CN106709914A - 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 - Google Patents
一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 Download PDFInfo
- Publication number
- CN106709914A CN106709914A CN201710008614.8A CN201710008614A CN106709914A CN 106709914 A CN106709914 A CN 106709914A CN 201710008614 A CN201710008614 A CN 201710008614A CN 106709914 A CN106709914 A CN 106709914A
- Authority
- CN
- China
- Prior art keywords
- land
- region
- sea
- hai
- area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000003139 buffering effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims description 2
- 239000000686 essence Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO 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
- G01S13/00—Systems 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO 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
- G01S13/00—Systems 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法,属于遥感信息处理领域。该方法首先基于DEM构建第一级低分辨率海陆库实现陆地区域的快速屏蔽,大大减少运算的数据量;其次,采用双参数CFAR检测技术对海洋区域进行船舶检测,得到目标切片;然后基于DEM构建第二级高分辨率海陆库对SAR图像船舶检测的目标切片结果进行虚警剔除,快速剔除沿岸陆地、大型岛屿和沿岸建筑设施产生的陆地虚警目标,进一步降低虚警率。该方法既减少了船舶检测的运算量,又保证了检测的精度。
Description
技术领域
本发明属于遥感信息处理领域,涉及一种基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法。
背景技术
海洋遥感是卫星遥感技术的重要领域,随着海洋权益日益重要,海洋遥感在世界各国的经济和军事领域得到了广泛应用。合成孔径雷达(Synthetic Aperture Radar,SAR)系统由于具有全天时、全天候工作,大覆盖面积等特点而成为卫星海洋船舶监测的主要数据源。但是由于卫星成像的海洋遥感数据实际覆盖范围广,其中往往包含了比例较大的陆地区域。而对于海洋船舶目标检测来说,对SAR图像中陆地区域进行船舶检测是完全没有必要的,不仅浪费处理的有限资源,也会由于对陆地区域的处理,产生大量的陆地虚警。因此,如何快速的对陆地虚警进行筛除是关键问题。
数字高程模型(Digital Elevation Model,DEM)是通过有限的地形高程数据实现对地形曲面数字化模拟(即地形表面形态的数字化表达)。它是用一组有序数值阵列形式表示地面高程的一种实体地面模型,广泛应用于水文、农业、军事、气象以及工程建设等各个方面。基于由数字高程模型(DEM)构建的海陆库可以快速确定陆地区域及海洋区域的位置,快速筛除船舶检测中的虚警。
本发明提出使用双级DEM海陆库对SAR图像船舶检测进行虚警剔除。首先,若只采用低分辨率的海陆库,则船舶检测的精度不能保证,虚警率会较高;其次,若只采用高分辨率的海陆库,则会出现大量不必要的运算。采用双级DEM海陆库不仅减少了运算量,更保证了船舶检测的精度。
发明内容
本发明提出了一种基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法,以实现船舶检测中船舶目标的快速筛选。
根据本发明,基于双级DEM海陆库的SAR图像船舶检测虚警剔除,第一级采用由DEM构建低分辨率海陆库的方法实现陆地区域的快速屏蔽,大大减少了运算的数据量;第二级,对基于SAR图像船舶检测的目标切片结果,采用由DEM构建高分辨率海陆库的方法快速剔除沿岸陆地、大型岛屿和沿岸建筑设施产生的陆地虚警目标,进一步降低虚警率。采用根据本发明的快速陆地区域屏蔽和沿岸虚警剔除两级相结合的方法实现船舶目标的快速筛选,不仅大大减少了运算量,更保证了算法的精度。
根据本发明的基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法包括以下步骤:
A)构建第一级低分辨率海陆库快速屏蔽陆地区域
这个步骤有基于DEM构建低分辨率海陆库和陆地区域屏蔽两部分内容组成。快速陆地区域屏蔽技术主要是针对大块的陆地区域,其需要构建的海陆库分辨率较低,忽略了内陆中的河流区域和海洋中小的岛屿,且海洋缓冲区扩展较大。具体包括:
A1)基于DEM构建低分辨率海陆库
对原始的DEM数据进行初步的海陆分割,生成二值图像。DEM中的高程信息反映了地面的高程情况,这里将数值小于等于0的区域(海洋区域)设置为定值0,数值大于0的区域(陆地区域)设置为定值1,得到二值图像;而后根据不同的精度需求,对初步的海陆分割结果做进一步的形态学及下采样处理,得到低分辨海陆库。A2)陆地区域快速屏蔽
确定SAR图像数据块的四界经纬坐标在低分辨海陆库的对应区域,判断对应区域内所有点的海陆情况,判定的结果可能是全陆地(区域内全部为1),全海域(区域内全部为0)或者海陆交界区域(区域内同时包含0和1)。根据判定结果对SAR图像中的大块陆地候选区域进行屏蔽,获得位于海洋的候选区域;
B)船舶目标检测
这个步骤包括双参数CFAR船舶目标检测和船舶目标切片获取,输入的是SAR图像中的海洋区域,输出的是初始船舶目标切片。具体包括:
B1)双参数CFAR船舶目标检测
采用双参数CFAR检测技术对第一步得到的海洋区域进行船舶检测,得到初始目标候选区域。
B2)船舶目标切片获取
根据先验知识,将不满足船舶的长、宽及面积标准的初始目标候选区域进行剔除,而后求得符合标准的目标候选区域的最大外接矩形,并以目标候选区域的最大外接矩形为边界保存切片,得到目标切片;
C)构建第二级高分辨海陆库快速剔除沿岸虚警
这个步骤有基于DEM构建高分辨率海陆库和沿岸虚警快速剔除两部分内容组成。沿岸虚警快速剔除技术针对的是定位解算后的船舶目标切片,所以需要的海陆库更加精细,分辨率更高。具体包括:
C1)基于DEM构建高分辨率海陆库
基于第一步中初步海陆分割后生成的二值图像,根据不同的精度需求,对二值图像做进一步的形态学及下采样处理,得到高分辨海陆库。
C2)沿岸虚警快速剔除
对第二步处理得到的初始船舶目标切片进行定位解算得到船舶目标的经纬坐标,根据经纬坐标确定其在高分率海陆库里的对应位置,若该位置为陆地则剔除相应的船舶目标切片,若该位置为海洋则保留相应的船舶目标切片。
D)船舶目标切片保存和/或输出
将最终的船舶目标切片保存和/或输出。
根据本发明的一个方面,提供了一种基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法,其特征在于包括:
A)构建第一级低分辨率海陆库快速屏蔽陆地区域,包括:
A1)基于DEM构建低分辨率海陆库,对原始的DEM数据进行初步的海陆分割,生成二值图像,其中DEM中的高程信息反映了地面的高程情况,这里将数值小于等于0的区域即海洋区域设置为定值0,数值大于0的区域即陆地区域设置为定值1,得到二值图像;而后根据不同的精度需求,对初步的海陆分割结果做进一步的形态学及下采样处理,得到低分辨海陆库;
A2)陆地区域快速屏蔽,确定SAR图像数据块的四界经纬坐标在低分辨海陆库的对应区域,判断对应区域内所有点的海陆情况,判定的结果可能是全陆地即区域内全部为1、全海域即区域内全部为0、或者海陆交界区域即区域内同时包含0和1;根据判定结果对SAR图像中的大块陆地候选区域进行屏蔽,获得位于海洋的候选区域;
B)船舶目标检测,具体包括:
B1)双参数CFAR船舶目标检测,采用双参数CFAR检测技术对由第一步得到的海洋区域进行船舶检测,得到初始目标候选区域;
B2)船舶目标切片获取,根据先验知识,将不满足船舶的长、宽及面积标准的初始目标候选区域进行剔除,而后求得符合标准的目标候选区域的最大外接矩形,并以目标候选区域的最大外接矩形为边界保存切片,得到目标切片;
C)构建第二级高分辨海陆库快速剔除沿岸虚警,包括:
C1)基于DEM构建高分辨率海陆库,基于第一步中初步海陆分割后生成的二值图像,根据不同的精度需求,对二值图像做进一步的形态学及下采样处理,得到高分辨海陆库;
C2)步:沿岸虚警快速剔除,对第二步处理得到的初始船舶目标切片进行定位解算得到船舶目标的经纬坐标,根据经纬坐标确定其在高分率海陆库里的对应位置,若该位置为陆地则剔除相应的船舶目标切片,若该位置为海洋则保留相应的船舶目标切片;
D)船舶目标切片保存或输出,将最终的船舶目标切片保存或输出。
本发明与现有技术相比具有以下优点:
1.本发明采用基于双级DEM海陆库的SAR图像船舶检测虚警剔除的方法,将快速陆地区域屏蔽和沿岸虚警剔除相结合实现船舶目标快速筛选,消除目标处理过程中内陆区域与沿岸区域带来的干扰,快速的对陆地虚警进行剔除,实现对船舶目标的快速筛选。
2.本发明采用基于DEM构建第一级低分辨率海陆库的方法实现陆地区域的快速屏蔽,有效的降低了内陆区域带来的干扰,大大减少了运算的数据量,并直接影响虚警数量。
3.本发明采用基于DEM构建第二级高分辨率海陆库的方法实现对船舶目标切片沿岸虚警的快速剔除,有效的降低了沿岸区域、大型岛屿和沿岸建筑设施带来的干扰,进一步降低虚警率,提升船舶检测的时效性。
附图说明
图1为根据本发明的一个实施例的基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法流程框图。
图2为根据本发明的一个实施例的双参数CFAR检测方法示意图。
具体实施方式
现在参照图1的流程图,以SAR遥感图像为例,对根据本发明的一个实施例的基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法进行说明,该实施例包括如下步骤:
A)构建第一级低分辨率海陆库快速屏蔽陆地区域,包括:
A1)基于DEM构建低分辨率海陆库
使用的DEM数据是ASTER GDEM数据,其空间分辨率达到了1弧秒×1弧秒(约30m×30m)。首先对原始的DEM数据进行初步的海陆分割,得到二值图像,而后根据不同的实际需求,对初步的海陆分割结果做进一步的处理。具体包括:
-DEM数据二值化:由于DEM数据中海平面的值为0,陆地区域的值大于0,海洋区域的值小于0,这里将0作为阈值对原始的DEM数据二值化,数值小于等于0的区域(海洋区域)设置为定值0,数值大于0的区域(陆地区域)设置为定值1,得到二值图像;
-形态学操作:上一步处理得到的初步海陆分割结果由于潮汐导致的海岸线变化、河流出海口地形变化、多岛屿地区海岸线变化等不可预测因素会出现误差,所以首先对二值图像进行形态学的开操作,去除二值图像中孤立的点区域,即内陆中的河流区域和海洋中小的岛屿;而后进行形态学的闭操作,填充海陆分割二值图像中的孔洞;最后进行海洋缓冲区扩展,方法是利用图像形态学中的腐蚀算法对分割结果中的陆地区域进行边界收缩处理,避免由于不可预测因素导致海洋被错划分成陆地;
-下采样:根据实际任务的需求,通过对上一步处理得到二值图像进行下采样构建2km精度的海陆库;
A2)陆地区域快速屏蔽
根据第一步得到的低分辨海陆库对SAR图像场景进行分类,对图像中的大块陆地候选区域进行屏蔽,获得位于海洋的候选区域,具体包括:
-确定经纬坐标对应海陆库位置:获取SAR图像数据块的四界经纬坐标,遍历低分辨海陆库,根据四界经纬坐标确定遥感图像数据块在海陆库里的对应区域;
-海陆区域判断:根据上一步确定的区域对SAR图像数据四角点经纬度区域内所有点进行海陆情况判断,判定的结果可能是全陆地(区域内全部为1),全海域(区域内全部为0)或者海陆交界区域(区域内同时包含0和1);
-屏蔽全陆地区域:根据上一步得到的判定结果,全陆地区域数据不进行船舶目标检测处理,海陆交界区域进行海陆分割,而纯海洋区域的图像数据直接则进行后续处理;
B)船舶目标检测,包括:
B1)双参数CFAR船舶目标检测
采用双参数CFAR检测技术对由第一步得到的海洋区域进行船舶检测,得到初始目标候选区域。由于船舶目标在二维图像中呈现空间分布的特点,因此双参数CFAR检测技术的滑动窗设计采用图2所示的“空心”的设计方式,并根据如下准则判决当前待测试像素是否属于目标候选区域像素:
如果则判决当前待测试像素为目标候选区域中的像素;
如果则判决当前待测试像素为背景区域中的像素;
其中,Xt为待测试像素的灰度值,是背景统计区的灰度统计平均值,是背景统计区的灰度标准差,TCFAR是恒虚警门限(通常根据任务需求事先给定的常数)。
B2)船舶目标切片获取
根据先验知识,将不满足船舶的长、宽及面积标准的初始目标候选区域进行剔除,而后求得符合标准的目标候选区域的最大外接矩形,并以目标候选区域的最大外接矩形为边界保存切片,得到目标切片;
C)构建第二级高分辨海陆库快速剔除沿岸虚警,包括
C1)基于DEM构建高分辨率海陆库
基于第一步中初步海陆分割后生成的二值图像,根据不同的精度需求,对二值图像做进一步的形态学及下采样处理,得到高分辨海陆库。根据实际任务的需求,此步骤构建的海陆查找表精度为180m。
C2)沿岸虚警快速剔除
根据上一步得到的高分辨海陆库,对第二步处理得到的船舶目标切片进行沿岸虚警快速剔除,具体包括:
-确定目标切片海陆库里的对应位置:在对第二步处理得到的船舶目标切片进行定位解算得到船舶目标的经纬坐标,根据经纬坐标确定其在高分辨率海陆库里的对应位置;
-海陆情况判断:对目标所在经纬度位置进行海陆情况判断,判定的结果可能是陆地(该点值为1)或者海洋(该点值为0);
-剔除陆地区域目标切片:根据上一步得到的判定结果,若该位置为陆地则剔除相应的船舶目标切片,若该位置为海洋则保留相应的船舶目标切片,
D)船舶目标切片保存或输出
将最终的船舶目标切片保存或输出。
Claims (3)
1.一种基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法,其特征在于包括:
A)构建第一级低分辨率海陆库快速屏蔽陆地区域,包括:
A1)基于DEM构建低分辨率海陆库,对原始的DEM数据进行初步的海陆分割,生成二值图像,其中DEM中的高程信息反映了地面的高程情况,这里将数值小于等于0的区域即海洋区域设置为定值0,数值大于0的区域即陆地区域设置为定值1,得到二值图像;而后根据不同的精度需求,对初步的海陆分割结果做进一步的形态学及下采样处理,得到低分辨海陆库;
A2)陆地区域快速屏蔽,确定SAR图像数据块的四界经纬坐标在低分辨海陆库的对应区域,判断对应区域内所有点的海陆情况,判定的结果可能是全陆地即区域内全部为1、全海域即区域内全部为0、或者海陆交界区域即区域内同时包含0和1;根据判定结果对SAR图像中的大块陆地候选区域进行屏蔽,获得位于海洋的候选区域;
B)船舶目标检测,具体包括:
B1)双参数CFAR船舶目标检测,采用双参数CFAR检测技术对由第一步得到的海洋区域进行船舶检测,得到初始目标候选区域;
B2)船舶目标切片获取,根据先验知识,将不满足船舶的长、宽及面积标准的初始目标候选区域进行剔除,而后求得符合标准的目标候选区域的最大外接矩形,并以目标候选区域的最大外接矩形为边界保存切片,得到目标切片;
C)构建第二级高分辨海陆库快速剔除沿岸虚警,包括:
C1)基于DEM构建高分辨率海陆库,基于第一步中初步海陆分割后生成的二值图像,根据不同的精度需求,对二值图像做进一步的形态学及下采样处理,得到高分辨海陆库;
C2)沿岸虚警快速剔除,对第二步处理得到的初始船舶目标切片进行定位解算得到船舶目标的经纬坐标,根据经纬坐标确定其在高分率海陆库里的对应位置,若该位置为陆地则剔除相应的船舶目标切片,若该位置为海洋则保留相应的船舶目标切片;
D)船舶目标切片保存或输出,将最终的船舶目标切片保存或输出。
2.根据权利要求1所述的基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法,其特征在于所述步骤A1)包括:
DEM数据二值化,由于DEM数据中海平面的值为0,陆地区域的值大于0,海洋区域的值小于0,将0作为阈值对原始的DEM数据二值化,数值小于等于0的区域(海洋区域)设置为定值0,数值大于0的区域(陆地区域)设置为定值1,得到二值图像;
形态学操作,考虑上一步处理得到的初步海陆分割结果由于潮汐导致的海岸线变化、河流出海口地形变化、多岛屿地区海岸线变化等不可预测因素会出现误差,首先对二值图像进行形态学的开操作,去除二值图像中孤立的点区域,即内陆中的河流区域和海洋中小的岛屿;而后进行形态学的闭操作,填充海陆分割二值图像中的孔洞;最后进行海洋缓冲区扩展,包括利用图像形态学中的腐蚀算法对分割结果中的陆地区域进行边界收缩处理,避免由于不可预测因素导致海洋被错划分成陆地;
下采样,根据实际任务的需求,通过对上一步处理得到二值图像进行下采样构建2km精度的海陆库。
3.根据权利要求1所述的基于双级DEM海陆库的SAR图像船舶检测虚警剔除方法,其特征在于所述步骤A2)包括:
确定经纬坐标对应海陆库位置,获取SAR图像数据块的四界经纬坐标,遍历低分辨海陆库,根据四界经纬坐标确定遥感图像数据块在海陆库里的对应区域;
海陆区域判断,根据上一步确定的区域对SAR图像数据四角点经纬度区域内所有点进行海陆情况判断,判定的结果可能是全陆地即区域内全部为1、全海域即区域内全部为0、或者海陆交界区域即区域内同时包含0和1;
屏蔽全陆地区域,根据上一步得到的判定结果,全陆地区域数据不进行船舶目标检测处理,海陆交界区域进行海陆分割,而纯海洋区域的图像数据直接则进行后续处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710008614.8A CN106709914B (zh) | 2017-01-05 | 2017-01-05 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710008614.8A CN106709914B (zh) | 2017-01-05 | 2017-01-05 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709914A true CN106709914A (zh) | 2017-05-24 |
CN106709914B CN106709914B (zh) | 2020-01-17 |
Family
ID=58908024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710008614.8A Active CN106709914B (zh) | 2017-01-05 | 2017-01-05 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709914B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376247A (zh) * | 2018-02-05 | 2018-08-07 | 北方工业大学 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
CN108460367A (zh) * | 2018-03-28 | 2018-08-28 | 北方工业大学 | 一种基于预判机制的目标检测方法 |
CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
CN109886134A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 |
CN110221257A (zh) * | 2019-07-02 | 2019-09-10 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面目标探测虚警抑制方法、装置及雷达系统 |
CN110378186A (zh) * | 2019-03-22 | 2019-10-25 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110378313A (zh) * | 2019-07-26 | 2019-10-25 | 玖壹叁陆零医学科技南京有限公司 | 细胞团识别方法、装置及电子设备 |
CN110617802A (zh) * | 2019-07-26 | 2019-12-27 | 北京控制工程研究所 | 一种星载动目标检测及速度估计方法 |
CN111008328A (zh) * | 2019-11-22 | 2020-04-14 | 福建省海洋预报台 | 一种海洋预报中网格预报数据的过滤方法及终端 |
CN111220956A (zh) * | 2019-11-08 | 2020-06-02 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN111754524A (zh) * | 2020-06-22 | 2020-10-09 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201054A1 (en) * | 2012-02-02 | 2013-08-08 | Raytheon Canada Limited | Knowledge Aided Detector |
CN104331886A (zh) * | 2014-10-29 | 2015-02-04 | 中国人民解放军国防科学技术大学 | 基于高分辨sar图像的港口区域舰船检测方法 |
US20150243032A1 (en) * | 2014-02-26 | 2015-08-27 | Raytheon Company | False alarm rejection for boat detection candidates |
CN104992172A (zh) * | 2015-08-05 | 2015-10-21 | 北方工业大学 | 一种基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN106056084A (zh) * | 2016-06-01 | 2016-10-26 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
CN106067022A (zh) * | 2016-05-28 | 2016-11-02 | 北方工业大学 | 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法 |
-
2017
- 2017-01-05 CN CN201710008614.8A patent/CN106709914B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201054A1 (en) * | 2012-02-02 | 2013-08-08 | Raytheon Canada Limited | Knowledge Aided Detector |
US20150243032A1 (en) * | 2014-02-26 | 2015-08-27 | Raytheon Company | False alarm rejection for boat detection candidates |
CN104331886A (zh) * | 2014-10-29 | 2015-02-04 | 中国人民解放军国防科学技术大学 | 基于高分辨sar图像的港口区域舰船检测方法 |
CN104992172A (zh) * | 2015-08-05 | 2015-10-21 | 北方工业大学 | 一种基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN106067022A (zh) * | 2016-05-28 | 2016-11-02 | 北方工业大学 | 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法 |
CN106056084A (zh) * | 2016-06-01 | 2016-10-26 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376247A (zh) * | 2018-02-05 | 2018-08-07 | 北方工业大学 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
CN108460367A (zh) * | 2018-03-28 | 2018-08-28 | 北方工业大学 | 一种基于预判机制的目标检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109117802B (zh) * | 2018-08-21 | 2021-10-29 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109886134A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 |
CN110378186B (zh) * | 2019-03-22 | 2021-09-24 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110378186A (zh) * | 2019-03-22 | 2019-10-25 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110221257A (zh) * | 2019-07-02 | 2019-09-10 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面目标探测虚警抑制方法、装置及雷达系统 |
CN110617802A (zh) * | 2019-07-26 | 2019-12-27 | 北京控制工程研究所 | 一种星载动目标检测及速度估计方法 |
CN110378313B (zh) * | 2019-07-26 | 2021-05-18 | 玖壹叁陆零医学科技南京有限公司 | 细胞团识别方法、装置及电子设备 |
CN110378313A (zh) * | 2019-07-26 | 2019-10-25 | 玖壹叁陆零医学科技南京有限公司 | 细胞团识别方法、装置及电子设备 |
CN111220956A (zh) * | 2019-11-08 | 2020-06-02 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN111220956B (zh) * | 2019-11-08 | 2021-11-09 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN111008328A (zh) * | 2019-11-22 | 2020-04-14 | 福建省海洋预报台 | 一种海洋预报中网格预报数据的过滤方法及终端 |
CN111008328B (zh) * | 2019-11-22 | 2022-05-10 | 福建省海洋预报台 | 一种海洋预报中网格预报数据的过滤方法及终端 |
CN111754524A (zh) * | 2020-06-22 | 2020-10-09 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
CN111754524B (zh) * | 2020-06-22 | 2024-01-16 | 厦门大学 | 一种基于岸线数据的遥感图像快速海陆分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106709914B (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
Ao et al. | Detection and discrimination of ship targets in complex background from spaceborne ALOS-2 SAR images | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN109766811B (zh) | 一种星载sar图像中海面船只的端到端检测与识别方法 | |
Aedla et al. | Automatic shoreline detection and change detection analysis of netravati-gurpurrivermouth using histogram equalization and adaptive thresholding techniques | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
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 | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN112560671A (zh) | 基于旋转卷积神经网络的船舶检测方法 | |
Cui et al. | A fast threshold neural network for ship detection in large-scene SAR images | |
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
Ji-yang et al. | A real-time on-board ship targets detection method for optical remote sensing satellite | |
Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Stephens et al. | Using three dimensional convolutional neural networks for denoising echosounder point cloud data | |
Sun et al. | Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion | |
CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
Zieger et al. | Mapping reef features from multibeam sonar data using multiscale morphometric analysis | |
Amitrano et al. | Flood detection with SAR: A review of techniques and datasets | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
Zhang et al. | Phase spectrum based automatic ship detection in synthetic aperture radar images | |
Yang et al. | A novel ship detection method based on sea state analysis from optical imagery | |
Kim et al. | Surface sediment classification using a deep learning model and unmanned aerial vehicle data of tidal flats |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Bi Fukun Inventor after: Sun Jiayi Inventor after: Qin Yanyan Inventor after: Zhang Xu Inventor after: Bian Mingming Inventor before: Bi Fukun Inventor before: Qin Yanyan Inventor before: Zhang Xu Inventor before: Bian Mingming |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |