CN105528585A - 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 - Google Patents
基于舰船尾迹和海底地形内波模型的水下航行器检测方法 Download PDFInfo
- Publication number
- CN105528585A CN105528585A CN201510996560.1A CN201510996560A CN105528585A CN 105528585 A CN105528585 A CN 105528585A CN 201510996560 A CN201510996560 A CN 201510996560A CN 105528585 A CN105528585 A CN 105528585A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- background
- ship
- wave
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于舰船尾迹和海底地形内波模型的水下航行器检测方法,属于遥感技术、海洋科学和自然地理的交叉领域,意在利用海面舰船运动引起的尾迹内波模型和海底地形引起的内波模型,以这些模型作为约束,提出了检测、识别、定位水下航行器内波信号的新方法。水面舰船引起的尾迹和内波可通过舰船的检测识别加以区分,水面舰船可通过可见光图像、红外图像检测定位,海底地形引起的内波模式是相对固定的、可预测的,水下航行器引起的内波是叠加在水面内波信号和地形引起的内波信号的微弱信号,通过检测表面舰船和构建海底地形内波,利用模型滤除干扰内波,突出水下航行器的内波,进而检测定位水下航行器。
Description
技术领域
本发明属于遥感技术、海洋科学和自然地理的交叉领域,更具体地,涉及一种基于舰船尾迹和海底地形内波模型的水下航行器检测方法。
背景技术
水下航行器和水下鱼群对人类的贡献是非常巨大的水下航行器的探测和水下鱼群的预测定位一直受到众多国家的重视。在各种探测手段中,遥感探测技术具有独特的优越性,可以对固定海域实施大范围,周期性地监测,一直受到发达国家海军的高度重视。
在舰船尾迹的SAR遥感成像仿真方面,国外公开的文献资料很少,尤其是有关潜艇内波的遥感探测。对于水下航行器的探测,现有的探测并没有利用海底背景内波模型为指导,对背景进行滤波处理探测水下航行器的方法。国内外未有利用海面舰船尾迹和海底背景内波模型约束的水下航行器探测方法的相关报道,本发明以海面舰艇尾迹的检测和海底背景内波模型为约束,对真实SAR图像进行背景滤波处理,检测得到水下航行器的位置。
发明内容
本发明提出了一种基于运动中舰船尾迹的检测和海底地形内波模型的构建作为背景约束,水下航行器会对海洋的内波产生扰动,将产生的信号叠加在水面内波信号和地形引起的内波信号的微弱信号,利用舰船尾迹的检测和海底地形内波的固有模式对水下航行器产生的微弱信号进行检测、定位、识别,利用模式滤除干扰。解决了现有的只利用获取到的SAR图像进行检测,而没有利用运动中的舰艇和海洋背景内波模型的约束检测定位的问题,海面运动中的舰船前行时会产生尾迹,同时海底地形和海洋密度分层在扰动的作用下也会产生海洋自身的内波,因此可以根据舰船的检测和海底地形与海洋分层密度建立海底背景内波模型,对真实SAR图像进行背景滤波处理,准确的检测定位水下航行器的位置。
本发明提供一种基于运动中舰船尾迹和海底背景内波模型约束的水下航行器检测方法。具体步骤如下:
(1)海面舰船动目标尾迹的检测,包括以下子步骤:
首先对可见光图像的海面舰船动目标进行检测,确定舰船所在的位置和行进方向,由此可以推断得到海面舰船移动所产生的尾迹,为SAR检测水下航行器的位置提供约束。
(1.1)对SAR图像对应区域的可见光图像进行降采样操作与高斯滤波平滑处理,使用一个m*m的高斯低通滤波器用于平滑降采样后数据,从而得到降采样滤波后的图像f(x,y)。
(1.2)对降采样滤波后的图像进行f(x,y)视觉非线性曲面阈值分割二值化
设降采样滤波后的图像f(x,y)中包含目标和背景,门限t将各象素{f(x,y)}分为暗区C1和亮区C2两类,则类内方差和类间方差是t的函数:
式中,aj为类Cj的出现概率,μj、为类Cj的均值和方差,μ0、为图像均值和方差。将门限t从0逐渐取到255,选择使类间方差最大或等价地使类内方差最小门限作为最佳分割阈值。
令Δμ=|μ1-μ2|,则有,不失一般性,设可能的目标为C1,背景为C2,则Δμ可看作具有平均亮度μ1的目标C1与具有平均亮度μ2的背景C2的绝对亮度差。作为阈值对图像f(x,y)进行二值化处理,生成图像g(x,y)。
(1.3)对上述二值化阈值图像g(x,y)进行标记处理,利用区域生长的思想,可以快速标记一幅图像的连通区域,算法如下:
(1.3.1)输入待标记图像g(x,y),初始化一个与输入图像同样尺寸的标记矩阵label(x,y),一个队列queue以及标记计数labelIndex;
(1.3.2)按从左至右、从上至下的顺序扫描g(x,y),当扫描到一个未被标记的前景像素p时,labelIndex加1,并在label(x,y)中标记p,同时,扫描p的八邻域点,若存在未被标记的前景像素,则在g(x,y)中进行标记,并放入queue中,作为区域生长的种子;
(1.3.3)当queue不为空时,从queue中取出一个生长种子点p1,扫描p1的八邻域点,若存在未被标记过的前景像素,则在g(x,y)中进行标记,并放入queue中;
(1.3.4)重复(1.3.3)直至queue为空,一个连通区标记完成;
(1.3.5)转到(1.3.2),直至整幅图像被扫描完毕,得到标记矩阵label(x,y)和连通区的个数labelIndex。
(1.4)根据舰船的特点进行特征选择和分类识别,提高舰船位置的识别率,准确定位舰船的尾迹位置。
(1.4.1)本发明从舰船目标的几何特征参数去分析研究,提取舰船面积、高度、宽度、长宽比、矩形度、边界扭曲度,左右对称度等特征组合判断是否为感兴趣的舰船目标。
(1.4.2)对(1.4.1)所用方法检测出的感兴趣区域提取目标特征向量,与真实目标的先验信息进行比较判别,通过离线设计多级线性分类器,利用目标的几何形状等明显的特征进行分类,剔除其中的云、海浪等导致的虚警,消除明显的虚假感兴趣区域,从而提高舰船目标位置的检测率。
(2)海底地形内波模型的建立,包括以下子步骤:
基于连续分层海洋结构,建立内波传播方程。首先列出流体力学基本方程组,通过拉格朗日方程得到流函数的特征方程,逐步推导得到关于振幅的传播方程。建立三层海洋模型的非线性方程,对内波传播过程中的波形演变情况进行模拟,模拟过程中通过计算内波有关参数,可以反过来验证方程准确性。
(3)SAR图像的海底内波背景滤波水下航行器检测
利用检测到的舰船尾迹和模拟计算得到的海底内波背景模型,可以作为真实SAR图像的海洋内波背景,一般认为水下航行器在海洋中的内波SAR模型,符合以下数学模型,某时刻t0目标位置(x0,y0,z0)的SAR为BT(x,y,z,t)
BT(x,y,z,t)
=S(x,y,z,t)+B(x,y,z,t)
+T(x,y,z,t)+δ(x,y,z,t)
该时刻含有目标的SAR图像BT(x,y,z,t),由海面舰船尾迹S(x,y,z,t),海底背景内波模型B(x,y,z,t),被海洋畸变了的目标辐射场T(x,y,z,t),外界的干扰场δ(x,y,z,t)共同产生。
目标背景体辐射场的影响由S(x,y,z,t)、B(x,y,z,t)和T(x,y,z,t)产生,有如下公式:
T(x,y,z,t)=BT(x,y,z,t)-B(x,y,z,t)-S(x,y,z,t)
其中T(x,y,z,t)为水下航行器产生的内波场,BT(x,y,z,t)为水面舰艇尾迹内波、海底地形背景固定内波和水下航行器内波场的复合,B(x,y,z,t)为海底地形背景固定内波场,S(x,y,z,t)为海面舰艇尾迹内波场。最后得到水下航行器产生的内波场T(x,y,z,t)。
附图说明
图1为本发明基于舰船尾迹和海底地形内波模型的水下航行器检测方法流程示意图;
图2为本发明实施例中SAR图像示意图;
图3(a)为本发明实施例中舰船目标及其尾迹示意图;
图3(b)为本发明实施例中视觉非线性阈值分割示意图;
图3(c)为本发明实施例中舰船边缘检测示意图;
图3(d)为本发明实施例中边缘图像和阈值分割图像融合结果示意图;
图4(a)为本发明实施例中舰船目标高度特征示意图;
图4(b)为本发明实施例中舰船目标宽度特征示意图;
图4(c)为本发明实施例中舰船目标最小外界矩形示意图;
图4(d)为本发明实施例中目标区域横向对称度示意图;
图4(e)为本发明实施例中目标区域边界扭曲度提取示意图;
图5为本发明实施例中舰船尾迹检测结果示意图;
图6(a)为本发明实施例中真实海洋的SAR图像;
图6(b)为本发明实施例中根据地形仿真的海洋SAR图像;
图7为本发明实施例中水下航行器内波尾迹示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的流程如图1所示,其中具体的实施方法包括以下步骤。本发明包括包括海面舰船动目标尾迹的检测、海底地形内波模型的建立、SAR图像的海底内波背景滤波水下航行器检测步骤;
(1)海面舰船动目标尾迹的检测,包括以下子步骤:
首先对海面舰船动目标进行检测,确定舰船所在的位置和行进方向速度,由此可以推断得到海面舰船移动所产生的尾迹,为SAR检测水下航行器的位置提供约束。
(1.1)对SAR图像对应区域的可见光图像进行降采样操作与高斯滤波平滑处理,使用一个m*m的高斯低通滤波器用于平滑降采样后数据,从而得到降采样滤波后的图像f(x,y)。本实例中,m为3。
