CN110738106A - 一种基于fpga的光学遥感图像船舶检测方法 - Google Patents
一种基于fpga的光学遥感图像船舶检测方法 Download PDFInfo
- Publication number
- CN110738106A CN110738106A CN201910838858.8A CN201910838858A CN110738106A CN 110738106 A CN110738106 A CN 110738106A CN 201910838858 A CN201910838858 A CN 201910838858A CN 110738106 A CN110738106 A CN 110738106A
- Authority
- CN
- China
- Prior art keywords
- image
- run
- remote sensing
- connected domain
- target candidate
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000003287 optical effect Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于FPGA的光学遥感图像船舶检测方法，主要包括：输入遥感图像，并将该光学遥感图像由RGB空间转换到灰度空间；然后，对已经转化为灰度图的图像进行预处理，通过自适应中值滤波去除图像中的噪声，并采用形态学Top‑hat算子进行抑制背景信息处理，之后对图像进行局部自适应阈值分割后提取图像中的目标候选区域，并统计它们的几何特征组成特征集；根据先验知识，利用投票法对目标候选区域的特征集进行判断，从而剔除虚警，最终得到目标信息。本发明利用FPGA作为硬件加速平台，在有限的资源条件下实现一种光学遥感图像中船舶检测的方法，满足卫星遥感领域对目标检测的实时性、便携性和芯片小型化等要求。
Description
技术领域
本发明属于遥感图像处理及目标检测技术领域，更进一步是一种基于现场可编程门阵列FPGA(Field－Programmable Gate Array)的光学遥感图像船舶检测方法。
背景技术
利用遥感图像对船舶目标进行检测的技术在民用和军用领域受到越来越多的重视。相比于SAR图像，光学遥感图像具有其直观性强、解译容易、细节丰富等优点，近年来被广泛用于船舶检测。
综合国内外的研究进展，基于光学遥感图像的船舶检测大多采用由粗到精的策略，主要流程为：图像预处理，海陆分离，目标候选区域提取，目标识别确认。预处理阶段对原始遥感图像进行滤波以降低噪声，常用的滤波器包括维纳滤波器和中值滤波器。海陆分离阶段对包含陆地的遥感图像进行分割以排除陆地信息的干扰，常用方法可分为阈值分割法和边缘特征分割法。目标候选区域提取阶段将可能为船舶的区域提取出来，是对船舶目标的初步检测，常用方法有基于灰度统计的方法、基于显著性的方法、基于形状和纹理特征的方法、基于模板的方法、以及基于深度学习的方法。目标识别确认阶段根据候选区域的特征集是否达到标准来确认目标，剔除虚警，常用方法有基于学习的方法、基于先验知识的方法和模板匹配。
以上船舶检测过程往往在计算机上利用相关软件进行。而在卫星遥感领域，利用卫星检测海域的船舶，对实时性、便携性和芯片小型化等方面要求较高。
发明内容
针对上述现有技术，本发明提出了一种基于FPGA的光学遥感图像船舶检测方法，通过结合FPGA的特性对船舶检测的算法进行优化，使光学遥感图像中船舶的检测在FPGA上实现硬件加速，满足实时性、便携性和芯片小型化的要求。
为了解决上述技术问题，本发明提出的一种基于FPGA的光学遥感图像船舶检测方法，包括以下步骤：
步骤一、输入遥感图像，并将所述遥感图像转化为灰度图；
步骤二、对已经转化为灰度图的图像进行预处理，通过自适应中值滤波去除图像中的噪声；
步骤三、对步骤二处理过的图像采用形态学Top-hat算子抑制背景信息；
步骤四、将步骤三处理过的图像进行局部自适应阈值分割；
步骤五、标记连通域，并提取目标候选区域的几何特征，组成特征集；
步骤六、根据先验知识，利用投票法对目标候选区域的特征集进行判断，从而剔除虚警，确定船舶目标。
进一步讲，本发明所述的基于FPGA的光学遥感图像船舶检测方法，步骤五中，包括连通域标记和特征统计；所述连通域标记包括游程信息记录和连通游程标记合并，以游程为单位对像素进行批量处理，通过一次图像扫描完成连通域标记；统计的特征为连通域几何特征，包括面积特征、长宽比特征和致密性特征。
本发明中，所述连通域标记的过程是：二值图像以光栅扫描的方式逐个像素地输入到硬件电路中，以连续的两个像素数据为一组输入到游程信息记录模块；游程信息记录模块判断游程的开始和结束，生成游程标记，并将游程的标记、左右端点坐标与行坐标记录到存储器mem_a中；从记录到第二行的游程开始，连通游程标记合并模块判断当前行的游程与上一行的游程是否连通，将连通的游程进行标记合并，不连通的游程跳过。
