虚警区域,进行剔除。
②当①不成立时,如果q1>m8且q4>m9,则判决为靠近陆地的低风速暗海虚警,进行剔除。
③当②不成立时,如果q1>m10且q2>m11,则判决暗斑区域为第二次分割得到的暗海虚警区域,进行剔除。其中mi(i=1,2,3,4,5,7,8,9,10,11)为判断条件中的规定参数值,经过多样本训练和先验知识得到。
Claims (3)
1.一种基于SAR图像的海域溢油检测方法,其特征在于,包括以下步骤:
第一步、目标进行提取之前,对SAR图像进行均值滤波处理;
第二步、利用最大类间方差的方法对均值滤波处理后的SAR图像进行第一次阈值分割,从整幅图中分割出暗海和部分溢油暗斑;
第三步、利用基于上下文特征的局部对比度拉伸方法从暗海中提取溢油暗斑:增强暗区域的低对比度区域。
第四步,形态学操作:去除提取的暗海区域图像中的小散点暗斑;
第五步,利用基于上下文特征的方法进行虚警剔除。
2.如权利要求1所述的一种基于SAR图像的海域溢油检测方法,其特征在于,
第三步所述的利用基于上下文特征的局部对比度拉伸的方法来提取暗海区域中溢油暗斑的方法如下:根据整幅图像的均值和方差判断SAR图像的对比度,选择局部对比度拉伸判决条件的加权系数,并选择整幅图像的均值和方差乘以对应的加权系数之后的值,作为判决条件的输入参数;然后利用模板对暗海区域进行操作,计算每个小模板内的均值和方差,经过判决条件,判决小模板区域是否进行对比度拉伸变换;其次对经过局部对比度拉伸之后的暗海区域,利用最大类间方差的方法在0到第一次阈值分割的阈值范围内求第二次分割的阈值,对暗海区域进行第二次分割;最后经过二次阈值分割之后,得到最终提取的暗斑图像。
3.如权利要求2所述的一种基于SAR图像的海域溢油检测方法,其特征在于,第五步中利用基于上下文特征的方法进行虚警剔除采用以下方法:
5.1分析第一次阈值分割和第二次阈值分割过程中暗斑区域和非暗斑区域周围特征,选择特征值;
5.2计算第一次阈值分割得到的亮区域的灰度均值、方差,计算对大面积暗海区域进行第二次分割得到的亮区域的灰度均值、方差,以及计算最终提取的暗斑图像中亮区域的灰度均值、方差;
5.3计算最终提取的暗斑图像中每个暗斑区域边界的外周围区域和内周围区域的灰度均值和方差;
5.4根据5.2和5.3中得到的均值和方差设置判决条件,针对不同情况的图像进行虚警剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410001561.3A CN103778627B (zh) | 2014-01-02 | 2014-01-02 | 一种基于sar图像的海域溢油检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410001561.3A CN103778627B (zh) | 2014-01-02 | 2014-01-02 | 一种基于sar图像的海域溢油检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778627A true CN103778627A (zh) | 2014-05-07 |
CN103778627B CN103778627B (zh) | 2016-11-23 |
Family
ID=50570824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410001561.3A Active CN103778627B (zh) | 2014-01-02 | 2014-01-02 | 一种基于sar图像的海域溢油检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778627B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971370A (zh) * | 2014-05-15 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种针对遥感大图像的海洋溢油智能检测方法 |
CN104933714A (zh) * | 2015-06-12 | 2015-09-23 | 北京理工大学 | 一种基于上下文关系的sar遥感场景溢油分割检测方法 |
CN105069780A (zh) * | 2015-07-17 | 2015-11-18 | 北京理工大学 | 一种基于SoPC的SAR图像水域检测实现方法 |
CN105160681A (zh) * | 2015-09-09 | 2015-12-16 | 浙江海洋学院 | 一种海面溢油监测方法及装置 |
CN106485673A (zh) * | 2016-09-19 | 2017-03-08 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
CN106845347A (zh) * | 2016-12-19 | 2017-06-13 | 航天恒星科技有限公司 | 海上油膜识别提取方法及系统 |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN110766624A (zh) * | 2019-10-14 | 2020-02-07 | 中国科学院光电技术研究所 | 一种基于迭代修复的点目标和暗斑图像背景均衡方法 |
CN111861918A (zh) * | 2020-07-14 | 2020-10-30 | 北京理工大学重庆创新中心 | 一种基于sar图像的海上溢油检测方法 |
CN112101377A (zh) * | 2020-08-20 | 2020-12-18 | 湖北中烟工业有限责任公司 | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
CN113156420A (zh) * | 2021-03-12 | 2021-07-23 | 中国石油大学(华东) | 溢油检测系统以及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608604A (zh) * | 2012-03-14 | 2012-07-25 | 清华大学 | 基于共极化特征功率图的海面溢油检测方法 |
US8233689B2 (en) * | 2005-08-31 | 2012-07-31 | Ge Healthcare Limited | Method and system of multivariate analysis on volume-wise data of reference structure normalized images for improved quality in positron emission tomography studies |
CN102880856A (zh) * | 2012-08-22 | 2013-01-16 | 国家海洋局第二海洋研究所 | 基于油、水光谱特征差异的航空高光谱遥感自动识别海表溢油的方法 |
CN102999897A (zh) * | 2011-09-19 | 2013-03-27 | 香港中文大学 | 基于sar图像检测海面溢油的方法和装置 |
-
2014
- 2014-01-02 CN CN201410001561.3A patent/CN103778627B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233689B2 (en) * | 2005-08-31 | 2012-07-31 | Ge Healthcare Limited | Method and system of multivariate analysis on volume-wise data of reference structure normalized images for improved quality in positron emission tomography studies |
