CN105354541A - 基于视觉注意模型和恒虚警率的sar图像目标检测方法 - Google Patents
基于视觉注意模型和恒虚警率的sar图像目标检测方法 Download PDFInfo
- Publication number
- CN105354541A CN105354541A CN201510697142.2A CN201510697142A CN105354541A CN 105354541 A CN105354541 A CN 105354541A CN 201510697142 A CN201510697142 A CN 201510697142A CN 105354541 A CN105354541 A CN 105354541A
- Authority
- CN
- China
- Prior art keywords
- pixel
- clutter
- target
- region
- binary map
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于视觉注意模型和恒虚警率的SAR图像目标检测方法,主要解决现有SAR图像海面舰船目标检测技术中检测速度慢和杂波虚警高的问题。其实现步骤为:根据傅立叶频谱残差信息提取SAR图像对应的显著图;计算显著性阈值,以在显著图上选择潜在目标区域;对潜在目标区域采取自适应滑窗的恒虚警率方法进行检测,得到初始检测结果;对初始检测结果剔除虚警后得到最终检测结果,并提取疑似舰船目标切片,从而完成目标检测过程。本发明具有计算速度快、目标检测率高、虚警率低的优点,同时具有方法简单、易于实现的优势,可用于海面舰船目标检测。
Description
技术领域
本发明属于雷达技术领域,特别是一种合成孔径雷达SAR图像目标检测方法,可用于海面舰船目标检测。
背景技术
舰船检测对于渔业监管、海事安全管理等方面都有重要意义,对海洋船舶进行监测和识别是每个沿海国家的重要任务。由于SAR具有远距离、全天时、全天候观测的能力,利用SAR图像进行海上舰船目标检测一直是海洋遥感领域的热点之一。
舰船目标检测的主要思想是利用舰船目标和周围海域在SAR图像上所表现的特征差异,设置一个关于该特征的阈值进行检测。目前用于检测的目标特征有灰度特征、极化特征、相位特征及多分辨率特征等。由于具有恒虚警率和自适应阈值的性质,目前应用最广泛的是基于灰度特征和杂波统计模型的恒虚警率CFAR检测方法。
林肯实验室提出的双参数恒虚警率DPM-CFAR方法是基于背景杂波服从高斯分布的假设,通过经验学习设定三层滑动窗口,包括目标窗口、保护窗口和背景窗口,窗口尺寸及滑动步长的设置对检测结果影响很大。这种像素级的检测方法需要遍历整幅SAR图像,每次滑动窗口,均需对背景杂波进行统计建模和参数估计,计算复杂度高,不满足目标检测实时性的要求。同时,如果窗口尺寸设置不当,舰船目标像素容易泄露到背景窗口中,造成杂波统计建模精度降低,使得距离很近的舰船目标容易出现漏检。
随着SAR图像分辨率的不断提高,在获得更多目标细节信息的同时,目标检测识别需要处理的数据量也大幅度增加。对于大多数的海面SAR图像,舰船目标在图像中只占据很小的一部分,如何从大场景的海面SAR图像中快速准确检测舰船目标是目前仍需解决的问题。
发明内容
本发明的目的在于针对上述已有技术的问题,提出一种基于视觉注意模型和恒虚警率的SAR图像目标检测方法,以从大场景的海面SAR图像中快速准确地检测舰船目标。
本发明的技术方案是这样完成的:
一.技术原理
面对一个场景时,人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域,这些人们感兴趣区域被称之为显著性区域。视觉注意模型通过模仿人类视觉系统获得显著图。受到视觉注意模型的启发,针对现有目标检测技术的不足,本发明采用基于傅里叶频谱残差SR的方法获取SAR图像对应的显著图,即利用视觉注意模型获取显著图,设定显著性阈值提取潜在目标区域,然后对潜在目标区域进行基于自适应滑窗的恒虚警率CFAR检测,从而获得目标检测结果。
二.实现方案
基于上述思路本发明的实现步骤包括如下:
(1)输入一幅SAR图像I,利用频谱残差SR获取原图像I对应的显著图S;
(2)利用显著图S中所有像素点的均值μ和标准差σ,计算显著性阈值h=μ+kσ,其中,k为调整显著性阈值h的常数;将大于显著性阈值h的显著图S像素点置为1,反之,置为0,得到标记潜在目标区域的标记二值图W;
(3)根据标记二值图W中各个连通区域的大小,自适应地设置目标窗口、背景窗口和杂波区域;
(4)选择杂波分布模型p(l),利用各个杂波区域Ci中的杂波像素对选择的杂波分布模型p(l)进行参数估计,并根据参数估计结果,计算各个杂波区域Ci中的杂波像素拟合的概率密度函数fi(l),其中l>0表示杂波像素强度值,i=1,2,…num;
(5)设定虚警概率pfa,根据杂波像素拟合的概率密度函数fi(l),利用公式计算恒虚警率检测阈值Thi,其中l>0表示杂波像素强度值,i=1,2,…num;
(6)利用恒虚警率检测阈值Thi,获取初始检测二值图BW;
(7)根据舰船的尺寸,剔除初始检测二值图BW中的虚警,得到目标最终检测二值图Z;
(8)根据设定的舰船目标切片的尺寸及目标最终检测二值图Z,在原图像I中提取疑似目标切片,完成对目标的检测。
本发明与现有技术相比具有以下优点:
1.具有虚警低、速度快的优势。本发明利用频谱残差SR准确地获取潜在目标区域,大大降低了虚警率,同时降低了目标检测过程中的数据量和计算量,具有更快的运行速度;
2.高检测率得以保证。本发明的目标检测方法能够根据潜在目标区域的大小,自适应地设计目标窗口和背景窗口,使得舰船目标像素能够完全包括在目标窗口内,并且通过快速筛选杂波像素,剔除可能泄露的舰船目标像素,使得杂波拟合更加精确,从而获得更高的检测率。
附图说明
图1本发明的实现流程图;
图2本发明实验中使用的实测SAR图像;
图3本发明中滑动窗口设置示意图;
图4双参数恒虚警率DPM-CFAR方法目标检测结果;
图5本发明方法目标检测结果;
图6本发明方法提取的疑似目标切片放大图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,输入一幅SAR图像I,利用频谱残差SR获取原图像I对应的显著图S。
1a)对于一幅尺寸为M×N的SAR图像I,利用双线性插值法对原图像I进行下采样,得到尺寸为[M/q]×[N/q]的下采样图像D,其中q为采样间隔,[·]表示取整运算;
1b)对下采样图像D计算2维傅立叶变换F(f)=fft2(D),得到幅度谱X(f)=|F(f)|和相位谱P(f)=angle(F(f)),并对幅度谱X(f)取对数得到对数谱L(f)=log(X(f)),其中,f表示频率,fft2(·)表示2维傅立叶变换,|·|表示取绝对值运算,angle(·)表示取相位运算,log(·)表示取对数运算;
1c)计算频谱残差:R(f)=L(f)-A(f),其中,A(f)=H*L(f),H为尺寸为n=3的均值滤波器;
1d)计算下采样图像D对应的显著图:
J=G*|ifft2(exp(R(f)+jP(f)))|2
其中,ifft2(·)表示二维傅立叶逆变换,G表示尺寸为ω、标准差为σ的高斯滤波器,用于平滑图像噪声,j表示虚数单位,
1e)对下采样图像D对应的显著图J采用双线性插值,使其变换为与原图像I相同的尺寸,从而得到原图像I对应的显著图S;
需要说明的是,本发明中采用的插值方法为双线性插值,但不局限于这一种插值方法,也可采用最近邻插值等插值方法。
步骤2,计算显著性阈值h,获得标记潜在目标区域的标记二值图W。
2a)计算显著性阈值:h=μ+kσ,其中,k是控制显著性阈值h的常数,k是根据显著图选取的经验值,k越大,则表明可以移除更多的虚假舰船目标像素,同时为了避免漏检,k也不能过大,应当根据显著图确定合适的k值,μ和σ分别为显著图S中所有像素的均值和标准差:
2b)按照如下公式,获得标记潜在目标区域的标记二值图W:
其中,m=1,2,…,M,n=1,2,…N,即当显著图S中的像素点S(m,n)大于显著性阈值h时,将标记潜在目标区域的标记二值图W中对应的像素点W(m,n)置为1,反之,则置为0。
步骤3,根据标记二值图W中各个连通区域的大小,自适应地设置滑动窗口,包括目标窗口、背景窗口和杂波区域。
3a)统计标记二值图W的连通区域个数num,计算各个连通区域的边界框Boxi的行列起始点(xi,yi)及长度ai、宽度bi,i=1,2,…num;
3b)选择第i个连通区域的边界框Boxi作为目标窗口Ri,即目标窗口Ri中像素点的行范围为xi,xi+1,…,xi+ai-1,列范围为yi,yi+1,…,yi+bi-1,如图3(a)所示;
3c)根据目标窗口Ri,将背景窗口Bi的尺寸设置为目标窗口Ri尺寸的3倍,即背景窗口Bi中像素点的行范围为xi-ai,xi-ai+1,,…,xi+2ai-1,列范围为yi-bi,yi-bi+1,…,yi+2bi-1;
3d)将目标窗口Ri和背景窗口Bi之间的部分作为杂波区域Ci。
步骤4,计算杂波区域Ci中的杂波像素拟合的概率密度函数fi(l)。
对于舰船目标距离很近的情况,为保证滑窗中的目标像素不会泄漏到杂波区域中去,提高杂波像素拟合的精度,在进行杂波拟合之前,先对杂波区域Clutteri中的像素进行快速排序,利用筛选阈值Ti剔除亮度高的像素,使用筛选剩余的像素参与杂波建模计算。
4a)对于第i个杂波区域Ci,计算筛选阈值:Ti=μi+tσi,其中,t为控制筛选阈值Ti的常数,μi和σi分别为杂波区域Ci中所有像素的均值和标准差;
4b)利用筛选阈值Ti,筛选出杂波区域Ci中所有小于筛选阈值Ti的像素点,记作筛选剩余像素c;
4c)选择K分布作为杂波统计模型:
其中,l表示杂波像素强度值,l>0,u表示均值,v表示形状参数,n表示原图像I的等效视数,Γ(·)表示伽马函数,Kν-n(·)表示v-n阶第二类修正的贝塞尔函数,均值u和形状参数v是未知参数,需要利用筛选剩余像素c进行估计,得到相应的估计值和
4d)按照如下公式,利用筛选剩余像素c计算K分布统计模型中的均值估计值和形状参数估计值
其中,E(·)表示取期望运算;
4e)根据K分布统计模型的均值估计值和形状参数估计值计算杂波区域Ci中的杂波像素拟合的概率密度函数fi(l):
需要说明的是,这里采用的是K分布统计模型,但是不局限于K分布统计模型,可根据实际数据采用不同的统计模型以对杂波像素进行精确拟合。
步骤5,设定虚警概率pfa,根据杂波像素拟合的概率密度函数fi(l),利用公式计算恒虚警率检测阈值Thi,其中l表示杂波像素强度值,l>0,i=1,2,…num。
步骤6,利用恒虚警率检测阈值Thi,获取初始检测二值图BW。
6a)利用恒虚警率检测阈值Thi,对目标窗口Ri中的各个像素点进行判别,当目标窗口Ri中的像素点的强度值I2(m,n)大于恒虚警率检测阈值Thi时,将初始检测二值图BW中对应的像素点BW(m,n)置为1,反之,则置为0,即:
其中,m=yi,yi+1,…,yi+bi-1,n=xi,xi+1,…,xi+ai-1,从而得到初始检测二值图BW;
步骤7,根据舰船的尺寸,剔除初始检测二值图BW中的虚警,得到目标最终检测二值图Z。
7a)统计初始检测二值图BW的连通区域的个数count,统计初始检测二值图BW第i个连通区域中值为1的像素点个数,作为该连通区域的面积Ai,i=1,2,…count;
7b)根据舰船目标的尺寸,计算舰船目标对应的连通区域的最小面积Amin和最大面积Amax,若Ai不在目标范围{Amin,Amax}之内,则将第i个连通区域内所有的像素点置为0,从而剔除虚警,得到目标最终检测二值图Z;
步骤8,设定目标切片尺寸,计算目标最终检测二值图Z中各个连通区域的质心,以每个连通区域的质心为切片中心,在原图像I中提取相应的疑似舰船目标切片,完成对舰船目标的检测。
本发明的目标检测性能通过以下实验进一步的说明:
1.实验条件
实验运行平台:MatlabR2014a,Intel(R)Core(TM)i7-4790CPU3.6GHz,内存8GB。
2.实验数据
实验中使用的实测SAR图像如图2所示,这是两幅典型的TerraSAR-X图像,成像模式为stripmap,分辨率为3m×3m,极化方式为单极化HH,其中图2(a)的尺寸为6600×9700像素,图2(b)的尺寸为4100×3600像素。
3.性能指标
为了评估双参数恒虚警率DPM-CFAR方法和本发明方法的目标检测性能,定义如下的目标检测率和虚警率:
目标检测率其中Ndt为检测到的目标像素点数,Ntt为人工分割得到的目标像素总数;
虚警率其中Ndc为杂波像素中被误判为目标像素的虚警数,Ntc为杂波像素总数。
本发明实验中的耗时指的是完成目标检测所需的运行时间。
4.实验内容
为公平起见,实验中设定的虚警概率pfa均为1e-3。
实验1,利用现有双参数恒虚警率DPM-CFAR方法对图2中的实测SAR图像进行目标检测。双参数恒虚警率DPM-CFAR方法的参数设置为:目标窗口大小为16×16,保护窗口大小为280×280,背景窗口大小为360×360,滑动步长设置为16,检测结果如图4所示,其中:
图4(a)为图2(a)中的实测SAR图像对应的目标检测结果,图中方框标注出了剔除虚警后提取的6个疑似目标切片;
图4(b)为图2(b)中的实测SAR图像对应的目标检测结果,图中方框标注出了剔除虚警后提取的9个疑似目标切片。
实验2,利用本发明方法对图2中的实测SAR图像进行目标检测。本发明方法的参数设置为:实验中设置对原图像I下采样时的采样间隔q=4,均值滤波器H的尺寸为n=3,高斯滤波器G的尺寸和标准差分别为w=10和σ=3;实验中滑动窗口设置示意如图3所示,图3(a)是标记二值图W中的某个连通区域的边界框,图3(b)是根据图3(a)中的边界框设置的滑动窗口,检测结果如图5所示,其中:
图5(a)为图2(a)中的实测SAR图像对应的目标检测结果,图中方框标注出了剔除虚警后提取的6个疑似目标切片,这6个疑似目标切片的放大图如图6(a)所示;
图5(b)为图2(b)中的实测SAR图像对应的目标检测结果,图中方框标注出了剔除虚警后提取的9个疑似目标切片,这9个疑似目标切片的放大图如图6(b)所示。
实验1和实验2两种方法的检测性能对比如表1所示。
表1双参数恒虚警率DPM-CFAR方法和本发明方法检测性能对比
由表1可以看出这两种方法均可以达到较好的目标检测性能,但是双参数恒虚警率DPM-CFAR方法产生的虚警要远远高于本发明方法,在相同的虚警概率下,本发明方法仅产生了极少量的虚警像素点。对图2中的两幅实测SAR图像进行舰船目标检测时,双参数恒虚警率DPM-CFAR方法所需的运行时间分别是本发明方法的约98倍和85倍,本发明方法耗时很短,可以满足实时性的要求。
实验结果表明,本发明方法能够快速准确地检测到舰船目标,检测率高并且虚警率低,是一种行之有效并且具有工程实际意义的SAR图像舰船检测方法。
Claims (4)
1.基于视觉注意模型和恒虚警率的SAR图像目标检测方法,包括如下步骤:
(1)输入一幅SAR图像I,利用频谱残差SR获取原图像I对应的显著图S;
(2)利用显著图S中所有像素点的均值μ和标准差σ,计算显著性阈值h=μ+kσ,其中,k为调整显著性阈值h的常数;将大于显著性阈值h的显著图S像素点置为1,反之,置为0,得到标记潜在目标区域的标记二值图W;
(3)根据标记二值图W中各个连通区域的大小,自适应地设置目标窗口、背景窗口和杂波区域:
3a)统计标记二值图W的连通区域个数num,计算各个连通区域的边界框Boxi的行列起始点(xi,yi)及长度ai、宽度bi,i=1,2,...num;
3b)选择第i个连通区域的边界框Boxi作为目标窗口Ri,即目标窗口Ri中像素点的行范围为xi,xi+1,…,xi+ai-1,列范围为yi,yi+1,…,yi+bi-1;
3c)根据目标窗口Ri,将背景窗口Bi的尺寸设置为目标窗口Ri尺寸的3倍,即背景窗口Bi中像素点的行范围为xi-ai,xi-ai+1,,…,xi+2ai-1,列范围为yi-bi,yi-bi+1,…,yi+2bi-1;
3d)将目标窗口Ri和背景窗口Bi之间的部分作为杂波区域Ci;
(4)选择杂波统计模型p(l),利用各个杂波区域Ci中的杂波像素对选择的杂波统计模型p(l)进行参数估计,并根据参数估计结果,计算各个杂波区域Ci中的杂波像素拟合的概率密度函数fi(l),其中l>0表示像素强度值,i=1,2,...num;
(5)设定虚警概率pfa,根据杂波像素拟合的概率密度函数fi(l),利用公式计算恒虚警率检测阈值Thi,其中l表示像素强度值,l>0,i=1,2,...num;
(6)利用恒虚警率检测阈值Thi,获取初始检测二值图BW:
6a)利用恒虚警率检测阈值Thi,对目标窗口Ri中的各个像素点进行判别,当目标窗口Ri中的像素点的强度值I2(m,n)大于恒虚警率检测阈值Thi时,将初始检测二值图BW中对应的像素点BW(m,n)置为1,反之,则置为0,即:
其中,m=yi,yi+1,…,yi+bi-1,n=xi,xi+1,…,xi+ai-1,从而得到初始检测二值图BW;
(7)根据舰船的尺寸,剔除初始检测二值图BW中的虚警,得到目标最终检测二值图Z:7a)统计初始检测二值图BW的连通区域的个数count,统计初始检测二值图BW第i个连通区域中值为1的像素点个数,作为该连通区域的面积Ai,i=1,2,...count;
7b)根据舰船目标的尺寸,计算舰船目标对应的连通区域的最小面积Amin和最大面积Amax,若Ai不在目标范围{Amin,Amax}之内,则将第i个连通区域内所有的像素点置为0,从而剔除虚警,得到目标最终检测二值图Z;
(8)根据设定的舰船目标切片的尺寸及目标最终检测二值图Z,在原图像I中提取疑似目标切片,完成对目标的检测。
2.根据权利要求书1所述方法,其中步骤(1)中利用频谱残差SR产生原图像I对应的显著图S,按如下步骤进行:
1a)对于一幅尺寸为M×N的SAR图像I,利用双线性插值法对原图像I进行下采样,得到尺寸为[M/q]×[N/q]的下采样图像D,其中q为采样间隔,[·]表示取整运算;
1b)对下采样图像D计算2维傅立叶变换F(f)=fft2(D),得到幅度谱X(f)=|F(f)|和相位谱P(f)=angle(F(f)),并对幅度谱X(f)取对数得到对数谱L(f)=log(X(f)),其中,f表示频率,fft2(·)表示2维傅立叶变换,|·|表示取绝对值运算,angle(·)表示取相位运算,log(·)表示取对数运算;
1c)计算频谱残差:R(f)=L(f)-A(f),其中,A(f)=H*L(f),H为尺寸为n=3的均值滤波器;
1d)计算下采样图像D对应的显著图:
J=G*|ifft2(exp(R(f)+jP(f)))|2
其中,ifft2(·)表示二维傅立叶逆变换,G表示尺寸为ω、标准差为σ的高斯滤波器,用于平滑图像噪声,j表示虚数单位,
1e)对下采样图像D对应的显著图J采用双线性插值,使其变换为与原图像I相同的尺寸,从而得到原图像I对应的显著图S。
3.根据权利要求书1所述方法,其中步骤(2)中通过计算显著性阈值h,获得标记潜在目标区域的标记二值图W,按如下步骤进行:
2a)计算显著性阈值:h=μ+kσ,其中,k是控制显著性阈值h的常数,μ和σ分别为显著图S中所有像素的均值和标准差:
2b)按照如下公式,获得标记潜在目标区域的标记二值图W:
其中,m=1,2,…,M,n=1,2,…N,即当显著图S中的像素点S(m,n)大于显著性阈值h时,将标记二值图W中对应的像素点W(m,n)置为1,反之,则置为0。
4.根据权利要求书1所述方法,步骤(4)中利用各个杂波区域Ci中的杂波像素,得到杂波拟合的概率密度函数fi(l),按照如下步骤进行:
4a)对于第i个杂波区域Ci,计算筛选阈值:Ti=μi+tσi,其中,t为控制筛选阈值Ti的常数,μi和σi分别为杂波区域Ci中所有像素的均值和标准差:
4b)利用筛选阈值Ti,筛选出杂波区域Ci中所有小于筛选阈值Ti的像素点,记作筛选剩余像素c;
4c)选择K分布作为杂波统计模型:
其中,l表示像素强度值,l>0,u表示均值,v表示形状参数,n表示原图像I的等效视数,Γ(·)表示伽马函数,Kν-n(·)表示v-n阶第二类修正的贝塞尔函数,均值u和形状参数v是未知参数,需要利用筛选剩余像素c进行估计,得到相应的估计值和
4d)按照如下公式,利用筛选剩余像素c计算K分布杂波统计模型中的均值估计值和形状参数估计值
其中,E(·)表示取期望运算;
4e)根据K分布杂波统计模型的均值估计值和形状参数估计值计算杂波区域Ci中的杂波像素拟合的概率密度函数fi(l):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510697142.2A CN105354541B (zh) | 2015-10-23 | 2015-10-23 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510697142.2A CN105354541B (zh) | 2015-10-23 | 2015-10-23 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354541A true CN105354541A (zh) | 2016-02-24 |
CN105354541B CN105354541B (zh) | 2018-07-17 |
Family
ID=55330509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510697142.2A Active CN105354541B (zh) | 2015-10-23 | 2015-10-23 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354541B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
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 |
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN107220952A (zh) * | 2017-06-09 | 2017-09-29 | 河南科技大学 | 一种基于显著性的多尺度图像平滑方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
CN107255801A (zh) * | 2017-06-13 | 2017-10-17 | 中国电子科技集团公司第二十八研究所 | 一种岸基对海监视雷达信号的处理方法 |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN107274410A (zh) * | 2017-07-02 | 2017-10-20 | 中国航空工业集团公司雷华电子技术研究所 | 自适应的人造目标恒虚警率检测方法 |
CN107784655A (zh) * | 2016-12-28 | 2018-03-09 | 中国测绘科学研究院 | 一种自适应阈值的视觉注意模型sar舰船检测算法 |
CN108596151A (zh) * | 2018-05-10 | 2018-09-28 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
CN108734111A (zh) * | 2018-04-26 | 2018-11-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像海面舰船识别方法 |
CN108960203A (zh) * | 2018-08-01 | 2018-12-07 | 西安电子科技大学 | 一种基于fpga异构计算的车辆检测方法 |
CN109635730A (zh) * | 2018-12-12 | 2019-04-16 | 中船(浙江)海洋科技有限公司 | 基于异常检测与双层筛选机制的sar图像舰船检测方法 |
CN109658386A (zh) * | 2018-11-26 | 2019-04-19 | 江苏科技大学 | 一种声纳图像管线检测系统及方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN110889843A (zh) * | 2019-11-29 | 2020-03-17 | 西安电子科技大学 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
CN111123261A (zh) * | 2019-12-31 | 2020-05-08 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于背景学习的机场跑道fod检测方法和系统 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
CN112784757A (zh) * | 2021-01-25 | 2021-05-11 | 哈尔滨工业大学 | 海上sar舰船目标显著性检测与识别方法 |
CN113203991A (zh) * | 2021-04-29 | 2021-08-03 | 电子科技大学 | 一种多基sar在多干扰机环境下的抗欺骗型干扰方法 |
CN113203992A (zh) * | 2021-04-29 | 2021-08-03 | 电子科技大学 | 一种多基sar的抗欺骗性干扰方法 |
CN114742979A (zh) * | 2022-04-15 | 2022-07-12 | 推想医疗科技股份有限公司 | 基于定位贴片的位置识别方法、装置、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831558A (zh) * | 2006-04-21 | 2006-09-13 | 清华大学 | 基于多视子图像对的单通道合成孔径雷达动目标检测方法 |
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
CN102054268A (zh) * | 2011-01-06 | 2011-05-11 | 西安电子科技大学 | 自适应分割sar图像水域的方法 |
-
2015
- 2015-10-23 CN CN201510697142.2A patent/CN105354541B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831558A (zh) * | 2006-04-21 | 2006-09-13 | 清华大学 | 基于多视子图像对的单通道合成孔径雷达动目标检测方法 |
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
CN102054268A (zh) * | 2011-01-06 | 2011-05-11 | 西安电子科技大学 | 自适应分割sar图像水域的方法 |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156744B (zh) * | 2016-07-11 | 2019-01-29 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
CN107784655A (zh) * | 2016-12-28 | 2018-03-09 | 中国测绘科学研究院 | 一种自适应阈值的视觉注意模型sar舰船检测算法 |
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
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 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
CN107220952A (zh) * | 2017-06-09 | 2017-09-29 | 河南科技大学 | 一种基于显著性的多尺度图像平滑方法 |
CN107220952B (zh) * | 2017-06-09 | 2020-03-31 | 河南科技大学 | 一种基于显著性的多尺度图像平滑方法 |
CN107255801B (zh) * | 2017-06-13 | 2019-08-02 | 中国电子科技集团公司第二十八研究所 | 一种岸基对海监视雷达信号的处理方法 |
CN107255801A (zh) * | 2017-06-13 | 2017-10-17 | 中国电子科技集团公司第二十八研究所 | 一种岸基对海监视雷达信号的处理方法 |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN107274410A (zh) * | 2017-07-02 | 2017-10-20 | 中国航空工业集团公司雷华电子技术研究所 | 自适应的人造目标恒虚警率检测方法 |
CN107274410B (zh) * | 2017-07-02 | 2020-09-11 | 中国航空工业集团公司雷华电子技术研究所 | 自适应的人造目标恒虚警率检测方法 |
CN108734111A (zh) * | 2018-04-26 | 2018-11-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像海面舰船识别方法 |
CN108596151A (zh) * | 2018-05-10 | 2018-09-28 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
CN108960203A (zh) * | 2018-08-01 | 2018-12-07 | 西安电子科技大学 | 一种基于fpga异构计算的车辆检测方法 |
CN108960203B (zh) * | 2018-08-01 | 2021-08-17 | 西安电子科技大学 | 一种基于fpga异构计算的车辆检测方法 |
CN109658386A (zh) * | 2018-11-26 | 2019-04-19 | 江苏科技大学 | 一种声纳图像管线检测系统及方法 |
CN109635730A (zh) * | 2018-12-12 | 2019-04-16 | 中船(浙江)海洋科技有限公司 | 基于异常检测与双层筛选机制的sar图像舰船检测方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN110853050B (zh) * | 2019-10-21 | 2023-05-26 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
CN110889843B (zh) * | 2019-11-29 | 2023-04-18 | 西安电子科技大学 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
CN110889843A (zh) * | 2019-11-29 | 2020-03-17 | 西安电子科技大学 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
CN111008585B (zh) * | 2019-11-29 | 2023-04-07 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
CN111123261A (zh) * | 2019-12-31 | 2020-05-08 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于背景学习的机场跑道fod检测方法和系统 |
CN111666854B (zh) * | 2020-05-29 | 2022-08-30 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
CN112784757A (zh) * | 2021-01-25 | 2021-05-11 | 哈尔滨工业大学 | 海上sar舰船目标显著性检测与识别方法 |
CN112784757B (zh) * | 2021-01-25 | 2022-04-08 | 哈尔滨工业大学 | 海上sar舰船目标显著性检测与识别方法 |
CN113203991B (zh) * | 2021-04-29 | 2022-05-31 | 电子科技大学 | 一种多基sar在多干扰机环境下的抗欺骗型干扰方法 |
CN113203992A (zh) * | 2021-04-29 | 2021-08-03 | 电子科技大学 | 一种多基sar的抗欺骗性干扰方法 |
CN113203991A (zh) * | 2021-04-29 | 2021-08-03 | 电子科技大学 | 一种多基sar在多干扰机环境下的抗欺骗型干扰方法 |
CN114742979A (zh) * | 2022-04-15 | 2022-07-12 | 推想医疗科技股份有限公司 | 基于定位贴片的位置识别方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105354541B (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354541A (zh) | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN106384344B (zh) | 一种光学遥感图像海面舰船目标检测与提取方法 | |
CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
Williams | Fast unsupervised seafloor characterization in sonar imagery using lacunarity | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
Yang et al. | A novel false alarm suppression method for CNN-based SAR ship detector | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN106772379B (zh) | 基于傅里叶变换的双参数cfar舰船检测方法 | |
CN106952274A (zh) | 基于立体视觉的行人检测与测距方法 | |
CN104166838B (zh) | 基于多层cfar的分层高分辨sar图像舰船检测方法 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN107784655A (zh) | 一种自适应阈值的视觉注意模型sar舰船检测算法 | |
Yaohua et al. | A SAR oil spill image recognition method based on densenet convolutional neural network | |
CN106803078A (zh) | 一种sar图像舰船目标分割方法 | |
CN106842143A (zh) | 基于滤波的雷达目标快速cfar检测方法 | |
CN102750675A (zh) | 一种斑点噪声污染图像的非局部均值滤波方法 | |
CN105551029B (zh) | 一种多光谱遥感图像舰船检测方法 | |
CN107369163A (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 | |
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 | |
CN103854285A (zh) | 基于随机投影和改进谱聚类的sar图像地物分割方法 |
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 |