CN106778870B - 一种基于rpca技术的sar图像舰船目标检测方法 - Google Patents
一种基于rpca技术的sar图像舰船目标检测方法 Download PDFInfo
- Publication number
- CN106778870B CN106778870B CN201611174329.5A CN201611174329A CN106778870B CN 106778870 B CN106778870 B CN 106778870B CN 201611174329 A CN201611174329 A CN 201611174329A CN 106778870 B CN106778870 B CN 106778870B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- low
- matrix
- noise
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于RPCA技术的SAR图像舰船目标检测方法,首先针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声,接着计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像,然后利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,去除RF图像中由噪声形成的稀疏矩阵部分,最后利用结合空域信息的改进型MRF对低秩矩阵所形成的相对理想的RF图像进行二值分割,通过归一化RCS特征识别出舰船目标。本发明可以有效抑制斑点噪声,并且保留了图像边缘细节。
Description
技术领域
本发明属于雷达目标检测领域,涉及一种SAR图像舰船目标检测方法。
背景技术
合成孔径雷达(SAR)应用到海洋目标检测和监视领域越来越受到重视,一方面可以用于民用渔业管理、海洋污染监控等领域,另一方面可以通过从SAR图像提取舰船重要信息,对确保海上主动权和成功进行军事行动起到了重要作用。SAR图像中相干斑噪声主要由散射体表面反射的电磁波相干叠加造成的,直接影响SAR图像处理效果;舰船目标和海洋海浪的运动都会引起方位向模糊,这些效应都给舰船目标检测带来了一定困难,但也可以从中提取出舰船目标运动状况信息。随着SAR图像分辨率越来越高,乘积模型在相干斑模型的基础上发展出来,更能够准确描述不同SAR图像。由于许多空域自适应滤波算法只考虑了像素点的强度信息及其邻域像素的空间关系,滤波效果不如意。如果能够有效利用SAR对舰船成像的物理机理来提取舰船目标特征信息,那么对舰船目标检测将更加有效。
发明内容
为了克服现有技术的不足,本发明提供一种基于RPCA技术的SAR图像舰船目标检测方法,可以有效抑制斑点噪声,并且保留了图像边缘细节。本发明针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声,接着计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像,然后利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,最后利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出舰船目标。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(3)利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,具体步骤如下:
a2)用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵分离后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;
a3)将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI;
(4)利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出舰船目标,具体步骤如下:
b1)对每一像素点s,取特征场中像素点s处的能量函数U1(Ys/Xs)最小值作为此像素点s的标记,Ys为s的特征场,Xs为s的标记场,遍历整个图像得到初始的标记场X0;U1(Ys|Xs)=exp(-P(Ys|Xs)),P(Ys/Xs)表示像素点s处的似然函数,
其中μξ和δξ分别为每类的对数均值和对数均方差,分类值取为ξ∈{0,1};
b2)当迭代次数k=0时,由当前分割得到第k次模型参数估计值θk,对图像上每个像素点s,计算第k次全局能量的最大值对应的 标记场中像素点s的第k次能量函数,遍历整个图像得到相应的标记场Xk;U2(Xs)=∑c∈CVC(xs,xn),n为s的二阶邻域系统N(i,j)中一个像素,N(i,j)={(±1,0),(0,±1),(1,±1),(-1,±1)},c表示8邻域系统中的二元基团,C表示图像中所有基团的集合,VC(xs,xn)表示与基团相关的新势能函数,
b3)判断是否收敛,具体如下:
c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最后的分割结果,式中Δ为设定的常数;
其中m为状态标记,取值{0,1};
b4)将RF图像分割出的二值图像中每个目标像素值与参考归一化RCS值进行比较,如果大于参考值,则识别为舰船目标。
本发明的有益效果是:
(1)本发明采用对数变换将SAR图像相干斑噪声变为加性高斯噪声,使得更加满足RPCA技术中稀疏矩阵要求高斯模型这一假设,去噪效果进一步提高;
(2)本发明根据SAR对舰船成像的物理机理,基于RF因子更加有效描述SAR图像中舰船目标特征,所以从RF图像中提取舰船目标特征更加有效;
(3)本发明基于改进型MRF模型对RF图像去噪后的低秩矩阵部分进行处理,充分利用了图像特征信息和空间距离信息,性能优于传统MRF模型。
附图说明
图1为本发明基于RPCA技术的SAR图像舰船目标检测方法的流程图;
图2为本发明基于RPCA技术的SAR图像舰船目标检测方法的具体处理框图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明提供的一种基于RPCA技术的SAR图像舰船目标检测方法实现步骤如下:首先针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声,使得更加符合本方法模型,接着计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像,然后利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,去除RF图像中由噪声形成的稀疏矩阵部分,最后利用结合空域信息的改进型MRF对低秩矩阵所形成的相对理想的RF图像进行二值分割,通过归一化RCS特征识别出舰船目标。具体包括以下步骤:
步骤(1)、针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声;
步骤(2)、计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像;
步骤(3)、利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分;
步骤(4)、利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出舰船目标。
所述步骤(1)中的针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声的表达式为:
I=log(I0)
这时,SAR图像相干斑乘性噪声模型转化为加性噪声,使得更加符合本方法模型。
所述步骤(2)中的计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像的表达式为:
这样由RF公式计算每个像素块的相干与非相干功率比后形成的特征图像,即RF图像。
所述步骤(3)中的利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分的步骤为:
a2)、用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵分离后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;
a3)、将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI。
所述步骤(4)中的利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出舰船目标的步骤为:
b1)、对每一像素点s,取U1(Ys/Xs)最小值作为此像素点s的标记,遍历整个图像得到初始的标记场X0;
b3)、判断是否收敛。若精度达到了要求值或者标记场X不再变化,则退出。具体如下:
c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最后的分割结果,式中Δ为任意小的常数0.001;
其中m为状态标记,取值{0,1}。
b4)、从RF图像分割出的二值图像中存在一些虚警目标,将每个目标像素值与参考归一化RCS值进行比较,如果大于参考值,则识别为舰船目标。这里的参考归一化RCS值则根据海面仿真得到的归一化RCS值形成的字典来设置,海面仿真时需要考虑雷达特征和中级风速情况,其中雷达特征包括频率、极化和入射角。
其中步骤b1)中的U1(Ys|Xs)表示特征场中像素点s处的能量函数,其表达式如下:
U1(Ys|Xs)=exp(-P(Ys|Xs))
其中P(Ys/Xs)表示像素点s处的似然函数,其表达式如下:
其中μξ和δξ分别为每类的对数均值和对数均方差,这里的分类值取为ξ∈{0,1}。
其中步骤b2)中的U2(Xs)表示标记场中对应像素点s处的能量函数,其表达式如下:
U2(Xs)=∑c∈CVC(xs,xn)
其中s为RF图像的当前像素点(i,j),n为s的二阶邻域系统N(i,j)中一个像素,这里N(i,j)={(±1,0),(0,±1),(1,±1),(-1,±1)},c表示8邻域系统中的二元基团,C表示图像中所有基团的集合,VC(xs,xn)表示与基团相关的新势能函数,其表达式如下:
本发明实施例的实施流程如图1所示,具体包含以下4个步骤:
1、针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声的实施步骤如下:
I=log(I0) (1)
这样,SAR图像相干斑乘性噪声模型转化为加性噪声,使得更加符合本方法模型。
2、计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像的实施步骤如下:
从电磁观点来讲,单极化SAR图像中舰船目标被认为是由强相关的背景散射信号所描述的主要散射点。通过研究超分辨率电磁场的产生过程,例如斑点噪声,考虑将这一重要特征用来进行舰船目标检测。因此引入了一个重要参数来描述SAR图像舰船目标特征,叫做莱斯因子(RF),利用其对舰船目标作为主要散射点具有敏感性这一期望。RF表示背景散射信号的相干与非相干接收信号功率比。为了提高时间处理效率,将SAR图像分为100×100像素块,对于每个块,应用3×3的局部窗来计算此区域的相干功率,而非相干功率是由100×100像素块来计算的。对于第k个像素块,RF的计算公式可以表示为:
这样由RF公式计算每个像素块的相干与非相干功率比后形成的特征图像,即RF图像。
实际处理中,局部窗的维数主要根据不减小图像分辨率和更好检测小舰船目标来最小化选取,而像素块的维数则根据能获得一个稳定的参考背景水平来设置。
3、利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分的实施步骤如下:
a2)、用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵分离后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;
a3)、将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI。
4、利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出舰船目标的实施步骤如下:
MRF分割图像就是求后验概率最大或能量函数最小的标记场,这里选取能量函数最小来描述MAP准则。由于RF图像服从对数正态分布,即像素点s处的似然函数P(Ys/Xs)为对数正态分布,μξ和δξ分别为每类的对数均值和对数均方差,这里的分类值取为ξ∈{0,1}。
其中Ys为s的特征场,Xs为s的标记场,ys和xs分别为像素点s处的特征值和标记值。
特征场中像素点s处的能量函数U1(Ys|Xs)可表示如下:
U1(Ys|Xs)=exp(-P(Ys|Xs)) (4)
假设s为RF图像的当前像素点(i,j),n为s的二阶邻域系统N(i,j)中一个像素,这里N(i,j)={(±1,0),(0,±1),(1,±1),(-1,±1)},c表示8邻域系统中的二元基团,C表示图像中所有基团的集合。则标记场中能量函数U2(X)的表达式为:
U2(Xs)=∑c∈CVC(xs,xn) (5)
其中与基团相关的新势能函数为:
在特征场Y中,xs和xn处特征值相差越大,说明图像中这两点之间有明显的变化,要么是边缘,或者是强烈的斑点噪声。无论是上述的何种情况,都对其进行惩罚,两者的能量越大,惩罚也就越大,分为同类的概率就越小。在标记场X中,两像素xs和xn间距离dsn越大,也可看出它们之间的能量越大,被分入一类的可能性就越小。因此,引入了图像邻域中各个像素的特征差值以及像素之间的距离因子来定义新的势能函数,较传统的MRF势能函数有极大地优势。因为新的势能函数更加充分的利用SAR图像中空域的信息,把特征场的特征信息和标记场的距离信息都结合,从而可以得到了更好的分割效果。
下面给出MRF对低秩矩阵部分形成的图像进行二值分割,并通过归一化RCS特征识别出舰船目标算法的处理步骤如下:
b1)、对每一像素点s,取U1(Ys/Xs)最小值作为此像素点s的标记,遍历整个图像得到初始的标记场X0;
b3)、判断是否收敛。若精度达到了要求值或者标记场X不再变化,则退出。具体如下:
c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最后的分割结果,式中Δ为任意小的常数0.001;
其中m为状态标记,取值{0,1}。
b4)、从RF图像分割出的二值图像中存在一些虚警目标,将每个目标像素值与参考归一化RCS值进行比较,如果大于参考值,则识别为舰船目标。这里的参考归一化RCS值则根据海面仿真得到的归一化RCS值形成的字典来设置,海面仿真时需要考虑雷达特征和中级风速情况,其中雷达特征包括频率、极化和入射角。
本发明未详细阐述部分属于本领域技术人员的公知技术。
Claims (1)
1.一种基于RPCA技术的SAR图像舰船目标检测方法,其特征在于包括下述步骤:
(1)针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声I=log(I0),其中,I0∈CM×N为原始SAR图像,M和N分别表示图像行数和列数;
(2)计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像其中,RF图像为每个像素块的相干与非相干功率比后形成的特征图像,表示第k个像素块中3×3的局部窗区域的相干功率,表示第k个100×100像素块区域的非相干功率;
(3)利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,具体步骤如下:
a1)将RF图像D=L+E分为实部和虚部矩阵,分别记为DR和DI,其中L∈CM×N为低秩矩阵,E∈CM×N为稀疏矩阵;
a2)用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵分离后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;
a3)将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI;
(4)利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出舰船目标,具体步骤如下:
b1)对每一像素点s,取特征场中像素点s处的能量函数U1(Ys/Xs)最小值作为此像素点s的标记,Ys为s的特征场,Xs为s的标记场,遍历整个图像得到初始的标记场X0;U1(Ys|Xs)=exp(-P(Ys|Xs)),P(Ys/Xs)表示像素点s处的似然函数,
其中μξ和δξ分别为每类的对数均值和对数均方差,分类值取为ξ∈{0,1};
b2)当迭代次数k=0时,由当前分割得到第k次模型参数估计值θk,对图像上每个像素点s,计算第k次全局能量的最大值对应的 标记场中像素点s的第k次能量函数,遍历整个图像得到相应的标记场Xk;U2(Xs)=∑c∈CVC(xs,xn),n为s的二阶邻域系统N(i,j)中一个像素,N(i,j)={(±1,0),(0,±1),(1,±1),(-1,±1)},c表示8邻域系统中的二元基团,C表示图像中所有基团的集合,VC(xs,xn)表示与基团相关的新势能函数,
b3)判断是否收敛,具体如下:
c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最后的分割结果,式中Δ为设定的常数;
其中m为状态标记,取值{0,1};
b4)将RF图像分割出的二值图像中每个目标像素值与参考归一化RCS值进行比较,如果大于参考值,则识别为舰船目标。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510969801 | 2015-12-22 | ||
CN2015109698013 | 2015-12-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778870A CN106778870A (zh) | 2017-05-31 |
CN106778870B true CN106778870B (zh) | 2020-05-15 |
Family
ID=58891160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611174329.5A Active CN106778870B (zh) | 2015-12-22 | 2016-12-19 | 一种基于rpca技术的sar图像舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778870B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068799B (zh) * | 2019-04-22 | 2022-04-22 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
CN113176573B (zh) * | 2021-04-23 | 2022-06-17 | 哈尔滨工业大学 | 复数域结构化sar舰船目标动态仿真与速度估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200229A (zh) * | 2014-09-03 | 2014-12-10 | 西安电子科技大学 | 一种结合稀疏特征选择的sar目标鉴别方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
-
2016
- 2016-12-19 CN CN201611174329.5A patent/CN106778870B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200229A (zh) * | 2014-09-03 | 2014-12-10 | 西安电子科技大学 | 一种结合稀疏特征选择的sar目标鉴别方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
Non-Patent Citations (2)
Title |
---|
Using the Robust Principal Component Analysis Algorithm to Remove RF Spike Artifacts from MR Images;Adrienne E. Campbell-Washburn 等;《Magnetic Resonance in Medicine》;20150731;正文第1-9页 * |
基于改进型马尔可夫随机场的SAR图像分割新方法;赵磊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150815;正文第9-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106778870A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN107505614B (zh) | 一种基于ati-sar图像幅相信息融合的目标检测方法 | |
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
CN109324315B (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
WO2023284698A1 (zh) | 一种基于深度神经网络的多目标恒虚警率检测方法 | |
CN109557533B (zh) | 一种基于模型的联合跟踪与识别方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
Zhou et al. | RNMF-guided deep network for signal separation of GPR without labeled data | |
Benedetto et al. | Automatic aircraft target recognition by ISAR image processing based on neural classifier | |
CN105447488B (zh) | 基于素描线段拓扑结构的sar图像目标检测方法 | |
CN106778870B (zh) | 一种基于rpca技术的sar图像舰船目标检测方法 | |
Zhao et al. | Side scan sonar image segmentation based on neutrosophic set and quantum-behaved particle swarm optimization algorithm | |
Chen et al. | A novel scheme for extracting sea surface wind information from rain-contaminated x-band marine radar images | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN109508674B (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
CN109658340B (zh) | 基于rsvd与直方图保存的sar图像快速去噪方法 | |
CN103426145A (zh) | 一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法 | |
CN107871123B (zh) | 一种逆合成孔径雷达空间目标分类方法及系统 | |
Li et al. | Sparse representation denoising for radar high resolution range profiling | |
CN106845489B (zh) | 基于改进Krawtchouk矩的SAR图像目标特征提取方法 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
Mukherjee et al. | CNN-based InSAR coherence classification | |
Li et al. | An easily initialized visual tracking algorithm based on similar structure for convolutional neural network |
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 |