CN109598729B - 一种基于srm分割和分层线段特征的船舶目标检测方法 - Google Patents
一种基于srm分割和分层线段特征的船舶目标检测方法 Download PDFInfo
- Publication number
- CN109598729B CN109598729B CN201811470079.9A CN201811470079A CN109598729B CN 109598729 B CN109598729 B CN 109598729B CN 201811470079 A CN201811470079 A CN 201811470079A CN 109598729 B CN109598729 B CN 109598729B
- Authority
- CN
- China
- Prior art keywords
- target
- ship
- line segment
- remote sensing
- image
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于SRM分割和分层线段特征的船舶目标检测方法,包括如下步骤:步骤1,对高分辨遥感图像进行图像分割得到海上目标遥感二值图像;步骤2,基于步骤1得到的海上目标遥感二值图像进行分层船舶提取算法,包括三个层次:基于LSD的线段检测;边缘检测;海上目标网络提取;步骤3,根据所述海上目标遥感二值图像上的网络提取最终形状检测确定是否为船舶或岛屿,本发明克服了现有技术对于船舶检测准确度不高、效率低的缺陷。
Description
技术领域
本发明涉及图像检测技术领域,尤其是涉及一种基于SRM分割和分层线段特征的船舶目标检测方法。
背景技术
近年来,随着我国高分辩率遥感卫星的上天,关系到国家的安全和经济的发展,船舶目标检测的研究在海洋遥感领域得到高度重视。对于海上交通安全具有重要意义,包括监控特定海域与特定港口。船舶检测还可以用于遇难船舶的救援工作,同时还可以运用船舶监测技术打击非法捕鱼船舶、非法倾倒垃圾船舶、打击走私船舶以及打击海盗等行为。可以大大提高近海地区的海运管理能力和调度能力。保护海上资源开发、未来深海资源的探测,以及海上防灾救灾,高分遥感船舶检测己经成为海洋监视监测必不可少的手段,而遥感分辨率的提升不仅仅是信息量的提升,而且由于图像细节的丰富、纹理的复杂,分析起图像变得更加困难,因此对高分辨率遥感图像下船舶目标的检测更为重要。
目前船舶检测研究主要两大类,一是基于边缘提取的方法,根据船舶平行长直线特性,从图像提取边缘,然后通过检测方法进行直线检测。此方法速度快、复杂度低,但由于背景的干扰许多岛礁之类的非目标区域也会被检测出来。二是基于区域分割的方法,根据船舶与周围纹理的差异性,通过图像分割的方法达到提取备选区域的目的,在备选区域内再识别,此方法速度慢、复杂度高,识别效果依赖于区域分割阈值的选取以及用于识别的特征的鲁棒性好坏。
发明内容
由于高分辨率遥感图像细节的丰富、纹理的复杂,从而使图像分析变得更加困难,本发明提出一种基于SRM分割和分层线段特征的船舶目标检测方法,克服了现有技术对于船舶检测准确度不高、效率低的缺陷。
本发明的技术方案是这样实现的:一种基于SRM分割和分层线段特征的船舶目标检测方法,包括如下步骤:
步骤1,对高分辨遥感图像进行图像分割得到海上目标遥感二值图像;
步骤2,基于步骤1得到的海上目标遥感二值图像进行分层船舶提取算法,包括三个层次:基于LSD的线段检测;边缘检测;海上目标网络提取;
步骤3,根据所述海上目标遥感二值图像上的网络提取最终形状检测确定是否为船舶或岛屿。
作为一种优选的技术方案,在所述步骤1中,对高分辨遥感图像进行图像分割得到海上目标遥感二值图像,包括:
步骤1-1,采用分段线性拉伸对所述高分辨遥感图像进行图像增强;
步骤1-2,采用SRM算法对所述高分辨遥感图像进行分割得到遥感二值图。
作为一种优选的技术方案,所述步骤1-1,包括:
利用如下公式(1)的基于分段线性拉伸的图像增强公式进行将感兴趣或者重要的灰度区域拉伸,使该区域的信息量增大,抑制了不感兴趣或者不重要的区域:
其中(MINf,MAXf)为遥感数据的范围,分为三段(MINf,a)、(a,b)、(b,MAXf)分别做线性增强到(0,c)、(c,d)、(d,255)三个灰度区间。
作为一种优选的技术方案,所述步骤1-2,包括:
利用如下公式(2)SRM的合并判定准则将图像中的像素对或区域对按照顺序进行合并以及利用像素灰度值的差异作为梯度计算像素间的相似度对所述高分辨遥感图像进行分割得到遥感二值图:
其中代表k通道R区域的平均观测值,R|R|表示有|R|个像素的区域集合,且有||RR||≤(n+1)min(R,g),常数δ=1/(6|I|2),|I|表示图像含有的像素个数,Q代表随机变量的个数,g一般取256;根据像素灰度值的差异计算像素点间的相似度f由公式(3)计算:
其中,pk和p'k为相邻的像素值。
作为一种优选的技术方案,所述步骤2,包括:
步骤2-1,在所述高分辨遥感二值图像上进行基于LSD的线段检测,其中利用每像素点的右边下方的四个像素进行计算LSD梯度由如下公式确定:
规范后的梯度:
梯度方向的计算:
其中,x和y为像素点的横坐标和纵坐标;
步骤2-2,在海上目标边缘被提取出许多小线段后,根据动态搜索准则进行将小线段按照小线段的梯度方向搜索邻近线段合并从而达到边缘检测;
步骤2-3,在所述边缘检测后的图像,利用网络提取的方法单独作用于遥感图像中的海上目标。
作为一种优选的技术方案,所述步骤2-2,根据动态搜索准则进行将小线段按照小线段的梯度方向搜索邻近线段合并,其中动态搜索准则包括:
准则1:初始目标边缘线段区域的特征是由其宽度和角度决定的矩形,在动态搜索的迭代过程中,形成新的目标边缘线段区域,其宽度D和长度L和角度θ,当目标边缘线段区域宽度D<b,和角度达到一定值时,b是船舶目标宽度,满足阈值准则,该目标边缘线段区域的角度由如下公式确定:
其中θli表示目标边缘线段区域里的各个线段角度,其中θregion'表示目标边缘线段区域的角度,m为常数;
标准2:由于线段不受阴影和遮挡以及一些噪声的影响,基于分层线段的间隔距离,目标边缘线段的连接性满足阈值标准,即g<c,其中g表示目标边缘线段之间的距离,c为我们设置的一个距离常数值;
标准3:遥感图像中船舶目标长,几何平滑,原则上是连续的物体,所以它的长度应该达到一定的阈值,在海上目标边缘中提取许多线段,将目标边缘线段区域的最大长度作为满足最小船舶目标的长度,即L>a,
其中a为最小船舶目标的长度,L为目标边缘线段区域的长度,m为常数;
准则4:在目标边缘提取了许多线段,线段越多,目标越有可能是船舶(船舶较岛屿小,容易形成密集的边缘),因此,我们定义线段的密度来识别船舶目标,l是其线段的长度,L是目标边缘线段区域的长度,密度较大的线段作为船舶目标保留;
其中s表示目标边缘线段区域内的线段密度,m为常数。
作为一种优选的技术方案,在所述步骤2-3与步骤3中,根据所述高分辨遥感二值图像上的所述边缘线段进行网络提取确定是否为船舶或岛屿,包括步骤:
步骤3-1,首先基于阈值将目标边缘线段区域合并到以目标中心平行线上,所述阈值为目标边缘线段区域到以目标中心平行线的距离;
步骤3-2,基于船舶是长、平滑的物体,很容易根据形状检测确定是否为船舶或岛屿。
采用了上述技术方案,本发明的有益效果为:本发明能够有效的检测出高分辨率遥感图像的船舶目标,而且采用分层线段特征提取的方法能够加快检测船舶目标的效率。同时本发明的船舶检测方法不需要太多的参数和训练样本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的船舶检测方法流程图;
图2为本发明实施例的船舶检测方法详细流程图;
图3为本发明分段增强示意图;
图4(a)、(b)分别为本发明目标边缘线段区域与动态搜索示意图;
图5为本发明动态搜索准则说明示意图;
具体实施方式
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,所描述的实施例仅仅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作出创造性劳动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。
如图1、图2所示,一种基于SRM分割和分层线段特征的船舶目标检测方法,图1为本发明实施例的船舶检测方法流程图。共包括三个步骤:
步骤1,对高分辨遥感图像进行图像分割得到海上目标遥感二值图像。
步骤2,基于所述对海上目标二值图像进行分层船舶提取算法,包括三个层次:基于LSD的线段检测;边缘检测;海上目标网络提取。
步骤3,根据所述遥感二值图像上的所述网络提取最终形状检测确定是否为船舶或岛屿。
根据图2的船舶检测方法流程图,可以得知具体步骤,如下:
步骤1,虽然海洋背景比较单一,但是图像噪声较多以及模糊,图像分割时容易把那些模糊有噪声的像素区块也分割出来从而误检为船舶,因此对遥感图像进行预处理,然后进行图像分割,将会剔除图像噪声模糊像素块的干扰,提高检测的准确率、降低误检率。本发明先采用基于分段线性拉伸的图像增强方法,平滑图像,突出边缘;再基于SRM分割算法对高分辨遥感图像进行分割。
(1)基于分段线性拉伸的图像增强
如图3所示,分段线性增强是将图像灰度f(x,y)的区间分割为若干区间,然后对每个区间进行线性拉伸。常用的是分三段线性变换,对于遥感数据则把原图像灰度的范围为(MINf,MAXf),则把图像分割为三段(MINf,a)、(a,b)、(b,MAXf),分别拉伸到对应三个区间(0,c)、(c,d)、(d,255),通过调节a,b,c,d对任意区间的分线段斜率进行调节。线性变换公式:
(2)基于SRM图像分割
近年来,统计区域合并算法(SRM)在遥感图像分割领域应用比较广泛。根据公式(2)SRM的合并判定准则将图像中的像素对(或区域对)按照顺序进行合并以及利用像素灰度值的差异作为梯度计算像素间的相似度对所述高分辨遥感图像进行分割得到遥感二值图:
其中代表k通道R区域的平均观测值。R|R|表示有|R|个像素的区域集合,且有||RR||≤(n+1)min(R,g),常数δ=1/(6|I|2),|I|表示图像含有的像素个数,Q代表随机变量的个数,g一般取256。根据像素灰度值的差异计算像素点间的相似度f由公式(3)计算:
其中,pk和p'k为相邻的像素值。
步骤2,如图4所示该检测技术包括基于LSD的线段检测;边缘检测;海上目标网络提取三部分。
所述线段检测部分是基于线段检测器(LSD)提取线段。船舶目标被描述为长的、平滑的、连续的物体,因此,线段在船舶目标提取中起着重要作用,利用矢量化技术将栅格数据转换为线段的矢量数据。
其中最为重要的是梯度计算,利用每像素点的右边下方的四个像素进行计算LSD梯度:
规范后的梯度:
梯度方向的计算:
其中,x和y为像素点的横坐标和纵坐标。
所述边缘检测部分与经典的基于区域的检测器相比,本发明有两个步骤:首先在目标边缘线段区域中定位线段,然后使用动态搜索来检查目标线段是否合理。
本实施例具体操作:如图4(a)为目标边缘线段区域的长度、宽度以及角度,4(b)为目标边缘线段区域动态搜索。首先根据沿目标边缘方向的角度将线段定位到目标边缘线段区域。然后该目标边缘线段区域以该线段为开始,并且以该线段的角度设置为目标边缘区域的角度,如图5所示。
通过线段的角度与目标边缘线段区域的角度比较,如果该线段的角度与目标边缘线段区域的角度的差值的绝对值小于设定的值,则可以保留该线段并且成为同一目标边缘线段区域内的线段;如果该线段的角度与目标边缘线段区域的角度的差值的绝对值大于设定的值,则动态搜索线段会自动停止,并且会以该线段为另一个目标边缘线段区域内的开始线段。
一般通过搜索计算邻近线段与目标边缘线段区域的角度差为动态搜索检测标准,当目标边缘线段区域方向达到某一确定值时也会自动更新新的目标边缘线段区域。如图5所示,每次循环目标边缘线段区域将根据k及其长度L更新。
具体的算法流程:给定线段,通过该算法计算线段角度作为目标边缘线段区域角度,并且相邻线段按角度差值快速动态线段合并。然后通过改变目标边缘线段长度、线段间距离和密度,并通过改变k值来搜索下一个区域线段,计算该线段角度。当条件不满足时,以该线段为下一个过程区域的开始线段继续搜索。最后,为了构建目标边缘线段区域列表,将线段区域按降序密度大致排序。
其中,动态搜索有四大准则,包括:
准则1:初始目标边缘线段区域的特征是由其宽度和角度决定的矩形,在动态搜索的迭代过程中,形成新的目标边缘线段区域,其宽度D和长度L和角度θ,当目标边缘线段区域宽度D<b(b是船舶目标宽度)和角度达到一定值时,满足阈值准则。该目标边缘线段区域的角度由如下公式确定:
其中θli表示目标边缘线段区域里的各个线段角度,其中θregion'表示目标边缘线段区域的角度,m为常数。
标准2:由于线段不受阴影和遮挡以及一些噪声的影响。基于分层线段的间隔距离,目标边缘线段的连接性满足阈值标准,即g<c。其中g表示目标边缘线段之间的距离,c为我们设置的一个距离常数值。
标准3:遥感图像中船舶目标长,几何平滑,原则上是连续的物体,所以它的长度应该达到一定的阈值。在海上目标边缘中提取许多线段,将目标边缘线段区域的最大长度作为满足最小船舶目标的长度,即L>a。
其中a为最小船舶目标的长度,L为目标边缘线段区域的长度,m为常数。
准则4:在目标边缘提取了许多线段,线段越多,目标越有可能是船舶(船舶较岛屿小,容易形成密集的边缘)。因此,我们定义线段的密度来识别船舶目标。l是其线段的长度,L是目标边缘线段区域的长度。密度较大的线段作为船舶目标保留。
其中s表示目标边缘线段区域内的线段密度,m为常数。
所述海上目标网络提取包括两个主要步骤:首先基于阈值(目标边缘线段区域到以目标中心平行线的距离)将目标边缘线段区域合并到以目标中心平行线上。然后基于船舶是长、平滑的物体,很容易根据形状检测确定是否为船舶或岛屿。
本发明的检测方法采用改进的LSD算法进行初始线段检测、目标边缘线段区域的动态搜索和海上目标网络的先验知识来验证船舶目标检测结果。利用所提出的分层结构,能提高LSD用于线段检测的效率、目标边缘线段区域的动态搜索的准确性和读取网络的先验信息进行集成一体。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于SRM分割和分层线段特征的船舶目标检测方法,其特征在于,包括如下步骤:
步骤1,对高分辨遥感图像进行图像分割得到海上目标遥感二值图像;
步骤2,基于步骤1得到的海上目标遥感二值图像进行分层船舶提取算法,包括三个层次:基于LSD的线段检测;边缘检测;海上目标网络提取;所述步骤2,包括:
步骤2-1,在所述海上目标遥感二值图像上进行基于LSD的线段检测,其中利用每像素点的右边下方的四个像素计算LSD梯度由如下公式确定:
规范后的梯度:
梯度方向的计算:
其中,x和y为像素点的横坐标和纵坐标;
步骤2-2,在海上目标边缘被提取出许多小线段后,根据动态搜索准则将小线段按照小线段的梯度方向搜索,将邻近线段合并从而达到边缘检测;
步骤2-3,在所述边缘检测后的图像,利用网络提取的方法单独作用于遥感图像中的海上目标;
所述步骤2-2,根据动态搜索准则将小线段按照小线段的梯度方向搜索,将邻近线段合并从而达到边缘检测,其中动态搜索准则包括:
准则1:初始目标边缘线段区域的特征是由其宽度和角度决定的矩形,在动态搜索的迭代过程中,形成新的目标边缘线段区域,宽度D、长度L和角度θ,当目标边缘线段区域宽度D<b,和角度达到相应阈值时,b是船舶目标宽度,满足阈值准则,该目标边缘线段区域的角度由如下公式确定:
其中θli表示目标边缘线段区域里的各个线段角度,其中θregion'表示目标边缘线段区域的角度,m为常数;
准则2:
由于线段不受阴影、遮挡以及一些噪声的影响,基于分层线段的间隔距离,目标边缘线段的连接性满足阈值标准,即g<c,其中g表示目标边缘线段之间的距离,c为设置的一个距离常数值;
准则3:遥感图像中船舶目标长,几何平滑,原则上是连续的物体,所以它的长度应该达到一定的阈值,在海上目标边缘中提取许多线段,将目标边缘线段区域的最大长度作为满足最小船舶目标的长度,即L>a,
其中a为最小船舶目标的长度,Lli
为目标边缘线段区域的长度,m为常数;
准则4:在目标边缘提取了许多线段,线段越多,目标越有可能是船舶,因此,定义线段的密度来识别船舶目标,1是其线段的长度,密度大的线段作为船舶目标保留;
其中Sregion′表示目标边缘线段区域内的线段密度,m为常数;
步骤3,根据所述海上目标遥感二值图像上的网络提取最终形状检测确定是否为船舶或岛屿。
2.如权利要求1所述的一种基于SRM分割和分层线段特征的船舶目标检测方法,其特征在于,在所述步骤1中,对高分辨遥感图像进行图像分割得到海上目标遥感二值图像,包括:
步骤1-1,采用分段线性拉伸对所述高分辨遥感图像进行图像增强;
步骤1-2,采用SRM算法对所述高分辨遥感图像进行分割得到遥感二值图。
4.如权利要求2所述的一种基于SRM分割和分层线段特征的船舶目标检测方法,其特征在于,所述步骤1-2,包括:
利用如下公式(2)SRM的合并判定准则将图像中的像素对或区域对按照顺序进行合并,以及利用像素灰度值的差异作为梯度计算像素间的相似度,对所述高分辨遥感图像进行分割得到遥感二值图:
其中R′为R区域的相邻区域,代表k通道R′区域的平均观测值,代表k通道R区域的平均观测值,R|R|表示有|R|个像素的区域集合,且有||RR||≤(n+1)min(|R|,g),常数δ=1/(6|I|2),|I|表示图像含有的像素个数,Q代表随机变量的个数,g取256;根据像素灰度值的差异计算像素点间的相似度f由公式(3)计算:
其中,pk和p'k为相邻的像素值。
5.如权利要求1所述的一种基于SRM分割和分层线段特征的船舶目标检测方法,其特征在于,在所述步骤2-3与步骤3中,根据高分辨遥感图像的所述边缘线段进行网络提取确定是否为船舶或岛屿,包括步骤:
步骤3-1,首先基于阈值,将目标边缘线段区域合并到以目标为中心的平行线上,所述阈值为目标边缘线段区域到以目标为中心的平行线的距离;
步骤3-2,基于船舶是长、平滑的物体,根据形状检测确定是否为船舶或岛屿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811470079.9A CN109598729B (zh) | 2018-11-28 | 2018-11-28 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811470079.9A CN109598729B (zh) | 2018-11-28 | 2018-11-28 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598729A CN109598729A (zh) | 2019-04-09 |
CN109598729B true CN109598729B (zh) | 2022-09-13 |
Family
ID=65960827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811470079.9A Active CN109598729B (zh) | 2018-11-28 | 2018-11-28 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598729B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798415A (zh) * | 2020-06-16 | 2020-10-20 | 中设设计集团股份有限公司 | 一种高速公路控制区建筑物监测方法、装置及存储介质 |
CN112329724B (zh) * | 2020-11-26 | 2022-08-05 | 四川大学 | 机动车变道实时检测与抓拍方法 |
CN113468951A (zh) * | 2021-05-20 | 2021-10-01 | 华东师范大学 | 一种基于Landsat卫星遥感检测红树林地貌的方法 |
CN113705505B (zh) * | 2021-09-02 | 2024-05-17 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
CN115082694B (zh) * | 2022-05-17 | 2024-03-05 | 交通运输部水运科学研究所 | 基于扁长形锚点和线段扩充技术的船舶检测方法和装置 |
CN117400066B (zh) * | 2023-12-15 | 2024-03-08 | 西安航飞精密工具有限公司 | 一种数控机床刀具磨损识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750703A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN108229433A (zh) * | 2018-02-01 | 2018-06-29 | 中国电子科技集团公司第十五研究所 | 一种基于直线段检测和形状特征的靠岸舰船检测方法 |
-
2018
- 2018-11-28 CN CN201811470079.9A patent/CN109598729B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750703A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN108229433A (zh) * | 2018-02-01 | 2018-06-29 | 中国电子科技集团公司第十五研究所 | 一种基于直线段检测和形状特征的靠岸舰船检测方法 |
Non-Patent Citations (2)
Title |
---|
LSD: A Fast Line Segment Detector with a False Detection Control;Rafael Grompone von Gioi等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20100430;第32卷(第4期);第722-732页 * |
局部显著特征下的光学遥感图像舷靠舰船检测;李轩等;《中国图象图形学报》;20160531;第21卷(第5期);第657-664页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109598729A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598729B (zh) | 一种基于srm分割和分层线段特征的船舶目标检测方法 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN106709426B (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN108346154B (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN106683076A (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN108805904A (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN110490904B (zh) | 一种弱小目标检测与跟踪方法 | |
CN110084169A (zh) | 一种基于K-Means聚类和轮廓拓扑约束的违章建筑物识别方法 | |
CN110866926A (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
CN108288268B (zh) | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 | |
Sasirekha et al. | Enhanced techniques for PDF image segmentation and text extraction | |
CN115359258A (zh) | 一种成分不确定度测量的弱小目标检测方法及系统 | |
CN115409778A (zh) | 一种用于红外小目标背景抑制后图像的阈值分割方法 | |
CN107609534B (zh) | 一种基于码头光谱信息的遥感驻泊船只自动检测方法 | |
CN112101250A (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN117115193A (zh) | 基于行抑制的红外舰船定位方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN109977892B (zh) | 基于局部显著性特征和cnn-svm的舰船检测方法 | |
CN102194224A (zh) | 一种光学遥感图像坦克群的识别方法 | |
Liang et al. | Ship target detection method based on SRM segmentation and hierarchical line segment features | |
CN114119577B (zh) | 高铁隧道漏缆卡扣检测方法 | |
Raj et al. | A novel Ship detection method from SAR image with reduced false alarm | |
Herumurti et al. | Automatic urban road extraction on DSM data based on fuzzy ART, region growing, morphological operations and Radon transform | |
CN107451574B (zh) | 一种基于类Haar视觉特征感知的运动估计方法 | |
Ding et al. | Tiny ir maritime object detection on the sea surface by colorful noise cancellation |
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 |