CN109061628A - 一种基于多功能雷达慢扫增强的浒苔提取方法 - Google Patents

一种基于多功能雷达慢扫增强的浒苔提取方法 Download PDF

Info

Publication number
CN109061628A
CN109061628A CN201810652111.9A CN201810652111A CN109061628A CN 109061628 A CN109061628 A CN 109061628A CN 201810652111 A CN201810652111 A CN 201810652111A CN 109061628 A CN109061628 A CN 109061628A
Authority
CN
China
Prior art keywords
enteromorpha
amplitude
value
enhancing
sweeping
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
Application number
CN201810652111.9A
Other languages
English (en)
Other versions
CN109061628B (zh
Inventor
邢晓勇
徐坤
李凯
赵呈树
李亚成
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.)
China Shipbuilding Pengli Nanjing Atmospheric And Ocean Information System Co ltd
Cssc Pengli Nanjing Technology Group Co ltd
Original Assignee
Nanjing Heavy Industry Group Co Ltd
CSIC Pride Nanjing Atmospheric and Oceanic Information System Co Ltd
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 Nanjing Heavy Industry Group Co Ltd, CSIC Pride Nanjing Atmospheric and Oceanic Information System Co Ltd filed Critical Nanjing Heavy Industry Group Co Ltd
Priority to CN201810652111.9A priority Critical patent/CN109061628B/zh
Publication of CN109061628A publication Critical patent/CN109061628A/zh
Application granted granted Critical
Publication of CN109061628B publication Critical patent/CN109061628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06V10/40—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多功能雷达慢扫增强的浒苔提取方法，包括步骤为：图像分割、浪流信息提取、纹理特征与几何特征提取、幅度特征提取和浒苔目标区域提取。浒苔目标区域的提取方法为：根据浪流信息、纹理特征、几何特征与幅度特征，组建浒苔识别样本库，并训练BP神经网络模型。利用训练好的BP神经网络模型，识别浒苔目标区域。本发明采用FFT手段提取幅度信息，另外加入了浪流的波长与波高影响因子，提升了浒苔的识别精度。在构建BP神经网络模型时，综合考虑了海浪对浒苔特征的影响，使浒苔监测更加精准，并且具有全天候监测、时效性强的特点。

Description

一种基于多功能雷达慢扫增强的浒苔提取方法
技术领域
本发明涉及海洋遥感领域，特别是一种基于多功能雷达慢扫增强的浒苔提取方法。
背景技术
目前，国内外专家学者对浒苔遥感监测方法的研究主要有：光学遥感监测、辐射传输模型及微波遥感监测。光学遥感监测与辐射传输模型，是利用浒苔覆盖海水在可见光波段的波谱特性，提取反演信息。微波遥感监测方法，主要是利用浒苔与水体间的后向散射系数差异，通过图像分割算法，实现水面浒苔信息的提取。但由于卫星数据的时效性较差，不能实时监控海面浒苔信息。
申请人之前申报的申请号为201610822712.0的中国专利申请，其发明创造的名称为“基于相参雷达慢扫的自适应溢油信息提取方法”，利用相参雷达提取溢油信息，并且考虑了海面风场对溢油提取的影响，但是海面风场的影响，没有海浪波高和波长的影响更为直接、准确，并且该专利没有涉及幅度值对目标探测的影响。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于多功能雷达慢扫增强的浒苔提取方法，该基于多功能雷达慢扫增强的浒苔提取方法基于实际经验，并结合多功能雷达探测技术，经过信号处理、图像分割、特征提取，结合浪流信息、幅度特征建立浒苔样本库，采用BP神经网络模型训练样本。因此，相对于传统的算法，本发明具有时效性更强，识别精度更高，预测精度更准的特点。
为解决上述技术问题，本发明采用的技术方案是：
一种基于多功能雷达慢扫增强的浒苔提取方法，包括如下步骤。
步骤1，浪流信息提取：根据各散射单元积累的脉冲数，获得监测区域内浪流信息。
步骤2，图像分割：采用OSTU分割算法，将雷达视频数据进行分割，提取疑似浒苔区域。
步骤3，纹理特征与几何特征提取：对步骤2提取的疑似浒苔区域进行纹理特征和几何特征的提取；几何特征包括复杂度和形状因子。
步骤4，幅度特征提取：对疑似浒苔区域的雷达视频数据进行快速傅里叶变换，依据各径向上的频谱信息，提取该疑似浒苔区域的幅度特征。
步骤5，浒苔目标区域提取：根据提取的浪流信息、纹理特征、几何特征与幅度特征，组建浒苔识别样本库，并训练BP神经网络模型；利用训练好的BP神经网络模型，从疑似浒苔区域中识别并提取出浒苔目标区域。
步骤3中，采用灰度共生矩阵算法提取疑似浒苔区域的纹理特征和几何特征。
步骤4中，将疑似浒苔区域内的径向回波数据进行快速傅里叶变换，得到雷达回波的频谱信息，将频谱能量最大值对应的频率进行频域转换，得到该径向的径向幅度值C，继而提取疑似浒苔区域的幅度特性；幅度特性包括均值、标准差和偏度。
幅度特性中均值的计算公式为：
式中，μ为均值，C为径向幅度值，N为径向幅度值的个数。
幅度特性中标准差的计算公式为：
式中，σ为标准差，μ为均值，C为径向幅度值，N为径向幅度值的个数。
幅度特性中偏度的计算公式为：
式中，γ为偏度，σ为标准差，μ为均值，C为径向幅度值，N为径向幅度值的个数。
步骤5中，BP神经网络模型包括输入层、隐含层和输出层；其中，输入层节点数innode为11，11个输入层节点分别为波高、波长、角二阶矩、对比度、倒数差分矩、二阶熵、复杂度因子、形状因子、幅度均值、幅度标准差和幅度偏度；隐含层节点数hidenode的取值范围为10～16；输出层节点数为2；BP神经网络模型的信号正向传递，输入层、隐含层和输出层中各节点均选用S形函数为激活函数，S形函数的公式如下：
其中，
式中，y为每个节点的输出值，w为节点之间的连接权值，b为各节点之间的阈值，S为每个节点的输入值。
步骤5中，BP神经网络模型的误差信号反向传递，误差函数E(w,b)的计算公式为：
式中，yj为输出层的结果；dj为实际观察结果；E为误差，允许误差allowerror的取值范围为0.0001～0.001。
步骤5中，BP神经网络模型的训练方法，包括如下步骤。
步骤51，建立输入层矩阵：建立一个innode*N的矩阵，其中N为训练样本的数量，从第一列至第innode列依次为：波高、波长、角二阶矩、对比度、倒数差分矩、二阶熵，复杂度因子、形状因子、幅度均值、幅度标准差和幅度偏度。
步骤52，建立样本目标类型矩阵：建立一个1*N矩阵，为样本目标类型，与训练样本相对应。
步骤53，将每列数据进行归一化，取值范围在(0,1)之间。
步骤54，连接权值调整：依次将每一行数据导入到输入层，计算误差，并将计算得出的误差与允许误差进行比较，当超过允许误差时，调整连接权值。
步骤55，当计算误差满足训练要求中的允许误差时，确定连接权值。
步骤52中，样本目标类型t为0时，表示该样本为非浒苔区域；样本目标类型t为1时，表示该样本为浒苔区域。
本发明具有如下有益效果：能够全天候、不间断监测识别海面浒苔，并实时获取雷达扫描范围内的浒苔面积、移动方向与移动速度。本发明的优势在于：在建立浒苔识别模型时，加入了浪流的波长与波高影响因子，提高了浒苔目标的识别精度；在预测浒苔运动时，基于多普勒原理，获取浒苔目标区域的瞬时速度，提高了浒苔运动的预测精度。
附图说明
图1显示了本发明一种基于多功能雷达慢扫增强的浒苔提取方法的结构示意图。
图2显示了本发明中BP神经网络模型的模型示意图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
如图1所示，一种基于多功能雷达慢扫增强的浒苔提取方法，包括如下步骤。
步骤1，浪流信息提取：根据各散射单元积累的脉冲数，获得监测区域内浪流信息。监测区域内浪流信息的提取方法，具体参见申请号为201610766600.8的中国专利申请，其发明名称为“基于相参雷达慢扫模式下的浪流信息提取方法”。
步骤2，图像分割：采用OSTU分割算法，将雷达视频数据进行分割，提取疑似浒苔区域。疑似浒苔区域的提取方法，具体参见申请号201610822712.0的中国专利申请，其发明名称为“基于相参雷达慢扫的自适应溢油信息提取方法”。
步骤3，纹理特征与几何特征提取：优选采用灰度共生矩阵算法，对步骤2提取的疑似浒苔区域进行纹理特征和几何特征的提取；几何特征包括复杂度和形状因子等。
纹理特征与几何特征的具体提取方法，详细参见申请号201610822712.0的中国专利申请，其发明名称为“基于相参雷达慢扫的自适应溢油信息提取方法”。
步骤4，幅度特征提取：对疑似浒苔区域的雷达视频数据，优选为疑似浒苔区域内的径向回波数据，进行快速傅里叶变换，依据各径向上雷达回波的频谱信息，将频谱能量最大值对应的频率进行频域转换，得到该径向的径向幅度值C，继而提取疑似浒苔区域的幅度特性；幅度特性包括均值、标准差和偏度等。
其中，幅度特性中均值的计算公式为：
式中，μ为均值，C为径向幅度值，N为径向幅度值的个数。
幅度特性中标准差的计算公式为：
式中，σ为标准差，μ为均值，C为径向幅度值，N为径向幅度值的个数。
幅度特性中偏度的计算公式为：
式中，γ为偏度，σ为标准差，μ为均值，C为径向幅度值，N为径向幅度值的个数。
步骤5，浒苔目标区域提取：根据提取的浪流信息、纹理特征、几何特征与幅度特征，组建浒苔识别样本库，并训练BP神经网络模型；利用训练好的BP神经网络模型，从疑似浒苔区域中识别并提取出浒苔目标区域。
如图2所示，BP神经网络模型包括输入层、隐含层和输出层。其中，输入层节点数innode为11，11个输入层节点分别为波高、波长、角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)、二阶熵(ESO)，复杂度因子、形状因子、幅度均值、幅度标准差和幅度偏度。隐含层节点数hidenode的取值范围为10～16；输出层节点数为2。
BP神经网络模型的信号正向传递，输入层、隐含层和输出层中各节点均优选采用S形函数为激活函数，S形函数的公式如下：
其中，
式中，y为每个节点的输出值，w为节点之间的连接权值，b为各节点之间的阈值，S为每个节点的输入值。
BP神经网络模型的误差信号反向传递，误差函数E(w,b)的计算公式为：
式中，yj为输出层的结果；dj为实际观察结果；E为误差，允许误差allowerror的取值范围为0.0001～0.001。
BP神经网络模型训练的主要目的是反复修正权值和阈值，使得误差函数值达到最小。BP神经网络模型的训练方法，包括如下步骤。
步骤51，建立输入层矩阵：建立一个innode*N的矩阵，其中N为训练样本的数量，从第一列至第innode列依次为：波高、波长、角二阶矩、对比度、倒数差分矩、二阶熵，复杂度因子、形状因子、幅度均值、幅度标准差和幅度偏度。
建立的输入层矩阵如下表所示：
步骤52，建立样本目标类型矩阵：建立一个1*N矩阵，为样本目标类型，与训练样本相对应。
建立的样本目标类型矩阵，如下表所示：
[1 2 3 … N]
样本目标类型t为0时，表示该样本为非浒苔区域；样本目标类型t为1时，表示该样本为浒苔区域。
步骤53，将每列数据进行归一化，取值范围在(0,1)之间。
步骤54，连接权值调整：依次将每一行数据导入到输入层，计算误差，并将计算得出的误差与允许误差进行比较，当超过允许误差时，调整连接权值。
步骤55，当计算误差满足训练要求中的允许误差时，确定连接权值。
本发明相比于纹理特征与几个特征，浒苔区域与背景区域的幅度特征差异更加明显，故本发明采用FFT手段提取幅度信息，提升了浒苔的识别精度。在构建BP神经网络模型时，综合考虑了海浪对浒苔特征的影响，使浒苔监测更加精准，并且具有全天候监测、时效性强的特点
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (10)

1.一种基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：包括如下步骤：
步骤1，浪流信息提取：根据各散射单元积累的脉冲数，获得监测区域内浪流信息；
步骤2，图像分割：采用OSTU分割算法，将雷达视频数据进行分割，提取疑似浒苔区域；
步骤3，纹理特征与几何特征提取：对步骤2提取的疑似浒苔区域进行纹理特征和几何特征的提取；几何特征包括复杂度和形状因子；
步骤4，幅度特征提取：对疑似浒苔区域的雷达视频数据进行快速傅里叶变换，依据各径向上的频谱信息，提取该疑似浒苔区域的幅度特征；
步骤5，浒苔目标区域提取：根据提取的浪流信息、纹理特征、几何特征与幅度特征，组建浒苔识别样本库，并训练BP神经网络模型；利用训练好的BP神经网络模型，从疑似浒苔区域中识别并提取出浒苔目标区域。
2.根据权利要求1所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：步骤3中，采用灰度共生矩阵算法提取疑似浒苔区域的纹理特征和几何特征。
3.根据权利要求1所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：步骤4中，将疑似浒苔区域内的径向回波数据进行快速傅里叶变换，得到雷达回波的频谱信息，将频谱能量最大值对应的频率进行频域转换，得到该径向的径向幅度值C，继而提取疑似浒苔区域的幅度特性；幅度特性包括均值、标准差和偏度。
4.根据权利要求3所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：幅度特性中均值的计算公式为：
式中，μ为均值，C为径向幅度值，N为径向幅度值的个数。
5.根据权利要求4所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：幅度特性中标准差的计算公式为：
式中，σ为标准差，μ为均值，C为径向幅度值，N为径向幅度值的个数。
6.根据权利要求5所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：幅度特性中偏度的计算公式为：
式中，γ为偏度，σ为标准差，μ为均值，C为径向幅度值，N为径向幅度值的个数。
7.根据权利要求1所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：步骤5中，BP神经网络模型包括输入层、隐含层和输出层；其中，输入层节点数innode为11，11个输入层节点分别为波高、波长、角二阶矩、对比度、倒数差分矩、二阶熵、复杂度因子、形状因子、幅度均值、幅度标准差和幅度偏度；隐含层节点数hidenode的取值范围为10～16；输出层节点数为2；BP神经网络模型的信号正向传递，输入层、隐含层和输出层中各节点均选用S形函数为激活函数，S形函数的公式如下：
其中，
式中，y为每个节点的输出值，w为节点之间的连接权值，b为各节点之间的阈值，S为每个节点的输入值。
8.根据权利要求7所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：步骤5中，BP神经网络模型的误差信号反向传递，误差函数E(w,b)的计算公式为：
式中，yj为输出层的结果；dj为实际观察结果；E为误差，允许误差allowerror的取值范围为0.0001～0.001。
9.根据权利要求7所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：步骤5中，BP神经网络模型的训练方法，包括如下步骤：
步骤51，建立输入层矩阵：建立一个innode*N的矩阵，其中N为训练样本的数量，从第一列至第innode列依次为：波高、波长、角二阶矩、对比度、倒数差分矩、二阶熵，复杂度因子、形状因子、幅度均值、幅度标准差和幅度偏度；
步骤52，建立样本目标类型矩阵：建立一个1*N矩阵，为样本目标类型，与训练样本相对应；
步骤53，将每列数据进行归一化，取值范围在(0,1)之间；
步骤54，连接权值调整：依次将每一行数据导入到输入层，计算误差，并将计算得出的误差与允许误差进行比较，当超过允许误差时，调整连接权值；
步骤55，当计算误差满足训练要求中的允许误差时，确定连接权值。
10.根据权利要求9所述的基于多功能雷达慢扫增强的浒苔提取方法，其特征在于：步骤52中，样本目标类型t为0时，表示该样本为非浒苔区域；样本目标类型t为1时，表示该样本为浒苔区域。
CN201810652111.9A 2018-06-22 2018-06-22 一种基于多功能雷达慢扫增强的浒苔提取方法 Active CN109061628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810652111.9A CN109061628B (zh) 2018-06-22 2018-06-22 一种基于多功能雷达慢扫增强的浒苔提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810652111.9A CN109061628B (zh) 2018-06-22 2018-06-22 一种基于多功能雷达慢扫增强的浒苔提取方法

Publications (2)

Publication Number Publication Date
CN109061628A true CN109061628A (zh) 2018-12-21
CN109061628B CN109061628B (zh) 2020-06-23

Family

ID=64820770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810652111.9A Active CN109061628B (zh) 2018-06-22 2018-06-22 一种基于多功能雷达慢扫增强的浒苔提取方法

Country Status (1)

Country Link
CN (1) CN109061628B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
CN115205693A (zh) * 2022-09-16 2022-10-18 中国石油大学(华东) 一种多特征集成学习的双极化sar影像浒苔提取方法
CN113807208B (zh) * 2021-08-30 2024-05-31 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206523177U (zh) * 2017-02-23 2017-09-26 福建强闽信息科技有限公司 海岸带生态环境动态巡航监测与预警系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206523177U (zh) * 2017-02-23 2017-09-26 福建强闽信息科技有限公司 海岸带生态环境动态巡航监测与预警系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
姜春飞: "浪-流耦合海洋环境数值预报系统业务化检验", 《中国优秀硕士学位论文全文数据库基础科学辑（月刊）》 *
孙芳芳: "SAR海面浒苔监测方法的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑（月刊）》 *
洪洲: "基于纹理特征的遥感影像监督分类", 《测绘与空间地理信息》 *
过杰等: "海面溢油及浒苔遥感监测研究进展", 《广西科学院学报》 *
金松等: "一种区分浒苔和马尾藻的遥感方法", 《遥感信息》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
CN113807208B (zh) * 2021-08-30 2024-05-31 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
CN115205693A (zh) * 2022-09-16 2022-10-18 中国石油大学(华东) 一种多特征集成学习的双极化sar影像浒苔提取方法

Also Published As

Publication number Publication date
CN109061628B (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
CN104613944B (zh) 一种基于gwr和bp神经网络的分布式水深预测方法
CN109188414A (zh) 一种基于毫米波雷达的手势运动探测方法
CN101915910B (zh) 利用航海雷达识别海上溢油目标的方法及系统
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN110348288A (zh) 一种基于77GHz毫米波雷达信号的手势识别方法
CN114612769B (zh) 一种融入局部结构信息的集成感知红外成像舰船检测方法
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN108171672B (zh) 基于红通道和全卷积神经网络的水下光学智能感知方法
CN103292792B (zh) 一种适用海底探测与假地形处理的实测svp重构方法
CN111242061B (zh) 一种基于注意力机制的合成孔径雷达舰船目标检测方法
CN111812598B (zh) 一种基于时域频域多特征的地海杂波分类方法
CN111681272B (zh) 一种基于奇异性功率谱的sar图像处理方法
CN106156758A (zh) 一种sar海岸图像中海岸线提取方法
Li et al. Generalized Hough transform and ANN for subsurface cylindrical object location and parameters inversion from GPR data
CN109061628A (zh) 一种基于多功能雷达慢扫增强的浒苔提取方法
CN113468804B (zh) 一种基于矩阵束和深度神经网络的地下管道识别方法
CN110390949A (zh) 基于大数据的水声目标智能识别方法
Park et al. Estimation of significant wave heights from x-band radar using artificial neural network
WO2020183862A1 (ja) 発雷推定装置、システムおよび方法
Meiyan et al. M-FCN based sea-surface weak target detection
CN112782690B (zh) 星载雷达高度计的近岸非海洋波形检测分类方法及系统
CN115223044A (zh) 基于深度学习的端到端三维探地雷达目标识别方法及系统
KR102411074B1 (ko) 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법
Ma et al. Bathymetry retrieval method of LiDAR waveform based on multi-Gaussian functions
Chen et al. A ground-penetrating radar object detection method based on deep learning

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 211153 No.32 Changqing street, Jiangning Development Zone, Nanjing City, Jiangsu Province

Patentee after: China Shipbuilding Pengli (Nanjing) Atmospheric and Ocean Information System Co.,Ltd.

Patentee after: CSSC Pengli (Nanjing) Technology Group Co.,Ltd.

Address before: 211153 No.32 Changqing street, Jiangning Development Zone, Nanjing City, Jiangsu Province

Patentee before: CSIC PRIDE (NANJING) ATMOSPHERE MARINE INFORMATION SYSTEM Co.,Ltd.

Patentee before: CSIC NANJING PRIDE TECHNOLOGY GROUP CO.,LTD.