CN108229342B - 一种海面舰船目标自动检测方法 - Google Patents

一种海面舰船目标自动检测方法 Download PDF

Info

Publication number
CN108229342B
CN108229342B CN201711366167.XA CN201711366167A CN108229342B CN 108229342 B CN108229342 B CN 108229342B CN 201711366167 A CN201711366167 A CN 201711366167A CN 108229342 B CN108229342 B CN 108229342B
Authority
CN
China
Prior art keywords
target
sea
sky
line
image
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
CN201711366167.XA
Other languages
English (en)
Other versions
CN108229342A (zh
Inventor
黄明晶
王俊琦
王雪梅
李伟男
蹇渊
王学敏
孟伟杰
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.)
South West Institute of Technical Physics
Original Assignee
South West Institute of Technical Physics
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 South West Institute of Technical Physics filed Critical South West Institute of Technical Physics
Priority to CN201711366167.XA priority Critical patent/CN108229342B/zh
Publication of CN108229342A publication Critical patent/CN108229342A/zh
Application granted granted Critical
Publication of CN108229342B publication Critical patent/CN108229342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

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 Analysis (AREA)

Abstract

本发明属于图像信息处理技术领域，具体涉及一种海面舰船目标自动检测方法。本检测方法包括，图像预处理、海天线分割与小目标提取、基于视觉显著性的目标检测与大目标提取，以及目标判定与筛选步骤。本方法充分考虑系统化和工程化应用要求，在设计上考虑实时性与通用性需求，自适应调节各种参数，以实现在海天背景下，对不同距离、不同海况下舰船目标的实时检测，并将目标信息传送至控制系统。

Description

一种海面舰船目标自动检测方法
技术领域
本发明属于图像信息处理技术领域，具体涉及一种海面舰船目标自动检测方法。
背景技术
舰船检测与监视是世界各海岸地带国家的传统任务，随着遥感成像技术的发展，从遥感图像上识别大型移动目标成为可能，舰船目标识别就是在这一背景下提出的。海上舰船检测在舰船的寻找和救助、非法移民、保卫领土等方面有着广泛应用。
在光学遥感图像中，复杂海面背景情况下的海上舰船目标检测问题一直是难点。一方面，由于成像器件、大气、拍摄角度、时间、气象等诸多因素影响，以及不同的海面波浪状况对光照的反射能力不同，使得光学遥感图像的亮度、对比度等信息存在很大变化，海面背景具有不稳定性，平均亮度存在起伏，其高频信息在幅度上受海浪、航迹的影响变化很大。具体到舰船检测，由于受光照、舰船表面涂层的影响，舰船目标灰度表现不确定性，可见光舰船目标在亮度上可能高于或低于海面背景亮度，分别称为舰船的白极性表现和黑极性表现。此时，传统的基于阈值分割的检测方法无法选择一个合适的阈值将目标与背景分离，造成较高的虚警率。另一方面，由于可见光成像容易受天气等因素的影响，所以可见光图像中往往存在大量的云等情况，舰船检测往往受到云、海浪等干扰，导致目前的舰船检测方法往往虚警较多，虽然在目前一些海上舰船检测方法在海面区域目标的粗检测得到疑似目标后，增加对舰船目标候选区域或舰船疑似目标的目标自身特征进行分析确认，去除部分虚警，获取舰船检测结果。这些方法中常用的舰船目标自身特征有：灰度、尺寸、形状、纹理特征，在提取目标自身多种特征描述后，采用分类器对疑似舰船目标进行分类确认识别。然而，对于云、海浪、海岛等疑似目标干扰，有时在疑似目标块上提取出的目标特征与实际舰船目标非常相似，并且不同分辨率、不同时相图像中舰船目标反映出的特征又有差异，为舰船的确认识别带来很多困难，所以目前基于目标自身特征分析方法仍然存在较多虚警，阻碍了可见光图像海上舰船检测方法的应用。
发明内容
(一)要解决的技术问题
本发明提出一种海面舰船目标自动检测方法，以解决如何在海天背景下实时检测海面舰船目标的技术问题。
(二)技术方案
为了解决上述技术问题，本发明提出一种海面舰船目标自动检测方法，该方法包括图像预处理、海天线分割与小目标提取、基于视觉显著性的目标检测与大目标提取，以及目标判定与筛选步骤；其中：
图像预处理步骤，包括：对原始图像进行去噪并求取小尺度图像；通过边缘检测算子提取小尺度图像水平方向的边缘，得到边缘图像；
海天线分割与小目标提取步骤，包括海天线分割步骤与小目标提取步骤；其中，海天线分割步骤包括：根据预处理得到的边缘图像，提取一组边界点数据，得到粗略海天线位置，对边界点数据进行错误点剔除，以最终剩余的边界点拟合直线，得到最终海天线位置；小目标提取步骤包括：根据海天线位置得到海天线上目标的局部图像，采用行列均值法分别找到局部图像中海天线上灰度出现阶跃变化的两点，以此确定的四个点作为小目标提取子区域；
基于视觉显著性的目标检测与大目标提取步骤，包括：使用不同方向的Gabor滤波器，分别对不同尺度下的原始图像进行Gabor滤波，得到一系列不同尺度的显著图，将所有显著图还原至原图同一尺度下，加权求和后得到目标存在区域的显著图；以加权求和后的显著图作为大目标提取子区域；
目标判定与筛选步骤，包括：对于小目标提取子区域和大目标提取子区域，提取小范围图像的边缘图像，采用连通域标记法得到完整待确定目标，并根据已知目标属性，判定待确定目标是否为初步确定的真实目标；对当前帧检测到的初步确定的真实目标，通过序列帧的目标轨迹关联信息得到最终的真实目标。
进一步地，在图像预处理步骤中，采用均值滤波方法对原始图像去噪；小尺度图像的大小为原始图像的0.125倍；边缘检测算子为水平方向的边缘检测算子。
进一步地，在海天线分割步骤中，根据预处理得到的边缘图像，取其灰度图像的列向量，查找该列向量的第一个较大峰值，以此作为海天线的初步边界点；遍历完所有列向量，提取一组边界点数据，得到粗略海天线位置。
进一步地，在海天线分割步骤中，采用3sigma法对边界点数据进行错误点剔除，对所有边界点数据采用最小二乘法拟合直线，并求出边界点与拟合直线之间的差值及标准差，当误差大于3倍标准差时，剔除该点，反复迭代，直至所有点均小于3倍标准差；以最终剩余的边界点拟合直线，得到最终海天线位置。
进一步地，在海天线分割步骤中，当剩余的点数小于总边界点的1/5时，认为海天线划分错误，无法找到合适的海天线；此时跳过海天线分割，直接使用显著图信息进行目标检测。
进一步地，在基于视觉显著性的目标检测步骤中，Gabor滤波器由0°、45°、90°和135°四个方向的Gabor滤波算子组成；不同尺度为原图的4倍降采样、8倍降采样和16倍降采样三个尺度。
进一步地，在目标判定与筛选步骤中，若判定为初步确定的真实目标，则存储目标信息，目标信息包括目标中心坐标、目标所占像元个数以及目标上下左右四个方向的边界坐标。
进一步地，在目标判定与筛选步骤中，对于当前帧检测到的初步确定的真实目标，与已检测到的目标做对比，若有符合轨迹的目标，则更新符合轨迹的目标，若没有对应轨迹的目标，则认为发现新目标，更新存储目标的数组，将新目标加入存储目标数组中，或用新目标替换存储目标数组中出现频次最低的目标信息。
进一步地，在目标判定与筛选步骤中，当目标数组中存在累积出现次数大于一定帧数的目标，且出现频率大于90％时，认为检测到真实目标，选择累积出现次数大于一定帧数，且出现频率最大的目标作为检测结果进入稳定跟踪阶段。
进一步地，在目标判定与筛选步骤中，如果频率最大的目标有多个，且出现频率相同，则选择在限定速度范围内，运动速度最大的目标作为最终检测结果。
(三)有益效果
本发明提出的海面舰船目标自动检测方法，该方法包括图像预处理、海天线分割与小目标提取、基于视觉显著性的目标检测与大目标提取，以及目标判定与筛选步骤。本方法充分考虑系统化和工程化应用要求，在设计上考虑实时性与通用性需求，自适应调节各种参数，以实现在海天背景下，对不同距离、不同海况下舰船目标的实时检测，并将目标信息传送至控制系统。
附图说明
图1为本发明实施例目标自动检测方法总体流程图；
图2为本发明实施例海天线分割流程图；
图3为本发明实施例基于视觉显著性的目标检测流程图；
图4为本发明实施例目标判定流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本实施例提出一种海面舰船目标自动检测方法。如图1所示，该检测方法包括图像预处理、海天线分割与小目标提取、基于视觉显著性的目标检测与大目标提取，以及目标判定与筛选步骤。
图像预处理步骤：采用均值滤波方法对原始图像进行去噪并求取小尺度图像，小尺度图像的大小为原始图像的0.125倍；通过水平方向的边缘检测算子提取小尺度图像水平方向的边缘，得到边缘图像。
对于海天线分割与小目标提取步骤，在海天线背景下，海天线将天空与海面分割开，天空区域较为平缓，而海面区域由于受到海浪、海面杂波以及太阳光反射等多种因素的影响，其纹理较复杂。
其中，如图2所示，海天线分割步骤，包括：根据预处理得到的边缘图像，取其灰度图像的列向量，查找该列向量的第一个较大峰值(该峰值大于该列最大灰度值的2/3)，以此作为海天线的初步边界点；遍历完所有列向量，提取一组边界点数据，得到粗略海天线位置。然后，采用3sigma法对边界点数据进行错误点剔除，即对所有边界点数据采用最小二乘法拟合直线，并求出边界点与拟合直线之间的差值及标准差，当误差大于3倍标准差时，剔除该点，反复迭代，直至所有点均小于3倍标准差。以最终剩余的边界点拟合直线，以此直线作为当前帧图像的最终海天线位置。其中，当剩余的点数小于总边界点的1/5时，认为海天线划分错误，无法找到合适的海天线。此时，跳过海天线分割，直接使用显著图信息作目标检测。
根据海天线分割图像，海天线之上为天空，海天线之下为海面。对于极远处的海面目标，一般都在海天线之上，表现为海天线上的一个小突起，利用这一性能，找出海天线上的小目标。所以，小目标提取步骤包括：根据海天线位置得到海天线上目标的局部图像，采用行列均值法分别找到海天线上灰度出现阶跃变化的两点，以此确定的四个点为作为小目标提取子区域。
对于基于视觉显著性的目标检测与大目标提取步骤，如图3所示，其中基于视觉显著性的目标检测步骤，包括：使用由0°、45°、90°和135°四个方向的Gabor滤波算子组成的Gabor滤波器，分别对不同尺度(原图的4倍降采样、8倍降采样、16倍降采样三个尺度)下的原始图像进行Gabor滤波，每个尺度下4个方向的Gabor滤波器滤波后得到的图像加权求和，得到对应尺度下的显著图，将三个尺度下的所有显著图还原至原图同一尺度，加权求和后得到目标存在区域的显著图。
海天分割后，近处的大目标表现为横跨海天线或者全部在海天线之下，通过显著图可以确定目标的大致范围。所以，大目标提取步骤包括：以显著图中亮度在90％以上的区域作为大目标提取子区域。
对于目标判定与筛选步骤，如图4所示，包括：对于小目标提取子区域和大目标提取子区域，提取小范围图像的边缘图像，采用连通域标记法，将子区域二值化、标记连通域、统计连通域信息，找出在子区域中心附近的一个最大连通域，合并周围小连通域，得到完整待确定目标，并根据已知目标属性，包括目标大小、长宽比及占空比等特征，判定待确定目标是否为初步确定的真实目标，剔除虚假目标。若判定为初步确定的真实目标，则存储目标信息，包括目标中心坐标、目标所占像元个数以及目标上下左右四个方向的边界坐标。
对于当前帧检测到的初步确定的真实目标，与已检测到的目标做对比，若有符合轨迹的目标，则更新符合轨迹的目标，若没有对应轨迹的目标，则认为发现新目标，更新存储目标的数组，将新目标加入存储目标数组中，或用新目标替换存储目标数组中出现频次最低的目标信息。当目标数组中存在累积出现次数大于一定帧数的目标，且出现频率大于90％时，认为检测到真实目标，选择累积出现次数大于一定帧数，且出现频率最大的目标作为检测结果进入稳定跟踪阶段，如果此时频率最大的目标有多个，且出现频率相同，则选择在限定速度范围内，运动速度最大的目标作为最终检测结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种海面舰船目标自动检测方法，其特征在于，所述检测方法包括图像预处理、海天线分割与小目标提取、基于视觉显著性的目标检测与大目标提取，以及目标判定与筛选步骤；其中：
所述图像预处理步骤，包括：对原始图像进行去噪并求取小尺度图像；通过边缘检测算子提取所述小尺度图像水平方向的边缘，得到边缘图像；
所述海天线分割与小目标提取步骤，包括海天线分割步骤与小目标提取步骤；其中，所述海天线分割步骤包括：根据预处理得到的所述边缘图像，提取一组边界点数据，得到粗略海天线位置，对所述边界点数据进行错误点剔除，以最终剩余的边界点拟合直线，得到最终海天线位置；所述小目标提取步骤包括：根据所述海天线位置得到海天线上目标的局部图像，采用行列均值法分别找到所述局部图像中海天线上灰度出现阶跃变化的两点，以此确定的四个点作为小目标提取子区域；
所述基于视觉显著性的目标检测与大目标提取步骤，包括：使用不同方向的Gabor滤波器，分别对不同尺度下的原始图像进行Gabor滤波，得到一系列不同尺度的显著图，将所有显著图还原至原图同一尺度下，加权求和后得到目标存在区域的显著图；以加权求和后的所述显著图作为大目标提取子区域；
所述目标判定与筛选步骤，包括：对于小目标提取子区域和大目标提取子区域，提取小范围图像的边缘图像，采用连通域标记法得到完整待确定目标，并根据已知目标属性，判定所述待确定目标是否为初步确定的真实目标；对当前帧检测到的所述初步确定的真实目标，通过序列帧的目标轨迹关联信息得到最终的真实目标。
2.如权利要求1所述的检测方法，其特征在于，在所述图像预处理步骤中，采用均值滤波方法对原始图像去噪；所述小尺度图像的大小为原始图像的0.125倍；所述边缘检测算子为水平方向的边缘检测算子。
3.如权利要求1所述的检测方法，其特征在于，在所述海天线分割步骤中，根据预处理得到的所述边缘图像，取其灰度图像的列向量，查找该列向量的第一个较大峰值，以此作为海天线的初步边界点，所述较大峰值为大于该列最大灰度值的2/3的峰值；遍历完所有列向量，提取一组边界点数据，得到粗略海天线位置。
4.如权利要求3所述的检测方法，其特征在于，在所述海天线分割步骤中，采用3sigma法对所述边界点数据进行错误点剔除，对所有边界点数据采用最小二乘法拟合直线，并求出边界点与拟合直线之间的差值及标准差，当误差大于3倍标准差时，剔除该点，反复迭代，直至所有点均小于3倍标准差；以最终剩余的边界点拟合直线，得到最终海天线位置。
5.如权利要求4所述的检测方法，其特征在于，在所述海天线分割步骤中，当剩余的点数小于总边界点的1/5时，认为海天线划分错误，无法找到合适的海天线；此时跳过海天线分割，直接使用显著图信息进行目标检测。
6.如权利要求1所述的检测方法，其特征在于，在所述基于视觉显著性的目标检测步骤中，所述Gabor滤波器由0°、45°、90°和135°四个方向的Gabor滤波算子组成；所述不同尺度为原图的4倍降采样、8倍降采样和16倍降采样三个尺度。
7.如权利要求1所述的检测方法，其特征在于，在所述目标判定与筛选步骤中，若判定为初步确定的真实目标，则存储目标信息，所述目标信息包括目标中心坐标、目标所占像元个数以及目标上下左右四个方向的边界坐标。
8.如权利要求1所述的检测方法，其特征在于，在所述目标判定与筛选步骤中，对于当前帧检测到的所述初步确定的真实目标，与已检测到的目标做对比，若有符合轨迹的目标，则更新符合轨迹的目标，若没有对应轨迹的目标，则认为发现新目标，更新存储目标的数组，将新目标加入存储目标数组中，或用新目标替换存储目标数组中出现频次最低的目标信息。
9.如权利要求8所述的检测方法，其特征在于，在所述目标判定与筛选步骤中，当所述目标数组中存在累积出现次数大于预设帧数的目标，且出现频率大于90％时，认为检测到真实目标，选择累积出现次数大于预设帧数，且出现频率最大的目标作为检测结果进入稳定跟踪阶段。
10.如权利要求9所述的检测方法，其特征在于，在所述目标判定与筛选步骤中，如果频率最大的目标有多个，且出现频率相同，则选择在限定速度范围内，运动速度最大的目标作为最终检测结果。
CN201711366167.XA 2017-12-18 2017-12-18 一种海面舰船目标自动检测方法 Active CN108229342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711366167.XA CN108229342B (zh) 2017-12-18 2017-12-18 一种海面舰船目标自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711366167.XA CN108229342B (zh) 2017-12-18 2017-12-18 一种海面舰船目标自动检测方法

Publications (2)

Publication Number Publication Date
CN108229342A CN108229342A (zh) 2018-06-29
CN108229342B true CN108229342B (zh) 2021-10-26

Family

ID=62652524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711366167.XA Active CN108229342B (zh) 2017-12-18 2017-12-18 一种海面舰船目标自动检测方法

Country Status (1)

Country Link
CN (1) CN108229342B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985274B (zh) * 2018-08-20 2023-07-14 上海磐导智能科技有限公司 水面异物识别方法
CN109886336A (zh) * 2019-02-21 2019-06-14 山东超越数控电子股份有限公司 一种基于舰基图像的目标检测方法及系统
CN110414411B (zh) * 2019-07-24 2021-06-08 中国人民解放军战略支援部队航天工程大学 基于视觉显著性的海面船只候选区域检测方法
CN111597945B (zh) * 2020-05-11 2023-08-18 济南博观智能科技有限公司 一种目标检测方法、装置、设备及介质
CN111598044B (zh) * 2020-05-27 2022-02-01 长光卫星技术有限公司 适用于高分辨率遥感卫星视频数据的目标检测与跟踪方法
CN112097778B (zh) * 2020-09-18 2022-10-18 上海航天控制技术研究所 一种同时提取大小目标的识别跟踪方法
CN112669332B (zh) * 2020-12-28 2023-09-01 大连海事大学 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
CN114863258B (zh) * 2022-07-06 2022-09-06 四川迪晟新达类脑智能技术有限公司 海天线场景中基于视角转换检测小目标的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007140523A1 (en) * 2006-06-05 2007-12-13 Operational Solutions Management Pty Ltd Target recognition method
CN102663348A (zh) * 2012-03-21 2012-09-12 中国人民解放军国防科学技术大学 一种光学遥感图像中的海上舰船检测方法
CN102800086A (zh) * 2012-06-21 2012-11-28 上海海事大学 一种海上场景显著性检测方法
CN104240256A (zh) * 2014-09-25 2014-12-24 西安电子科技大学 一种基于层次化稀疏建模的图像显著性检测方法
CN105469390A (zh) * 2015-11-17 2016-04-06 哈尔滨工程大学 一种基于改进Seam Carving的全景海天线提取方法
CN105654091A (zh) * 2014-11-27 2016-06-08 航天恒星科技有限公司 海面目标检测方法及装置
CN106127728A (zh) * 2016-06-07 2016-11-16 电子科技大学 一种海空背景下的红外图像海天线连通域检测方法
CN106548195A (zh) * 2016-10-13 2017-03-29 华南理工大学 一种基于改进型hog‑ulbp特征算子的目标检测方法
CN106778495A (zh) * 2016-11-21 2017-05-31 北京航天宏图信息技术股份有限公司 遥感影像中复杂海面背景下的舰船检测方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统
CN107392954A (zh) * 2017-07-04 2017-11-24 大连理工大学 一种基于序列图像的粗大误差点剔除方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007140523A1 (en) * 2006-06-05 2007-12-13 Operational Solutions Management Pty Ltd Target recognition method
CN102663348A (zh) * 2012-03-21 2012-09-12 中国人民解放军国防科学技术大学 一种光学遥感图像中的海上舰船检测方法
CN102800086A (zh) * 2012-06-21 2012-11-28 上海海事大学 一种海上场景显著性检测方法
CN104240256A (zh) * 2014-09-25 2014-12-24 西安电子科技大学 一种基于层次化稀疏建模的图像显著性检测方法
CN105654091A (zh) * 2014-11-27 2016-06-08 航天恒星科技有限公司 海面目标检测方法及装置
CN105469390A (zh) * 2015-11-17 2016-04-06 哈尔滨工程大学 一种基于改进Seam Carving的全景海天线提取方法
CN106127728A (zh) * 2016-06-07 2016-11-16 电子科技大学 一种海空背景下的红外图像海天线连通域检测方法
CN106548195A (zh) * 2016-10-13 2017-03-29 华南理工大学 一种基于改进型hog‑ulbp特征算子的目标检测方法
CN106778495A (zh) * 2016-11-21 2017-05-31 北京航天宏图信息技术股份有限公司 遥感影像中复杂海面背景下的舰船检测方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统
CN107392954A (zh) * 2017-07-04 2017-11-24 大连理工大学 一种基于序列图像的粗大误差点剔除方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EKF Based Object Detect and Tracking for UAV By Using Visual-Attention-Model;Jinchun Zhou;《2014 IEEE International Conference on Progress in Informatics and Computing》;20141204;第168-172页 *
Target Detection Based on a Model of Visual Attention for UAV;Geng Wang;《The 26th Chinese Control and Decision Conference（2014 CCDC）》;20140714;第3890-3894页 *
基于光学遥感图像的舰船目标自动检测技术;施鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110115(第1期);第I140-686页 *
基于视觉显著性的无监督海面舰船检测与识别;徐芳等;《光学精密工程》;20170531;第25卷(第5期);第1300-1311页 *

Also Published As

Publication number Publication date
CN108229342A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN110414411B (zh) 基于视觉显著性的海面船只候选区域检测方法
Chen et al. Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework
CN106683075B (zh) 一种输电线杆塔横担处螺栓缺陷检测方法
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
US9031285B2 (en) Detection of floating objects in maritime video using a mobile camera
CN107092871B (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
CN109427055B (zh) 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
CN109086701B (zh) 一种用于夜光遥感数据的灯光渔船自动识别方法
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN110516565A (zh) 一种基于Zernike和SVM的海面船只识别方法
CN114140484A (zh) 一种基于光电传感器的高鲁棒性海天线提取方法
CN111428624B (zh) 一种光学遥感图像在轨舰船目标检测方法
CN113205494A (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN111784722A (zh) 一种改进Canny车道线边缘检测算法
CN112070786B (zh) 一种警戒雷达ppi图像目标和干扰提取方法
CN109471106B (zh) 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法
CN111191534B (zh) 一种模糊航空图像中的道路提取方法
Zhou et al. Research on improved hough algorithm and its application in lunar crater
Yao Small target detection under the sea using multi-scale spectral residual and maximum symmetric surround
CN111680565B (zh) 一种基于sar图像的港口区域舰船目标检测方法
Ji et al. Adaptive Underwater Sonar Image Target Detection
CN113284135B (zh) 基于全局与局部上下文信息的sar舰船检测方法

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