CN107967696A - 一种水面船只雷达遥感检测方法、电子设备 - Google Patents
一种水面船只雷达遥感检测方法、电子设备 Download PDFInfo
- Publication number
- CN107967696A CN107967696A CN201711178445.9A CN201711178445A CN107967696A CN 107967696 A CN107967696 A CN 107967696A CN 201711178445 A CN201711178445 A CN 201711178445A CN 107967696 A CN107967696 A CN 107967696A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- pixel
- mrow
- gray
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012880 independent component analysis Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000000926 separation method Methods 0.000 claims abstract description 8
- 230000001186 cumulative effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种水面船只雷达遥感检测方法、电子设备,方法包括:输入原始灰度图像,对其直方图均衡化,以实现图像增强;对图像增强后的原始灰度图像进行3×3窗口大小的Gamma滤波;计算灰度共生矩阵,获得纹理特征方差统计量灰度图像;进行形态学滤波的闭运算并与原始灰度图像进行波段组合生成新的两波段合成图像;对两波段合成图像进行独立成分分析,然后将独立分量IC2求反,进行归一化处理,并统计其直方图,取直方图中累计百分比达到预设值时对应的像元值为船只信息分离阈值K;将像元值大于船只信息分离阈值K的像元判定为船只像元,统计得到船只的数量、大小及空间位置。本发明具有易实现,高效率和高精度的技术特点。
Description
技术领域
本发明涉及卫星遥感目标提取技术领域,特别是指一种水面船只雷达遥感检测方法、电子设备。
背景技术
水面船只目标的卫星遥感自动检测、识别和定位,对于船只搜救,渔业管理、航运监控、安全监测、非法采挖和非法走私监测、海域态势感知以及海防预警等多个领域具有十分广阔的应用前景,在民用和军事领域均有重要意义。合成孔径雷达(SAR)具有全天时、全天候、大范围及高重复观测频率等对地观测特点,是海洋舰船监测的重要手段之一。近年来,以我国高分三号为代表的一批新型的高空间分辨率、短重访周期、多极化的合成孔径雷达成像卫星的涌现,为水面船只的遥感监测提供了极为丰富的雷达遥感数据源。但是目前使用的基于雷达遥感影像的水面船只目标检测方法普遍存在工作效率低下、检测精度不佳的技术问题。
发明内容
有鉴于此,本发明的目的在于提出一种易于实施、且具有高工作效率和高检测精度的水面船只雷达遥感检测方法、电子设备。
基于上述目的本发明提供的一种水面船只雷达遥感检测方法,包括:
输入一幅单极化的合成孔径雷达2级产品原始灰度图像,对其进行直方图均衡化,以实现图像增强;
对图像增强后的所述原始灰度图像进行3×3窗口大小的Gamma滤波;
基于所述3×3窗口大小计算灰度共生矩阵,获得纹理特征方差统计量灰度图像;
统计所述纹理特征方差统计量灰度图像的最小值和最大值,进行归一化处理,并将其扩展至8比特的数值范围;
基于所述3×3窗口大小对扩展至8比特的所述纹理特征方差统计量灰度图像进行形态学滤波的闭运算;
将形态学滤波后的所述纹理特征方差统计量灰度图像与所述原始灰度图像进行波段组合生成新的两波段合成图像;
对所述两波段合成图像进行独立成分分析;对所述独立成分分析的结果中的独立分量IC2求反,将暗像元转换为亮像元,进行归一化处理,然后将其扩展至8比特的数值范围,并统计其直方图,取直方图中累计百分比达到预设值时对应的像元值为船只信息分离阈值K;
将像元值大于所述船只信息分离阈值K的像元判定为船只像元,基于所述船只像元统计得到船只的数量、大小及空间位置。
在一些实施方式中,所述灰度共生矩阵的计算公式为:
P(i,j)=#{[(r1,c1),(r2,c2)]∈M·M|I(r1,c1)=i,I(r2,c2)=j};
其中,#{x}表示集合x的元素个数;i和j分别为两个像素的灰度值;(r1,c1)与(r2,c2)表示图像空间上的一个点对的像素坐标。
在一些实施方式中,基于所述灰度共生矩阵,纹理特征均值统计量的计算公式为:
所述纹理特征方差统计量的计算公式为:
在一些实施方式中,所述预设值为98.5%。
另一方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一项所述的方法。
从上面所述可以看出,本发明提供的水面船只雷达遥感检测方法、电子设备,通过对水面船只雷达影像纹理特征的形态学滤波构建船只雷达影像异常体,并利用独立成分分析方法实现船只与背景水域的分离,具有易实现,高效率和高精度的技术特点。
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为本发明实施例的水面船只雷达遥感检测方法流程图;
图2为本发明实施例中Gamma滤波后的灰度图像;
图3为本发明实施例中纹理特征方差统计量灰度图像;
图4为本发明实施例中形态学滤波闭运算后的灰度图像;
图5为本发明实施例中第二个独立分量IC2的灰度图像;
图6为本发明实施例中求反后8比特的第二个独立分量IC2的灰度图像;
图7为本发明实施例中提取的船只信息二值图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明实施例提供了一种水面船只雷达遥感检测方法。参考图1,所述水面船只雷达遥感检测方法,包括以下步骤:
步骤101、输入一幅单极化的合成孔径雷达2级产品原始灰度图像,对其进行直方图均衡化,以实现图像增强。
本步骤中,所述的原始灰度图像来自于合成孔径雷达(SAR),即SAR灰度图像。
步骤102、对图像增强后的所述原始灰度图像进行3×3窗口大小的Gamma滤波。
图像增强后的所述原始灰度图像进行Gamma滤波后的结果如图2所示。
步骤103、基于所述3×3窗口大小计算灰度共生矩阵(Gray Level Co-occurrenceMatrix,GLCM),获得纹理特征方差统计量灰度图像。
本步骤中,所述灰度共生矩阵的计算公式为:
P(i,j)=#{[(r1,c1),(r2,c2)]∈M·M|I(r1,c1)=i,I(r2,c2)=j};
其中,#{x}表示集合x的元素个数;i和j分别为两个像素的灰度值;(r1,c1)与(r2,c2)表示图像空间上的一个点对的像素坐标。取像元对间距为d,两像元连线的方向为α,取不同间距d,不同方向α的灰度共生矩阵为P(i,j,d,α)。
基于所述灰度共生矩阵,纹理特征均值统计量的计算公式为:
所述纹理特征方差统计量的计算公式为:
通过计算灰度共生矩阵获得方差统计量的灰度图像如图3所示。
步骤104、统计所述纹理特征方差(Variance)统计量灰度图像的最小值和最大值,进行归一化处理,并将其扩展至8比特(0~255)的数值范围。
步骤105、基于所述3×3窗口大小对扩展至8比特的所述纹理特征方差统计量灰度图像进行形态学滤波的闭运算。
本步骤中,经过形态学滤波的闭运算后,纹理特征方差统计量灰度图像如图4所示。
步骤106、将形态学滤波后的所述纹理特征方差统计量灰度图像与所述原始灰度图像进行波段组合生成新的两波段合成图像。
步骤107、对所述两波段合成图像进行独立成分分析(ICA);对所述独立成分分析的结果中的独立分量IC2求反,将暗像元转换为亮像元,进行归一化处理,然后将其扩展至8比特(0~255)的数值范围,并统计其直方图,取直方图中累计百分比达到预设值时对应的像元值为船只信息分离阈值K。
本步骤中,所述两波段合成图像经过独立成分分析后,在独立成分分析的结果中,船只信息位于第二个独立分量IC2中,表现为暗像元,如图5所示。然后经过求反、归一化处理、扩展至8比特等处理后,获得的结果如图6所示。进一步的,统计其直方图,取直方图中累计百分比达到预设值时对应的像元值为船只信息分离阈值K。参考表1,以图1至图5中使用的图像为例,取预设值为98.5%,则相应的能够获得船只信息分离阈值K为254。
表1求反后8比特的第二个独立分量SAR灰度图像统计特征
步骤108、将像元值大于所述船只信息分离阈值K的像元判定为船只像元,基于所述船只像元统计得到船只的数量、大小及空间位置。
本步骤中,根据船只信息分离阈值K判定图像中的船只像元。在本实施例的示例中,像元值大于阈值K(K=254)的像元即为船只像元,如图7所示;根据合成孔径雷达图像包含的雷达遥感数据,统计可得到船只的数量为76只、其面积大小及其中心位置,如表2所示。
表2 SAR雷达探测的船只信息统计表
由上述实施例可见,本发明提出的水面船只雷达遥感检测方法,通过对水面船只雷达影像纹理特征的形态学滤波构建船只雷达影像异常体,并利用独立成分分析(ICA)方法实现船只与背景水域的分离,具有易实现,高效率和高精度的技术特点。利用多个海域30多幅合成孔径雷达图像的水面船只遥感探测结果表明,平均精度为98.5%,且其计算流程简单,算法高效,容易嵌入到各类遥感图像处理软件中。
基于同一发明构思,本发明实施例还提供了一种电子设备。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述水面船只雷达遥感检测方法实施例所述的方法。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种水面船只雷达遥感检测方法,其特征在于,包括:
输入一幅单极化的合成孔径雷达2级产品原始灰度图像,对其进行直方图均衡化,以实现图像增强;
对图像增强后的所述原始灰度图像进行3×3窗口大小的Gamma滤波;
基于所述3×3窗口大小计算灰度共生矩阵,获得纹理特征方差统计量灰度图像;
统计所述纹理特征方差统计量灰度图像的最小值和最大值,进行归一化处理,并将其扩展至8比特的数值范围;
基于所述3×3窗口大小对扩展至8比特的所述纹理特征方差统计量灰度图像进行形态学滤波的闭运算;
将形态学滤波后的所述纹理特征方差统计量灰度图像与所述原始灰度图像进行波段组合生成新的两波段合成图像;
对所述两波段合成图像进行独立成分分析;对所述独立成分分析的结果中的独立分量IC2求反,将暗像元转换为亮像元,进行归一化处理,然后将其扩展至8比特的数值范围,并统计其直方图,取直方图中累计百分比达到预设值时对应的像元值为船只信息分离阈值K;
将像元值大于所述船只信息分离阈值K的像元判定为船只像元,基于所述船只像元统计得到船只的数量、大小及空间位置。
2.根据权利要求1所述的水面船只雷达遥感检测方法,其特征在于,所述灰度共生矩阵的计算公式为:
P(i,j)=#{[(r1,c1),(r2,c2)]∈M·M|I(r1,c1)=i,I(r2,c2)=j};
其中,#{x}表示集合x的元素个数;i和j分别为两个像素的灰度值;(r1,c1)与(r2,c2)表示图像空间上的一个点对的像素坐标。
3.根据权利要求2所述的水面船只雷达遥感检测方法,其特征在于,基于所述灰度共生矩阵,纹理特征均值统计量的计算公式为:
<mrow>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>i</mi>
<mo>;</mo>
</mrow>
所述纹理特征方差统计量的计算公式为:
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mi>i</mi>
<mi>a</mi>
<mi>n</mi>
<mi>c</mi>
<mi>e</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>.</mo>
</mrow>
4.根据权利要求1所述的水面船只雷达遥感检测方法,其特征在于,所述预设值为98.5%。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711178445.9A CN107967696B (zh) | 2017-11-23 | 2017-11-23 | 一种水面船只雷达遥感检测方法、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711178445.9A CN107967696B (zh) | 2017-11-23 | 2017-11-23 | 一种水面船只雷达遥感检测方法、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107967696A true CN107967696A (zh) | 2018-04-27 |
CN107967696B CN107967696B (zh) | 2021-06-25 |
Family
ID=62000754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711178445.9A Active CN107967696B (zh) | 2017-11-23 | 2017-11-23 | 一种水面船只雷达遥感检测方法、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967696B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583319A (zh) * | 2018-11-07 | 2019-04-05 | 北京市遥感信息研究所 | 一种基于海面红外遥感图像的舰船检测方法 |
CN110456387A (zh) * | 2019-08-14 | 2019-11-15 | 上海卫星工程研究所 | 主动遥感卫星建立屏障带对飞机搜寻的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520896A (zh) * | 2009-03-30 | 2009-09-02 | 中国电子科技集团公司第十研究所 | 利用光学遥感影像自动检测云层干扰舰船目标的方法 |
CN102831440A (zh) * | 2012-08-20 | 2012-12-19 | 中国测绘科学研究院 | 一种广域遥感影像决策树分类方法及装置 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
CN105095846A (zh) * | 2014-09-28 | 2015-11-25 | 航天恒星科技有限公司 | 面向遥感图像海陆分割的区域生长种子点提取方法及系统 |
CN105279745A (zh) * | 2015-10-28 | 2016-01-27 | 浙江工业大学 | 遥感影像色彩归一化的多特征点约束直方图规整方法 |
CN106485722A (zh) * | 2016-09-21 | 2017-03-08 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像中靠港舰船检测方法 |
CN106886747A (zh) * | 2016-12-28 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
-
2017
- 2017-11-23 CN CN201711178445.9A patent/CN107967696B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520896A (zh) * | 2009-03-30 | 2009-09-02 | 中国电子科技集团公司第十研究所 | 利用光学遥感影像自动检测云层干扰舰船目标的方法 |
CN102831440A (zh) * | 2012-08-20 | 2012-12-19 | 中国测绘科学研究院 | 一种广域遥感影像决策树分类方法及装置 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
CN105095846A (zh) * | 2014-09-28 | 2015-11-25 | 航天恒星科技有限公司 | 面向遥感图像海陆分割的区域生长种子点提取方法及系统 |
CN105279745A (zh) * | 2015-10-28 | 2016-01-27 | 浙江工业大学 | 遥感影像色彩归一化的多特征点约束直方图规整方法 |
CN106485722A (zh) * | 2016-09-21 | 2017-03-08 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像中靠港舰船检测方法 |
CN106886747A (zh) * | 2016-12-28 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
Non-Patent Citations (4)
Title |
---|
FERNANDO ROBERTI DE SIQUEIRA ET AL.: ""Multi-scale gray level co-occurrence matrices for texture description"", 《NEUROCOMPUTING》 * |
张晴 等: ""结合超像素和直方图阈值的显著区域检测算法"", 《计算机工程与应用》 * |
田艳琴 等: ""基于灰度共生矩阵的多波段遥感图像纹理特征的提取"", 《计算机科学》 * |
谭玉敏 等: ""基于最佳波段组合的高光谱遥感影像分类"", 《测绘与空间地理信息》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583319A (zh) * | 2018-11-07 | 2019-04-05 | 北京市遥感信息研究所 | 一种基于海面红外遥感图像的舰船检测方法 |
CN109583319B (zh) * | 2018-11-07 | 2020-12-15 | 北京市遥感信息研究所 | 一种基于海面红外遥感图像的舰船检测方法 |
CN110456387A (zh) * | 2019-08-14 | 2019-11-15 | 上海卫星工程研究所 | 主动遥感卫星建立屏障带对飞机搜寻的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107967696B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN106600574B (zh) | 一种基于遥感影像与高程数据的滑坡提取方法 | |
CN103247059A (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN107329139B (zh) | 一种双时相双极化干涉sar影像水域提取方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
CN103279957A (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
CN113408460B (zh) | 一种基于遥感大数据和云平台探测互花米草分布的方法 | |
CN102830404A (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
CN108257151A (zh) | 基于显著性分析的PCANet图像变化检测方法 | |
CN107967696A (zh) | 一种水面船只雷达遥感检测方法、电子设备 | |
Cai et al. | Automatic circular oil tank detection in high-resolution optical image based on visual saliency and Hough transform | |
CN107862271A (zh) | 一种舰船目标的检测方法 | |
CN108256429A (zh) | 一种利用高空间分辨率单极化sar图像的输电杆塔目标检测方法 | |
Yu et al. | Automated ship detection from optical remote sensing images | |
CN104166975A (zh) | 一种复杂环境下低空红外目标检测算法 | |
CN106934805A (zh) | 基于Gamma滤波的SAR图像超像素分割方法 | |
CN107423739A (zh) | 图像特征提取方法及装置 | |
Xie et al. | Object-oriented random forest classification for Enteromorpha prolifera detection with SAR images | |
Khadabadi et al. | Identification and classification of diseases in carrot vegetable using Discrete Wavelet Transform | |
Chen et al. | Expert classification method based on patch-based neighborhood searching algorithm | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 | |
CN112070786A (zh) | 一种警戒雷达ppi图像目标/干扰提取方法 | |
Zulkifle et al. | Integrated NIR-HE based SPOT-5 image enhancement method for features preservation and edge detection |
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 |