CN107766878B - 一种基于Lab色彩空间K均值聚类的危险品检测方法 - Google Patents

一种基于Lab色彩空间K均值聚类的危险品检测方法 Download PDF

Info

Publication number
CN107766878B
CN107766878B CN201710895113.6A CN201710895113A CN107766878B CN 107766878 B CN107766878 B CN 107766878B CN 201710895113 A CN201710895113 A CN 201710895113A CN 107766878 B CN107766878 B CN 107766878B
Authority
CN
China
Prior art keywords
image data
space
color space
rgb
color
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
CN201710895113.6A
Other languages
English (en)
Other versions
CN107766878A (zh
Inventor
张珊
王亮
刘异
岳小军
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.)
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Beijing Huahang Radio Measurement Research Institute
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 Beijing Huahang Radio Measurement Research Institute filed Critical Beijing Huahang Radio Measurement Research Institute
Priority to CN201710895113.6A priority Critical patent/CN107766878B/zh
Publication of CN107766878A publication Critical patent/CN107766878A/zh
Application granted granted Critical
Publication of CN107766878B publication Critical patent/CN107766878B/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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Color Image Communication Systems (AREA)

Abstract

本发明涉及一种基于Lab色彩空间K均值聚类的危险品检测方法，包括：对输入的原始图像数据进行第一处理；转成RGB伪彩图，再将所述RGB伪彩图从RGB空间转到Lab色彩空间，并取出Lab色彩空间中图像数据的a分量和b分量图像数据作为空间转化后的图像数据；K均值聚类，从而得到k类聚类图像数据；第二处理；叠加，从而得到最终的检测结果。本发明的方法(1)采用了与设备无关的色彩空间，降低了颜色空间中的各个颜色特征分量之间的相关性；(2)能够保持目标在颜色、纹理、形状等方面的完整性；(3)方便实时处理，易于工程实现。

