CN107145874A - 复杂背景sar图像中的舰船目标检测与鉴别方法 - Google Patents

复杂背景sar图像中的舰船目标检测与鉴别方法 Download PDF

Info

Publication number
CN107145874A
CN107145874A CN201710336349.6A CN201710336349A CN107145874A CN 107145874 A CN107145874 A CN 107145874A CN 201710336349 A CN201710336349 A CN 201710336349A CN 107145874 A CN107145874 A CN 107145874A
Authority
CN
China
Prior art keywords
land
sar image
false
image
extra large
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
Application number
CN201710336349.6A
Other languages
English (en)
Other versions
CN107145874B (zh
Inventor
徐丰
敖巍
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN201710336349.6A priority Critical patent/CN107145874B/zh
Publication of CN107145874A publication Critical patent/CN107145874A/zh
Application granted granted Critical
Publication of CN107145874B publication Critical patent/CN107145874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于雷达图像处理技术领域，具体为一种复杂背景SAR图像中的舰船目标检测与鉴别方法。本发明的主要步骤为：(1)精细海陆分割；（2）舰船目标高效检测，包括大尺度CFAR和小尺度迭代CFAR，其中利用到了基于广义Gamma分布的合成孔径雷达图像杂波统计分布模型；（3）近岸目标虚警鉴别,包括基于最大似然的虚警鉴别算法和基于极化信息的虚警鉴别算法。本发明能够高效、准确地检测出近岸、港口等复杂背景中的舰船目标；能够利用基于最大似然和基于极化信息的虚警鉴别算法鉴别虚警目标，提高舰船目标检测准确率。本发明提出的舰船检测算法适用于任意的SAR图像背景，鲁棒性高，实时性好，具有推广应用前景。

