CN110310263B - 一种基于显著性分析和背景先验的sar图像居民区检测方法 - Google Patents
一种基于显著性分析和背景先验的sar图像居民区检测方法 Download PDFInfo
- Publication number
- CN110310263B CN110310263B CN201910548709.8A CN201910548709A CN110310263B CN 110310263 B CN110310263 B CN 110310263B CN 201910548709 A CN201910548709 A CN 201910548709A CN 110310263 B CN110310263 B CN 110310263B
- Authority
- CN
- China
- Prior art keywords
- background
- image
- sar image
- foreground
- residential area
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/11—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于显著性分析和背景先验的SAR图像居民区检测方法,属于遥感图像处理及图像识别技术领域。实施过程包括:1)对输入SAR图像进行基于纹理特征的显著性分析,得到显著图;2)计算输入SAR图像超像素级别的背景先验,并计算超像素的平均强度,得到背景先验图;3)将显著图分割为二值化的初始掩膜,并将背景先验图和初始掩膜结合,利用面积‑周长比与直方图差异两个指标,筛选出背景杂波;4)在初始掩膜中去除背景杂波,得到居民区掩膜,将输入SAR图像和居民区掩膜进行逻辑与操作,获得精确的居民区;本发明实现了SAR图像居民区信息的快速、准确检测,具有不依赖先验知识、计算复杂度低等优点,可用于土地规划及城乡建设等领域。
Description
技术领域
本发明属于遥感图像处理及图像识别技术领域,具体涉及一种基于显著性分析和背景先验的SAR图像居民区检测方法。
背景技术
合成孔径雷达(synthetic aperture radar,SAR)不受天气、光照、云层遮挡等自然条件的限制,具有全天时、全天候的成像能力,因而在军事和民用方面得到了非常广泛的研究。目标检测作为SAR图像解译的第一步,是遥感影像分析的一个研究热点。传统SAR目标检测方法大多以油库、船舶等为研究对象,因为它们的形状比较规则,容易通过形状等先验信息进行提取。居民区是一类较为特殊的目标,和油库、船舶等相比,居民区的形状很不规则,很难利用形状信息完成提取,SAR图像居民区检测方法也因此比较少见。
传统SAR图像目标检测方法可以分为以下两类:在去除斑点噪声后应用一些光学图像处理方法,和基于统计信息的方法,如恒虚警率(constant false alarm rate,CFAR)方法和马尔科夫随机场(Markov Random Field,MRF)方法。第一类方法通常使用滤波器和图像进行卷积,这会模糊目标的边缘,进而降低检测的准确率。第二类方法中,CFAR相关的方法只利用了滑动窗口内像素强度的统计信息,因此当面对不均匀图像时,检测结果中可能存在虚警;MRF相关的方法利用了每个像素的邻域信息,于方法的噪声鲁棒性大有裨益,但缺点是有许多待调整的参数,效率较低。
基于视觉注意机制的显著性分析模型为SAR图像目标检测提供了一个全新视角,不同于传统的检测方法,显著性分析模型是一种完全由数据驱动的图像分析机制,不涉及知识库等外部因素的影响,可以为观察者快速提供可能的感兴趣区域信息,继而在该区域中寻找重要目标,从而大幅提升图像处理系统的运行效率。经典显著性分析模型主要应用于自然景物图像。Itti等人于1998年提出了极具代表意义的显著性分析模型——Itti模型。该模型利用人眼低层视觉特征构建颜色、亮度和方向特征图,通过特征图融合得到最终显著图,运用胜者为王机制和返回抑制机制实显著目标的高效检测。2016年,Tu等人提出了一种利用最小生成树(Minimum Spanning Tree,MST)实时提取显著目标的模型,即MST模型。该模型首先用无向图表示图像,然后生成图像的MST,最后通过在MST上的距离变换计算显著性。
但SAR图像的以下特点导致了传统显著性分析方法不能直接应用到SAR图像中。第一,SAR图像中存在强烈的斑点噪声;第二,SAR图像中缺乏真彩色信息。真彩色信息是被很多经典显著性分析方法利用的重要特征,因此这一重要特征的缺乏会影响经典显著性分析方法的效果;第三,SAR图像的背景杂波组成复杂,会对目标检测造成非常大的干扰;第四,目标可能出现在SAR图像中的任何位置,因此中心先验和边界先验会失效。
综上所述,本发明提出一种基于显著性分析和背景先验的SAR图像居民区检测方法。首先将输入SAR图像分块,计算图像块的傅里叶变换获得显著图,然后生成超像素级别的背景先验图,最后将显著图和背景先验图结合,提出两个基于区域特征的指标以去除背景杂波,获得精确的居民区检测结果。
发明内容
本发明的目的在于提供了一种基于显著性分析和背景先验的SAR图像居民区检测方法,该方法用于对SAR图像的居民区进行精确检测。由于SAR图像中存在强烈的斑点噪声和复杂的背景杂波,缺乏真彩色信息,而且居民区的形状相对不规则,因此传统方法的检测的精度和效率都比较低。所以本发明方法主要关注两个方面:
1)提升SAR图像居民区检测精度,获得更为准确的居民区信息;
2)降低SAR图像居民区检测的计算复杂度。
本发明所使用的技术方案包括基于纹理特征的显著性分析,生成背景先验图以及去除杂波三个主要过程。
在该方法中,首先将SAR图像分割为大小相等且互不重叠的矩形图像块,计算每个图像块的傅里叶幅度谱,并利用k-means聚类算法生成显著图;然后对输入SAR图像进行超像素分割,判断每个超像素是否属于背景,并通过计算超像素的平均强度得到背景先验图;最后将显著图与背景先验图结合,利用面积-周长比与直方图差异两个指标,去除背景杂波,获得精确的居民区检测结果,具体包括以下步骤:
步骤一:对输入的SAR图像进行显著性分析,即首先将输入SAR图像分割为大小相等且互不重叠的矩形图像块,然后计算每个图像块的傅里叶幅度谱,并转换为图像块的傅里叶幅度向量,接下来利用k-means聚类算法对图像块的傅里叶幅度向量进行聚类,得到聚类后的簇,最后将每个簇中全部像素的强度平均值作为该簇的显著值,生成显著图;具体过程如下:
1)将输入SAR图像分割为大小相等且互不重叠的矩形块;
2)对于每个图像块,计算它的傅里叶变换,从而得到幅度谱向量;
3)利用k-means聚类算法对所有的幅度谱向量进行聚类,得到若干聚类后的簇;
4)将每个簇中全部像素的强度平均值作为该簇的显著值,得到显著图。
步骤二:生成输入SAR图像的背景先验图,即首先对输入SAR图像进行超像素分割,然后判断每个超像素是否属于背景,最后通过计算超像素的平均强度,得到能够区分SAR图像前景和背景的背景先验图;具体过程如下:
1)利用基于水平集的分割方法,将输入SAR图像分割为若干超像素;
2)将SAR图像四条边界上的超像素视为可能属于背景的超像素候选区域;
3)计算每个可能属于背景的超像素候选区域与其它全部可能属于背景的超像素候选区域之间的差异Di,i=1,2,3...,并计算上述差异的平均值将Di值小于的可能属于背景的超像素候选区域视为真正属于背景的超像素;
5)分别计算初始背景先验图中前景和背景的平均强度值,若背景的平均强度值大于前景的平均强度值,则将前景置为背景,背景置为前景,最终得到背景先验图。
步骤三:将显著图与背景先验图结合,利用面积-周长比与直方图差异两个指标筛选出背景杂波,即首先利用最大类间方差法分割显著图,得到二值化的初始掩膜,然后将在初始掩膜中为前景,但在背景先验图中为背景的区域视为候选杂波,最后利用面积-周长比和区域直方图差异,筛选出背景杂波。
步骤四:在步骤三所获得的初始掩膜中去除背景杂波,得到居民区掩膜,然后对输入SAR图像和居民区掩膜进行逻辑与操作,得到精确的居民区检测结果。
本发明提出的方法具有如下的优点:
(1)本发明利用图像块傅里叶变换的幅度谱表示纹理特征,是一种全新的纹理表示方法。
(2)本发明将显著性分析引入到SAR图像居民区检测中,不依赖先验知识,一定程度上降低了计算复杂度并保证了检测精度。
(3)本发明通过计算初始背景先验图中背景和前景的平均强度,避免背景和前景倒置,改进了传统的背景先验方法。
附图说明
图1为本发明的流程图;
图2为本发明所使用的SAR图像示例图片;
图3为本发明所使用示例图片的显著图、背景先验图和杂波图。(a)为示例图片的显著图,(b)为示例图片的背景先验图,(c)为示例图片的杂波图;
图4为利用本发明得到的初始掩膜、居民区掩膜和居民区检测结果图。(a)为示例图片的初始掩膜,(b)为示例图片的居民区掩膜,(c)为示例图片的居民区检测结果图;
图5为示例图片采用本发明方法和其他方法检测居民区的比较。(a)为利用多维特征向量聚类(multidimensional feature vector clustering,MFVC)方法检测出的居民区,(b)为模式回归(pattern recurrence,PR)方法检测出的居民区,(c)为本发明方法检测出的居民区;
图6为示例图片的地面实况(Ground-Truth)显著度图;
图7为使用MFVC方法、PR方法和本发明方法(Ours)对示例图片进行检测的结果量化对比图。
具体实施方式
下面结合附图对本发明做进一步详细说明。本发明的总体框架如图1所示,现介绍每一步实现细节。
步骤一:对输入的SAR图像进行显著性分析,即首先将输入SAR图像分割为大小相等且互不重叠的矩形图像块,然后计算每个图像块的傅里叶幅度谱,并转换为图像块的傅里叶幅度向量,接下来利用k-means聚类算法对图像块的傅里叶幅度向量进行聚类,得到聚类后的簇,最后将每个簇中全部像素的强度平均值作为该簇的显著值,生成显著图。
傅里叶变换是图像处理领域中的一个基本的频域分析工具,在卷积、滤波、压缩和重建等领域都有广泛应用。傅里叶幅度谱表征了图像不同频率处的强度,具有不同空间灰度分布的图像,其傅里叶幅度谱往往也不同。因此,傅里叶幅度谱可以反映图像的空间灰度分布,即图像纹理。给定一幅SAR图像,本发明将其分割为m×n大小的不重叠图像块,对每个图像块进行傅里叶变换:
然后将傅里叶幅度谱展成一个行向量Vi:Vi=[v1,v2,K,vmn],Vi就可以表示图像的纹理。这样得到了大小为1×mn的纹理向量。
接下来利用k-means聚类算法对纹理向量进行聚类,在迭代10次后,算法终止,得到了聚类后的簇。
在SAR图像中,居民区的强度通常比背景高。因此,对于每个簇,本发明将其显著值定义为其中全部像素的平均强度值(average intensity level,AIL)。这样就得到了显著图。
步骤二:生成输入SAR图像的背景先验图,即首先对输入SAR图像进行超像素分割,然后判断每个超像素是否属于背景,最后通过计算超像素的平均强度,得到能够区分SAR图像前景和背景的背景先验图。
在显著图中,居民区已经比较突出了,但是仍存在一些显著性较强的背景杂波干扰居民区检测。背景先验通过对背景的属性进行建模,进而将显著物体与背景分离,近年来已经越来越多地被应用到显著目标检测当中。于是本发明利用背景先验生成背景先验图,以去除显著图中显著性较强的背景杂波。
首先,利用基于水平集的方法将输入SAR图像分割为若干超像素;然后,假设图像四条边界上的超像素属于背景,即将边界上的超像素视为属于背景的超像素候选区域。考虑到有些前景也可能触及边界,本发明设计了一种从属于背景的超像素候选区域中筛选出真正属于背景的超像素的标准:如果某个超像素的AIL与其它属于背景的超像素的AIL存在明显差异,那么将其视为前景。公式如下:
其中是超像素spi中的AIL,N是属于背景候选区域的超像素的数目。将(2)的结果作为x代入(3),即可判定该超像素是否属于背景。这样就得到了真正属于背景的超像素。针对剩余的超像素,计算其与真正属于背景的超像素的最小差异:
并将结果作为x代入(3)判定其属于背景还是前景。
最后计算属于背景的超像素的平均AIL和属于前景的超像素的平均AIL,如果属于背景的超像素的平均AIL大于属于前景的超像素的平均AIL,那么将背景和前景对调。这样,就得到了背景先验图BG。
步骤三:将显著图与背景先验图结合,利用面积-周长比与直方图差异两个指标筛选出背景杂波,即首先利用最大类间方差法分割显著图,得到二值化的初始掩膜,然后将在初始掩膜中为前景,但在背景先验图中为背景的区域视为候选杂波,最后利用面积-周长比和区域直方图差异,筛选出背景杂波。
首先,利用最大类间方差法获取步骤一中生成的显著图的分割阈值,并利用该阈值分割显著图,得到初始二值化掩膜IM。在IM中,居民区有了整体的轮廓,但是边缘的细节不够完善;在背景先验图BG中,背景有可能只包含图像四条边界的信息,这样一来,BG对目标检测就不产生贡献。本发明将IM和BG结合,以尽可能去除背景干扰,同时获得细节完整的居民区边缘。
本发明将那些在BG中为背景(亮度为0)但在IM中为居民区(亮度为1)的像素视为备选杂波CC:
CC=IM-BG, (5)
对于CC中的每个连通区域,本发明利用两个基于区域特征的指标的乘积判断其是否属于背景杂波。虽然居民区不像油库、船舶等拥有非常规则的形状,但是和背景杂波相比,居民区的形状还是相对规则的。因此,不规则的区域属于背景杂波的可能性较大,而规则的区域属于居民区的可能性更大。据此,本发明提出了第一个指标:面积-周长比(area-perimeter ratio,AP)。第i个区域Ri的AP值定义如下:
其中Ai和Pi分别为的面积和周长,Z是归一化因子。一般来说,SAR图像中显著目标中的强度级比较单一,多为几个或者一个较高的强度值;而背景杂波因自身构成复杂,往往包含了较多的强度级,强度级的分布也更加分散。于是,本发明提出了第二个指标,直方图差异(difference of histogram,DH)。首先,本发明假设背景杂波的强度级分布趋于某一范围内的均匀分布,然后计算某区域内强度的真实分布与均匀分布的差异,这一差异可以用K-L散度表示:
其中Ui(·)表示均匀分布,Ti(·)表示Ri的真实强度分布。
对于某区域来说,如果它的形状不规则,即AP值较低,它更可能属于背景杂波;如果它的分布更趋于均匀分布,即DH值较低,它也更可能属于背景杂波。因此,本发明利用tanh(·)对两个指标进行了尺度归一化操作,以避免由于两个指标数量级不同造成结果的不准确。然后计算两个指标的乘积。该乘积越小,该区域属于背景杂波的可能性越大。于是本发明设定了一个阈值Tp,用来选出背景杂波。那些AP和DH乘积小于Tp的区域被视为背景杂波,这样就得到了杂波图BC。
步骤四:在步骤三所获得的初始掩膜中去除背景杂波,得到居民区掩膜,然后对输入SAR图像和居民区掩膜进行逻辑与操作,得到精确的居民区检测结果。
首先,利用步骤三中得到的BC对IM进行修正,得到居民区掩膜RA:
RA=IM-BC,(9)
然后对输入SAR图像和居民区掩膜进行逻辑与操作,得到精确的居民区检测结果。
本发明的效果可通过以下实验结果与分析进一步说明:
1.实验数据
本发明从ALOS PALSAR卫星源图中选取了一幅渤海湾的分辨率为10m、极化方式为HH的图像,并从中截取生成了大小为256×256的一幅图作为本文实验源图,如图2所示。
2.对比实验及实验评价指标
本发明方法对比了基于多维特征向量聚类(multidimensional feature vectorclustering,MFVC)的SAR图像目标检测方法和基于模式回归(pattern recurrence,PR)的SAR图像目标检测方法。从主观上分别对比了不同方法的居民区检测结果,如图5所示。图5中,(a)为MFVC方法的检测结果,(b)为PR方法的检测结果,(c)为本发明方法检测的结果。
本发明的评价指标采用了检测率(probability of detection,PD),虚警率(probability of false alarm,PF)和基于PD、PF的损失L。计算公式如下:
图6为地面实况(Ground-Truth)显著度图。图7是三种检测结果的量化对比。由图7可以看出,PD方面,本发明方法与略低于MFVC方法,而在PF和L方面,本发明方法要明显好于其它2种方法。
Claims (3)
1.一种基于显著性分析和背景先验的SAR图像居民区检测方法,在该方法中,首先将SAR图像分割为大小相等且互不重叠的矩形图像块,计算每个图像块的傅里叶幅度谱,并利用k-means聚类算法生成显著图;然后对输入SAR图像进行超像素分割,判断每个超像素是否属于背景,并通过计算超像素的平均强度得到背景先验图;最后将显著图与背景先验图结合,利用面积-周长比与直方图差异两个指标,去除背景杂波,获得精确的居民区检测结果,其特征在于,包括以下步骤:
步骤一:对输入SAR图像进行显著性分析,即首先将输入SAR图像分割为大小相等且互不重叠的矩形图像块,然后计算每个图像块的傅里叶幅度谱,从而得到图像块的幅度谱向量,最后利用k-means聚类算法对傅里叶幅度谱向量进行聚类,生成显著图;
步骤二:生成输入SAR图像的背景先验图,即首先对输入SAR图像进行超像素分割,然后找出属于背景的超像素,最后对于图像中剩余的超像素,计算每个超像素与真正属于背景的超像素之间的最小差异将值小于的超像素视为背景,从而得到以“0”表示背景,“1”表示前景的二值化初始背景先验图,再分别计算初始背景先验图中前景和背景的平均强度值,若背景的平均强度值大于前景的平均强度值,则将前景置为背景,背景置为前景,最终生成能够反映SAR图像显著性的背景先验图;
步骤三:将显著图与背景先验图结合,利用面积-周长比与直方图差异两个指标筛选出背景杂波,即首先利用最大类间方差法分割显著图,得到二值化的初始掩膜,然后,将在初始掩膜中为前景,但是在背景先验图中为背景的区域视为候选杂波,最后利用面积-周长比与直方图差异两个指标,筛选出背景杂波,所述直方图差异是指背景杂波强度的真实分布与均匀分布的差异;
步骤四:在步骤三所获得的初始掩膜中去除背景杂波,得到居民区掩膜,然后对输入SAR图像和居民区掩膜进行逻辑与操作,得到精确的居民区检测结果。
2.根据权利要求1所述的一种基于显著性分析和背景先验的SAR图像居民区检测方法,其特征在于,所述步骤一的具体过程为:
1)将输入SAR图像分割为大小相等且互不重叠的矩形块;
2)对于每个图像块,计算它的傅里叶变换,从而得到幅度谱向量;
3)利用k-means聚类算法对所有的幅度谱向量进行聚类,得到若干聚类后的簇;
4)将每个簇中全部像素的强度平均值作为该簇的显著值,得到显著图。
3.根据权利要求1所述的一种基于显著性分析和背景先验的SAR图像居民区检测方法,其特征在于,所述步骤二的具体过程为:
1)利用基于水平集的分割方法,将输入SAR图像分割为若干超像素;
2)将SAR图像四条边界上的超像素视为可能属于背景的超像素候选区域;
3)计算每个可能属于背景的超像素候选区域与其它全部可能属于背景的超像素候选区域之间的差异Di,i=1,2,3...,并计算上述差异的平均值将Di值小于的可能属于背景的超像素候选区域视为真正属于背景的超像素;
5)分别计算初始背景先验图中前景和背景的平均强度值,若背景的平均强度值大于前景的平均强度值,则将前景置为背景,背景置为前景,最终得到背景先验图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548709.8A CN110310263B (zh) | 2019-06-24 | 2019-06-24 | 一种基于显著性分析和背景先验的sar图像居民区检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548709.8A CN110310263B (zh) | 2019-06-24 | 2019-06-24 | 一种基于显著性分析和背景先验的sar图像居民区检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310263A CN110310263A (zh) | 2019-10-08 |
CN110310263B true CN110310263B (zh) | 2020-12-01 |
Family
ID=68077345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548709.8A Active CN110310263B (zh) | 2019-06-24 | 2019-06-24 | 一种基于显著性分析和背景先验的sar图像居民区检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310263B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986378B (zh) * | 2020-07-30 | 2022-06-28 | 长城信息股份有限公司 | 一种票据彩色纤维丝检测方法和系统 |
CN112163589B (zh) * | 2020-11-10 | 2022-05-27 | 中国科学院长春光学精密机械与物理研究所 | 一种图像处理方法、装置、设备及存储介质 |
CN112348117A (zh) * | 2020-11-30 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 场景识别方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914834A (zh) * | 2014-03-17 | 2014-07-09 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
CN105005761A (zh) * | 2015-06-16 | 2015-10-28 | 北京师范大学 | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 |
CN106327507A (zh) * | 2016-08-10 | 2017-01-11 | 南京航空航天大学 | 一种基于背景和前景信息的彩色图像显著性检测方法 |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102576412B (zh) * | 2009-01-13 | 2014-11-05 | 华为技术有限公司 | 图像处理以为图像中的对象进行分类的方法和系统 |
CN103177458B (zh) * | 2013-04-17 | 2015-11-25 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
CN107392884A (zh) * | 2017-06-05 | 2017-11-24 | 镇江苏仪德科技有限公司 | 一种基于图像处理的单色织物疵点区域的识别与提取方法 |
CN108154150B (zh) * | 2017-12-18 | 2021-07-23 | 北京工业大学 | 一种基于背景先验的显著性检测方法 |
-
2019
- 2019-06-24 CN CN201910548709.8A patent/CN110310263B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914834A (zh) * | 2014-03-17 | 2014-07-09 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
CN105005761A (zh) * | 2015-06-16 | 2015-10-28 | 北京师范大学 | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 |
CN106327507A (zh) * | 2016-08-10 | 2017-01-11 | 南京航空航天大学 | 一种基于背景和前景信息的彩色图像显著性检测方法 |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
Non-Patent Citations (1)
Title |
---|
"基于显著性分析的自适应遥感图像融合";张立保等;《中国激光》;20150131;第42卷(第1期);第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110310263A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN107016677B (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN108399424B (zh) | 一种点云分类方法、智能终端及存储介质 | |
CN109635789B (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN108830883B (zh) | 基于超像素结构的视觉注意sar图像目标检测方法 | |
CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN104881670A (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
Cobb et al. | Multi-image texton selection for sonar image seabed co-segmentation | |
Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation | |
CN115205678A (zh) | 一种sar图像建筑物快速提取方法 | |
CN115512310A (zh) | 一种基于视频监控下车脸特征的车型识别方法及系统 |
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 |