Description

一种基于Lab色彩空间K均值聚类的危险品检测方法
技术领域
本发明属于图像处理领域，具体涉及一种采用Lab色彩空间K均值聚类的墙体内危险物品检测的方法。
背景技术
穿墙探测雷达(Through-the-Wall Detecting Radar，TWDR)通过发射超宽带(UWB)电磁波来穿透墙壁、隔板等障碍物，并分析接收到的目标回波信号，对隐藏在障碍物后的目标进行检测与定位。UWB穿墙探测雷达具有以下一系列优越的性能：高距离分辨率；高度隐蔽性、低截获率和抗干扰性；信号多波束传播时具有对抗衰减的能力；与窄带信号相比具有好的电磁兼容性和频率利用率，所以在军事和商业方面都有极大的应用价值。
穿墙探测雷达一般运用的是超宽带技术。超宽带穿墙探测雷达一方面可以通过发射超宽带信号来获取高距离分辨率，有利于目标的检测定位，另一方面其发射的超宽带信号具有较低的工作频率，该频率的电磁波可以穿透多种类型的墙体，以保证雷达有较强的穿透能力和较大的作用距离。
穿墙雷达信号种类主要有：脉冲信号即冲激信号，步进频率信号，调频连续波信号等，因此根据信号种类可将穿墙雷达分为：脉冲穿墙雷达，步进频率穿墙雷达，调频连续波穿墙雷达等体制。这些体制的雷达各有其优缺点，从近几年的实际使用来看，脉冲穿墙雷达与步进频率穿墙雷达使用最多，从物理机制上讲，步进频率穿墙雷达和脉冲穿墙雷达是一样的，只是信号的表现形式和测量方式不同，但是步进频率穿墙雷达需要有复杂的硬件系统和信号处理，而导致他的发展较慢。尽管如此，计算机技术的发展的硬件技术的不断提高，为步进频率穿墙雷达提供了巨大的发展空间。
超宽带穿墙雷达的目标回波信号受到多种杂波和干扰的影响，主要有：系统热噪声和周围环境的随机噪声；城市环境中的射频干扰；室内复杂的背景杂波。它们的存在严重降低了系统的性能，甚至造成接收机的饱和而无法正常工作，所以在雷达信号或数据处理之前，需要对回波数据进行预处理。穿墙雷达的接收信号存在较多杂波，其中天线直耦波和墙体表面反射波的能量最大，一般要比目标回波大许多，由于这两种强杂波信号的存在，压缩了目标回波的动态范围，降低了系统对弱反射目标的探测能力。
近年来，人们提出了一些针对UWB雷达信号检测的方法，常见的有小波算法和双谱算法，基于小波变换的方法用于宽带被动雷达目标检测，但需要通过先验知识来选择信号和噪声之间相对小波的最佳分辨尺度，检测分辨率不高；双谱分析法中高阶谱的特性使该方法具有估计精度高的特点，但在估计累计量时，取遍了自变量定义域内的所有谱值，计算量较大，难以做到实时处理。
发明内容
针对上述问题，本发明采用雷达回波成像处理后的图像，提供一种基于Lab色彩空间K均值聚类的墙体内危险物品检测方法，该方法有效的解决了当前超宽带窄脉冲信号目标检测需要先验知识、检测分辨率不高、计算量较大，难以做到实时处理等问题。该方法(1)采用了与设备无关的色彩空间，降低了颜色空间中的各个颜色特征分量之间的相关性；(2)能够保持目标在颜色、纹理、形状等方面的完整性；(3)方便实时处理，易于工程实现。
一种基于Lab色彩空间K均值聚类的危险品检测方法，所述方法包括：
步骤1：输入原始图像数据；
步骤2：对步骤1输入的原始图像数据进行第一处理；
步骤3：将步骤2中第一处理后的图像转成RGB伪彩图，再将所述RGB伪彩图从RGB空间转到Lab色彩空间，并取出Lab色彩空间中图像数据的a分量和b分量图像数据作为空间转化后的图像数据；
步骤4：对步骤3中的空间转化后的图像数据进行K均值聚类，从而得到k类聚类图像数据；
步骤5：对步骤4中聚类后的k类聚类图像数据进行第二处理；
步骤6：对步骤5中第二处理后的k类聚类图像数据进行叠加，从而得到最终的检测结果。
进一步的，所述步骤1中的原始图像数据包括：将采集到的二维雷达回波数据，按照雷达孔径合成和矩阵重建理论转化为原始图像数据。
进一步的，所述步骤2中第一处理包括：均值滤波和对比度增强。
进一步的，所述步骤3中将所述RGB伪彩图从RGB空间转到Lab色彩空间包括：先将所述RGB伪彩图从RGB空间转化为XYZ空间，然后再由XYZ空间转化为Lab色彩空间。
进一步的，所述步骤4中K均值聚类包括：
步骤4.1：首先将要K均值聚类的图像数据转换为一个具有n个样本数据对象的样本数据集C＝{ci|i＝1,2,...,n}，再从数据集C中任意选择k个样本数据对象组成初始聚类中心集X＝{xj|j＝1,2,...,k}；
步骤4.2：分别计算样本数据集C中剩余的对象与选择的k个初始中心点的距离，将所述剩余的对象划分到距离最短的初始中心点所代表的簇中；
步骤4.3：重新确定每个簇中的聚类中心；将新的k个聚类中心组成聚类中心集X′，用X′替换步骤4.1中的X；
步骤4.4：循环步骤4.1到步骤4.3直到重新确定出的每个簇中的聚类中心不再发生变化为止。
进一步的，所述步骤4中K均值聚类包括：k的值为3。
进一步的，所述步骤5：对步骤4中聚类后的图像数据进行第二处理具体包括：小目标剔除、填充空洞、腐蚀膨胀。
根据上述技术方案，本发明的有益效果包括：
1、采用了Lab色彩空间，该空间与设备无关，降低了颜色空间中的各个颜色特征分量之间的相关性，有利于下一步图像的分割；
2、本发明有效的解决了当前超宽带窄脉冲信号目标检测需要先验知识、检测分辨率不高、计算量较大，难以做到实时处理等问题，采用K均值聚类分割方法，能够保持目标在颜色、纹理、形状等方面的完整性；
3、本发明方便实时处理，易于工程实现，具有较强的实用性和通用性，对以后的类似检测具有一定的指导意义。
附图说明
图1为本发明的方法流程图
具体实施方式
本发明对按照雷达孔径合成和矩阵重建理论恢复的雷达回波图像进行墙体内危险物品检测，采用了基于Lab空间的K均值聚类方法进行分割，然后对分割图像进行空洞填充、腐蚀膨胀等后处理检测目标，经过仿真验证取得了理想的效果。
图1为本发明的方法流程图。
下面就结合图1对上述方法中的各步骤进行具体介绍。
步骤1：输入原始图像数据；
所述步骤1中的原始图像数据包括：将采集到的二维雷达回波数据，按照雷达孔径合成和矩阵重建理论转化为原始图像数据。
步骤2：对步骤1输入的雷达回波图像进行均值滤波、对比度增强等第一处理；
均值滤波是一种基于图像局部统计信息对图像进行滤波的方法，具体为利用窗口中像素的平均值来代替窗口中心点的像素值，可以消除图像中的噪声。
为了提高目标检测能力，通常需要增强目标，抑制背景，即提高目标与背景的对比度。因此对比度增强可以增加图像变化的动态范围，提高图像质量，以利于后续处理。
步骤3：将步骤2中第一处理后的图像转成RGB伪彩图，再将所述RGB伪彩图从RGB空间转到Lab色彩空间，并取出Lab色彩空间中图像数据的a分量和b分量图像数据作为空间转化后的图像数据；
颜色空间是描述色彩的一种方法,可用它来制定、产生、可视化一种色彩。最常见的颜色空间是RGB(red,green,blue)空间,用3个基本分量的值来表示颜色,是彩色图像的一种基本的色彩描述方法,但由于RGB 3个分量之间常有很高的相关性,直接利用这些分量常常不能得到所需的效果。在彩色图像分割中如何尽可能地保持视觉识别的恒常性,以符合人眼的图像分割特征,是决定彩色图像分割能否成功的关键,而这就需要选择能够较好地表示彩色图像的颜色空间。为了降低颜色空间中的各个颜色特征分量之间的相关性,以及为了使所选的颜色空间更方便于彩色图像分割方法的具体应用,实际处理中,常将RGB颜色空间转化到其他颜色空间中去。
常用的颜色模式有RGB模式、HIS模式、HSV模式和Lab模式等。其中，Lab模式是由国际照明委员会(CIE)于1976年制定的一种色彩模式，所以又被称为CIELAB色彩空间，是一种均匀的颜色空间，是惯常用来描述人眼可见的所有颜色的最完备的色彩模型。它能毫无偏差地在不同系统和平台之间进行交换，是一种与设备无关的色彩空间，即Lab色彩模式不依赖于特定的设备，这样确保输出设备经校正后所代表的颜色能保持其一致性，不会受到任何硬件性能和特性的影响。它弥补了RGB等模式必须依赖于设备色彩特性的不足。
进一步的，Lab颜色空间由L、a和b个坐标轴组成。L表示亮度，值域是从0到100逐渐由黑变白；a和b的取值范围都是-128到+127。a值从小到大的变化是指从绿色变为红色，b值从小到大的变化是从蓝色变为黄色。
在本发明中，先将图像数据从RGB空间转化为XYZ空间，然后再由XYZ空间转化为Lab色彩空间。转化公式为
Figure BDA0001421990080000051
式中，R、G、B分别表示图像在RGB色彩空间各个分量的值，X、Y、Z分别表示图像在XYZ空间各个分量的值。
Figure BDA0001421990080000052
其中转换函数f(x)的公式为
Figure BDA0001421990080000053
式中，X、Y、Z分别表示图像在XYZ空间各个分量的值，L、a、b分别表示图像在Lab空间各个分量的值。
步骤4：对步骤3中的空间转化后的图像数据进行K均值聚类，从而得到k类聚类图像数据；
K均值聚类算法是1967年Mac Queen提出了一种基于划分的非监督实时聚类算法，是一种以误差平方和作为聚类准则函数、默认欧氏距离作为相似度测度的间接硬聚类算法。算法首先选择K个聚类中心，把待分割的数据空间按照簇内相似度最高、簇间相似度最低的准则进行数据划分。
进一步的，K均值聚类算法分割主要过程如下：
步骤4.1：首先将要K均值聚类的图像数据转换为一个具有n个样本数据对象的样本数据集C＝{ci|i＝1,2,...,n}，再从数据集C中任意选择k个样本数据对象组成初始聚类中心集X＝{xj|j＝1,2,...,k}；
步骤4.2：分别计算样本数据集C中剩余的对象与选择的k个初始中心点的距离，将所述剩余的对象划分到距离最短的初始中心点所代表的簇中；
步骤4.3：重新确定每个簇中的聚类中心；将新的k个聚类中心组成聚类中心集X′，用X′替换步骤4.1中的X；
步骤4.4：循环步骤4.1到步骤4.3直到重新确定出的每个簇中的聚类中心不再发生变化为止。
进一步的，实验表明，k的值为3-5时聚类效果较好，其中k的值为3时聚类效果为最佳。
步骤5：对步骤4中聚类后的k类聚类图像数据进行第二处理；
所述步骤5：对步骤4中聚类后的图像数据进行第二处理具体包括：小目标剔除、填充空洞、腐蚀膨胀。由于聚类分割后的图像出现小目标干扰、内部出现空洞、边界不连续等现象，因此需要对聚类后的图像进行小目标剔除、填充空洞和腐蚀膨胀等后处理。
腐蚀为消除边界点,使边界向内部收缩，用来消除小且无意义的目标物。如果两目标物间有细小的连通,可以选取足够大的结构元素,将细小连通腐蚀掉。
膨胀是将与目标区域接触的背景点合并到该目标物中,使目标边界向外部扩张的处理。膨胀可以用来填补目标区域中存在的某些空洞,以及消除包含在目标区域中的小颗粒噪声。
步骤6：对步骤5中第二处理后的k类聚类图像数据进行叠加，从而得到最终的检测结果。
当k＝3时，步骤5中第二处理后的k类聚类图像数据包括将雷达回波图像分割为背景层、晕染层和目标层3类数据，因此将3类图像进行叠加即可得到分割后的图像，即最终的检测结果。
叠加后的图像为分割后目标的二值图像，输出二值图像即可以得到检测到的墙体内危险物品。
根据上述具体实施方式的介绍可知，本发明是一种采用Lab色彩空间K均值聚类的墙体内危险物品检测方法，该方法(1)采用了与设备无关的色彩空间，降低了颜色空间中的各个颜色特征分量之间的相关性；(2)能够保持目标在颜色、纹理、形状等方面的完整性；(3)实施过程简单，并通过实际试验验证，效果明显，方便实时处理，易于工程实现。
上述具体实施方式仅用于解释和说明本发明的技术方案，但并不能构成对权利要求的保护范围的限定。本领域技术人员应当清楚，在本发明的技术方案的基础上做任何简单的变形或替换而得到的新的技术方案，均将落入本发明的保护范围之内。

Claims (5)

1.一种基于Lab色彩空间K均值聚类的危险品检测方法，其特征在于，所述方法包括：
步骤1：输入原始图像数据；包括，将采集到的二维雷达回波数据，按照雷达孔径合成和矩阵重建理论转化为原始图像数据；
步骤2：对步骤1输入的原始图像数据进行第一处理；
步骤3：将步骤2中第一处理后的图像转成RGB伪彩图，再将所述RGB伪彩图从RGB空间转到Lab色彩空间，并取出Lab色彩空间中图像数据的a分量和b分量图像数据作为空间转化后的图像数据；
步骤4：对步骤3中的空间转化后的图像数据进行K均值聚类，从而得到k类聚类图像数据；k的值为3；
步骤5：对步骤4中聚类后的k类聚类图像数据进行第二处理，得到代表雷达回波原始图像的背景层、晕染层和目标层数据；
步骤6：对步骤5中第二处理后的k类聚类图像数据进行叠加，从而得到最终的检测结果，其中，所述检测结果为检测到的墙体内危险物品。
2.如权利要求1所述的方法，其特征在于，所述步骤2中第一处理包括：均值滤波和对比度增强。
3.如权利要求1所述的方法，其特征在于，所述步骤3中将所述RGB伪彩图从RGB空间转到Lab色彩空间包括：先将所述RGB伪彩图从RGB空间转化为XYZ空间，然后再由XYZ空间转化为Lab色彩空间。
4.如权利要求1所述的方法，其特征在于，所述步骤4中K均值聚类包括：
步骤4.1：首先将要K均值聚类的图像数据转换为一个具有n个样本数据对象的样本数据集C＝{ci|i＝1,2,...,n}，再从数据集C中任意选择k个样本数据对象组成初始聚类中心集X＝{xj|j＝1,2,...,k}；
步骤4.2：分别计算样本数据集C中剩余的对象与选择的k个初始中心点的距离，将所述剩余的对象划分到距离最短的初始中心点所代表的簇中；
步骤4.3：重新确定每个簇中的聚类中心；将新的k个聚类中心组成聚类中心集X′，用X′替换步骤4.1中的X；
步骤4.4：循环步骤4.1到步骤4.3直到重新确定出的每个簇中的聚类中心不再发生变化为止。
5.如权利要求1-4中任一项所述的方法，其特征在于，所述步骤5：对步骤4中聚类后的图像数据进行第二处理具体包括：小目标剔除、填充空洞、腐蚀膨胀。
CN201710895113.6A 2017-09-28 2017-09-28 一种基于Lab色彩空间K均值聚类的危险品检测方法 Active CN107766878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710895113.6A CN107766878B (zh) 2017-09-28 2017-09-28 一种基于Lab色彩空间K均值聚类的危险品检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710895113.6A CN107766878B (zh) 2017-09-28 2017-09-28 一种基于Lab色彩空间K均值聚类的危险品检测方法

Publications (2)

Publication Number Publication Date
CN107766878A CN107766878A (zh) 2018-03-06
CN107766878B true CN107766878B (zh) 2020-12-04

Family

ID=61266786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710895113.6A Active CN107766878B (zh) 2017-09-28 2017-09-28 一种基于Lab色彩空间K均值聚类的危险品检测方法

Country Status (1)

Country Link
CN (1) CN107766878B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344047A (zh) * 2021-05-24 2021-09-03 广西电网有限责任公司电力科学研究院 基于改进K-means算法的压板状态识别方法
CN114463570A (zh) * 2021-12-14 2022-05-10 江苏航天大为科技股份有限公司 一种基于聚类算法的车辆检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903009A (zh) * 2014-03-27 2014-07-02 北京大学深圳研究生院 一种基于机器视觉的工业品检测方法
CN103984946A (zh) * 2014-05-23 2014-08-13 北京联合大学 一种基于K-means的高分辨率遥感地图道路提取方法
CN104574405A (zh) * 2015-01-15 2015-04-29 北京天航华创科技股份有限公司 一种基于Lab空间的彩色图像阈值分割方法
CN106384354A (zh) * 2016-09-14 2017-02-08 哈尔滨工业大学 基于slic算法的超像素分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903009A (zh) * 2014-03-27 2014-07-02 北京大学深圳研究生院 一种基于机器视觉的工业品检测方法
CN103984946A (zh) * 2014-05-23 2014-08-13 北京联合大学 一种基于K-means的高分辨率遥感地图道路提取方法
CN104574405A (zh) * 2015-01-15 2015-04-29 北京天航华创科技股份有限公司 一种基于Lab空间的彩色图像阈值分割方法
CN106384354A (zh) * 2016-09-14 2017-02-08 哈尔滨工业大学 基于slic算法的超像素分割方法

Also Published As

Publication number Publication date
CN107766878A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
Wang et al. Generating high quality visible images from SAR images using CNNs
CN111123257B (zh) 基于图时空网络的雷达动目标多帧联合检测方法
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN111208509B (zh) 一种超宽带雷达人体目标姿态可视化增强方法
CN107766878B (zh) 一种基于Lab色彩空间K均值聚类的危险品检测方法
CN109919870A (zh) 一种基于bm3d的sar图像相干斑抑制方法
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
CN108333564A (zh) 用于谐波雷达频谱感知与频率选择的方法
CN107229040B (zh) 基于稀疏恢复空时谱估计的高频雷达目标检测方法
CN110927691A (zh) 一种基于多时编码相位调制的低截获雷达信号设计方法
CN107526064A (zh) 基于二维特征的自适应lfm信号参数估计方法
CN104299200A (zh) 一种彩色增强的单幅图像去雨处理方法
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN113205564B (zh) 一种sar智能目标边缘重构方法
CN112904334B (zh) 一种基于互相关的探地雷达后向投影快速成像方法
CN111538003B (zh) 一种单比特压缩采样合成孔径雷达成像方法
Zheng et al. False color fusion for multi-band SAR images based on contourlet transform
Zhan et al. Tamura coarseness for evaluating OTH radar image and its application in RFI suppression
CN109165569B (zh) 基于ba算法的被动毫米波图像极化信息显示方法
Nguyen et al. Deep CNN for extraction of sidelobes from SAR imagery in spectrally restricted environment
Zhang et al. Target detection in sar images based on sub-aperture coherence and phase congruency
Chen et al. Small target detection based on infrared image adaptive
Yuan et al. SAR image de-noising using local properties analysis and discrete non-separable shearlet transform
CN107861121A (zh) 一种基于高斯模糊和cfar检测的危险物品检测方法
CN117294322B (zh) 一种微波传输系统及传输方法

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