CN106803100B - 一种双极化星载sar图像海上船舶检测分类方法 - Google Patents

一种双极化星载sar图像海上船舶检测分类方法 Download PDF

Info

Publication number
CN106803100B
CN106803100B CN201611251219.4A CN201611251219A CN106803100B CN 106803100 B CN106803100 B CN 106803100B CN 201611251219 A CN201611251219 A CN 201611251219A CN 106803100 B CN106803100 B CN 106803100B
Authority
CN
China
Prior art keywords
target point
length
ship
pixel
detection
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
CN201611251219.4A
Other languages
English (en)
Other versions
CN106803100A (zh
Inventor
陈鹏
楼映中
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.)
Second Institute of Oceanography SOA
Original Assignee
Second Institute of Oceanography SOA
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 Second Institute of Oceanography SOA filed Critical Second Institute of Oceanography SOA
Priority to CN201611251219.4A priority Critical patent/CN106803100B/zh
Publication of CN106803100A publication Critical patent/CN106803100A/zh
Application granted granted Critical
Publication of CN106803100B publication Critical patent/CN106803100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种双极化星载SAR图像海上船舶检测分类方法，双极化SAR图像数据首先以GeoTIFF文件的形式被读入。同时读取配置参数和掩膜等必要文件。然后执行决策级双极化SAR数据融合检测。检测算法采用简单稳定可靠的双参数CFAR算法，融合算法根据情况自主判断选用逻辑“或”、逻辑“与”，同时进行虚警压制。后根据长宽尺度、散射特征等进行目标类型的判决。总体而言，本发明的技术方案即从原始图像中采用已知最为高效可靠的检测算法和融合方法进行业务化检测，同时对常见的两种特殊区域进行专门的虚警压制，在进一步提取出目标属性后进行目标类型判决。