CN102999897A (zh) * | 2011-09-19 | 2013-03-27 | 香港中文大学 | 基于sar图像检测海面溢油的方法和装置 |
CN102608604A (zh) * | 2012-03-14 | 2012-07-25 | 清华大学 | 基于共极化特征功率图的海面溢油检测方法 |
CN102880856A (zh) * | 2012-08-22 | 2013-01-16 | 国家海洋局第二海洋研究所 | 基于油、水光谱特征差异的航空高光谱遥感自动识别海表溢油的方法 |
Non-Patent Citations (5)
Title |
---|
ALAA SHETA 等: "Detection of Oil Spills in SAR Images using Threshold Segmentation Algorithms", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
吴爱琴: "SAR图像海面油膜信息提取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
宋莎莎: "海上溢油SAR卫星遥感监测系统研发", 《遥感技术与应用》 * |
彭博: "基于面向对象的海洋溢油检测的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
魏铼: "SAR影像海洋表面溢油检测方法与实现", 《遥感技术与应用》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971370A (zh) * | 2014-05-15 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种针对遥感大图像的海洋溢油智能检测方法 |
CN104933714A (zh) * | 2015-06-12 | 2015-09-23 | 北京理工大学 | 一种基于上下文关系的sar遥感场景溢油分割检测方法 |
CN105069780B (zh) * | 2015-07-17 | 2017-12-08 | 北京理工大学 | 一种基于SoPC的SAR图像水域检测实现方法 |
CN105069780A (zh) * | 2015-07-17 | 2015-11-18 | 北京理工大学 | 一种基于SoPC的SAR图像水域检测实现方法 |
CN105160681A (zh) * | 2015-09-09 | 2015-12-16 | 浙江海洋学院 | 一种海面溢油监测方法及装置 |
CN106485673B (zh) * | 2016-09-19 | 2018-12-18 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
CN106485673A (zh) * | 2016-09-19 | 2017-03-08 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
CN106845347A (zh) * | 2016-12-19 | 2017-06-13 | 航天恒星科技有限公司 | 海上油膜识别提取方法及系统 |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN107230214B (zh) * | 2017-05-27 | 2020-09-01 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN110766624A (zh) * | 2019-10-14 | 2020-02-07 | 中国科学院光电技术研究所 | 一种基于迭代修复的点目标和暗斑图像背景均衡方法 |
CN110766624B (zh) * | 2019-10-14 | 2022-08-23 | 中国科学院光电技术研究所 | 一种基于迭代修复的点目标和暗斑图像背景均衡方法 |
CN111861918A (zh) * | 2020-07-14 | 2020-10-30 | 北京理工大学重庆创新中心 | 一种基于sar图像的海上溢油检测方法 |
CN111861918B (zh) * | 2020-07-14 | 2023-09-15 | 北京理工大学重庆创新中心 | 一种基于sar图像的海上溢油检测方法 |
CN112101377A (zh) * | 2020-08-20 | 2020-12-18 | 湖北中烟工业有限责任公司 | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
CN112101377B (zh) * | 2020-08-20 | 2024-05-28 | 湖北中烟工业有限责任公司 | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
CN113156420A (zh) * | 2021-03-12 | 2021-07-23 | 中国石油大学(华东) | 溢油检测系统以及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103778627B (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
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 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
WO2016172827A1 (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 | |
CN106709426B (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN105512666A (zh) | 一种基于视频的河道垃圾识别方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN110874825B (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN111882561A (zh) | 一种癌细胞识别诊断系统 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
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 | |
CN103971370A (zh) | 一种针对遥感大图像的海洋溢油智能检测方法 | |
CN110211128A (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
CN108596151A (zh) | 一种大场景sar图像中舰船目标切片快速提取方法 | |
CN103971367A (zh) | 水文资料图像分割方法 | |
Li et al. | Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy | |
CN108647693A (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
Widyantara et al. | Gamma correction-based image enhancement and canny edge detection for shoreline extraction from coastal imagery | |
CN113989673A (zh) | 基于国产高分数据和深度学习模型的海岸线自动提取方法 |
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 |