CN106548459A - 基于逻辑随机共振的浑浊水质成像目标检测系统及方法 - Google Patents
基于逻辑随机共振的浑浊水质成像目标检测系统及方法 Download PDFInfo
- Publication number
- CN106548459A CN106548459A CN201610913278.7A CN201610913278A CN106548459A CN 106548459 A CN106548459 A CN 106548459A CN 201610913278 A CN201610913278 A CN 201610913278A CN 106548459 A CN106548459 A CN 106548459A
- Authority
- CN
- China
- Prior art keywords
- logic
- accidental resonance
- unit
- signal
- input
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000009897 systematic effect Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 21
- 239000003643 water by type Substances 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005036 potential barrier Methods 0.000 description 2
- 230000009102 absorption Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于逻辑随机共振的浑浊水质成像目标检测系统及方法,将浑浊水质中拍摄到的低质图像按行方向一维展开,同时估算该低质图像的信噪比,将展开后的一维信号输入到逻辑随机共振单元,并添加与估算的信噪比相对应的高斯白噪声,逻辑随机共振单元的系统参数由遗传网络单元进行自适应优化,将逻辑随机共振单元的输出信号输入到阈值器中,区分原图像中的背景像素和目标像素,以达到成像目标检测的目的,该发明能够快速准确地检测出成像中的目标信息,有效提高基于视觉的水下目标探测距离,且因为可以自适应调节逻辑随机共振单元的系统参数,该方法可适用于不同水质不同目标的检测。
Description
技术领域
本发明涉及水下计算机视觉领域,具体涉及一种基于逻辑随机共振的浑浊水质成像目标检测系统及方法。
背景技术
海洋、湖泊等水域中蕴含着丰富的自然资源,具有非常高的研究价值,人们一直都在努力寻找各种了解、开发水下环境的方法。然而,由于水体对光的大量吸收和散射,尤其是在较为浑浊的水体中,背景噪声更加丰富,使得水下成像极为模糊,制约了基于水下视觉的目标检测等技术的发展。传统的水下成像处理主要有两种方法:图像复原和图像增强。图像复原需要精准的物理模型,而这些物理模型是很难获得的,且具有较大的时间和空间变化。图像增强虽然较为简单,但是由于缺乏对成像过程的考虑,对浑浊水质的图像增强效果无法取得良好的效果。
发明内容
本申请提供了一种基于逻辑随机共振的浑浊水质成像目标检测系统及方法,克服了浑浊水质成像中强噪声干扰的问题,无需前期的图像预处理,能够快速准确地检测出成像中的目标信息,有效提高了基于视觉的水下目标探测距离,且因为可以自适应调节逻辑随机共振单元的系统参数,该方法可适用于不同水质不同目标的检测。
本申请采用以下技术方案予以实现:
一种基于逻辑随机共振的浑浊水质成像目标检测系统,包括水下拍摄单元、逻辑随机共振单元、阈值器以及遗传网络单元,其中,所述逻辑随机共振单元包括噪声添加单元、数值分析单元以及参数调整单元,所述水下拍摄单元的输出端连接所述逻辑随机共振单元的输入端,将所述水下拍摄单元拍摄得到浑浊水质的低质图像I0沿行方向一维展开得到的一维信号I1输入到所述逻辑随机共振单元中的数值分析单元中,同时将所述水下拍摄单元拍摄得到浑浊水质的低质图像I0的估计信噪比SNR输入到所述逻辑随机共振单元中的噪声添加单元中,所述逻辑随机共振单元的输出端连接所述阈值器的输入端,将输出信号x输入到所述阈值器中,所述阈值器的输出端连接所述遗传网络单元的输入端,将正确率P传输到所述遗传网络单元,通过所述遗传网络单元进化出更优的系统参数,所述遗传网络单元的输出端连接所述逻辑随机共振单元中的参数调整单元,以进化出的更优的系统参数更新定义所述逻辑随机共振单元,所述数值分析单元计算得出优化系统参数后的输出信号x,当满足优化终止条件时,所述阈值器输出最优目标标记图Ilabel_best。
所述水下拍摄单元可以是水下摄像机。
一种基于逻辑随机共振的浑浊水质成像目标检测系统的检测方法,包括如下步骤:
S1:由所述水下拍摄单元拍摄得到浑浊水质的低质图像I0;
S2:将所述低质图像I0沿行方向进行一维展开,得到一维信号I1,同时,计算所述低质图像I0的估计信噪比SNR;
S3:将所述一维信号I1和估计信噪比SNR输入到所述逻辑随机共振单元,其中,所述一维信号I1为需要处理的原数据输入到所述逻辑随机共振单元中的数值分析单元,所述估计信噪比SNR用于调节所述逻辑随机共振单元中的噪声添加单元的噪声强度D;
S4:随机选定所述逻辑随机共振单元的初始系统参数a、b、r;
S5:在所述数值分析单元进行基于逻辑随机共振的数值分析,得出逻辑随机共振的输出信号式中,r为偏移值,I(t)为一维展开得到的一维信号I1,ξ(t)是为了抵消低质图像I0中内蕴噪声而额外添加的高斯白噪声,其自相关系数为<ξ(t)ξ(0)>=2Dδ(t),其中,ξ(0)为初始时的高斯白噪声强度值,δ(t)为脉冲函数,U(x)为四阶双稳势阱,其中,系统参数a>0,b>0,该逻辑随机共振四阶双稳系统具有两个稳态势阱,分别位于±xm,且xm=(a/b)1/2,两个稳态点之间存在ΔU=a2/4b,最高点在x=0处的势垒;
S6:将输出信号x输入阈值器中,根据输出信号x的正负取值,判断输出信号x所对应的像素是否为目标像素,即x<0时所对应的像素为目标像素,在原图上进行标记,得到目标标记图Ilabel,x>0时所对应的像素为背景像素;
S7:将目标标记图Ilabel与标准目标图I进行对比,目标标记图Ilabel与标准目标图I的freeman链码的差值得到正确率P;
S8:判断是否满足优化终止条件,即正确率P是否超过预设值或者优化次数是否达到预设次数,如果是,则进入步骤S10,否则,进入步骤S9;
S9:将所述正确率P输入到所述遗传网络单元采用自适应优化算法选取出更优的系统参数a、b、r,并用更优的系统参数a、b、r重新定义所述逻辑随机共振单元,随后跳转到步骤S5;
S10:由所述阈值器输出最优的目标标记图Ilabel_best,此时优化得到的系统参数用于处理同一水域拍摄得到的低质图像。
进一步地,步骤S5中采用四阶龙格库塔法进行数值分析,具体计算方法为:
k2=(axi+k1/2)-(bxi+k1/2)3+r+Ii+ξi
k3=(axi+k2/2)-(bxi+k2/2)3+r+Ii+1+ξi+1
k4=(axi+k3)-(bxi+k3)+r+Ii+1+ξi+1
xi+1=xi+1/6h(k1+2k2+2k3+k4)
式中,k1、k2、k3、k4为中间值,h为每一阶的步长,xi为第i个输出信号,xi+1为第i+1个输出信号,Ii为第i个输入像素,Ii+1为第i+1个输入像素,ξi为第i个添加的高斯白噪声,ξi+1为第i+1个添加的高斯白噪声。
进一步地,步骤S2中所述低质图像I0的估计信噪比SNR=Varmax/Varmin,式中,Varmax为低质图像I0的信号方差,即所有局部方差的最大值,Varmin为低质图像I0的噪声方差,即所有局部方差的最小值。
与现有技术相比,本申请提供的技术方案,具有的技术效果或优点是:
(1)通过逻辑随机共振克服了浑浊水质成像中的高强度噪声和对比度低等问题,可以处理传统图像处理方法无法处理的图像,且有效提高了基于视觉的水下目标探测距离;
(2)因逻辑随机共振的系统参数是可以自适应调整的,因此,该检测方法适用于不同水域不同目标的检测。
附图说明
图1为本发明的系统结构框图;
图2为本发明的方法流程图;
图3为本发明的逻辑随机共振四阶双稳系统的势阱图。
具体实施方式
本申请提供了一种基于逻辑随机共振的浑浊水质成像目标检测系统及方法,克服了浑浊水质成像中强噪声干扰的问题,无需前期的图像预处理,能够快速准确地检测出成像中的目标信息,有效提高了基于视觉的水下目标探测距离,且因为可以自适应调节逻辑随机共振单元的系统参数,该方法可适用于不同水质不同目标的检测。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
实施例
一种基于逻辑随机共振的浑浊水质成像目标检测系统,如图1所示,包括水下拍摄单元、逻辑随机共振单元、阈值器以及遗传网络单元,其中,所述逻辑随机共振单元包括噪声添加单元、数值分析单元以及参数调整单元,所述水下拍摄单元的输出端连接所述逻辑随机共振单元的输入端,将所述水下拍摄单元拍摄得到浑浊水质的低质图像I0沿行方向一维展开得到的一维信号I1输入到所述逻辑随机共振单元中的数值分析单元中,同时将所述水下拍摄单元拍摄得到浑浊水质的低质图像I0的估计信噪比SNR输入到所述逻辑随机共振单元中的噪声添加单元中,所述逻辑随机共振单元的输出端连接所述阈值器的输入端,将输出信号x输入到所述阈值器中,所述阈值器的输出端连接所述遗传网络单元的输入端,将正确率P传输到所述遗传网络单元,通过所述遗传网络单元进化出更优的系统参数,所述遗传网络单元的输出端连接所述逻辑随机共振单元中的参数调整单元,以进化出的更优的系统参数更新定义所述逻辑随机共振单元,所述数值分析单元计算得出优化系统参数后的输出信号x,当满足优化终止条件时,所述阈值器输出最优目标标记图Ilabel_best。
所述水下拍摄单元可以是水下摄像机。
一种基于逻辑随机共振的浑浊水质成像目标检测系统的检测方法,如图2所示,包括如下步骤:
S1:由所述水下拍摄单元拍摄得到浑浊水质的低质图像I0;
S2:将所述低质图像I0沿行方向进行一维展开,得到一维信号I1,同时,计算所述低质图像I0的估计信噪比SNR=Varmax/Varmin,式中,Varmax为低质图像I0的信号方差,即所有局部方差的最大值,Varmin为低质图像I0的噪声方差,即所有局部方差的最小值;
S3:将所述一维信号I1和估计信噪比SNR输入到所述逻辑随机共振单元,其中,所述一维信号I1为需要处理的原数据输入到所述逻辑随机共振单元中的数值分析单元,所述估计信噪比SNR用于调节所述逻辑随机共振单元中的噪声添加单元的噪声强度D;
S4:随机选定所述逻辑随机共振单元的初始系统参数a、b、r;
S5:在所述数值分析单元进行基于逻辑随机共振的数值分析,得出逻辑随机共振的输出信号式中,r为偏移值,I(t)为一维展开得到的一维信号I1,ξ(t)是为了抵消低质图像I0中内蕴噪声而额外添加的高斯白噪声,其自相关系数为<ξ(t)ξ(0)>=2Dδ(t),其中,ξ(0)为初始时的高斯白噪声强度值,δ(t)为脉冲函数;
U(x)为四阶双稳势阱,系统参数a>0,b>0,如图3所示,该四阶双稳势阱系统具有两个稳态势阱,分别位于±xm,且xm=(a/b)1/2,两个稳态点之间存在ΔU=a2/4b,最高点在x=0处的势垒。根据需要将两个稳态势阱定义为两个不同的含义,当落入x<0势阱时,定义相应的输入为目标元素,当落入x>0势阱时,定义相应的输入为背景元素。在偏移值r的影响下,该四阶双稳势阱系统会发生左右偏移,因此可以改变粒子落入不同稳态势阱的概率,综上,可以通过调节偏移值r的取值来检测不同强度的目标物。
S6:将输出信号x输入阈值器中,根据输出信号x的正负取值,判断输出信号x所对应的像素是否为目标像素,即x<0时所对应的像素为目标像素,在原图上进行标记,得到目标标记图Ilabel,x>0时所对应的像素为背景像素;
S7:将目标标记图Ilabel与标准目标图I进行对比,目标标记图Ilabel与标准目标图I的freeman链码的差值得到正确率P;
S8:判断是否满足优化终止条件,即正确率P是否超过预设值或者优化次数是否达到预设次数,如果是,则进入步骤S10,否则,进入步骤S9;
S9:将所述正确率P输入到所述遗传网络单元采用自适应优化算法选取出更优的系统参数a、b、r,并用更优的系统参数a、b、r重新定义所述逻辑随机共振单元,随后跳转到步骤S5;
S10:由所述阈值器输出最优的目标标记图Ilabel_best,此时优化得到的系统参数用于处理同一水域拍摄得到的低质图像。
本实施例中,在系统参数a、b、r及噪声强度D的取值确定后,步骤S5中采用四阶龙格库塔法进行数值分析,具体计算方法为:
k2=(axi+k1/2)-(bxi+k1/2)3+r+Ii+ξi
k3=(axi+k2/2)-(bxi+k2/2)3+r+Ii+1+ξi+1
k4=(axi+k3)-(bxi+k3)+r+Ii+1+ξi+1
xi+1=xi+1/6h(k1+2k2+2k3+k4)
式中,k1、k2、k3、k4为中间值,h为每一阶的步长,xi为第i个输出信号,xi+1为第i+1个输出信号,Ii为第i个输入像素,Ii+1为第i+1个输入像素,ξi为第i个添加的高斯白噪声,ξi+1为第i+1个添加的高斯白噪声。
本申请的上述实施例中,通过提供一种基于逻辑随机共振的浑浊水质成像目标检测系统及方法,将浑浊水质中拍摄到的低质图像按行方向一维展开,同时估算该低质图像的信噪比,将展开后的一维信号输入到逻辑随机共振单元,并添加与估算的信噪比相对应的高斯白噪声,逻辑随机共振单元的系统参数由遗传网络单元进行自适应优化,将逻辑随机共振单元的输出信号输入到阈值器中,区分原图像中的背景像素和目标像素,以达到在成像目标检测的目的,该发明能够快速准确地检测出成像中的目标信息,有效提高了基于视觉的水下目标探测距离,且因为可以自适应调节逻辑随机共振单元的系统参数,该方法可适用于不同水质不同目标的检测
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于逻辑随机共振的浑浊水质成像目标检测系统,其特征在于,包括水下拍摄单元、逻辑随机共振单元、阈值器以及遗传网络单元,其中,所述逻辑随机共振单元包括噪声添加单元、数值分析单元以及参数调整单元,所述水下拍摄单元的输出端连接所述逻辑随机共振单元的输入端,将所述水下拍摄单元拍摄得到浑浊水质的低质图像I0沿行方向一维展开得到的一维信号I1输入到所述逻辑随机共振单元中的数值分析单元中,同时将所述水下拍摄单元拍摄得到浑浊水质的低质图像I0的估计信噪比SNR输入到所述逻辑随机共振单元中的噪声添加单元中,所述逻辑随机共振单元的输出端连接所述阈值器的输入端,将输出信号x输入到所述阈值器,所述阈值器的输出端连接所述遗传网络单元的输入端,将正确率P传输到所述遗传网络单元,通过所述遗传网络单元进化出更优的系统参数,所述遗传网络单元的输出端连接所述逻辑随机共振单元中的参数调整单元,以进化出的更优的系统参数更新定义所述逻辑随机共振单元,所述数值分析单元计算得出优化系统参数后的输出信号x,当满足优化终止条件时,所述阈值器输出最优目标标记图Ilabel_best。
2.如权利要求1所述的基于逻辑随机共振的浑浊水质成像目标检测系统的检测方法,其特征在于,包括如下步骤:
S1:由所述水下拍摄单元拍摄得到浑浊水质的低质图像I0;
S2:将所述低质图像I0沿行方向进行一维展开,得到一维信号I1,同时,计算所述低质图像I0的估计信噪比SNR;
S3:将所述一维信号I1和估计信噪比SNR输入到所述逻辑随机共振单元,其中,所述一维信号I1为需要处理的原数据输入到所述逻辑随机共振单元中的数值分析单元,所述估计信噪比SNR用于调节所述逻辑随机共振单元中的噪声添加单元的噪声强度D;
S4:随机选定所述逻辑随机共振单元的初始系统参数a、b、r;
S5:在所述数值分析单元进行基于逻辑随机共振的数值分析,得出逻辑随机共振的输出信号式中,r为偏移值,I(t)为一维展开得到的一维信号I1,ξ(t)是为了抵消低质图像I0中内蕴噪声而额外添加的高斯白噪声,其自相关系数为<ξ(t)ξ(0)>=2Dδ(t),其中,ξ(0)为初始时的高斯白噪声强度值,δ(t)为脉冲函数,U(x)为四阶双稳势阱,
S6:将输出信号x输入阈值器中,根据输出信号x的正负取值,判断输出信号x所对应的像素是否为目标像素,即x<0时所对应的像素为目标像素,在原图上进行标记,得到目标标记图Ilabel,x>0时所对应的像素为背景像素;
S7:将目标标记图Ilabel与标准目标图I进行对比,目标标记图Ilabel与标准目标图I的freeman链码的差值得到正确率P;
S8:判断是否满足优化终止条件,即正确率P是否超过预设值或者优化次数是否达到预设次数,如果是,则进入步骤S10,否则,进入步骤S9;
S9:将所述正确率P输入到所述遗传网络单元采用自适应优化算法选取出更优的系统参数a、b、r,并用更优的系统参数a、b、r重新定义所述逻辑随机共振单元,随后跳转到步骤S5;
