CN104182768A - 逆合成孔径雷达图像的质量分类方法 - Google Patents
逆合成孔径雷达图像的质量分类方法 Download PDFInfo
- Publication number
- CN104182768A CN104182768A CN201410461562.6A CN201410461562A CN104182768A CN 104182768 A CN104182768 A CN 104182768A CN 201410461562 A CN201410461562 A CN 201410461562A CN 104182768 A CN104182768 A CN 104182768A
- Authority
- CN
- China
- Prior art keywords
- synthetic aperture
- aperture radar
- isar
- image
- inverse synthetic
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种逆合成孔径雷达图像的质量分类方法,主要解决图像质量对目标识别分类的影响。其主要实现过程是:1.数据预处理;2.目标检测;3.图像划分;4.特征提取;5.分类;6.分类结果验证。本发明克服了现有技术中对面目标逆合成孔径雷达图像质量评价并不全面和部分人类视觉系统指标不能较好的反映逆合成孔径雷达图像真实的质量的问题,使得本发明具有能够按照质量要求,提高了对面目标逆合成孔径雷达图像的质量分类的准确性,本发明可用于对逆合成孔径雷达图像进行质量分类。
Description
技术领域
本发明属于通信技术领域,更进一步涉及雷达目标分类识别技术领域中的一种逆合成孔径雷达图像的质量分类方法。本发明可用于对逆合成孔径雷达图像进行质量分类,通过特征提取、分类器对特征进行分类,实现图像质量的分类,最终可应用基于逆合成孔径雷达图像的目标识别,从而提高目标识别的准确率。
背景技术
逆合成孔径雷达图像与光学图像有着显著的不同,它有很强的斑点噪声,并且伴随着重影问题、条纹干扰问题、运动模糊等特有的问题,使逆合成孔径雷达图像的解译比较困难,最终影响逆合成孔径雷达图像的应用。因此,逆合成孔径雷达图像质量评估及其应用的研究具有重要的意义,专门对逆合成孔径雷达图像进行质量评估分类是非常重要的。
北京航空航天大学申请的专利“基于对比敏感度特性的SAR图像质量评价方法”(申请号CN201310038632,申请日2013.01.31,公开号CN103106660A,公开日2013.05.15)提到了一种图像质量评价分类的方法。该方法利用小波分解,不需要参考SAR图像,仅依据人类视觉系统参数指标就能有效的评价图像质量,该方法可以通过人眼视觉中的对比敏感度的多通道特性,并结合图像处理中的小波变换的方法对SAR图像的质量进行评价分类。人类视觉系统参数指标可以有效的对图像进行质量分类,但是该专利技术仍然存在的不足是,不同于光学图像,目标在逆合成孔径雷达图像上表现为稀疏的散射单元,不能完整的表现目标的轮廓,所以部分人类视觉系统指标不能较好的反映逆合成孔径雷达图像的真实情况,导致有用的逆合成孔径雷达图像被删除,进而影响目标的识别。
李文臣,陆洪涛,宋胜利,李宏,雷刚,张政超在“SAR图像质量外场试验与评估技术”(《雷达科学与技术》10(6).2012)提出了一种图像的质量分类方法。该方法利用点目标冲激响应的空间分辨率、等效分辨率、扩展系数、积分旁瓣比、峰值旁瓣比来测定点目标的图像质量。该方法虽然能够有效的对点目标图像的质量进行分类,但是,该方法仍然存在的不足是,对于面目标逆合成孔径雷达图像质量评价并不全面,导致对面目标逆合成孔径雷达图像的质量分类不够准确。
发明内容
本发明的目的在于克服上述已有技术中逆合成孔径雷达图像的质量分类方法的不足,提出一种逆合成孔径雷达图像的质量分类方法。该方法充分考虑面目标的逆合成孔径雷达图像的特点,以及条纹干扰对图像质量的影响,保证了一定的分类准确率。
为实现上述发明目的,本发明的具体步骤如下:
(1)数据预处理:
使用雷达录取的复数据,进行逆合成孔径雷达成像,得到逆合成孔径雷达图像数据,将这些逆合成孔径雷达图像数据用能量归一化;
(2)目标检测:
(2a)采用恒虚警检测方法,检测出归一化后的逆合成孔径雷达图像数据中的目标;
(2b)采用边缘信息定位方法,确定目标区域位置;
(3)图像划分:
将目标区域作为一个分区,采用分块的方法,将目标区域周围的部分划分为八个区域;
(4)特征提取:
(4a)采用横条纹能量比公式,在逆合成孔径雷达图像区域2、区域8和区域5的联合区域中,计算横条纹能量比特征;
(4b)采用竖条纹能量比公式,在逆合成孔径雷达图像区域4、区域6和区域5的联合区域中,计算竖条纹能量比特征;
(4c)采用图像熵公式,在逆合成孔径雷达图像区域1到区域9的联合区域中,计算图像熵特征;
(4d)采用剩余能量比公式,在逆合成孔径雷达图像区域1到区域9的联合区域中,计算剩余能量比特征;
(4e)采用特征向量公式,将横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比特征组成一个特征向量;
(5)分类:
采用有监督分类方法,使用支持向量机SVM分类器,对特征向量进行分类,得到分类结果;
(6)分类结果验证:
采取相互验证方法对分类结果进行验证,得到分类的正确率。
本发明与现有技术相比具有如下优点:
第一,由于本发明考虑了部分人类视觉系统指标不能较好的反映逆合成孔径雷达图像真实的质量情况,利用横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比作为特征向量,克服了现有技术中部分人类视觉系统指标不能较好的反映逆合成孔径雷达图像真实的质量的问题,使得本发明能够按照质量,对逆合成孔径雷达图像进行有效的分类。
第二,由于本发明考虑了对面目标逆合成孔径雷达图像质量评价并不全面,利用横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比为特征向量,对面目标逆合成孔径雷达图像质量进行评价,克服了现有技术中对面目标逆合成孔径雷达图像质量评价并不全面的问题,使得本发明具有能够按照质量要求,提高了对面目标逆合成孔径雷达图像的质量分类的准确性。
附图说明
图1为本发明的流程图;
图2为本发明图像划分结果的示意图;
图3为本发明提出的横条纹能量比、竖条纹能量比、图像熵、剩余能量比特征的二维分布图。
具体实施方式
下面结合附图对本发明作进一步的描述。
参照图1,本发明的具体实施步骤如下。
步骤1,数据预处理。
使用雷达录取的复数据,进行逆合成孔径雷达成像得到逆合成孔径雷达图像,每幅图像代表一个样本,将这些逆合成孔径雷达图像用能量归一化,得到归一化后的逆合成孔径雷达图像样本i=1,2,3…K,K表示总的样本个数。
按照下式计算归一化后的逆合成孔径雷达图像:
其中,表示第i个归一化后的逆合成孔径雷达图像,Ii表示第i个原始的逆合成孔径雷达图像,表示第i个原始的逆合成孔径雷达图像坐标为(m,n)的像素点强度,i=1,2,3…K,K表示总的样本个数,m=1,2,3…M,n=1,2,3…N,M和N分别表示Ii的行数和列数。
步骤2,目标检测。
对归一化后的逆合成孔径雷达图像,使用恒虚警检测方法检测出逆合成孔径雷达图像中的目标,采用边缘信息定位方法,确定目标区域的位置;
恒虚警检测方法检测逆合成孔径雷达图像中目标的具体步骤分为:
第一步:按照下式,计算逆合成孔径雷达图像中噪声的分布特性:
其中,p表示逆合成孔径雷达图像中噪声的分布特性,A表示逆合成孔径雷达图像中噪声的幅度,|·|表示取模值操作,exp[·]表示指数函数,σ2表示逆合成孔径雷达图像中噪声的方差;
第二步:按照下式,计算检测归一化后的逆合成孔径雷达图像数据中目标的门限:
其中,T表示检测归一化后的逆合成孔径雷达图像数据中目标的门限,σ2表示逆合成孔径雷达图像中噪声的方差,Pf表示检测归一化后的逆合成孔径雷达图像数据中目标的虚警率,ln(·)表示取对数操作;
第三步:遍历逆合成孔径雷达图像中的所有像素点,将大于检测目标门限的像素点组成目标区域,检测出归一化后的逆合成孔径雷达图像中的目标。
边缘信息定位方法计算目标区域的位置是指,分别将目标所包含的像素点投影到逆合成孔径雷达图像的横坐标轴和纵坐标轴上,分别得到横坐标轴和纵坐标轴上投影的坐标范围,根据投影两端的坐标位置,确定目标区域的位置。
步骤3,图像划分。
根据目标区域位置,采用分块方法,将目标区域周围的部分按照九宫格的形式划分为八个区域,其中九宫格的中心部分是目标区域的分区,逆合成孔径雷达图像被分为包括目标在内的九个区域。
参照附图2,对本发明的步骤(3)图像划分中的分块方法描述如下。将逆合成孔径雷达图像,按照图2划分的形式分为区域1、区域2、区域3、区域4、区域5、区域6、区域7、区域8、区域9合计9个区域,其中图2中区域5表示目标区域。
步骤4,特征提取。
对逆合成孔径雷达图像,分别通过步骤3的图像划分,将逆合成孔径雷达图像分为九个区域,对这九个区域进行不同的组合,分别计算各种组合中条纹的总能量和目标的总能量,提取横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比特征,得到4个特征值,将这4个特征值组成一个特征向量。
由于条纹干扰产生的主要原因是强散射点的副瓣过强引起的,所以条纹干扰主要存在于目标区域的延伸范围内,参照附图2中所示,可以知道条纹干扰主要存在图2中区域2、区域4、区域6、区域8中,则可以计算各区域中的能量来量化条纹干扰的强度。
在逆合成孔径雷达图像区域2、区域8和区域5的联合区域中,分别计算区域8和区域2中横条纹的总能量并计算区域5中目标的总能量,计算横条纹能量比特征。
计算横条纹能量比特征的具体步骤分为计算联合区域中横条纹的总能量、计算联合区域中目标的总能量、计算联合区域中的横条纹能量比特征:
按照下式,计算联合区域中横条纹的总能量:
其中,E1表示联合区域中横条纹的总能量,表示合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域2中的像素点,k2表示逆合成孔径雷达图像中区域8中的像素点,Σ表示求和操作。
按照下式,计算联合区域中目标的总能量:
其中,E2表示联合区域中目标的总能量,表示合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域5中的像素点,Σ表示求和操作。
按照下式,计算联合区域中的横条纹能量比特征:
其中,T1表示联合区域中的横条纹能量比特征,E1表示联合区域中横条纹的总能量,E2表示联合区域中目标的总能量。
在逆合成孔径雷达图像区域4、区域6和区域5的联合区域中,分别计算区域4和区域6中横条纹的总能量并计算区域5中目标的总能量,计算竖条纹能量比特征。
计算竖条纹能量比特征的具体步骤分为计算联合区域中竖条纹的总能量、计算联合区域中目标的总能量、计算联合区域中的竖条纹能量比特征:
按照下式,计算联合区域中竖条纹的总能量:
其中,E1表示联合区域中竖条纹的总能量,表示合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域4中的像素点,k2表示逆合成孔径雷达图像中区域6中的像素点,Σ表示求和操作。
按照下式,计算联合区域中目标的总能量:
其中,E2表示联合区域中目标的总能量,表示合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域5中的像素点,Σ表示求和操作。
按照下式,计算联合区域中的竖条纹能量比特征:
其中,T2表示联合区域中的竖条纹能量比特征,E1表示联合区域中竖条纹的总能量,E2表示联合区域中目标的总能量。
在逆合成孔径雷达图像区域1到区域9的联合区域中,计算图像熵特征。
按照下式,计算图像熵特征:
其中,T3表示联合区域中的图像熵特征,p表示像素点出现的概率,log2(·)表示取对数操作,表示逆合成孔径雷达图像数据,k表示逆合成孔径雷达图像区域1到区域9中的像素点,Σ表示求和操作。
在逆合成孔径雷达图像区域1到区域9的联合区域中,分别计算区域1到区域9的总能量并计算区域5中目标的总能量,计算剩余能量比特征。
计算剩余能量比特征的具体步骤分为计算联合区域的总能量、计算联合区域中目标的总能量、计算联合区域中的竖条纹能量比特征:
按照下式,计算联合区域的总能量:
其中,E1表示联合区域的总能量,表示合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域1到区域9中的像素点,Σ表示求和操作。
按照下式,计算联合区域中目标的总能量:
其中,E2表示联合区域中目标的总能量,表示合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域5中的像素点,Σ表示求和操作。
按照下式,计算联合区域中的竖条纹能量比特征:
其中,T2表示联合区域中的竖条纹能量比特征,E1表示联合区域的总能量,E2表示联合区域中目标的总能量。
采用特征向量公式,将横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比特征组成一个特征向量;
按照下式,计算特征向量:
T=[T1 T2 T3 T4]
其中,T表示横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比特征组成的特征向量,T1表示横条纹能量比特征,T2表示竖条纹能量比特征,T3表示图像熵特征,T4表示剩余能量比特征;
步骤5,分类。
采用有监督分类方法,利用支持向量机SVM分类器,对特征向量进行分类。
将步骤4得到的逆合成孔径雷达图像样本的特征向量样本,等分为训练样本和测试样本两部分,使用训练样本训练支持向量机SVM分类器,改变分类器参数的值,计算分类器的性能达到最好时对应的参数值,完成分类器的训练,将测试样本输入训练好的支持向量机SVM分类器中,得到分类结果。
步骤6,分类结果验证。
采取相互验证方法对分类结果进行验证,得到分类的正确率。
将步骤5中的测试样本作为训练样本训练支持向量机SVM分类器,改变分类器参数的值,计算分类器的性能达到最好时对应的参数值,完成分类器的训练,将步骤5中的训练样本作为测试数据输入训练好的支持向量机SVM分类器中,得到分类结果,统计两次的分类结果得到正确的分辨率。
本发明的效果可以通过以下仿真实验验证:
1.仿真条件:
本发明的仿真实验运行系统为Intel(R)Core(TM)i7-2600 CPU3.40GHz,32位Windows操作系统,仿真软件采用MATLAB(R2008a)。
2.仿真内容和结果分析:
本发明的仿真实验所用实测数据包含两类质量的逆合成孔径雷达图像:质量好的逆合成孔径雷达图像、质量差的逆合成孔径雷达图像。训练样本近似认为是完备数据。用本发明介绍的方法,按照上述步骤提取逆合成孔径雷达图像的横条纹能量比、竖条纹能量比、图像熵和剩余能量比特征。将横条纹能量比、竖条纹能量比、图像熵和剩余能量比特征作为识别特征计算分类。采取相互验证方法对分类结果进行验证,得到分类的正确率。
参照附图3所示,对本发明步骤(4)提出的横条纹能量比、竖条纹能量比、图像熵、剩余能量比特征的二维分布图描述如下。
图3(a)中的横坐标表示横条纹能量比特征,纵坐标表示竖条纹能量比特征,图3(b)中的横坐标表示竖条纹能量比特征,纵坐标表示图像熵特征,图3(c)中的横坐标表示图像熵特征,纵坐标表示剩余能量比特征,图中标注点为逆合成孔径雷达的特征所对应的位置,其中以“+”标注的点表示质量差的图像对应特征的值,“o”标注的点表示质量好的图像对应特征的值。从图3(a)、3(b)、3(c)中可以看出,本文提取的4维特征都能较好的区分好质量和差质量的图像。
采取现有技术的相互验证方法对本发明质量分类结果的正确率进行验证,得到本发明质量分类的正确率如表1所示:
表1 质量分类的正确率
从表1中可以看出,对于本次试验数据,部分图像质量好的图像被误判为质量差的图像,可能由于样本偏少使得分类平面偏移所导致的,质量差的图像能够较好的进行判别。由表1所示的结果可以得出,对于该组实测数据,本文提取的4种特征能够较好的完成两类质量图像的分类任务,提高了对面目标逆合成孔径雷达图像的质量分类的准确性。
Claims (10)
1.一种逆合成孔径雷达图像的质量分类方法,具体步骤如下:
(1)数据预处理:
使用雷达录取的复数据,进行逆合成孔径雷达成像,得到逆合成孔径雷达图像数据,将这些逆合成孔径雷达图像数据用能量归一化;
(2)目标检测:
(2a)采用恒虚警检测方法,检测出归一化后的逆合成孔径雷达图像数据中的目标;
(2b)采用边缘信息定位方法,确定目标区域位置;
(3)图像划分:
将目标区域作为一个分区,采用分块的方法,将目标区域周围的部分划分为八个区域;
(4)特征提取:
(4a)采用横条纹能量比公式,在逆合成孔径雷达图像区域2、区域8和区域5的联合区域中,计算横条纹能量比特征;
(4b)采用竖条纹能量比公式,在逆合成孔径雷达图像区域4、区域6和区域5的联合区域中,计算竖条纹能量比特征;
(4c)采用图像熵公式,在逆合成孔径雷达图像区域1到区域9的联合区域中,计算图像熵特征;
(4d)采用剩余能量比公式,在逆合成孔径雷达图像区域1到区域9的联合区域中,计算剩余能量比特征;
(4e)采用特征向量公式,将横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比特征组成一个特征向量;
(5)分类:
采用有监督分类方法,使用支持向量机SVM分类器,对特征向量进行分类,得到分类结果;
(6)分类结果验证:
采取相互验证方法对分类结果进行验证,得到分类的正确率。
2.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:
步骤(2a)中所述恒虚警检测方法的具体步骤如下:
第一步:按照下式,计算逆合成孔径雷达图像中噪声的分布特性:
其中,p表示逆合成孔径雷达图像中噪声的分布特性,A表示逆合成孔径雷达图像中噪声的幅度,|·|表示取模值操作,exp[·]表示指数函数,σ2表示逆合成孔径雷达图像中噪声的方差;
第二步:按照下式,计算检测归一化后的逆合成孔径雷达图像数据中目标的门限:
其中,T表示检测归一化后的逆合成孔径雷达图像数据中目标的门限,σ2表示逆合成孔径雷达图像中噪声的方差,Pf表示检测归一化后的逆合成孔径雷达图像数据中目标的虚警率,ln(·)表示取对数操作;
第三步:遍历逆合成孔径雷达图像中的所有像素点,将大于检测目标门限的像素点组成目标区域,检测出归一化后的逆合成孔径雷达图像数据中的目标。
3.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(2b)中所述边缘信息定位方法是指,分别将目标投影到逆合成孔径雷达图像的横坐标轴和纵坐标轴上,分别得到横坐标轴和纵坐标轴上投影的坐标位置,根据投影两端的坐标位置,确定目标区域的位置。
4.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(3)所述的分块方法是指,将目标区域周围的部分按照九宫格的形式划分为八个区域,其中九宫格的中心部分是目标区域的分区,逆合成孔径雷达图像被分为包括目标在内的九个区域。
5.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(4a)所述的横条纹能量比公式如下:
其中,T1表示联合区域中的横条纹能量比特征,表示合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域2和区域8中的像素点,k2表示逆合成孔径雷达图像中区域5中的像素点,Σ表示求和操作。
6.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(4b)所述的竖条纹能量比公式如下:
其中,T2表示联合区域中的竖条纹能量比特征,表示逆合成孔径雷达图像中的像素点强度,k1表示逆合成孔径雷达图像中区域4和区域6中的像素点,k2表示逆合成孔径雷达图像中区域5中的像素点,Σ表示求和操作。
7.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(4c)所述的图像熵公式如下:
其中,T3表示联合区域中的图像熵特征,p表示像素点出现的概率,log2(·)表示取对数操作,表示逆合成孔径雷达图像数据,k表示逆合成孔径雷达图像区域1到区域9中的像素点,Σ表示求和操作。
8.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(4d)所述的剩余能量比公式如下:
其中,T4表示联合区域中的剩余能量比特征,表示逆合成孔径雷达图像数据,k1表示逆合成孔径雷达图像中除去区域5后剩余区域中的像素点,k2表示逆合成孔径雷达图像中区域5中的像素点,Σ表示求和操作。
9.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(4e)所述的特征向量公式如下:
T=[T1 T2 T3 T4]
其中,T表示横条纹能量比特征、竖条纹能量比特征、图像熵特征和剩余能量比特征组成的特征向量,T1表示横条纹能量比特征,T2表示竖条纹能量比特征,T3表示图像熵特征,T4表示剩余能量比特征。
10.根据权利要求1所述的逆合成孔径雷达图像的质量分类方法,其特征在于:步骤(5)所述有监督分类方法是指:将逆合成孔径雷达图像样本的特征向量样本等分为训练样本和测试样本两部分,使用训练样本训练支持向量机SVM分类器,改变分类器参数的值,计算分类器的性能达到最好时对应参数的值,完成分类器的训练,将测试样本输入训练好的支持向量机SVM分类器中,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410461562.6A CN104182768B (zh) | 2014-09-11 | 2014-09-11 | 逆合成孔径雷达图像的质量分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410461562.6A CN104182768B (zh) | 2014-09-11 | 2014-09-11 | 逆合成孔径雷达图像的质量分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182768A true CN104182768A (zh) | 2014-12-03 |
CN104182768B CN104182768B (zh) | 2017-03-29 |
Family
ID=51963794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410461562.6A Active CN104182768B (zh) | 2014-09-11 | 2014-09-11 | 逆合成孔径雷达图像的质量分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182768B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780581A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
CN108387894A (zh) * | 2018-04-13 | 2018-08-10 | 中南大学 | 穿墙雷达回波数据的处理方法 |
CN109856604A (zh) * | 2018-11-13 | 2019-06-07 | 上海无线电设备研究所 | 一种二维缩比快速恒虚警检测方法 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN113269172A (zh) * | 2021-07-20 | 2021-08-17 | 天津萨瑞德科技有限公司 | 干涉逆合成孔径雷达三维图像分类方法、装置及存储介质 |
CN113640758A (zh) * | 2021-08-23 | 2021-11-12 | 中国科学院空天信息创新研究院 | 一种城市复杂环境下的sar图像定标器放置方法与系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102378041B (zh) * | 2011-10-25 | 2016-06-22 | 中兴通讯股份有限公司 | 一种图像质量检测方法及装置 |
JP2014130427A (ja) * | 2012-12-28 | 2014-07-10 | Samsung R&D Institute Japan Co Ltd | 画質推定装置、画質推定方法および画質推定プログラム |
CN103106660B (zh) * | 2013-01-31 | 2015-05-06 | 北京航空航天大学 | 基于对比敏感度特性的sar图像质量评价方法 |
CN103336270B (zh) * | 2013-03-29 | 2015-10-28 | 重庆大学 | Isar图像成像质量评定方法 |
-
2014
- 2014-09-11 CN CN201410461562.6A patent/CN104182768B/zh active Active