本发明中，连通域特征提取模块读取游程信息与游程连通判断结果，如果已有连通域被记录完，则开始统计连通域几何特征；包括：
1)统计面积特征：通过统计标号相同的游程的长度之和，得到连通域所包含的像素总数，即为当前标号下目标候选区域的面积S；
2)统计长宽比特征：遍历存储器中的每个游程，对属于同一连通域的游程记录出现的最大最小行坐标和列坐标并不断刷新，直到该连通域的游程被遍历完成，得到初步的外接矩形；然后，计算此外接矩形的长宽比，若得到的值大于则以此值作为目标候选区域的长宽比特征；若得到的值小于等于
则将该外接矩形旋转45°，旋转后外接矩形为近似最小外接矩形；将该近似最小外接矩形的长宽比作为目标候选区域的长宽比特征；
3)提取致密性特征，通过计算目标候选区域的周长的平方与面积的比值得到该区域的致密性特征；
将得到的各个目标候选区域的特征集保存并与对应的目标候选区域的标记信号关联起来。
所述将外接矩形旋转45°的操作是，对该连通域中行坐标位于中间的游程提取其长度，以其值的为旋转后外接矩形的宽，以原外接矩形的对角线为旋转后外接矩形的长。
与现有技术相比，本发明的有益效果是：
本发明利用FPGA作为硬件加速平台，在有限的资源条件下实现一种光学遥感图像中船舶检测的方法，满足卫星遥感领域对目标检测的实时性、便携性和芯片小型化等要求。
附图说明
图1为本发明基于FPGA的光学遥感图像船舶检测方法的流程图；
图2为本发明所用硬件总体架构示意图；
图3为局部自适应分割模块设计框图；
图4为窗口缓存设计示例(5*5窗口)；
图5为求均值子模块示例(5*5窗口)；
图6为特征提取模块示例；
图7为连通域快速标记模块示例。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
本发明提出的一种基于FPGA的光学遥感图像船舶检测方法，整体流程如图1所示，主要包括：输入遥感图像，并将该光学遥感图像由RGB空间转换到灰度空间；然后，对已经转化为灰度图的图像进行预处理，通过自适应中值滤波去除图像中的噪声，并采用形态学Top-hat算子进行抑制背景信息处理，之后对图像进行局部自适应阈值分割后提取图像中的目标候选区域，并统计它们的几何特征组成特征集；根据先验知识，利用投票法对目标候选区域的特征集进行判断，从而剔除虚警，最终得到目标信息。
本发明采用Xilinx FPGA芯片，并在Vivado2014开发平台上进行算法设计和Verilog程序编写，设计的硬件结构如图2所示，其中，RAM存储调度模块对原图及其灰度图和二值图像进行存储，并与各个模块进行信息交互；RGB转灰度模块读取原遥感图像并将转换的灰度图写入RAM存储调度模块；自适应中值滤波模块读取灰度图进行去噪处理；Top-hat算子模块读取灰度图进行形态学处理；局部自适应阈值分割模块读取灰度图并转化为二值图像以完成分割，并将二值图像存储到RAM存储调度模块；特征提取模块包含两个子模块——连通域快速标记子模块和连通域特征提取子模块，该模块读取二值图像以统计目标候选区域的几何特征；判别与输出模块根据判断规则对候选区域的特征集进行判别，得到目标检测结果。具体步骤如下：
步骤1输入遥感图像并将其转化为灰度图。
将原始遥感图像的数据流存入RAM中，同时在RGB转灰度模块读入原遥感图像的数据，逐像素完成RGB图像向8bits灰度图像的转换，转换公式如下所示：
Grey＝(38*R+75*G+15*B)＞＞7 (1)
公式(1)利用移位运算完成灰度值计算，能有效避免浮点运算带来的计算复杂度和数据截断误差。
步骤2对图像进行预处理，采用自适应中值滤波去除图像中的噪声。
滤波窗口逐行扫描图像，每处理一个像素时，判断该像素是否是滤波窗口内领域像素的极值，如果是，则采用窗口内的中值替代其原值，如果不是，则保留该像素原值。
具体实现采用并行全比较排序法，其基本原理是在同一时刻完成所有数据与其他数据的比较结果。采用以面积换速度的设计原则，进行流水运算。经步骤1转化的灰度图的数据流传输到该模块，进入缓存单元，将窗口所包含的数据全部缓存后进入全比较单元进行比较和排序，最后输出经过处理的各个像素。
步骤3采用形态学Top-hat算子抑制背景信息。
Top-hat算子可以用来分离比背景亮的区域，起到抑制海面背景信息，突出船舶目标区域的作用。Top-hat变换是原图与其开运算之差，开运算是先将图像进行腐蚀运算，再进行膨胀运算。
膨胀的数学表达式如下：
g(x,y)＝max(I(x+i,y+i)),(i,j)∈Db (2)
腐蚀的数学表达式如下：
g(x,y)＝min(I(x+i,y+i)),(i,j)∈Db (3)
Db＝{(i,j)|-r≤i≤r,-r≤j≤r} (4)
其中，I(x,y)表示坐标为(x,y)处的输入图像像素值；g(x,y)表示坐标为(x,y)处的滤波结果输出；Db表示运算核的作用域，以当前像素为中心的矩形窗。
形态学操作具有并行操作，非常适合用FPGA来实现。Top-hat变换没有反馈环节，故采用流水线设计方式。具体实现是，经步骤2处理过的图像数据流被分别输入到缓存单元和开运算单元，待图像开运算完成后，对两者进行减运算，输出结果。
步骤4将图像进行局部自适应阈值分割。
局部自适应阈值分割根据像素邻域块的像素值分布来确定该像素点处的二值化阈值，可以有效规避光照不均匀带来的影响。采用局部邻域块的均值和局部邻域块的高斯加权和得到局部自适应阈值。局部自适应阈值分割的公式如下所示：
T＝μ+Kσ (5)
因为在FPGA上进行开方运算费时费力，故对不等式进行等价转换，将原算法转换为乘法和加法操作，如下所示：
具体设计的模块框图如图3所示，读取RAM存储器中的图像数据流到均值单元和缓存单元，计算当前窗口中心像素与均值之差的平方，将得到的结果与窗口像素数相乘。计算当前窗口内所有像素值与均值之差的平方和。其中，5*5窗口缓存子模块的设计如图4所示，采用FIFO和寄存器组成；求窗口均值子模块的设计如图5所示，将除法运算转换为移位运算和加法运算。比较上述两步的结果，完成分割并将二值图像写入RAM存储器中，二值图像中像素值为1的即为目标候选区域。
步骤5标记连通域，并提取候选区域的几何特征，组成特征集。
该步骤包括两个环节：连通域标记和特征统计，连通域标记又包括游程信息记录和连通游程标记合并两部分。如图6所示，为特征提取模块的设计框图，游程信息记录模块根据输入的读地址和连续的两个像素数据判断游程的开始点和结束点，并记录游程的信息；连通游程标记合并模块从游程信息记录模块读取已记录的游程信息并进行判断；连通域特征提取模块根据连通域游程标记合并模块的判断结果从游程信息记录模块中读取游程信息，提取特征并输出。图6虚线框中的连通域快速标记子模块的具体硬件设计如图7所示，存储器读写控制单元读取连续的两个像素数据，并判断游程的开始点和结束点，将当前游程的开始点和结束点的列坐标和行坐标写入mem_a存储器；根据行计数器信号的变化情况，mem_a存储器中的数据被读入存储器读写控制单元，通过连通域判别单元对游程间的连通情况进行判断及标记合并，并将合并的标记写入到mem_a存储器中，将判断结果输出。本发明设计的连通域快速标记模块，以游程为单位对像素进行批量处理，只进行一次图像扫描就完成连通域标记。
具体过程为，二值图像以光栅扫描的方式逐个像素地输入到硬件电路中，以连续的两个像素数据为一组输入到游程信息记录模块。游程信息记录模块判断游程的开始和结束，生成游程标记，并将游程的标记、左右端点坐标与行坐标记录到存储器mem_a中。从记录到第二行的游程开始，连通游程标记合并模块判断当前行的游程与上一行的游程是否连通，将连通的游程进行标记合并，不连通的游程跳过。之后，连通域特征提取模块读取游程信息与游程连通判断结果，如果已有连通域被记录完，则开始统计其特征。统计的特征为连通域几何特征，包括面积特征、长宽比特征和致密性特征。
1)统计面积特征。通过统计标号相同的游程的长度之和，得到连通域所包含的像素总数，即为当前标号下目标候选区域的面积S。
2)统计长宽比特征。主要是通过计算目标候选区域的最小外接矩形的长和宽之比得到该目标候选区域的长宽比R＝Ll/Ls。过程是，遍历存储器中的每个游程，对属于同一区域的游程记录出现的最大最小行坐标和列坐标并不断刷新，直到该区域的游程被遍历完成，得到初步的外接矩形。然后，计算此外接矩形的长宽比，若得到的值大于
则以此值作为目标候选区域的长宽比特征；若得到的值小于等于
则将该外接矩形旋转45°，旋转后外接矩形为近似最小外接矩形；将外接矩形旋转45°的操作是，先对该连通域中行坐标位于中间的游程提取其长度，以其值的
为旋转后外接矩形的宽，以原外接矩形的对角线为旋转后外接矩形的长，最终得到近似最小外接矩形。再计算该近似最小外接矩形的长宽比，以此作为目标候选区域的长宽比特征。
3)提取致密性特征。通过计算目标候选区域的周长的平方与面积的比值得到该区域的致密性特征Z＝C2/S，其中C表示候选区域的周长。
将得到的各个目标候选区域的特征集保存并与对应的目标候选区域的标记信号关联起来。
步骤6根据先验知识，利用投票法对目标候选区域的特征集进行判断，从而剔除虚警，确定船舶目标。
目标候选区域的各个特征中，面积的判决条件为Sl≤S≤Sh，其中Sl、Sh分别为面积的上下限。长宽比的判决条件为R≥Rt，其中Rt为长宽比的下限。致密性的判决条件为Z≥Zt，其中Zt为致密性的下限。利用投票法思想综合三种特征，进行判断。投票法是一种简单且具有一定鲁棒性的决策方法。当某一候选区域得到三票，即三个特征都满足判据条件，则判断该候选区域为船舶目标，否则判断该候选区域为虚警，予以剔除。
具体实现，读入经步骤5得到的各个候选区域的几何特征数据，对各个候选区域的特征集进行判断，若该候选区域的票数小于3，则将该区域判为虚警，予以剔除；若票数等于3，则将该区域判为船舶目标，输出该区域的最小外接矩形的四个顶点的坐标，并使目标计数器加1。最终输出所有船舶目标的最小外接矩形的顶点坐标和总的船舶数目，即目标计数器的数值。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。
Claims (5)
1.一种基于FPGA的光学遥感图像船舶检测方法，其特征在于，包括以下步骤：
步骤一、输入遥感图像，并将所述遥感图像转化为灰度图；
步骤二、对已经转化为灰度图的图像进行预处理，通过自适应中值滤波去除图像中的噪声；
步骤三、对步骤二处理过的图像采用形态学Top-hat算子抑制背景信息；
步骤四、将步骤三处理过的图像进行局部自适应阈值分割；
步骤五、标记连通域，并提取目标候选区域的几何特征，组成特征集；
步骤六、根据先验知识，利用投票法对目标候选区域的特征集进行判断，从而剔除虚警，确定船舶目标。
2.根据权利要求1所述的基于FPGA的光学遥感图像船舶检测方法，其特征在于，步骤五中，包括连通域标记和特征统计；
所述连通域标记包括游程信息记录和连通游程标记合并，以游程为单位对像素进行批量处理，通过一次图像扫描完成连通域标记；
统计的特征为连通域几何特征，包括面积特征、长宽比特征和致密性特征。
3.根据权利要求2所述的基于FPGA的光学遥感图像船舶检测方法，其特征在于，所述连通域标记的过程是：二值图像以光栅扫描的方式逐个像素地输入到硬件电路中，以连续的两个像素数据为一组输入到游程信息记录模块；游程信息记录模块判断游程的开始和结束，生成游程标记，并将游程的标记、左右端点坐标与行坐标记录到存储器mem_a中；从记录到第二行的游程开始，连通游程标记合并模块判断当前行的游程与上一行的游程是否连通，将连通的游程进行标记合并，不连通的游程跳过。
4.根据权利要求3所述的基于FPGA的光学遥感图像船舶检测方法，其特征在于，
连通域特征提取模块读取游程信息与游程连通判断结果，如果已有连通域被记录完，则开始统计连通域几何特征；包括：
1)统计面积特征：通过统计标号相同的游程的长度之和，得到连通域所包含的像素总数，即为当前标号下目标候选区域的面积S；
2)统计长宽比特征：遍历存储器中的每个游程，对属于同一连通域的游程记录出现的最大最小行坐标和列坐标并不断刷新，直到该连通域的游程被遍历完成，得到初步的外接矩形；然后，计算此外接矩形的长宽比，若得到的值大于
则以此值作为目标候选区域的长宽比特征；若得到的值小于等于
则将该外接矩形旋转45°，旋转后外接矩形为近似最小外接矩形；将该近似最小外接矩形的长宽比作为目标候选区域的长宽比特征；
3)提取致密性特征，通过计算目标候选区域的周长的平方与面积的比值得到该区域的致密性特征；
将得到的各个目标候选区域的特征集保存并与对应的目标候选区域的标记信号关联起来。
5.根据权利要求3所述的基于FPGA的光学遥感图像船舶检测方法，其特征在于，所述将外接矩形旋转45°的操作是，对该连通域中行坐标位于中间的游程提取其长度，以其值的
为旋转后外接矩形的宽，以原外接矩形的对角线为旋转后外接矩形的长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838858.8A CN110738106A (zh) | 2019-09-05 | 2019-09-05 | 一种基于fpga的光学遥感图像船舶检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838858.8A CN110738106A (zh) | 2019-09-05 | 2019-09-05 | 一种基于fpga的光学遥感图像船舶检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110738106A true CN110738106A (zh) | 2020-01-31 |
Family
ID=69268109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910838858.8A Pending CN110738106A (zh) | 2019-09-05 | 2019-09-05 | 一种基于fpga的光学遥感图像船舶检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738106A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353452A (zh) * | 2020-03-06 | 2020-06-30 | 国网湖南省电力有限公司 | 一种基于rgb图像的行为识别方法、装置、介质及设备 |
| CN111504971A (zh) * | 2020-05-11 | 2020-08-07 | 吉林大学 | 基于目标响应式3d打印模型与智能手机集成的2,4-二氯苯氧乙酸现场定量检测平台 |
| CN112926534A (zh) * | 2021-04-02 | 2021-06-08 | 北京理工大学重庆创新中心 | 一种基于变换域信息融合的sar图形船只目标检测方法 |
| CN114415142A (zh) * | 2022-01-28 | 2022-04-29 | 北京海兰信数据科技股份有限公司 | 一种基于导航雷达的雨杂波识别方法及系统 |
| CN115294478A (zh) * | 2022-07-28 | 2022-11-04 | 北京航空航天大学 | 一种应用于现代光电平台的空中无人机目标检测方法 |
| CN115589493A (zh) * | 2022-12-09 | 2023-01-10 | 深圳海卫通网络科技有限公司 | 一种用于船舶视频回传的卫星传输数据压缩方法 |
| CN115953335A (zh) * | 2023-03-14 | 2023-04-11 | 极限人工智能有限公司 | 图像中值滤波方法、系统、介质及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101499169A (zh) * | 2009-02-13 | 2009-08-05 | 北京中星微电子有限公司 | 一种扫描合并图像中的连通区域的方法和装置 |
| CN104574448A (zh) * | 2014-11-28 | 2015-04-29 | 浙江工商大学 | 一种连通像素块的识别方法 |
| WO2016112714A1 (zh) * | 2015-01-15 | 2016-07-21 | 江苏南大五维电子科技有限公司 | 一种船舶辅助泊岸方法和系统 |
| CN106529550A (zh) * | 2016-10-25 | 2017-03-22 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
| CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
| CN108876701A (zh) * | 2018-06-21 | 2018-11-23 | 西北工业大学 | 一种基于游程的单次扫描通域标记方法及其硬件结构 |
| 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 |
| CN109712158A (zh) * | 2018-11-23 | 2019-05-03 | 山东航天电子技术研究所 | 一种基于目标背景像元统计约束的红外小目标捕获方法 |
| CN109859178A (zh) * | 2019-01-18 | 2019-06-07 | 北京航空航天大学 | 一种基于fpga的红外遥感图像实时目标检测方法 |
-
2019
- 2019-09-05 CN CN201910838858.8A patent/CN110738106A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101499169A (zh) * | 2009-02-13 | 2009-08-05 | 北京中星微电子有限公司 | 一种扫描合并图像中的连通区域的方法和装置 |
| CN104574448A (zh) * | 2014-11-28 | 2015-04-29 | 浙江工商大学 | 一种连通像素块的识别方法 |
| WO2016112714A1 (zh) * | 2015-01-15 | 2016-07-21 | 江苏南大五维电子科技有限公司 | 一种船舶辅助泊岸方法和系统 |
| CN106529550A (zh) * | 2016-10-25 | 2017-03-22 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
| CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
| CN108876701A (zh) * | 2018-06-21 | 2018-11-23 | 西北工业大学 | 一种基于游程的单次扫描通域标记方法及其硬件结构 |
| 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 |
| CN109712158A (zh) * | 2018-11-23 | 2019-05-03 | 山东航天电子技术研究所 | 一种基于目标背景像元统计约束的红外小目标捕获方法 |
| CN109859178A (zh) * | 2019-01-18 | 2019-06-07 | 北京航空航天大学 | 一种基于fpga的红外遥感图像实时目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 常文萃;: "大型船舶水线面视觉图像检测自动化系统设计" * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353452A (zh) * | 2020-03-06 | 2020-06-30 | 国网湖南省电力有限公司 | 一种基于rgb图像的行为识别方法、装置、介质及设备 |
| CN111504971A (zh) * | 2020-05-11 | 2020-08-07 | 吉林大学 | 基于目标响应式3d打印模型与智能手机集成的2,4-二氯苯氧乙酸现场定量检测平台 |
| CN112926534A (zh) * | 2021-04-02 | 2021-06-08 | 北京理工大学重庆创新中心 | 一种基于变换域信息融合的sar图形船只目标检测方法 |
| CN112926534B (zh) * | 2021-04-02 | 2023-04-28 | 北京理工大学重庆创新中心 | 一种基于变换域信息融合的sar图形船只目标检测方法 |
| CN114415142A (zh) * | 2022-01-28 | 2022-04-29 | 北京海兰信数据科技股份有限公司 | 一种基于导航雷达的雨杂波识别方法及系统 |
| CN115294478A (zh) * | 2022-07-28 | 2022-11-04 | 北京航空航天大学 | 一种应用于现代光电平台的空中无人机目标检测方法 |
| CN115294478B (zh) * | 2022-07-28 | 2024-04-05 | 北京航空航天大学 | 一种应用于现代光电平台的空中无人机目标检测方法 |
| CN115589493A (zh) * | 2022-12-09 | 2023-01-10 | 深圳海卫通网络科技有限公司 | 一种用于船舶视频回传的卫星传输数据压缩方法 |
| CN115589493B (zh) * | 2022-12-09 | 2023-03-14 | 深圳海卫通网络科技有限公司 | 一种用于船舶视频回传的卫星传输数据压缩方法 |
| CN115953335A (zh) * | 2023-03-14 | 2023-04-11 | 极限人工智能有限公司 | 图像中值滤波方法、系统、介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738106A (zh) | 一种基于fpga的光学遥感图像船舶检测方法 | |
| CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
| CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
| CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
| CN106815583B (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
| CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
| CN114627052A (zh) | 一种基于深度学习的红外图像漏气漏液检测方法及系统 | |
| CN111915628A (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
| CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
| CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
| CN111223083A (zh) | 表面划痕检测神经网络的构建方法、系统、装置及介质 | |
| CN111626145B (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
| CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
| CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及系统 | |
| CN116704516A (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
| CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
| CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
| CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
| CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
| CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
| Gui et al. | A fast caption detection method for low quality video images | |
| CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和系统 | |
| CN116452809A (zh) | 一种基于语义分割的线条物体提取方法 | |
| CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
| CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200131 |