S10:由所述阈值器输出最优的目标标记图Ilabel_best,此时优化得到的系统参数用于处理同一水域拍摄得到的低质图像。
3.根据权利要求2所述的基于逻辑随机共振的浑浊水质成像目标检测系统的检测方法,其特征在于,步骤S5中采用四阶龙格库塔法进行数值分析,具体计算方法为:
k2=(axi+k1/2)-(bxi+k1/2)3+r+Ii+ξi
k3=(axi+k2/2)-(bxi+k2/2)3+r+Ii+1+ξi+1
k4=(axi+k3)-(bxi+k3)+r+Ii+1+ξi+1
xi+1=xi+1/6h(k1+2k2+2k3+k4)
式中,k1、k2、k3、k4为中间值,h为每一阶的步长,xi为第i个输出信号,xi+1为第i+1个输出信号,Ii为第i个输入像素,Ii+1为第i+1个输入像素,ξi为第i个添加的高斯白噪声,ξi+1为第i+1个添加的高斯白噪声。
4.根据权利要求2所述的基于逻辑随机共振的浑浊水质成像目标检测系统的检测方法,其特征在于,步骤S2中所述低质图像I0的估计信噪比SNR=Varmax/Varmin,式中,Varmax为低质图像I0的信号方差,即所有局部方差的最大值,Varmin为低质图像I0的噪声方差,即所有局部方差的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610913278.7A CN106548459B (zh) | 2016-10-20 | 2016-10-20 | 基于逻辑随机共振的浑浊水质成像目标检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610913278.7A CN106548459B (zh) | 2016-10-20 | 2016-10-20 | 基于逻辑随机共振的浑浊水质成像目标检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106548459A true CN106548459A (zh) | 2017-03-29 |
CN106548459B CN106548459B (zh) | 2019-12-17 |
Family
ID=58391906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610913278.7A Active CN106548459B (zh) | 2016-10-20 | 2016-10-20 | 基于逻辑随机共振的浑浊水质成像目标检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548459B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220653A (zh) * | 2017-04-11 | 2017-09-29 | 中国海洋大学 | 基于逻辑随机共振的水下弱目标检测系统及其方法 |
CN110243929A (zh) * | 2019-07-02 | 2019-09-17 | 佛山科学技术学院 | 一种基于随机共振的水下环境动态检测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
-
2016
- 2016-10-20 CN CN201610913278.7A patent/CN106548459B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
Non-Patent Citations (3)
Title |
---|
NAN WANG ET AL.: "Logical stochastic resonance in bistable system under α-stable noise", 《THE EUROPEAN PHYSICAL JOURNAL》 * |
王楠: "非线性系统逻辑随机共振的理论研究", 《万方数据》 * |
王飞 等: "利用遗传算法设计自适应随机共振系统", 《舰船电子工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220653A (zh) * | 2017-04-11 | 2017-09-29 | 中国海洋大学 | 基于逻辑随机共振的水下弱目标检测系统及其方法 |
CN107220653B (zh) * | 2017-04-11 | 2020-11-06 | 中国海洋大学 | 基于逻辑随机共振的水下弱目标检测系统的检测方法 |
CN110243929A (zh) * | 2019-07-02 | 2019-09-17 | 佛山科学技术学院 | 一种基于随机共振的水下环境动态检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106548459B (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
CN108846826B (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
CN111126412B (zh) | 基于特征金字塔网络的图像关键点检测方法 | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN113221903B (zh) | 跨域自适应语义分割方法及系统 | |
CN103488992B (zh) | 一种面向复杂sar图像场景的溢油检测方法 | |
Zhang et al. | Detection of LSB matching steganography based on distribution of pixel differences in natural images | |
CN106548459A (zh) | 基于逻辑随机共振的浑浊水质成像目标检测系统及方法 | |
CN116883883A (zh) | 一种基于生成对抗网络抗抖动的海上船舶目标检测方法 | |
CN106971395A (zh) | 一种基于点云平均背景差的三维声纳图像建模方法 | |
Widyantara et al. | Gamma correction-based image enhancement and canny edge detection for shoreline extraction from coastal imagery | |
US11816181B2 (en) | Blur classification and blur map estimation | |
CN114283082A (zh) | 一种基于注意力机制的红外小目标检测方法 | |
Xu et al. | Shipwrecks detection based on deep generation network and transfer learning with small amount of sonar images | |
CN103295226A (zh) | 一种基于mrf模型的非监督声纳图像分割方法 | |
Irie et al. | Robust learning for deep monocular depth estimation | |
Tarekegn et al. | Underwater Object Detection using Image Enhancement and Deep Learning Models | |
CN112906508B (zh) | 一种基于卷积神经网络的面部活体检测方法 | |
CN107220653A (zh) | 基于逻辑随机共振的水下弱目标检测系统及其方法 | |
KR20180082680A (ko) | 분류기를 학습시키는 방법 및 이를 이용한 예측 분류 장치 | |
Fan et al. | Double-threshold image segmentation method based on gray gradient | |
CN110738179A (zh) | 一种电力设备的识别方法及相关装置 | |
CN115863204B (zh) | 晶片加工用在线厚度监视和测量方法及系统 | |
KR20200109681A (ko) | 어종 분류를 위한 데이터 적용 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |