CN109829858B - 一种基于局部自适应阈值的船载雷达图像溢油监测方法 - Google Patents
一种基于局部自适应阈值的船载雷达图像溢油监测方法 Download PDFInfo
- Publication number
- CN109829858B CN109829858B CN201910084405.0A CN201910084405A CN109829858B CN 109829858 B CN109829858 B CN 109829858B CN 201910084405 A CN201910084405 A CN 201910084405A CN 109829858 B CN109829858 B CN 109829858B
- Authority
- CN
- China
- Prior art keywords
- image
- coordinate system
- noise
- gray
- radar 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于局部自适应阈值的船载雷达图像溢油监测方法，首先，本发明基于改进的Prewitt算子、鲁棒自适应阈值算法、线性内插方法，抑制原始雷达图像中的同频干扰噪声；再应用一种灰度强度校正矩阵模型，使整个图像平滑；之后，采用有限对比度自适应直方图均衡算法，提高了油膜内外区域的对比度；最后，应用改进的局部自适应阈值法与面积阈值法，得到平面直角坐标系统下的溢油区域监测结果图像，并投影变换到现实世界的极坐标系统下，从而得到溢油分布图像，最终实现了海上溢油实时监测。
Description
技术领域
本发明涉及一种溢油监测方法，更具体地，涉及一种基于局部自适应阈值的船载雷达图像溢油监测方法。
背景技术
海洋石油泄漏具有易扩散、影响广、持续时间长的特点。一旦石油泄漏到海里，对海洋环境的影响是无法估量的。为了有效减少损失，及时准确的溢油监测是制定有效应急预案的首要工作。
在含有海杂波信息的船载雷达图像中，油膜的后向散射信号灰度值小于溢油区周围的信号灰度值。这一特性可用于提取船载雷达图像中的油膜。在船载溢油监测设备中，这项技术只需对船载雷达硬件进行改装即可提取图像信息，而无需购买红外、激光、可见光等其他遥感设备，具有广阔的应用前景。目前，船载雷达溢油监测技术的发展还处于起步阶段。
发明内容
本发明的目的在于提供一种基于局部自适应阈值的船载雷达图像溢油监测方法，对船载雷达图像进行去噪、平滑化、局部对比度增强等处理，提高油膜内外区域的对比度，从而得到清晰可辨、准确的溢油分布图像，且无需人工干预，提高油膜识别效率。
为实现上述目的，本发明的技术方案如下：
一种基于局部自适应阈值的船载雷达图像溢油监测方法，其特征在于，包括以下步骤：
步骤S01：对船载雷达图像进行坐标系统变换，并进行抑制同频干扰噪声的预处理，包括以下步骤：
步骤S11：对船载雷达图像进行坐标转换，从极坐标系统转换至平面直角坐标系统，得到平面直角坐标系统下的雷达图像，极坐标系统是以物体到原点的距离为极距、以方位角为幅角，平面直角系统以方位角为横轴、以距离为纵轴；
步骤S12：对步骤S11中的平面直角坐标系统下的雷达图像，应用改进的Prewitt算子，进行卷积运算，增强图像中同频干扰噪声的特征，得到卷积图像；
步骤S13：对步骤S12中的卷积图像，应用鲁棒自适应阈值法，进行二值化分割，得到二值化图像，从而提取同频干扰噪声；
步骤S14：为了抑制同频干扰噪声，应用步骤S13中的二值化图像得到的同频干扰噪声位置，对步骤S11的平角直角坐标系统下的雷达图像进行线性内插降噪，从而剔除雷达图像中的同频干扰噪声，得到降噪后的图像；
步骤S02：对步骤S14中的降噪后的图像进行海浪灰度强度平滑，从而平滑海浪灰度分布近强远弱的特征，得到平滑的雷达图像，包括以下步骤：
步骤S21：对步骤S14中的降噪后的图像进行计算，得到灰度强度矫正图；
步骤S22：为了对降噪后的图像进行平滑，将步骤S14中得到的降噪后的图像与步骤S21中得到的灰度强度矫正图进行减运算，从而平滑海浪灰度分布近强远弱的特征，得到灰度强度分布矫正图；
步骤S03：对步骤S22中得到的灰度强度分布矫正图进行局部对比度增强，提高雷达图像中油膜内外区域的对比度，得到灰度强度对比度增强图；
步骤S04：采用改进的局部自适应阈值方法，根据步骤S03中的灰度强度对比度增强图，对海上溢油进行识别，包括以下步骤：
步骤S41：采用如下改进的局部自适应阈值法，根据步骤S03中的灰度强度对比度增强图，对海上溢油进行初步识别，得到平面直角坐标系统下的能区分溢油区域的初步识别图
其中m是图像局部窗口中的平均灰度值，k是用户定义的参数，R是局部窗口内所有像素的灰度值标准偏差的动态范围，v是灰度图像局部窗口内的灰度值方差，T表示求得的图像局部窗口的油膜分割二值化阈值；
步骤S42：对步骤S41中得到的平面直角坐标系统下的能区分溢油区域的初步识别图，采用面积阈值法，删除初步识别图中的斑点噪声，得到全量程的能区分溢油区域的斑点目标剔除图像；
步骤S43：剔除步骤S42中得到的全量程的斑点目标剔除图像中预设量程以外的目标，得到预设量程内的能区分溢油区域的斑点目标剔除图像；
步骤S44：将步骤S43中得到的预设量程内的能区分溢油区域的斑点目标剔除图像，用黑色标识叠加在步骤S14中得到预处理结果图像上，得到平面直角坐标系统下的溢油区域监测结果图像；
步骤S45：将步骤S43中的平面直角坐标系统下的溢油区域监测结果图像投影变换为极坐标系统下的溢油区域监测结果图像，得到溢油分布图像。
进一步地，所述步骤S12中，所述改进的Prewitt算子的计算公式为
G'(i,j)＝2f(i-1,j)+2f(i+1,j)+2f(i,j)-f(i-1,j-1)-f(i,j-1)-f(i+1,j-1)-f(i-1,j+1)-f(i,j+1)-f(i+1,j+1)
其中i表示平面直角坐标系统下的雷达图像中的行号，j表示平面直角坐标系统下的雷达图像中的列号，f(i,j)表示平面直角坐标系统下的雷达图像中第i行第j列位置的灰度值，G'(i,j)表示卷积图像中第i行第j列位置的灰度值。
进一步地，所述步骤S14中，采用如下线性内插公式进行线性内插降噪
其中m是噪声点左边最近的非噪声点与噪声之间的距离，n是右边对应的距离，x,y表示二值化图像中的横纵坐标，f(x,y)表示二值化图像中坐标位置(x,y)处的灰度值，g(x,y)表示平滑后的图像中坐标位置(x,y)处的灰度值。
进一步地，所述步骤S21中，所述灰度强度矫正图的生成方法为对降噪后的图像中每行灰度值进行平均后，将均值填充入对应的行内。
进一步地，所述步骤S03中，进行对比度增强的方法为有限对比度自适应直方图均衡法。
进一步地，所述步骤S41中，所述用户定义的参数k＝0.25，所述局部窗口内所有像素的灰度值标准偏差的动态范围R＝128。
进一步地，所述步骤S42中，面积阈值法所采用的面积阈值为用户预先设定的正整数。
从上述技术方案可以看出，本发明首先通过抑制同频干扰噪声的降噪处理，消除了同频噪声对后续步骤的干扰，然后通过图像处理算法对降噪图像进行平滑和对比度增强，最后应用改进的局部自适应阈值法与面积阈值法，得到溢油分布图像，最终实现了海上溢油实时监测。因此，本发明具有基于整体雷达图像进行处理，无需人工干预，从而提高油膜识别效率的显著特点。
附图说明
图1是本发明方法流程示意图；
图2是本发明具体实施例中的船载雷达图像；
图3是本发明具体实施例中的平面直角坐标系统下的雷达图像；
图4是本发明具体实施例中的卷积图像；
图5是本发明具体实施例中的同频干扰分割二值化图像；
图6是本发明具体实施例中的降噪结果图像；
图7是本发明具体实施例中的灰度强度矫正模型算法示意图；
图8是本发明具体实施例中的生成的灰度强度矫正图；
图9是本发明具体实施例中的灰度强度分布矫正结果图；
图10是本发明具体实施例中的灰度强度对比度增强图
图11是本发明具体实施例中的平面直角坐标系统下的能区分溢油区域的初步识别图；
图12是本发明具体实施例中的全量程的能区分溢油区域的斑点目标剔除图像；
图13是本发明具体实施例中的预设量程内的能区分溢油区域的斑点目标剔除图像；
图14是本发明具体实施例中的平面直角坐标系统下的溢油区域监测结果图像；
图15是本发明具体实施例中的极坐标系统下的溢油区域监测结果图像。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步的详细说明。
需要说明的是，在下述的具体实施方式中，在详述本发明的实施方式时，为了清楚地表示本发明的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本发明的限定来加以理解。
在含有海杂波信息的船载雷达图像中，油膜的后向散射信号灰度值小于溢油区周围的信号灰度值。这一特性可用于提取船载雷达图像中的油膜，为了保证提取的准确性，需要对原始雷达图像进行降噪处理，并进行平滑和对比度增强，最后得到能够使用改进的局部自适应阈值法与面积阈值法的图像，最终得到溢油分布图像，以实现了海上溢油实时监测。
