CN109002747A - 基于几何特征的星上可见光遥感图像舰船检测方法 - Google Patents
基于几何特征的星上可见光遥感图像舰船检测方法 Download PDFInfo
- Publication number
- CN109002747A CN109002747A CN201710421783.4A CN201710421783A CN109002747A CN 109002747 A CN109002747 A CN 109002747A CN 201710421783 A CN201710421783 A CN 201710421783A CN 109002747 A CN109002747 A CN 109002747A
- Authority
- CN
- China
- Prior art keywords
- slice
- mass center
- point
- potential
- ship target
- 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.)
- Pending
Links
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
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于星上可见光遥感图像的舰船平面几何特性的舰船确认方法,主要包括以下部分:首先利用待定舰船图像切片的均值和标准差对切片进行二值化操作,并求出二值化后切片中的潜在目标的质心位置;然后根据求得的质心位置采用相对熵分离出出切片中潜在目标与背景并更新切片的二值化结果和质心点位置;根据切片的长宽比与潜在目标质心到切片中心的距离分情况求出切片子块的质心点,根据潜在目标质心点和子块的质心点求出潜在目标的对称轴;最后利用得到的对称轴求出潜在目标的长宽比和潜在目标所在的外切矩形面积,用这两个值进行判定,获得最终的待定舰船图像切片的确认结果。
Description
技术领域
本申请属于数字图像处理技术领域,涉及一种遥感图像中目标确认方法,尤其涉及一种适用于卫星上可见光遥感图像中舰船目标的检测方法。
背景技术
我国海域广阔,拥有的海洋国土面积达到299.7万平方公里,舰船作为海上运输的重要载体,在各领域具有广泛的应用。因此,实现舰船的监视对我国维护本国的海洋权益、监督领海专属经济区具有十分重大的意义。在民用方面,实现舰船检测可以实时查看各个港口的航运交通状况,快速搜寻遇难船只,监控非法捕鱼和走私船只;在军事上,可以监控本国海域安全状况以及侦查敌方海上军事实力和部署,为国家安全和领土完整提供保障。而星上实现舰船检测可减少大量卫星影像数据传输带来的负担并且降低数据传送带宽的浪费、提高舰船监测的实时性。所以,基于星上可见光遥感图像舰船检测具有非常重要的研究价值及应用前景。它直接影响到海洋舰船目标监视的实时性和效率,同时去除无效的海洋图像数据,提高数据传输效率。
目前对可见光遥感图像进行舰船确认的方法可以分为两大类:(1)传统特征提取的方法;(2)基于机器学习的方法。前者主要基于人眼视觉系统获得或者从已知舰船样本中统计出的灰度、纹理等的舰船先验信息得到的舰船图像特征,例如小波特征、基于海面分析的异常提取、舰船方向梯度直方图特征等,这类方法针对某些特定场景中的舰船有较高的检测准确率,然而对于不同场景并不具有普适性;后者主要利用舰船样本集合对某种神经网络框架进行训练得到舰船判断模型,比较有代表性的主要有支持向量机和卷积神经网络等,这类方法具有较强的普适性,但计算复杂,需要保存的模型中浮点数的数量较多,且由于星上存在太空辐射,容易损坏模型中的参数据,将导致模型无法正常使用,故此类方法并不适用于在卫星上进行舰船检测。虽然舰船检测的方法很多,但至今还没有能应对星上舰船检测应用苛刻的存储空间和计算量要求的有效算法。
在此背景下,为了兼顾可见光遥感图像上舰船检测的准确性和星上存储与计算的苛刻条件,需要深入分析可见光遥感图像中的舰船成像特点,研究一种基于星上的舰船确认算法显得尤为重要。
发明内容
本申请要解决的技术问题在于提供可用于星上的可见光遥感图像海洋舰船目标确认方法。该方法根据舰船目标在可见光遥感图像上的成像特征信息,将舰船的灰度与纹理特征描述、形状特征与适应不同背景的舰船平面特征的舰船确认等多种技术相结合,有效提高了可见光遥感图像中舰船检测的准确率,并降低了运算复杂度和对存储的要求。
为了实现上述的发明目的,本申请采用下述的技术方案:
基于星上可见光遥感图像的舰船平面几何特性的舰船确认方法,其特征在于包括如下步骤:
(1)对输入的可见光遥感图像提取出多个待检测舰船图像切片,其中,每一个待检测舰船图像切片中仅包含一个潜在舰船目标;
(2)对待检测舰船图像切片进行遍历,求出所述切片中像素灰度值的均值和标准差,并对所述图像切片进行二值化操作以获得所述切片的二值图g',根据所述二值图g'求得当前切片中包含的潜在舰船目标T'的质心m0'的位置;
(3)使用上述步骤(2)中所求得的质心m0'的位置与二值图g',查找质心m0'所属连通区域并依据各像素点与质心m0'的相对熵结果,通过K-means算法来精确逼近该区域的边界,并获得更新后的二值图g,潜在舰船目标T和其质心m0;
(4)计算所述切片的长宽比r与所述质心m0到所述切片中心点的距离,依据舰船形状特性从待检测舰船图像切片中获取具有对称关系的子块,并计算所述子块的质心m1位置;
(5)根据上述两个质心m0和m1的位置,计算出潜在舰船目标T的对称轴直线,并得到潜在舰船目标T在所述切片中的位置方向;
(6)以所述切片中的质心m0为起始点,依据上述步骤(5)得到的对称轴直线分别在对称轴直线两侧找到属于潜在舰船目标T,且距离对称轴垂直距离最远的点e1和e2,并找到所述对称轴与潜在舰船目标T外边缘轮廓相交的点v1和v2;
(7)计算潜在舰船目标T最小外接矩形的面积M,并根据步骤(6)中得到的点e1,e2,v1和v2分别计算各个点到质心m0的距离ed1,ed2,vd1和vd1,依据所述距离计算比值若所述面积M和比值rls均符合预设判断条件,则判定潜在舰船目标T为舰船,否则判定潜在舰船目标T不是舰船。
其中,所述步骤(2)中,二值化操作时使用的阈值为均值与标准差之和。所述待定舰船图像切片是经过初步提取后得到的不确定是否为舰船目标的图像切片。
所述步骤(3)中,连通区域的查找使用的是8领域;先对所述切片统计其各个灰度值出现概率,然后以质心和质心所在区域外的随机一点为中心,计算相对熵以将所述切片分为潜在目标区域和背景区域两类。
本发明所提供的基于星上可见光遥感图像的舰船平面几何特性的舰船确认方法具有如下优点:
1.计算舰船平面几何特征时所用到的计算复杂度低、计算量小,所需要保存的数据少,适用于星上舰船检测的舰船确认。
2.算法中利用相对熵来衡量当前像素点与聚类中心的距离,在精确逼近边界处时有较好的分割效果,能更准确地区分开切片中的潜在目标与背景。
3.舰船的平面几何特征具有普适性,在各种光照和海洋背景下的变化较小,能适用于复杂多变的海洋环境和不同分辨率下的遥感图像中正确地分辨舰船目标和非船目标。
附图说明
下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1是本申请所述的基于星上可见光遥感图像的舰船平面几何特性的舰船确认方法流程示意图;
图2是使用本文方法进行精确逼近潜在目标边界的结果图和原图的对比;
图3是不同分辨率下多种海洋背景中的待进行舰船确认的可见光遥感图像切片及本文方法的舰船确认结果图。
具体实施方式
下面,对本申请所提供的基于星上可见光遥感图像的舰船平面几何特性的舰船确认方法具体实施步骤进行详细说明,处理流程见图1。
步骤1:对输入的可见光遥感图像提取出多个待检测舰船图像切片,其中,每一个待检测舰船图像切片中仅包含一个潜在舰船目标。
步骤2:对待检测舰船图像切片进行遍历,求出其均值和标准差,其中均值和方差的计算公式如下:
其中μ为均值,σ为标准差,f(x,y)是切片上坐标为(x,y)的灰度值,w和h分别代表所述切片的宽和高;在计算开根号运算时使用卡马克快速平方根算法。其中,f(x,y)和f(x,y)2的求和运算在同一循环中计算,对待检测舰船图像切片的宽w和高h的求积运算也只计算一次。在进行二值化操作时,使用的计算公式如下:
g'(x,y)=l{f(x,y)>μ+σ} (3)
其中g'(x,y)为二值化后(x,y)点的值,l{·}为指示函数,其取值规则为:l{值为真的表达式}=1;l{值为假的表达式}=0。规定潜在目标T'{(x,y)|g'(x,y)=1}。计算潜在舰船目标T'的质心m0的位置(x0,y0):
其中所有涉及到g'(x,y)的求和运算都在同一循环中进行。
步骤3:使用8邻域遍历二值化结果,并找到质心m0'∈T'的区域;遍历待检测舰船切片,计算不同灰度值在整个切片中的出现概率pi:
其中h(i)x,y代表所述切片上灰度值为i的各像素点的指示函数;
h(i)x,y=l{f(x,y)=i} (6)
其中f(x,y)=i代表所述切片中像素点(x,y)的值为i;计算每个像素与m0'点的相对熵:
公式(6)计算任意一点Q与质心点m0'之间的相对熵,为点m0的灰度值的出现概率,pQ为点Q的灰度值的出现概率;其中对数计算以2为底以便更快地计算。然后依据相对熵的计算结果利用K-means算法将相对熵较小的与质心m0'聚为一类,并在二值图g'中将这些点置为1表示出来,并获得更新的潜在舰船目标T{(x,y)|能与质心m0进行8邻域连通}的二值图g并记录潜在舰船目标T的面积ST,用式(4)更新m0的位置。
步骤4:计算所述切片的长宽比值r和质心m0到切片中心点的距离:
r=w/h (8)
dx=|x0-w/2| (9)
dy=|y0-h/2| (10)
其中dx为质心m0的与切片中心点在x轴方向上的距离,dy为质心的与切片中心点在y轴方向上的距离。根据式(8)、(9)和(10)的计算结果将分成以下三种情况求出质心m1位置:
(I)若2/3<r<3/2且dx<2,dy<2,则从所述切片的二值图g中先取子块s{(x,y)|x<w/2,y<h/2}并使用公式(11)求出其质心m1的位置(x1,y1):
利用公式(12)计算质心m1的位置(x1,y1)到s中心点的距离:
sdx=|x1-w/4|
sdy=|y1-h/4| (12)
其中sdx为质心m1与子块s中心点在x轴方向上的距离,sdy为质心的与子块s中心点在y轴方向上的距离;若sdx≥2或sdy≥2,则重新从二值图g中取子块s{(x,y)|x<w/2,h/2≤y≤h}并用公式(11)求其质心m1。
(II)若r>3/2,则从二值图g中取s{(x,y)|x<w/2}为子块并用公式(11)求其质心m1。
(III)若r<2/3,则从二值图g中取s{(x,y)|y<h/2}为子块并用公式(11)求其质心m1。
步骤5:使用步骤2和步骤3中得到的m0与m1分以下两种情况计算潜在舰船目标T的对称轴l:Ax+By+C=0。
(I)若|x0-x1|>0.1,使用以下公式计算对称轴:
A=-k,B=1,C=-b (15)
(II)除满足(I)以外的情况,使用以下公式计算对称轴:
A=1,B=0,C=-x0 (16)
步骤6:根据所求出的对称轴l的斜率,分以下两种情况计算分别位于对称轴两边距离最远的点e1和e2及这两点到m0的距离ed1和ed2:
(I)若B=0,则以x0为中心沿y轴分别向左边和右边遍历找到点e1和e2并分别记录其距离ed1和ed2,并用公式(17)来计算所遍历的点(x,y)到对称轴的距离:
d(x,y)=|y-y0| (17)
(II)若B≠0且,则用式(18)来计算出过m0点且垂直于对称轴的直线方程l':
并找到e{(x,y)|A'x+B'y+C'<1,1≤x≤w,1≤y≤h}中属于潜在舰船目标T的点,以m0为中心,向两端用公式(19)求出点e1和e2及ed1和ed2:
求出e{(x,y)|Ax+By+C<1,1≤x≤w,1≤y≤h}中属于潜在舰船目标T的点,并以m0为起始点沿对称轴分别向上和下使用公式(19)求出e∩T中距离质心点m0最远的点v1和v2及这两点到m0的距离vd1和vd2。
步骤7:求出潜在舰船目标T的最小外接矩形的面积M和比值rls:
M=(ed1+ed2)×(vd1+vd2) (20)
依据所述面积M与潜在舰船目标T的面积ST之比值与rls的值作出以下判断:
(I)若得到1<M/ST<thre1且rls>thre2,则判定潜在舰船目标T为舰船;
(II)若不符合(I)则判定潜在舰船目标T不是舰船。
其中,thre1和thre2根据真实舰船跟分辨率的关系优选为1.2和2。
本申请在PC平台上进行了算法实验,实验过程分别使用了1米、2米、5米分辨率的可见光遥感图像中提取出的待定舰船切片共计20240张,每张图像切片大小不一,其中真正包含舰船的切片为5060张。图2给出了部分实验过程中用到的待定舰船图像切片以及本发方法明精确提取出待定舰船切片中的潜在目标结果。图3给出了本发明方法对待定舰船图像切片中潜在目标的判定结果。从图中可以看出,本申请方法能针对不同分别率下从多种海洋背景中有效地分离出潜在目标与背景;本发明方法能快速地从海浪、云、码头等非舰船物体中将舰船目标分离出来。
本文方法与现有的可见光舰船检测的舰船确认方法进行比较。对比实验中的方法①为Changren Zhu等人于2010年在《IEEE Transactions on Geoscience and RemoteSensing》期刊发表的“A Novel Hierarchical Method of Ship Detection fromSpaceborne Optical Image Based on Shape and Texture Features”文中提出的localmultiple patterns(LMP);方法②为Fukun Bi等人于2012年在《IEEE Geoscience andRemote Sensing Letter》期刊发表的“A Visual Search Inspired Computational Modelfor Ship Detection in Optical Satellite Images”文中提出的local contextfacilitation(LCF);方法③为Gong Cheng等人于2016年在《IEEE Transactions onGeoscience and Remote Sensing》期刊发表的“Learning Rotation-InvariantConvolutional Neural Networks for Object Detection in VHR Optical RemoteSensing Images”文中提出的rotation-invariant CNN(RICNN)方法。
本申请使用正确率、误判率在客观指标上与上述方法进行对比,计算方法如下:
本申请的方法与上述方法的对比结果如表1所示。从表中可看出本申请方法与现有公开的方法相比具有在保证低误判率的同时能达到更高的时效性和正确率。
表1 本遥感图像舰船确认方法实验结果
以上对本申请所提供的基于星上可见光遥感图像的舰船平面几何特性的舰船确认方法作了详细的说明,但显然本申请的具体实现形式并不局限于此。对于本技术领域的一般技术人员来说,在不背离本申请的权利要求范围的情况下对它进行的各种显而易见的改变都在本申请的保护范围之内。
Claims (6)
1.基于几何特征的星上可见光遥感图像舰船检测方法,其特征在于包括如下步骤:
(1)对输入的可见光遥感图像提取出多个待检测舰船图像切片,其中,每一个待检测舰船图像切片中仅包含一个潜在舰船目标;
(2)对待检测舰船图像切片进行遍历,求出所述切片中像素灰度值的均值和标准差,并对所述图像切片进行二值化操作以获得所述切片的二值图g',根据所述二值图g'求得当前切片中包含的潜在舰船目标T'的质心m0'的位置;
(3)使用上述步骤(2)中所求得的质心m0'的位置与二值图g',查找质心m0'所属连通区域并依据各像素点与质心m0'的相对熵结果,通过K-means算法来精确逼近该区域的边界,并获得更新后的二值图g,潜在舰船目标T和其质心m0;
(4)计算所述切片的长宽比r与所述质心m0到所述切片中心点的距离,依据舰船形状特性从待检测舰船图像切片中获取具有对称关系的子块,并计算所述子块的质心m1位置;
(5)根据上述两个质心m0和m1的位置,计算出潜在舰船目标T的对称轴直线,并得到潜在舰船目标T在所述切片中的位置方向;
(6)以所述切片中的质心m0为起始点,依据上述步骤(5)得到的对称轴直线分别在对称轴直线两侧找到属于潜在舰船目标T,且距离对称轴垂直距离最远的点e1和e2,并找到所述对称轴与潜在舰船目标T外边缘轮廓相交的点v1和v2;
(7)计算潜在舰船目标T最小外接矩形的面积M,并根据步骤(6)中得到的点e1,e2,v1和v2分别计算各个点到质心m0的距离ed1,ed2,vd1和vd1,依据所述距离计算比值若所述面积M和比值rls均符合预设判断条件,则判定潜在舰船目标T为舰船,否则判定潜在舰船目标T不是舰船。
2.如权利要求1中所述的方法,其特征在于:
所述步骤(2)中,在进行二值化操作时,使用的计算公式如下:
g'(x,y)=l{f(x,y)>μ+σ} (1)
其中μ为均值,σ为标准差,f(x,y)是切片上坐标为像素点(x,y)的灰度值,g'(x,y)为二值化后(x,y)点的值,l{·}为指示函数,其取值规则为:l{值为真的表达式}=1;l{值为假的表达式}=0;然后采用以下公式(2)计算潜在舰船目标T的质心m0'的位置(x0,y0):
其中g'(x,y)为二值化后像素点(x,y)的值。
3.如权利要求1中所述的方法,其特征在于:
所述步骤(3)中,对相对熵的计算首先利用公式(3)计算不同灰度值在整个切片中的出现概率pi:
其中h(i)x,y代表所述切片上灰度值为i的各像素点的指示函数;
h(i)x,y=l{f(x,y)=i} (4)
其中f(x,y)=i代表所述切片中像素点(x,y)的值为i;然后依据公式(5)计算所述切片中任一像素点Q与质心m0点的相对熵:
其中,为点m0的灰度值的出现概率,pQ为点Q的灰度值的出现概率。
4.如权利要求1中所述的方法,其特征在于:
所述步骤(4)中,从所述切片中提取子块的操作和计算质心m1位置的过程,依据所述切片的长宽比值r分成以下三种情况:
(I)若2/3<r<3/2且dx<2,dy<2,则从所述切片的二值图g中先提取子块s{(x,y)|x<w/2,y<h/2}并使用公式(6)求出其质心m1的位置(x1,y1):
并依据公式(7)计算所述质心m1到s中心点的距离:
sdx=|x1-w/4|
sdy=|y1-h/4| (7)
其中sdx为质心m1与子块s中心点在x轴方向上的距离,sdy为质心的与子块s中心点在y轴方向上的距离;若sdx≥2或sdy≥2,则重新从二值图g中取子块s{(x,y)|x<w/2,h/2≤y≤h}并使用公式(6)求其质心m1;
(II)若r>3/2,则从所述二值图g中取s{(x,y)|x<w/2}为子块并用公式(6)求其质心m1;
(III)若r<2/3,则从所述二值图g中取s{(x,y)|y<h/2}为子块并用公式(6)求其质心m1。
5.如权利要求1中所述的方法,其特征在于:
所述步骤(7)中,采用公式(15)计算舰船目标T最小外接矩形的面积M:
M=(ed1+ed2)×(vd1+vd2) (15)
其中ed1,ed2,vd1和vd1分别为点e1,e2,v1和v2到m0的距离,采用公式(16)计算比值rls:
6.如权利要求1中所述的方法,其特征在于:
所述步骤(7)中,依据潜在舰船目标T的面积ST与所述舰船目标T的最小外接矩形的面积M的比值与rls的值作出以下判断:
(I)若得到1<M/ST<thre1且rls>thre2,则判定潜在舰船目标T为舰船;
(II)若不符合(I)则判定潜在舰船目标T不是舰船;
其中,thre1和thre2根据真实舰船跟分辨率的关系优选为1.2和2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421783.4A CN109002747A (zh) | 2017-06-07 | 2017-06-07 | 基于几何特征的星上可见光遥感图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421783.4A CN109002747A (zh) | 2017-06-07 | 2017-06-07 | 基于几何特征的星上可见光遥感图像舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002747A true CN109002747A (zh) | 2018-12-14 |
Family
ID=64573062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710421783.4A Pending CN109002747A (zh) | 2017-06-07 | 2017-06-07 | 基于几何特征的星上可见光遥感图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002747A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287817A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
CN112381838A (zh) * | 2020-11-14 | 2021-02-19 | 四川大学华西医院 | 一种数字病理切片图像的自动切图方法 |
CN118052997A (zh) * | 2024-04-16 | 2024-05-17 | 北京航空航天大学 | 一种嵌入物理特性与常识的目标确认方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574488A (zh) * | 2015-12-07 | 2016-05-11 | 北京航空航天大学 | 一种基于低空航拍红外图像的行人检测方法 |
-
2017
- 2017-06-07 CN CN201710421783.4A patent/CN109002747A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574488A (zh) * | 2015-12-07 | 2016-05-11 | 北京航空航天大学 | 一种基于低空航拍红外图像的行人检测方法 |
Non-Patent Citations (5)
Title |
---|
FENG YANG等: "SHIP DETECTION FROM OPTICAL SATELLITE IMAGES BASED ON VISUAL SEARCH MECHANISM", 《IGARSS 2015》 * |
LI ZHIGUO等: "Warship detection in Smoke Screen Interference Based on Fractal and Rough Set Theory", 《ICSP2012 PROCEEDINGS》 * |
王方超等: "基于几何特征的水面舰船快速检测算法", 《海军工程大学学报》 * |
程小青等: "基于对称轴的自然图像中物体部件检测", 《中国科技论文》 * |
陈文婷等: "SAR 图像舰船目标识别综述", 《现代雷达》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287817A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
CN112381838A (zh) * | 2020-11-14 | 2021-02-19 | 四川大学华西医院 | 一种数字病理切片图像的自动切图方法 |
CN112381838B (zh) * | 2020-11-14 | 2022-04-19 | 四川大学华西医院 | 一种数字病理切片图像的自动切图方法 |
CN118052997A (zh) * | 2024-04-16 | 2024-05-17 | 北京航空航天大学 | 一种嵌入物理特性与常识的目标确认方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN110414411A (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
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 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN103886285A (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN108121991A (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN106651880B (zh) | 基于多特征融合的热红外遥感影像的海上动目标检测方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN108830224A (zh) | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 | |
CN109002747A (zh) | 基于几何特征的星上可见光遥感图像舰船检测方法 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN107862262A (zh) | 一种适用于高空侦察的快速可见光图像舰船检测方法 | |
Cai et al. | Broken ice circumferential crack estimation via image techniques | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
CN116703895A (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
Ma et al. | Ship detection by salient convex boundaries | |
Zhao et al. | A robust lane detection algorithm based on differential excitation | |
Wang et al. | A multidirectional one-dimensional scanning method for harbor detection from sar images | |
Shen et al. | Polarization calculation and underwater target detection inspired by biological visual imaging |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181214 |