Description

一种双极化星载SAR图像海上船舶检测分类方法
技术领域
本发明涉及海洋遥感领域，尤其涉及一种双极化星载SAR图像海上船舶检测分类方法。
背景技术
合成孔径雷达(SAR)是一种强有力的遥感工具，具有全天时、全天候工作的特点，在资源探测、海洋研究等众多领域有广泛的应用。传统的单极化SAR采用固定极化方式来发射和接收电磁波，只能测量回波散射矢量的某一分量，而电磁波的传播和散射显然应用矢量进行描述，故而在传统技术下，包含在散射波极化特性中的信息会丢失，因此单极化SAR对目标信息获取能力在理论上即受到一定限制。而可以工作在不同的收发极化组合下极化合成孔径雷达，自然具有比单极化SAR信息含量高的特点。其可以用测量的极化散射矩阵完全表征特定姿态和观测频率下目标的极化散射特性，在近十年内已经成为国内外合成孔径雷达发展的热门方向。由于电磁波极化组合对目标的介电常数、物理特性、几何形状等均比较敏感，因而极化SAR将可以极大提高成像雷达对目标各种信息的获取能力。
双极化SAR检测和分类方法种类众多，性能各异，各有所长。到目前为止，此类双极化SAR目标检测方法或软件多为小规模研究使用，市面上少有可以业务化运行的双极化SAR检测和全极化检测程序。已有的与本发明最接近的实现方案，即各类双极化SAR目标检测系统软件，以张世吉等人(张世吉.极化SAR目标检测算法研究及软件设计[D].西安电子科技大学,2014.)的成果为例，其检测方法包含三大模块：(1)双极化SAR数据的读取以及图像显示；(2)极化分解；(3)检测。该方法并没有自动分类的内容。其中模块一又分为读取.txt格式和.mat格式两种数据读取方法以及清空原始数据，模块二又分为非相干分解和相干分解两种分解方法，模块三又分为极化白化滤波器、基于极化叉的几何扰动检测器和特征域内基于PCA的检测器三种检测方法。基本功能框图如图1所示。现有技术存在以下缺点：
①无法业务化运行。现有的相近类型程序主要为科研、教学使用，相对运行效率和输入输出标准化，一般会由于注重验证某种科学理论而采用理论精度远大于实际要求的复杂算法，部分甚至采用不止一种算法多次计算，几乎一定会导致效率的相对低下。
同时在输入输出方面，由于现有程序多为某种特定科研目的服务，待处理数据为某种代表性数据，且一般不再有太多的后续使用，故而输入形式相对固定，输出形式相对自由，也即标准化程度较低。
②低风速区的虚警率高。部分双极化SAR图像同幅图像内不同部分散射强度差异很大。在某些低风速区，一个较大的区域内均表现为低散射值，然而这些低值间仍有一定的差异存在，因而在采用基于统计的方法，如双参数CFAR方法进行检测时，整个飘窗内虽均为这样的低值，但仍有一定量的相对强的散射块被检出，造成不可忽略的虚警。现有的相近类型程序由于多用于科研教学，测试数据大多具有较强的代表性但范围较小，很少遇到此类现象，因而一般不设置有抑制此类虚警的方案。
③存在浒苔等强背景干扰时虚警率高。在近海地区，尤其我国东海沿岸，由于全球气候变化、水体富营养化等原因，造成海洋大型海藻，如浒苔等暴发。大量浒苔漂浮聚集到岸边，阻塞航道，且会在双极化SAR图像上会表现出很强的反射信号。这种信号强度与船舶信号接近，故而在处理时可能造成大量虚警。现有的相近类型程序由于多用于科研教学，测试数据大多具有较强的代表性但范围较小，很少遇到此类区域，因而一般不具有抑制此类虚警的方案。
④未进行船舶目标类型自动区分。利用双极化SAR图像进行检测不仅可以检测出目标船只，而且还可以进一步提取船只的特征例如长度、宽度以及航速、航向等信息。现有的相近类型程序或方法由于多用于科研教学，目标相对明确，一般不集成有相应目标类型判决模块。
发明内容
本发明的目的在于针对现有技术的不足，提供一种双极化星载SAR图像海上船舶检测分类方法。
本发明的目的是通过以下技术方案实现的：一种双极化星载SAR图像海上船舶检测分类方法，其特征在于，包括以下步骤
(1)以GeoTIFF文件的形式读入双极化SAR图像(含两幅图像)；
(2)输入检测参数，所述检测参数包括：检测像元最小值O、检测船舶的长度范围[l1,l2]、对比度μ、全局阈值倍率e；读取与双极化SAR图像的分辨率对应的图像灰度标准差倍数t值；
(3)对步骤1读入的两幅图像进行预处理，去除双极化SAR图像中的黑边和灰度零值点，然后对图像进行陆地掩膜处理，统计海域平均灰度g。
(4)对步骤3处理后的两幅图像分别进行像素遍历，筛选出满足xt>μb+σbt且xt>e·g的像素点，其中，xt为测试像素值，μb为背景像素均值，σb为背景像素标准差。筛选出的像素点分别组成二值图像；
(5)采用逻辑“或”对步骤4得到的两幅二值图像进行融合，得到融合二值图像；
(6)采用区域生长法提取融合二值图像中的连通区域，作为候选目标点区域；
(7)对每个目标点区域进行梯度检测，具体如下：
(7.1)对于任一个目标点区域，建立覆盖该目标点区域的矩形区域，每一边到目标点区域的最小距离为(300米/分辨率)个像素。
(7.2)统计矩形区域内，目标点区域中像元灰度平均值Mtarget和目标点区域以外的像元灰度平均值Mbackground，若满足关系：Mtarget>μ·Mbackground；则认为该目标通过梯度检测，否则将该目标降格为背景。
(7.3)对每个目标点区域按照7.1-7.2进行梯度检测，将未通过梯度检测的目标点区域降格为背景，通过梯度检测的目标点区域。
(8)采用最小外接矩形法，提取每一个通过梯度检测的目标点区域的长、宽；剔除目标点区域像元小于检测像元最小值O的区域、以及不满足检测船舶的长度范围[l1,l2]的区域；
(9)将目标点区域沿其长轴均分成三部分，分别统计三部分的灰度平均值，进行中心最强峰值判决，若中间部分的灰度平均值最大，则标记为1，否则，标记为0；
(10)对目标点区域进行分类，具体如下：
针对20-120米分辨率的图像，根据步骤8提取的长度特征，对目标点区域进行分类，长度大于200米的区域标记为大型船舶，100-200米的区域标记为中型船舶，0-100米的区域标记为小型船舶；
针对1-20米分辨率的图像，根据步骤8提取的长宽特征，对目标点区域进行分类:
长度大于200米的区域：若长度为323～357m，长宽比为4.085～4.515，标记为航空母舰；否则根据中心最强峰值判决结果，判决结果为0时，则标记为散油滚；判决结果为1时，标记为集装箱；
长度在100-200米内的区域：长宽之比大于7.0，则判为军事用船；否则根据中心最强峰值判决结果，判决结果为0时，则标记为散货轮或油轮；判决结果为1时，标记为集装箱；
长度小于100米的区域：若长度小于50米，标记为渔船；否则根据中心最强峰值判决结果，判决结果为0时，则标记为货船；判决结果为1时，标记为公务船。
本发明的有益效果在于：
本①本程序发明瞄准业务化运行，利用自主SAR卫星的双极化数据，进行业务化目标检测。与现有方法或程序相比，较更注重运行效率和输入输出标准化。针对广泛使用的GeoTIFF文件，可选用像素级或决策级双极化SAR数据融合检测。检测算法采用简单稳定可靠的双参数CFAR算法，融合算法根据情况自主判断选用逻辑“或”、逻辑“与”、PWF，检测效率相对较高。同时输出部分与数据使用单位直接挂钩，输出必要的标准化数据。
②低风速区的虚警抑制。针对部分双极化SAR图像不同部分散射强度差异很大的问题。本发明引入综合全局门槛，可以较好地压制此类虚警。
③存在浒苔等强背景干扰时虚警抑制。针对此类大型的强反射体，本发明引入形态学检测和梯度检测，可以较好地压制此类虚警。
④SAR双极化遥感图像船舶自动分类方法。本发明实现利用双极化SAR图像，根据最小外接矩形法进一步提取船只长、宽、各部散射强度以及朝向等信息，并整合上述的类型判决模块，进一步提高整体业务化生产线的效率。
附图说明
图1为现有的检测方法基本框图；
图2为本发明的检测分类流程图；
图3为双参数CFAR检测虚假目标的流程图；
图4为融合后的二值图；
图5为矩形区域示意图；
图6-16分别为11个切片的中心最强峰值判决结果比对图；
图17为目标点区域进行分类框图。
具体实施方式
一种双极化星载SAR图像海上船舶检测分类方法，包括以下步骤
(1)以GeoTIFF文件的形式读入双极化SAR图像(含两幅图像)；
(2)输入检测参数，所述检测参数包括：检测像元最小值O、检测船舶的长度范围[l1,l2]、对比度μ、全局阈值倍率e；读取与双极化SAR图像的分辨率对应的图像灰度标准差倍数t值；
(3)对步骤1读入的两幅图像进行预处理，去除双极化SAR图像中的黑边和灰度零值点，然后对图像进行陆地掩膜处理，统计海域平均灰度g。
(4)检测低风速海域的虚假目标，并将其设置为背景。
于海况变化复杂，SAR图像中海洋背景和舰船目标的对比度会有很大变化，因此不能简单地用全局阈值来检测。本发明采用双参数CFAR检测方法进行检测，在给定虚警率情况下，检测门限由目标周围背景杂波的统计特性决定，故而能在一定程度上适应背景杂波的变化，基本可以满足双极化SAR图像舰船目标检测的要求。如图3所示，检测过程具体如下：
对步骤3处理后的两幅图像分别进行像素遍历，筛选出满足xt>μb+σbt且xt>e·g的像素点，其中，xt为测试像素值，μb为背景像素均值，σb为背景像素标准差。筛选出的像素点分别组成二值图像。
(5)采用逻辑“或”对步骤4得到的两幅二值图像进行融合，得到融合二值图像，如图4所示；
(6)采用区域生长法提取融合二值图像中的连通区域，作为候选目标点区域；
(7)对每个目标点区域进行梯度检测，具体如下：
(7.1)对于任一个目标点区域，建立覆盖该目标点区域的矩形区域，如图5所示，该矩形区域的每一边到目标点区域的最小距离为(300米/分辨率)个像素。
(7.2)统计矩形区域内，目标点区域中像元灰度平均值Mtarget和目标点区域以外的像元灰度平均值Mbackground，若满足关系：Mtarget>μ·Mbackground；则认为该目标通过梯度检测，否则将该目标降格为背景，以去除藻类等的影响。
(7.3)对每个目标点区域按照7.1-7.2进行梯度检测，将未通过梯度检测的目标点区域降格为背景，通过梯度检测的目标点区域。
(8)针对通过梯度检测的目标点区域，确定其最小外接矩形，进一步结合图像分辨率R提取最小外接矩形的长l0、宽w0；l0＝R·ltarget，w0＝R·wtarget，ltarget为目标最小外接矩形的长边的像元数，wtarget为目标最小外接矩形的长边的像元数；然后剔除目标点区域像元小于检测像元最小值O的区域、以及不满足检测船舶的长度范围[l1,l2]的区域；本发明将梯度检测方法和形态学滤波方法结合，根据海藻往往具有远大于船舶的面积和较小的强度梯度的特点，可以在存在浒苔等强背景干扰时起到较好的虚警抑制效果。
(9)将目标点区域沿其长轴均分成三部分，分别统计三部分的灰度平均值，进行中心最强峰值判决，若中间部分的灰度平均值最大，则标记为1，否则，标记为0；为保证其有效性，随机抽样11个切片进行人工验证，如图6-17所示。
在以上经过判读的一共12个切片中，其中的目标像元数量均在45以上。共有2个切片表现出差异，1个表现出可能存在差异。故而可以认为这种判断方式基本实现预定目标。
(10)对目标点区域进行分类，如图17所示，具体如下：
针对20-120米分辨率的图像，根据步骤8提取的长度特征，对目标点区域进行分类，长度大于200米的区域标记为大型船舶，标记为10，100-200米的区域标记为中型船舶，标记为20，0-100米的区域标记为小型船舶，标记为30；
针对1-20米分辨率的图像，根据步骤8提取的长宽特征，对目标点区域进行分类:
长度大于200米的区域：若长度为323～357m，长宽比为4.085～4.515，标记为航空母舰，标记为1A；否则根据中心最强峰值判决结果，判决结果为0时，则标记为散油滚，标记为1S；判决结果为1时，标记为集装箱，标记为1J；
长度在100-200米内的区域：长宽之比大于7.0，则判为军事用船，标记为2M；否则根据中心最强峰值判决结果，判决结果为0时，则标记为散货轮或油轮，标记为2S；判决结果为1时，标记为集装箱，标记为2J；
长度小于100米的区域：若长度小于50米，标记为渔船，标记为1Y；否则根据中心最强峰值判决结果，判决结果为0时，则标记为货船，标记为1M；判决结果为1时，标记为公务船，标记为1G。

Claims (1)

1.一种双极化星载SAR图像海上船舶检测分类方法，其特征在于，包括以下步骤
(1)以GeoTIFF文件的形式读入双极化SAR图像，其中含两幅图像；
(2)输入检测参数，所述检测参数包括：检测像元最小值O、检测船舶的长度范围[l1,l2]、对比度μ和全局阈值倍率e；读取与双极化SAR图像的分辨率对应的图像灰度标准差倍数t值；
(3)对步骤(1)读入的两幅图像进行预处理，去除双极化SAR图像中的黑边和灰度零值点，然后对图像进行陆地掩膜处理，统计海域平均灰度g；
(4)对步骤(3)处理后的两幅图像分别进行像素遍历，筛选出满足xt＞μb+σbt且xt＞e·g的像素点，其中，xt为测试像素值，μb为背景像素均值，σb为背景像素标准差；筛选出的像素点分别组成二值图像；
(5)采用逻辑“或”对步骤4得到的两幅二值图像进行融合，得到融合二值图像；
(6)采用区域生长法提取融合二值图像中的连通区域，作为候选目标点区域；
(7)对每个目标点区域进行梯度检测，具体如下：
(7.1)对于任一个目标点区域，建立覆盖该目标点区域的矩形区域，每一边到目标点区域的最小距离为300米/分辨率个像素；
(7.2)统计矩形区域内，目标点区域中像元灰度平均值Mtarget和目标点区域以外的像元灰度平均值Mbackground，若满足关系：Mtarget＞μ·Mbackground；则认为该目标通过梯度检测，否则将该目标降格为背景；
(7.3)对每个目标点区域按照(7.1)-(7.2)进行梯度检测，将未通过梯度检测的目标点区域降格为背景，通过梯度检测的目标点区域；
(8)采用最小外接矩形法，提取每一个通过梯度检测的目标点区域的长和宽；剔除目标点区域像元小于检测像元最小值O的区域、以及不满足检测船舶的长度范围[l1,l2]的区域；
(9)将目标点区域沿其长轴均分成三部分，分别统计三部分的灰度平均值，进行中心最强峰值判决，若中间部分的灰度平均值最大，则标记为1，否则，标记为0；
(10)对目标点区域进行分类，具体如下：
针对20-120米分辨率的图像，根据步骤(8)提取的长度特征，对目标点区域进行分类，长度大于200米的区域标记为大型船舶，100-200米的区域标记为中型船舶，0-100米的区域标记为小型船舶；
针对1-20米分辨率的图像，根据步骤(8)提取的长宽特征，对目标点区域进行分类：
长度大于200米的区域：若长度为323～357m，长宽比为4.085～4.515，标记为航空母舰；否则根据中心最强峰值判决结果，判决结果为0时，则标记为散油滚；判决结果为1时，标记为集装箱；
长度在100-200米内的区域：长宽之比大于7.0，则判为军事用船；否则根据中心最强峰值判决结果，判决结果为0时，则标记为散货轮或油轮；判决结果为1时，标记为集装箱；
长度小于100米的区域：若长度小于50米，标记为渔船；否则根据中心最强峰值判决结果，判决结果为0时，则标记为货船；判决结果为1时，标记为公务船。
CN201611251219.4A 2016-12-26 2016-12-26 一种双极化星载sar图像海上船舶检测分类方法 Active CN106803100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611251219.4A CN106803100B (zh) 2016-12-26 2016-12-26 一种双极化星载sar图像海上船舶检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611251219.4A CN106803100B (zh) 2016-12-26 2016-12-26 一种双极化星载sar图像海上船舶检测分类方法

Publications (2)

Publication Number Publication Date
CN106803100A CN106803100A (zh) 2017-06-06
CN106803100B true CN106803100B (zh) 2020-08-18

Family

ID=58984275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611251219.4A Active CN106803100B (zh) 2016-12-26 2016-12-26 一种双极化星载sar图像海上船舶检测分类方法

Country Status (1)

Country Link
CN (1) CN106803100B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305274B (zh) * 2018-03-08 2021-11-23 中国民航大学 PolSAR图像多特征融合的飞机目标检测方法
CN111105419B (zh) * 2019-10-09 2023-04-18 中国船舶重工集团公司第七0九研究所 一种基于极化sar图像的车辆船舶检测方法及装置
CN113050090B (zh) * 2021-03-28 2023-08-15 自然资源部国土卫星遥感应用中心 一种双极化hh、hv雷达图像特征融合增强方法
CN115205693B (zh) * 2022-09-16 2022-12-02 中国石油大学(华东) 一种多特征集成学习的双极化sar影像浒苔提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109597A (zh) * 2009-12-29 2011-06-29 中国科学院对地观测与数字地球科学中心 根据船舶的高分辨率sar影像识别船舶类型的方法
CN103984945A (zh) * 2014-05-14 2014-08-13 武汉大学 一种光学遥感影像船只检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109597A (zh) * 2009-12-29 2011-06-29 中国科学院对地观测与数字地球科学中心 根据船舶的高分辨率sar影像识别船舶类型的方法
CN103984945A (zh) * 2014-05-14 2014-08-13 武汉大学 一种光学遥感影像船只检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的CFAR船只探测方法;陈鹏等;《遥感学报》;20050610;第9卷(第3期);第260-264页 *
基于图像的船舶目标检测;张静;《中国优秀硕士学位论文全文数据库 信息科技辑》;20081115(第11期);第2.2.1节 *
张风丽.水上船舶 SAR遥感检测技术及应用前景分析.《豆丁网在线公开：https://www.docin.com/p-840337684.html》.2014, *

Also Published As

Publication number Publication date
CN106803100A (zh) 2017-06-06

Similar Documents

Publication Publication Date Title
CN106803100B (zh) 一种双极化星载sar图像海上船舶检测分类方法
Graziano et al. Ship heading and velocity analysis by wake detection in SAR images
Shirvany et al. Ship and oil-spill detection using the degree of polarization in linear and hybrid/compact dual-pol SAR
Nunziata et al. Coastline extraction using dual-polarimetric COSMO-SkyMed PingPong mode SAR data
Paes et al. Ship detection using TerraSAR-X images in the Campos Basin (Brazil)
Buono et al. A multipolarization analysis of coastline extraction using X-band COSMO-SkyMed SAR data
Migliaccio et al. Single-look complex COSMO-SkyMed SAR data to observe metallic targets at sea
Ouchi Current status on vessel detection and classification by synthetic aperture radar for maritime security and safety
Akbari et al. Iceberg detection in open and ice-infested waters using C-band polarimetric synthetic aperture radar
Greidanus Satellite imaging for maritime surveillance of the European seas
Hamouda et al. Comparative study between acoustic signals and images for detecting seabed features
Lehner et al. Maritime products using TerraSAR-X and sentinel-1 imagery
CN112989940A (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
Park Detection of water bodies from Kompsat-5 SAR data
Yu et al. Automatic extraction of green tide using dual polarization Chinese GF-3 SAR images
Pieralice et al. An innovative methodological approach in the frame of Marine Strategy Framework Directive: A statistical model based on ship detection SAR data for monitoring programmes
Færch et al. A Comparison of CFAR Object Detection Algorithms for Iceberg Identification in L-and C-band SAR Imagery of the Labrador Sea
Nunziata et al. Dual-polarized COSMO-SkyMed SAR data for coastline detection
Crisp et al. Comparison of ship detectors for polarimetric SAR imagery
Bioresita et al. Ship detection in Madura Strait and Lamong Gulf using Sentinel-1 SAR data
CN111105419B (zh) 一种基于极化sar图像的车辆船舶检测方法及装置
CN115700739A (zh) 一种全极化sar图像舰船检测方法
Hannevik Literature review on ship and ice discrimination
Tello et al. Use of the multiresolution capability of wavelets for ship detection in SAR imagery
Markiewicz et al. Coastline change-detection method using remote sensing satellite observation data

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