Description

复杂背景SAR图像中的舰船目标检测与鉴别方法
发明领域
本发明属于雷达图像处理技术领域，具体涉及一种复杂背景SAR图像中的舰船目标检测与鉴别方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时的对地观测能力，SAR在海洋监测方面得到了广泛的应用，并发挥了巨大的社会、经济和军事效益。近年来大量的多极化和全极化卫星成功发射，可以有效的获取地面目标的极化信息，进而可以通过极化信息识别不同的散射机制和散射体。
恒虚警率(Constant False Alarm Rate,CFAR)舰船检测技术是最常用的SAR图像目标检测之一，CFAR采用逐像素的滑窗进行目标检测，算法的时间复杂度非常高，几乎不能应用于宽幅SAR图像检测和有较高实时性的需求应用场景。CFAR舰船检测利用局部区域的像素进行杂波分布的统计建模，没有考虑SAR图像的全局信息，无法应用于复杂环境下的舰船检测。在实际的SAR图像中，检测的背景环境非常复杂，不仅有纯海洋环境，还有岛屿、陆地等，特别是在靠近陆地的海洋区域还有人造的港口码头、海岸堤坝、岩礁、海上养殖物等，它们不仅具有较高的后向散射系数而且具有复杂的几何形态，很难与舰船目标进行区分。
近年来，神经网络和深度学习的方法被应用到SAR图像舰船检测中并取得了一些成果，这种方法首先需要大量带标签的SAR舰船图片训练神经网络，在很多情况下，要得到大量训练数据集是不实际的。
复杂环境下SAR图像中的舰船目标检测的首要任务就是实现高精度的海陆分割，然后在水域中进行舰船目标检测，这样不仅可以大大降低运算量，也可以解决陆地对舰船检测的干扰。目前常用的海陆分割算法主要是基于强度阈值、灰度直方图分布、梯度场、边缘信息的海陆分割算法，如，大津阈值分割(Otsu)、马尔科夫随机场(Markov RandomFields)图像分割算法。这些图像分割算法都是首先应用于光学图像分割中，然后被引入到SAR图像分割，在一些特定的情况下可以取得很好的海陆分割效果。但是受SAR图像相干斑噪声影响、陆地分布影响、陆地明暗的影响明显，很难适应各种各样复杂的海陆状况。
目前在SAR图像舰船检测中主要用到的虚警鉴别技术是基于舰船的面积、形状、长宽比等信息，类似这种虚警鉴别技术主要存在两方面的问题：1)受到舰船旁瓣泄漏、相干斑噪声、舰船尾迹、图像分辨率等的影响很难准确测得舰船的面积、形状和长宽比；2)在近岸海域往往有许多人造的虚警目标，它们的后向散射系数较大强度较强，形状也大都是“长方形”，很难用这种方法区分其与舰船目标。
发明内容
本发明的目的在于提出一种能够高效、准确地检测和鉴别复杂背景SAR图像中舰船目标的方法。
本发明提出的复杂背景SAR图像中的舰船目标检测与鉴别方法，具体步骤如下：
(1)首先采用精细海陆分割算法，对SAR图像做精细海陆分割；
(2)然后采用舰船目标高效检测算法，对舰船目标进行检测；
(3)最后采用近岸目标虚警鉴别算法，对近岸目标进行虚警鉴别。
所述的精细海陆分割算法，包括：基于广义Gamma分布(Generalized GammaDistribution,广义伽马分布)的SAR图像杂波分布统计模型的建模与参数估计，数据库辅助的海陆分割和像素级精细分割。
(公式一)是广义Gamma分布的一种形式，其中Γ(·)表示Gamma函数，β,λ,ν＞0，分布表示广义Gamma分布的尺度参数，形状参数和能量参数。
所述的舰船目标高效检测算法，包括：大尺度CFAR(Constant False Alarm Rate,CFAR，恒虚警率)和小尺度迭代CFAR。
所述的近岸目标虚警鉴别算法，包括：基于最大似然的虚警鉴别和利用极化信息的虚警鉴别。
所述的基于广义Gamma分布的SAR图像杂波统计分布模型的建模和参数估计的流程为，首先估计Gamma分布的SAR图像分布模型，根据Gamma分布的参数作为初始值，然后利用数值迭代的方法逼近广义Gamma分布参数的最优解。
所述的数据库辅助的海陆分割的流程为，利用待检测SAR图像的经纬度信息读取该区域对应的数据库中的海陆分割掩膜，将该掩膜变换为与SAR图像相同的尺寸；
所述的像素级精细分割的流程为，估计出SAR图像的海洋杂波的统计分布，判断海陆分割数据库精度误差范围内的像素的海陆属性。
所述的大尺度CFAR的流程为，栅格化原始SAR图像，估计每个栅格内的SAR图像杂波统计分布，对二维阈值曲面进行平滑滤波和尺寸变化。
所述的小尺度迭代CFAR的流程为，估计连通区域附件的背景杂波的统计分布，剔除连通区域对杂波统计估计的影响。
所述的基于最大似然的虚警鉴别的流程为，估计出远海舰船的统计分布模型，估计出近岸陆地的统计分布模型，计算近岸目标属于远海舰船的似然概率，计算近岸目标属于近岸陆地的似然概率。
所述的基于极化信息的虚警鉴别的流程为，计算目标区域极化散射机制，然后判断目标区域的极化散射属性。
下面对各步骤的算法作进一步介绍：
(1)基于广义Gamma分布的SAR图像杂波分布统计模型的建模与参数估计，具体步骤为：
(1a)在SAR图像的海洋区域选取一块大小合适的区域作为估计海洋杂波统计分布的样本数据，记该区域内海洋杂波像素的样本个数为N；
(1b)用最大似然(Maximum Likelihood,ML)估计出(公式一)中广义Gamma分布的参数β、λ和ν，具体方法是用数值迭代方法求解(公式二)方程组中的广义Gamma分布的参数β、λ和ν
(公式二)中的ψ(·)表示Gamma函数的导数，定义式见(公式三)；
将利用数值方法求解得到的参数β、λ和ν代入(公式一)广义Gamma分布的概率密度函数中，即可得到SAR图像海洋杂波的广义Gamma分布统计模型；
(1c)对(公式一)进行积分可以得到广义Gamma分布的累计分布函数：
(1d)(公式二)是非线性方程组的求解问题，所以本发明采用一般的数值迭代的方法进求解。但是直接进行数值迭代可能陷入不合理的局部最优解，考虑到Gamma分布是广义Gamma分布在ν＝1时的特殊情况，所以本发明先估计出Gamma分布的参数。即限制时ν＝1先求解另外两个参数，此时得到的解是在(β,λ,ν)三维解空间内ν＝1平面上的最小值。然后以这个点为初始值进行迭代求解广义Gamma分布的三参数优化问题，实验表明该方法可以得到稳定合理的广义Gamma分布参数。
(2)数据库辅助的海陆分割,具体步骤为：
(2a)读取出待检测SAR图像的经纬度，具体包括该图像左上角的经纬度、该图像右上角的经纬度、该图像左下角的经纬度、该图像右下角的经纬度；
(2b)利用这4个点的经纬度在全球海陆数据库(全球海陆数据库可以是任意的数据源，任意的分辨率，数据格式可以是表征海陆分布情况的任意格式包括但不限于二值图像或者SHP文件，分辨率越高精度越好)中读取出该区域海陆掩膜；
(2c)因为一般SAR图像的分辨率远远高于大部分海陆数据库的海陆掩膜的分辨率，利用最近邻插值将步骤(2b)中读取出的海陆掩膜插值为尺寸与SAR图像尺寸相同的图像；
(2d)在步骤(2c)的海陆掩膜图像上，陆地部分向海洋部分膨胀，膨胀的半径不低于海陆数据库海陆掩膜的分辨率，去掉海洋部分中由于分辨率误差而可以存在的陆地像素点。然后估计出此时海陆掩膜中海洋部分对应SAR图像的海洋杂波的广义Gamma分布，记为cG(x；β,λ,ν)。
(3)像素级精细分割,具体步骤为：
(3a)SAR图像中陆地杂波和海洋杂波在强度分布上具有明显差异，设置一个合理的陆地概率；
(3b)根据步骤(2d)中估计出的海洋杂波的广义Gamma分布求出陆地阈值TL：
c-1(P；β,λ,ν)表是广义Gamma分布概率密度函数的逆函数，PL表示一个设置的陆地概率；
(3c)在步骤(2c)海陆掩膜海陆边界附件区域进行海陆判决(判决区域直径的大小不低于2倍的海陆分割数据库的分辨率)，如果像素的强度值大于步骤(3b)中的陆地阈值则认为是陆地像素，如果像素的强度值小于步骤(3b)中的陆地阈值则认为是海洋像素，这样可以得到表征该区域陆地海洋属性的二值图像；
(3d)可以对步骤(3c)中得到的二值图像进行简单的形态学处理，填充空洞、平滑等，滤波器的尺度视实际情况而定，为了保持陆地边界的精度也可以跳过该步骤，不进行形态学处理；
(3e)在步骤(2c)海陆掩膜中海洋部分向陆地部分膨胀，膨胀半径不低于海陆数据库海陆掩膜的分辨率，剩下的陆地是没有海陆分割数据库海陆掩膜分辨率误差的陆地区域，判断该区域与步骤(3c)或者步骤(3d)中得到二值图像的连通性，如果连通则属于陆地部分。这样就得到了像素级精度的海陆分割结果。
(4)大尺度CFAR,具体步骤为：
(4a)在SAR图像分割出的海洋部分，沿着方位向和距离向等距离分割海面为区域级二维栅格；
(4b)估计每个海面栅格内海洋杂波的广义Gamma分布；
(4c)设置一个合理的虚警率，根据这个虚警率计算出每个栅格内的强度阈值，计算方法同(3b)，这样可以得到一个二维阈值曲面；
(4d)对步骤(4c)中得到的二维阈值曲面沿方位向和距离向分别进行加权线性最小二乘滤波，这样可以得到一个平滑后的二维阈值曲面；
(4e)对步骤(4d)中得到的二维阈值曲面进行双线性插值，使其与SAR图像的维度相同，这样可以得到一个与SAR图像高度、宽度相同的阈值曲面；
(4f)让SAR图像的海洋部分与步骤(4e)中的阈值曲面进行比较判别，得到一幅表征舰船像素和其他虚警像素的二值图像。
(5)小尺度迭代CFAR,具体步骤为：
(5a)对步骤(4f)得到二值图像进行连通性检测，将每个连通区域作为待检测目标点；
(5b)确定每个连通区域的背景窗口，该窗口可以是一个w×w像素宽度的矩形窗口，w表示矩形窗口的像素宽度，让矩形窗口的中心对齐连通区域的中心；
(5c)用背景窗口中的像素点估计每个连通区域周围背景杂波的广义Gamma分布，但要除去那些属于连通区域的像素(包括当前检测的连通区域和及其他的连通区域)；
(5d)设置一个合理的小尺度迭代CFAR的虚警概率，计算出每个连通区域对应的强度阈值，连通区域的像素点逐个与连通区域对应的强度阈值进行比较判决，得到一个表征舰船检测结果的二值图像。
(6)基于最大似然的虚警鉴别,具体步骤为：
(6a)根据海陆边界处陆地像素值，估计出近岸陆地的广义Gamma分布(βL,λL,νL)；
(6b)根据检测到的远海目标，估计出远海舰船的广义Gamma分布(βS,λS,νS)；
(6c)若某个近岸目标连通区域内有N个像素点，这个目标属于近岸陆地的对数似然概率为
(6d)这个目标属于舰船的似然概率为
(6e)如果lL＜lS，那么该区域是舰船，否则该目标为虚警；
(6f)遍历步骤(5d)二值图像中所有的近岸目标，重复步骤(6c)、(6d)、(6e)的过程，判决每一个近岸目标，鉴别虚警目标，保留舰船目标，这样可以得到经过最大似然虚警鉴别后的表征舰船目标的二值图像。
(7)基于极化信息的虚警鉴别,具体步骤为：
(7a)利用SAR图像的HH、HV、VH和VV图像计算出步骤(6f)得到二值图像每个连通区域的极化散射参数
(7b)利用SAR图像的HH、HV、VH和VV图像计算出步骤(6f)得到二值图像每个连通区域的极化散射熵H；
(7c)根据Cloud和Pottier于1997年提出的一种无监督全极化SAR图像分分类方法，二面角和金属散射体的主要存在范围为
(7d)如果步骤(6f)得到二值图像的每个连通区域内判决为二面角和金属散射机制的散射体的像素个数大于一定的比例(至少为30％，例如取50％)，那么认为这个连通区域是舰船目标予以保留，否则删除这个连通区域；这样得到最终的标准舰船目标的二值图像。
本发明方法能够高效、准确地检测出近岸、港口等复杂背景中的舰船目标，能够利用基于最大似然和基于极化信息的虚警鉴别算法鉴别虚警目标，提高舰船目标检测准确率。本发明提出的舰船检测算法适用于任意的SAR图像背景，鲁棒性高，实时性好，具有推广应用前景。
附图说明
图1是本发明的舰船检测算法流程图。
图2是本发明精细海陆分割算法流程图。
图3是本发明实验采用的SAR图像HH极化和HV极化两块海域海洋杂波强度直方图和多种分布拟合的概率密度函数。
图4是本发明实验采用的SAR图像的陆地杂波和海洋杂波的广义Gamma分布概率密度函数。
图5是本发明实验采用的极化SAR图像,(a)为HH极化SAR图像，(b)为HV极化SAR图像。
图6是本发明实验采用的SAR图像对应的光学图像。
图7是本发明实验的像素级海陆分割效果示意图。
图8是本发明小尺度迭代CFAR操作示意图。
图9是本发明实验SAR图像舰船检测结果(极化虚警鉴别前)。
图10是本发明实验SAR图像舰船检测结果(极化虚警鉴别前)中某个区域的极化熵H和极化散射系数的分布图。
图11是本发明实验SAR图像得到虚警鉴别效果图。
图12是本发明实验SAR图像舰船检测结果。
具体实施方式
下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实例采用的SAR图像是日本ALOS-2卫星L波段全极化SAR图像，图像的方位向分辨率是5.722米，距离向分辨率是5.562米，该区域大致位于中国舟山群岛六横岛附近海域。本实例采用的是250米分辨率的全球海陆数据库。
图1是本发明的算法流程图，该算法主要包括精细海陆分割、舰船目标CFAR检测和虚警鉴别三个步骤。
图2是本发明提出的海陆分割算法流程图，包括读取250米分辨率海陆分割掩膜、海洋杂波统计建模、形态学操作等步骤。
图3中海面1和海面2的强度分布直方图和多种拟合分布的概率密度函数，给出Gamma分布拟合的概率密度函数、对数正态分布(Log-Normal Distribution)拟合的概率密度函数、Weibull分布拟合的概率密度函数是为了与广义Gamma分布的拟合效果进行比较，计算每个分布拟合的KL散射(Kullback-Leibler Divergence)可知广义Gamma分布在不同的极化模式下都取得了最好的拟合效果。
图4是估计出的图5(b)中标注的陆地区域和海洋区域的广义Gamma分布的概率密度函数，陆地区域和海洋区域在强度直方图上的分布位置明显不同，两者的重叠区域较小，说明前述像素级海分割算法具有可行性。
结合本实例说明本发明的具体实施过程如下：
步骤1：根据待检测SAR图像的经纬读取该区域对应的250米分辨率的海陆掩膜，如图7(a)所示，图5是待检测的极化SAR图像的HH极化和HV极化图像，可以看出该区域的海陆环境非常复杂不仅有陆地还有岛屿、岩礁、人造的码头、堤坝等；
步骤2：利用本发明提出的精细海陆分割算法计算出像素级精度海陆分割掩膜如图7(b)所示，为了比较海陆分割的效果，图6给出了该区域的光学图像，比较可知海陆分割的精度非常高；
步骤3：在步骤2得到海洋区域进行本发明提出的大尺度CFAR操作；
步骤4：在步骤3的结果上进行本发明提出的小尺度迭代CFAR操作，操作示意图见图8；
步骤5：对步骤4的结果进行本发明提出的基于最大似然的虚警鉴别操作，结果如图9，可以看出SAR中的舰船目标被准确检测出，图9(a)中标注的“岩礁区”还有少量的岩礁目标被虚警；
步骤6：利用本发明提出的基于极化信息的虚警鉴别算法对步骤5得到的结果进行虚警鉴别，图10是图9(a)中标注的“岩礁区”极化熵H和极化散射系数的分布图。图11是利用极化信息进行虚警鉴别的效果图，可以看出绝大部分虚警的岩礁目标都被去除了。图12是该SAR图像舰船检测的最终结果。
本实例SAR图像尺寸为4844×4180像素，实验的软硬件配置为Intel(R)Core(TM)i5-4590处理器、8GB内存、Matlab R2015b。本实例共检测出舰船183只，检测率为97.7％，正确率92.9％，检测用时51.44秒。

Claims (9)

1.一种复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，具体步骤如下：
(1)首先采用精细海陆分割算法，对SAR图像做精细海陆分割；
(2)然后采用舰船目标高效检测算法，对舰船目标进行检测；
(3)最后采用近岸目标虚警鉴别算法，对近岸目标进行虚警鉴别。
所述的精细海陆分割算法，包括：基于广义Gamma分布的SAR图像杂波分布统计模型的建模与参数估计，数据库辅助的海陆分割和像素级精细分割；
(公式一)是广义Gamma分布的一种形式，其中Γ(·)表示Gamma函数，β,λ,ν＞0，分布表示广义Gamma分布的尺度参数，形状参数和能量参数。
所述的舰船目标高效检测算法，包括：大尺度CFAR和小尺度迭代CFAR；
所述的近岸目标虚警鉴别算法，包括：基于最大似然的虚警鉴别和利用极化信息的虚警鉴别；
所述的基于广义Gamma分布的SAR图像杂波统计分布模型的建模和参数估计的流程为，首先估计SAR图像杂波的Gamm分布(Gamma Distribution,伽马分布)，然后根据Gamma分布的参数作为初始值，利用数值的方法反复迭代逐步逼近求解广义Gamma分布参数的全局最优解或可以达到的最好的局部最优解；
所述的数据库辅助的海陆分割的流程为，利用待检测SAR图像的经纬度信息读取该区域对应的数据库中的海陆分割掩膜，将该掩膜变换为与SAR图像相同的尺寸；
所述的像素级精细分割的流程为，估计出SAR图像的海洋杂波的统计分布，判断海陆分割数据库精度误差范围内的像素的海陆属性；
所述的大尺度CFAR的流程为，栅格化原始SAR图像，估计每个栅格内的SAR图像杂波统计分布，对二维阈值曲面进行平滑滤波和尺寸变化；
所述的小尺度迭代CFAR的流程为，估计连通区域附件的背景杂波的统计分布，剔除连通区域对杂波统计估计的影响；
所述的基于最大似然的虚警鉴别的流程为，估计出远海舰船的统计分布模型，估计出近岸陆地的统计分布模型，计算近岸目标属于远海舰船的似然概率，计算近岸目标属于近岸陆地的似然概率；
所述的基于极化信息的虚警鉴别的流程为，计算目标区域极化散射机制，然后判断目标区域的极化散射属性。
2.根据权利要求1所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的基于广义Gamma分布的SAR图像杂波分布统计模型的建模与参数估计，具体步骤为：
(1a)在SAR图像的海洋区域选取一块大小合适的区域作为估计海洋杂波统计分布的样本数据，记该区域内海洋杂波像素的样本个数为N；
(1b)用最大似然估计出(公式一)中广义Gamma分布的参数β、λ和ν，具体方法是用数值迭代方法求解(公式二)方程组中的广义Gamma分布的参数β、λ和ν
(公式二)中的ψ(·)表示Gamma函数的导数，定义式见(公式三)；
将利用数值方法求解得到的参数β、λ和ν代入(公式二)广义Gamma分布的概率密度函数中，即得到SAR图像海洋杂波的广义Gamma分布统计模型；
(1c)对(公式一)进行积分得到广义Gamma分布的累计分布函数：
(1d)(公式二)是非线性方程组，采用数值迭代的方法进求解。
3.根据权利要求2所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的数据库辅助的海陆分割,具体步骤为：
(2a)读取出待检测SAR图像的经纬度，具体包括该图像左上角的经纬度、该图像右上角的经纬度、该图像左下角的经纬度、该图像右下角的经纬度；
(2b)利用这4个点的经纬度在全球海陆数据库(全球海陆数据库可以是任意的数据源，任意的分辨率，数据格式可以是表征海陆分布情况的任意格式包括但不限于二值图像或者SHP文件，分辨率越高精度越好)中读取出该区域海陆掩膜；
(2c)利用最近邻插值将步骤(2b)中读取出的海陆掩膜插值为尺寸与SAR图像尺寸相同的图像；
(2d)在步骤(2c)的海陆掩膜图像上，陆地部分向海洋部分膨胀，膨胀半径不小于数据库中海陆掩膜的分辨率，去掉海洋部分中由于分辨率误差而可以存在的陆地像素点；然后估计出此时海陆掩膜中海洋部分对应SAR图像的海洋杂波的广义Gamma分布，记为cG(x；β,λ,ν)。
4.根据权利要求3所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的像素级精细分割,具体步骤为：
(3a)SAR图像中陆地杂波和海洋杂波在强度分布上具有明显差异，设置一个合理的陆地概率；
(3b)根据步骤(2d)中估计出的海洋杂波的广义Gamma分布求出陆地阈值PL：
c-1(P；β,λ,ν)表是广义Gamma分布概率密度函数的逆函数；
(3c)在步骤(2c)海陆掩膜海陆边界区域进行海陆判决(该区域的大小至少为数据库海陆掩膜分辨率的2倍)，如果像素的强度值大于步骤(3b)中的陆地阈值，则认为是陆地像素，如果像素的强度值小于步骤(3b)中的陆地阈值，则认为是海洋像素，这样可以得到表征该区域陆地海洋属性的二值图像；
(3d)对步骤(3c)中得到的二值图像进行形态学处理，包括填充空洞、平滑；
(3e)在步骤(2c)海陆掩膜中海洋部分向陆地部分膨胀，膨胀半径不小于数据库海陆掩膜的分辨率，剩下的陆地是没有分辨率误差的陆地区域，判断该区域与步骤(3c)或者步骤(3d)中得到二值图像的连通性，如果连通则属于陆地部分；这样就得到像素级精度的海陆分割结果。
5.根据权利要求4所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的大尺度CFAR,具体步骤为：
(4a)在SAR图像分割出的海洋部分，沿着方位向和距离向等距离分割海面为区域级二维栅格；
(4b)估计每个海面栅格内海洋杂波的广义Gamma分布；
(4c)设置一个合理的虚警率，根据这个虚警率计算出每个栅格内的强度阈值，计算方法同步骤(3b)，得到一个二维阈值曲面；
(4d)对步骤(4c)中得到的二维阈值曲面沿方位向和距离向分别进行加权线性最小二乘滤波，得到一个平滑后的二维阈值曲面；
(4e)对步骤(4d)中得到的二维阈值曲面进行双线性插值，使其与SAR图像的维度相同，得到一个与SAR图像高度、宽度相同的阈值曲面；
(4f)让SAR图像的海洋部分与步骤(4e)中的阈值曲面进行比较判别，得到一幅表征舰船像素和其他虚警像素的二值图像。
6.根据权利要求5所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的小尺度迭代CFAR,具体步骤为：
(5a)对步骤(4f)得到二值图像进行连通性检测，将每个连通区域作为待检测目标点；
(5b)确定每个连通区域的背景窗口，设该窗口是一个w×w像素宽度的矩形窗口，w表示矩形窗口的像素宽度，让矩形窗口的中心对齐连通区域的中心；
(5c)用背景窗口中的像素点估计每个连通区域周围背景杂波的广义Gamma分布，但要除去那些属于连通区域的像素，连通区域包括当前检测的连通区域和及其他的连通区域；
(5d)设置一个合理的小尺度迭代CFAR的虚警概率，计算出每个连通区域对应的强度阈值，连通区域的像素点逐个与连通区域对应的强度阈值进行比较判决，得到一个表征舰船检测结果的二值图像。
7.根据权利要求6所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的基于最大似然的虚警鉴别,具体步骤为：
(6a)根据海陆边界处陆地像素值，估计出近岸陆地的广义Gamma分布(βL,λL,νL)；
(6b)根据检测到的远海目标，估计出远海舰船的广义Gamma分布(βS,λS,νS)；
(6c)若某个近岸目标连通区域内有N个像素点，这个目标属于近岸陆地的对数似然概率为
(6d)这个目标属于舰船的似然概率为
(6e)如果lL＜lS，那么该区域是舰船，否则该目标为虚警；
(6f)遍历步骤(5d)二值图像中所有的近岸目标，重复步骤(6c)、(6d)、(6e)的过程，判决每一个近岸目标，鉴别虚警目标，保留舰船目标，得到经过最大似然虚警鉴别后的表征舰船目标的二值图像。
8.根据权利要求7所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的基于极化信息的虚警鉴别,具体步骤为：
(7a)利用SAR图像的HH、HV、VH和VV图像计算出步骤(6f)得到二值图像每个连通区域的极化散射参数
(7b)利用SAR图像的HH、HV、VH和VV图像计算出步骤(6f)得到二值图像每个连通区域的极化散射熵H；
(7c)根据Cloud和Pottier提出的一种无监督全极化SAR图像分分类方法，二面角和金属散射体的主要存在范围为
(7d)如果步骤(6f)得到二值图像的每个连通区域内判决为二面角和金属散射机制的散射体的像素个数大于一定的比例，那么认为这个连通区域是舰船目标予以保留，否则删除这个连通区域；这样得到最终的标准舰船目标的二值图像。
9.根据权利要求2所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，对于(公式一)非线性方程组采用如下数值迭代的方法进求解：先估计出Gamma分布的参数，即限制ν＝1先求解另外两个参数，此时得到的解是在(β,λ,ν)三维解空间内ν＝1平面上的最小值；然后以这个点为初始值进行迭代求解广义Gamma分布的三参数优化问题，得到稳定合理的广义Gamma分布参数。
CN201710336349.6A 2017-05-13 2017-05-13 复杂背景sar图像中的舰船目标检测与鉴别方法 Active CN107145874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710336349.6A CN107145874B (zh) 2017-05-13 2017-05-13 复杂背景sar图像中的舰船目标检测与鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710336349.6A CN107145874B (zh) 2017-05-13 2017-05-13 复杂背景sar图像中的舰船目标检测与鉴别方法

Publications (2)

Publication Number Publication Date
CN107145874A true CN107145874A (zh) 2017-09-08
CN107145874B CN107145874B (zh) 2021-06-04

Family

ID=59777047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710336349.6A Active CN107145874B (zh) 2017-05-13 2017-05-13 复杂背景sar图像中的舰船目标检测与鉴别方法

Country Status (1)

Country Link
CN (1) CN107145874B (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596151A (zh) * 2018-05-10 2018-09-28 北京航空航天大学 一种大场景sar图像中舰船目标切片快速提取方法
CN108594230A (zh) * 2018-07-17 2018-09-28 电子科技大学 一种海船场景的合成孔径雷达图像仿真方法
CN108875636A (zh) * 2018-06-20 2018-11-23 中国电子科技集团公司第五十四研究所 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法
CN109031294A (zh) * 2018-07-17 2018-12-18 中国人民解放军国防科技大学 基于相似性检验的极化sar舰船目标检测方法
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
CN109299656A (zh) * 2018-08-13 2019-02-01 浙江零跑科技有限公司 一种车载视觉系统场景视深确定方法
CN109359595A (zh) * 2018-10-17 2019-02-19 四川航天系统工程研究所 一种新型sar图像统计模型及其参数估计方法
CN109583444A (zh) * 2018-11-22 2019-04-05 博志生物科技有限公司 空洞区域定位方法、装置及计算机可读存储介质
CN109583293A (zh) * 2018-10-12 2019-04-05 复旦大学 星载sar图像中的飞机目标检测与鉴别方法
CN109584279A (zh) * 2017-09-29 2019-04-05 中国科学院遥感与数字地球研究所 基于sar图像的船舶检测方法、装置及船舶检测系统
CN109766811A (zh) * 2018-12-31 2019-05-17 复旦大学 一种星载sar图像中海面船只的端到端检测与识别方法
CN110163275A (zh) * 2019-05-16 2019-08-23 西安电子科技大学 基于深度卷积神经网络的sar图像目标分类方法
CN110889843A (zh) * 2019-11-29 2020-03-17 西安电子科技大学 基于最大稳定极值区域的sar图像舰船目标检测方法
CN111812598A (zh) * 2020-07-30 2020-10-23 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于时域频域多特征的地海杂波分类方法
CN112101250A (zh) * 2020-09-18 2020-12-18 电子科技大学 一种基于上下文语义感知的近岸舰船目标检测方法
CN112147591A (zh) * 2020-08-27 2020-12-29 清华大学 一种极化雷达海面舰船检测方法及装置
CN112464849A (zh) * 2020-12-07 2021-03-09 北京航空航天大学 一种星载光学遥感图像中驻泊舰船目标检测方法
CN112560929A (zh) * 2020-12-09 2021-03-26 中国石油大学(华东) 溢油区域确定方法及装置、存储介质
CN112560897A (zh) * 2020-11-24 2021-03-26 西安电子科技大学 基于船长统计模型的雷达舰船分类能力评价方法
CN112818851A (zh) * 2020-09-02 2021-05-18 河南工业大学 基于fy-3mwri数据的冰间湖探测方法
CN112836638A (zh) * 2021-02-03 2021-05-25 自然资源部第一海洋研究所 高海况sar船只检测方法及应用
CN112949395A (zh) * 2021-01-29 2021-06-11 复旦大学 基于广义相干散射子改进模型杂波仿真的目标检测方法
CN112986991A (zh) * 2021-02-05 2021-06-18 中国人民解放军国防科技大学 一种杂波分布无关的极化合成孔径雷达船只检测方法
CN113052117A (zh) * 2021-04-06 2021-06-29 合肥工业大学 一种ais数据辅助的sar图像的瑞利cfar检测方法
CN113158806A (zh) * 2021-03-24 2021-07-23 山东科技大学 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法
CN113362293A (zh) * 2021-05-27 2021-09-07 西安理工大学 一种基于显著性的sar图像舰船目标快速检测方法
CN113408401A (zh) * 2021-06-16 2021-09-17 中国科学院南海海洋研究所 一种基于机器学习的船行波快速自动识别方法及装置
CN113674308A (zh) * 2021-05-06 2021-11-19 西安电子科技大学 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
CN114022877A (zh) * 2021-10-25 2022-02-08 电子科技大学 一种基于自适应阈值三维sar图像感兴趣目标提取方法
CN114419453A (zh) * 2022-04-01 2022-04-29 中国人民解放军火箭军工程大学 一种基于电磁散射特征与拓扑构型的群目标检测方法
CN116385455A (zh) * 2023-05-22 2023-07-04 北京科技大学 基于梯度场标签的浮选泡沫图像实例分割方法和装置
CN116503268A (zh) * 2023-03-21 2023-07-28 中国人民解放军海军大连舰艇学院 一种用于雷达回波图像的质量改进方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609709A (zh) * 2012-02-03 2012-07-25 清华大学 一种基于极化sar数据融合的海面溢油分割方法
CN102938150A (zh) * 2012-11-20 2013-02-20 西安电子科技大学 基于自适应海杂波统计的sar图像舰船检测方法
CN104063870A (zh) * 2014-07-04 2014-09-24 中国科学院大学 一种基于扫描线检测的海陆模板自动分割方法及其应用
US9229102B1 (en) * 2009-12-18 2016-01-05 L-3 Communications Security And Detection Systems, Inc. Detection of movable objects
CN105321163A (zh) * 2014-07-31 2016-02-10 中国科学院遥感与数字地球研究所 检测全极化sar图像的变化区域的方法和装置
CN105549009A (zh) * 2015-12-09 2016-05-04 电子科技大学 一种基于超像素的sar图像cfar目标检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9229102B1 (en) * 2009-12-18 2016-01-05 L-3 Communications Security And Detection Systems, Inc. Detection of movable objects
CN102609709A (zh) * 2012-02-03 2012-07-25 清华大学 一种基于极化sar数据融合的海面溢油分割方法
CN102938150A (zh) * 2012-11-20 2013-02-20 西安电子科技大学 基于自适应海杂波统计的sar图像舰船检测方法
CN104063870A (zh) * 2014-07-04 2014-09-24 中国科学院大学 一种基于扫描线检测的海陆模板自动分割方法及其应用
CN105321163A (zh) * 2014-07-31 2016-02-10 中国科学院遥感与数字地球研究所 检测全极化sar图像的变化区域的方法和装置
CN105549009A (zh) * 2015-12-09 2016-05-04 电子科技大学 一种基于超像素的sar图像cfar目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
P.JARABO-AMORES ET AL.: "Robustness of a Generalized Gamma CFAR Ship Detector Applied to TerraSAR-X and Sentinel-1 Images", 《IEEE》 *
陈祥 等: "基于CFAR级联的SAR图像舰船目标检测算法", 《现代雷达》 *

