CN108305274B - PolSAR图像多特征融合的飞机目标检测方法 - Google Patents
PolSAR图像多特征融合的飞机目标检测方法 Download PDFInfo
- Publication number
- CN108305274B CN108305274B CN201810189416.0A CN201810189416A CN108305274B CN 108305274 B CN108305274 B CN 108305274B CN 201810189416 A CN201810189416 A CN 201810189416A CN 108305274 B CN108305274 B CN 108305274B
- Authority
- CN
- China
- Prior art keywords
- suspected
- target
- airplane
- image
- region
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 28
- 230000001427 coherent effect Effects 0.000 claims abstract description 26
- 230000010287 polarization Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 230000010339 dilation Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NCGICGYLBXGBGN-UHFFFAOYSA-N 3-morpholin-4-yl-1-oxa-3-azonia-2-azanidacyclopent-3-en-5-imine;hydrochloride Chemical compound Cl.[N-]1OC(=N)C=[N+]1N1CCOCC1 NCGICGYLBXGBGN-UHFFFAOYSA-N 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种PolSAR图像多特征融合的飞机目标检测方法。其包括对PolSAR图像进行预处理,得到滤波和去取向后的相干矩阵;计算各像素点的散射功率值,利用散射功率值对PolSAR图像进行区域分割,分割出结果为二值图的感兴趣区域;对感兴趣区域进行区域筛选,得到疑似飞机目标的二值图;对二值图进行形态学膨胀处理,得到疑似飞机目标周围的背景区域的二值图;获取疑似飞机目标及背景区域所对应的去取向后的相干矩阵,计算出疑似飞机目标的待测特征;对待测特征进一步筛选,得到最终检测结果等步骤。本发明对PolSAR图像首先进行粗提取,能够降低运算效率。将飞机目标作为一个区域进行处理,能够充分利用飞机目标整体的极化特性。
Description
技术领域
本发明属于PolSAR图像解译技术领域,特别是涉及一种PolSAR图像多特征融合的飞机目标检测方法。
技术背景
极化合成孔径雷达(PolSAR)作为一种重要的遥感装置,以其全天时、全天候、高分辨和强穿透特征在军事和民用领域获得广泛的应用。与快速发展的PolSAR系统研发相比,PolSAR图像解译研究还相对滞后,在各种遥感数据的海量增长趋势下,遥感图像解译显得尤为重要。飞机目标检测作为图像解译的重要一环,具有重要的军事和国防意义。针对飞机目标检测,现有的方法有的需要遍历图像中所有的像素点;有的需要一定的训练样本进行细分类;还有的需要提前提取出机场跑道区域,然后再遍历所有的机场区域内的像素点,这就会造成运算效率降低,此外在中低分辨率、复杂大场景SAR图像中进行飞机目标检测主要存在的问题是:飞机的外形特征无法体现,只能表现为一些像素特征,常见的统计特征不再适用,因此检测飞机目标较为困难。
发明内容
为了解决上述问题,本发明的目的在于提供一种能够运用于中低分辨率、复杂大场景下,并且能提高运算效率的PolSAR图像多特征融合的飞机目标检测方法。
为了达到上述目的,本发明提供的PolSAR图像多特征融合的飞机目标检测方法包括按顺序进行的下列步骤:
(1)对PolSAR图像进行预处理,得到滤波和去取向后的相干矩阵;
(2)根据步骤(1)得到的去取向后的相干矩阵,计算各像素点的散射功率值,然后利用散射功率值对PolSAR图像进行区域分割,分割出结果为二值图的感兴趣区域;
(3)对步骤(2)得到的感兴趣区域进行区域筛选,得到疑似飞机目标的二值图;
(4)对步骤(3)得到的疑似飞机目标的二值图进行形态学膨胀处理,得到疑似飞机目标周围的背景区域的二值图;
(5)利用步骤(3)得到的疑似飞机目标的二值图和步骤(4)得到的疑似飞机目标周围的背景区域的二值图,获取疑似飞机目标及背景区域所对应的去取向后的相干矩阵,然后计算出疑似飞机目标的待测特征;
(6)对步骤(5)得到的疑似飞机目标的待测特征进一步筛选,得到最终的检测结果。
在步骤(1)中,所述的对PolSAR图像进行预处理,得到滤波和去取向后的相干矩阵的方法是:首先对原始PolSAR图像进行滤波处理,然后对滤波后的图像再进行去取向操作,得到去取向后的相干矩阵。
在步骤(2)中,所述的根据步骤(1)得到的去取向后的相干矩阵,计算各像素点的散射功率值,然后利用散射功率值对PolSAR图像进行区域分割,分割出结果为二值图的感兴趣区域的方法是:根据步骤(1)得到的相干矩阵,计算出所有像素点的散射功率值,然后通过阈值分割提取出功率值较大的感兴趣区域。
在步骤(3)中,所述的对步骤(2)得到的感兴趣区域进行区域筛选,得到疑似飞机目标的二值图的方法是:对步骤(2)得到的感兴趣区域进一步进行区域筛选,筛选出区域大小在一定范围内的疑似飞机目标区域的二值图。
在步骤(4)中,所述的对步骤(3)得到的疑似飞机目标的二值图进行形态学处理,得到疑似飞机目标周围的背景区域的二值图的方法是:对得到的疑似飞机目标的二值图进行形态学膨胀处理,得到疑似飞机目标周围的背景区域的二值图。
在步骤(5)中,所述的利用步骤(3)得到的疑似飞机目标的二值图和步骤(4)得到的疑似飞机目标周围的背景区域的二值图,获取疑似飞机目标及背景区域所对应的去取向后的相干矩阵,然后计算出疑似飞机目标的待测特征的方法是:根据飞机目标区域及其周围背景区域的二值图,得到飞机目标区域和背景区域所相应的相干矩阵T,然后利用相干矩阵计算出疑似飞机目标周围的背景区域的匀质性指标、疑似飞机目标区域与背景区域的极化交叉熵、疑似飞机目标区域与背景区域的功率差异度三个特征。
在步骤(6)中,所述的对步骤(5)得到的疑似飞机目标的待测特征进一步筛选,得到最终的检测结果的方法是:对计算得到的所有疑似飞机目标区域的三个特征进行阈值筛选,当满足所设定的阈值条件时,则认为是飞机目标,否则,则不是飞机目标。
本发明与现有的PolSAR图像分类方法相比具有下特点:(1)本发明对PolSAR图像首先进行粗提取,能够降低运算效率。(2)本发明将飞机目标作为一个区域进行处理,能够充分利用飞机目标整体的极化特性。
附图说明
图1为本发明提供的PolSAR图像多特征融合的飞机目标检测方法流程图。
图2为Lee滤波像素筛选的边缘对齐窗示意图。
图3为目标区域与背景区域选取的示意图。
图4(a)为Kahului地区PolSAR数据的PauliRGB图。
图4(b)为Kahului地区的光学图。
图4(c)为Kahului地区的原始功率图。
图4(d)为在图4(c)的基础上经过区域分割后的二值图。
图4(e)为在图4(d)的基础上经过区域筛选后的二值图。
图4(f)为在图4(e)的基础上经过阈值判别后的最终检测结果图。
图4(g)为对比方法的检测结果。
具体实施方式
下面结合附图和具体实施例对本发明提供的PolSAR图像多特征融合的飞机目标检测方法进行详细说明。
如图1所示,本发明提供的PolSAR图像多特征融合的飞机目标检测方法按顺序进行的下列步骤:
(1)对PolSAR图像进行预处理,得到滤波和去取向后的相干矩阵;
具体步骤如下:
与一般图像不同的是,PolSAR图像的每个像素点均为一个如式(1)所示的3×3的相干矩阵T*,且该相干矩阵T*中对角线元素均为实数,非对角线元素均为复数。
a)首先利用精致Lee滤波同质像素筛选方法对PolSAR图像进行滤波处理:根据图2所示的边缘对齐窗筛选参与滤波的邻域像素点,然后按下式对PolSAR图像进行滤波处理,得到滤波处理后的相干矩阵T’:
b)由于实际地物目标存在不同的取向角,为了便于研究和提取目标特征,需去除这些地物目标的取向角,也就是消除滤波处理后的相干矩阵T*的取向角。因此,先估计地物目标散射回波的随机取向角θ,公式如下:
式中,cos-1(·)和sin-1(·)分别表示反余弦和正余弦,real(·)表示取实部运算,T’22、T’23、T’33为滤波处理后的相干矩阵T’中对应位置的元素。利用上述得到的随机取向角θ构造旋转矩阵Q,然后对滤波处理后的相干矩阵T’进行旋转,以去除地物目标的随机取向,得到去取向后的相干矩阵T:
式中(·)H表示矩阵共轭转置运算。
(2)根据步骤(1)得到的去取向后的相干矩阵,计算各像素点的散射功率值,然后利用散射功率值对PolSAR图像进行区域分割,分割出结果为二值图的感兴趣区域;
由去取向后的相干矩阵T可得到各像素点的散射功率值span为:
span=tr(T) (5)
式中tr(·)表示相干矩阵求迹运算。
由于作为检测目标的飞机蒙皮大部分是由金属材料制成,在PolSAR图像中表现为强散射特性,因此可以利用功率筛选剔除PolSAR图像中一些散射功率值较低的非飞机目标区域,例如海洋、公路、桥梁等低散射区域,由此提取出感兴趣区域,由这些感兴趣区域构成二值图。功率筛选公式如下:
式中xi为待处理像素点;spani为归一化的散射功率值;th1为散射功率阈值,根据经验确定。
(3)对步骤(2)得到的感兴趣区域进行区域筛选,得到疑似飞机目标的二值图;
对上述区域分割后得到的二值图进行连通域标记并计算连通域内像素点的个数,假设连通域中像素点的个数为area(i)。通过区域筛选剔除感兴趣区域中一些像素区域较大的非飞机目标区域,区域筛选公式如下:
式中a1为满足要求最小的区域,a2为满足要求最大区域。当连通域内像素点的个数area(i)满足上述要求时,将该区域保留,否则将该区域剔除,由此得到疑似飞机目标的二值图。
(4)对步骤(3)得到的疑似飞机目标的二值图进行形态学膨胀处理,得到疑似飞机目标周围的背景区域的二值图;
对步骤(3)中得到的疑似飞机目标的二值图进行形态学膨胀处理,选取第二次膨胀得到的区域作为疑似飞机目标周围的背景区域,得到疑似飞机目标周围的背景区域的二值图。形态学膨胀首先要设定好结构元素,然后利用结构元素与疑似飞机目标的二值图进行交、并等集合运算。形态学膨胀的定义为:
其中Φ为结构元素,P为疑似飞机目标的二值图。本发明中所选用的结构元素Φ为:
(5)利用步骤(3)得到的疑似飞机目标的二值图和步骤(4)得到的疑似飞机目标周围的背景区域的二值图,获取疑似飞机目标及背景区域所对应的去取向后的相干矩阵,然后计算出疑似飞机目标的待测特征;
具体步骤如下:
利用疑似飞机目标的二值图与其进行形态学膨胀处理得到的疑似飞机目标周围的背景区域的二值图,获取疑似飞机目标及背景区域所对应的去取向后的相干矩阵T,然后计算得到疑似飞机目标周围的背景区域的匀质性指标、疑似飞机目标与背景区域之间的极化交叉熵(pce)、疑似飞机目标与背景区域之间的功率差异度(pd)三个特征,作为疑似飞机目标的待测特征;
a)假设疑似飞机目标区域的平均散射功率值为span1,背景区域的平均散射功率值为span2,则功率差异度(pd)为:
pd=span1-span2 (10)
b)假设两不同目标的去取向后的相干矩阵分别为T1和T2,则去取向后的相干矩阵T1和T2之间的散射相似性参数为:
其中tr(·)表示相干矩阵求迹运算。
由于实际目标的结构错综复杂,导致对目标散射特征的解译也变得相当困难。可以通过计算实际目标与标准散射体的散射相似性参数来反映实际目标的散射特性。已知停机坪或跑道区域的散射特性主要体现为平面散射,飞机目标的结构较为复杂,机翼处包含多个二面角结构,而当飞机目标的结构中包含多个二面角结构时就会产生螺旋体散射,为了反映飞机目标散射特性与背景区域散射特性的差异度,选用二面角散射、左螺旋散射、右螺旋散射作为飞机目标散射特性的度量。已知二面角散射体、左螺旋散射体、右螺旋散射体的散射相干矩阵分别为:
根据公式(11)得到任意目标的去取向后的相干矩阵T与二面角散射体的散射相干矩阵Td、左螺旋散射体的散射相干矩阵Tl、右螺旋散射体的散射相干矩阵Tr之间的散射相似性参数为:
为了衡量飞机目标散射特性与背景区域散射特性的差异性,根据上述散射相似性参数按下式计算极化交叉熵(pce):
式中rt,i表示飞机目标与二面角散射体、左螺旋散射体、右螺旋散射体的散射相似性参数,rc,i表示背景区域与二面角散射体、左螺旋散射体、右螺旋散射体的散射相似性参数。
c)为了表征背景区域的匀质性,引入由背景区域内像素点的散射功率均值和方差构成的匀质性统计量vi,其表达式为:
式中μ1表示背景区域内像素点的散射功率均值,σ1 2表示背景区域内像素点的散射功率方差,将匀质性统计量vi与匀质性统计量阈值th2相比可以判断出背景区域是否均匀,即:
背景区域和飞机疑似目标区域的示意图如图3所示。
(6)对步骤(5)得到的疑似飞机目标的待测特征进一步筛选,得到最终的检测结果。
由已知的先验信息:(1)飞机相对于机场跑道区域的散射功率值较大;(2)飞机所停放的背景区域较为均匀;(3)飞机目标的极化交叉熵相对较大,因此可以构造出相应的功率差异度pdi、极化交叉熵pcei、匀质性统计量vii,然后利用相应的阈值对疑似飞机目标进行判别,判别条件如下:
式中i表示第i个疑似飞机目标区域,Lablei=1时,表示该疑似飞机目标区域为感兴趣飞机目标区域,将该区域保留;否则表示该区域不是感兴趣的飞机目标区域,将该区域剔除;pdi表示第i个疑似飞机目标相对于其周围的背景区域的功率差异度,vi表示第i个疑似飞机目标周围的背景区域的匀质性统计量,pcei表示第i个疑似飞机目标的极化交叉熵。th2,th3,th4分别表示匀质性统计量阈值、功率差异度阈值、极化交叉熵阈值的估计值;
匀质性统计量阈值th2、功率差异度阈值th3、极化交叉熵阈值th4的估计值设置方法如下:
a)首先计算出所有的疑似飞机目标的匀质性统计量vi、功率差异度pd、极化交叉熵pce,得到序列VI=[vi1,vi2,…,vin]、PD=[pd1,pd2,…,pdn]、PCE=[pce1,pce2,…,pce3];
b)分别将匀质性统计量vi、功率差异度pd、极化交叉熵pce从小到大排列,得到新的序列VI*、PD*、PCE*,其中VI*=[vi(1),vi(2),…,vi(n)]、PD*=[pd(1),pd(2),…,pd(n)]、PCE*=[pce(1),pce(2),…,pce(n)];
c)分别选取新的序列VI*、PD*、PCE*中位于1/2、1/3、2/3、1/4或3/4处的相应值作为匀质性统计量阈值th2、功率差异度阈值th3、极化交叉熵阈值th4的估计值。
本发明提供的PolSAR图像多特征融合的飞机目标检测方法的效果可以通过以下实验结果进一步说明,并对本发明方法和基于极化交叉熵和Yamaguchi分解的飞机目标检测方法进行比较分析。
实验数据描述:数据分别由美国NASA/JPL实验室UVASAR系统采集的Kahului地区的全极化数据。图4(a)为Kahului地区的PauliRGB图,数据大小为344×203,图像的距离分辨率和方位分辨率分别为7.2m和4.99m,图中包含四架飞机,如图中标注所示,此外还有车辆、建筑物等干扰目标。图4(b)为Kahului地区的光学图。图4(c)为Kahului地区的原始功率图,图4(d)为经过区域分割后的二值图,图4(e)为区域分割后的二值图经过区域筛选后得到的疑似飞机目标区域,图4(f)为最终的检测结果,图4(g)为基于极化交叉熵和Yamaguchi分解的飞机目标检测方法的最终检测结果。
表一给出了两种方法的对比结果,从统计结果来看,本发明方法检测结果相对于基于极化交叉熵和Yamaguchi分解的飞机目标检测方法来说,检测结果较理想;另外本发明方法在运算效率方面也有一定的提高。
实验参数描述:民用飞机中最大的飞机(空客A380)的翼展为79.75米,长度为72.75米;较小的飞机(塞斯纳172)的翼展为18.25m,长度为11m。理论情况下,其在距离向分辨率为6.66m,方位向分辨率为8.21m的SAR图像中所对应的目标分别约占12×9和2×2大小的像素区域;在距离向分辨率为7.2m,方位向分辨率为4.99m的SAR图像中所对应的目标分别约占12×15和2×2大小的像素区域。而在实际的低分辨率SAR图像中,飞机只有机翼和机身交接处、尾翼这些易形成二面角的地方才能表现为强散射点,并且散射功率大小还易受到雷达采集数据时入射角的大小的影响。实际的飞机目标在本发明所用的低分辨率SAR图像中表现出的强散射点最少时为2×2大小的像素区域,最多时为5×5大小的像素区域,因此本发明在区域筛选时所选取的阈值a1=4,a2=25。th1=0.3,th2,th3,th4的估计值分别在序列的2/3,3/4,3/4处取得。
表一
Claims (6)
1.一种PolSAR图像多特征融合的飞机目标检测方法,其特征在于:所述的PolSAR图像多特征融合的飞机目标检测方法包括按顺序进行的下列步骤:
(1)对PolSAR图像进行预处理,得到滤波和去取向后的相干矩阵;
(2)根据步骤(1)得到的去取向后的相干矩阵,计算各像素点的散射功率值,然后利用散射功率值对PolSAR图像进行区域分割,分割出结果为二值图的感兴趣区域;
(3)对步骤(2)得到的感兴趣区域进行区域筛选,得到疑似飞机目标的二值图;
(4)对步骤(3)得到的疑似飞机目标的二值图进行形态学膨胀处理,得到疑似飞机目标周围的背景区域的二值图;
(5)利用步骤(3)得到的疑似飞机目标的二值图和步骤(4)得到的疑似飞机目标周围的背景区域的二值图,获取疑似飞机目标及背景区域所对应的去取向后的相干矩阵,然后计算出疑似飞机目标的待测特征;
(6)对步骤(5)得到的疑似飞机目标的待测特征进一步筛选,得到最终的检测结果。
2.根据权利要求1所述的PolSAR图像多特征融合的飞机目标检测方法,其特征在于:在步骤(1)中,所述的对PolSAR图像进行预处理,得到滤波和去取向后的相干矩阵的方法是:首先对原始PolSAR图像进行滤波处理,然后对滤波后的图像再进行去取向操作,得到去取向后的相干矩阵。
3.根据权利要求1所述的PolSAR图像多特征融合的飞机目标检测方法,其特征在于:在步骤(2)中,所述的根据步骤(1)得到的去取向后的相干矩阵,计算各像素点的散射功率值,然后利用散射功率值对PolSAR图像进行区域分割,分割出结果为二值图的感兴趣区域的方法是:根据步骤(1)得到的相干矩阵,计算出所有像素点的散射功率值,然后通过阈值分割提取出功率值较大的感兴趣区域。
4.根据权利要求1所述的PolSAR图像多特征融合的飞机目标检测方法,其特征在于:在步骤(3)中,所述的对步骤(2)得到的感兴趣区域进行区域筛选,得到疑似飞机目标的二值图的方法是:对步骤(2)得到的感兴趣区域进一步进行区域筛选,筛选出区域大小在一定范围内的疑似飞机目标区域的二值图。
5.根据权利要求1所述的PolSAR图像多特征融合的飞机目标检测方法,其特征在于:在步骤(5)中,所述的利用步骤(3)得到的疑似飞机目标的二值图和步骤(4)得到的疑似飞机目标周围的背景区域的二值图,获取疑似飞机目标及背景区域所对应的去取向后的相干矩阵,然后计算出疑似飞机目标的待测特征的方法是:根据飞机目标区域及其周围背景区域的二值图,得到飞机目标区域和背景区域所相应的相干矩阵T,然后利用相干矩阵计算出疑似飞机目标周围的背景区域的匀质性指标、疑似飞机目标区域与背景区域的极化交叉熵、疑似飞机目标区域与背景区域的功率差异度三个特征。
6.根据权利要求1所述的PolSAR图像多特征融合的飞机目标检测方法,其特征在于:在步骤(6)中,所述的对步骤(5)得到的疑似飞机目标的待测特征进一步筛选,得到最终的检测结果的方法是:对计算得到的所有疑似飞机目标区域的三个特征进行阈值筛选,当满足所设定的阈值条件时,则认为是飞机目标,否则,则不是飞机目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189416.0A CN108305274B (zh) | 2018-03-08 | 2018-03-08 | PolSAR图像多特征融合的飞机目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189416.0A CN108305274B (zh) | 2018-03-08 | 2018-03-08 | PolSAR图像多特征融合的飞机目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108305274A CN108305274A (zh) | 2018-07-20 |
CN108305274B true CN108305274B (zh) | 2021-11-23 |
Family
ID=62849725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189416.0A Expired - Fee Related CN108305274B (zh) | 2018-03-08 | 2018-03-08 | PolSAR图像多特征融合的飞机目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305274B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2579898A1 (en) * | 2006-02-24 | 2007-08-24 | Michael Eineder | Method for the processing and representing of ground images obtained by synthetic aperture radar systems (sar) |
CN102521811A (zh) * | 2011-12-09 | 2012-06-27 | 中国人民解放军海军航空工程学院 | 基于各向异性扩散和互信息匀质性测度的sar图像降斑方法 |
CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
CN105988113A (zh) * | 2016-07-06 | 2016-10-05 | 天津大学 | 极化合成孔径雷达图像变化检测方法 |
CN106022217A (zh) * | 2016-05-09 | 2016-10-12 | 中国民航大学 | 无监督多级分类的民用机场跑道区域检测方法 |
CN106291554A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 基于k‑wishart分布的极化sar舰船检测方法 |
CN106803100A (zh) * | 2016-12-26 | 2017-06-06 | 国家海洋局第二海洋研究所 | 一种双极化星载sar图像海上船舶检测分类方法 |
-
2018
- 2018-03-08 CN CN201810189416.0A patent/CN108305274B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2579898A1 (en) * | 2006-02-24 | 2007-08-24 | Michael Eineder | Method for the processing and representing of ground images obtained by synthetic aperture radar systems (sar) |
CN102521811A (zh) * | 2011-12-09 | 2012-06-27 | 中国人民解放军海军航空工程学院 | 基于各向异性扩散和互信息匀质性测度的sar图像降斑方法 |
CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
CN106022217A (zh) * | 2016-05-09 | 2016-10-12 | 中国民航大学 | 无监督多级分类的民用机场跑道区域检测方法 |
CN105988113A (zh) * | 2016-07-06 | 2016-10-05 | 天津大学 | 极化合成孔径雷达图像变化检测方法 |
CN106291554A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 基于k‑wishart分布的极化sar舰船检测方法 |
CN106803100A (zh) * | 2016-12-26 | 2017-06-06 | 国家海洋局第二海洋研究所 | 一种双极化星载sar图像海上船舶检测分类方法 |
Non-Patent Citations (2)
Title |
---|
"A modified robust CFAR detector";Cong"an Xu等;《Proceedings of 2011 International Conference on Electronic & Mechanical Engineering and Information Technology》;20110919;4439-4442页 * |
"基于极化交叉熵和Yamaguchi分解的飞机目标检测方法";韩萍等;《信号处理》;20170331;第33卷(第3期);389-396页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108305274A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583293B (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Nasiri et al. | Infrared small target enhancement based on variance difference | |
CN103400156B (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
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 | |
CN105427314A (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
CN107247262B (zh) | 一种机场跑道异物分层检测方法 | |
CN104766337B (zh) | 一种基于跑道边界增强的飞机着陆视觉增强方法 | |
Huang et al. | Detecting cars in VHR SAR images via semantic CFAR algorithm | |
Kang et al. | Identifying tree crown areas in undulating eucalyptus plantations using JSEG multi-scale segmentation and unmanned aerial vehicle near-infrared imagery | |
CN104680183B (zh) | 基于散射点和k中心一类分类器的sar目标鉴别方法 | |
CN103984947A (zh) | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Dou et al. | Aircraft recognition in high resolution SAR images using saliency map and scattering structure features | |
Liu et al. | Vehicle detection from aerial color imagery and airborne LiDAR data | |
Zhang et al. | Saliency-based centernet for ship detection in sar images | |
Munawar et al. | Isotropic surround suppression based linear target detection using hough transform | |
CN108305274B (zh) | PolSAR图像多特征融合的飞机目标检测方法 | |
Guo et al. | Research on vehicle identification based on high resolution satellite remote sensing image | |
Liu et al. | Using ALOS high spatial resolution image to detect vegetation patches | |
Han et al. | Runways detection based on scattering similarity and structural characteristics | |
Zhao et al. | Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation | |
Avudaiamma et al. | Automatic building extraction from VHR satellite image | |
Marapareddy et al. | Runway detection using unsupervised classification | |
Han et al. | Aircraft target detection in polsar image based on region segmentation and multi-feature decision |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211123 |