CN107704835B - 一种利用光谱遥感图像识别海上人工设施的方法 - Google Patents
一种利用光谱遥感图像识别海上人工设施的方法 Download PDFInfo
- Publication number
- CN107704835B CN107704835B CN201710958291.9A CN201710958291A CN107704835B CN 107704835 B CN107704835 B CN 107704835B CN 201710958291 A CN201710958291 A CN 201710958291A CN 107704835 B CN107704835 B CN 107704835B
- Authority
- CN
- China
- Prior art keywords
- spectral
- artificial
- image
- spectrum
- facility
- 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.)
- Expired - Fee Related
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 9
- 239000013535 sea water Substances 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种利用光谱遥感图像识别海上人工设施的方法。对高光谱数据预处理后进行异常检测，获取疑似目标。然后在光谱域进行提取波段比值和光谱导数等光谱特征，在图像域利用红波段的几何纹理清晰特点，提取目标图像直线和圆特征，最后通过融合分析识别感兴趣目标的方法。本发明所提供的方法填补了利用遥感图像自动识别海上人工设施的空白。适用于高光谱传感器对海上人工设施的检测识别，在多光谱图像上也可适用，具有良好的应用前景。
Description
技术领域
本发明涉及一种利用光谱遥感图像识别海上人工设施的方法，属于遥感图像智能识别的技术领域。
背景技术
管理、维护与利用海域中的岛礁是国家主权的重要内容之一，探明海域内的海上人工设施，对于保障海上正常航行、开发利用与维护国家海洋权益都有重要意义。由于历史的种种原因，我国南海海上人工设施的了解还远没有满足实际的需求。随着东海、南海等海域内主权争端和开发利用需求的升温，探明我海域海上人工设施情况的需求也越来越迫切。
探明我海域海上人工设施情况有两大类方法：一类是基于船只抵近获取的传统探测方法，由于该方法必须利用船只抵近勘探，难以在船只无法到达的海域开展探测(例如在存在主权归属争议的岛屿附近)。另一类是基于遥感的探测方法，该方法无需抵近勘探，适用于任何海域。
目前，基于遥感探测人工设施的方法主要还是依赖人工判图，无法大规模大范围判明人工设施，特别是小型人工设施受遥感空间分辨率影响，可能会存在几个像素甚至亚像素的情况，这时人工判图基本无效。
发明内容
本发明的目的就在于克服现有技术的不足，利用现有的遥感成像手段，提供一种利用光谱遥感图像识别海上人工设施的方法。
为了实现上述目的，本发明提供了一种利用光谱遥感图像识别海上人工设施的方法，包括如下步骤：
(1)背景分析：获取所要检测人工设施的相关信息，包括大小、形状和材质；
(2)异常检测：根据步骤(1)中获取的所要检测人工设施的大小与遥感图像空间分辨率大小的对比，分为纯像素异常检测和亚像素异常检测，将检测出的异常结果根据人工设施的大小进行初步筛选，滤除过大和过小的结果，剩余的检测结果即为疑似目标；
(3)光谱特征提取：由于海水的光谱曲线较为平缓，而水下礁滩在近红外部分几乎不反射任何光线，因此水下礁滩的光谱曲线在近红外部分会有明显下降梯度,所以采用近红外波段与红波段的波段比值用于鉴别水下礁滩与海水；由于海上人工设施与水上礁滩的光谱没有固定的差异，且不同材质的礁滩光谱曲线变化复杂，因此采用光谱导数挖掘海上人工设施与水上礁滩的光谱鉴别特征；最后，采用特征选择方法对波段比值与光谱导数特征进行筛选，得到有效的光谱特征；
(4)图像特征提取：海上人工设施具有明显的几何特征，由于红波段图像受大气散射的影响较小，地物影像清晰，对人文地物判读有利，不同地质构造的边界在图像上有显示的反映，因此只在红波段图像对海上人工设施进行几何特征的提取；
(5)由于海上人工设施必须同时具备露出海面以及一定形状的特点，因此采用步骤(3)得到的光谱特征和步骤(4)得到的图像特征与步骤(2)得到的疑似目标进行光谱匹配和图像匹配，当同时满足光谱匹配和图像匹配条件的疑似目标即为人工设施。
所述背景分析前对高光谱数据进行数据预处理，主要采用包括去除水吸收波段的方法去除噪声过大的波段。
步骤(3)中，特征选择方法主要是选择海上人工设施内部差异小和与非人工设施间差异大的特征，非人工设施主要包括海水、水下礁滩、水上礁滩，其中选择与非人工设施间差异和海上人工设施内部差异比值较大的一组特征参与后续的光谱匹配。