Non-Patent Citations (1)
Title |
---|
刘明珠: "基于纹理特征的SAR图像质量评估", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780581A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
CN106780581B (zh) * | 2016-11-18 | 2019-10-18 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
CN108387894A (zh) * | 2018-04-13 | 2018-08-10 | 中南大学 | 穿墙雷达回波数据的处理方法 |
CN108387894B (zh) * | 2018-04-13 | 2021-07-27 | 中南大学 | 穿墙雷达回波数据的处理方法 |
CN109856604A (zh) * | 2018-11-13 | 2019-06-07 | 上海无线电设备研究所 | 一种二维缩比快速恒虚警检测方法 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN110703215B (zh) * | 2019-10-16 | 2022-09-06 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN113269172A (zh) * | 2021-07-20 | 2021-08-17 | 天津萨瑞德科技有限公司 | 干涉逆合成孔径雷达三维图像分类方法、装置及存储介质 |
CN113640758A (zh) * | 2021-08-23 | 2021-11-12 | 中国科学院空天信息创新研究院 | 一种城市复杂环境下的sar图像定标器放置方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104182768B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182768A (zh) | 逆合成孔径雷达图像的质量分类方法 | |
CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
CN104794729B (zh) | 基于显著性引导的sar图像变化检测方法 | |
CN102129573A (zh) | 基于字典学习和稀疏表示的sar图像分割方法 | |
CN103605958A (zh) | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN106127741A (zh) | 基于改良自然场景统计模型的无参考图像质量评价方法 | |
CN104282028A (zh) | 一种频谱和倒谱信息融合的模糊图像检测方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN106952274A (zh) | 基于立体视觉的行人检测与测距方法 | |
CN103425986A (zh) | 基于边缘邻域加权的乳腺肿块图像特征提取方法 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN105931257A (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
CN102945378A (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
Pyo et al. | Front collision warning based on vehicle detection using CNN | |
CN103268496A (zh) | Sar图像目标识别方法 | |
CN103729462B (zh) | 一种基于稀疏表示处理遮挡的行人检索方法 | |
CN105223561A (zh) | 基于空间分布的雷达地面目标鉴别器设计方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
Napiorkowska et al. | Three applications of deep learning algorithms for object detection in satellite imagery | |
CN104268557B (zh) | 基于协同训练和深度svm的极化sar分类方法 | |
CN104239598A (zh) | 一种面向动态系统模型验证的多元数据分析方法 | |
CN103426001B (zh) | Sar图像目标识别方法 | |
CN102254185A (zh) | 基于对比度敏感函数的背景杂波量化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |