CN105654091B - 海面目标检测方法及装置 - Google Patents
海面目标检测方法及装置 Download PDFInfo
- Publication number
- CN105654091B CN105654091B CN201410708317.0A CN201410708317A CN105654091B CN 105654091 B CN105654091 B CN 105654091B CN 201410708317 A CN201410708317 A CN 201410708317A CN 105654091 B CN105654091 B CN 105654091B
- Authority
- CN
- China
- Prior art keywords
- sea
- image
- target
- candidate target
- subgraph
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种海面目标检测方法及装置,所述方法包括:获取海面图像并将其分块;利用基于可扩展区域能量模型RSF的水平集演化方法对每个子图像进行边缘分割;拼接分割后的子图像;根据拼接后的图像获取候选目标;筛选满足预设形状特征参数阈值要求的候选目标。通过上述方法能够准确高效地提取海面目标。
Description
技术领域
本发明实施例涉及数字图像处理技术,尤其涉及一种海面目标检测方法及装置。
背景技术
随着遥感图像数据获取能力的不断增强及其分辨率的提高,利用及发展遥感图像解译技术已迫在眉睫。其中,利用遥感数据进行海面目标检测在民用和军事领域都有着巨大的现实意义,尤其在舰船寻找与救助、捕鱼船监视、非法移民、保卫领土、反毒品、舰船非法倾倒油污的监视与管理等方面有着广泛的应用。
由于可见光图像在展现目标的形状、结构、纹理、色彩等细节方面具有明显优势,能够更好地检测、分类、识别目标,利用卫星可见光图像来监视、检测、识别目标,特别是海上舰船目标越来越引起人们的关注。利用遥感图像进行舰船目标检测主要包括对舰船本身和舰船尾迹的检测。一般认为,衡量舰船检测方法的好坏有以下几个方面:提取舰船的准确性;检测结果连通性,是否能够指导实际应用以及计算的复杂度。
海面舰船检测的方法主要包括以下几个步骤:预处理、海陆分割、候选舰船目标检测和舰船目标确认。其中候选舰船目标检测是获得舰船信息的关键步骤。目前候选舰船目标的检测方法主要有以下几类。一是基于灰度统计特征的方法,该方法主要是利用水体与舰船目标的灰度统计差异性特征进行图像分割,从而获取舰船目标候选区域。这些灰度差异性特征包括灰度、图像信息熵、形态学对比度、局部统计方差、类高阶梯度等。但对于图像中出现大海浪、云层遮挡或水体灰度较亮,以及噪声、阴影等干扰因素,加上舰船目标的黑白极性,同一舰船目标不同部位的灰度特征也不一致的情况,在这类图像中采用基于灰度统计特征阈值分割的方法,则易产生较多的漏警和虚警。二是基于边缘信息的方法,该方法主要利用舰船船缘在高分辨率光学卫星遥感图像中边缘特征较为明显的特点,依据目标边缘信息,并结合形状分析,获取舰船目标候选区域或舰船疑似目标。典型的方法有通过对由原始灰度和边缘强度图像线性组合而成的图像,进行OTSU自适应阈值分割,并结合简单的形状特征(包括面积、长、宽、区域外接矩形的长宽比),获得舰船目标候选区域。但当海况复杂,大海浪及海浪亮块产生的边缘会带来很多干扰,严重时甚至会将舰船目标淹没,导致无法正确检测。三是基于分形模型和模糊理论的方法,由于海浪、云层等自然背景具有分形特征,而舰船等人造目标不具有分形特征,利用目标与背景之间分形特征的差异成为有效解决海空背景图像中舰船目标自动检测的可能途径之一。典型的研究有利用纹理分形维和缝隙特征进行海面舰船目标检测的方法,还有采用多尺度分形理论检测舰船目标的方法。但当背景比较复杂,如可见光图像受到云雾等干扰时,背景自相似性降低,用分形模型拟合误差较大,分割时易出现误分割,此时,算法检测效率比较低。四是基于视觉感知机理的方法,这类方法主要是将人类视觉系统可快速聚焦于感兴趣区域的特性引入到舰船目标候选区域的提取中。一些方法基于选择性注意机制,依据灰度及面积显著特征的引导,快速圈定可能存在舰船的疑似区域,形成可疑目标ROI切片。另外一些方法采用视觉显著度模型,通过纹理、亮度和方向等多特征视差计算来对疑似的目标进行筛选。还有的方法基于人眼多级视觉感知和视觉非对称机制,首先利用一种改进的计算频谱残差的方法得到视觉显著图;其次利用Tophat形态学滤波去除视觉上不属于舰船目标的区域,并计算兴趣关注点;最后利用一种方向自适应的Gabor滤波算法对兴趣关注点周围进行聚焦、联想分析,从复杂海况背景下检测舰船目标。但是受光照、天气、海况、舰船目标自身特性、成像传感器参数、舰船运动参数等多种因素的影响,不同成像条件下图像复杂多变,显著特征的自适应分析与提取以及显著图的有效获取是该类方法需要解决的难点问题。
综上所述,现有的检测方法仍不能满足高效、精确地提取海面目标的要求。
发明内容
本发明提供一种海面目标检测方法及装置,以实现准确高效地提取海面目标。
第一方面,本发明实施例提供了一种海面目标检测方法,包括:
获取海面图像并将其分块;
利用基于可扩展区域能量模型RSF的水平集演化方法对每个子图像进行边缘分割;
拼接分割后的子图像;
根据拼接后的图像获取候选目标;
筛选满足预设形状特征参数阈值要求的候选目标。
第二方面,本发明实施例还提供了一种海面目标检测装置,包括:
图像划分模块,用于获取海面图像并将其分块;
图像分割模块,用于利用基于RSF的水平集演化方法对每个子图像进行边缘分割;
图像拼接模块,用于拼接分割后的子图像;
候选目标获取模块,用于根据拼接后的图像获取候选目标;
筛选模块,用于筛选满足预设形状特征参数阈值要求的候选目标。
本发明与现有技术相比的有益效果在于:
本发明使用基于RSF模型的水平集(levelset)演化方法检测海面区域中候选的目标如舰船,与传统边缘检测方法相比较而言,本发明所述方法能够更精确的提取图像中目标的轮廓,并且保证检测结果连通性,从而有助于提高目标形状特征参数计算的准确性,进而提高目标检测的正确率。
附图说明
图1是本发明实施例一所述的海面目标检测方法流程图;
图2是本发明实施例二所述的海面目标检测装置结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的海面目标检测方法的流程图,具体包括如下步骤:
步骤110、获取海面图像并将其分块。
通常以遥感方式拍摄得到原始图像,该图像中除海面部分外一般还会包含陆地部分。为了降低后续处理的难度,先对原始图像进行海陆分割处理,从中提取海面区域的图像。具体可以采用以下方式进行海陆分割,需要指出的是,此处及本说明书后面内容中给出的具体处理方法仅仅是示意性的,而并非对本发明的限制。
1)输入原始图像,逐行记录像素灰度值;
2)对图像的有效行的灰度值做前后差分,若有连续i个元素(这里i优选为图像每行像素数的五分之一)的值小于区域填充算法的灰度阈值,则认为出现连续的平坦区域,即为海面区域,取该连续像素的中点作为种子点;
4)基于扫描图像得到的海面种子点进行区域增长,并对区域增长后的结果进行二值化,海面区域为前景,陆地区域为背景;最后通过闭运算填充海面的孤立点,得到海面区域图像。
5)在得到海面图像后,需要按照一定大小对海面图像进行分块,形成m个子图;图像块大小通常取512*512或256*256(单位为像素)。
步骤120、利用基于RSF的水平集演化方法对每个子图像进行边缘分割。
1)抽取m个子图的原始图像数据,并对每个子图初始化边缘模板图像;
其中,初始化边缘模板图像即选定一个闭合的初始轮廓,一般选择略小于图像边框的矩形即可。
2)运行基于可扩展区域能量模型的水平集边缘演化,直至多次迭代后收敛,获得每个子图的边缘分割结果。
水平集演化(Levelset)方法的基本思想是将二维(或三维)的闭合曲线的演化问题转化为高维空间中水平集函数曲面演化的隐含方程式来求解。在一个平面内有一条闭合曲线r,定义一距离函数φ(x,y),表示平面内的点到曲线r的最短距离,同时规定,在曲线内部的距离函数值为负,即有下式:
我们称φ(x,y)这一距离函数为水平集函数,如图2所示。闭合曲线r为函数φ(x,y)的零水平集。而图像分割中求取目标分割边缘即是通过水平集函数演化来完成的。假设有一随时间变化的曲线,定义为
{(x,y)|φ(x,y,t)=0}
这里x,y均为时间的函数。两边对t求导得
定义进一步得到levelset方程
其中,速度函数F主要依赖于特定的物理变量。如:时间、位置、曲率、图像的灰度等。通过速度函数F的作用不断演化水平集函数,最后的零水平集函数所形成的轮廓就是曲线演化的最终形式,也就是最终的目标轮廓。
扩展区域能量模型(RSF),它在一个可控制的度量内估计轮廓曲线两侧的灰度。RSF模型考虑的区域的大小取决于给定核函数的控制参数,控制参数可以决定考虑的区域是小至一个邻域还是大至整个图像空间。然后采用RSF能量的水平集形式,此能量模型就被嵌入到一个带有正则项的变分水平集方程中。在最终的曲线演化过程中,轮廓两侧的特定大小区域的灰度信息被用来计算RSF模型中两个变量对应的两个拟合方程,通过极小化RSF模型指导轮廓曲线向目标边界处运动。此能量模型可以较好的克服灰度的不均匀性。
步骤130、拼接分割后的子图像。
将步骤120中得到的每个子图边的缘分割结果进行拼接合并,获得完整的边缘分割图像。
步骤140、根据拼接后的图像获取候选目标。
1)对所述拼接后图像进行二值化处理,得到二值化图像;
其中,闭合边缘内的候选目标为前景,边缘外的海面为背景。
2)对所述二值化图像进行连通域处理,获得孤立联通的对象作为候选目标。
使用二值图像处理中的连通域标记算法将每个孤立的连通域标记为不同的候选目标对象。
步骤150、筛选满足预设形状特征参数阈值要求的候选目标。
1)计算每个候选目标的形状特征参数;
所述形状特征参数包括以下各项中的一种或多种:面积,宽度,长宽比例,紧致度。其中,所述紧致度按照下述方式计算:
F=||B||2/4πA,其中,B为候选目标轮廓的周长,A为候选目标的区域面积,F为紧致度。紧致度在一定程度上反映了区域的紧凑性,它没有量纲,对尺度、旋转变化不敏感。而且,它没有一个固定的取值范围,数值越大,形状一般越不紧凑规整。合理选择该参数,能够去除锯齿状的疑似目标区域。
2)根据形状特征参数找出满足所述预设阈值要求的候选目标作为最终的检测目标。具体包括:首先,计算每个候选目标的形状特征参数;然后,根据形状特征参数找出满足所述预设阈值要求的候选目标作为最终的检测目标。