步骤(3)中的一阶光谱导数定义为：
其中Δλ＝λj-λi，s(λj)是指波段j处的光谱值，s(λi)是指波段i处的光谱值；
二阶光谱导数定义为：
其中Δλ＝λk-λj-λi；s(λk)是指波段k处的光谱值
其他高阶的光谱导数也可以用类似的方法获取，定义如下：
其中：s(λi+n)是指波段i+n处的光谱值。
步骤(4)中海上人工设施进行几何特征提取的方法：
主要利用霍夫变换提取线特征和圆特征，霍夫变换线特征提取主要利用极坐标系直线用参数极径和极角(r，θ)表示，由于对于每一个给定点，所有通过它的直线将在极坐标系得到一条正弦曲线，如果比较多的正弦曲线相交于一点，则认为这些点构成了一条直线；
霍夫变换圆特征提取主要利用极坐标系直线用参数极径和圆心点(r，x,y)表示，由于对于每一个给定点，所有通过它的直线将在极坐标系得到一条正弦曲线，如果比较多的正弦曲线相交于一点，则认为这些点构成了一条直线。
步骤(5)中：光谱匹配主要是根据步骤(3)得到的已知海上人工设施的光谱特征与疑似目标进行欧式距离计算匹配，如果距离较近，在已知海上人工设施内部动态范围内，则在光谱方面具有高度相似性；
图像匹配主要是根据步骤(4)得到的已知海上人工设施的几何特征，如果疑似目标的几何特征在已知海上人工设施内部动态范围内，则在图像方面具有高度相似性；
如果疑似目标在光谱和图像方面均与已知海上人工设施具有高度相似性，则认为疑似目标为人工设施，否则为非人工设施。
与现有技术相比，本发明的有益效果：本发明所提供的方法填补了利用遥感图像自动识别海上人工设施的空白。适用于高光谱传感器对海上人工设施的检测识别，在多光谱图像上也可适用，具有良好的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图。
图2是本发明实施例中的极坐标示意图。
具体实施方式
下面结合附图对发明进一步说明，但不用来限制本发明的范围。
实施例
如图1所示，本发明提供的一种利用光谱遥感图像识别海上人工设施的方法，包括如下步骤：
(1)背景分析：获取所要检测人工设施的相关信息，包括大小、形状和材质等，以为后续步骤提供输入信息，其大小用于步骤(2)中确定异常检测的结果是纯像素还是亚像素以及大概在图像中有多少像素，形状主要用于步骤(5)中的图像匹配，材质主要用于步骤(5)的光谱匹配。
所述背景分析前对高光谱数据进行数据预处理，主要采用包括去除水吸收波段的方法去除噪声过大的波段。
(2)异常检测：考虑到在全图进行特征提取和分析耗时比较长，为了减轻后续处理压力，首先进行异常检测；根据步骤(1)中获取的所要检测人工设施的大小与遥感图像空间分辨率大小的对比，分为纯像素异常检测和亚像素异常检测，将检测出的异常结果根据人工设施的大小进行初步筛选，滤除过大和过小的结果，剩余的检测结果即为疑似目标；
如果光谱图像单个像素的实际大小比人工设施大，则为亚像素，表示人工设施只占有不到一个像素。其中纯像素异常检测和亚像素异常检测可以采用常见的RXD等异常检测算法；RXD算法是高光谱异常检测中的一个基准算法，是一种基于广义似然比检验的恒虚警率检测算法，检测过程中不需要知道待检测目标的光谱，只需要估计背景的协方差矩阵，在背景波动范围外的标记为异常目标。
(3)光谱特征提取：由于海水的光谱曲线较为平缓，而水下礁滩在近红外部分几乎不反射任何光线，因此水下礁滩的光谱曲线在近红外部分会有明显下降梯度,所以采用近红外波段与红波段的波段比值用于鉴别水下礁滩与海水；由于海上人工设施与水上礁滩的光谱没有固定的差异，且不同材质的礁滩光谱曲线变化复杂，因此采用光谱导数挖掘海上人工设施与水上礁滩的光谱鉴别特征；最后，采用特征选择方法对波段比值与光谱导数特征进行筛选，得到有效的光谱特征；
(4)图像特征提取：海上人工设施具有明显的几何特征，其几何特征包括目标的形状、长度、宽度、长宽比、面积等，由于红波段图像受大气散射的影响较小，地物影像清晰，对人文地物判读有利，不同地质构造的边界在图像上有显示的反映，因此只在红波段图像对海上人工设施进行几何特征的提取；
(5)由于海上人工设施必须同时具备露出海面以及一定形状的特点，因此采用步骤(3)得到的光谱特征和步骤(4)得到的图像特征与步骤(2)得到的疑似目标进行光谱匹配和图像匹配，当同时满足光谱匹配和图像匹配条件的疑似目标即为人工设施。
步骤(3)中，特征选择方法主要是选择海上人工设施内部差异小和与非人工设施间差异大的特征，非人工设施主要包括海水、水下礁滩、水上礁滩等，其中选择与非人工设施间差异和海上人工设施内部差异比值较大的一组特征参与后续的光谱匹配。
步骤(3)中的一阶光谱导数定义为：
其中Δλ＝λj-λi，s(λj)是指波段j处的光谱值，s(λi)是指波段i处的光谱值；
二阶光谱导数定义为：
其中Δλ＝λk-λj-λi；s(λk)是指波段k处的光谱值
其他高阶的光谱导数也可以用类似的方法获取，定义如下：
其中：s(λi+n)是指波段i+n处的光谱值。
步骤(4)中海上人工设施进行几何特征提取的方法：
如图2所示，主要利用霍夫变换提取线特征和圆特征，霍夫变换线特征提取主要利用极坐标系直线用参数极径和极角(r，θ)表示，由于对于每一个给定点，所有通过它的直线将在极坐标系得到一条正弦曲线，如果比较多的正弦曲线相交于一点，则认为这些点构成了一条直线；
霍夫变换圆特征提取主要利用极坐标系直线用参数极径和圆心点(r，x,y)表示，由于对于每一个给定点，所有通过它的直线将在极坐标系得到一条正弦曲线，如果比较多的正弦曲线相交于一点，则认为这些点构成了一条直线。
步骤(5)中：光谱匹配主要是根据步骤(3)得到的已知海上人工设施的光谱特征与疑似目标进行欧式距离计算匹配，如果距离较近，在已知海上人工设施内部动态范围内，则在光谱方面具有高度相似性；
图像匹配主要是根据步骤(4)得到的已知海上人工设施的几何特征，如果疑似目标的几何特征在已知海上人工设施内部动态范围内，则在图像方面具有高度相似性；
如果疑似目标在光谱和图像方面均与已知海上人工设施具有高度相似性，则认为疑似目标为人工设施，否则为非人工设施。
本发明公开的一种利用光谱遥感图像识别海上人工设施的方法。对高光谱数据预处理后进行异常检测，获取疑似目标。然后在光谱域进行提取波段比值和光谱导数等光谱特征，在图像域利用红波段的几何纹理清晰特点，提取目标图像直线和圆特征，最后通过融合分析识别感兴趣目标的方法。本发明所提供的方法填补了利用遥感图像自动识别海上人工设施的空白。适用于高光谱传感器对海上人工设施的检测识别，在多光谱图像上也可适用，具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种利用光谱遥感图像识别海上人工设施的方法，其特征在于：包括如下步骤：
(1)背景分析：获取所要检测人工设施的相关信息，包括大小、形状和材质；
(2)异常检测：根据步骤(1)中获取的所要检测人工设施的大小与遥感图像空间分辨率大小的对比，分为纯像素异常检测和亚像素异常检测，将检测出的异常结果根据人工设施的大小进行初步筛选，滤除过大和过小的结果，剩余的检测结果即为疑似目标；
(3)光谱特征提取：由于海水的光谱曲线较为平缓，而水下礁滩在近红外部分几乎不反射任何光线，因此水下礁滩的光谱曲线在近红外部分会有明显下降梯度,所以采用近红外波段与红波段的波段比值用于鉴别水下礁滩与海水；由于海上人工设施与水上礁滩的光谱没有固定的差异，且不同材质的礁滩光谱曲线变化复杂，因此采用光谱导数挖掘海上人工设施与水上礁滩的光谱鉴别特征；最后，采用特征选择方法对波段比值与光谱导数特征进行筛选，得到有效的光谱特征；
步骤(3)中，特征选择方法是选择海上人工设施内部差异小和与非人工设施间差异大的特征，非人工设施包括海水、水下礁滩、水上礁滩，其中选择与非人工设施间差异和海上人工设施内部差异比值较大的一组特征参与后续的光谱匹配；
(4)图像特征提取：海上人工设施具有明显的几何特征，由于红波段图像受大气散射的影响较小，地物影像清晰，对人文地物判读有利，不同地质构造的边界在图像上有显示的反映，因此只在红波段图像对海上人工设施进行几何特征的提取；
(5)由于海上人工设施必须同时具备露出海面以及一定形状的特点，因此采用步骤(3)得到的光谱特征和步骤(4)得到的图像特征与步骤(2)得到的疑似目标进行光谱匹配和图像匹配，当同时满足光谱匹配和图像匹配条件的疑似目标即为人工设施。
2.根据权利要求1所述的一种利用光谱遥感图像识别海上人工设施的方法，其特征在于，所述背景分析前对高光谱数据进行数据预处理，采用包括去除水吸收波段的方法去除噪声过大的波段。
3.根据权利要求1所述的一种利用光谱遥感图像识别海上人工设施的方法，其特征在于，步骤(3)中的一阶光谱导数定义为：
其中Δλ＝λj-λi，s(λj)是指波段j处的光谱值，s(λi)是指波段i处的光谱值；
二阶光谱导数定义为：
其中Δλ＝λk-λj-λi；s(λk)是指波段k处的光谱值
其他高阶的光谱导数也可以用类似的方法获取，定义如下：
其中：s(λi+n)是指波段i+n处的光谱值。
4.根据权利要求1所述的一种利用光谱遥感图像识别海上人工设施的方法，其特征在于，步骤(4)中海上人工设施进行几何特征提取的方法：
利用霍夫变换提取线特征和圆特征，霍夫变换线特征提取利用极坐标系直线用参数极径和极角(r，θ)表示，由于对于每一个给定点，所有通过它的直线将在极坐标系得到一条正弦曲线，如果比较多的正弦曲线相交于一点，则认为这些点构成了一条直线；
霍夫变换圆特征提取利用极坐标系直线用参数极径和圆心点(r，x,y)表示，由于对于每一个给定点，所有通过它的直线将在极坐标系得到一条正弦曲线，如果比较多的正弦曲线相交于一点，则认为这些点构成了一条直线。
5.根据权利要求1所述的一种利用光谱遥感图像识别海上人工设施的方法，其特征在于，步骤(5)中：光谱匹配是根据步骤(3)得到的已知海上人工设施的光谱特征与疑似目标进行欧式距离计算匹配，如果距离较近，在已知海上人工设施内部动态范围内，则在光谱方面具有高度相似性；
图像匹配是根据步骤(4)得到的已知海上人工设施的几何特征，如果疑似目标的几何特征在已知海上人工设施内部动态范围内，则在图像方面具有高度相似性；
如果疑似目标在光谱和图像方面均与已知海上人工设施具有高度相似性，则认为疑似目标为人工设施，否则为非人工设施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710958291.9A CN107704835B (zh) | 2017-10-16 | 2017-10-16 | 一种利用光谱遥感图像识别海上人工设施的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710958291.9A CN107704835B (zh) | 2017-10-16 | 2017-10-16 | 一种利用光谱遥感图像识别海上人工设施的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107704835A CN107704835A (zh) | 2018-02-16 |
| CN107704835B true CN107704835B (zh) | 2020-10-30 |
Family
ID=61185131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710958291.9A Expired - Fee Related CN107704835B (zh) | 2017-10-16 | 2017-10-16 | 一种利用光谱遥感图像识别海上人工设施的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704835B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345247A (zh) * | 2018-02-26 | 2018-07-31 | 杭州智仁建筑工程有限公司 | 一种自动控制方法 |
| CN108765460B (zh) * | 2018-05-22 | 2021-03-30 | 北京航空航天大学 | 基于高光谱图像的空时联合异常检测方法和电子设备 |
| CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
| CN111967571B (zh) * | 2020-07-07 | 2023-04-21 | 华东交通大学 | 一种基于mhma的异常检测方法和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020975A (zh) * | 2012-12-29 | 2013-04-03 | 北方工业大学 | 一种结合多源遥感图像特征的码头和船舶分割方法 |
| CN105184827A (zh) * | 2015-08-27 | 2015-12-23 | 北京市遥感信息研究所 | 一种利用光谱遥感图像探测浅水水下礁滩的方法 |
| CN107239755A (zh) * | 2017-05-23 | 2017-10-10 | 国家地理空间信息中心 | 基于高分卫星遥感数据的海上油气平台提取系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5086157B2 (ja) * | 2008-04-03 | 2012-11-28 | 株式会社日立製作所 | 画像判読支援方法 |
-
2017
- 2017-10-16 CN CN201710958291.9A patent/CN107704835B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020975A (zh) * | 2012-12-29 | 2013-04-03 | 北方工业大学 | 一种结合多源遥感图像特征的码头和船舶分割方法 |
| CN105184827A (zh) * | 2015-08-27 | 2015-12-23 | 北京市遥感信息研究所 | 一种利用光谱遥感图像探测浅水水下礁滩的方法 |
| CN107239755A (zh) * | 2017-05-23 | 2017-10-10 | 国家地理空间信息中心 | 基于高分卫星遥感数据的海上油气平台提取系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多光谱遥感影像的海船目标检测技术研究;李红宣;《中国优秀硕士学位论文全文数据库信息科技辑》;20140115;第I140-609页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107704835A (zh) | 2018-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107704835B (zh) | 一种利用光谱遥感图像识别海上人工设施的方法 | |
| CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
| WO2021243743A1 (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
| CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
| CN109815807B (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
| CN110268190A (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
| CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
| CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
| CN104077777A (zh) | 一种海面舰船目标检测方法 | |
| Su et al. | Improving MODIS sea ice detectability using gray level co-occurrence matrix texture analysis method: A case study in the Bohai Sea | |
| CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
| CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
| CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
| CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及系统 | |
| CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| Osorio et al. | An algorithm for the measurement of shoreline and intertidal beach profiles using video imagery: PSDM | |
| Gui et al. | Automated defect detection and visualization for the robotic airport runway inspection | |
| CN113673385B (zh) | 基于红外图像的海面舰船检测方法 | |
| CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
| CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
| Wang et al. | Coastline extraction from SAR images using robust ridge tracing | |
| CN117075112A (zh) | 一种方位角航迹匹配的无人艇雷达光电融合方法 | |
| Li et al. | A self-evolving deep learning algorithm for automatic oil spill detection in Sentinel-1 SAR images | |
| Xu et al. | Marine radar oil spill monitoring technology based on dual-threshold and c–v level set methods | |
| Fei et al. | Change detection in remote sensing images of damage areas with complex terrain using texture information and SVM |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201030 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |