CN103927741B - 增强目标特征的sar图像合成方法 - Google Patents
增强目标特征的sar图像合成方法 Download PDFInfo
- Publication number
- CN103927741B CN103927741B CN201410100632.5A CN201410100632A CN103927741B CN 103927741 B CN103927741 B CN 103927741B CN 201410100632 A CN201410100632 A CN 201410100632A CN 103927741 B CN103927741 B CN 103927741B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- sar
- sar image
- target area
- 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.)
- Active
Links
Abstract
本发明提出的增强目标特征的SAR图像合成方法,旨在提供一种有效的利用SAR图像和光学图像进行合成,从而增强目标特征的方法。本发明通过下述技术方案予以实现:首先获取从同一场景拍摄到的光学图像和SAR图像,经计算机中的色彩转换模块对光学图像进行色彩预处理;利用恒虚警检测SAR图像中的高亮点,对亮点进行区域合并后利用目标先验信息及特征完成检测后处理,剔除虚警,将SAR图像分成目标区域和背景区域;光学图像目标特征提取模块利用SAR图像目标位置信息,提取光学图像目标区域及目标特征;最后通过图像合成模块将SAR图像与光学图像进行三通道彩色图像合成,将提取到的光学图像目标边缘叠加到合成图像中生成最终合成图像。
Description
技术领域
本发明是关于图像处理领域的目标图像合成技术,特别是涉及目标特征增强的SAR图像合成方法。
背景技术
近几年来合成孔径雷达(SAR)成像技术的成熟使其成为对地观测的一种重要手段。SAR具有全天候、全天时成像的特点,且能发现隐藏在树丛、草堆、地表下的目标。与光学、红外图像相比,SAR成像质量受气候与昼夜因素的影响较小,但是它也有图像分辨率低等缺点,且图像不易人眼判读。
图像合成技术将多个传感器探测到的图像通过特定方式合成,从而提供更加清晰的图像细节信息。光学图像成像分辨率较高,可获得较为丰富的颜色、形状和纹理信息。因此,在SAR图像中自动提取目标区域,将SAR图像、光学图像与目标图像合成,充分利用光学图像中获取的目标特征信息,可以有效的提高合成图像中目标对比度,减小对目标解译、识别的误差和不确定性。
在多传感器图像合成方面,近年来国外使用红外与可见光流式数据进行变比例合成,取得了较好的效果,且已经得到实际应用。不足是没有对目标信息进行单独处理。而SAR图像由于成像机理与红外图像有很大不同,不能以流式数据与光学图像进行合成,且SAR图像中目标特性与红外目标特性也有很大差异。因此,国外的方法并不适用。
目前,国内在SAR图像合成方面的研究较少,但在SAR与光学图像融合方面开展了一些研究,主要包括:
(1)主成分变换(PCA),多光谱图像进行PCA变换,提取第一主成分后,再将全色波段图像拉伸到第一主成分的方差和均值;用拉伸后的全色波段图像代替第一主成分,进行逆PCA变换,得到融合后图像。基于PCA变换的图像融合在保持图像的清晰度方面有优势。
(2)IHS变换融合,把光学图像的3个波段合成的RGB假彩色图像变换到IHS色度空间,然后用SAR图像代替其中的I值,再变换到RGB颜色空间,形成融合后影像。
(3)Brovey融合,将参与RGB组合的每个波段与该组合波段总和做比值计算进行正规化,以保持低分辨率影像的光谱分辨率,然后将比值结果乘以高分辨率波段的亮度以获取高频空间信息,优点是锐化影像的同时能够保持原多光谱影像的信息内容,具有很高的光谱信息保真度。缺点是对中高光谱的低空间分辨率RGB组合选择比较麻烦。
(4)高通滤波融合,采用高通滤波来抑制高分辨率影像中的低频光谱信息和增强高频空间信息,处理后的高分辨率影像和低分辨率影像相加可以达到提高低分辨率影像的空间分辨率。
(5)小波变换融合,对参与融合的遥感图像数据进行小波正变换,将图像分解为高频信息和低频信息。分别抽取来自高空间分辨率影像分解后的高频信息和低空间分辨率的低频信息进行小波逆变换,生成融合图像。
上述方法主要针对图像像素进行,不具备明显的目标指示特性,没有充分发挥SAR图像目标探测能力的优势。
发明内容
本发明目的在于提供一种增强目标特征的SAR图像合成方法,实现SAR图像和光学图像的合成并增强目标特征。
为达到上述的目的,一种增强目标特征的SAR图像合成方法,步骤如下:
首先将从外景获得的经过配准的合成孔径雷达SAR图像和光学数字图像读入计算机内存图像合成程序软件,经计算机中的色彩转换模块对光学图像进行色彩预处理,按红R、绿G、蓝B分成三分量彩色图像像素,并将彩色图像经亮度计算转换为灰度图像;SAR图像目标提取模块提取目标区域信息,将SAR图像的归一化直方图作为统计分布模型,将SAR图像分成目标区域和背景区域,然后通过恒虚警目标检测SAR图像中的高亮点,并依据图像合成程序中预先存储的先验目标标记信息对亮点的目标形状、位置特征进行区域合并形成SAR目标区域图像,同时剔除虚警;目标特征提取模块利用SAR图像检测到的目标区域位置信息作为初始目标位置参考,采用最大方差法对光学图像进行目标区域分割,提取光学图像的目标区域和边缘特征;图像合成模块将SAR目标区域图像、SAR背景区域图像和光学图像分别放在不同颜色通道上计算出彩色合成图像,对三通道彩色图像进行初次合成,最后将提取到的光学图像目标边缘叠加到合成图像中生成合成图像。
本发明相比于现有技术具有如下显著优点:
本发明根据SAR图像与光学图像的特点,通过恒虚警目标检测、目标图像合成、目标边缘增强等处理,对SAR与光学图像完成目标区域提取与图像合成,经恒虚警检测后综合利用SAR图像中目标形状、位置特征进行区域合并,并利用目标先验信息剔除虚警,目标区域提取结果准确;采用三通道目标图像合成技术计算出彩色合成图像,目标背景细节清晰,且在图像合成过程中利用目标合成系数对目标显示效果进行控制,提高了目标对比度,突出了合成图像中的目标视觉效果;利用提取出的目标边缘特征增强目标图像,图像具备鲜明的目标指示特性,有利于后续的目标精确定位和识别。
附图说明
为了更清楚地理解本发明,现将通过本发明实施方式,同时参照附图,来描述本发明,其中:
图1是本发明增强目标特征SAR图像合成流程图。
图2是本发明利用SAR图像完成目标检测的流程图。
图3是本发明图像合成与目标增强处理的流程图。
具体实施方式
参阅图1。根据本发明提出的一种增强目标特征的SAR图像合成方法,首先将从外景获得的经过配准的合成孔径雷达SAR图像和光学数字图像读入计算机内存图像合成程序软件,经计算机中的色彩转换模块对光学图像进行色彩预处理,按红R、绿G、蓝B分成三分量彩色图像像素,并将彩色图像经亮度计算转换为灰度图像;SAR图像目标提取模块提取目标区域信息,将SAR图像的归一化直方图作为统计分布模型,将SAR图像分成目标区域和背景区域,然后通过恒虚警目标检测SAR图像中的高亮点,并依据图像合成程序中预先存储的先验目标标记信息对亮点的目标形状、位置特征进行区域合并形成SAR目标区域图像,同时剔除虚警;目标特征提取模块利用SAR图像检测到的目标区域位置信息作为初始目标位置参考,采用最大方差法对光学图像进行目标区域分割,提取光学图像的目标区域和边缘特征;图像合成模块将SAR目标区域图像、SAR背景区域图像和光学图像分别放在不同颜色通道上计算出彩色合成图像,对三通道彩色图像进行初次合成,最后将提取到的光学图像目标边缘叠加到合成图像中生成合成图像。
上述利用目标特征增强的SAR图像合成的方法,具体可以通过如下步骤予以实现:
1)由计算机图像合成程序读入经过配准的SAR图像和光学数字图像,经计算机程序色彩转换模块进行亮度计算,通过亮度计算将三分量为R、G、B的彩色图像转换为灰度图像,转换后灰度图像的像素亮度按以下公式计算:
I=0.114B+0.587G+0.299R
其中,R、G、B分别代表对应点的彩色图像像素的红色、绿色和蓝色分量的亮度值。
2)计算机中的SAR图像目标提取模块利用恒虚警的方法检测SAR图像中的高亮点的步骤为:
第一,SAR图像目标提取模块对于输入灰度范围为[O,N]的SAR图像X(i,j),计算SAR图像的归一化统计直方图,并记为F(x),则:
式中,#{X(i,j)=k}表示图像X(i,j)中灰度值为k的像素个数,#{X(i,j)}表示图像X(i,j)的像素个数。
第二,SAR图像目标提取模块根据虚警率计算亮点检测的阈值T,在计算得到的阈值T中,提取SAR图像中的高亮点像素,得到阈值分割结果
3)在SAR图像目标检测处理中,SAR图像目标提取模块根据亮点像素的密度自动剔除分割结果X′(i,j)中的孤立点,具体实现方法为:给定阈值分割结果X′(i,j),如果X′(i,j)=1,统计像素(i,j)所在窗口内的亮点个数D(i,j);如果X′(i,j)=0,
记D(i,j)=0,且亮点密度
然后,根据亮点密度D(i,j)剔除X′(i,j)中的孤立点,记处理结果为X″(i,j),具体实现方法为:若D(i,j)小于设定的密度阈值DT,则将相应位置的X″(i,j)值为0,可描述为下式
SAR图像目标提取模块对剔除孤立点后的亮点图像进行标号,使得同一连通区域内的亮点具有相同的标号,不同连通区域具有不同的标号,然后统计各连通区域的信息,并记为如下具有4个分量的结构体数据:R(k)={′Label′,′PointNum′,′Location′,′Rect′}
