CN110110618A - 一种基于pca和全局对比度的sar目标检测方法 - Google Patents
一种基于pca和全局对比度的sar目标检测方法 Download PDFInfo
- Publication number
- CN110110618A CN110110618A CN201910323751.XA CN201910323751A CN110110618A CN 110110618 A CN110110618 A CN 110110618A CN 201910323751 A CN201910323751 A CN 201910323751A CN 110110618 A CN110110618 A CN 110110618A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- global contrast
- num
- sar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000009333 weeding Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000000513 principal component analysis Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
该发明公开了一种基于PCA和全局对比度的SAR目标检测方法,属于合成孔径雷达遥感技术目标检测领域,具体涉及利用主成分分析法和利用全局对比度想法结合的方法,生成SAR目标的显著图。本发明与传统的检测方法相比,采用超像素作为目标检测元,结合全局对比度的视觉注意模型,本发明可以取得更好的检测性能;本发明与传统的检测方法相比,检测所耗时间更短;本发明与传统的检测方法相比,在SAR图像中能更完整地保留目标原有形态。
Description
技术领域
本发明属于合成孔径雷达遥感技术目标检测领域,具体涉及利用主成分分析法和利用全局对比度想法结合的方法,生成SAR目标的显著图。
背景技术
合成孔径雷达是一种在遥感领域应用广泛的监测设备。它在海面监视、灾害监测、地质测绘等领域发挥着重要的作用。合成孔径雷达技术一般可分为成像技术和图像解译技术。但现在,图像解译技术似乎要远远落后于成像技术,这严重制约了SAR的进一步应用和发展。因而,研究先进的解译技术是很有必要的。
检测是SAR解译的重要环节和关键步骤,其结果将直接影响后续的鉴别、分类处理。在雷达信号处理中最为常见的检测技术是恒需警率检测(CFAR),而具体到SAR检测中一般采用双参数CFAR。但是,CFAR的建立基础是对杂波正确建模,只有模型和实际杂波吻合时,CFAR的性能才会很好;而SAR图像的场景一般都会很复杂,这时很难对背景杂波进行理想的建模,所以,CFAR在实际应用中其性能并不总是很理想。
为了获得良好的SAR图像检测效果,近年来,不少学者将计算机视觉领域内的研究热点,视觉注意模型,引入到了SAR检测中。基于这些模型的显著性算法,在它们各自的检测任务中,确实展现出了不俗的性能。例如,zhang等人结合显著性和gamma分布,提出了一种适用于SAR图像的目标区域提取算法;Schwegmann等人将船只视为显著目标,对比了CFAR和经典显著性模型SR和FT的检测性能,后两者有着更好的表现;针对弱目标,Lai等人改进了ITTI显著性模型,新算法在准确率和时间复杂度上表现良好;Jin等人在飓风检测中,将显著性方法和模板匹配相融合,获得了优良的检测性能;Liu等人将线检测和显著性分析相结合,成功地应用到了SAR图像机场检测中。这些研究不仅仅顺利完成了各自的检测任务,还为SAR检测提供了新的发展方向。
发明内容
本发明的目的是为了克服已有的SAR图像目标检测中的不足,引入视觉注意模型以提高SAR图像目标检测的效果和效率。
本发明的基本思路是:鉴于视觉注意模型再光学图像上的成功应用,将其引用进SAR图像检测中来,并结合主成分分析方法,以提高SAR图像目标检测性能。
本发明的技术方案是,一种基于PCA和全局对比度的SAR目标检测方法,具体包括以下步骤:
步骤1:针对原始SAR图像,使用高斯滤波器对原始图像进行滤波;设矩阵A(m,n)为原始SAR图像,A(m,n)表示原始SAR图像(m,n)位置的元素,矩阵B表示高斯核,C表示滤波后得到的图像;滤波公式为如下所示:
其中,s∈[0,MA+MB-1],t∈[0,NA+NB-1],MA为矩阵A的行数,NA为矩阵A的列数,MB为矩阵B的行数,NB为矩阵B的列数,C(s,t)表示滤波后的图像坐标(s,t)位置的像素值;
步骤2:对滤波后的图像进行线性迭代聚类处理,分割为N个超像素{SP1,SP2,…,SPN};
步骤3:对每个超像素进行特征提取;
步骤4:通过以下公式计算每一个超像素的全局对比度特征G(i);
Wnum(j)=num(j)/max(num)
其中,g(i)表示对全局对比度的量化,Wnum(j)表示归一化的第j个超像素,max(·)表示取最大值,G(i)为第i个超像素的全局对比度;T是确定全局对比度的阈值,依据g(i)的分布来人工选取;
步骤5:融合P(i)和G(i),i=1,…,N,利用下式生成显著图;
S(i)=P(i)×G(i)i=1,…,N
S(i)为第i个超像素的显著性值;然后对进行归一化处理,得到了显著图SM;
步骤6:计算显著目标区域;
步骤6a)将显著图SM中第i个元素sm(i)中的零元素剔除,组成新的数组x=1,…,N1,其中N1表示将零元素剔除掉之后剩下的元素个数
步骤6b)按下式设置自适应阈值TD;
TD=μ+kσ
其中,μ为的均值,σ为的标准差,k为经验常数;
步骤6c)在显著图上通过下式确定显著目标区域Img(x);
高于阈值的地方就是显著目标区域。
进一步的,所述步骤3的具体方法为:
步骤3a)对每个超像素的内部像素按照灰度大小从高到低进行排序,得到像素排列矩阵;
步骤3b)取前M个像素排成一个M维的列向量代表各个超像素;其中;
M=min({num(1),…,num(N)})
min(·)表示取最小值,{num(1),num(2),…,num(N)}为N个超像素包含的像素个数;
步骤3c)对步骤3b得到的结果取绝对值作为对应超像素的特征,即;
P(i)=abs(ξ(i))i=1,…,N
p(i)表示第i个超像素的特征,i为超像素序号,ξ(i)表示步骤3b提取的第i个超像素的前M个像素,abs(·)表示取绝对值;然后对P(i)进行归一化:P(i)=Θ(P(i)),其中Θ(·)为归一化算子,将向量归一化到[0,255],
Θ(P(i))=(P(i)/max P(i))×255
max P(i)为P(i)中元素的最大值。
本发明与传统的SAR目标检测方法相比有以下优点:
1,本发明与传统的检测方法相比,采用超像素作为目标检测元,结合全局对比度的视觉注意模型,本发明可以取得更好的检测性能;
2,本发明与传统的检测方法相比,检测所耗时间更短;
3,本发明与传统的检测方法相比,在SAR图像中能更完整地保留目标原有形态。
附图说明:
图1为本发明流程示意图;
图2为用于测试的原始真实SAR图像,其中标注出了一些显著目标。用蓝色方框标注出显著目标;
图3为高斯滤波之后的图像;
图4为经过SLIC处理后被分割为若干超像素的图像;
图5为采取PCA之后的特征图;
图6为采取全局对比度特征图;
图7为本发明生成的显著图;
图8(a)和图8(b)分别为将原始图像经过双参数CFAR和本发明两种方法得到的检测结果。
具体实施方式:
下面结合实例对本发明做出进一步说明:
(一)实验条件
实验平台为MATLAB 2014b
实验数据本:来源于TerraSAR的一幅海面场景,其大小为670×320。
(二)仿真实验过程
步骤1:对原始图像图2进行高斯滤波,得到图3;
步骤2:对图3采取SLIC方法进行超像素分割,得到图4;
步骤3:对图4得到的每一块超像素块进行PCA处理,得到其特征图图5;
步骤4:对图5计算全局对比度,得到全局对比度特征图图6;
步骤5:融合图5与图6,得到显著图图7;
步骤6:对图7进行分割处理,得到目标检测的结果图8(b);
步骤7:对原始图像图2进行传统CFAR检测处理,得到检测结果图图8
(a);
步骤8:分别计算本发明和传统CFAR的检测时间
(三)实验结论分析:
为了评估目标检测性能,我们在同一MATLAB环境下进行检测,对比采用
传统CFAR检测算法对目标进行检测的结果。
如图(8)所示,我们能够明显直观的看到本发明方法的检测效果要比传
统CFAR方法的检测效果更好。同时,利用CFAR的检测时间为10.169秒,利用本发明方法的检测时间为3.106秒。
综上所述,本发明的检测方法利用更少的时间获得更佳的检测结果,性能要优于传统CFAR方法。
Claims (2)
1.一种基于PCA和全局对比度的SAR目标检测方法,具体包括以下步骤:
步骤1:针对原始SAR图像,使用高斯滤波器对原始图像进行滤波;设矩阵A(m,n)为原始SAR图像,A(m,n)表示原始SAR图像(m,n)位置的元素,矩阵B表示高斯核,C表示滤波后得到的图像;滤波公式为如下所示:
其中,s∈[0,MA+MB-1],t∈[0,NA+NB-1],MA为矩阵A的行数,NA为矩阵A的列数,MB为矩阵B的行数,NB为矩阵B的列数,C(s,t)表示滤波后的图像坐标(s,t)位置的像素值;
步骤2:对滤波后的图像进行线性迭代聚类处理,分割为N个超像素{SP1,SP2,…,SPN};
步骤3:对每个超像素进行特征提取;
步骤4:通过以下公式计算每一个超像素的全局对比度特征G(i);
Wnum(j)=num(j)/max(num)
其中,g(i)表示对全局对比度的量化,Wnum(j)表示归一化的第j个超像素,max(·)表示取最大值,G(i)为第i个超像素的全局对比度;T是确定全局对比度的阈值,依据g(i)的分布来人工选取;
步骤5:融合P(i)和G(i),i=1,…,N,利用下式生成显著图;
S(i)=P(i)×G(i)i=1,…,N
S(i)为第i个超像素的显著性值;然后对进行归一化处理,得到了显著图SM;
步骤6:计算显著目标区域;
步骤6a)将显著图SM中第i个元素sm(i)中的零元素剔除,组成新的数组 其中N1表示将零元素剔除掉之后剩下的元素个数
步骤6b)按下式设置自适应阈值TD;
TD=μ+kσ
其中,μ为的均值,σ为的标准差,k为经验常数;
步骤6c)在显著图上通过下式确定显著目标区域Img(x);
高于阈值的地方就是显著目标区域。
2.如权利要求1所述的一种基于PCA和全局对比度的SAR目标检测方法,其特征在于所述步骤3的具体方法为:
步骤3a)对每个超像素的内部像素按照灰度大小从高到低进行排序,得到像素排列矩阵;
步骤3b)取前M个像素排成一个M维的列向量代表各个超像素;其中;
M=min({num(1),…,num(N)})
min(·)表示取最小值,{num(1),num(2),…,num(N)}为N个超像素包含的像素个数;
步骤3c)对步骤3b得到的结果取绝对值作为对应超像素的特征,即;
P(i)=abs(ξ(i))i=1,…,N
p(i)表示第i个超像素的特征,i为超像素序号,ξ(i)表示步骤3b提取的第i个超像素的前M个像素,abs(·)表示取绝对值;然后对P(i)进行归一化:P(i)=Θ(P(i)),其中Θ(·)为归一化算子,将向量归一化到[0,255],
Θ(P(i))=(P(i)/max P(i))×255
max P(i)为P(i)中元素的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323751.XA CN110110618B (zh) | 2019-04-22 | 2019-04-22 | 一种基于pca和全局对比度的sar目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323751.XA CN110110618B (zh) | 2019-04-22 | 2019-04-22 | 一种基于pca和全局对比度的sar目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110618A true CN110110618A (zh) | 2019-08-09 |
CN110110618B CN110110618B (zh) | 2022-10-14 |
Family
ID=67486172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910323751.XA Expired - Fee Related CN110110618B (zh) | 2019-04-22 | 2019-04-22 | 一种基于pca和全局对比度的sar目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110618B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895333A (zh) * | 2019-12-05 | 2020-03-20 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
CN112766286A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于sar图像全局-局部特征的舰船目标检测方法 |
CN112766032A (zh) * | 2020-11-26 | 2021-05-07 | 电子科技大学 | 一种基于多尺度和超像素分割的sar图像显著图生成方法 |
CN113256720A (zh) * | 2021-06-03 | 2021-08-13 | 浙江大学 | 一种同时检测sar图像船只及其尾迹的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN105427314A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于贝叶斯显著性的sar图像目标检测方法 |
EP3022582A1 (en) * | 2013-07-19 | 2016-05-25 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
CN106611427A (zh) * | 2015-10-21 | 2017-05-03 | 中国人民解放军理工大学 | 基于候选区域融合的视频显著性检测方法 |
CN107424142A (zh) * | 2017-03-30 | 2017-12-01 | 上海万如科技发展有限公司 | 一种基于图像显著性检测的焊缝识别方法 |
CN107784655A (zh) * | 2016-12-28 | 2018-03-09 | 中国测绘科学研究院 | 一种自适应阈值的视觉注意模型sar舰船检测算法 |
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
CN108573221A (zh) * | 2018-03-28 | 2018-09-25 | 重庆邮电大学 | 一种基于视觉的机器人目标零件显著性检测方法 |
CN108830883A (zh) * | 2018-06-05 | 2018-11-16 | 成都信息工程大学 | 基于超像素结构的视觉注意sar图像目标检测方法 |
-
2019
- 2019-04-22 CN CN201910323751.XA patent/CN110110618B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3022582A1 (en) * | 2013-07-19 | 2016-05-25 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN106611427A (zh) * | 2015-10-21 | 2017-05-03 | 中国人民解放军理工大学 | 基于候选区域融合的视频显著性检测方法 |
CN105427314A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于贝叶斯显著性的sar图像目标检测方法 |
CN107784655A (zh) * | 2016-12-28 | 2018-03-09 | 中国测绘科学研究院 | 一种自适应阈值的视觉注意模型sar舰船检测算法 |
CN107424142A (zh) * | 2017-03-30 | 2017-12-01 | 上海万如科技发展有限公司 | 一种基于图像显著性检测的焊缝识别方法 |
CN108537102A (zh) * | 2018-01-25 | 2018-09-14 | 西安电子科技大学 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
CN108573221A (zh) * | 2018-03-28 | 2018-09-25 | 重庆邮电大学 | 一种基于视觉的机器人目标零件显著性检测方法 |
CN108830883A (zh) * | 2018-06-05 | 2018-11-16 | 成都信息工程大学 | 基于超像素结构的视觉注意sar图像目标检测方法 |
Non-Patent Citations (4)
Title |
---|
TAO LI ET AL.: "Target Detection by Exploiting Superpixel-Level Statistical Dissimilarity for SAR Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
孙君顶 等: "融合高低层多特征的显著性检测算法", 《液晶与显示》 * |
张强: "基于视觉注意的SAR目标快速检测算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
张衡 等: "一种基于视觉显著性的SAR图像弱目标检测算法", 《电子信息对抗技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895333A (zh) * | 2019-12-05 | 2020-03-20 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
CN110895333B (zh) * | 2019-12-05 | 2022-06-03 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
CN112766032A (zh) * | 2020-11-26 | 2021-05-07 | 电子科技大学 | 一种基于多尺度和超像素分割的sar图像显著图生成方法 |
CN112766286A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于sar图像全局-局部特征的舰船目标检测方法 |
CN112766286B (zh) * | 2021-02-05 | 2021-09-14 | 清华大学 | 一种基于sar图像全局-局部特征的舰船目标检测方法 |
CN113256720A (zh) * | 2021-06-03 | 2021-08-13 | 浙江大学 | 一种同时检测sar图像船只及其尾迹的方法 |
CN113256720B (zh) * | 2021-06-03 | 2021-09-24 | 浙江大学 | 一种同时检测sar图像船只及其尾迹的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110110618B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460341B (zh) | 基于集成深度卷积网络的光学遥感图像目标检测方法 | |
CN110110618A (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN109655825A (zh) | 多传感器融合的数据处理方法、装置与多传感器融合方法 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN109255317A (zh) | 一种基于双网络的航拍图像差异检测方法 | |
CN110795982A (zh) | 一种基于人体姿态分析的表观视线估计方法 | |
CN106503170B (zh) | 一种基于遮挡维度的图像库构建方法 | |
CN109255286A (zh) | 一种基于yolo深度学习网络框架的无人机光学快速检测识别方法 | |
CN101882314A (zh) | 基于超完备稀疏表示的红外小目标检测方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN108320310B (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
CN111260687B (zh) | 一种基于语义感知网络和相关滤波的航拍视频目标跟踪方法 | |
CN106897730B (zh) | 基于融合类别信息与局部保持投影的sar目标型号识别方法 | |
CN106886754B (zh) | 一种基于三角面片的三维场景下的物体识别方法及系统 | |
CN110321869A (zh) | 基于多尺度融合网络的人员检测和提取方法 | |
CN113297982A (zh) | 一种面向航拍改进kcf和dsst相结合的目标检测方法 | |
CN111126508A (zh) | 一种基于hopc改进的异源图像匹配方法 | |
WO2023273337A1 (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
CN105205826B (zh) | 一种基于方向直线筛选的sar图像目标方位角估计方法 | |
Chen | A corner matching algorithm based on Harris operator | |
Majidi et al. | Aerial tracking of elongated objects in rural environments |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221014 |