其中,所述预设形状特征参数阈值按照以下方式确定:
对于所述面积、宽度、和长宽比例而言,根据实际目标的大小范围统计得出其预设阈值;
对于所述紧致度而言,根据对一定数量的目标样本进行统计得出其预设阈值。
在实际的海面目标检测应用中,最常见的海面目标是舰船目标,当然,本实施例所述方法不限于此,其他的海面目标也能够使用该方法进行相应的检测。
通过本实施例所述方法能够更精确的提取图像中目标的轮廓,并且保证检测结果连通性,从而有助于提高目标形状特征参数计算的准确性,进而提高目标检测的正确率。
实施例二
图2为本发明实施例二提供的海面目标检测装置的结构示意图,如图2所示,该检测装置包括:
图像划分模块210,用于获取海面图像并将其分块;
图像分割模块220,用于利用基于RSF的水平集演化方法对每个子图像进行边缘分割;
图像拼接模块230,用于拼接分割后的子图像;
候选目标获取模块240,用于根据拼接后的图像获取候选目标;
筛选模块250,用于筛选满足预设形状特征参数阈值要求的候选目标。
该检测装置可执行本发明实施例一所提供的方法,具有与所述方法相应的功能和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种海面目标检测方法,其特征在于,包括:
获取海面图像并将其分块;
利用基于可扩展区域能量模型RSF的水平集演化方法对每个子图像进行边缘分割;
拼接分割后的子图像;
根据拼接后的图像获取候选目标;
筛选满足预设形状特征参数阈值要求的候选目标,
其中所述获取海面图像并将其分块包括:
输入原始海面图像并逐行记录像素灰度值;
对所述灰度值做前后差分,并且当连续多个元素的值小于区域填充算法的灰度阈值时,则取该连续多个像素中的中点作为种子点;以及
基于所述种子点进行区域增长,并且对增长后的结果进行二值化,并通过闭运算填充海面的孤立点,从而得到所述海面图像并且对其进行分块,
其中所述筛选满足预设形状特征参数阈值要求的候选目标包括:
计算每个候选目标的形状特征参数;以及
根据形状特征参数找出满足所述预设阈值要求的候选目标作为最终的检测目标。
2.根据权利要求1所述的海面目标检测方法,其特征在于,所述利用基于RSF的水平集演化方法对每个子图像进行边缘分割包括:
针对每个子图像初始化边缘模板;
根据所述模板利用基于RSF的水平集演化方法获取每个子图像的边缘分割结果。
3.根据权利要求1所述的海面目标检测方法,其特征在于,所述根据拼接后的图像获取候选目标包括:
对所述拼接后图像进行二值化处理得到二值化图像;
对所述二值化图像进行连通域处理,获得孤立联通的对象作为候选目标。
4.根据权利要求1所述的海面目标检测方法,其特征在于,所述形状特征参数包括以下各项中的一种或多种:
面积,宽度,长宽比例,紧致度。
5.根据权利要求4所述的海面目标检测方法,其特征在于,所述紧致度按照下述方式计算:
F=||B||2/4πA,其中,B为候选目标轮廓的周长,A为候选目标的区域面积,F为紧致度。
6.根据权利要求4所述的海面目标检测方法,其特征在于,所述预设形状特征参数阈值按照以下方式确定:
根据实际目标的大小范围统计得出所述面积、宽度、和长宽比例的预设阈值;和/或
根据对一定数量的目标样本进行统计得出所述紧致度的预设阈值。
7.根据权利要求1所述的海面目标检测方法,其特征在于,所述海面目标为舰船目标。
8.根据权利要求1所述的海面目标检测方法,其特征在于,对输入的原始图像进行海陆分割得到所述海面图像。
9.一种海面目标检测装置,其特征在于,包括:
图像划分模块,用于获取海面图像并将其分块;
图像分割模块,用于利用基于RSF的水平集演化方法对每个子图像进行边缘分割;
图像拼接模块,用于拼接分割后的子图像;
候选目标获取模块,用于根据拼接后的图像获取候选目标;
筛选模块,用于筛选满足预设形状特征参数阈值要求的候选目标,其中所述图像划分模块具体操作用于:
输入原始海面图像并逐行记录像素灰度值;
对所述灰度值做前后差分,并且当连续多个元素的值小于区域填充算法的灰度阈值时,则取该连续多个像素中的中点作为种子点;
基于所述种子点进行区域增长,并且对增长后的结果进行二值化,并通过闭运算填充海面的孤立点,从而得到所述海面图像并且对其进行分块,
其中所述筛选模块具体操作用于:
计算每个候选目标的形状特征参数;以及
根据形状特征参数找出满足所述预设阈值要求的候选目标作为最终的检测目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410708317.0A CN105654091B (zh) | 2014-11-27 | 2014-11-27 | 海面目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410708317.0A CN105654091B (zh) | 2014-11-27 | 2014-11-27 | 海面目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654091A CN105654091A (zh) | 2016-06-08 |
CN105654091B true CN105654091B (zh) | 2019-07-19 |
Family
ID=56481046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410708317.0A Active CN105654091B (zh) | 2014-11-27 | 2014-11-27 | 海面目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654091B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408573A (zh) * | 2016-08-31 | 2017-02-15 | 诸暨微因生物科技有限公司 | 一种全切片数字病理图像处理分析方法 |
CN108256385A (zh) * | 2016-12-28 | 2018-07-06 | 南宁市浩发科技有限公司 | 基于视觉的前方车辆检测方法 |
CN106970366A (zh) * | 2017-03-08 | 2017-07-21 | 中国人民解放军海军航空工程学院 | 海杂波中目标检测方法及装置 |
CN109726616A (zh) * | 2017-10-30 | 2019-05-07 | 中电科海洋信息技术研究院有限公司 | 一种舰船检测与识别方法和装置 |
CN107992818B (zh) * | 2017-11-29 | 2020-12-25 | 长光卫星技术有限公司 | 一种光学遥感图像海面船只目标的检测方法 |
CN108229342B (zh) * | 2017-12-18 | 2021-10-26 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN107945190A (zh) * | 2017-12-22 | 2018-04-20 | 成都华栖云科技有限公司 | 二值图像快速连通区域计算方法 |
US11288812B2 (en) * | 2018-01-10 | 2022-03-29 | Institut De Recherche Sur Les Cancers De I | Automatic segmentation process of a 3D medical image by one or several neural networks through structured convolution according to the anatomic geometry of the 3D medical image |
CN108782312B (zh) * | 2018-03-22 | 2020-10-16 | 诸暨易阳环保科技有限公司 | 基于图像处理的污水处理系统 |
CN108509898B (zh) * | 2018-03-29 | 2021-06-08 | 中国电子科技集团公司第五十四研究所 | 一种基于图像流的近实时遥感图像在线目标检测方法 |
CN109727265B (zh) * | 2018-12-28 | 2022-03-22 | 北京行易道科技有限公司 | 目标分割方法及装置 |
CN109815871B (zh) * | 2019-01-16 | 2021-11-16 | 中国科学院空天信息创新研究院 | 基于光学遥感图像的目标舰船检测及跟踪方法 |
CN111339864B (zh) * | 2020-02-17 | 2023-11-10 | 北京百度网讯科技有限公司 | 异常行为报警方法和装置 |
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 |
CN113920283B (zh) * | 2021-12-13 | 2022-03-08 | 中国海洋大学 | 基于聚类分析和特征过滤的红外图像尾迹检测及提取方法 |
CN117173161B (zh) * | 2023-10-30 | 2024-02-23 | 杭州海康威视数字技术股份有限公司 | 内容安全检测方法、装置、设备及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167232A (zh) * | 2012-10-26 | 2013-06-19 | 苏州比特速浪电子科技有限公司 | 摄像装置、图像合成装置及图像处理方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609504B (zh) * | 2009-07-21 | 2011-04-20 | 华中科技大学 | 一种红外图像海面目标检测识别定位方法 |
CN102855622B (zh) * | 2012-07-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于显著性分析的红外遥感图像海面船只检测方法 |
CN102998001B (zh) * | 2012-12-18 | 2015-08-19 | 四川九洲电器集团有限责任公司 | 一种目标检测系统 |
CN103914066B (zh) * | 2012-12-28 | 2016-12-28 | 中国科学院沈阳自动化研究所 | 农机自动导航控制器及其控制方法 |
CN103488991B (zh) * | 2013-09-30 | 2016-08-24 | 中国农业大学 | 一种用于作物田除草机具的导航线提取方法 |
CN103676952A (zh) * | 2013-12-10 | 2014-03-26 | 北京农业智能装备技术研究中心 | 一种农机自动导航装置 |
CN104063870A (zh) * | 2014-07-04 | 2014-09-24 | 中国科学院大学 | 一种基于扫描线检测的海陆模板自动分割方法及其应用 |
-
2014
- 2014-11-27 CN CN201410708317.0A patent/CN105654091B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167232A (zh) * | 2012-10-26 | 2013-06-19 | 苏州比特速浪电子科技有限公司 | 摄像装置、图像合成装置及图像处理方法 |
Non-Patent Citations (3)
Title |
---|
"视觉注意模型及其在目标检测中的应用";范娜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130515;论文正文第3章、第4章 |
"视频图像运动目标定位研究";魏建猛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315;论文正文第3-5章 |
第九章 图像的形状分析;president2009;《百度文库https://wenku.baidu.com/view/bf43a709581b6bd97f19eaaf.html》;20100706;第5页 |
Also Published As
Publication number | Publication date |
---|---|
CN105654091A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654091B (zh) | 海面目标检测方法及装置 | |
CN103886285B (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
Zhang et al. | Ship detection for visual maritime surveillance from non-stationary platforms | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
Billa et al. | Semi-automated procedures for shoreline extraction using single RADARSAT-1 SAR image | |
CN103994724B (zh) | 基于数字图像处理技术的结构二维位移及应变监测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
Shu et al. | Shoreline extraction from RADARSAT-2 intensity imagery using a narrow band level set segmentation approach | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
Modava et al. | A level set based method for coastline detection of SAR images | |
CN109902618A (zh) | 一种海面船只识别方法和装置 | |
Osorio et al. | An algorithm for the measurement of shoreline and intertidal beach profiles using video imagery: PSDM | |
Xia et al. | A novel algorithm for ship detection based on dynamic fusion model of multi-feature and support vector machine | |
CN109636758A (zh) | 一种基于时空动态算子的水面漂浮物检测方法 | |
CN105488787A (zh) | 基于几何活动轮廓模型的遥感图像海岸线检测方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN109064479A (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
CN110348442A (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 |
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 |