CN109001780B - 一种自适应的sar卫星海面舰船目标在轨检测方法 - Google Patents
一种自适应的sar卫星海面舰船目标在轨检测方法 Download PDFInfo
- Publication number
- CN109001780B CN109001780B CN201810649914.9A CN201810649914A CN109001780B CN 109001780 B CN109001780 B CN 109001780B CN 201810649914 A CN201810649914 A CN 201810649914A CN 109001780 B CN109001780 B CN 109001780B
- Authority
- CN
- China
- Prior art keywords
- ship target
- target
- sar
- sliding window
- ship
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种自适应的SAR卫星海面舰船目标在轨检测方法,利用在轨获取的成像参数信息,实时构建适用于不同空间分辨率尺度SAR图像水陆分割与疑似舰船目标候选区提取的滑动窗口,并利用舰船与非舰船目标SAR图像切片样本集,提取纹理和散射特征因子,训练分类器,实现舰船与非舰船目标的分离。有效解决了SAR卫星舰船目标在轨检测受陆地的影响以及不同成像模型下检测算法的鲁棒性问题,为舰船目标的星上智能检测提供了一条切实可行的办法。
Description
技术领域
本发明属于目标检测与遥感图像技术领域,涉及一种自适应的SAR卫星海面舰船目标在轨检测方法。
背景技术
现阶段基于SAR卫星的对地观测需要将原始回波信号下传至地面站后进行,一方面,普遍存在星上存储无效数据多、卫星载荷利用率低、星地数传压力大、系统反应时间长、地面接收处理系统复杂等问题。另一方面,数据处理的时效性与信息挖掘能力无法满足实际应用要求,以海面舰船目标探测为例,传统的处理过程包括回波信号采集与压缩、数据下传、地面成像、图像预处理、目标提取与判别等。整个流程的完成需要几个小时到几天不等,在此期间目标早已离开观测区域,因而严重限制了地面应急系统的快速响应能力,这些都使得SAR回波信号在轨处理与信息智能挖掘成为热点问题。舰船目标的在轨实时智能检测,可以显著提高对地观测的时效性,将目标信息获取的延迟由小时缩短至分钟,并通过目标切片的提取,数量级的降低星载卫星数据下传量,从而解决星上数据实时下传问题,并显著提高载荷的利用率。
目前,SAR图像海面舰船目标星上检测在工程实现上尚属空白,受SAR卫星波束指向估计和在轨几何校正精度限制,传统的基于地理先验知识的海陆分离方法并不能直接应用于星上处理,同时,传统的舰船目标检测方法只针对单一成像模式或单一空间分辨率尺度SAR卫星数据,而目前主流的SAR卫星都具有多种成像模式、多种空间分辨率成像能力,因此,传统的舰船目标检测算法也并不适用于天基硬件处理平台。
发明内容
本发明所要解决的技术问题是提供一种自适应的SAR卫星海面舰船目标在轨检测方法,利用在轨获取的成像参数信息,实时构建适用于不同空间分辨率尺度、SAR图像水陆分割与疑似舰船目标候选区提取的滑动窗口,有效解决了SAR卫星舰船目标在轨检测受陆地的影响以及不同成像模型下检测算法的鲁棒性问题,为舰船目标的星上智能检测提供了一条切实可行的办法。
本发明设计了一种自适应的SAR卫星海面舰船目标在轨检测方法,包括如下步骤:
步骤1.构建包含不同空间分辨率尺度的舰船目标图像切片样本集与非舰船目标SAR图像切片样本集,并获得每个图像切片样本分别所对应的灰度共生矩阵,进而提取纹理特征值;
步骤2.计算每种纹理特征值和图像切片样本散射强度统计特征值、针对舰船目标与非舰船目标两类样本的可分离度,提取满足预设分类要求的特征因子,作为目标分类特征,构建支持向量机分类器;
步骤3.基于实时获取的卫星轨道参数,针对采集SAR卫星回波信号进行成像处理,计算得到SAR图像散射强度直方图;
步骤4.根据预设待检测舰船目标尺寸,针对SAR图像散射强度直方图,构建自适应滑动窗口,并标记水体像元,构建水体区域连通域;
步骤5.利用水体区域连通域进行水陆分割,针对小于预设面积阈值的小面积水体进行水陆合并处理,并构建非水体区域连通域;
步骤6.利用常规舰船目标几何先验知识,剔除非水体区域连通域,获得各个舰船目标候选区域;
步骤7.计算各个舰船目标候选区域分别对应的目标分类特征参数,并输入所构建的支持向量机分类器,得到舰船目标或非舰船目标的分类结果。
作为本发明的一种优选技术方案,所述步骤7之后,还包括步骤8如下:
步骤8.针对舰船目标检测结果进行打包压缩,供卫星下传地面。
作为本发明的一种优选技术方案,所述步骤1包括如下步骤:
步骤1a:均匀选取空间分辨率尺度从1m~50m的舰船目标SAR图像切片与非舰船目标SAR图像切片,且各种类型目标SAR图像切片数均大于1000个;
步骤1b:将每个SAR图像切片的灰度级处理为16级,并按照0°、45°、90°、135°四个方向,生成共生矩阵,计算预设种类的灰度共生矩阵特征值,进而提取纹理特征值。
作为本发明的一种优选技术方案,所述步骤1b中,所述计算预设种类的灰度共生矩阵特征值包括纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关度的平均值与标准差。
作为本发明的一种优选技术方案,所述步骤2中,利用J-M距离公式,计算每种纹理特征值和图像切片样本散射强度统计特征值、针对舰船目标与非舰船目标两类样本的可分离度。
作为本发明的一种优选技术方案,所述步骤4包括如下步骤:
步骤4a:统计SAR图像散射强度直方图,拟合得到水体区域近似正态分布函数,并计算平均值(X)和标准差(σ);
步骤4b:逐一计算滑动窗口的区域一致性比例(Con),计算公式为:
其中,M、N分别为滑动窗口的长度和宽度,xij为第i行、第j列像元的灰度值;
步骤4c:当滑动窗口内像元一致性比例阈值高于90%,且滑动窗口内像元散射强度平均值低于水体散射强度硬阈值时,则判定该滑动窗口像元是水体区域,并将该滑动窗口内的像元标记为1,反之则标记为0;
步骤4d:针对SAR图像散射强度直方图进行滑动窗口,逐一标记图像中的每个像元,以标记后得到的二值图像,构建水体区域连通域。
作为本发明的一种优选技术方案,所述步骤4中,按如下公式:
滑动窗口长度=滑动窗口宽度=滑动步长×2
确定自适应滑动窗口的滑动步长,以及滑动窗口的长和宽。
本发明所设计一种自适应的SAR卫星海面舰船目标在轨检测方法,相对现有技术所带来的有益技术效果是:
(1)本发明针对目前天基对地观测过程中存在的星上存储无效数据多、星地数传压力大、系统反应时间长以及信息获取时效性差等问题,提出了一套完整的从SAR回波信号到舰船目标信息提取的在轨处理方法,实现海面舰船目标的星上智能检测,显著提高了海面舰船目标信息获取的时效性,并有效解决了卫星数据实时下传问题;
(2)本发明针对SAR卫星回波信号在轨处理存在的几何精度误差及其所导致的陆地虚警问题,提出一种自适应的滑动窗口,通过滑动窗口大小、滑动步长、窗口内像元一致性阈值、水体像元判断硬阈值等参数的定量估算,实现水体与陆地的在轨分割,有效解决了传统方法中需要借助地理先验知识完成陆地剔除的问题;
(3)本发明针对SAR图像海面舰船目标检测过程中,海上岛屿、岛礁、养殖场、钻井平台等目标引起的虚警问题,有针对性的构建舰船与非舰船目标样本集,并训练可直接移植应用于星上处理的分类器,实现典型非舰船海面目标虚警的剔除,显著降低了舰船目标检测的虚警率。
附图说明
图1是本发明所设计自适应的SAR卫星海面舰船目标在轨检测方法的流程示意图;
图2是近海区域SAR图像散射强度分布特征图;
图3a、图3b和图3c是自适应滑动窗口示意图;
图4a、图4b、图4c和图4d是水陆分割与舰船目标候选区提取示意图;
图5是舰船目标检测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明设计了一种自适应的SAR卫星海面舰船目标在轨检测方法,具体涉及三部分内容:舰船与非舰船目标SAR图像切片分类模型构建、SAR图像舰船目标候选区提取、舰船目标分类与识别;如图1所示,具体包括如下步骤:
步骤1.构建包含不同空间分辨率尺度的舰船目标图像切片样本集与非舰船目标SAR图像切片样本集,并获得每个图像切片样本分别所对应的灰度共生矩阵,进而提取纹理特征值。
上述步骤1在实际应用中,具体包括如下步骤:
步骤1a:收集或购买例如高分3号、RADARSAT-2、Sentinel1A、TerraSAR-X多种型号SAR卫星近海区域成像数据,将图像预处理为后向散射强度图像(单位:dB),针对1m,5m,10m,30m,50m五种不同空间分辨率尺度,采用矩形框截取的方式,截取舰船目标与非舰船目标(岛屿、岛礁、海上养殖场、钻井平台等)SAR图像切片,每种尺度舰船与非舰船目标SAR图像切片数均大于2000个,生成样本集。
步骤1b:将样本图像切片的灰度级别处理为16级,按照0°、45°、90°、135°四个方向,距离为1个像元,生成四个共生矩阵,分别计算每个共生矩阵的纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关度共五种纹理参数,取纹理参数的平均值和标准差作为纹理特征值。
步骤2.利用J-M距离公式,计算每种纹理特征值和图像切片样本散射强度统计特征值、针对舰船目标与非舰船目标两类样本的可分离度,提取满足预设分类要求的特征因子,作为目标分类特征,构建支持向量机分类器。实际应用中,提取的特征因子为纹理二阶距的标准差、纹理熵的标准差、散射强度最大值、散射强度标准差。
上述步骤2在实际应用当中,具体包括如下步骤:
步骤2a:利用J-M距离,计算每种纹理特征值和SAR图像切片散射强度最大值、最小值、平均值、标准差共计14种特征值对两类样本的可分离度,J-M距离计算公式为:
J=2(1-e-B),0<J<2
其中,J为J-M距离,m1和m2分别为舰船与非舰船样本特征值的平均值,δ1和δ2分别为对应的标准差,当J-M距离值大于1.9时,该特征值具有较好的可分离度。本发明中,纹理二阶距标准差、纹理熵标准差、散射强度最大值、散射强度标准差共4个特征值的J-M距离大于1.9,因此选择这四个特征值作为分类器的特征因子。
步骤2b:从样本库中随机选取5000个舰船目标样本和5000个非舰船目标切片,将样本平均分为5个子样本集,以其中4个子样本集为训练集,另一个子样本集为测试集,利用SVM分类器,交叉训练,得到分类精度最高的组合,通过此组合训练得到的分类器即为在轨处理时所用的分类器。
步骤3.基于实时获取的卫星轨道参数,针对采集SAR卫星回波信号进行成像处理,计算得到SAR图像散射强度直方图。实际应用中,基于高分三号精细条带2模式(标称空间分辨率10m)原始回波信号,利用CS成像算法对回波信号进行成像处理,得到复数图像,取模计算得到SAR图像散射强度直方图。
步骤4.根据预设待检测舰船目标尺寸,针对SAR图像散射强度直方图,构建自适应滑动窗口,并标记水体像元,构建水体区域连通域。
上述步骤4包括如下步骤:
步骤4a:统计SAR图像散射强度直方图,拟合得到水体区域近似正态分布函数,并计算平均值(X)和标准差(σ);具体的,统计后向散射强度图像灰度值,得到散射强度分布直方图,一般情况下,对于纯海洋区域,水体像元的散射强度近似满足正态分布,即图2中第一个波峰区域。拟合得到第一个波峰的近似正态分布函数,本例中计算得到正态分布函数的平均值为-58.6dB,标准差为7.4。对于纯陆地区域,散射强度平均值一般情况下高于-40dB,在轨处理时,对于平均值高于-40dB的图像,不进行后续舰船目标检测处理。
步骤4b:设定滑动窗口参数,主要包括窗口长宽和滑动步长两个参数,其中,按如下公式:
滑动窗口长度=滑动窗口宽度=滑动步长×2
确定自适应滑动窗口的滑动步长,以及滑动窗口的长和宽。本例中拟检测的最小舰船长度为20m,图像空间分辨率为10m,因此滑动窗口滑动步长设定为2(滑动步长=拟提取的最小舰船长度÷SAR图像空间分辨率),滑动窗口长宽为滑动步长的两倍,设定为4,如图3a所示。
然后逐一计算滑动窗口的区域一致性比例(Con),计算公式为:
其中,M、N分别为滑动窗口的长度和宽度,xij为第i行、第j列像元的灰度值,本例中,M、N取值分别为4,xij为第i行、第j列像元的灰度值,X取值为-58.6,σ取值为7.4。
步骤4c:当滑动窗口内像元一致性比例阈值高于90%(Con>90%),且滑动窗口内像元散射强度平均值低于水体散射强度硬阈值时,则判定该滑动窗口像元是水体区域,如图3b所示,并将该滑动窗口内的像元标记为1,反之则标记为0,每个像元会被标记四次,累加每次标记的数值,如图3c所示。
步骤4d:针对SAR图像散射强度直方图进行滑动窗口,逐一标记图像中的每个像元,以标记后得到的二值图像,构建水体区域连通域。
本例中,将标记图像按像元值大于0(疑似非水体像元)和等于0(疑似水体像元)进行划分,得到二值图像,构建疑似水体像元的四邻域连通域,如图4a所示。
步骤5.利用水体区域连通域进行水陆分割,如图4b所示,针对小于预设面积阈值的小面积水体进行水陆合并处理,并构建非水体区域连通域。
本例中,逐一统计每块疑似水体区域连通域像元被标记成水体的平均次数以及区域面积大小,对面积小于0.1km2的区域(即区域像元数少于1000个)与非水体区域进行合并,面积不低于0.1km2且被标记成水体的平均次数高于2.5次的区域,为海洋水体区域。
步骤6.利用常规舰船目标几何先验知识,剔除非水体区域连通域,获得各个舰船目标候选区域。
本例中,将提取的海洋水体区域标记为0,非海洋水体区域标记成1,如图4c所示,构建八邻域连通域,逐一计算每个非水体区域的面积大小,将面积大于目前最大型号舰船面积(取0.02km2)5倍的区域剔除,剩下的非水体区域即为提取的舰船目标候选区域,如图4d所示。
步骤7.计算各个舰船目标候选区域分别对应的目标分类特征参数,并输入所构建的支持向量机分类器,得到舰船目标或非舰船目标的分类结果。
上述步骤7包括如下步骤:
步骤7a:将舰船目标候选区按区域总像元数是否大于16个划分为两类,小于等于16个像元的候选区作为疑似小型舰船目标区域直接输出,大于16个像元的舰船目标候选区作进一步分类处理。
步骤7b:分别计算大于16个像元的舰船目标候选区纹理二阶距标准差、纹理熵标准差、散射强度最大值、散射强度标准差,将计算得到的四种特征值输入到构建的SVM分类器,得到所有候选区的分类结果。
步骤8.针对舰船目标检测结果进行打包压缩,供卫星下传地面。
图5为本例中舰船目标检测结果示意图,可以看出,对于近海复杂场景下,该方法可以显著消除陆地杂波对海面舰船目标的影响,同时,海面舰船目标检测过程中,针对海上岛屿、岛礁、养殖场、钻井平台等目标引起的虚警问题,以及小型舰船目标漏检问题,采用分级处理的方法,一方面确保舰船目标检测的零漏检,另一方面显著降低了舰船目标检测的虚警率。该方法所使用的全部参数信息可以通过星上实时获取或自适应设定,消除了传统方法受地面先验知识的限制,对于在轨实时处理具有重要意义。
本发明未详细阐述的部分属于本领域公知技术。
需要说明的是,以上说明仅是本发明的优选实施方式,应当理解,对于本领域技术人员来说,在不脱离本发明技术构思的前提下还可以做出若干改变和改进,这些都包括在本发明的保护范围内。
Claims (7)
1.一种自适应的SAR卫星海面舰船目标在轨检测方法,其特征在于,包括如下步骤:
步骤1.构建包含不同空间分辨率尺度的舰船目标SAR图像切片样本集与非舰船目标切片样本集,并获得每个图像切片样本分别所对应的灰度共生矩阵,进而提取纹理特征值;
步骤2.计算每种纹理特征值和图像切片样本散射强度统计特征值、针对舰船目标与非舰船目标两类样本的可分离度,提取满足预设分类要求的特征因子,作为目标分类特征,构建支持向量机分类器;
步骤3.基于实时获取的卫星轨道参数,针对采集的SAR卫星回波信号进行成像处理,计算得到SAR图像散射强度直方图;
步骤4.根据预设待检测舰船目标尺寸,针对SAR图像散射强度直方图,构建自适应滑动窗口,并标记水体像元,构建水体区域连通域;
步骤5.利用水体区域连通域进行水陆分割,针对小于预设面积阈值的小面积水体进行水陆合并处理,并构建非水体区域连通域;
步骤6.利用常规舰船目标几何先验知识,剔除非水体区域连通域,获得各个舰船目标候选区域;
步骤7.计算各个舰船目标候选区域分别对应的目标分类特征参数,并输入所构建的支持向量机分类器,得到舰船目标或非舰船目标的分类结果。
2.根据权利要求1所述的自适应的SAR卫星海面舰船目标在轨检测方法,其特征在于,
所述步骤7之后,还包括步骤8如下:
步骤8.针对舰船目标检测结果进行打包压缩,供卫星下传地面。
3.根据权利要求1所述的自适应的SAR卫星海面舰船目标在轨检测方法,其特征在于,所述步骤1包括如下步骤:
步骤1a:均匀选取空间分辨率尺度从1m~50m的舰船目标SAR图像切片与非舰船目标SAR图像切片,且各种类型目标SAR图像切片数均大于1000个;
步骤1b:将每个SAR图像切片的灰度级处理为16级,并按照0°、45°、90°、135°四个方向,生成共生矩阵,计算预设种类的灰度共生矩阵特征值,进而提取纹理特征值。
4.根据权利要求3所述的自适应的SAR卫星海面舰船目标在轨检测方法,其特征在于,
所述步骤1b中,所述计算预设种类的灰度共生矩阵特征值包括纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关度的平均值与标准差。
5.根据权利要求1所述的自适应的SAR卫星海面舰船目标在轨检测方法,其特征在于,
所述步骤2中,利用J-M距离公式,计算每种纹理特征值和图像切片样本散射强度统计特征值、针对舰船目标与非舰船目标两类样本的可分离度。
6.根据权利要求1所述的自适应的SAR卫星海面舰船目标在轨检测方法,其特征在于,所述步骤4包括如下步骤:
步骤4a:统计SAR图像散射强度直方图,拟合得到水体区域近似正态分布函数,并计算平均值(X)和标准差(σ);
步骤4b:逐一计算滑动窗口的区域一致性比例(Con),计算公式为:
其中,M、N分别为滑动窗口的长度和宽度,xij为第i行、第j列像元的灰度值;
步骤4c:当滑动窗口内像元一致性比例阈值高于90%,且滑动窗口内像元散射强度平均值低于水体散射强度硬阈值时,则判定该滑动窗口像元是水体区域,并将该滑动窗口内的像元标记为1,反之则标记为0;
步骤4d:针对SAR图像散射强度直方图进行滑动窗口,逐一标记图像中的每个像元,以标记后得到的二值图像,构建水体区域连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649914.9A CN109001780B (zh) | 2018-06-22 | 2018-06-22 | 一种自适应的sar卫星海面舰船目标在轨检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649914.9A CN109001780B (zh) | 2018-06-22 | 2018-06-22 | 一种自适应的sar卫星海面舰船目标在轨检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109001780A CN109001780A (zh) | 2018-12-14 |
CN109001780B true CN109001780B (zh) | 2022-10-28 |
Family
ID=64601973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810649914.9A Active CN109001780B (zh) | 2018-06-22 | 2018-06-22 | 一种自适应的sar卫星海面舰船目标在轨检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001780B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725312A (zh) * | 2019-01-17 | 2019-05-07 | 武汉大学 | 一种基于空天地一体化观测的库岸形变监测方法 |
CN110175618A (zh) * | 2019-05-29 | 2019-08-27 | 苏州大学 | Sar目标特征精炼表达方法 |
CN110865373B (zh) * | 2019-07-08 | 2021-10-22 | 中国空间技术研究院 | 一种基于熵的单通道合成孔径雷达动目标检测方法 |
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 |
CN110889380B (zh) * | 2019-11-29 | 2022-10-28 | 北京卫星信息工程研究所 | 一种舰船识别方法、装置及计算机存储介质 |
CN111413695B (zh) * | 2020-04-13 | 2022-04-08 | 北京空间飞行器总体设计部 | 一种适用于船舶引导成像的星载sar实时成像参数计算方法 |
CN111582089B (zh) * | 2020-04-27 | 2021-07-09 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卫星红外与可见光图像的海上目标信息融合方法 |
CN111582102B (zh) * | 2020-04-28 | 2020-12-29 | 中国科学院空天信息创新研究院 | 基于多模态端到端网络的遥感数据精细化分类方法及装置 |
CN112102353B (zh) * | 2020-08-27 | 2024-06-07 | 普联国际有限公司 | 运动目标的分类方法、装置、设备及存储介质 |
CN114155444B (zh) * | 2021-10-22 | 2024-04-26 | 中国科学院长春光学精密机械与物理研究所 | 一种基于航天摆扫成像系统的在轨目标检测方法 |
CN116012769A (zh) * | 2022-09-07 | 2023-04-25 | 广东海洋大学 | 一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法 |
CN115755051B (zh) * | 2022-11-18 | 2023-07-25 | 北京卫星信息工程研究所 | 双星高分宽幅sar信号分布式在轨处理方法及系统 |
CN118097473A (zh) * | 2024-04-22 | 2024-05-28 | 中国科学院西安光学精密机械研究所 | 一种飞行器用海面目标的感知方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467564B (zh) * | 2010-11-12 | 2013-06-05 | 中国科学院烟台海岸带研究所 | 一种基于改进支持向量机相关反馈的遥感图像检索方法 |
CN103400156B (zh) * | 2013-07-04 | 2016-04-13 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
CN104951799B (zh) * | 2015-06-12 | 2019-11-15 | 北京理工大学 | 一种sar遥感影像溢油检测识别方法 |
CN106291554B (zh) * | 2016-07-29 | 2019-02-19 | 西安电子科技大学 | 基于k-wishart分布的极化sar舰船检测方法 |
CN107506699A (zh) * | 2017-08-02 | 2017-12-22 | 合肥工业大学 | 一种基于纹理特征和dbn的sar图像分类方法 |
CN107563303B (zh) * | 2017-08-09 | 2020-06-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
-
2018
- 2018-06-22 CN CN201810649914.9A patent/CN109001780B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109001780A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001780B (zh) | 一种自适应的sar卫星海面舰船目标在轨检测方法 | |
Karvonen | Baltic sea ice concentration estimation using SENTINEL-1 SAR and AMSR2 microwave radiometer data | |
Landuyt et al. | Flood mapping based on synthetic aperture radar: An assessment of established approaches | |
KR102067242B1 (ko) | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 | |
Liao et al. | Using SAR images to detect ships from sea clutter | |
Li et al. | An automatic method for mapping inland surface waterbodies with Radarsat-2 imagery | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
Song et al. | Efficient water area classification using Radarsat-1 SAR imagery in a high relief mountainous environment | |
Chen et al. | Rain-contaminated region segmentation of X-band marine radar images with an ensemble of SegNets | |
Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
Karvonen | Estimation of Arctic land-fast ice cover based on dual-polarized Sentinel-1 SAR imagery | |
Karvonen | Baltic sea ice concentration estimation from c-band dual-polarized sar imagery by image segmentation and convolutional neural networks | |
CN116704331A (zh) | 滩涂变化信息提取方法、装置及电子设备 | |
CN114519824A (zh) | 一种sar图像洪涝淹没区域的快速检测方法 | |
CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN112270675B (zh) | 一种基于极化雷达遥感影像的城市内涝区域检测方法 | |
CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
Pelliza et al. | Optimal Canny’s parameters regressions for coastal line detection in satellite-based SAR images | |
Haddad et al. | Identification and filtering of rainfall and ground radar echoes using textural features | |
Soisuvarn et al. | High-Resolution Coastal Winds From the NOAA Near Real-Time ASCAT Processor | |
Zhao | Multitemporal SAR images denoising and change detection: applications to Sentinel-1 data | |
CN118091657B (zh) | 基于分类三元搭配的流域洪涝淹没范围集成识别方法及系统 | |
Raaf et al. | Image-filtering and optimization of rainy cells | |
CN117557584B (zh) | 水体提取方法、装置、电子设备及存储介质 |
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 |