(1.2)视觉非线性曲面阈值分割二值化方法
设降采样滤波后的图像f(x,y)中包含目标和背景,门限t将各象素{f(x,y)}分为暗区C1和亮区C2两类,则类内方差和类间方差是t的函数:
式中,aj为类Cj的出现概率,μj、为类Cj的均值和方差,μ0、为图像均值和方差。将门限t从0逐渐取到255,选择使类间方差最大或等价地使类内方差最小门限作为最佳分割阈值。
令Δμ=|μ1-μ2|,则有,不失一般性,设可能的目标为C1,背景为C2,则Δμ可看作具有平均亮度μ1的目标C1与具有平均亮度μ2的背景C2的绝对亮度差。作为阈值对图像f(x,y)进行二值化处理,生成图像g(x,y),本实例中,为128。
(1.3)对上述二值化阈值图像g(x,y)进行标记处理,利用区域生长的思想,可以快速标记一幅图像的连通区域,对算法如下:
(1.3.1)输入待标记图像g(x,y),初始化一个与输入图像同样尺寸的标记矩阵label(x,y),一个队列queue以及标记计数labelIndex;
(1.3.2)按从左至右、从上至下的顺序扫描g(x,y),当扫描到一个未被标记的前景像素p时,labelIndex加1,并在label(x,y)中标记p,同时,扫描p的八邻域点,若存在未被标记的前景像素,则在g(x,y)中进行标记,并放入queue中,作为区域生长的种子;
(1.3.3)当queue不为空时,从queue中取出一个生长种子点p1,扫描p1的八邻域点,若存在未被标记过的前景像素,则在g(x,y)中进行标记,并放入queue中;
(1.3.4)重复(1.3.3)直至queue为空,一个连通区标记完成;
(1.3.5)转到(1.3.2),直至整幅图像被扫描完毕,得到标记矩阵label(x,y)和连通区的个数labelIndex。
(1.4)根据舰船的特点进行特征选择和分类识别,提高舰船位置的识别率,准确定位舰船的尾迹位置。
(1.4.1)本发明从舰船目标的几何特征参数去分析研究,提取舰船面积、高度、宽度、长宽比、矩形度、边界扭曲度、左右对称度等特征组合判断是否为感兴趣的舰船目标。本实例中,舰船面积、高度、宽度、长宽比、矩形度、边界扭曲度分别为201、18.1、45.1、0.4、0.25、4.12、0.79。
(1.4.2)对(1.4.1)所用方法检测出的感兴趣区域提取目标特征向量,与真实目标的先验信息进行比较判别,通过离线设计多级线性分类器,利用目标的几何形状等明显的特征进行分类,剔除其中的云、海浪等导致的虚警,消除明显的虚假感兴趣区域,从而提高舰船目标位置的检测率。
(2)海底地形内波模型的建立,包括以下子步骤:
基于连续分层海洋结构,建立内波传播方程。首先列出流体力学基本方程组,通过拉格朗日方程得到流函数的特征方程,逐步推导得到关于振幅的传播方程。建立三层海洋模型的非线性程,对内波传播过程中的波形演变情况进行模拟,模拟过程中通过计算内波有关参数,可以反过来验证方程准确性。
(3)SAR图像的海底内波背景滤波水下航行器检测步骤
利用检测到的舰船尾迹和模拟计算得到的海底内波背景模型,可以作为真实SAR图像的海洋内波背景,一般认为水下航行器在海洋中的内波SAR模型,符合以下数学模型,某时刻t0目标位置(x0,y0,z0)的SAR为BT(x,y,z,t)
BT(x,y,z,t)
=S(x,y,z,t)+B(x,y,z,t)
+T(x,y,z,t)+δ(x,y,z,t)
该时刻含有目标的SAR图像BT(x,y,z,t),由海面舰船尾迹S(x,y,z,t),海底背景内波模型B(x,y,z,t),被海洋畸变了的目标辐射场T(x,y,z,t),外界的干扰场δ(x,y,z,t)共同产生。
目标背景体辐射场的影响由S(x,y,z,t)、B(x,y,z,t)和T(x,y,z,t)产生,有如下公式:
T(x,y,z,t)=BT(x,y,z,t)-B(x,y,z,t)-S(x,y,z,t)
其中T(x,y,z,t)为水下航行器产生的内波场,BT(x,y,z,t)为水面舰艇尾迹内波、海底地形背景固定内波和水下航行器内波场的复合,B(x,y,z,t)为海底地形背景固定内波场,S(x,y,z,t)为海面舰艇尾迹内波场。最后得到水下航行器产生的内波场T(x,y,z,t)。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于舰船尾迹和海底地形内波模型的水下航行器检测方法,其特征在于,包括以下步骤:
(1)海面舰船动目标尾迹的检测:对可见光图像的海面舰船动目标进行检测,确定舰船所在的位置和行进方向,由此可以推断得到海面舰船移动所产生的尾迹;
(2)海底地形内波模型的建立:基于连续分层海洋结构,建立内波传播方程,首先列出流体力学基本方程组,通过拉格朗日方程得到流函数的特征方程,逐步推导得到关于振幅的传播方程,建立三层海洋模型的非线性方程,对内波传播过程中的波形演变情况进行模拟;
(3)SAR图像的海底内波背景滤波水下航行器检测:利用检测到的舰船尾迹和模拟计算得到的海底内波背景模型,作为真实SAR图像的海洋内波背景,利用这些模型作为约束,检测、识别、定位水下航行器的位置。。
2.如权利要求1所述的方法,其特征在于,所述步骤(1)具体包括如下子步骤:
(1.1)对SAR图像对应区域的可见光图像进行降采样操作与高斯滤波平滑处理,使用一个m*m的高斯低通滤波器用于平滑降采样后数据,从而得到降采样滤波后的图像f(x,y);
(1.2)对降采样滤波后的图像进行f(x,y)视觉非线性曲面阈值分割二值化;
(1.3)对上述二值化阈值图像g(x,y)进行标记处理,利用区域生长的方法,标记一幅图像的连通区域;
(1.4)根据舰船的特点进行特征选择和分类识别,提高舰船位置的识别率,准确定位舰船的尾迹位置。
3.如权利要求2所述的方法,其特征在于,所述步骤(1.2)具体为:
设降采样滤波后的图像f(x,y)中包含目标和背景,门限t将各象素{f(x,y)}分为暗区C1和亮区C2两类,则类内方差和类间方差是t的函数:
式中,aj为类Cj的出现概率,μj、为类Cj的均值和方差,μ0、为图像均值和方差,选择使类间方差最大或等价地使类内方差最小门限作为最佳分割阈值;
令Δμ=|μ1-μ2|,,设可能的目标为C1,背景为C2,则Δμ可看作具有平均亮度μ1的目标C1与具有平均亮度μ2的背景C2的绝对亮度差,作为阈值对图像f(x,y)进行二值化处理,生成图像g(x,y)。
4.如权利要求2所述的方法,其特征在于,所述步骤(1.3)具体包括如下子步骤:
(1.3.1)输入待标记图像g(x,y),初始化一个与输入图像同样尺寸的标记矩阵label(x,y),一个队列queue以及标记计数labelIndex;
(1.3.2)按从左至右、从上至下的顺序扫描g(x,y),当扫描到一个未被标记的前景像素p时,labelIndex加1,并在label(x,y)中标记p,同时扫描p的八邻域点,若存在未被标记的前景像素,则在g(x,y)中进行标记,并放入queue中,作为区域生长的种子;
(1.3.3)当queue不为空时,从queue中取出一个生长种子点p1,扫描p1的八邻域点,若存在未被标记过的前景像素,则在g(x,y)中进行标记,并放入queue中;
(1.3.4)重复(1.3.3)直至queue为空,一个连通区标记完成;
(1.3.5)转到(1.3.2),直至整幅图像被扫描完毕,得到标记矩阵label(x,y)和连通区的个数labelIndex。
5.如权利要求2所述的方法,其特征在于,所述步骤(1.4)具体包括如下子步骤:
(1.4.1)从舰船目标的几何特征参数去分析研究,提取舰船面积、高度、宽度、长宽比、矩形度、边界扭曲度、左右对称度特征组合判断是否为感兴趣的舰船目标;
(1.4.2)对(1.4.1)所用方法检测出的感兴趣区域提取目标特征向量,与真实目标的先验信息进行比较判别,离线设计多级线性分类器,利用目标的几何形状等明显的特征进行分类,剔除其中的云、海浪等导致的虚警,消除明显的虚假感兴趣区域。
6.如权利要求2所述的方法,其特征在于,所述步骤(3)具体包括:
该时刻含有目标的SAR图像BT(x,y,z,t),由海面舰船尾迹S(x,y,z,t),海底背景内波模型B(x,y,z,t),被海洋畸变了的目标辐射场T(x,y,z,t),外界的干扰场δ(x,y,z,t)共同产生;
目标背景体辐射场的影响由S(x,y,z,t)、B(x,y,z,t)和T(x,y,z,t)产生,有如下公式:
T(x,y,z,t)=BT(x,y,z,t)-B(x,y,z,t)-S(x,y,z,t)
其中T(x,y,z,t)为水下航行器产生的内波场,BT(x,y,z,t)为水面舰艇尾迹内波、海底地形背景固定内波和水下航行器内波场的复合,B(x,y,z,t)为海底地形背景固定内波场,S(x,y,z,t)为海面舰艇尾迹内波场,最后得到水下航行器产生的内波场T(x,y,z,t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510996560.1A CN105528585B (zh) | 2015-12-24 | 2015-12-24 | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510996560.1A CN105528585B (zh) | 2015-12-24 | 2015-12-24 | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528585A true CN105528585A (zh) | 2016-04-27 |
CN105528585B CN105528585B (zh) | 2017-05-17 |
Family
ID=55770799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510996560.1A Active CN105528585B (zh) | 2015-12-24 | 2015-12-24 | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528585B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842030A (zh) * | 2017-04-18 | 2017-06-13 | 西北工业大学 | 一种便携式自主水下航行器推进电机故障监测预警装置 |
CN108051789A (zh) * | 2017-12-06 | 2018-05-18 | 上海无线电设备研究所 | 一种海背景下动目标sar成像模拟测试系统与方法 |
CN108305257A (zh) * | 2017-12-27 | 2018-07-20 | 华中科技大学 | 一种背景热辐射约束下的海底隧道遥感探测定位方法 |
CN110147716A (zh) * | 2019-04-02 | 2019-08-20 | 北京理工雷科电子信息技术有限公司 | 一种基于频域与空域相结合的sar图像内波区域检测方法 |
CN112849349A (zh) * | 2021-01-18 | 2021-05-28 | 清华大学深圳国际研究生院 | 一种在线内波预警系统及方法 |
CN113077514A (zh) * | 2021-06-03 | 2021-07-06 | 浙江大学 | 一种sar图像船只弱尾迹增强与检测方法 |
CN116227207A (zh) * | 2023-03-09 | 2023-06-06 | 中国人民解放军海军潜艇学院 | 一种用于水下运动目标尾迹的可见光图像仿真方法及系统 |
WO2023102959A1 (zh) * | 2021-12-06 | 2023-06-15 | 中国人民解放军国防科技大学 | 一种实验室内波智能测量系统 |
CN116796553B (zh) * | 2023-06-30 | 2024-03-19 | 哈尔滨工程大学 | 一种全场景多参数的海面与舰艇尾迹仿真方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292792A (zh) * | 2013-04-26 | 2013-09-11 | 国家海洋局第二海洋研究所 | 一种适用海底探测与假地形处理的实测svp重构方法 |
-
2015
- 2015-12-24 CN CN201510996560.1A patent/CN105528585B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292792A (zh) * | 2013-04-26 | 2013-09-11 | 国家海洋局第二海洋研究所 | 一种适用海底探测与假地形处理的实测svp重构方法 |
Non-Patent Citations (3)
Title |
---|
吕海滨等: "基于Radon变换获取东沙群岛附近三个内孤立波的传播速度", 《海洋通报》 * |
吕海滨等: "背景流和混合层深度对内波表面信号的影响", 《海洋科学》 * |
申辉: "海洋内波的遥感与数值模拟研究", 《中国博士学位论文全文库,中国科学院研究生院(海洋研究所)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842030A (zh) * | 2017-04-18 | 2017-06-13 | 西北工业大学 | 一种便携式自主水下航行器推进电机故障监测预警装置 |
CN108051789B (zh) * | 2017-12-06 | 2021-08-31 | 上海无线电设备研究所 | 一种海背景下动目标sar成像模拟测试系统与方法 |
CN108051789A (zh) * | 2017-12-06 | 2018-05-18 | 上海无线电设备研究所 | 一种海背景下动目标sar成像模拟测试系统与方法 |
CN108305257A (zh) * | 2017-12-27 | 2018-07-20 | 华中科技大学 | 一种背景热辐射约束下的海底隧道遥感探测定位方法 |
CN108305257B (zh) * | 2017-12-27 | 2020-08-04 | 华中科技大学 | 一种背景热辐射约束下的海底隧道遥感探测定位方法 |
CN110147716A (zh) * | 2019-04-02 | 2019-08-20 | 北京理工雷科电子信息技术有限公司 | 一种基于频域与空域相结合的sar图像内波区域检测方法 |
CN110147716B (zh) * | 2019-04-02 | 2021-02-19 | 北京理工雷科电子信息技术有限公司 | 一种基于频域与空域相结合的sar图像内波区域检测方法 |
CN112849349A (zh) * | 2021-01-18 | 2021-05-28 | 清华大学深圳国际研究生院 | 一种在线内波预警系统及方法 |
CN112849349B (zh) * | 2021-01-18 | 2022-02-01 | 清华大学深圳国际研究生院 | 一种在线内波预警系统及方法 |
CN113077514A (zh) * | 2021-06-03 | 2021-07-06 | 浙江大学 | 一种sar图像船只弱尾迹增强与检测方法 |
CN113077514B (zh) * | 2021-06-03 | 2021-08-24 | 浙江大学 | 一种sar图像船只弱尾迹增强与检测方法 |
WO2023102959A1 (zh) * | 2021-12-06 | 2023-06-15 | 中国人民解放军国防科技大学 | 一种实验室内波智能测量系统 |
CN116227207A (zh) * | 2023-03-09 | 2023-06-06 | 中国人民解放军海军潜艇学院 | 一种用于水下运动目标尾迹的可见光图像仿真方法及系统 |
CN116796553B (zh) * | 2023-06-30 | 2024-03-19 | 哈尔滨工程大学 | 一种全场景多参数的海面与舰艇尾迹仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105528585B (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528585B (zh) | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 | |
CN102013015B (zh) | 一种面向对象的遥感影像海岸线提取方法 | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN105654091B (zh) | 海面目标检测方法及装置 | |
Mason et al. | Extraction of tidal channel networks from airborne scanning laser altimetry | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN110378308A (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN105022990A (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
CN103514448A (zh) | 船形识别方法和系统 | |
CN104392228A (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN105389826A (zh) | 珊瑚岛礁岸线高分sar遥感提取方法 | |
CN103679694B (zh) | 一种基于全景视觉的舰船小目标检测方法 | |
CN104463877A (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN106443593B (zh) | 基于相参雷达慢扫增强的自适应溢油信息提取方法 | |
CN108573280B (zh) | 一种无人船自主通过桥梁的方法 | |
CN110120050A (zh) | 基于素描信息和超像素分割的光学遥感图像海陆分割方法 | |
Rohith et al. | Extracting quantitative information on coastal ice dynamics and ice hazard events from marine radar digital imagery | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN107194355A (zh) | 一种利用方向导数构造熵对比度的红外弱小目标检测方法 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Xu-kai et al. | Automated detection of coastline using Landsat TM based on water index and edge detection methods |
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 |