CN110378186A - Sar遥感图像舰船目标虚警剔除的方法 - Google Patents
Sar遥感图像舰船目标虚警剔除的方法 Download PDFInfo
- Publication number
- CN110378186A CN110378186A CN201910223593.0A CN201910223593A CN110378186A CN 110378186 A CN110378186 A CN 110378186A CN 201910223593 A CN201910223593 A CN 201910223593A CN 110378186 A CN110378186 A CN 110378186A
- Authority
- CN
- China
- Prior art keywords
- ship target
- doubtful
- interest
- palace
- doubtful ship
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种SAR遥感图像舰船目标虚警剔除的方法,具体过程为:获取SAR图像中各疑似舰船目标的围合四界,按照围合四界从SAR图像中截取各疑似舰船目标的感兴趣区域切片,用其他各疑似舰船目标的围合四界进行屏蔽、裁剪、特征提取;用所提取特征值与预设阈值的判定域进行比较判定,如果是判定域,则进一步判定是否为舰船目标:若是,则疑似舰船目标为舰船目标,不剔除若否,则疑似舰船目标为虚警,进行剔除;如果不是判定域,则将裁减后的各疑似舰船目标感兴趣区域分为下一预设宫格,进行特征提取。本发明剔除SAR图像中的与舰船目标相似度高的虚警,从而有效降低了虚警率。
Description
技术领域
本发明涉及遥感图像处理技术领域,特别是涉及一种SAR遥感图像舰船目标虚警剔除的方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,简称SAR)遥感图像具有全天候、全天时、主动式、多频段、多极化、地表穿透能力、动目标检测能力等独特优势,已成为当今空间对地观测的重要手段,在军事侦察、地形测绘等领域发挥着非常重要的作用。利用SAR遥感图像对广域海洋舰船关注目标进行检测,在民用领域,可为海洋渔业管理提供及时的数据支撑。在军用领域内,可以快速的掌握争端海域内关注舰船目标态势,为军事决策提供高时效信息。
高分系统所获取的SAR遥感图像数据种类丰富,信息量巨大,由于SAR图像表征的是物体散射特性,辨别难,当前主要依靠判读员人工判读为主,步骤多、用时长;并且SAR遥感图像中舰船目标分布稀疏,由于舰船目标材质与上层建筑构造因素,通常具有高散射特性,在图像中表示为集中的亮点簇,而海洋背景灰度较暗,与目标对比度相对较高,虚警通常为岛屿与近岸的人工设施分布,其几何属性与邻域属性与目标差异较大。目前,多数检测算法在海陆分割和候选区提取阶段有较好的处理效果,疑似舰船目标的快速鉴别是舰船目标检测的难点。不同虚警类型与舰船目标特性差异不同,采用层次化的虚警剔除策略能高效的进行疑似舰船目标鉴别,但仍然存在较多与舰船目标外形、特征等极其相似的虚警难以剔除。
因此,目前需要本领域技术人员迫切解决的一个技术问题就是:如何能够创新地提出一种有效的SAR遥感图像舰船目标虚警剔除的方法,降低SAR遥感图像舰船目标检测的虚警率,从而满足实际应用的更多需求。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的SAR遥感图像舰船目标虚警剔除的方法,本发明实施例剔除SAR图像中的与舰船目标相似度高的虚警,从而有效降低了虚警率。
为了解决上述问题,本发明公开了一种SAR遥感图像舰船目标虚警剔除的方法,包括:
S101获取SAR图像中各疑似舰船目标的围合四界;
S102按照所获取的围合四界,从SAR图像中截取各疑似舰船目标的感兴趣区域切片;
S103对所截取的各疑似舰船目标的感兴趣区域切片,用其他各疑似舰船目标的围合四界进行屏蔽;
S104对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪;
S105将裁减后的各疑似舰船目标感兴趣区域分为第一预设宫格,并进行特征提取;
S106用所提取特征值与预设阈值的判定域进行比较判定:
S107如果是判定域,则进一步判定是否为舰船目标:S1071若是,则疑似舰船目标为舰船目标,不剔除;S1072若否,则疑似舰船目标为虚警,进行剔除;
S108如果不是判定域,则将裁减后的各疑似舰船目标感兴趣区域分为下一预设宫格,进行特征提取;并返回执行S106到S108;其中,第一预设宫格最小,下一预设宫格大于上一预设宫格。
可选的,所述进行特征提取包括:计算各宫格的所有像素值以及中心聚焦位置的所有像素值的和。
可选的,所述对所截取的各疑似舰船目标的感兴趣区域切片,用其他各疑似舰船目标的围合四界进行屏蔽,包括:依次遍历各疑似舰船目标感兴趣区域切片与其他各疑似舰船目标的围合四界,将有重叠的部分进行屏蔽。
可选的,所述感兴趣区域切片的大小为128*128像素或为256*256像素。
可选的,所述预设宫格有N个,按照从小到大顺序排列,N为大于1的整数。
可选的,所述对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪,裁剪的像素为N个预设宫格行数的最小公倍数。
可选的,所述将有重叠的部分进行屏蔽,包括:将各疑似舰船目标感兴趣区域切片与其他各疑似舰船目标的围合四界有重叠部分的像素值赋值为1;
计算各疑似舰船目标感兴趣区域切片内不为1的所有像素的平均值;
将重叠部分的像素值重新赋值为所计算的平均值。
可选的,所述预设宫格为4个,分别为3*3宫格、9*9宫格、18*18宫格和42*42宫格。
可选的,所述SAR图像的尺寸为4096×4096像素。
可选的,所述中心聚焦位置的大小为24*24像素或为48*48像素。
本发明实施例包括以下优点:
本发明实施例根据疑似舰船目标感兴趣区域的特性,对疑似舰船目标感兴趣区域进行屏蔽,对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪、宫格划分和特征提取,用所提取的特征值与预设阈值进行比较判定,完成对虚警的精细剔除,从而提高了舰船目标的检测率,降低了舰船目标检测的虚警率。
附图说明
图1是本发明的一种SAR遥感图像舰船目标虚警剔除的方法的实施例一的步骤流程图;
图2是本发明的一种SAR遥感图像舰船目标虚警剔除的方法的实施例二的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提出一种SAR遥感图像舰船目标虚警剔除的方法,实现本发明的核心思想是利用检测疑似舰船目标感兴趣区域(Region Of Interest,简称ROI)的特性剔除虚警,首先,舰船目标ROI中包含多个候选区时,进行多个候选区屏蔽,然后,对获得的疑似舰船目标ROI进行特征提取,用所提取的特征值与预设阈值进行比较判定,完成对虚警的精细剔除。
实施例一
参见图1,示出了本发明的一种SAR遥感图像舰船目标虚警剔除的方法的实施例一的步骤流程图,具体可以包括如下步骤:
步骤101,获取SAR图像中各疑似舰船目标的围合四界;
步骤102,按照所获取的围合四界,从SAR图像中截取各疑似舰船目标的感兴趣区域切片;
实例中,SAR图像的尺寸为4096×4096像素。根据舰船目标的大小,感兴趣区域切片的大小为128*128像素或为256*256像素,中心聚焦位置的大小为24*24像素或为48*48像素。具体的,感兴趣区域切片的大小为128*128像素时,其中心聚焦位置的大小为24*24像素;感兴趣区域切片的大小为256*256像素,其中心聚焦位置的大小为48*48像素。
步骤S103对所截取的各疑似舰船目标的感兴趣区域切片,用其他各疑似舰船目标的围合四界进行屏蔽;
具体实现时,依次遍历各疑似舰船目标感兴趣区域切片与其他各疑似舰船目标的围合四界,将有重叠的部分进行屏蔽:将各疑似舰船目标感兴趣区域切片与其他各疑似舰船目标的围合四界有重叠部分的像素值赋值为1;
计算各疑似舰船目标感兴趣区域切片内不为1的所有像素的平均值;
将重叠部分的像素值重新赋值为所计算的平均值。
举例说明,SAR图像中有100个疑似舰船目标,通过疑似舰船目标的围合四界,从SAR图像中截取出100个疑似舰船目标的感兴趣区域ROI切片。以第1个疑似舰船目标和第1个疑似舰船目标的感兴趣区域切片A为例,用第2到99个疑似舰船目标的围合四界,与第1个疑似舰船目标的感兴趣区域切片A进行比较,若有重叠部分,则在感兴趣区域切片A中将重叠部分进行屏蔽处理。对于有重叠部分的情况,称存在多个候选区。
步骤S104对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪;
步骤S105将裁剪后的各疑似舰船目标感兴趣区域分为第一预设宫格,并进行特征提取;
在实际应用中,预设宫格有N个,按照从小到大顺序排列,N为大于1的整数。所述对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪,裁剪的像素为N个预设宫格行数的最小公倍数。如:预设宫格数为4,分别3*3宫格、9*9宫格、18*18宫格和42*42宫格。对应的,对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪时,裁剪的像素为3、9、18和42最小公倍数126的整数倍,常见的是126*126像素或为252*252像素。
其中,所述进行特征提取包括:计算各宫格的所有像素值以及中心聚焦位置的所有像素值的和。
步骤S106用所提取特征值与预设阈值的判定域进行比较判定:
步骤S107如果是判定域,则进一步判定是否为舰船目标:
步骤S1071若是,则疑似舰船目标为舰船目标,不剔除;
步骤S1072若否,则疑似舰船目标为虚警,进行剔除;
步骤S108如果不是判定域,则将裁减后的各疑似舰船目标感兴趣区域分为下一预设宫格,进行特征提取;并返回执行S106到S108;其中,第一预设宫格最小,下一预设宫格大于上一预设宫格。
本实施例中,预设宫格数为4,分别为第一预设宫格3*3宫格、第一下一个预设宫格9*9宫格、第二下一预设宫格18*18宫格和第三下一预设宫格42*42宫格,虚警剔除处理中,通常先将疑似舰船目标感兴趣区域分为3*3宫格,提取的特征包括各宫格的所有像素值和中心聚焦位置的所有像素值的和,预设阈值通常设定有范围作为判定域,当所提取的特征属于当前预设阈值的判定域,则进行判定;当所提取的特征不属于当前预设阈值的判定域,则说明需要做进一步切割,此时,会将疑似舰船目标感兴趣区域分为9*9宫格,以此类推,直到按照预设宫格完成判定。按照本实施例的介绍对应的步骤S105为将裁减后的各疑似舰船目标感兴趣区域分为第一预设宫格3*3,并进行特征提取;同时还包括:S1081为将裁减后的各疑似舰船目标感兴趣区域分为第一下一个预设宫格9*9,并进行特征提取;S1082为将裁减后的各疑似舰船目标感兴趣区域分为第二下一预设宫格18*18,并进行特征提取;S1083为将裁减后的各疑似舰船目标感兴趣区域分为第三下一预设宫格42*42,并进行特征提取。
实施例二
参见图2,示出了本发明的一种SAR遥感图像舰船目标虚警剔除的方法的实施例二的流程示意图,具体处理过程如下:
S1:输入SAR图像的尺寸为4096×4096像素,获得该图像中各疑似舰船目标的坐标信息,即各疑似舰船目标的围合四界;
S2:对S1得到的疑似舰船目标的围合四界,在SAR图像中截取疑似舰船目标ROI,依据目标的大小,小目标ROI为128*128像素,大目标ROI为256*256像素。
S3:对S2得到的疑似舰船目标ROI切片进行多个候选区屏蔽:
S31:循环各个疑似舰船目标的围合四界,并与步骤S2中截取的疑似舰船目标ROI的边界进行比较,若疑似舰船目标ROI中,存在多个候选区域,则在疑似舰船目标ROI中,把和疑似舰船目标的围合四界重叠的部分置像素值为1;
S32:求步骤S31中得到的疑似舰船目标ROI中像素值不为1的所有像素的均值averageROI;
S33:步骤S31中得到的疑似舰船目标ROI中像素值为1的点,均重新赋值为averageROI;
S4:对S3得到的多个候选区屏蔽后的疑似舰船目标ROI进行裁剪,裁剪后的疑似舰船目标ROI切片(BlockSamp)分别为:小船ROI切片去掉四条边最外侧的两行两列,大小为126*126像素,大船ROI切片去掉四条边最外侧的四行四列,大小为252*252像素;
S5:把S4获得的裁剪后的疑似舰船目标ROI切片(BlockSamp)分成3*3宫格,并进行特征提取:
S51:把S4获得的裁剪后的疑似舰船目标ROI切片(BlockSamp)等分成3*3的小块,并计算每个小块的所有像素值的和宫格特征值(Gray9TileMean);
S52:计算S4获得的裁剪后的疑似舰船目标ROI BlockSamp的中心聚焦位置的所有像素值的和,其中小船ROI切片的中心聚焦位置大小为24*24,大船ROI切片的中心聚焦位置大小为48*48;
S53:步骤S51以及步骤S52中所计算的特征值,与固定阈值进行比较,判断采用当前宫格是否可行,若是,再进一步判断疑似舰船目标ROI BlockSamp是否为舰船目标;
S54:输出疑似目标判断结果(Context_Flag_FAR),该值为1时,表明该疑似舰船目标ROI为虚警,进场剔除,该值为0时,表明该疑似舰船目标ROI为舰船目标,不剔除;
在S5采用3*3的宫格不可行时,执行S6
S6:把S4获得的裁剪后的疑似舰船目标ROI分成9*9宫格,并进行特征提取;
S61:把S4获得的裁剪后的疑似舰船目标ROI BlockSamp等分成9*9的小块,并计算每个小块的所有像素值的和Gray9TileMean;
S62:重复步骤S52到S54;
在S6采用9*9宫格不可行时,执行S7
S7:把S4获得的裁剪后的疑似舰船目标ROI分成18*18宫格,并进行特征提取;
S71:把S4获得的裁剪后的疑似舰船目标ROI BlockSamp等分成18*18的小块,并计算每个小块的所有像素值的和Gray9TileMean;
S72:重复步骤S52到S54;
在S7采用18*18宫格不可行时,执行S8
S8:把S4获得的裁剪后的疑似舰船目标ROI分成42*42宫格,并进行特征提取;
S81:把S4获得的裁剪后的疑似舰船目标ROI BlockSamp等分成42*42的小块,并计算每个小块的所有像素值的和Gray9TileMean;
S82:重复步骤S52到S54;
基于上述过程,实现对疑似舰船目标的ROI进行判别;将最终判断结果进行输出。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制
以上所述仅为本发明的较佳实施例,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。
以上对本发明所提供的一种SAR遥感图像舰船目标虚警剔除的方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种SAR遥感图像舰船目标虚警剔除的方法,其特征在于,包括:
S101获取SAR图像中各疑似舰船目标的围合四界;
S102按照所获取的围合四界,从SAR图像中截取各疑似舰船目标的感兴趣区域切片;
S103对所截取的各疑似舰船目标的感兴趣区域切片,用其他各疑似舰船目标的围合四界进行屏蔽;
S104对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪;
S105将裁减后的各疑似舰船目标感兴趣区域分为第一预设宫格,并进行特征提取;
S106用所提取特征值与预设阈值的判定域进行比较判定:
S107如果是判定域,则进一步判定是否为舰船目标:S1071若是,则疑似舰船目标为舰船目标,不剔除;S1072若否,则疑似舰船目标为虚警,进行剔除;
S108如果不是判定域,则将裁减后的各疑似舰船目标感兴趣区域分为下一预设宫格,进行特征提取;并返回执行S106到S108;其中,第一预设宫格最小,下一预设宫格大于上一预设宫格。
2.根据权利要求1所述的方法,其特征在于,所述进行特征提取包括:
计算各宫格的所有像素值以及中心聚焦位置的所有像素值的和。
3.根据权利要求1所述的方法,其特征在于,所述对所截取的各疑似舰船目标的感兴趣区域切片,用其他各疑似舰船目标的围合四界进行屏蔽,包括:
依次遍历各疑似舰船目标感兴趣区域切片与其他各疑似舰船目标的围合四界,将有重叠的部分进行屏蔽。
4.根据权利要求1至3任一所述的方法,其特征在于,所述感兴趣区域切片的大小为128*128像素或为256*256像素。
5.根据权利要求4所述的方法,其特征在于,所述预设宫格有N个,按照从小到大顺序排列,N为大于1的整数。
6.根据权利要求5所述方法,其特征在于,所述对屏蔽后的各疑似舰船目标感兴趣区域进行裁剪,裁剪的像素为N个预设宫格行数的最小公倍数的整数倍。
7.根据权利要求3所述的方法,其特征在于,所述将有重叠的部分进行屏蔽,包括:
将各疑似舰船目标感兴趣区域切片与其他各疑似舰船目标的围合四界有重叠部分的像素值赋值为1;
计算各疑似舰船目标感兴趣区域切片内不为1的所有像素的平均值;
将重叠部分的像素值重新赋值为所计算的平均值。
8.根据权利要求5所述的方法,其特征在于,所述预设宫格为4个,分别为3*3宫格、9*9宫格、18*18宫格和42*42宫格。
9.根据权利要求4所述的方法,其特征在于,所述SAR图像的尺寸为4096×4096像素。
10.根据权利要求4所述的方法,其特征在于,所述中心聚焦位置的大小为24*24像素或为48*48像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223593.0A CN110378186B (zh) | 2019-03-22 | 2019-03-22 | Sar遥感图像舰船目标虚警剔除的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223593.0A CN110378186B (zh) | 2019-03-22 | 2019-03-22 | Sar遥感图像舰船目标虚警剔除的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378186A true CN110378186A (zh) | 2019-10-25 |
CN110378186B CN110378186B (zh) | 2021-09-24 |
Family
ID=68248399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910223593.0A Active CN110378186B (zh) | 2019-03-22 | 2019-03-22 | Sar遥感图像舰船目标虚警剔除的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378186B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220956A (zh) * | 2019-11-08 | 2020-06-02 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN113688682A (zh) * | 2021-07-23 | 2021-11-23 | 北京理工雷科电子信息技术有限公司 | 一种基于改进fcn深度网络的杂波辨识与目标检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020592A (zh) * | 2012-11-22 | 2013-04-03 | 北京大学 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
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 |
CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
CN108446707A (zh) * | 2018-03-06 | 2018-08-24 | 北方工业大学 | 基于关键点筛选及dpm确认的遥感图像飞机检测方法 |
CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
-
2019
- 2019-03-22 CN CN201910223593.0A patent/CN110378186B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020592A (zh) * | 2012-11-22 | 2013-04-03 | 北京大学 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
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 |
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 |
CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
CN108446707A (zh) * | 2018-03-06 | 2018-08-24 | 北方工业大学 | 基于关键点筛选及dpm确认的遥感图像飞机检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
Non-Patent Citations (3)
Title |
---|
QINGPENG LI ET.AL: "Hierarchical Region Based Convolution Neural Network for Multiscale Object Detection in Remote Sensing Images", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
樊庆聚: "星载SAR图像海上舰船目标检测与鉴别技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
高立宁 等: "一种光学遥感图像海面舰船检测算法", 《清华大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220956A (zh) * | 2019-11-08 | 2020-06-02 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN111220956B (zh) * | 2019-11-08 | 2021-11-09 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN113688682A (zh) * | 2021-07-23 | 2021-11-23 | 北京理工雷科电子信息技术有限公司 | 一种基于改进fcn深度网络的杂波辨识与目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110378186B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xuan et al. | An improved canny edge detection algorithm | |
Kang et al. | A modified faster R-CNN based on CFAR algorithm for SAR ship detection | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
CN109583293A (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN106803070A (zh) | 一种基于遥感图像的港口区域舰船目标变化检测方法 | |
CN110378186A (zh) | Sar遥感图像舰船目标虚警剔除的方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
Tang et al. | Research on infrared ship detection method in sea-sky background | |
Corbane et al. | Fully automated procedure for ship detection using optical satellite imagery | |
CN110084104A (zh) | 基于高斯金字塔光流进行舰船动目标检测的方法 | |
CN107862271A (zh) | 一种舰船目标的检测方法 | |
Pastina et al. | Detection of ship targets in COSMO-SkyMed SAR images | |
Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Liang et al. | Research on airport runway FOD detection algorithm based on texture segmentation | |
CN112435249B (zh) | 一种基于周扫红外搜索系统的动态小目标检测方法 | |
CN109509201A (zh) | 一种sar图像质量评价方法和装置 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
Haigang et al. | A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model | |
Zhang et al. | Background suppression algorithm for infrared images based on Robinson guard filter | |
Yu et al. | A deep learning-based SAR ship detection | |
Li et al. | Ship detection based on surface fitting modeling for large range background of ocean images | |
Wu | Two-parameter CFAR ship detection algorithm based on Rayleigh distribution in SAR images |
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 |