CN103903264A - 基于幂次变换的SAR图像Ostu分割方法 - Google Patents
基于幂次变换的SAR图像Ostu分割方法 Download PDFInfo
- Publication number
- CN103903264A CN103903264A CN201410126577.7A CN201410126577A CN103903264A CN 103903264 A CN103903264 A CN 103903264A CN 201410126577 A CN201410126577 A CN 201410126577A CN 103903264 A CN103903264 A CN 103903264A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- power transform
- filtering
- gray
- 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 Processing (AREA)
Abstract
本发明属于SAR图像分割技术领域,特别涉及基于幂次变换的SAR图像Ostu分割方法。该基于幂次变换的SAR图像Ostu分割方法包括以下步骤:获取原始SAR图像,对原始SAR图像进行相干斑Lee滤波,得到滤波后图像;对滤波后图像分别作N个不同尺度的幂次变换,得到N个幂次变换后的图像,N个幂次变换后的图像分别表示为Z(1)至Z(N),Z(n)表示滤波后图像经过第n个尺度的幂次变换后的图像;得出Z(n)在不同分割阈值下的类间方差和总方差的比值;得出最优分割阈值和幂次变换的最优尺度;根据幂次变换的最优尺度,得到对应的最优幂次变换后图像;根据所述最优分割阈值,对所述最优幂次变换后图像进行图像分割。
Description
技术领域
本发明属于SAR(合成孔径雷达)图像分割技术领域,特别涉及基于幂次变换的SAR图像Ostu分割方法;可用于SAR目标识别中的目标切片图像分割。
背景技术
图像分割是将图像分割成若干个相互不交叠区域的集合,分割出的每个区域内部像素都具有一定的一致性和相似性。SAR目标切片图像分割是SAR目标识别系统中的重要步骤。其中,目标形状、目标散射特性等识别特征的提取都依赖于图像分割的质量。在识别系统中常用的分割方法一般有随机马尔科夫场分割方法和双参数恒虚警CFAR图像分割方法。适用于SAR目标识别的图像分割方法不仅需要满足分割精度的要求,同时还必须易于工程实现。随机马尔科夫场分割方法利用迭代方法去搜索最优分割,虽然其分割精度高,但是收敛速度慢,不利于工程应用。双参数恒虚警CFAR图像分割方法分割速度较快,但是由于SAR图像背景杂波统计分布复杂,很难获得稳定的背景信息,导致这种分割精度不够高。
最大类间方差Ostu分割方法是一种经典的自适应阈值图像分割方法,由大律提出,其在图像分割中已得到广泛应用。Ostu分割方法利用图像灰度一维统计直方图,以图像最大可分性为判决准则,自适应的选取分割阈值,实现图像分割。其在图像质量较好的情况下,可以得到令人满意的结果。SAR图像由于其独特的相干成像机理,背景区域充满大量的相干斑噪声,其幅值通常服从典型的瑞利分布,当噪声功率较大时,其类内一致性较差;而对于目标区域,目标体上不同结构散射体对应的散射中心在图像上表现为非同质性,幅值相差很大,类内一致性较差。Ostu分割方法直接应用到SAR目标切片图像上时,就会受到相干斑噪声和目标幅值方差较大的特征的影响。近年来,对于Ostu分割方法应用到高分辨SAR目标切片图像的研究主要集中在如何解决图像中相干斑噪声对分割结果的影响,以及在解决相干斑噪声影响的同时如何降低方法时间复杂度。但目标类的散射幅值一致性较差对分割的影响并没有被考虑,导致对于该类图像,分割时就会出现目标欠分割结果,即目标上相对较弱的散射中心被分割到背景中。
发明内容
本发明的目的在于提出基于幂次变换的SAR图像Ostu分割方法,可以提高图像分割质量。
为实现上述技术目的,本发明采用如下技术方案予以实现。
基于幂次变换的SAR图像Ostu分割方法包括以下步骤:
S1:获取原始SAR图像,对原始SAR图像进行相干斑Lee滤波,得到滤波后图像;
S2:对滤波后图像分别作N个不同尺度的幂次变换,得到N个幂次变换后的图像,N个幂次变换后的图像分别表示为Z(1)至Z(N),其中,Z(n)表示滤波后图像经过第n个尺度的幂次变换后的图像,n取1至N;