其中,四个分量分别表示连通区域的标号′Label′、像素点数′PointNum′、质心位置′Location′和最小外接矩形′Rect′,k表示连通区域的序号。
SAR图像目标提取模块根据各连通区域的信息进行区域合并,形成候选目标区域。具体实现方法为:对任意两个不同的连通区域R(m)和R(n),计算两连通区域质心位置之间的距离Dis(m,n)=|R(m).Location-R(n).Location|
式中,m和n是连通区域的序号。
设DisT是程序预先给定的区域合并距离阈值,如果Dis(m,n)<DisT,则合并R(m)和R(n),形成一个新的连通区域R(k)。R(k)的域信息可由下式确定
重复以上过程直至所有连通区域之间的距离都不小于DisT,此时的连通区域即为候选目标区域;
SAR图像目标提取模块根据下式自动计算各候选目标区域R(k)的相关特征长-L、宽-W、大小-Size、面积比-Ratio:
其中,R(k).Rect表示目标区域R(k)的外接矩形Rect的结构体数据,其中包含的四个分量分别表示外接矩形Rect的最大列数据MaxCol、、最小列数据MinCol、最大行数据MaxRow和最小行数据MinRow。
SAR图像目标提取模块根据目标的先验信息,剔除不符合目标特征的区域,同时,将相应的连通区域标记为背景。这样,SAR图像目标区域可形成目标图像Target(i,j),i和j分别为图像的行列坐标。
计算机剔除不符合目标特征的区域的公式如下:
其中,Lmin和Lmax分别是目标的先验长度的最大值和最小值。其他依次类推。
SAR图像目标提取模块通过如下公式获得SAR图像目标在X轴和Y轴的坐标信息:
式中,Xk和Yk分别为SAR目标在X轴和Y轴的坐标,Size为目标区域R(k)的大小,(xi,yi)为目标区域R(k)中像素点的坐标。
4)光学图像目标分割的步骤为:
在光学图像目标分割中,设光学图像的灰度级为L,灰度为i的像素的个数为ni,图像总像素数为N,则可计算出各灰度级出现的概率为pi=ni/N。在光学图像分割中,假设目标特征提取模块程序可按照图像灰度级用阈值t将灰度划分为背景C0=(0,1,…,t)和目标C1=(t+1,t+2,…,L-1),则C0和C1出现的概率ω0和ω1分别为:
C0和C1出现的平均灰度μ0和μ1分别为:
式中,μ为每个窗口对应的图像子区域的像素灰度平均值,μ(t)是阈值为t时的灰度平均值,ω(t)是阈值为t时的C0类出现的概率。
全部采样的灰度的平均值μ=ω0μ0+ω1μ1
类间方差
σ2=ω0(μ0-μ)2+ω1(μ1-μ)2
最大类间方差分割法(也称作大津法)把两类的类间方差作为判别准则,当σ2值最大时的图像灰度t*即为最佳分割阈值t*=Argmax0〈t<L-1ω0(μ0-μ)2+ω1(μ1-μ)2。
计算机中的目标特征提取模块采用SAR图像目标区作为掩膜,利用t*分割光学图像EO,将光学图像中像素灰度大于t*的像素形成一幅新的图像TargetEO,则:
其中,i和j分别为图像的行列坐标。
5)光学图像目标特征提取的方法为:
目标边缘特征提取是在对应的光学图像目标区TargetEO中,利用Canny算子模板提取目标区域的边缘特征。计算机完成边缘提取后,形成的边缘图像为Edge(i,j),i和j分别为图像的行列坐标。
6)SAR图像与光学图像进行三通道彩色图像合成的方法为:SAR图像与光学图像进行三通道彩色图像合成时,计算机中的图像合成模块新生成一幅合成图像H,图像大小与SAR和光学图像大小相同。将SAR图像的目标区域、背景区域和光学图像分别放在合成图像不同通道:
式子中,R(i,j)、G(i,j)、B(i,j)分别为合成图像H(i,j)的红、绿、蓝三通道颜色,SAR(i,j)为SAR图像,EO(i,j)为光学图像,Target(i,j)为SAR图像目标区域,val为合成系数,取值从0到100之间,μ为目标合成系数,取值0到1之间。
7)目标增强处理,计算机中的图像合成模块将提取到的光学图像目标边缘Edge(i,j)叠加到合成图像中,叠加公式为:
H*(i,j)=H(i,j)+τ×Edge(i,j)
式中,H(i,j)是合成图像,H*(i,j)为最终目标增强图像,T为边缘增强系数,取值0到1之间。
Claims (10)
1.一种增强目标特征的SAR图像合成方法,其特征在于包括如下步骤:
首先将从外景获得的经过图像配准的合成孔径雷达SAR图像和光学数字图像读入计算机内存中的图像合成程序软件,经计算机中的色彩转换模块对光学图像进行色彩预处理,按红R、绿G、蓝B分成三分量彩色图像像素,并将彩色图像经亮度计算转换为灰度图像;SAR图像目标提取模块提取目标区域信息,将SAR图像的归一化直方图作为统计分布模型,将SAR图像分成目标区域和背景区域,然后通过恒虚警目标检测SAR图像中的高亮点,并依据图像合成程序中预先存储的先验目标标记信息对亮点的目标形状、位置特征进行区域合并形成SAR目标区域图像,同时剔除虚警;目标特征提取模块利用SAR图像检测到的目标区域位置信息作为初始目标位置参考,采用最大方差法对光学图像进行目标区域分割,提取光学图像的目标区域和边缘特征;图像合成模块将SAR目标区域图像、SAR背景区域图像和光学图像分别放在不同颜色通道上计算出彩色合成图像,对三通道彩色图像进行初次合成,最后将提取到的光学图像目标区域和边缘特征叠加到合成图像中生成合成图像。
2.如权利要求1所述的增强目标特征的SAR图像合成方法,其特征在于:转换后灰度图像的像素亮度按以下公式计算:I=0.114B+0.587G+0.299R
其中,R、G、B分别代表对应点的彩色图像像素的红色、绿色和蓝色分量的亮度值。
3.如权利要求1所述的增强目标特征的SAR图像合成方法,其特征在于:SAR图像目标提取模块对于输入灰度范围为[0,N]的SAR图像X(i,j),计算SAR图像统计的归一化直方图,并记为F(x),则:
式中,#{X(i,j)=k}表示图像X(i,j)中灰度值为k的像素个数,#{X(i,j)}表示图像X(i,j)的像素个数,N为自然数。
4.如权利要求3所述的增强目标特征的SAR图像合成方法,其特征在于:SAR图像目标提取模块根据虚警率计算亮点检测的阈值T,在计算得到的阈值T中,提取SAR图像中的高亮点像素,得到阈值分割结果
5.如权利要求1所述的增强目标特征的SAR图像合成方法,其特征在于:在恒虚警目标检测处理中,SAR图像目标提取模块根据亮点像素的密度自动剔除分割结果X′(i,j)中的孤立点;给 定阈值分割结果X′(i,j),如果X′(i,j)=1,统计像素(i,j)所在窗口内的亮点个数D(i,j);如果X′(i,j)=0,记D(i,j)=0,且
6.如权利要求5所述的增强目标特征的SAR图像合成方法,其特征在于:若D(i,j)小于设定的密度阈值DT,则将相应位置的分割结果X″(i,j)值为0,描述为下式
7.如权利要求5所述的增强目标特征的SAR图像合成方法,其特征在于:SAR图像目标提取模块对剔除孤立点后的亮点图像进行标号,使得同一连通区域内的亮点具有相同的标号,不同连通区域具有不同的标号,然后统计各连通区域的信息,并记为如下具有4个分量的结构体数据:
R(k)={′Label′,′PointNum′,′Location′,′Rect′},
其中,四个分量分别表示连通区域的标号′Label′、像素点数′PointNum′、质心位置′Location′和最小外接矩形′Rect′,k表示连通区域的序号。
8.如权利要求7所述的增强目标特征的SAR图像合成方法,其特征在于:SAR图像目标提取模块根据各连通区域的信息进行区域合并,形成候选目标区域,对任意两个不同的连通区域R(m)和R(n),计算两连通区域质心位置之间的距离Dis(m,n)=|R(m).Location-R(n).Location|,式中,m和n是连通区域的序号。
9.如权利要求1所述的增强目标特征的SAR图像合成方法,其特征在于:SAR图像目标提取模块根据下式自动计算各目标区域R(k)的相关特征长-L、宽-W、大小-Size、面积比-Ratio:
式中,R(k).Rect表示目标区域R(k)的外接矩形Rect的结构体数据,其中包含的四个分量分别表示外接矩形Rect的最大列数据MaxCol、最小列数据MinCol、最大行数据MaxRow和最小行数据MinRow。
10.如权利要求1所述的增强目标特征的SAR图像合成方法,其特征在于:SAR图像与光学图像进行三通道彩色图像合成时,图像合成模块新生成一幅合成图像H,图像大小与SAR和光学图像大小相同,将SAR图像的目标区域、背景区域和光学图像分别放在合成图像不同通道:
式子中,R(i,j)、G(i,j)、B(i,j)分别为合成图像H(i,j)的红、绿、蓝三通道颜色,SAR(i,j)为SAR图像,EO(i,j)为光学图像,Target(i,j)为SAR图像目标区域,val为合成系数,取值从0到100之间,μ为目标合成系数,取值0到1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410100632.5A CN103927741B (zh) | 2014-03-18 | 2014-03-18 | 增强目标特征的sar图像合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410100632.5A CN103927741B (zh) | 2014-03-18 | 2014-03-18 | 增强目标特征的sar图像合成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927741A CN103927741A (zh) | 2014-07-16 |
CN103927741B true CN103927741B (zh) | 2017-02-01 |
Family
ID=51145952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410100632.5A Active CN103927741B (zh) | 2014-03-18 | 2014-03-18 | 增强目标特征的sar图像合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927741B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113555737A (zh) * | 2021-09-17 | 2021-10-26 | 长沙泰科阳微电子有限公司 | 一种sar图像检测方法及系统 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105487053B (zh) * | 2015-12-29 | 2018-04-10 | 北京华航无线电测量研究所 | 一种基于监视雷达的陆地掩模制备方法 |
CN105678694B (zh) * | 2016-02-18 | 2018-12-21 | 中国科学院遥感与数字地球研究所 | 一种基于建筑物三维模型的sar图像增强方法及系统 |
CN106570840A (zh) * | 2016-11-09 | 2017-04-19 | 北京建筑大学 | 壁画信息提取后的图像增强方法 |
CN106952223B (zh) * | 2017-03-17 | 2020-06-02 | 北京邮电大学 | 图像配准方法及装置 |
CN107316038B (zh) * | 2017-05-26 | 2020-04-28 | 中国科学院计算技术研究所 | 一种sar图像舰船目标统计特征提取方法与装置 |
CN107462886B (zh) * | 2017-07-26 | 2020-10-09 | 南京信息工程大学 | 一种基于波形对比度最优算法的动目标恒虚警检测方法 |
CN109000645A (zh) * | 2018-04-26 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂环境目标经典航迹提取方法 |
CN109001734B (zh) * | 2018-07-27 | 2020-07-03 | 中国科学院国家空间科学中心 | 一种干涉sar复图像和光学图像的融合方法 |
CN109118463B (zh) * | 2018-07-27 | 2021-10-19 | 中国科学院国家空间科学中心 | 一种基于hsl和图像熵的sar图像和光学图像融合方法 |
CN110008951B (zh) * | 2019-03-14 | 2020-12-15 | 深兰科技(上海)有限公司 | 一种目标检测方法及装置 |
CN110210418B (zh) * | 2019-06-05 | 2021-07-23 | 西安电子科技大学 | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 |
CN112241935B (zh) * | 2019-07-18 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备、存储介质 |
CN111175709B (zh) * | 2019-12-27 | 2023-02-24 | 中国电子科技集团公司第十四研究所 | 一种基于误差抑制的面向大范围气象雷达的拼图方法 |
CN112288721B (zh) * | 2020-10-29 | 2022-03-01 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的马赛克多光谱图像生成方法 |
CN112686222B (zh) * | 2021-03-12 | 2021-06-29 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN113012251B (zh) * | 2021-03-17 | 2022-05-03 | 厦门大学 | 基于生成对抗网络的sar图像自动彩色化方法 |
CN113538306B (zh) * | 2021-06-15 | 2024-02-13 | 西安电子科技大学 | 一种sar图像与低分辨率光学图像多图融合方法 |
CN113421190B (zh) * | 2021-06-24 | 2023-03-24 | 深圳大学 | 一种超分辨率方法、装置、计算机设备及存储介质 |
CN116245717B (zh) * | 2023-05-10 | 2023-07-21 | 长春理工大学 | 航拍图像生成模拟sar雷达图像的方法 |
CN117314795B (zh) * | 2023-11-30 | 2024-02-27 | 成都玖锦科技有限公司 | 一种利用背景数据的sar图像增强方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197304A (zh) * | 2013-04-19 | 2013-07-10 | 哈尔滨工业大学 | 基于非反射对称散射分量提取的PolSAR图像两层目标分解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003338935A (ja) * | 2002-05-20 | 2003-11-28 | Canon Inc | 画像処理装置および方法 |
-
2014
- 2014-03-18 CN CN201410100632.5A patent/CN103927741B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197304A (zh) * | 2013-04-19 | 2013-07-10 | 哈尔滨工业大学 | 基于非反射对称散射分量提取的PolSAR图像两层目标分解方法 |
Non-Patent Citations (2)
Title |
---|
SAR image classification based on alpha-stable distribution;YIJIN PENG等;《Remote Sensing Letters》;20110331;第2卷(第1期);51-59 * |
多极化SAR图像伪彩色增强算法研究;刘玲等;《现代雷达》;20080831;第30卷(第8期);61-66 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113555737A (zh) * | 2021-09-17 | 2021-10-26 | 长沙泰科阳微电子有限公司 | 一种sar图像检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103927741A (zh) | 2014-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
US10635929B2 (en) | Saliency-based method for extracting road target from night vision infrared image | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN104700404B (zh) | 一种果实定位识别方法 | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN111462128B (zh) | 一种基于多模态光谱图像的像素级图像分割系统及方法 | |
CN109460764A (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN111814771B (zh) | 图像处理的方法及装置 | |
CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN106548139B (zh) | 一种行人重识别方法 | |
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 | |
CN109191432A (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN104715238A (zh) | 一种基于多特征融合的行人检测方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN105894520B (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
CN105913421A (zh) | 基于自适应形状暗通道的遥感图像云检测方法 | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 |
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 |