CN109117802A - 面向大场景高分遥感影像的舰船检测方法 - Google Patents
面向大场景高分遥感影像的舰船检测方法 Download PDFInfo
- Publication number
- CN109117802A CN109117802A CN201810951869.2A CN201810951869A CN109117802A CN 109117802 A CN109117802 A CN 109117802A CN 201810951869 A CN201810951869 A CN 201810951869A CN 109117802 A CN109117802 A CN 109117802A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- target
- value
- remote sensing
- 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
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Abstract
本发明提供了一种面向大场景高分遥感影像的舰船检测方法,该方案包含五个阶段:海陆分割、图像分割、半监督制作数据集、深度神经网络特征学习、卷积神经网络目标检测;本发明通过海陆分割能够排除陆地部分及近海岸处的干扰信息,使后续的检测更加精准;将大场景遥感影像分为小的图影像信息,通过并行计算的方法,降低时间复杂度,且对小目标和深度神经网络学习过程具有较好的适应性;为减少人工制作数据集的任务量,采用半监督的方式制作数据集,以快速、稳健、自适应的方式识别所有潜在的舰船目标,再进行人工筛选;基于特征的卷积神经网络目标检测结合第三步的基于像素的处理方法,能够有效提升检测精度。
Description
技术领域
本发明属于图像解译领域,特别涉及一种基于像素和特征的面向大场景高分遥感影像的舰船检测算法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)图像的解释是充分获取特定SAR图像信息的必然途径。然而,由于SAR图像的散射成像机理和散斑噪声,对SAR图像的解释和理解要比光学照片困难得多。SAR不受气候、天气光照等条件影响,全天候获取高分辨率的雷达影像的特点,与光学遥感相比,在侦查、监视等军事领域更具优势。随着星载合成孔径雷达SAR的迅速发展,SAR舰船检测在海洋监测、海上交通等领域发挥着越来越重要的作用,自动目标识别 (Automatic Target Recognition,ART)是其重要应用之一。随着星载SAR卫星分辨率的不断提升,遥感数据呈大数据化,蕴含丰富的信息有待提取,而大数据导致的价值密度低的特点,对数据的处理和分析能力提出了较高的要求。因此,如何有效利用海量的遥感影像数据信息,是亟待解决的问题。随着舰船制造工业的进步,大型高速舰船的数量呈指数式增长,军事舰船性能的提高对国家领海监管和防卫提出新挑战,同时,造成的海上交通问题仍需解决。因此,必须提高海上交通监管水平和舰船监测技术。(1)传统的舰船检测方法难以满足遥感影像数据海量增长的需求,且其精度与检测速度仍需进一步提升;(2) SAR影响相对于光学图像具有较少的特征,直接将应用于光学图像的深度神经网络引入导致适应性较差,且人工标注数据集任务繁重,应尽可能减少人工制作数据集的任务量。因此,本发明提出一种高适应性的面向大场景高分遥感影像的精确、高效的半监督舰船检测方法。
发明内容
针对现有技术问题,本发明提供一种面向大场景高分遥感影像的舰船检测方法,该方法包括以下步骤:
步骤1:对检测区域进行海陆分割处理;
步骤1.1:在高分三号遥感影像数据中采用下采样的方法去除船只目标,自适应的下采样率的设置如下:
x=shiplength/pixelsize (1)
shiplength表示目标区域长度,对应舰船目标最大长度,pixelsize表示像素大小,对应分辨率;
步骤1.2:经过该步骤处理后舰船被处理成孤立的点,然后通过滤波器滤波并进行平滑处理,处理后,船舶目标被消除;
步骤1.3:进行形态学的膨胀操作,使陆地的河流区域连通。最后将陆地标记为黑色,海洋标记为白色,得到海岸线信息,并在原图上将陆地部分处理为黑色,输出结果;
膨胀运算的计算公式如下:
A为读入图像的矩阵,
步骤2:对海陆分割处理后输出的图像进行图片分割;采用基于累加迭代的总和区域表的快速滑动的方案,在避免同一目标被分割成不同的子图像的条件下将图片分割成适当大小的子图像;
步骤2.1:使场景图像中的任何潜在目标都将被至少一个滑动窗口完全覆盖,舰船目标长度为xt,宽度为yt,则滑动窗口尺寸为p;对相邻切片之间的重叠n限制如下:
n≥max(xt,yt)/p (3)
步骤2.2:滑动窗口大小根据遍历的像素信息自适应调节,设置保护窗口大小略大于滑动窗口大小,背景区域为整个图像。
步骤3:图像分割后将所得到的图像进行基于像素的恒虚警率检测方法进行半监督制作数据集;
步骤3.1:通过基于K分布的杂波建模方法建立审查机制,求解CFAR阈值,并重新审查像素,将像素值大于阈值的输出为白色像素,其他输出为黑色像素,剔除杂波区域目标信息;
步骤3.2:对遥感影像信息进行基于像素的CFAR进行关键信息提取,根据雷达回波信号特征,提出初步假设:
H0假设:当接收信号只有干扰信号时,H1假设:当接收信号存在目标时,X 干扰信号,N目标信号;
步骤3.2:基于SAT算法滑动窗口内部像素均值,计算后得到目标像素显示为白色,其余显示为黑色;将获得的高分遥感卫星数据,在给定一个虚警概率值T的情况下,判断是否存在目标。通过滑动窗口法审查像素均值,在均值计算过程中,采用基于累积迭代的SAT算法具体如下:
S窗口内部像素的和,x为总行数,y为总列数,当前位置第m行,第n列,zmn为第m行,第n列像素的值;
步骤3.3:进行形态学闭运算,进行腐蚀运算去除孤立点,进行膨胀运算查找连通区域,得到一个初步的结果,然后通过人工辨识,调整检测结果,半监督制作数据集;
形态学闭运算:
先膨胀后腐蚀;腐蚀原理:求局部最小值;定义一个卷积核B,核可以是任何的形状和大小,且拥有一个单独定义出来的锚点;通常和为带参考点的正方形或者圆盘,可将核称为模板或掩膜;将核B与图像A进行卷积,计算核B覆盖区域的像素点最小值;将这个最小值赋值给参考点指定的像素;因此,图像中的高亮区域逐渐减小;
膨胀原理:求局部最大值;定义一个卷积核B,核可以是任何的形状和大小,且拥有一个单独定义出来的锚点;通常和为带参考点的正方形或者圆盘,可将核称为模板或掩膜;
将核B与图像A进行卷积,计算核B覆盖区域的像素点最大值;将这个最大值赋值给参考点指定的像素;因此,图像中的高亮区域逐渐增长;
A读入图像的矩阵,该式子表示用结构B膨胀A,将结构元素B的原点平移到图像像元(x,y)位置。
步骤4:深度神经网络特征学习:采用两层卷积层进行特征提取,并将特征图的尺寸进行上采样,将图像放大,合并两张特征图信息,提取更多的特征信息,每层增加卷积层融合多尺寸的特征图特征信息,通过一层卷积神经网络进行下下采样,降低复杂度,最后通过两层全连接层学习特征信息,得到权重文件;
步骤5:采用卷积神经网络的方法对所得权重文件进行检测。
激活函数采用softmax激活函数,具体如下:
检测时采用滑动窗口法首先计算置信度C,具体计算方法如下:
P(obj)为存在目标的概率Bt为窗口内含有目标的真实值,Bp为窗口内含有目标的经验值。
把每个窗口的置信度与类别概率相乘的到最后的检测分数:
P(score)=P(C|obj)*C (8)
P(score)为检测分数,P(C|obj)为类别概率,将检测分数大于50%的视为目标,输出其检测边框信息。
有益效果:
本发明以可靠使用的方式,设计了一套完整的舰船检测方案,该方案包含五个阶段:海陆分割、图像分割、半监督制作数据集、深度神经网络特征学习、卷积神经网络目标检测。(1)海陆分割能够排除陆地部分及近海岸处的干扰信息,使后续的检测更加精准。(2)将大场景遥感影像分为小的图影像信息,通过并行计算的方法,降低时间复杂度,且对小目标和深度神经网络学习过程具有较好的适应性。(3)为减少人工制作数据集的任务量,采用半监督的方式制作数据集,以快速、稳健、自适应的方式识别所有潜在的舰船目标,再进行人工筛选。(4)基于深度学习的训练方法,能够有效提取特征信息,训练出的权值信息具有一次训练多次使用,且可根据后续舰船类型的增加,进一步训练数据。(5)基于特征的卷积神经网络目标检测结合第三步的基于像素的处理方法,能够有效提升检测精度。
附图说明
图1:面向大场景高分遥感影像的舰船检测方法框图。
具体实施方式
如图1所示,面向大场景高分遥感影像的舰船检测方法,其特征在于,包括以下步骤:
步骤1:对检测区域进行海陆分割处理。
步骤1.1:相对于陆地来说,船只是小型目标,在进行海陆分割时要排除船只目标的影响,首先要用下采样的方法去除船只目标,自适应的下采样率的设置如下:
x=shiplength/pixelsize (1)
shiplength表示目标区域长度,对应舰船目标最大长度,pixelsize表示像素大小,对应分辨率。现有船舶的最大宽度为60m,最大长度为300m,在无法判断遥感影像船只最大长度的条件下,设置默认值为300m。采用数据集为高分三号遥感影像数据,分辨率为1m,根据具体信息,自适应的计算滑动窗口大小。可由后验知识进行重新判断,但其提升的较小的检测精度,却增加了时间复杂度,故暂时不考虑将该方法用于本发明中。本发明所采用的实验数据来自于高分三号遥感影像数据,故下采样率默认设置为300;
步骤1.2:经过该步骤处理后舰船被处理成孤立的点,然后通过滤波器滤波并进行平滑处理,处理后,船舶目标全部被消除;
步骤1.3:由于陆地内河流与海洋具有相似的特征,在进行海陆分割时,会产生一定的干扰,故在进行海陆分割前,要进行形态学的膨胀操作,使陆地的河流区域连通。最后将陆地标记为黑色,海洋标记为白色,得到海岸线信息,并在原图上将陆地部分处理为黑色,输出结果。膨胀运算的计算公式如下:
步骤2:对海陆分割处理后输出的图像进行图片分割:由于稀疏目标的随机分布,与SAR目标的识别相比,SAR目标的定位和检测时间复杂度更高。此外,滑动操作也很耗时。一个单像素的滑动窗口可以达到最好的检测性能,但是效率最低。使用一个大跨度的滑动窗口将减少时间消耗。由于随机分布的目标会出现在图像的任何位置,如果一个滑动窗口只覆盖了目标的一部分,那么在这个滑动窗口中,该目标的检测和识别结果将完全不准确。
步骤2.1:我们需要确保大场景图像中的任何潜在目标都将被至少一个滑动窗口完全覆盖。若舰船目标长度为xt,宽度为yt,则滑动窗口尺寸为p;然后,在相邻切片之间的重叠n应该限制如下:
n≥max(xt,yt)/p (3)
步骤2.2:经过分割后的图像,基本保证每个区域只有一个目标,滑动窗口大小根据遍历的像素信息自适应调节。将保护窗口大小设置为滑动窗口大小的 1.1倍。背景区域为整个图像。
步骤3:图像分割后将所得到的图像进行基于像素的恒虚警率检测方法进行半监督制作数据集。
步骤3.1:由于SAR影像相对于光学遥感影响具有较少的有效特征信息,在进行特征提取前首先对遥感影像信息进行基于像素的CFAR进行关键信息提取。首先,根据雷达回波信号特征,提出初步假设:
步骤3.2:将获得的高分遥感卫星数据,在给定一个虚警概率值T的情况下,判断是否存在目标。通过滑动窗口法审查像素均值,在均值计算过程中,采用基于累积迭代的SAT算法具体如下:
步骤3.3:将低于初始虚警概率值的视为杂波区域,基于瑞利分布模型进行杂波建模,求解CFAR阈值,并重新审查像素,将像素值大于阈值的输出为白色像素255,其他输出为黑色像素0,然后通过形态学运算初步得到检测结果。将得到的结果通过人工调整,在半监督的条件下制作数据集,由于检测精度已经提高,故在制作数据集的人工消耗与难度明显下降;
形态学闭运算:
先膨胀后腐蚀;腐蚀原理:求局部最小值;定义一个卷积核B,核可以是任何的形状和大小,且拥有一个单独定义出来的锚点;通常和为带参考点的正方形或者圆盘,可将核称为模板或掩膜;将核B与图像A进行卷积,计算核B覆盖区域的像素点最小值;将这个最小值赋值给参考点指定的像素;因此,图像中的高亮区域逐渐减小;
膨胀原理:求局部最大值;定义一个卷积核B,核可以是任何的形状和大小,且拥有一个单独定义出来的锚点;通常和为带参考点的正方形或者圆盘,可将核称为模板或掩膜;
将核B与图像A进行卷积,计算核B覆盖区域的像素点最大值;将这个最大值赋值给参考点指定的像素;因此,图像中的高亮区域逐渐增长;
A读入图像的矩阵,该式子表示用结构B膨胀A,将结构元素B的原点平移到图像像元(x,y)位置。
步骤4:深度神经网络部分首先采用两层卷积层进行特征提取,并将特征图的尺寸进行上采样,将图像放大至原来的两倍,然后合并两张特征图信息,提取更多的特征信息。然后每层增加卷积层融合多尺寸的特征图特征信息,能够适应多尺度的舰船图像特性,对小目标具有较好的适用性。然后通过一层卷积神经网络进行下下采样,降低复杂度,最后通过两层全连接层学习特征信息,得到权重文件。
步骤5:采用卷积神经网络的方法对所得权重文件进行检测。
激活函数采用softmax激活函数,具体如下:
检测时采用滑动窗口法首先计算置信度C,具体计算方法如下:
P(obj)为存在目标的概率Bt为窗口内含有目标的真实值,Bp为窗口内含有目标的经验值。
然后把每个窗口的置信度与类别概率相乘的到最后的检测分数。
P(score)=P(C|obj)*C (8)
P(score)为检测分数,P(C|obj)为类别概率,将检测分数大于50%的视为目标,输出其检测边框信息。
Claims (1)
1.面向大场景高分遥感影像的舰船检测方法,其特征在于,包括以下步骤:
步骤1:对检测区域进行海陆分割处理;
步骤1.1:在高分三号遥感影像数据中采用下采样的方法去除船只目标,自适应的下采样率的设置如下:
x=shiplength/pixelsize (1)
shiplength表示目标区域长度,对应舰船目标最大长度,pixelsize表示像素大小,对应分辨率;
步骤1.2:经过该步骤处理后舰船被处理成孤立的点,然后通过滤波器滤波并进行平滑处理,处理后,船舶目标被消除;
步骤1.3:进行形态学的膨胀操作,使陆地的河流区域连通,最后将陆地标记为黑色,海洋标记为白色,得到海岸线信息,并在原图上将陆地部分处理为黑色,输出结果;
膨胀运算的计算公式如下:
A为读入图像的矩阵,
步骤2:对海陆分割处理后输出的图像进行图片分割;采用基于累加迭代的总和区域表的快速滑动的方案,在避免同一目标被分割成不同的子图像的条件下将图片分割成适当大小的子图像;
步骤2.1:使场景图像中的任何潜在目标都将被至少一个滑动窗口完全覆盖,舰船目标长度为xt,宽度为yt,则滑动窗口尺寸为p;对相邻切片之间的重叠n限制如下:
n≥max(xt,yt)/p (3)
步骤2.2:滑动窗口大小根据遍历的像素信息自适应调节,设置保护窗口大小略大于滑动窗口大小,背景区域为整个图像;
步骤3:图像分割后将所得到的图像进行基于像素的恒虚警率检测方法进行半监督制作数据集;
步骤3.1:通过基于K分布的杂波建模方法建立审查机制,求解CFAR阈值,并重新审查像素,将像素值大于阈值的输出为白色像素,其他输出为黑色像素,剔除杂波区域目标信息;
步骤3.2:对遥感影像信息进行基于像素的CFAR进行关键信息提取,根据雷达回波信号特征,提出初步假设:
H0假设:当接收信号只有干扰信号时,H1假设:当接收信号存在目标时,X干扰信号,N目标信号;
步骤3.2:基于SAT算法滑动窗口内部像素均值,计算后得到目标像素显示为白色,其余显示为黑色;将获得的高分遥感卫星数据,在给定一个虚警概率值T的情况下,判断是否存在目标,通过滑动窗口法审查像素均值,在均值计算过程中,采用基于累积迭代的SAT算法具体如下:
S窗口内部像素的和,x为总行数,y为总列数,当前位置第m行,第n列,zmn为第m行,第n列像素的值;
步骤3.3:进行形态学闭运算,进行腐蚀运算去除孤立点,进行膨胀运算查找连通区域,得到一个初步的结果,然后通过人工辨识,调整检测结果,半监督制作数据集:
形态学闭运算:
先膨胀后腐蚀;腐蚀原理:求局部最小值;定义一个卷积核B,核可以是任何的形状和大小,且拥有一个单独定义出来的锚点;通常和为带参考点的正方形或者圆盘,可将核称为模板或掩膜;将核B与图像A进行卷积,计算核B覆盖区域的像素点最小值;将这个最小值赋值给参考点指定的像素;因此,图像中的高亮区域逐渐减小;
膨胀原理:求局部最大值;定义一个卷积核B,核可以是任何的形状和大小,且拥有一个单独定义出来的锚点;通常和为带参考点的正方形或者圆盘,可将核称为模板或掩膜;将核B与图像A进行卷积,计算核B覆盖区域的像素点最大值;将这个最大值赋值给参考点指定的像素;因此,图像中的高亮区域逐渐增长;
A读入图像的矩阵,该式子表示用结构B膨胀A,将结构元素B的原点平移到图像像元(x,y)位置;
步骤4:深度神经网络特征学习:采用两层卷积层进行特征提取,并将特征图的尺寸进行上采样,将图像放大,合并两张特征图信息,提取更多的特征信息,每层增加卷积层融合多尺寸的特征图特征信息,通过一层卷积神经网络进行下下采样,降低复杂度,最后通过两层全连接层学习特征信息,得到权重文件;
步骤5:采用卷积神经网络的方法对所得权重文件进行检测;
激活函数采用softmax激活函数,具体如下:
检测时采用滑动窗口法首先计算置信度C,具体计算方法如下:
P(obj)为存在目标的概率Bt为窗口内含有目标的真实值,Bp为窗口内含有目标的经验值;
把每个窗口的置信度与类别概率相乘的到最后的检测分数:
P(score)=P(C|obj)*C (8)
P(score)为检测分数,P(C|obj)为类别概率,将检测分数大于50%的视为目标,输出其检测边框信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951869.2A CN109117802B (zh) | 2018-08-21 | 2018-08-21 | 面向大场景高分遥感影像的舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951869.2A CN109117802B (zh) | 2018-08-21 | 2018-08-21 | 面向大场景高分遥感影像的舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117802A true CN109117802A (zh) | 2019-01-01 |
CN109117802B CN109117802B (zh) | 2021-10-29 |
Family
ID=64852635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810951869.2A Active CN109117802B (zh) | 2018-08-21 | 2018-08-21 | 面向大场景高分遥感影像的舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117802B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084104A (zh) * | 2019-03-15 | 2019-08-02 | 北京理工雷科电子信息技术有限公司 | 基于高斯金字塔光流进行舰船动目标检测的方法 |
CN110309809A (zh) * | 2019-07-09 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 |
CN110361709A (zh) * | 2019-06-28 | 2019-10-22 | 清华大学 | 一种基于动态虚警概率的车载毫米波雷达目标识别方法 |
CN110378186A (zh) * | 2019-03-22 | 2019-10-25 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110503017A (zh) * | 2019-08-12 | 2019-11-26 | 北京交通大学 | 基于图像处理的智慧节能室内人数检测系统与方法 |
CN111126189A (zh) * | 2019-12-10 | 2020-05-08 | 北京航天世景信息技术有限公司 | 一种基于遥感影像的目标查找方法 |
CN111241970A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
CN112163450A (zh) * | 2020-08-24 | 2021-01-01 | 中国海洋大学 | 基于s3d学习算法的高频地波雷达船只目标检测方法 |
CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN113284135A (zh) * | 2021-06-21 | 2021-08-20 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN114359720A (zh) * | 2021-12-23 | 2022-04-15 | 湖南国科轩宇信息科技有限公司 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768356A (zh) * | 2012-08-03 | 2012-11-07 | 南京大学 | 一种利用多时相雷达数据检测海上静止目标的方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN103913725A (zh) * | 2014-03-14 | 2014-07-09 | 西安电子科技大学 | 密集转发式干扰环境下的机载雷达地面动目标检测方法 |
CN105513076A (zh) * | 2015-12-10 | 2016-04-20 | 南京理工大学 | 基于目标坐标分布特性的弱小目标恒虚警检测方法 |
CN106709914A (zh) * | 2017-01-05 | 2017-05-24 | 北方工业大学 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
CN106803078A (zh) * | 2017-01-18 | 2017-06-06 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107310550A (zh) * | 2016-04-27 | 2017-11-03 | 腾讯科技(深圳)有限公司 | 道路交通工具行驶控制方法和装置 |
CN107423734A (zh) * | 2016-05-23 | 2017-12-01 | 中国科学院计算技术研究所 | 一种sar图像海洋目标快速检测方法与装置 |
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN107909002A (zh) * | 2017-08-07 | 2018-04-13 | 北京航空航天大学 | 基于海岸线匹配的红外遥感图像海陆分割方法 |
CN108256444A (zh) * | 2017-12-29 | 2018-07-06 | 北京华航无线电测量研究所 | 一种用于车载视觉系统的目标检测方法 |
-
2018
- 2018-08-21 CN CN201810951869.2A patent/CN109117802B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768356A (zh) * | 2012-08-03 | 2012-11-07 | 南京大学 | 一种利用多时相雷达数据检测海上静止目标的方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN103913725A (zh) * | 2014-03-14 | 2014-07-09 | 西安电子科技大学 | 密集转发式干扰环境下的机载雷达地面动目标检测方法 |
CN105513076A (zh) * | 2015-12-10 | 2016-04-20 | 南京理工大学 | 基于目标坐标分布特性的弱小目标恒虚警检测方法 |
CN107310550A (zh) * | 2016-04-27 | 2017-11-03 | 腾讯科技(深圳)有限公司 | 道路交通工具行驶控制方法和装置 |
CN107423734A (zh) * | 2016-05-23 | 2017-12-01 | 中国科学院计算技术研究所 | 一种sar图像海洋目标快速检测方法与装置 |
CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
CN106709914A (zh) * | 2017-01-05 | 2017-05-24 | 北方工业大学 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
CN106803078A (zh) * | 2017-01-18 | 2017-06-06 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN107909002A (zh) * | 2017-08-07 | 2018-04-13 | 北京航空航天大学 | 基于海岸线匹配的红外遥感图像海陆分割方法 |
CN108256444A (zh) * | 2017-12-29 | 2018-07-06 | 北京华航无线电测量研究所 | 一种用于车载视觉系统的目标检测方法 |
Non-Patent Citations (10)
Title |
---|
HAN PENG 等: ""Dynamic-priority-based real-time charging management for plug-in electric vehicles in smart grid"", 《IEEE》 * |
SHI-QI CHEN 等: ""Robust single stage detector based on two-stage regression for SAR ship detection"", 《ICIAI》 * |
YONGLI XU 等: ""A New Ship Target Detection Algorithm Based on SVM in High Resolution SAR Images"", 《ICAIP》 * |
冷祥光: ""星载SAR舰船目标自适应检测技术研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
刘扬: ""基于MNCC模型的高分辨率遥感影像目标识别"", 《中国博士学位论文全文数据库》 * |
唐涛: ""合成孔径雷达图像局部特征提取与应用研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
康妙: ""基于深度学习的SAR图像舰船目标检测与识别技术研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
张志新: ""地球同步轨道卫星遥感图像舰船检测与运动监测"", 《中国博士学位论文全文数据库工程科技Ⅱ》 * |
徐芳: ""可见光遥感图像海面目标自动检测关键技术研究"", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
雷盼飞等: "SAR图像舰船目标检测研究", 《影像技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084104A (zh) * | 2019-03-15 | 2019-08-02 | 北京理工雷科电子信息技术有限公司 | 基于高斯金字塔光流进行舰船动目标检测的方法 |
CN110378186A (zh) * | 2019-03-22 | 2019-10-25 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110361709A (zh) * | 2019-06-28 | 2019-10-22 | 清华大学 | 一种基于动态虚警概率的车载毫米波雷达目标识别方法 |
CN110309809A (zh) * | 2019-07-09 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 |
CN110503017A (zh) * | 2019-08-12 | 2019-11-26 | 北京交通大学 | 基于图像处理的智慧节能室内人数检测系统与方法 |
CN111126189A (zh) * | 2019-12-10 | 2020-05-08 | 北京航天世景信息技术有限公司 | 一种基于遥感影像的目标查找方法 |
CN111241970A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
CN112163450A (zh) * | 2020-08-24 | 2021-01-01 | 中国海洋大学 | 基于s3d学习算法的高频地波雷达船只目标检测方法 |
CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN112686222B (zh) * | 2021-03-12 | 2021-06-29 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN113284135A (zh) * | 2021-06-21 | 2021-08-20 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113284135B (zh) * | 2021-06-21 | 2022-10-04 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN114359720A (zh) * | 2021-12-23 | 2022-04-15 | 湖南国科轩宇信息科技有限公司 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
CN114359720B (zh) * | 2021-12-23 | 2024-04-26 | 湖南国科轩宇信息科技有限公司 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109117802B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN109766811B (zh) | 一种星载sar图像中海面船只的端到端检测与识别方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN110414411A (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN108491854B (zh) | 基于sf-rcnn的光学遥感图像目标检测方法 | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 | |
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 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN110516605A (zh) | 基于级联神经网络的任意方向舰船目标检测方法 | |
CN110516606A (zh) | 高分辨率卫星影像任意方向舰船目标检测方法 | |
CN110378308A (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN109086818B (zh) | 海洋锋面识别方法和装置 | |
CN108734111A (zh) | Sar图像海面舰船识别方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN109902618A (zh) | 一种海面船只识别方法和装置 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN109636758A (zh) | 一种基于时空动态算子的水面漂浮物检测方法 | |
CN107025654A (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
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 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
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 |