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584279A (zh) * 2017-09-29 2019-04-05 中国科学院遥感与数字地球研究所 基于sar图像的船舶检测方法、装置及船舶检测系统
CN108596151A (zh) * 2018-05-10 2018-09-28 北京航空航天大学 一种大场景sar图像中舰船目标切片快速提取方法
CN108875636A (zh) * 2018-06-20 2018-11-23 中国电子科技集团公司第五十四研究所 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法
CN108875636B (zh) * 2018-06-20 2022-03-01 中国电子科技集团公司第五十四研究所 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法
CN108594230A (zh) * 2018-07-17 2018-09-28 电子科技大学 一种海船场景的合成孔径雷达图像仿真方法
CN109031294A (zh) * 2018-07-17 2018-12-18 中国人民解放军国防科技大学 基于相似性检验的极化sar舰船目标检测方法
CN109031294B (zh) * 2018-07-17 2020-09-08 中国人民解放军国防科技大学 基于相似性检验的极化sar舰船目标检测方法
CN109299656B (zh) * 2018-08-13 2021-10-22 浙江零跑科技股份有限公司 一种车载视觉系统场景视深确定方法
CN109299656A (zh) * 2018-08-13 2019-02-01 浙江零跑科技有限公司 一种车载视觉系统场景视深确定方法
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
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
CN109583293A (zh) * 2018-10-12 2019-04-05 复旦大学 星载sar图像中的飞机目标检测与鉴别方法
CN109583293B (zh) * 2018-10-12 2023-03-24 复旦大学 星载sar图像中的飞机目标检测与鉴别方法
CN109359595A (zh) * 2018-10-17 2019-02-19 四川航天系统工程研究所 一种新型sar图像统计模型及其参数估计方法
CN109583444A (zh) * 2018-11-22 2019-04-05 博志生物科技有限公司 空洞区域定位方法、装置及计算机可读存储介质
CN109583444B (zh) * 2018-11-22 2021-08-10 博志生物科技有限公司 空洞区域定位方法、装置及计算机可读存储介质
CN109766811B (zh) * 2018-12-31 2023-05-02 复旦大学 一种星载sar图像中海面船只的端到端检测与识别方法
CN109766811A (zh) * 2018-12-31 2019-05-17 复旦大学 一种星载sar图像中海面船只的端到端检测与识别方法
CN110163275A (zh) * 2019-05-16 2019-08-23 西安电子科技大学 基于深度卷积神经网络的sar图像目标分类方法
CN110163275B (zh) * 2019-05-16 2021-10-29 西安电子科技大学 基于深度卷积神经网络的sar图像目标分类方法
CN110889843B (zh) * 2019-11-29 2023-04-18 西安电子科技大学 基于最大稳定极值区域的sar图像舰船目标检测方法
CN110889843A (zh) * 2019-11-29 2020-03-17 西安电子科技大学 基于最大稳定极值区域的sar图像舰船目标检测方法
CN111812598A (zh) * 2020-07-30 2020-10-23 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于时域频域多特征的地海杂波分类方法
CN111812598B (zh) * 2020-07-30 2022-03-22 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于时域频域多特征的地海杂波分类方法
CN112147591A (zh) * 2020-08-27 2020-12-29 清华大学 一种极化雷达海面舰船检测方法及装置
CN112818851A (zh) * 2020-09-02 2021-05-18 河南工业大学 基于fy-3mwri数据的冰间湖探测方法
CN112101250A (zh) * 2020-09-18 2020-12-18 电子科技大学 一种基于上下文语义感知的近岸舰船目标检测方法
CN112101250B (zh) * 2020-09-18 2022-07-15 电子科技大学 一种基于上下文语义感知的近岸舰船目标检测方法
CN112560897B (zh) * 2020-11-24 2024-02-09 西安电子科技大学 基于船长统计模型的雷达舰船分类能力评价方法
CN112560897A (zh) * 2020-11-24 2021-03-26 西安电子科技大学 基于船长统计模型的雷达舰船分类能力评价方法
CN112464849B (zh) * 2020-12-07 2022-11-08 北京航空航天大学 一种星载光学遥感图像中驻泊舰船目标检测方法
CN112464849A (zh) * 2020-12-07 2021-03-09 北京航空航天大学 一种星载光学遥感图像中驻泊舰船目标检测方法
CN112560929A (zh) * 2020-12-09 2021-03-26 中国石油大学(华东) 溢油区域确定方法及装置、存储介质
CN112949395A (zh) * 2021-01-29 2021-06-11 复旦大学 基于广义相干散射子改进模型杂波仿真的目标检测方法
CN112836638A (zh) * 2021-02-03 2021-05-25 自然资源部第一海洋研究所 高海况sar船只检测方法及应用
CN112986991B (zh) * 2021-02-05 2022-06-21 中国人民解放军国防科技大学 一种杂波分布无关的极化合成孔径雷达船只检测方法
CN112986991A (zh) * 2021-02-05 2021-06-18 中国人民解放军国防科技大学 一种杂波分布无关的极化合成孔径雷达船只检测方法
CN113158806B (zh) * 2021-03-24 2022-05-17 山东科技大学 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法
CN113158806A (zh) * 2021-03-24 2021-07-23 山东科技大学 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法
CN113052117B (zh) * 2021-04-06 2022-11-08 合肥工业大学 一种ais数据辅助的sar图像的瑞利cfar检测方法
CN113052117A (zh) * 2021-04-06 2021-06-29 合肥工业大学 一种ais数据辅助的sar图像的瑞利cfar检测方法
CN113674308A (zh) * 2021-05-06 2021-11-19 西安电子科技大学 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
CN113674308B (zh) * 2021-05-06 2024-02-13 西安电子科技大学 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
CN113362293A (zh) * 2021-05-27 2021-09-07 西安理工大学 一种基于显著性的sar图像舰船目标快速检测方法
CN113408401A (zh) * 2021-06-16 2021-09-17 中国科学院南海海洋研究所 一种基于机器学习的船行波快速自动识别方法及装置
CN114022877B (zh) * 2021-10-25 2023-05-26 电子科技大学 一种基于自适应阈值三维sar图像感兴趣目标提取方法
CN114022877A (zh) * 2021-10-25 2022-02-08 电子科技大学 一种基于自适应阈值三维sar图像感兴趣目标提取方法
CN114419453A (zh) * 2022-04-01 2022-04-29 中国人民解放军火箭军工程大学 一种基于电磁散射特征与拓扑构型的群目标检测方法
CN114419453B (zh) * 2022-04-01 2022-07-01 中国人民解放军火箭军工程大学 一种基于电磁散射特征与拓扑构型的群目标检测方法
CN116503268A (zh) * 2023-03-21 2023-07-28 中国人民解放军海军大连舰艇学院 一种用于雷达回波图像的质量改进方法
CN116503268B (zh) * 2023-03-21 2024-03-29 中国人民解放军海军大连舰艇学院 一种用于雷达回波图像的质量改进方法
CN116385455A (zh) * 2023-05-22 2023-07-04 北京科技大学 基于梯度场标签的浮选泡沫图像实例分割方法和装置
CN116385455B (zh) * 2023-05-22 2024-01-26 北京科技大学 基于梯度场标签的浮选泡沫图像实例分割方法和装置

Also Published As

Publication number Publication date
CN107145874B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN107145874A (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
Wang et al. New hierarchical saliency filtering for fast ship detection in high-resolution SAR images
CN108921066B (zh) 基于特征融合卷积网络的光学遥感图像舰船检测方法
Alonso et al. Edge enhancement algorithm based on the wavelet transform for automatic edge detection in SAR images
Leng et al. Area ratio invariant feature group for ship detection in SAR imagery
CN109766811A (zh) 一种星载sar图像中海面船只的端到端检测与识别方法
WO2017071160A1 (zh) 一种大幅面遥感图像海陆分割的方法及系统
Cao et al. Ship recognition method combined with image segmentation and deep learning feature extraction in video surveillance
Feng et al. Multiphase SAR image segmentation with $ G^{0} $-statistical-model-based active contours
CN106384344A (zh) 一种光学遥感图像海面舰船目标检测与提取方法
Huang et al. An intelligent ship image/video detection and classification method with improved regressive deep convolutional neural network
US10497128B2 (en) Method and system for sea background modeling and suppression on high-resolution remote sensing sea images
CN110031843A (zh) 基于roi区域的sar图像目标定位方法、系统、装置
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
Yu et al. Automated delineation of coastline from polarimetric SAR imagery
CN109902618A (zh) 一种海面船只识别方法和装置
CN109885718A (zh) 一种基于深度车贴检测的嫌疑车辆检索方法
CN109389062A (zh) 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
CN106845347A (zh) 海上油膜识别提取方法及系统
Zhao et al. SAR ship detection based on end-to-end morphological feature pyramid network
Ding et al. Coastline detection in SAR images using multiscale normalized cut segmentation
Chen et al. Shape similarity intersection-over-union loss hybrid model for detection of synthetic aperture radar small ship objects in complex scenes
Zhang et al. Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image
Wang et al. A deep deformable residual learning network for SAR image segmentation
Zhao et al. A feature decomposition-based method for automatic ship detection crossing different satellite SAR images

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