CN105069460A - 一种isar图像舰船目标特征提取方法 - Google Patents
一种isar图像舰船目标特征提取方法 Download PDFInfo
- Publication number
- CN105069460A CN105069460A CN201510520120.9A CN201510520120A CN105069460A CN 105069460 A CN105069460 A CN 105069460A CN 201510520120 A CN201510520120 A CN 201510520120A CN 105069460 A CN105069460 A CN 105069460A
- Authority
- CN
- China
- Prior art keywords
- image
- ship target
- isar
- threshold value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种ISAR图像舰船目标特征提取方法,步骤为(1)通过斑点噪声去除对ISAR图像进行图像预处理,得到去噪声后的图像(2)对步骤(1)中得到的图像进行灰度变换图像增强处理,增强目标对比度(3)对步骤(2)中得到的图像进行图像分割,对得到的二值化图像进行像素聚类处理,根据预设阈值判定是否需要迭代分割(4)对步骤(3)中得到的像素聚类处理结果进行舰船目标特征提取。本发明适用于岸基/船载ISAR雷达对海面大中型舰船目标成像与分类识别,属于海面目标实时监视系统,实时性要求高,虚警率低。
Description
技术领域
本发明涉及一种ISAR图像舰船目标特征方法,属于图像处理领域。
适用于岸基/船载ISAR雷达成像平台,对ISAR图像进行舰船目标特征提取,提取舰船的长度、主桅高度、轮廓、中心线等重要特征参数,用于岸基/船载ISAR雷达对海面大中型舰船目标成像与分类识别。
背景技术
ISAR雷达能够获得非合作运动目标(如飞机、舰船等)的精细图像,是极为重要的一种目标探测手段。在实际应用中,ISAR雷达除了固定在地面上,也可装在飞机、舰船等运动平台上,对空中、海面或地面的运动目标成像。ISAR雷达具有远距离探测、高分辨率二维成像能力,能在全天时、全天候条件下工作,能获取船只目标的距离、航速、航向、位置等信息。时效性强、探测精度高、全天候等优点,因而是海面态势感知的重要手段。基于ISAR二维图像提取的特征量包含了较丰富、直观的目标特征信息,在获取高质量舰船ISAR图像的基础上,可以从中提取舰船尺寸、形状、结构等特征作为舰船识别的有效特征量。
S.Musman,D.Kerr,C.Bachmann.AutomaticrecognitionofISARshipimages.IEEETransactiononaerospaceandelectronicsystems,1996,32(4):1392-1403.该文献中提出了ISAR图像舰船目标自动识别方法,通过分割、特征提取、目标分类操作从单帧和多帧ISAR图像中实现对舰船目标自动识别。
D.Pastina,C.Spina.Multi-featurebasedautomaticrecognitionofshiptargetsinISAR.IETradarsonarnavig.,2009,Vol.3,ISS.4,pp.406-423.该文献中提出了基于多特征的ISAR图像舰船目标自动识别方法,从ISAR图像中提取多特征与目标模型适当的投影中提取多特征相匹配,实现对目标分类识别。
以上文献提到的ISAR图像舰船目标自动识别方法,均为ISAR地面事后处理系统,对实时性要求不高,舰船目标特征参数提取精度不高。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供了一种ISAR图像舰船目标特征提取方法,实现岸基/船载ISAR雷达对海面大中型舰船目标高分辨率成像与分类识别。
本发明的技术解决方案是:一种ISAR图像舰船目标特征提取方法,步骤如下:
1)通过斑点噪声去除对ISAR图像进行图像预处理,得到去噪声后的图像;
2)对步骤1)得到的图像进行灰度变换图像增强处理,增强目标对比度;
3)对步骤2)得到的图像进行图像分割得到二值化图像,对得到的二值化图像进行像素聚类处理,根据预设阈值判定是否需要迭代分割,当满足阈值判定要求时进入步骤4);
4)对步骤3)中得到的像素聚类处理结果进行舰船目标特征提取。
所述步骤2)中灰度变换图像增强处理具体通过如下步骤:
2.1)将步骤1)处理的结果图像灰度值归一化至0~1范围内;
2.2)按从左到右,从上到下顺序逐点扫描图像f(x,y),逐点计算g1(x,y)=max(lIn,min(hIn,f(x,y))),其中f(x,y)为步骤2.1)处理结果图像,x为图像的行坐标,y为图像的列坐标;lIn为输入参数,取值范围0~1,hIn为输入参数,取值范围0~1,且满足lIn<hIn;min(,)为求两者最小值,max(,)为求两者最大值,g1(x,y)为中间计算结果图像;
2.3)按从左到右,从上到下顺序逐点扫描图像g1(x,y),逐点计算g2(x,y)=((g1(x,y)-lIn)/(hIn-lIn))2,g2(x,y)为中间计算结果图像;
2.4)按从左到右,从上到下顺序逐点扫描图像g2(x,y),逐点计算g3(x,y)=g2(x,y)×(hOut-lOut)+lOut,lOut为输入参数,取值范围0~1,hOut为输入参数,取值范围0~1,且满足lOut<hOut;g3(x,y)为中间计算结果图像;
2.5)将g3(x,y)灰度值归一化至0~255范围内。
所述步骤3)中对图像分割与像素聚类处理具体通过如下步骤进行:
3.1)将步骤2)增强处理后的结果进行图像的均值μ和方差σ统计,取阈值TH=μ+kσ,k=0,1,2,3进行图像分割,得到二值图像;
3.2)取初始值k=3,即阈值TH=μ+3σ进行图像分割;
3.3)对步骤3.2)处理得到的二值图像进行标记,去除面积低于预设面积阈值的区域;
3.4)对于步骤3.3)处理后的图像中区域断裂和区域空心的情况,采用3×3~7×7结构元素形态学膨胀操作,使断裂的或者空心的区域联接成一个整体;
3.5)计算面积最大和次大两个区域间最小距离,若该距离小于预设距离阈值,并且最大区域面积与次大区域面积之比小于预设面积比阈值,更改k值,取k值减1,继续按阈值TH=μ+kσ进行图像分割,并重复步骤3.3)~3.5)直至k值等于0,进入步骤4);否则,直接进入步骤4)。
步骤4)中目标特征提取处理具体如下步骤:
4.1)舰船目标中心线特征提取:对步骤3)处理结果图像的面积最大区域利用其线性特征提取中心线,将Hough变换对线段的检测扩展至对线段组的检测,得到与舰船主体相吻合的线段组的位置、宽度和方向,该方向上长度最大位置即为中心线位置;
4.2)舰船长度和主桅高度特征提取:对步骤3)处理结果图像的面积最大区域进行外接矩形运算,其中外接矩形一个边长方向与中心线方向平行,这样与中心线方向平行的外接矩形边长即为船长度,外接矩形另一个方向边长与中心线相交,在中心线桅杆一侧外接矩形边长为主桅高度;
4.3)舰船目标轮廓提取特征提取:对步骤3)处理结果图像的面积最大区域进行二值图像轮廓提取,获得舰船目标轮廓。
步骤3.3)中的面积阈值取值范围10~20。
步骤3.5)中的预设距离阈值取值范围5~10。
步骤3.5)中的预设面积比阈值取值范围1~10。
本发明与现有技术相比的有益效果是:
(1)本发明采用斑点噪声去除、灰度变换图像增强预处理和迭代图像分割与像素聚类处理,可获得较为准确的目标二值区域,提取目标特征参数精度高。
(2)本发明方案的实时性高,算法复杂度低,是较为实用ISAR图像目标特征提取方法,可用于岸基/船载ISAR雷达海面舰船目标实时监视系统。
(3)岸基/船载ISAR雷达对海面大中型舰船目标观测,并进行实时高分辨率ISAR成像,通过对ISAR图像目标特征提取,能够实现对舰船目标分类识别。
附图说明
图1为本发明方法流程图;
图2为舰船目标ISAR图像;
图3为去噪和灰度变换增强后图像;
图4为第一次图像分割后图像;
图5为第一次图像分割与像素聚类后图像;
图6为第二次图像分割后图像;
图7为第二次图像分割与像素聚类后图像;
图8为舰船目标特征示意图。
具体实施方式
一种ISAR图像舰船目标特征方法,用于岸基/船载ISAR雷达实时监测系统。如图1所示,步骤如下:
(1)通过斑点噪声去除对ISAR图像进行图像预处理,得到去噪声后的图像;
通过斑点噪声去除对ISAR图像进行图像预处理具体如下:
(1.1)选定一个初始估计值T,该值介于ISAR图像灰度值最大值和最小值之间;
(1.2)使用T对ISAR图像像素点进行分组。灰度值≥T的所有像素组成f1,灰度值<T的所有像素组成f2;
(1.3)计算f1和f2范围内像素的平均灰度值m1和m2;
(1.4)利用
(1.5)重复(1.2)至(1.4),直到连续两次计算中的T的差小于原先预定的参数T0(这里取0.3~0.5);
(1.6)对ISAR图像中灰度值低于T的散射点灰度值置零,高于T的散射点保留下来。
(2)对步骤(1)中得到的结果图像进行灰度变换图像增强处理;
灰度变换图像增强处理具体通过如下步骤进行:
(2.1)将步骤(1)处理的结果图像灰度值归一化至0~1范围内;
(2.2)按从左到右,从上到下顺序逐点扫描图像f(x,y),逐点计算g1(x,y)=max(lIn,min(hIn,f(x,y))),其中f(x,y)为步骤(2.1)处理结果图像,x为图像的行坐标,y为图像的列坐标;lIn为输入参数,取值范围0~1,hIn为输入参数,取值范围0~1,且满足lIn<hIn;min(,)为求两者最小值,max(,)为求两者最大值,g1(x,y)为中间计算结果图像;
(2.3)按从左到右,从上到下顺序逐点扫描图像g1(x,y),逐点计算g2(x,y)=((g1(x,y)-lIn)/(hIn-lIn))2,g2(x,y)为中间计算结果图像;
(2.4)按从左到右,从上到下顺序逐点扫描图像g2(x,y),逐点计算g3(x,y)=g2(x,y)×(hOut-lOut)+lOut,lOut为输入参数,取值范围0~1,hOut为输入参数,取值范围0~1,且满足lOut<hOut;g3(x,y)为中间计算结果图像;
(2.5)将g3(x,y)灰度值归一化至0~255范围内。
图2为输入原始ISAR图像,对图2进行斑点噪声去除和灰度变换图像增强处理,其结果如图3所示,可以明显看出,处理之后的图3之中,明显增强舰船目标的对比度。
(3)对步骤(2)处理结果图像进行图像分割与像素聚类处理;
图像分割与像素聚类处理具体通过如下步骤进行:
(3.1)将步骤(2)处理的结果图像中进行图像的均值μ和方差σ统计,取阈值TH=μ+kσ,k=0,1,2,3进行图像分割,得到二值图像,选取不同的k值会得到不同的二值图像;
(3.2)取初始值k=3,即阈值TH=μ+3σ进行图像分割;
(3.3)对步骤(3.2)处理结果二值图像进行标记,去除面积低于预设面积阈值的区域;
对于不同的舰船目标、不同的图像分辨率,设置的阈值是不同的。例如,对于大中型舰船目标,在高分辨率成像情况下,其舰船目标像素数可达到几千到几万个左右。依据这个特点,对二值图像进行标记,设定面积阈值,面积阈值取值范围10~20,去除面积较小的区域。
(3.4)对于区域断裂和区域空心的情况,采用3×3~7×7结构元素形态学膨胀操作,使断裂的或者空心的区域联接成一个整体;
(3.5)计算面积最大和次大两个区域间最小距离,若该距离小于预设距离阈值,距离阈值取值范围5~10,并且最大区域面积与次大区域面积之比小于预设面积比阈值,面积比阈值取值范围1~10,更改k值,取k值减1,即分割阈值TH=μ+kσ进行图像分割,重复步骤(3.3)~(3.5)直至k值等于0,进入下一步骤;否则,直接进入下一步骤;
图4为取分割阈值TH=μ+3σ初次分割结果图像,图5为对图4经过像素聚类处理后结果图像,达到去除像素数量少的区域和联接断裂区域及空心区域目的。通过计算面积最大和次大两个区域最小距离,发现该距离小于指定距离阈值,且最大区域与次大区域面积之比小于预设面积比阈值,修改k值,取k值减1,即取分割阈值TH=μ+2σ进行第二次图像分割,分割结果如图6所示,其像素聚类结果图像如图7所示。通过计算面积最大和次大两个区域最小距离,发现该距离不小于指定距离阈值,终止图像分割进入下一步骤。
(4)对步骤(3)得到的结果图像进行目标特征提取,获得目标特征参数;
目标特征提取具体通过如下步骤进行:
(4.1)舰船目标中心线特征提取,对步骤(3)处理结果图像的面积最大区域利用其线性特征提取中心线,将Hough变换对线段的检测扩展至对线段组的检测,得到与舰船主体相吻合的线段组的位置、宽度和方向,该方向上长度最大位置即为中心线位置;
(4.2)舰船长度和主桅高度特征提取,对步骤(3)处理结果图像的面积最大区域进行外接矩形运算,其中外接矩形一个边长方向与中心线方向平行,这样与中心线方向平行的外接矩形边长即为船长度,外接矩形另一个方向边长与中心线相交,在中心线桅杆一侧的外接矩形边长为主桅高度;
(4.3)舰船目标轮廓提取特征提取,对步骤(3)处理结果图像的面积最大区域进行二值图像轮廓提取,获得舰船目标轮廓。
图8为舰船目标特征提取示意图,利用Hough变换检测出舰船目标中心线,采用二值区域的外接矩形计算出目标长度和主桅高度,如图8所示,L为舰船长度,Δf为主桅高度。
Claims (7)
1.一种ISAR图像舰船目标特征提取方法,其特征在于步骤如下:
1)通过斑点噪声去除对ISAR图像进行图像预处理,得到去噪声后的图像;
2)对步骤1)得到的图像进行灰度变换图像增强处理,增强目标对比度;
3)对步骤2)得到的图像进行图像分割得到二值化图像,对得到的二值化图像进行像素聚类处理,根据预设阈值判定是否需要迭代分割,当满足阈值判定要求时进入步骤4);
4)对步骤3)中得到的像素聚类处理结果进行舰船目标特征提取。
2.根据权利要求1所述的一种ISAR图像舰船目标特征提取方法,其特征在于:所述步骤2)中灰度变换图像增强处理具体通过如下步骤:
2.1)将步骤1)处理的结果图像灰度值归一化至0~1范围内;
2.2)按从左到右,从上到下顺序逐点扫描图像f(x,y),逐点计算g1(x,y)=max(lIn,min(hIn,f(x,y))),其中f(x,y)为步骤2.1)处理结果图像,x为图像的行坐标,y为图像的列坐标;lIn为输入参数,取值范围0~1,hIn为输入参数,取值范围0~1,且满足lIn<hIn;min(,)为求两者最小值,max(,)为求两者最大值,g1(x,y)为中间计算结果图像;
2.3)按从左到右,从上到下顺序逐点扫描图像g1(x,y),逐点计算g2(x,y)=((g1(x,y)-lIn)/(hIn-lIn))2,g2(x,y)为中间计算结果图像;
2.4)按从左到右,从上到下顺序逐点扫描图像g2(x,y),逐点计算g3(x,y)=g2(x,y)×(hOut-lOut)+lOut,lOut为输入参数,取值范围0~1,hOut为输入参数,取值范围0~1,且满足lOut<hOut;g3(x,y)为中间计算结果图像;
2.5)将g3(x,y)灰度值归一化至0~255范围内。
3.根据权利要求1所述的一种ISAR图像舰船目标特征提取方法,其特征在于:所述步骤3)中对图像分割与像素聚类处理具体通过如下步骤进行:
3.1)将步骤2)增强处理后的结果进行图像的均值μ和方差σ统计,取阈值TH=μ+kσ,k=0,1,2,3进行图像分割,得到二值图像;
3.2)取初始值k=3,即阈值TH=μ+3σ进行图像分割;
3.3)对步骤3.2)处理得到的二值图像进行标记,去除面积低于预设面积阈值的区域;
3.4)对于步骤3.3)处理后的图像中区域断裂和区域空心的情况,采用3×3~7×7结构元素形态学膨胀操作,使断裂的或者空心的区域联接成一个整体;
3.5)计算面积最大和次大两个区域间最小距离,若该距离小于预设距离阈值,并且最大区域面积与次大区域面积之比小于预设面积比阈值,更改k值,取k值减1,继续按阈值TH=μ+kσ进行图像分割,并重复步骤3.3)~3.5)直至k值等于0,进入步骤4);否则,直接进入步骤4)。
4.根据权利要求3所述的一种ISAR图像舰船目标特征提取方法,其特征在于:步骤4)中目标特征提取处理具体如下步骤:
4.1)舰船目标中心线特征提取:对步骤3)处理结果图像的面积最大区域利用其线性特征提取中心线,将Hough变换对线段的检测扩展至对线段组的检测,得到与舰船主体相吻合的线段组的位置、宽度和方向,该方向上长度最大位置即为中心线位置;
4.2)舰船长度和主桅高度特征提取:对步骤3)处理结果图像的面积最大区域进行外接矩形运算,其中外接矩形一个边长方向与中心线方向平行,这样与中心线方向平行的外接矩形边长即为船长度,外接矩形另一个方向边长与中心线相交,在中心线桅杆一侧外接矩形边长为主桅高度;
4.3)舰船目标轮廓提取特征提取:对步骤3)处理结果图像的面积最大区域进行二值图像轮廓提取,获得舰船目标轮廓。
5.根据权利要求3所述的一种ISAR图像舰船目标特征提取方法,其特征在于:步骤3.3)中的面积阈值取值范围10~20。
6.根据权利要求3所述的一种ISAR图像舰船目标特征提取方法,其特征在于:步骤3.5)中的预设距离阈值取值范围5~10。
7.根据权利要求3所述的一种ISAR图像舰船目标特征提取方法,其特征在于:步骤3.5)中的预设面积比阈值取值范围1~10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510520120.9A CN105069460B (zh) | 2015-08-21 | 2015-08-21 | 一种isar图像舰船目标特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510520120.9A CN105069460B (zh) | 2015-08-21 | 2015-08-21 | 一种isar图像舰船目标特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069460A true CN105069460A (zh) | 2015-11-18 |
CN105069460B CN105069460B (zh) | 2018-08-31 |
Family
ID=54498821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510520120.9A Active CN105069460B (zh) | 2015-08-21 | 2015-08-21 | 一种isar图像舰船目标特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069460B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373799A (zh) * | 2015-12-18 | 2016-03-02 | 北京环境特性研究所 | 一种用于模板识别的空间目标isar图像处理方法 |
CN106022280A (zh) * | 2016-05-26 | 2016-10-12 | 西安空间无线电技术研究所 | 一种基于分级不变性特征的典型舰船目标识别方法 |
CN106803078A (zh) * | 2017-01-18 | 2017-06-06 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
CN107103283A (zh) * | 2017-03-24 | 2017-08-29 | 中国科学院计算技术研究所 | 一种sar图像舰船目标几何特征并行提取方法与装置 |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN107316038A (zh) * | 2017-05-26 | 2017-11-03 | 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 |
CN108629754A (zh) * | 2018-05-03 | 2018-10-09 | 中国人民解放军国防科技大学 | 一种isar图像自适应细节增强方法 |
CN109142393A (zh) * | 2018-09-03 | 2019-01-04 | 佛亚智能装备(苏州)有限公司 | 一种缺陷分类方法、装置及系统 |
CN109887582A (zh) * | 2019-03-01 | 2019-06-14 | 中山大学中山眼科中心 | 一种智能眼科图像管理及分析系统及图像处理方法 |
CN109991911A (zh) * | 2019-05-05 | 2019-07-09 | 西安邮电大学 | 一种基于物联网的果园综合监控系统 |
CN110057326A (zh) * | 2019-04-15 | 2019-07-26 | 中国科学院国家空间科学中心 | 一种基于微波散射计观测数据的舰船长度计算方法 |
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
CN110210422A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 一种基于光学图像辅助的舰船isar像识别方法 |
CN110390337A (zh) * | 2019-06-27 | 2019-10-29 | 清华大学 | 一种舰船个体识别方法 |
CN110969212A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 基于空间变换三通道卷积的isar图像分类方法 |
CN113820712A (zh) * | 2021-09-07 | 2021-12-21 | 中山大学 | 一种基于强散射点的舰船目标定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2037293A1 (en) * | 2006-12-21 | 2009-03-18 | Galileo Avionica S.p.A. | Multiple-target radar recognition method and apparatus |
CN101520896A (zh) * | 2009-03-30 | 2009-09-02 | 中国电子科技集团公司第十研究所 | 利用光学遥感影像自动检测云层干扰舰船目标的方法 |
CN101710177A (zh) * | 2009-12-22 | 2010-05-19 | 电子科技大学 | 一种逆合成孔径雷达多目标成像的方法 |
CN103487807A (zh) * | 2013-09-11 | 2014-01-01 | 南京航空航天大学 | 一种isar最优成像时间选择方法 |
CN104297750A (zh) * | 2014-09-25 | 2015-01-21 | 南京航空航天大学 | 基于几何投影的双基前视sar成像面预测方法 |
-
2015
- 2015-08-21 CN CN201510520120.9A patent/CN105069460B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2037293A1 (en) * | 2006-12-21 | 2009-03-18 | Galileo Avionica S.p.A. | Multiple-target radar recognition method and apparatus |
CN101520896A (zh) * | 2009-03-30 | 2009-09-02 | 中国电子科技集团公司第十研究所 | 利用光学遥感影像自动检测云层干扰舰船目标的方法 |
CN101710177A (zh) * | 2009-12-22 | 2010-05-19 | 电子科技大学 | 一种逆合成孔径雷达多目标成像的方法 |
CN103487807A (zh) * | 2013-09-11 | 2014-01-01 | 南京航空航天大学 | 一种isar最优成像时间选择方法 |
CN104297750A (zh) * | 2014-09-25 | 2015-01-21 | 南京航空航天大学 | 基于几何投影的双基前视sar成像面预测方法 |
Non-Patent Citations (1)
Title |
---|
肖凯凯: "ISAR图像横向定标及特征提取研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373799B (zh) * | 2015-12-18 | 2019-02-05 | 北京环境特性研究所 | 一种用于模板识别的空间目标isar图像处理方法 |
CN105373799A (zh) * | 2015-12-18 | 2016-03-02 | 北京环境特性研究所 | 一种用于模板识别的空间目标isar图像处理方法 |
CN106022280A (zh) * | 2016-05-26 | 2016-10-12 | 西安空间无线电技术研究所 | 一种基于分级不变性特征的典型舰船目标识别方法 |
CN106803078A (zh) * | 2017-01-18 | 2017-06-06 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
CN106803078B (zh) * | 2017-01-18 | 2020-06-09 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
CN107103283A (zh) * | 2017-03-24 | 2017-08-29 | 中国科学院计算技术研究所 | 一种sar图像舰船目标几何特征并行提取方法与装置 |
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 |
CN107316038A (zh) * | 2017-05-26 | 2017-11-03 | 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 |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN108629754A (zh) * | 2018-05-03 | 2018-10-09 | 中国人民解放军国防科技大学 | 一种isar图像自适应细节增强方法 |
CN108629754B (zh) * | 2018-05-03 | 2019-05-24 | 中国人民解放军国防科技大学 | 一种isar图像自适应细节增强方法 |
CN109142393A (zh) * | 2018-09-03 | 2019-01-04 | 佛亚智能装备(苏州)有限公司 | 一种缺陷分类方法、装置及系统 |
CN109887582A (zh) * | 2019-03-01 | 2019-06-14 | 中山大学中山眼科中心 | 一种智能眼科图像管理及分析系统及图像处理方法 |
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
CN110057326A (zh) * | 2019-04-15 | 2019-07-26 | 中国科学院国家空间科学中心 | 一种基于微波散射计观测数据的舰船长度计算方法 |
CN110057326B (zh) * | 2019-04-15 | 2020-11-06 | 中国科学院国家空间科学中心 | 一种基于微波散射计观测数据的舰船长度计算方法 |
CN109991911A (zh) * | 2019-05-05 | 2019-07-09 | 西安邮电大学 | 一种基于物联网的果园综合监控系统 |
CN110210422A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 一种基于光学图像辅助的舰船isar像识别方法 |
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 |
CN110969212A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 基于空间变换三通道卷积的isar图像分类方法 |
CN113820712A (zh) * | 2021-09-07 | 2021-12-21 | 中山大学 | 一种基于强散射点的舰船目标定位方法及系统 |
CN113820712B (zh) * | 2021-09-07 | 2023-07-28 | 中山大学 | 一种基于强散射点的舰船目标定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105069460B (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069460A (zh) | 一种isar图像舰船目标特征提取方法 | |
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 | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
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 | |
CN102136068B (zh) | 基于平均灰度的距离选通图像有效信息区的提取方法 | |
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN103927751A (zh) | 基于梯度信息融合的水面光视觉图像目标区域检测方法 | |
US8983126B2 (en) | Method and system for detecting vehicle position by employing polarization image | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN104361340A (zh) | 基于显著性检测和聚类的sar图像目标快速检测方法 | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN104331886A (zh) | 基于高分辨sar图像的港口区域舰船检测方法 | |
CN104240257A (zh) | 基于变化检测技术的sar图像舰船目标鉴别方法 | |
Rabee et al. | License plate detection and recognition in complex scenes using mathematical morphology and support vector machines | |
Ingole et al. | Characters feature based Indian vehicle license plate detection and recognition | |
Xie et al. | Fast ship detection from optical satellite images based on ship distribution probability analysis | |
CN108596151A (zh) | 一种大场景sar图像中舰船目标切片快速提取方法 | |
CN106803078A (zh) | 一种sar图像舰船目标分割方法 | |
CN104391294A (zh) | 一种基于连通域特征和模板匹配的雷达点迹关联方法 | |
I Abbas et al. | Iraqi cars license plate detection and recognition system using edge detection and template matching correlation | |
CN102800101A (zh) | 一种星载红外遥感图像机场roi快速检测方法 | |
Cai et al. | Man-made object detection based on texture clustering and geometric structure feature extracting | |
CN116797941A (zh) | 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 |
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 |