CN106443593B - 基于相参雷达慢扫增强的自适应溢油信息提取方法 - Google Patents

基于相参雷达慢扫增强的自适应溢油信息提取方法 Download PDF

Info

Publication number
CN106443593B
CN106443593B CN201610822712.0A CN201610822712A CN106443593B CN 106443593 B CN106443593 B CN 106443593B CN 201610822712 A CN201610822712 A CN 201610822712A CN 106443593 B CN106443593 B CN 106443593B
Authority
CN
China
Prior art keywords
oil spilling
radar
oil
follows
sample
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
Application number
CN201610822712.0A
Other languages
English (en)
Other versions
CN106443593A (zh
Inventor
王曙曜
张建
周涛
施春荣
罗锋
林伟波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
724 Research Institute Of China Shipbuilding Corp
China Shipbuilding Pengli Nanjing Atmospheric And Ocean Information System Co ltd
Jiangsu Tideland Research Center
Original Assignee
Tidal Land Research Centre Jiangsu Province
724th Research Institute of CSIC
CSIC Pride Nanjing Atmospheric and Oceanic Information System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tidal Land Research Centre Jiangsu Province, 724th Research Institute of CSIC, CSIC Pride Nanjing Atmospheric and Oceanic Information System Co Ltd filed Critical Tidal Land Research Centre Jiangsu Province
Priority to CN201610822712.0A priority Critical patent/CN106443593B/zh
Publication of CN106443593A publication Critical patent/CN106443593A/zh
Application granted granted Critical
Publication of CN106443593B publication Critical patent/CN106443593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28Details of pulse systems
    • G01S7/285Receivers
    • G01S7/292Extracting wanted echo-signals
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88Radar or analogous systems specially adapted for specific applications
    • G01S13/89Radar or analogous systems specially adapted for specific applications for mapping or imaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了基于相参雷达慢扫增强的自适应溢油信息提取方法,包括步骤为:采用FFT相干积累技术,对雷达溢油回波图像进行慢扫增强;对雷达溢油回波图像进行坐标变换并插值;利用Gamma滤波技术对雷达溢油回波图像进行滤波;结合风速影响因子,建立溢油特征的概率统计模型;利用建立的概率统计模型识别溢油目标区域。本发明的优势在于:采用了FFT相干积累技术手段对雷达溢回波油图像进行增强,提高溢油区域和背景区域的对比度,从而提高了溢油目标区域的可识别程度;在建立溢油特征概率统计模型时加入了风速影响因子,提高了溢油目标的识别精度。

Description

基于相参雷达慢扫增强的自适应溢油信息提取方法
技术领域
本发明涉及海洋遥感领域,特别是一种基于相参雷达慢扫增强的自适应溢油信息提取方法。
背景技术
在溢油监测技术领域,雷达溢油监测技术具备实时性好、监测范围大、全天候工作的优势,在海洋科学研究中有着巨大的应用价值。
雷达溢油监测的基本原理是当海面有溢油现象存在时,会抑制海表面波张力导致海杂波信噪比偏弱,在雷达图像上形成所谓的“暗区”。中国专利CN101915910A“利用航海雷达识别海上溢油目标的方法及系统”提供了一种基于溢油图像的纹理特征,利用最小距离欧式法来提取溢油目标的方法。该发明专利的溢油信息提取技术是基于非相参雷达,无法获取溢油回波相位信息,其中相位信息包含了丰富的海面溢油信息;另外该发明专利没有涉及到海面风场对雷达溢油探测的影响;同时在利用溢油图像的特征方面,只是利用到溢油图像的纹理特征和灰度特征,这样,海洋内波、生物油膜、船舶尾迹、低风速区等都有可能在雷达图像上形成所谓的暗区,造成溢油区域的误判。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,而提供一种基于相参雷达慢扫增强的自适应溢油信息提取方法,该基于相参雷达慢扫增强的自适应溢油信息提取方法通过相干积累技术手段对雷达溢油图像进行增强,提高溢油区域和背景区域的对比度;然后,基于图像的几何特征、纹理特征和灰度特征,建立概率统计模型,建模的同时加入了风速影响因子;最后采用贝叶斯分类技术来提取溢油目标区域。因此,溢油目标区域提取准确度高,不易误判。
为解决上述技术问题,本发明采用的技术方案是:
一种基于相参雷达慢扫增强的自适应溢油信息提取方法,包括如下步骤:
步骤1,增强雷达溢油回波图像:采用FFT相干积累技术对雷达溢油回波图像进行增强。
步骤2,补全雷达溢油回波图像中的缺失像素点:将步骤1中增强后的雷达溢油回波图像,由极坐标形式转化为笛卡尔坐标形式;然后,利用三次样条插值技术,对位于笛卡尔坐标形式下的雷达溢油回波图像中的缺失像素点进行补全。
步骤3,溢油雷达回波图像滤波:对步骤2中补全后的溢油雷达回波图像进行Gamma滤波,降低噪声斑点对溢油目标区域提取的影响。
步骤4,初步提取溢油目标区域:采用阈值分割方法OSTU算法将步骤3滤波后的溢油雷达回波图像进行分割,并初步提取溢油区域;本步骤中,初步提取的溢油区域包括溢油目标区域和疑似溢油样本区域。
步骤5,对步骤4中提取的溢油目标区域和疑似溢油样本区域,分别提取对应目标图像的几何特征和纹理特征;几何特征包括复杂度和形状因子,其中,复杂度的计算公式为:
式中,COM表示复杂度,P为目标图像的周长,S为目标图像的面积;
形状因子的计算公式为:
式中,SPE表示形状因子,W为目标图像的宽度,L为目标图像的长度;
纹理特征包括角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO。
步骤6,结合风速影响因子,建立溢油样本和疑似溢油样本的概率统计模型Pfwt;概率统计模型Pfwt中的f表示样本特征,取值范围为1~6,分别代表[COM,SPE,ASM,CON,IDF,ESO];概率统计模型Pfwt中的w表示风速区间段,将风速范围分为c个区间段,则w取值为1~c;概率统计模型Pfwt中的t表示样本目标类型,包括溢油和疑似溢油,t取自然数。
步骤7:利用贝叶斯分类方法提取最终的溢油目标区域:分别计算步骤6中各样本目标类型的联合概率,计算出的联合概率最大值所对应的样本目标类型则为溢油目标区域;各样本目标类型的联合概率St的计算公式为:
式中,Pfwt为步骤5中计算的概率统计模型。
所述步骤4中,采用阈值分割方法OSTU算法将滤波后的溢油雷达回波图像进行分割的方法为:假定分割阈值为n,将图像的灰度级划分为两类,灰度值小于n像素的点为溢油区,记为A;灰度值大于n像素的点为背景区,记为B,分别计算A和B类的概率,记为wA和wB;然后,再分别计算A和B的平均灰度uA和uB;最后计算全图的平均灰度为u,则溢油区和背景区的类间方差定义为:
分割阈值n*则为:
上式表示在雷达图像灰度区间遍历n值,使得溢油区和背景区的类间方差最大。
所述步骤4中,疑似溢油样本区域包括生物油膜区域和静海杂波雷达区域,则步骤6中样本目标类型t取值为1~3,分别对应为生物油膜类型、溢油目标类型和静海杂波雷达。
所述步骤6中,风速范围分为5个区间段,风速区间段w取值为1~5;5个区间段分别为2~4m/s,4~6m/s,6~8m/s,8~10m/s,10~12m/s。
在2~4m/s的风速条件下,溢油目标类型复杂度的概率密度函数为:
式中,xCOM为样本复杂度特征值,u、σ分别为样本集合复杂度的平均值和标准差。
所述步骤5中,对应目标图像的纹理特征提取方法为:将步骤4初步提取的溢油区域分割成m×m个溢油小目标,采用灰度共生矩阵来提取各溢油小目标的纹理特征;灰度共生矩阵用图像位置关系的灰度级之间的联合条件概率密度函数P(i,j,d,θ)来表示,该联合条件概率密度函数表示起始点灰度为i,在给定像素空间距离d及方向θ上出现灰度级为j的概率。
所述步骤5中,纹理特征提取时,将联合条件概率密度函数P(i,j,d,θ)中的d设定为1,θ设定为0°;然后,对得到的灰度共生矩阵进行角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO的提取,其中:
角二阶矩ASM的计算公式为:
对比度CON的计算公式为:
倒数差分矩IDF的计算公式为:
二阶熵ESO的计算公式为:
上述M代表目标图像的灰度级数。
所述步骤2中,将雷达溢油图像从极坐标形式转化为笛卡尔坐标形式的转化公式为:
式中,x、y为笛卡尔坐标形式中的横坐标和纵坐标,r、θ为极坐标形式中的半径和极角。
所述步骤3中,对补全后的溢油雷达回波图像进行Gamma滤波时,滤波窗口大小选择为5*5~12*12mm。
本发明采用上述方法后,采用了FFT相干积累技术手段对雷达溢油回波图像进行增强,提高溢油区域和背景区域的对比度,从而提高了溢油区域的可识别程度;在建立溢油特征概率统计模型时加入了风速影响因子,提高了溢油目标的识别精度。
具体实施方式
下面就具体较佳实施方式对本发明作进一步详细的说明。
一种基于相参雷达慢扫增强的自适应溢油信息提取方法,包括如下7个步骤。
步骤1,增强雷达溢油回波图像:采用FFT相干积累技术对雷达溢油回波图像进行增强。
首先,设定雷达为慢扫扫描模式(1r/min),雷达重频PRF,相干积累脉冲数为Np;然后,利用FFT相干积累技术对相关积累脉冲数做相干积累,从而获得相参雷达慢扫模式下的极坐标雷达回波图像,距离分辨率为δr(由雷达脉宽决定),则角度分辨率δθ由以下公式计算得出:
步骤2,补全雷达溢油回波图像中的缺失像素点:将步骤1中增强后的雷达溢油回波图像,由极坐标形式转化为笛卡尔坐标形式;然后,利用三次样条插值技术,对位于笛卡尔坐标形式下的雷达溢油回波图像中的缺失像素点进行补全。
本步骤2中,将雷达溢油图像从极坐标形式转化为笛卡尔坐标形式的转化公式为:
式中,x、y为笛卡尔坐标形式中的横坐标和纵坐标,r、θ为极坐标形式中的半径和极角。
步骤3,溢油雷达回波图像滤波:对步骤2中补全后的溢油雷达回波图像进行Gamma滤波,滤波窗口大小选择为5*5~12*12mm,从而降低噪声斑点对溢油目标区域提取的影响。
步骤4,初步提取溢油目标区域:由于海面溢油对海面张力的抑制作用,导致溢油区域在雷达图像上呈现所谓的暗区,即回波强度明显低于周边海杂波区域。故本发明采用阈值分割方法OSTU算法将步骤3滤波后的溢油雷达回波图像进行分割,并初步提取溢油区域;本步骤中,初步提取的溢油区域包括溢油目标区域和疑似溢油样本区域。
疑似溢油样本区域包括生物油膜区域和静海杂波雷达区域等。
上市采用阈值分割方法OSTU算法将滤波后的溢油雷达回波图像进行分割的方法具体为:假定分割阈值为n,将图像的灰度级划分为两类,灰度值小于n像素的点为溢油区,记为A;灰度值大于n像素的点为背景区,记为B,分别计算A和B类的概率,记为wA和wB;然后,再分别计算A和B的平均灰度uA和uB;最后计算全图的平均灰度为u,则溢油区和背景区的类间方差定义为:
分割阈值n*则为:
上式表示在雷达图像灰度区间遍历n值,使得溢油区和背景区的类间方差最大。
步骤5,对步骤4中提取的溢油目标区域和疑似溢油样本区域,分别提取对应目标图像的几何特征和纹理特征。
单纯的依靠溢油图像的灰度特征并不能准确的提取溢油区域,原因是海洋内波、生物油膜、船舶尾迹、低风速区都有可能在雷达图像上形成所谓的暗区,造成溢油区域的误判,所以需要进一步的从溢油区域的几何和纹理特征并结合实际风速的大小对步骤4初步提取的溢油区域进行进一步的判别
对应目标图像的几何特征包括复杂度和形状因子,其中,复杂度的计算公式为:
式中,COM表示复杂度,P为目标图像的周长,S为目标图像的面积。一般情况下,低风区的复杂度比溢油区小的多,生物油膜复杂度比溢油区大的多。
形状因子的计算公式为:
式中,SPE表示形状因子,W为目标图像的宽度,L为目标图像的长度。一般海面溢油均呈现出长条带状特征,所以溢油区域的形状因子要比低风区和生物油膜小的多。
上述对应目标图像的纹理特征提取方法为:将步骤4初步提取的溢油区域分割成m×m个溢油小目标,采用灰度共生矩阵来提取各溢油小目标的纹理特征;灰度共生矩阵用图像位置关系的灰度级之间的联合条件概率密度函数P(i,j,d,θ)来表示,该联合条件概率密度函数表示起始点灰度为i,在给定像素空间距离d及方向θ上出现灰度级为j的概率。
对应目标图像的纹理特征包括角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO。
本发明中,将联合条件概率密度函数P(i,j,d,θ)中的d设定为1,θ设定为0°;然后,对得到的灰度共生矩阵进行角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO的提取。
其中,角二阶矩是图像灰度分布均匀性的度量,角二阶矩ASM的计算公式为:
对比度反应了目标图像纹理明暗的对比,对比度CON的计算公式为:
倒数差分矩是目标图像整体对比度的一个度量值,倒数差分矩IDF的计算公式为:
二阶熵是目标图像纹理疏密程度的一个度量值,二阶熵ESO的计算公式为:
上述M代表目标图像的灰度级数。
步骤6,结合风速影响因子,建立溢油样本和疑似溢油样本的概率统计模型Pfwt
提取可能的溢油区域的特征之后,需要利用样本数据建立各特征的概率统计模型,样本数据包含生物油膜区域数据、溢油区域数据、净海杂波区域数据3类。考虑到海面风速对各类型目标区域的纹理和几何特征影响很大,所以建立各特征的概率统计模型,需要加入风速影响因子。
其中,f表示样本特征,取值范围为1~6,分别为[COM,SPE,ASM,CON,IDF,ESO]。
概率统计模型Pfwt中的w表示风速区间段,将风速范围分为c个区间段,则w取值为1~c。
由于,一般雷达溢油风速工作范围在2~12m/s左右,故将风速范围分为5个区间段,分别为[2,4m/s]、[4,6m/s]、[6-8m/s]、[8,10m/s]、[10,12m/s]。因而,风速区间段w取值对应为1~5。
概率统计模型Pfwt中的t表示样本目标类型,包括溢油和疑似溢油,而疑似溢油包括生物油膜和静海杂波雷达。t取自然数,本发明中t取值为1~3,分别对应为:生物油膜类型、溢油目标类型和静海杂波雷达。
以在2~4m/s的风速条件下,溢油目标类型复杂度的概率密度函数P112为例,计算方式为:首先选择风速为2~4m/s的溢油样本数据,利用步骤5的方法提取样本的复杂度特征,然后求取样本集合复杂度的平均值u和标准差σ,则在2~4m/s的风速条件下,溢油目标类型复杂度的概率密度函数为:
式中,xCOM为样本复杂度特征值,u、σ分别为样本集合复杂度的平均值和标准差。
步骤7:利用贝叶斯分类方法提取最终的溢油目标区域。
获取海面风速信息,当海面风速处于2~12m/s之间时,利用步骤1~6的方式提取待测样本的特征值集合[xCOM,xSAP,xASM,xCON,xIDF,xESO],根据实际的风速信息,选择不同的概率统计模型求各样本目标类型的联合概率,计算出的联合概率最大值所对应的样本目标类型则为溢油目标区域;各样本目标类型的联合概率St的计算公式为:
式中,Pfwt为步骤5中计算的概率统计模型。
下面以海面风速值为5m/s为例进行详细说明。
海面风速值为5m/s时,则选择风速区间4~6m/s,所对应的特征概率模型为Pf2t,各目标类型的联合特征统计概率分别为:
生物油膜联合概率统计:
溢油联合概率统计:
净海杂波联合概率统计:
则最终的目标类型为:t*=argmax(St)。
经过计算,当t=2时,St=2最大,也即确定该区域为溢油目标区域。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。

Claims (7)

1.一种基于相参雷达慢扫增强的自适应溢油信息提取方法,其特征在于:包括如下步骤:
步骤1,增强雷达溢油回波图像:采用FFT相干积累技术对雷达溢油回波图像进行增强;
步骤2,补全雷达溢油回波图像中的缺失像素点:将步骤1中增强后的雷达溢油回波图像,由极坐标形式转化为笛卡尔坐标形式;然后,利用三次样条插值技术,对位于笛卡尔坐标形式下的雷达溢油回波图像中的缺失像素点进行补全;
步骤3,溢油雷达回波图像滤波:对步骤2中补全后的溢油雷达回波图像进行Gamma滤波,降低噪声斑点对溢油目标区域提取的影响;
步骤4,初步提取溢油目标区域:采用阈值分割方法OSTU算法将步骤3滤波后的溢油雷达回波图像进行分割,并初步提取溢油区域;本步骤中,初步提取的溢油区域包括溢油目标区域和疑似溢油样本区域;
步骤5,对步骤4中提取的溢油目标区域和疑似溢油样本区域,分别提取对应目标图像的几何特征和纹理特征;几何特征包括复杂度和形状因子,其中,复杂度的计算公式为:
式中,COM表示复杂度,P为目标图像的周长,S为目标图像的面积;
形状因子的计算公式为:
式中,SPE表示形状因子,W为目标图像的宽度,L为目标图像的长度;
纹理特征包括角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO;
对应目标图像的纹理特征提取方法为:将步骤4初步提取的溢油区域分割成m×m个溢油小目标,采用灰度共生矩阵来提取各溢油小目标的纹理特征;灰度共生矩阵用图像位置关系的灰度级之间的联合条件概率密度函数P(i,j,d,θ)来表示,该联合条件概率密度函数表示起始点灰度为i,在给定像素空间距离d及方向θ上出现灰度级为j的概率;
纹理特征提取时,将联合条件概率密度函数P(i,j,d,θ)中的d设定为1,θ设定为0°;然后,对得到的灰度共生矩阵进行角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO的提取,其中:
角二阶矩ASM的计算公式为:
对比度CON的计算公式为:
倒数差分矩IDF的计算公式为:
二阶熵ESO的计算公式为:
上述M代表目标图像的灰度级数;
步骤6,结合风速影响因子,建立溢油样本和疑似溢油样本的概率统计模型Pfwt;概率统计模型Pfwt中的f表示样本特征,取值范围为1~6,分别代表[COM,SPE,ASM,CON,IDF,ESO];概率统计模型Pfwt中的w表示风速区间段,将风速范围分为c个区间段,则w取值为1~c;概率统计模型Pfwt中的t表示样本目标类型,包括溢油和疑似溢油,t取自然数;
步骤7:利用贝叶斯分类方法提取最终的溢油目标区域:分别计算步骤6中各样本目标类型的联合概率,计算出的联合概率最大值所对应的样本目标类型则为溢油目标区域;各样本目标类型的联合概率St的计算公式为:
式中,Pfwt为步骤5中计算的概率统计模型。
2.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法,其特征在于:所述步骤4中,采用阈值分割方法OSTU算法将滤波后的溢油雷达回波图像进行分割的方法为:假定分割阈值为n,将图像的灰度级划分为两类,灰度值小于n像素的点为溢油区,记为A;灰度值大于n像素的点为背景区,记为B,分别计算A和B类的概率,记为wA和wB;然后,再分别计算A和B的平均灰度uA和uB;最后计算全图的平均灰度为u,则溢油区和背景区的类间方差定义为:
分割阈值n*则为:
上式表示在雷达图像灰度区间遍历n值,使得溢油区和背景区的类间方差最大。
3.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法,其特征在于:所述步骤4中,疑似溢油样本区域包括生物油膜区域和静海杂波雷达区域,则步骤6中样本目标类型t取值为1~3,分别对应为生物油膜类型、溢油目标类型和静海杂波雷达。
4.根据权利要求3所述的基于相参雷达慢扫增强的自适应溢油信息提取方法,其特征在于:所述步骤6中,风速范围分为5个区间段,风速区间段w取值为1~5;5个区间段分别为2~4m/s,4~6m/s,6~8m/s,8~10m/s,10~12m/s。
5.根据权利要求4所述的基于相参雷达慢扫增强的自适应溢油信息提取方法,其特征在于:在2~4m/s的风速条件下,溢油目标类型复杂度的概率密度函数为:
式中,xCOM为样本复杂度特征值,u、σ分别为样本集合复杂度的平均值和标准差。
6.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法,其特征在于:所述步骤2中,将雷达溢油图像从极坐标形式转化为笛卡尔坐标形式的转化公式为:
式中,x、y为笛卡尔坐标形式中的横坐标和纵坐标,r、θ为极坐标形式中的半径和极角。
7.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法,其特征在于:所述步骤3中,对补全后的溢油雷达回波图像进行Gamma滤波时,滤波窗口大小选择为5*5~12*12mm。
CN201610822712.0A 2016-09-13 2016-09-13 基于相参雷达慢扫增强的自适应溢油信息提取方法 Active CN106443593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610822712.0A CN106443593B (zh) 2016-09-13 2016-09-13 基于相参雷达慢扫增强的自适应溢油信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610822712.0A CN106443593B (zh) 2016-09-13 2016-09-13 基于相参雷达慢扫增强的自适应溢油信息提取方法

Publications (2)

Publication Number Publication Date
CN106443593A CN106443593A (zh) 2017-02-22
CN106443593B true CN106443593B (zh) 2018-12-28

Family

ID=58167962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610822712.0A Active CN106443593B (zh) 2016-09-13 2016-09-13 基于相参雷达慢扫增强的自适应溢油信息提取方法

Country Status (1)

Country Link
CN (1) CN106443593B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829858B (zh) * 2019-01-29 2022-10-18 大连海事大学 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN110231624B (zh) * 2019-06-06 2021-08-10 Oppo广东移动通信有限公司 物体的检测方法及相关产品
CN111175744B (zh) * 2019-09-20 2023-08-15 中国船舶工业系统工程研究院 一种雷达图像快速生成与缩放方法
CN111161303A (zh) * 2019-12-30 2020-05-15 上海眼控科技股份有限公司 标记方法、装置、计算机设备和存储介质
CN111693961B (zh) * 2020-06-15 2023-05-16 哈尔滨工业大学 一种基于kl散度单元筛选的cfar检测器
CN116400351B (zh) * 2023-03-21 2024-05-17 大连理工大学 基于自适应区域生长法的雷达回波图像目标物处理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176015B (zh) * 2011-01-24 2012-12-12 陕西延长石油(集团)有限责任公司 一种相干的石油管道漏油区成像雷达系统
NO337289B1 (no) * 2011-12-19 2016-02-29 Ispas As Portabel radar for bestemmelse av oljeutslipps fordeling og tykkelse
CN102609709B (zh) * 2012-02-03 2014-04-16 清华大学 一种基于极化sar数据融合的海面溢油分割方法
CN102608604B (zh) * 2012-03-14 2014-02-19 清华大学 基于共极化特征功率图的海面溢油检测方法
CN103488992B (zh) * 2013-08-28 2016-09-07 北京理工大学 一种面向复杂sar图像场景的溢油检测方法

Also Published As

Publication number Publication date
CN106443593A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106443593B (zh) 基于相参雷达慢扫增强的自适应溢油信息提取方法
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
CN108491854B (zh) 基于sf-rcnn的光学遥感图像目标检测方法
CN102867196B (zh) 基于Gist特征学习的复杂海面遥感影像舰船检测方法
CN103065151B (zh) 一种基于深度信息的车辆识别方法
CN101915910B (zh) 利用航海雷达识别海上溢油目标的方法及系统
CN110443201B (zh) 基于多源影像联合形状分析与多属性融合的目标识别方法
CN109117802A (zh) 面向大场景高分遥感影像的舰船检测方法
CN103020975A (zh) 一种结合多源遥感图像特征的码头和船舶分割方法
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN110516605A (zh) 基于级联神经网络的任意方向舰船目标检测方法
CN105427301B (zh) 基于直流分量比测度的海陆杂波场景分割方法
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN108961255B (zh) 基于相位线性度和功率的海陆噪声场景分割方法
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
Liu et al. Comparison of algorithms for wind parameters extraction from shipborne X-band marine radar images
CN109359787A (zh) 一种小范围海域多模态海浪预测系统及其预测方法
CN110263646A (zh) 一种基于卷积神经网络的海面弱目标探测方法和系统
CN108229342A (zh) 一种海面舰船目标自动检测方法
CN105389826A (zh) 珊瑚岛礁岸线高分sar遥感提取方法
CN111126335A (zh) 一种结合显著性和神经网络的sar船只识别方法及系统
CN102567726B (zh) 极地冰盖边缘区域浮冰自动提取技术
CN103971370A (zh) 一种针对遥感大图像的海洋溢油智能检测方法
CN115983141B (zh) 一种基于深度学习反演海浪波高的方法、介质及系统
Celona et al. Automated detection, classification, and tracking of internal wave signatures using X-band radar in the inner shelf

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 211153 No.32 Changqing street, Jiangning Development Zone, Nanjing City, Jiangsu Province

Patentee after: China Shipbuilding Pengli (Nanjing) Atmospheric and Ocean Information System Co.,Ltd.

Patentee after: Jiangsu Tideland Research Center

Patentee after: 724 Research Institute of China Shipbuilding Corp.

Address before: 211153 No.32 Changqing street, Jiangning Development Zone, Nanjing City, Jiangsu Province

Patentee before: CSIC PRIDE (NANJING) ATMOSPHERE MARINE INFORMATION SYSTEM Co.,Ltd.

Patentee before: Jiangsu Tideland Research Center

Patentee before: 724TH RESEARCH INSTITUTE OF CHINA SHIPBUILDING INDUSTRY Corp.