CN105335765A - 一种用于sar匹配的特征区域检测方法 - Google Patents
一种用于sar匹配的特征区域检测方法 Download PDFInfo
- Publication number
- CN105335765A CN105335765A CN201510685263.5A CN201510685263A CN105335765A CN 105335765 A CN105335765 A CN 105335765A CN 201510685263 A CN201510685263 A CN 201510685263A CN 105335765 A CN105335765 A CN 105335765A
- Authority
- CN
- China
- Prior art keywords
- window
- progressively
- standard deviation
- detected
- image
- 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.)
- Pending
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
公开了一种用于SAR匹配的特征区域检测方法,包括:选取待检测图像中的任一点为观测点,获取以所述观测点为中心的初始窗口对应区域的标准差;逐次递增所述初始窗口的尺寸,获取每个递增窗口对应区域的标准差;对初始窗口对应区域的标准差以及每个递增窗口对应区域的标准差进行显著性分析,当显著性大于预设阈值时,判定所述待检测图像适于匹配。本发明能够避开基于阈值分割方法面临的对整幅待检测图像的阈值设定难、分割难的问题,且不受观测点散射特性强或弱的影响,适用范围广,尤其适用于斑点噪声较大、地物散射特性值间有较大重叠的SAR影像。
Description
技术领域
本发明涉及图像处理领域,尤其涉及合成孔径雷达图像处理及分析方法。
背景技术
以下对本发明的相关技术背景进行说明,但这些说明并不一定构成本发明的现有技术。
在飞行器SAR成像导航中,通常采用星载SAR图像作为基准图或参考图。而哪处区域的基准图可满足景象匹配的要求,是导航需要考虑的重要因素。不同的匹配算法对基准图或参考图有不同的要求。目前SAR匹配方法多采用基于特征的匹配算法。因此,景象区域应选择尽量包含弱散射地物、强散射地物共同构成的特征区域。如果选择的是单一纹理、自相似性高的景象区域,如水平面或平坦的沙漠地带,都难以得到较好的匹配性能。
为提取得到强、弱散射特性的区域,通常采用阈值分割法,即用一个或几个阈值将图像的灰度直方图分成几个区间。然而对于灰度等级较少的SAR图像,不同区域的强度值有较大的重叠,普通的阈值分割法难以获得理想的效果。因此,目前广泛应用于SAR图像的阈值分割方法是基于恒虚警的方法。该方法的核心思想是通过分析SAR图像中像素强度的统计特性,从而估计出目标分割的阈值,再对图像进行分割,在恒虚警率的约束条件下,做到不丢失目标和尽可能地滤除杂波。该类方法的优点是分割速度快,缺点是需要对待分割图像的阈值进行估计,因此阈值估计的效果将会极大地影响最终适配区选取的结果。陈石平等在《高分辨率SAR图像CFAR分割的改进方法》文中对基于恒虚警的分割方法进行了改进研究。
发明内容
本发明的目的在于提出一种用于SAR匹配的特征区域检测方法,能够避免SAR图像阈值分割难的问题,尤其适用于斑点噪声较大、地物散射特性值间有较大重叠的SAR影像。
根据本发明的用于SAR匹配的特征区域检测方法,包括:
S1、选取待检测图像中的任一点为观测点,获取以所述观测点为中心的初始窗口对应区域的标准差;
S2、逐次递增所述初始窗口的尺寸,获取每个递增窗口对应区域的标准差;
S3、对初始窗口对应区域的标准差以及每个递增窗口对应区域的标准差进行显著性分析,当显著性大于预设阈值时,判定所述待检测图像适于匹配。
优选地,步骤S1之前进一步包括:
根据所述待检测图像的分辨率以及所述待检测图像对应的地物的尺寸,确定所述初始窗口的尺寸。
优选地,所述初始窗口或所述递增窗口的形状为:由直线和/或曲线构成的封闭图形。
优选地,每个递增窗口的形状、以及每个递增窗口与初始窗口的形状相同或不同。
优选地,步骤S2之前进一步包括:
根据所述待检测图像的分辨率、所述待检测图像对应的地物的尺寸以及所述初始窗口的尺寸,确定递增步长。
优选地,每个递增窗口对应的递增步长相同或不同。
优选地,每个递增窗口四周不同边缘点的递增步长相同或不同。
优选地,步骤S2包括:
按照递增步长,沿着所述观测点与初始窗口四周每个边缘点之间连线的方向递增,得到第1个递增窗口,并获取第1个递增窗口对应区域的标准差;
按照递增步长,沿着所述观测点与第n个递增窗口四周每个边缘点之间连线的方向递增,得到第n+1个递增窗口,并获取第n+1个递增窗口对应区域的标准差;其中,n为正整数。
优选地,步骤S2包括:
按照递增步长,扩大所述初始窗口的宽度和高度,得到第1个递增窗口的尺寸;
以所述观测点为中心确定第1个递增窗口对应的区域,并获取第1个递增窗口对应区域的标准差;
按照递增步长,扩大第n个递增窗口的宽度和高度,得到第n+1个递增窗口的尺寸;
以所述观测点为中心确定第n+1个递增窗口对应的区域,并获取第n+1个递增窗口对应区域的标准差;其中,n为正整数。
优选地,所述递增窗口的尺寸满足公式1:
式中,Wn为第n个递增窗口的宽度,单位为像素;Wn-1为第n-1个递增窗口的宽度,单位为像素;Hn为第n个递增窗口的高度,单位为像素;Hn-1为第n-1个递增窗口的高度,单位为像素;Δw为每次递增时的宽度递增步长;Δh为每次递增时的高度递增步长;n正整数,n=1时,W0为初始窗口的宽度,H0为初始窗口的高度。
根据本发明的用于SAR匹配的特征区域检测方法,包括:选取待检测图像中的任一点为观测点,获取以所述观测点为中心的初始窗口对应区域的标准差;逐次递增所述初始窗口的尺寸,获取每个递增窗口对应区域的标准差;对初始窗口对应区域的标准差以及每个递增窗口对应区域的标准差进行显著性分析,当显著性大于预设阈值时,判定所述待检测图像适于匹配。本发明通过获取初始窗口对应区域以及每个递增窗口对应区域的标准差,能够考察待检测图像局部区域的散射特性变化情况,避开基于阈值分割方法面临的对整幅待检测图像的阈值设定难、分割难的问题;通过标准差检测特征区域的匹配性,使得检测方法不受观测点散射特性强或弱的影响。本发明的特征区域检测方法适用范围广,尤其适用于斑点噪声较大、地物散射特性值间有较大重叠的SAR影像。
附图说明
通过以下参照附图而提供的具体实施方式部分,本发明的特征和优点将变得更加容易理解,在附图中:
图1是示出根据本发明的用于SAR匹配的特征区域检测方法的流程图;
图2是根据本发明实施例的待检测图像的示意图;
图3是根据本发明实施例的待检测图像的监测结果示意图。
具体实施方式
下面参照附图对本发明的示例性实施方式进行详细描述。对示例性实施方式的描述仅是出于示范目的,而绝不是对本发明及其应用或用法的限制。
本发明中,SAR是指合成孔径雷达,即SyntheticApertureRadar;本发明中的分辨率是指每个待检测图像的像素对应的地物的面积。
本发明通过考察局部区域的散射特性变化情况检测特征区域的匹配性,避开了待检测图像阈值分割难的问题;通过标准差检测特征区域的匹配性,使得检测方法不受观测点散射特性强或弱的影响。
根据本发明的用于SAR匹配的特征区域检测方法起始于步骤S1,参见图1。步骤S1选取待检测图像中的任一点为观测点,获取以所述观测点为中心的初始窗口对应区域的标准差。标准差是相对量,以标准差作为检测待检测图像图像特征值的指标,使得检测方法不依赖于特征区域的绝对图像特征值,而敏感于图像特征值的变化量。
目前广泛应用于SAR图像的恒虚警阈值分割方法需要对待检测图像的阈值进行估计,难以分割得到精确的强、弱散射区,因而影响了待检测图像特征区域的检测效果。为了避免待检测图像阈值分割难的问题,本发明通过初始窗口以及多个递增窗口分别考察待检测图像不同区域散射特性变化情况,从而检测特征区域的匹配性。
无论观测点具备强或弱的散射特性,随着检测窗口尺寸的增大,若检测得到某个递增窗口的标准差有较大变化,则该递增窗口对应区域必然出现了散射特性差异较大的不同地物。因此,本发明的特征区域检测方法能够适用于不同波段、不同时相散射特性差异较大的SAR遥感影像。
根据本发明的优选实施例,初始窗口的形状为由直线和/或曲线构成的封闭图形,比如,根据实时应用场景的不同,初始窗口的形状可以是椭圆形、圆形、等边多边形或者其它不规则形状。
初始窗口的尺寸大小直接影响根据本发明的特征区域检测方法的准确性,因此根据本发明的优选实施例,步骤S1之前进一步包括:根据待检测图像的分辨率以及待检测图像对应的地物的尺寸,确定初始窗口的尺寸。一方面,待检测图像的分辨率越高,待检测图像中每个像素点对应的地物的面积越大,为了获得较好的检测效果,初始窗口的尺寸越小。比如,对于5m分辨率的待检测图像,每个像素点对应的地物的面积为5m×5m,初始窗口的尺寸越小,待检测图像中包含的初始窗口和递增窗口的数量越多,用于计算标准差的样本数量越多,因此检测结果的准确性也就越高。另一方面,在保证用于计算标准差的样本数量足够满足对检测结果准确性要求的情况下,待检测图像对应的地物的尺寸越大,用于计算标准差的样本数量越多,计算过程越繁琐,为了适当降低计算过程的复杂程度,可以增大初始窗口的尺寸。
观测点可以是待检测图像的几何中心,也可以位于待检测图像的其它位置。根据本发明的优选实施例,观测点是待检测图像的几何中心。
图2是根据本发明实施例的待检测图像的示意图,其中的待检测图像是以某地区5m分辨率的TerraSAR的X波段遥感影像,大小为:2000像素×2000像素。
S2、逐次递增初始窗口的尺寸,获取每个递增窗口对应区域的标准差。根据本发明的优选实施例,递增窗口的形状为:由直线和/或曲线构成的封闭图形,优选地,每个递增窗口的形状、以及每个递增窗口与初始窗口的形状相同或不同。
递增步长是指相邻两个递增窗口以及相邻的递增窗口与初始窗口的尺寸的变化量,比如相邻两个窗口的宽度的变化量、高度的变化量,当然,递增步长也可以是从观测点出射的射线与相邻两个窗口的边缘点相交时,两个边缘点之间的距离。递增步长的大小直接影响根据本发明的特征区域检测方法的准确性,因此根据本发明的优选实施例,步骤S2之前进一步包括:根据待检测图像的分辨率、待检测图像对应的地物的尺寸以及初始窗口的尺寸,确定递增步长。递增步长越大,待检测图像中包含的初始窗口和递增窗口的数量越少,用于计算标准差的样本数量越少,因此检测结果的准确性也就越低。
根据第一个递增步长和初始窗口尺寸可以,确定第一个递增窗口的尺寸;根据第n+1个递增步长和第n个递增窗口的尺寸,确定第n+1个递增窗口的尺寸;其中,n为正整数。优选地,每个递增窗对应的递增步长相同或不同。
每个递增窗口的形状可以根据待检测图像对应地物的复杂程度进行确定,每次递增窗口时,可以将前一个递增窗口的所有边缘点按照相同的递增步长递增得到下一个递增窗口,也可以将前一个递增窗口的所有边缘点按照不同的递增步长递增得到下一个递增窗口。
根据本发明的一个优选实施例,步骤S2包括:
按照递增步长,沿着观测点与初始窗口四周每个边缘点之间连线的方向递增,得到第1个递增窗口,并获取第1个递增窗口对应区域的标准差;
按照递增步长,沿着观测点与第n个递增窗口四周每个边缘点之间连线的方向递增,得到第n+1个递增窗口,并获取第n+1个递增窗口对应区域的标准差;其中,n为正整数。比如,初始窗口和递增窗口均为封闭的弧线形时,可以采用这种方式进行递增。
根据本发明的再一个优选实施例,步骤S2包括:
按照递增步长,扩大初始窗口的宽度和高度,得到第1个递增窗口的尺寸;
以观测点为中心确定第1个递增窗口对应的区域,并获取第1个递增窗口对应区域的标准差;
按照递增步长,扩大第n个递增窗口的宽度和高度,得到第n+1个递增窗口的尺寸;
以观测点为中心确定第n+1个递增窗口对应的区域,并获取第n+1个递增窗口对应区域的标准差;其中,n为正整数。
优选地,递增窗口的尺寸满足公式1:
式中,Wn为第n个递增窗口的宽度,单位为像素;Wn-1为第n-1个递增窗口的宽度,单位为像素;Hn为第n个递增窗口的高度,单位为像素;Hn-1为第n-1个递增窗口的高度,单位为像素;Δw为每次递增时的宽度递增步长;Δh为每次递增时的高度递增步长;n正整数,n=1时,W0为初始窗口的宽度,H0为初始窗口的高度。
例如,针对图2示出的待检测图像,初始窗口的尺寸设置为:9像素×9像素,每个递增步长设置为10像素,即每递增一次,递增窗口的宽度和高度增加10像素。
优选地,递增窗口尺寸的上限不超过待检测图像中待检测特征区域的尺寸。例如,5m分辨率的待检测特征区域的尺寸为100像素×100像素,其对应的地物面积为500m×500m,此时,若递增窗口尺寸的上限不能超过100像素×100像素,否则则该递增窗口对应区域的面积将超过500m×500m。
S3、对初始窗口对应区域的标准差以及每个递增窗口对应区域的标准差进行显著性分析,当显著性大于预设阈值时,判定待检测图像适于匹配。“预设阈值”越大,则表明待检测图像的散射特性变化越大,越适于匹配。本步骤中的提及的“预设阈值”因待检测图像分辨率、初始窗口和递增窗口的尺寸、待检测图像对应的地物的尺寸以及操作者对检测结果准确性要求的水平的不同而不同。
图3示出了采用本发明的特征区域检测方法检测图2中的待检测图像的检测结果。其中,初始窗口的尺寸设置为:9像素×9像素,每个递增步长设置为10像素,预设阈值为15。
与现有技术相比,本发明能够避开基于阈值分割方法面临的对整幅待检测图像的阈值设定难、分割难的问题,且不受观测点散射特性强或弱的影响,适用范围广,尤其适用于斑点噪声较大、地物散射特性值间有较大重叠的SAR影像。
虽然参照示例性实施方式对本发明进行了描述,但是应当理解,本发明并不局限于文中详细描述和示出的具体实施方式,在不偏离权利要求书所限定的范围的情况下,本领域技术人员可以对所述示例性实施方式做出各种改变。
Claims (10)
1.一种用于SAR匹配的特征区域检测方法,包括:
S1、选取待检测图像中的任一点为观测点,获取以所述观测点为中心的初始窗口对应区域的标准差;
S2、逐次递增所述初始窗口的尺寸,获取每个递增窗口对应区域的标准差;
S3、对初始窗口对应区域的标准差以及每个递增窗口对应区域的标准差进行显著性分析,当显著性大于预设阈值时,判定所述待检测图像适于匹配。
2.如权利要求1所述的特征区域检测方法,步骤S1之前进一步包括:
根据所述待检测图像的分辨率以及所述待检测图像对应的地物的尺寸,确定所述初始窗口的尺寸。
3.如权利要求2所述的特征区域检测方法,其中,所述初始窗口或所述递增窗口的形状为:由直线和/或曲线构成的封闭图形。
4.如权利要求3所述的特征区域检测方法,其中,每个递增窗口的形状、以及每个递增窗口与初始窗口的形状相同或不同。
5.如权利要求4所述的特征区域检测方法,步骤S2之前进一步包括:
根据所述待检测图像的分辨率、所述待检测图像对应的地物的尺寸以及所述初始窗口的尺寸,确定递增步长。
6.如权利要求5所述的特征区域检测方法,其中,每个递增窗口对应的递增步长相同或不同。
7.如权利要求6所述的特征区域检测方法,其中,每个递增窗口四周不同边缘点的递增步长相同或不同。
8.如权利要求7所述的特征区域检测方法,其中,步骤S2包括:
按照递增步长,沿着所述观测点与初始窗口四周每个边缘点之间连线的方向递增,得到第1个递增窗口,并获取第1个递增窗口对应区域的标准差;
按照递增步长,沿着所述观测点与第n个递增窗口四周每个边缘点之间连线的方向递增,得到第n+1个递增窗口,并获取第n+1个递增窗口对应区域的标准差;其中,n为正整数。
9.如权利要求7所述的特征区域检测方法,其中,步骤S2包括:
按照递增步长,扩大所述初始窗口的宽度和高度,得到第1个递增窗口的尺寸;
以所述观测点为中心确定第1个递增窗口对应的区域,并获取第1个递增窗口对应区域的标准差;
按照递增步长,扩大第n个递增窗口的宽度和高度,得到第n+1个递增窗口的尺寸;
以所述观测点为中心确定第n+1个递增窗口对应的区域,并获取第n+1个递增窗口对应区域的标准差;其中,n为正整数。
10.如权利要求9所述的特征区域检测方法,其中,所述递增窗口的尺寸满足公式1:
式中,Wn为第n个递增窗口的宽度,单位为像素;Wn-1为第n-1个递增窗口的宽度,单位为像素;Hn为第n个递增窗口的高度,单位为像素;Hn-1为第n-1个递增窗口的高度,单位为像素;Δw为每次递增时的宽度递增步长;Δh为每次递增时的高度递增步长;n正整数,n=1时,W0为初始窗口的宽度,H0为初始窗口的高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510685263.5A CN105335765A (zh) | 2015-10-20 | 2015-10-20 | 一种用于sar匹配的特征区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510685263.5A CN105335765A (zh) | 2015-10-20 | 2015-10-20 | 一种用于sar匹配的特征区域检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105335765A true CN105335765A (zh) | 2016-02-17 |
Family
ID=55286280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510685263.5A Pending CN105335765A (zh) | 2015-10-20 | 2015-10-20 | 一种用于sar匹配的特征区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680565A (zh) * | 2020-05-08 | 2020-09-18 | 湖北航天技术研究院总体设计所 | 一种基于sar图像的港口区域舰船目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867196A (zh) * | 2012-09-13 | 2013-01-09 | 武汉大学 | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 |
CN103186900A (zh) * | 2013-03-26 | 2013-07-03 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN104240257A (zh) * | 2014-09-30 | 2014-12-24 | 中国人民解放军国防科学技术大学 | 基于变化检测技术的sar图像舰船目标鉴别方法 |
CN104281854A (zh) * | 2014-09-28 | 2015-01-14 | 中国人民解放军海军航空工程学院 | 高分辨率极化sar舰船目标与干扰目标鉴别方法 |
CN104346814A (zh) * | 2014-11-20 | 2015-02-11 | 西安电子科技大学 | 基于层次视觉语义的sar图像分割方法 |
-
2015
- 2015-10-20 CN CN201510685263.5A patent/CN105335765A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867196A (zh) * | 2012-09-13 | 2013-01-09 | 武汉大学 | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 |
CN103186900A (zh) * | 2013-03-26 | 2013-07-03 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN104281854A (zh) * | 2014-09-28 | 2015-01-14 | 中国人民解放军海军航空工程学院 | 高分辨率极化sar舰船目标与干扰目标鉴别方法 |
CN104240257A (zh) * | 2014-09-30 | 2014-12-24 | 中国人民解放军国防科学技术大学 | 基于变化检测技术的sar图像舰船目标鉴别方法 |
CN104346814A (zh) * | 2014-11-20 | 2015-02-11 | 西安电子科技大学 | 基于层次视觉语义的sar图像分割方法 |
Non-Patent Citations (1)
Title |
---|
张皓等: "《一种基于自生成检测窗方法的人脸检测技术》", 《计算机工程与科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680565A (zh) * | 2020-05-08 | 2020-09-18 | 湖北航天技术研究院总体设计所 | 一种基于sar图像的港口区域舰船目标检测方法 |
CN111680565B (zh) * | 2020-05-08 | 2022-06-07 | 湖北航天技术研究院总体设计所 | 一种基于sar图像的港口区域舰船目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107683423B (zh) | 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术 | |
US20120328161A1 (en) | Method and multi-scale attention system for spatiotemporal change determination and object detection | |
CN101980293B (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN103645476B (zh) | 一种合成孔径雷达差分干涉图序列的时空同质滤波方法 | |
CN106910177B (zh) | 一种局域图像指标最优化的多角度sar图像融合方法 | |
CN103217673B (zh) | 一种非均匀Weibull杂波背景下的CFAR检测方法 | |
CN112130142B (zh) | 一种复杂运动目标微多普勒特征提取方法及系统 | |
Gonzalez-Huici et al. | A combined strategy for landmine detection and identification using synthetic GPR responses | |
CN105160648A (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN103065307A (zh) | 非精确配准下sar/spot图像的区域融合检测方法 | |
CN108010065A (zh) | 低空目标快速检测方法及装置、存储介质及电子终端 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN111652790A (zh) | 一种亚像素图像配准方法 | |
CN103985106A (zh) | 用于对强噪声图像进行多帧融合的设备和方法 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN104966296B (zh) | 滑窗N‑Smoothlets图像边缘检测方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN107835998A (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
Quin et al. | Comparison of harmonic, geometric and arithmetic means for change detection in SAR time series | |
CN105335765A (zh) | 一种用于sar匹配的特征区域检测方法 | |
CN106910178A (zh) | 一种基于色调统计特性分类的多角度sar图像融合方法 | |
CN106897985B (zh) | 一种基于可见度分类的多角度sar图像融合方法 | |
Cao et al. | Detecting the number of buildings in a single high-resolution SAR image | |
Wright et al. | Adaptive integration time in automotive SAR |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160217 |
|
RJ01 | Rejection of invention patent application after publication |