在以下本发明的具体实施方式中，请参阅图1，图1是本发明方法流程示意图。如图所示，本发明包括以下步骤：
步骤S01：获取船载雷达图像，如图2所示。对船载雷达图像进行坐标系统变换，并进行抑制同频干扰噪声的预处理，包括以下步骤：
步骤S11：对如图2所示船载雷达图像进行坐标转换，从极坐标系统转换至平面直角坐标系统，得到平面直角坐标系统下的雷达图像，如图3所示。极坐标系统是以物体到原点的距离为极距、以方位角为幅角，平面直角系统以方位角为横轴、以距离为纵轴。
步骤S12：对步骤S11中的平面直角坐标系统下的雷达图像，应用改进的Prewitt算子，进行卷积运算，增强图像中同频干扰噪声的特征，得到卷积图像，如图4所示。
本具体实施例中，采用改进的Prewitt算子，对步骤S11中的平面直角坐标系统下的雷达图像进行卷积运算，其计算公式为
G'(i,j)＝2f(i-1,j)+2f(i+1,j)+2f(i,j)-f(i-1,j-1)-f(i,j-1)-f(i+1,j-1)-f(i-1,j+1)-f(i,j+1)-f(i+1,j+1)
其中i表示平面直角坐标系统下的雷达图像中的行号，j表示平面直角坐标系统下的雷达图像中的列号，f(i,j)表示平面直角坐标系统下的雷达图像中第i行第j列位置的灰度值，G’(i,j)表示卷积图像中第i行第j列位置的灰度值。
步骤S13：对步骤S12中的卷积图像，应用鲁棒自适应阈值法，进行二值化分割，得到二值化图像，从而提取同频干扰噪声，如图5所示。
本具体实施例中，利用RATS(Robust Automatic Threshold Selection，鲁棒自适应阈值法)算法，对图4中的同频干扰噪声进行分割，得到如图5所示的二值化图像。
RATS算法来自下列文献：Wilkinson,W.H.F.1998.“Optimizing edge detectorsfor Robust Automatic Threshold Selection:coping with edge curvature andnoise.”Graphical Models&Image Processing 60(5):385-401.
步骤S14：为了抑制同频干扰噪声，应用步骤S13中的二值化图像得到的同频干扰噪声位置，对步骤S11的平角直角坐标系统下的雷达图像进行线性内插降噪，从而剔除雷达图像中的同频干扰噪声，得到降噪后的图像，如图6所示。
本具体实施例中，采用如下的线性内插公式，对分割出的同频干扰噪声进行处理
其中m是噪声点左边最近的非噪声点与噪声之间的距离，n是右边对应的距离，x,y表示二值化图像中的横纵坐标，f(x,y)表示二值化图像中坐标位置(x,y)处的灰度值，g(x,y)表示预处理结果图像中坐标位置(x,y)处的灰度值。
降噪后的图像，抑制了原始雷达图像中的同频干扰噪声，抑制了油膜区域内同频干扰噪声的干扰，为下一步处理奠定基础。
步骤S02：为了调节海浪灰度近强远弱的特征，进行降噪后图像的平滑化处理，需要调整图像整体的灰度分布，包括以下步骤：
步骤S21：对步骤S14中的降噪后图像进行整体计算，得到灰度强度矫正图，如图8所示。
本具体实施例中，进行灰度强度矫正的方法为原始图像每行灰度值进行平均，如图7所示。对图6的预处理结果图像每行进行平均，得到灰度强度矫正图，如图8所示。
步骤S22：为了对降噪图像进行平滑，将步骤S14中得到的预处理结果图像与步骤S21中得到的灰度强度矫正图进行减运算，从而平滑海浪灰度分布近强远弱的特征，得到灰度强度分布矫正图，如图9所示。
平滑后得到的灰度强度分布矫正图，调整了整体图像的灰度分布状态，使油膜附近的海浪信号变得均匀。
步骤S03：对步骤S22中得到的灰度强度分布矫正图进行对比度增强，提高油膜内外区域的对比度，得到灰度强度对比度增强图，如图10所示。
本具体实施例中，为了提高油膜内外区域的对比度，采用有限对比度自适应直方图均衡法(CLAHE，Contrast-limited Adaptive Histogram Equalization)对灰度强度分布矫正图(图9)进行对比度增强，便于清晰地提取油膜区域。
CLAHE算法源自下文：Zuiderveld,K.1994.“Contrast limited adaptivehistogram equalization.”Graphics Gems 5,474–485.doi:10.1016/B978-0-12-336156-1.50061-6.
步骤S04：采用改进的局部自适应阈值方法，根据步骤S03中的灰度强度对比度增强图，对海上溢油进行识别，包括以下步骤：
步骤S41：采用如下改进的局部自适应阈值法，根据步骤S03中的灰度强度对比度增强图，对海上溢油进行初步识别，得到平面直角坐标系统下的能区分溢油区域的初步识别图，如图11所示
其中m是图像局部窗口中的平均灰度值，k是用户定义的参数，R是局部窗口内所有像素的灰度值标准偏差的动态范围，v是灰度图像局部窗口内的灰度值方差，T表示求得的图像局部窗口的油膜分割二值化阈值。
本具体实施例中，k＝0.25，R＝128。
平面直角坐标系统下的能区分溢油区域的初步识别图中，存在大量的噪声斑点，需要进行处理。
步骤S42：对步骤S41中得到的平面直角坐标系统下的能区分溢油区域的初步识别图，采用面积阈值法，删除初步识别图中的斑点噪声，得到全量程的能区分溢油区域的斑点目标剔除图像，如图12所示。
面积阈值为用户预先设定的正整数。本具体实施例中，面积阈值为300。
步骤S43：由于目前的船载雷达技术无法获取一定量程以外的精确海浪信息，因此，剔除预设量程以外的非溢油目标。剔除步骤S42中得到的全量程的斑点目标剔除图像中预设量程以外的目标，得到预设量程内的能区分溢油区域的斑点目标剔除图像，如图13所示。
本具体实施例中，预设量程为1千米。
步骤S44：将步骤S43中得到的预设量程内的能区分溢油区域的斑点目标剔除图像，用黑色标识叠加在步骤S14中得到预处理结果图像上，得到平面直角坐标系统下的溢油区域监测结果图像，如图14所示。
步骤S45：将步骤S43中的平面直角坐标系统下的溢油区域监测结果图像投影变换为极坐标系统下的溢油区域监测结果图像，得到溢油分布图像，如图15所示。
至此，本发明实施例在船载雷达图像的基础上，利用油膜的后向散射信号灰度值小于溢油区周围的信号灰度值这一特性，并基于极坐标系和直角坐标系的转换，将船载雷达图像的原始图像进行降噪、平滑、对比度增强以及识别，实现了溢油分布图像的获取。本发明公开的方法是全自动溢油监测方法，不必基于人工的干预，为船载雷达的海上溢油实时监测提供有效手段，从而能尽量减少了海洋石油泄漏的扩散性、影响性、持续性。本发明公开的方法只需对船载雷达硬件进行改装即可提取图像信息，而无需购买红外、激光、可见光等其他遥感设备，具有广阔的应用前景。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于局部自适应阈值的船载雷达图像溢油监测方法，其特征在于，包括以下步骤：
步骤S01：对船载雷达图像进行坐标系统变换，并进行抑制同频干扰噪声的预处理，包括以下步骤：
步骤S11：对船载雷达图像进行坐标转换，从极坐标系统转换至平面直角坐标系统，得到平面直角坐标系统下的雷达图像，极坐标系统是以物体到原点的距离为极距、以方位角为幅角，平面直角系统以方位角为横轴、以距离为纵轴；
步骤S12：对步骤S11中的平面直角坐标系统下的雷达图像，应用改进的Prewitt算子，进行卷积运算，增强图像中同频干扰噪声的特征，得到卷积图像；
步骤S13：对步骤S12中的卷积图像，应用鲁棒自适应阈值法，进行二值化分割，得到二值化图像，从而提取同频干扰噪声；
步骤S14：为了抑制同频干扰噪声，应用步骤S13中的二值化图像得到的同频干扰噪声位置，对步骤S11的平角直角坐标系统下的雷达图像进行线性内插降噪，从而剔除雷达图像中的同频干扰噪声，得到降噪后的图像；
步骤S02：对步骤S14中的降噪后的图像进行海浪灰度强度平滑，从而平滑海浪灰度分布近强远弱的特征，得到平滑的雷达图像，包括以下步骤：
步骤S21：对步骤S14中的降噪后的图像进行计算，得到灰度强度矫正图；
步骤S22：为了对降噪后的图像进行平滑，将步骤S14中得到的降噪后的图像与步骤S21中得到的灰度强度矫正图进行减运算，从而平滑海浪灰度分布近强远弱的特征，得到灰度强度分布矫正图；
步骤S03：对步骤S22中得到的灰度强度分布矫正图进行局部对比度增强，提高雷达图像中油膜内外区域的对比度，得到灰度强度对比度增强图；
步骤S04：采用改进的局部自适应阈值方法，根据步骤S03中的灰度强度对比度增强图，对海上溢油进行识别，包括以下步骤：
步骤S41：采用如下改进的局部自适应阈值法，根据步骤S03中的灰度强度对比度增强图，对海上溢油进行初步识别，得到平面直角坐标系统下的能区分溢油区域的初步识别图
其中m是图像局部窗口中的平均灰度值，k是用户定义的参数，R是局部窗口内所有像素的灰度值标准偏差的动态范围，v是灰度图像局部窗口内的灰度值方差，T表示求得的图像局部窗口的油膜分割二值化阈值；
步骤S42：对步骤S41中得到的平面直角坐标系统下的能区分溢油区域的初步识别图，采用面积阈值法，删除初步识别图中的斑点噪声，得到全量程的能区分溢油区域的斑点目标剔除图像；
步骤S43：剔除步骤S42中得到的全量程的斑点目标剔除图像中预设量程以外的目标，得到预设量程内的能区分溢油区域的斑点目标剔除图像；
步骤S44：将步骤S43中得到的预设量程内的能区分溢油区域的斑点目标剔除图像，用黑色标识叠加在步骤S14中得到预处理结果图像上，得到平面直角坐标系统下的溢油区域监测结果图像；
步骤S45：将步骤S43中的平面直角坐标系统下的溢油区域监测结果图像投影变换为极坐标系统下的溢油区域监测结果图像，得到溢油分布图像。
2.根据权利要求1所述的方法，其特征在于，所述步骤S12中，所述改进的Prewitt算子的计算公式为
G'(i,j)＝2f(i-1,j)+2f(i+1,j)+2f(i,j)-f(i-1,j-1)-f(i,j-1)
-f(i+1,j-1)-f(i-1,j+1)-f(i,j+1)-f(i+1,j+1)
其中i表示平面直角坐标系统下的雷达图像中的行号，j表示平面直角坐标系统下的雷达图像中的列号，f(i,j)表示平面直角坐标系统下的雷达图像中第i行第j列位置的灰度值，G'(i,j)表示卷积图像中第i行第j列位置的灰度值。
3.根据权利要求1所述的方法，其特征在于，所述步骤S14中，采用如下线性内插公式进行线性内插降噪
其中m是噪声点左边最近的非噪声点与噪声之间的距离，n是右边对应的距离，x,y表示二值化图像中的横纵坐标，f(x,y)表示二值化图像中坐标位置(x,y)处的灰度值，g(x,y)表示平滑后的图像中坐标位置(x,y)处的灰度值。
4.根据权利要求1所述的方法，其特征在于，所述步骤S21中，所述灰度强度矫正图的生成方法为对降噪后的图像中每行灰度值进行平均后，将均值填充入对应的行内。
5.根据权利要求1所述的方法，其特征在于，所述步骤S03中，进行对比度增强的方法为有限对比度自适应直方图均衡法。
6.根据权利要求1所述的方法，其特征在于，所述步骤S41中，所述用户定义的参数k＝0.25，所述局部窗口内所有像素的灰度值标准偏差的动态范围R＝128。
7.根据权利要求1所述的方法，其特征在于，所述步骤S42中，面积阈值法所采用的面积阈值为用户预先设定的正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084405.0A CN109829858B (zh) | 2019-01-29 | 2019-01-29 | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084405.0A CN109829858B (zh) | 2019-01-29 | 2019-01-29 | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109829858A CN109829858A (zh) | 2019-05-31 |
| CN109829858B true CN109829858B (zh) | 2022-10-18 |
Family
ID=66862812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910084405.0A Active CN109829858B (zh) | 2019-01-29 | 2019-01-29 | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829858B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111611899B (zh) * | 2020-05-15 | 2023-06-30 | 大连海事大学 | 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法 |
| CN111667494A (zh) * | 2020-06-05 | 2020-09-15 | 广东海洋大学 | 一种船载雷达原始图像的高亮目标快速分割方法 |
| CN113222963B (zh) * | 2021-05-27 | 2024-03-26 | 大连海事大学 | 一种非正射红外监测海面溢油面积估算方法及系统 |
| CN116503716A (zh) * | 2023-03-21 | 2023-07-28 | 大连理工大学 | 一种雷达图像衍生与数据库扩容的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971370A (zh) * | 2014-05-15 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种针对遥感大图像的海洋溢油智能检测方法 |
| CN105866775A (zh) * | 2016-03-28 | 2016-08-17 | 南京信息工程大学 | 一种基于全极化合成孔径雷达图像的海面溢油检测方法 |
| CN106443593A (zh) * | 2016-09-13 | 2017-02-22 | 中船重工鹏力（南京）大气海洋信息系统有限公司 | 基于相参雷达慢扫增强的自适应溢油信息提取方法 |
| CN108985288A (zh) * | 2018-07-17 | 2018-12-11 | 电子科技大学 | 一种基于TGMSERs的SAR图像溢油检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL219795A0 (en) * | 2012-05-15 | 2012-08-30 | D V P Technologies Ltd | Detection of foreign objects in maritime environments |
-
2019
- 2019-01-29 CN CN201910084405.0A patent/CN109829858B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971370A (zh) * | 2014-05-15 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种针对遥感大图像的海洋溢油智能检测方法 |
| CN105866775A (zh) * | 2016-03-28 | 2016-08-17 | 南京信息工程大学 | 一种基于全极化合成孔径雷达图像的海面溢油检测方法 |
| CN106443593A (zh) * | 2016-09-13 | 2017-02-22 | 中船重工鹏力（南京）大气海洋信息系统有限公司 | 基于相参雷达慢扫增强的自适应溢油信息提取方法 |
| CN108985288A (zh) * | 2018-07-17 | 2018-12-11 | 电子科技大学 | 一种基于TGMSERs的SAR图像溢油检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于动态分块阈值去噪和改进的GDNI边缘连接的溢油遥感图像的边缘检测算法;景雨等;《计算机科学》;20111115(第11期);全文 * |
| 用于海上溢油监测的航海雷达图像降噪技术研究;徐进等;《测绘与空间地理信息》;20180825(第08期);全文 * |
| 航海雷达溢油监测技术研究;徐进等;《海洋环境科学》;20180112(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109829858A (zh) | 2019-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
| US10325151B1 (en) | Method of extracting image of port wharf through multispectral interpretation | |
| CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
| CN113034452B (zh) | 一种焊件轮廓检测方法 | |
| CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
| CN109064479B (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
| CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
| CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
| CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| CN115841434A (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| CN110348442B (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
| CN108921003A (zh) | 基于卷积神经网络和图像形态学的无人机障碍物检测方法 | |
| CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
| CN112164079A (zh) | 一种声呐图像分割方法 | |
| CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
| CN109993744B (zh) | 一种海上逆光环境下的红外目标检测方法 | |
| CN115409831A (zh) | 基于最优背景估计的星点质心提取方法及系统 | |
| CN117764983A (zh) | 一种用于智能制造产线的双目识别的视觉检测的方法 | |
| CN117557565A (zh) | 一种锂电池极片的检测方法及其装置 | |
| CN113052794A (zh) | 一种基于边缘特征的图像清晰度识别方法 | |
| CN109872358B (zh) | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 | |
| CN116452447A (zh) | 一种低照度高清图像处理方法 | |
| CN115456902A (zh) | 金属零件表面高光去除方法及模型构建方法和计算机可读介质 | |
| CN114187195A (zh) | 一种2d前视声呐图像去噪方法 | |
| CN109816683B (zh) | 一种航海雷达图像中海浪信息反演的预处理方法 |
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 |