S3:对于滤波后图像经过第n个尺度的幂次变换后的图像Z(n),得出Z(n)在不同分割阈值下的类间方差和总方差的比值;
S4:根据Z(n)在不同分割阈值下的类间方差和总方差的比值,得出最优分割阈值和幂次变换的最优尺度;
S5:根据幂次变换的最优尺度,得到最优幂次变换后图像;根据所述最优分割阈值,对所述最优幂次变换后图像进行图像分割。
本发明的特点和进一步改进在于:
在步骤S2中,滤波后图像在进行第n个尺度的幂次变换时,对应的变换幂次表示为qn,0<qn<1;滤波后图像按照如下公式进行第n个尺度的幂次变换:
其中,Y(i,j)为滤波后图像第i行第j列的像素点的灰度值,i取1至Na,Na为滤波后图像的像素点的行数,j取1至Nr,Nr为滤波后图像的像素点的列数;Z(n,i,j)为Z(n)中第i行第j列的像素点的灰度值。
在步骤S3中,当分割阈值为k时,根据分割阈值k,按照Z(n)中每个像素点的灰度值大小,将Z(n)分割为两类图像,其中一类图像为目标类图像,另一类为背景类图像,k∈{1,2,...,L},L为Z(n)的所有像素点的灰度值的最大值;Z(n)中灰度值大于k的像素点组成所述目标类图像,所述目标类图像的像素点个数为M1(k),所述目标类图像的像素点的灰度值的均值为μ1(k);Z(n)中灰度值小于或等于k的像素点组成所述背景类图像,所述背景类图像的像素点个数为M0(k),所述背景类图像的像素点的灰度值的均值为μ0(k);
所述Z(n)中像素点个数为M,则所述目标类图像的像素点个数占Z(n)中像素点个数的比例ω1(k)为:ω1(k)=M1(k)/M,所述背景类图像的像素点个数占Z(n)中像素点个数的比例ω0(k)为:ω0(k)=M0(k)/M;
Z(n)在分割阈值k下的类间方差和总方差的比值η(k,n)为:
其中,σ2表示Z(n)中像素点灰度值的方差。
在步骤S4中,首先得出图像Z(n)对应的最优分割阈值kn:
其中,n取1至N。然后,根据以下公式得出幂次变换的最优尺度n0:
根据以下公式得出最优分割阈值k0:
在步骤S5中,最优分割阈值为k0,幂次变换的最优尺度为n0,则滤波后图像在进行尺度为n0的幂次变换后,得到最优幂次变换后图像Z(n0);
根据最优分割阈值k0,按照最优幂次变换后图像Z(n0)中每个像素点的灰度值大小,对最优幂次变换后图像Z(n0)进行图像分割,得到二值图像;所述二值图像包括目标类像素点集合T和背景类像素点集合B;最优幂次变换后图像Z(n0)中灰度值大于k0的像素点组成所述目标类像素点集合T,最优幂次变换后图像Z(n0)中灰度值小于或等于k0的像素点组成所述背景类像素点集合B。
在步骤S5中,对所述最优幂次变换后图像进行图像分割后,得到二值图像;所述二值图像包括目标类像素点集合T和背景类像素点集合B;
在步骤S5之后,利用形态学滤波方法,在所述二值图像中,剔除背景类像素点集合B中孤立的像素点,得到分割后图像。
本发明的有益效果为:本发明首先对原始SAR图像做一次相干斑噪声滤波,可以在保持目标和背景边界前提下,提高图像背景灰度值的一致性,减弱噪声过大而导致的过分割现象。接着对滤波后的图像做一个不同尺度的幂次变换,自适应的选择一个最优变换幂次,改善目标区域灰度值一致性,调节背景和目标的方差比例,降低由于目标区域方差过大导致欠分割现象,提高分割质量。
附图说明
图1为本发明的基于幂次变换的SAR图像Ostu分割方法的流程图;
图2a为第一幅原始SAR图像;
图2b为第一幅原始SAR图像经现有一维Ostu图像分割后得到的图像分割结果示意图;
图2c为第一幅原始SAR图像经本发明图像分割后得到的图像分割结果示意图;
图3a为第二幅原始SAR图像;
图3b为第二幅原始SAR图像经现有一维Ostu图像分割后得到的图像分割结果示意图;
图3c为第二幅原始SAR图像经本发明图像分割后得到的图像分割结果示意图。
具体实施方式
下面结合附图对本发明作进一步说明:
参照图1,为本发明的基于幂次变换的SAR图像Ostu分割方法的流程图。该基于幂次变换的SAR图像Ostu分割方法包括以下步骤:
S1:获取原始SAR图像(例如原始SAR目标切片图像),对原始SAR图像进行相干斑Lee滤波(相干斑噪声滤波),得到滤波后图像。具体说明如下:
在原始SAR图像中,由于其相干累积成像机理,图像背景区域中充满大量相干斑噪声,降低了背景幅值一致性,影响图像分割结果。首先对原始SAR目标切片图像I做相干斑Lee滤波,得到滤波后图像Y。然后利用Y做图像分割,可减小噪声对分割的影响。
S2:对滤波后图像分别作N个不同尺度的幂次变换,得到N个幂次变换后的图像,N个幂次变换后的图像分别表示为Z(1)至Z(N),其中,Z(n)表示滤波后图像经过第n个尺度的幂次变换后的图像,n取1至N。具体说明如下:
在高分辨的SAR图像中,目标区域和背景区域幅值(灰度值)分布比较复杂。背景区域幅值通常服从瑞利分布,目标区域则是典型的多峰分布,没有明显的峰值特性。相干斑滤波可以提高背景区域的一致性;而对于目标区域幅值,各个散射中心幅值相差较大,滤波对于其内部一致性改善较差,对于分割依然有影响很大。
本发明通过对滤波后图像幅值做幂次小于1的幂次变换,调节目标区域幅值统计特性,来改善目标类类内幅值一致性。在做小于1的幂次变换时,背景幅值方差反而会变大,一致性变差。这就需要选择合适的幂次变换,来调节背景方差和目标方差比例,来提高分割质量。具体地,对滤波后图像分别作N个不同尺度的幂次变换,得到N个幂次变换后的图像,N个幂次变换后的图像分别表示为Z(1)至Z(N),其中,Z(n)表示滤波后图像经过第n个尺度的幂次变换后的图像,n取1至N。
滤波后图像在进行第n个尺度的幂次变换时,对应的变换幂次表示为qn,0<qn<1;滤波后图像按照如下公式进行第n个尺度的幂次变换:
其中,Y(i,j)为滤波后图像第i行第j列的像素点的灰度值,i取1至Na,Na为滤波后图像的像素点的行数,j取1至Nr,Nr为滤波后图像的像素点的列数,Na×Nr表示滤波后图像的尺寸(也是原始SAR目标切片图像的尺寸);Z(n,i,j)为Z(n)中第i行第j列的像素点的灰度值。
S3:对于滤波后图像经过第n个尺度的幂次变换后的图像Z(n),得出Z(n)在不同分割阈值下的类间方差和总方差的比值。具体说明如下:
当分割阈值为k时,根据分割阈值k,按照Z(n)中每个像素点的灰度值大小,将Z(n)分割为两类图像,其中一类图像为目标类图像,另一类为背景类图像,k∈{1,2,...,L},L为Z(n)的所有像素点的灰度值的最大值;Z(n)中灰度值大于k的像素点组成所述目标类图像,所述目标类图像的像素点个数为M1(k),所述目标类图像的像素点的灰度值的均值为μ1(k);Z(n)中灰度值小于或等于k的像素点组成所述背景类图像,所述背景类图像的像素点个数为M0(k),所述背景类图像的像素点的灰度值的均值为μ0(k)。
上述Z(n)中像素点个数为M,则目标类图像的像素点个数占Z(n)中像素点个数的比例ω1(k)为:ω1(k)=M1(k)/M,背景类图像的像素点个数占Z(n)中像素点个数的比例ω0(k)为:ω0(k)=M0(k)/M。
Z(n)在分割阈值k下的类间方差和总方差的比值η(k,n)为:
其中,σ2表示Z(n)中所有像素点灰度值的方差,ω0(k)ω1(k)(μ0(k)-μ1(k))2表示背景类图像的像素点的灰度值与目标类图像的像素点的灰度值的类间方差。
S4:根据Z(n)在不同分割阈值下的类间方差和总方差的比值,得出最优分割阈值和幂次变换的最优尺度。具体说明如下:
首先得出图像Z(n)对应的最优分割阈值kn:
其中,n取1至N。然后,根据以下公式得出幂次变换的最优尺度n0:
根据以下公式得出最优分割阈值k0:
在步骤S4中,在给定一个幂次变换的尺度n时,可以得出η(k,n)与分割阈值k的关系曲线(η(k,n)的值随着k的变化而发生变化),这时取η(k,n)最大值对应的分割阈值k作为图像Z(n)对应的最优分割阈值kn,由于n取1至N,此时便得到k1至kN。η(k1,1)至η(kN,N)中的最小值对应的幂次变换的尺度为:幂次变换的最优尺度n0。取η(k,n0)最大值对应的分割阈值作为最优分割阈值k0。
S5:进行图像粗分割,根据幂次变换的最优尺度,得到对应的最优幂次变换后图像;根据所述最优分割阈值,对所述最优幂次变换后图像进行图像分割。具体说明如下:
根据幂次变换的最优尺度为n0,滤波后图像在进行尺度为n0的幂次变换后,得到最优幂次变换后图像Z(n0)。
根据最优分割阈值k0,按照最优幂次变换后图像Z(n0)中每个像素点的灰度值大小,对最优幂次变换后图像Z(n0)进行图像分割,得到二值图像I1;其中二值图像包括目标类像素点集合T和背景类像素点集合B;最优幂次变换后图像Z(n0)中灰度值大于k0的像素点组成所述目标类像素点集合T,最优幂次变换后图像Z(n0)中灰度值小于或等于k0的像素点组成所述背景类像素点集合B。
步骤S5中的图像分割过程可以用以下公式进行描述:
其中,Z(n0,i,j)表示最优幂次变换后图像Z(n0)中第i行第j列的像素点的灰度值,I1(i,j)表示二值图像I1中第i行第j列的像素点的灰度值。
在步骤S5之后,本发明的基于幂次变换的SAR图像Ostu分割方法还包括步骤S6:
S6:进行图像细分割,利用形态学滤波方法,在所述二值图像I1中,剔除背景类像素点集合B中孤立的像素点(将孤立的像素点灰度值变为邻近像素点的灰度值),得到最终分割图像I2。
本发明的效果通过以下仿真对比试验进一步说明:
为了验证本发明在高分辨SAR图像中的应用性能,采用美国MSTAR计划录取的地面静止目标SAR图像,其分辨率为0.3m×0.3m,图像大小为128×128(即Na=128,Nr=128),然后对SAR图像进行图像分割。
图2和图3为两组SAR图像分割结果示意图。参照图2a,为第一幅原始SAR图像,参照图2b,第一幅原始SAR图像经现有一维Ostu图像分割后得到的图像分割结果示意图,参照图2c,为第一幅原始SAR图像经本发明后得到的图像分割结果示意图。参照图3a,为第二幅原始SAR图像,参照图3b,第二幅原始SAR图像经现有一维Ostu图像分割后得到的图像分割结果示意图,参照图3c,为第二幅原始SAR图像经本发明后得到的图像分割结果示意图。
从图2b看出,由于相干斑噪声的影响,分割结果出现目标过分割现象。从图3b看出,由于目标区域幅值方差过大的影响,分割结果出现目标欠分割现象。而从图2c和图3c可以看出,本发明消除了噪声和目标区域方差过大对分割的影响,实现较为精确的分割结果。对比现有一维Ostu分割方法和本发明的SAR图像分割方法,可以看出本发明的分割结果能够更为准确的描述目标的轮廓信息。本发明采用了保边界的相干斑滤波和自适应的幂次变换,可以有效抑制背景相干斑噪声和目标区域幅值方差过大导致错误分割的影响,提高图像分割质量。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.基于幂次变换的SAR图像Ostu分割方法,其特征在于,包括以下步骤:
S1:获取原始SAR图像,对原始SAR图像进行相干斑Lee滤波,得到滤波后图像;
S2:对滤波后图像分别作N个不同尺度的幂次变换,得到N个幂次变换后的图像,N个幂次变换后的图像分别表示为Z(1)至Z(N),其中,Z(n)表示滤波后图像经过第n个尺度的幂次变换后的图像,n取1至N;
S3:对于滤波后图像经过第n个尺度的幂次变换后的图像Z(n),得出Z(n)在不同分割阈值下的类间方差和总方差的比值;
S4:根据Z(n)在不同分割阈值下的类间方差和总方差的比值,得出最优分割阈值和幂次变换的最优尺度;
S5:根据幂次变换的最优尺度,得到最优幂次变换后图像;根据所述最优分割阈值,对所述最优幂次变换后图像进行图像分割。
2.如权利要求1所述的基于幂次变换的SAR图像Ostu分割方法,其特征在于,在步骤S2中,滤波后图像在进行第n个尺度的幂次变换时,对应的变换幂次表示为qn,0<qn<1;滤波后图像按照如下公式进行第n个尺度的幂次变换:
其中,Y(i,j)为滤波后图像第i行第j列的像素点的灰度值,i取1至Na,Na为滤波后图像的像素点的行数,j取1至Nr,Nr为滤波后图像的像素点的列数;Z(n,i,j)为Z(n)中第i行第j列的像素点的灰度值。
3.如权利要求1所述的基于幂次变换的SAR图像Ostu分割方法,其特征在于,在步骤S3中,当分割阈值为k时,根据分割阈值k,按照Z(n)中每个像素点的灰度值大小,将Z(n)分割为两类图像,其中一类图像为目标类图像,另一类为背景类图像,k∈{1,2,...,L},L为Z(n)的所有像素点的灰度值的最大值;Z(n)中灰度值大于k的像素点组成所述目标类图像,所述目标类图像的像素点个数为M1(k),所述目标类图像的像素点的灰度值的均值为μ1(k);Z(n)中灰度值小于或等于k的像素点组成所述背景类图像,所述背景类图像的像素点个数为M0(k),所述背景类图像的像素点的灰度值的均值为μ0(k);
所述Z(n)中像素点个数为M,则所述目标类图像的像素点个数占Z(n)中像素点个数的比例ω1(k)为:ω1(k)=M1(k)/M,所述背景类图像的像素点个数占Z(n)中像素点个数的比例ω0(k)为:ω0(k)=M0(k)/M;
Z(n)在分割阈值k下的类间方差和总方差的比值η(k,n)为:
其中,σ2表示Z(n)中像素点灰度值的方差。
4.如权利要求3所述的基于幂次变换的SAR图像Ostu分割方法,其特征在于,在步骤S4中,首先得出图像Z(n)对应的最优分割阈值kn:
其中,n取1至N。然后,根据以下公式得出幂次变换的最优尺度n0:
根据以下公式得出最优分割阈值k0:
5.如权利要求1所述的基于幂次变换的SAR图像Ostu分割方法,其特征在于,在步骤S5中,最优分割阈值为k0,幂次变换的最优尺度为n0,则滤波后图像在进行尺度为n0的幂次变换后,得到最优幂次变换后图像Z(n0);
根据最优分割阈值k0,按照最优幂次变换后图像Z(n0)中每个像素点的灰度值大小,对最优幂次变换后图像Z(n0)进行图像分割,得到二值图像;所述二值图像包括目标类像素点集合T和背景类像素点集合B;最优幂次变换后图像Z(n0)中灰度值大于k0的像素点组成所述目标类像素点集合T,最优幂次变换后图像Z(n0)中灰度值小于或等于k0的像素点组成所述背景类像素点集合B。
6.如权利要求1所述的基于幂次变换的SAR图像Ostu分割方法,其特征在于,在步骤S5中,对所述最优幂次变换后图像进行图像分割后,得到二值图像;所述二值图像包括目标类像素点集合T和背景类像素点集合B;
在步骤S5之后,利用形态学滤波方法,在所述二值图像中,剔除背景类像素点集合B中孤立的像素点,得到分割后图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410126577.7A CN103903264B (zh) | 2014-03-31 | 2014-03-31 | 基于幂次变换的SAR图像Ostu分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410126577.7A CN103903264B (zh) | 2014-03-31 | 2014-03-31 | 基于幂次变换的SAR图像Ostu分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103903264A true CN103903264A (zh) | 2014-07-02 |
CN103903264B CN103903264B (zh) | 2017-02-15 |
Family
ID=50994571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410126577.7A Active CN103903264B (zh) | 2014-03-31 | 2014-03-31 | 基于幂次变换的SAR图像Ostu分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103903264B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450371A (zh) * | 2021-06-30 | 2021-09-28 | 长江大学 | 一种储层微裂缝识别方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5857030A (en) * | 1995-08-18 | 1999-01-05 | Eastman Kodak Company | Automated method and system for digital image processing of radiologic images utilizing artificial neural networks |
CN102999890A (zh) * | 2011-09-09 | 2013-03-27 | 苏州普达新信息技术有限公司 | 基于环境因素的图像光线强度动态校正方法 |
-
2014
- 2014-03-31 CN CN201410126577.7A patent/CN103903264B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5857030A (en) * | 1995-08-18 | 1999-01-05 | Eastman Kodak Company | Automated method and system for digital image processing of radiologic images utilizing artificial neural networks |
CN102999890A (zh) * | 2011-09-09 | 2013-03-27 | 苏州普达新信息技术有限公司 | 基于环境因素的图像光线强度动态校正方法 |
Non-Patent Citations (3)
Title |
---|
SEZGIN M等: "Survey over image thresholding techniques and quantitative performance evaluation", 《JOURNAL OF ELECTRONIC IMAGING》 * |
于建宁: "基于机器视觉的大米粘连图像分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
孙力: "基于ROI与自适应Ostu相结合的图像分割算法", 《现代电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450371A (zh) * | 2021-06-30 | 2021-09-28 | 长江大学 | 一种储层微裂缝识别方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103903264B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427986B (zh) | 一种基于毫米波雷达点云特征的核支持向量机目标分类方法 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN104851097B (zh) | 基于目标形状与阴影辅助的多通道sar‑gmti方法 | |
DE102006057552B4 (de) | System und Verfahren zur Messung des Abstands eines vorausfahrenden Fahrzeugs | |
CN106951915B (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
DE102013102153A1 (de) | Verfahren zur Registrierung von Entfernungsbildern von mehreren LiDAR-Sensoren | |
CN105005789B (zh) | 一种基于视觉词汇的遥感图像地物分类方法 | |
CN105259553A (zh) | 基于距离-瞬时多普勒像的微动目标散射点航迹关联方法 | |
CN102073867B (zh) | 一种遥感图像分类方法及装置 | |
CN109344880B (zh) | 基于多特征和复合核的sar图像分类方法 | |
CN103150731A (zh) | 一种模糊聚类图像分割方法 | |
CN103176168A (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN102034109A (zh) | 一种基于统计特性的合成孔径声纳目标检测方法 | |
CN103593853A (zh) | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 | |
CN104156945A (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN105913083A (zh) | 基于稠密sar-sift和稀疏编码的sar分类方法 | |
CN102156971A (zh) | 基于线状奇异性信息的sar图像相干斑抑制方法 | |
CN105427301A (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
CN103871040B (zh) | 基于多角度导航卫星双基地合成孔径雷达图像融合方法 | |
CN104346814A (zh) | 基于层次视觉语义的sar图像分割方法 | |
CN110706177A (zh) | 一种侧扫声呐图像灰度均衡化方法及系统 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN112508963A (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
CN110738223A (zh) | 一种激光雷达的点云数据聚类方法及装置 |
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 |