CN110852992A - 一种基于顶帽变换和Radon变换的船只尾迹检测方法 - Google Patents
一种基于顶帽变换和Radon变换的船只尾迹检测方法 Download PDFInfo
- Publication number
- CN110852992A CN110852992A CN201910962788.7A CN201910962788A CN110852992A CN 110852992 A CN110852992 A CN 110852992A CN 201910962788 A CN201910962788 A CN 201910962788A CN 110852992 A CN110852992 A CN 110852992A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- point
- trail
- structural element
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 51
- 229910052704 radon Inorganic materials 0.000 title claims abstract description 44
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000005530 etching Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于顶帽变换和Radon变换的船只尾迹检测方法,所述方法包括:获取原始图像,基于顶帽变换对原始图像进行处理,得到对比度提升的图像;将对比度提升的图像进行Radon变换,提取峰值点,获取尾迹位置信息,并在图像中标记尾迹。本发明的方法对亮尾迹及暗尾迹均有对比度提升效果,并且可以将暗尾迹的暗线特征转为亮线特征;将对比度提升后的图像进行Radon变换,其Radon变换域中峰值点得到凸显,从而提高了对船只尾迹的检测性能;本发明的方法可应用于天宫二号宽刈幅三维成像微波高度计图像中船只尾迹检测。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于顶帽变换和Radon变换的船只尾迹检测方法。
背景技术
天宫二号微波高度计(Tiangong-2 interferometric imaging radaraltimeter,InIRA)是国际上第一个可以同时实现宽刈幅海面高度测量和进行三维成像以及二维成像的微波高度计,不同于普通的合成孔径雷达(synthetic aperture Radar,SAR)大入射角的特点,其入射角为1°至8°(参考文献[1]:Y.Zhang et al.,“Demonstration ofocean target detection by Tiangong-2 interferometric imaging radaraltimeter,”MIKON 2018-22nd Int.Microw.Radar Conf.,no.2,pp.261–264,2018.)。在InIRA图像中,可以观测到大量的船只尾迹,而检测船只尾迹可以定位船只位置,获取航向,推算航速等,对海域监管起着重大的作用。
船只尾迹为船只在水面驶过后留下的痕迹,在InIRA图像中表现为暗线或者亮线,因此可以用Radon变换进行尾迹检测(参考文献[2]:J.Radon,“On the determination offunctions from their integral values along certain manifolds,”IEEE T MedImaging,vol.5,no.4,pp.170-176,Dec 1986)。Radon变换是将原图沿不同方向的直线进行积分得到的,其定义为:
其中ρ为图像中心点,即原点到待检测直线的距离,θ为待检测直线的垂线与x轴的夹角,f(x,y)为图像中坐标为(x,y)的点的像素值。对图像中所有可能的(ρ,θ)遍历,即可得到Radon变换域。若图像域中有亮线,那么Radon变换域中会有对应的峰值点;若图像域中有暗线,那么Radon变换域中会有对应的谷值点。因此,检测图像域中的尾迹即可转化为检测Radon变换域中的峰值点或谷值点。
但是,真实的InIRA图像中,尾迹与背景的对比度往往很低,在高海况的情况下,背景灰度值分布不均匀,明暗变化强烈,尾迹对应的峰值点或者谷值点难以在Radon变换域中获取。因此,若要提升检测效果,可以从两个方面进行改进:一个是改进Radon变换或者对Radon变换域进行操作,以获取尾迹对应的峰值点或谷值点;或者是对原图像进行操作,以抑制噪声,提高尾迹和背景的对比度。但是,对Radon变换改进或对Radon变换域进行操作并不是在根本上解决问题,效果难以令人满意,如使用局部Radon变换(参考文献[3]:Copeland A C,Ravichandran G,Trivedi M M.Localized Radon transform-baseddetection of ship wakes in SAR images[J].IEEE Transactions on Geoscience andRemote Sensing,1995,33(1):0-45.),虽然能解决Radon变换全局性的缺点,但还是会受到背景的干扰;也有在Radon变换域中进行数学形态学操作的(参考文献[3]:王世庆,金亚秋.SAR图像船行尾迹检测的Radon变换和形态学图像处理技术[J].遥感学报,2001,5(4).);但是当背景与尾迹对比度低时,也难以获取准确的检测结果。因此,若要从根本上提升检测准确度,就要提升尾迹和背景的对比度,使尾迹和背景更易区分开。
发明内容
本发明的目的在于克服上述技术缺陷,提出了一种基于顶帽变换的船只尾迹背景对比度提升方式,并结合了Radon变换检测尾迹,该方法能够在保留尾迹线性特征的同时降低背景灰度值,显著提升尾迹与背景的对比度,可以解决尾迹与背景对比度低造成的尾迹难以被检测出来的问题,尤其对线条较粗的尾迹有极好的效果,对比度提升后的图像的Radon变换域中峰值点会更明显,更有利于尾迹检测。
为实现上述目的,本发明提出了一种基于顶帽变换和Radon变换的船只尾迹检测方法,所述方法包括:
获取原始图像,基于顶帽变换对原始图像进行处理,得到对比度提升的图像;
将对比度提升的图像进行Radon变换,提取峰值点,获取尾迹位置信息,并在图像中标记尾迹。
作为上述方法的一种改进,所述获取原始图像,基于顶帽变换对原始图像进行处理,得到对比度提升的图像,具体包括:
获取原始图像,对原始图像进行中值滤波;
对于进行过中值滤波的原始图像像素点(i,j),选取其7×7邻域窗口,将该邻域窗口分割为九个3×3的重叠窗口,分别计算九个重叠窗口的平均值,并按相应位置组成3×3的平均值矩阵;
将四个边缘检测算子分别与其平均值矩阵做互相关,得到四个值;根据四个值中最大值,获取该像素点的边缘特性,根据边缘特性选取相应的结构元素;选取该像素点的5×5邻域作为顶帽变换的窗口,用选取的结构元素进行顶帽变换,并选取变换后窗口中心点的3×3邻域中的最小值作为对比度提升后的像素值,作为对比度提升的图像中(i,j)点的像素值。
作为上述方法的一种改进,所述对原始图像进行中值滤波,具体为:
原始图像中任一点(a,b)的值为F(a,b),中值滤波后该点的值为M(a,b):
M(a,b)=median(F(a-1,b-1),F(a,b-1),F(a+1,b-1),F(a,b-1),
F(a-1,b),F(a+1,b),F(a,b),F(a-1,b+1),F(a,b+1),F(a+1,b+1))
其中,median为取中值操作,当(a,b)超出图像域时,进行补零插值。
作为上述方法的一种改进,所述将四个边缘检测算子分别与其平均值矩阵做互相关,得到四个值,具体包括:
四个边缘算子T1、T2、T3以及T4分别为:
中值滤波后的图像在(i,j)点处的值为M(i,j),该点对应的3×3的平均值矩阵为Gi,j,则将四个边缘算子分别与Gi,j做互相关,得到四个值,分别记为N1、N2、N3以及N4:
作为上述方法的一种改进,所述根据四个值中最大值,获取该像素点的边缘特性,根据边缘特性选取相应的结构元素,具体包括:
当N1,N2,N3和N4中最大值为N1时,结构元素S1为:
当N1,N2,N3和N4中最大值为N2时,结构元素S2为:
当N1,N2,N3和N4中最大值为N3时,结构元素S3为:
当N1,N2,N3和N4中最大值为N4时,结构元素S4为:
作为上述方法的一种改进,所述选取该像素点的5×5邻域作为顶帽变换的窗口,用选取的结构元素进行顶帽变换,并选取变换后窗口中心点的3×3邻域中的最小值作为对比度提升后的像素值,作为对比度提升的图像中(i,j)点的像素值,具体为:
对于图像的像素点(i,j),选取该像素点的5×5邻域为窗口W,选取的结构元素为S进行顶帽变换后的窗口记为H:
其中,DS为结构元素的定义域,S(x′,y′)为结构元素S在(x′,y′)处的值,1≤x′≤7,1≤y′≤7;W(x,y)表示窗口W在(x,y)点处的像素值;1≤x≤5,1≤y≤5;
选取H的中心点的3×3邻域中最小值作为对比度提升后的图像像素点(i,j)的值。
本发明的技术优势在于:
1、本发明的方法对亮尾迹及暗尾迹均有对比度提升效果,并且可以将暗尾迹的暗线特征转为亮线特征;将对比度提升后的图像进行Radon变换,其Radon变换域中峰值点得到凸显,从而提高了对船只尾迹的检测性能;
2、应用了本发明的方法后,对于亮尾迹来说,可以降低背景灰度值,并锐化尾迹,从而提升对比度;对于暗尾迹来说,可以降低背景灰度值,并提升暗尾迹边缘像素点和灰度值,将其转化为亮线特征,并提升对比度;
3、在本发明的方法中,亮尾迹以及暗尾迹均表现为亮线特征,便于自动检测;
4、本发明的方法应用于天宫二号宽刈幅三维成像微波高度计(Tiangong-2interferometric imaging radar altimeter,InIRA)图像中船只尾迹检测。
附图说明
图1为本发明的基于顶帽变换和Radon变换的船只尾迹检测方法的流程图;
图2为Tiangong-2InIRA图像;
图3为本发明的由7×7矩阵构造3×3矩阵示意图;
图4为对比度提升后的图像;
图5(a)为原始图像的Radon变换域的图像形式示意图;
图5(b)为原始图像的Radon变换域的曲线形式示意图;
图6(a)为对比度提升后图像的Radon变换域的图像形式示意图;
图6(b)为对比度提升后图像的Radon变换域的曲线形式示意图;
图7为标记好尾迹位置的图像。
具体实施方式
下面结合附图对本发明的技术方案进行详细的说明。
如图1所示,本发明提出了一种基于顶帽变换和Radon变换的船只尾迹检测方法,包含以下步骤:
步骤1)获取原始图像,并对原始图像进行中值滤波:从进行过中值滤波的图像的第(4,4)个像素点作为操作对象点;
步骤2)将该操作对象点的7×7邻域作为邻域窗口,将该邻域窗口分割为九个3×3的重叠窗口,分别计算九个重叠窗口的平均值,并按相应位置组成3×3的平均值矩阵;
步骤3)将四个边缘检测算子分别与该平均值矩阵做相关,得到四个值;
步骤4)根据四个值中最大值,获取对象点的边缘特性,根据边缘特性选取相应的结构元素;
步骤5)选取对象点的5×5邻域作为顶帽变换的窗口,用上一步中选取的结构元素进行顶帽变换,并选取变换后的窗口的中心点的3×3邻域中的最小值作为对比度提升后的像素值;
步骤6)令i=i+1,j=j+1;
步骤7)判断i<M-2,j<N-2是否都成立,其中,M和N分别为图像的横向和纵向的像素总数;如果都不成立,则进入步骤8),否则,将(i,j)作为操作对象点,转入步骤2);
步骤8)完成逐点扫描,逐点操作后即获取到对比度提升后的图像,将图像进行Radon变换;
步骤9)在Radon变换域中提取峰值点,获取尾迹位置信息,并在图像中标记尾迹。
为了展示本发明的有效性,下面结合一幅如图2所示的Tiangong-2InIRA图像进行说明,如图所示,尾迹为亮尾迹,图像左侧灰度值偏大,右侧灰度值偏小,尾迹与背景对比度较低。若想准确地定位尾迹,需要提升对比度,具体实施过程如下:
步骤1:将原始图像记为F,将对比度提升后的图像记为I,对F其进行中值滤波,以平滑图像,得到M;
原始图像中任一点(a,b)的值为F(a,b),中值滤波后该点的值为M(a,b):
M(a,b)=median(F(a-1,b-1),F(a,b-1),F(a+1,b-1),F(a,b-1),
F(a-1,b),F(a+1,b),F(a,b),F(a-1,b+1),F(a,b+1),F(a+1,b+1))
其中,median为取中值操作,当(a,b)超出图像域时,进行补零插值。
步骤2:将进行过中值滤波的图像进行逐点操作,以图像中的M(i,j)点为例,进行说明,选取该点的7×7邻域,将该邻域窗口分割为九个3×3的重叠窗口,分割方式如图3所示,分别计算九个重叠窗口的平均值,并按相应位置组成3×3的平均值矩阵;
步骤3:用边缘算子获取F(i,j)的边缘信息,四个边缘算子T1、T2、T3以及T4分别为:
将四个边缘算子分别与3×3的平均值矩阵做相关,得到四个值,分别记为N1、N2、N3以及N4。
步骤4:根据F(i,j)的边缘特性,选取相应顶帽变换的结构元素。最大值分别N1、N2、N3以及N4时,结构元素分别为S1,S2,S3和S4:
步骤5:选取M(i,j)点的5×5邻域作为顶帽变换的窗口并用上一步选取的结构元素进行顶帽变换。
顶帽变换为数学形态学中的一种操作,由膨胀和腐蚀组合而成,常用来解决成像时不均匀光照造成的影响,均匀背景灰度值。对于图像的像素点(i,j),选取该像素点的5×5邻域为窗口W,选取的结构元素为S进行顶帽变换后的窗口记为H:
其中,DS为结构元素的定义域,S(x′,y′)为结构元素S在(x′,y′)处的值,1≤x′≤7,1≤y′≤7;W(x,y)表示窗口W在(x,y)点处的像素值;1≤x≤5,1≤y≤5;
选取H的中心点的3×3邻域中最小值作为对比度提升后的图像像素点(i,j)的值,即I(i,j)的值;H为顶帽变换后的图像;顶帽变换可以解决光学图像中光照不均匀的问题,而在此可用于解决船只尾迹识别时背景灰度值分布不均的问题。同时,选取适当的结构元素还可以提取相应直线特性,因此可以保留尾迹的直线特性。
步骤6:完成逐点扫描,逐点操作后,得到对比度提升后的图像I,对I进行Radon变换得到其Radon变换域,在Radon变换域中获取峰值点,根据峰值点信息获得尾迹位置信息,在图像中标记出尾迹信息。
如图2为原始图像,图4为经过对比度提升后的图像,对比两图,可以发现,图4中的背景灰度值显著降低,同时尾迹锐利度也有提升。如图5(a)和图5(b)为原图的Radon变换域,其中图5(a)为变换域的图像形式,图5(b)为变换域的曲线形式,由于背景尾迹对比度偏低,难以获取尾迹对应的峰值点,因此直接对原图进行检测难以识别出尾迹的位置。如图6(a)和图6(b)为对比度提升后的图像的Radon变换域,其中图6(a)为图像形式,图6(b)为曲线形式,从图中可以明显看到两个峰值点,这两个峰值点即为尾迹对应的峰值点。提取峰值点信息,得到尾迹的位置并在图像中标记出来,标记结果如图7所示,可以发现,结果比较精确。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于顶帽变换和Radon变换的船只尾迹检测方法,所述方法包括:
获取原始图像,基于顶帽变换对原始图像进行处理,得到对比度提升的图像;
将对比度提升的图像进行Radon变换,提取峰值点,获取尾迹位置信息,并在图像中标记尾迹。
2.根据权利要求1所述的方法,其特征在于,所述获取原始图像,基于顶帽变换对原始图像进行处理,得到对比度提升的图像,具体包括:
获取原始图像,对原始图像进行中值滤波;
对于进行过中值滤波的原始图像像素点(i,j),选取其7×7邻域窗口,将该邻域窗口分割为九个3×3的重叠窗口,分别计算九个重叠窗口的平均值,并按相应位置组成3×3的平均值矩阵;
将四个边缘检测算子分别与其平均值矩阵做互相关,得到四个值;根据四个值中最大值,获取该像素点的边缘特性,根据边缘特性选取相应的结构元素;选取该像素点的5×5邻域作为顶帽变换的窗口,用选取的结构元素进行顶帽变换,并选取变换后窗口中心点的3×3邻域中的最小值作为对比度提升后的像素值,作为对比度提升的图像中(i,j)点的像素值。
3.根据权利要求2所述的方法,其特征在于,所述对原始图像进行中值滤波,具体为:
原始图像中任一点(a,b)的值为F(a,b),中值滤波后该点的值为M(a,b):
M(a,b)=median(F(a-1,b-1),F(a,b-1),F(a+1,b-1),F(a,b-1),F(a-1,b),F(a+1,b),F(a,b),F(a-1,b+1),F(a,b+1),F(a+1,b+1))
其中,median为取中值操作,当(a,b)超出图像域时,进行补零插值。
6.根据权利要求5所述的方法,其特征在于,所述选取该像素点的5×5邻域作为顶帽变换的窗口,用选取的结构元素进行顶帽变换,并选取变换后窗口中心点的3×3邻域中的最小值作为对比度提升后的像素值,作为对比度提升的图像中(i,j)点的像素值,具体为:
对于图像的像素点(i,j),选取该像素点的5×5邻域为窗口W,选取的结构元素为S进行顶帽变换后的窗口记为H:
其中,DS为结构元素的定义域,S(x′,y′)为结构元素S在(x′,y′)处的值,1≤x′≤7,1≤y′≤7;W(x,y)表示窗口W在(x,y)点处的像素值;1≤x≤5,1≤y≤5;
选取H的中心点的3×3邻域中最小值作为对比度提升后的图像像素点(i,j)的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910962788.7A CN110852992B (zh) | 2019-10-11 | 2019-10-11 | 一种基于顶帽变换和Radon变换的船只尾迹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910962788.7A CN110852992B (zh) | 2019-10-11 | 2019-10-11 | 一种基于顶帽变换和Radon变换的船只尾迹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852992A true CN110852992A (zh) | 2020-02-28 |
CN110852992B CN110852992B (zh) | 2022-07-26 |
Family
ID=69598011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910962788.7A Active CN110852992B (zh) | 2019-10-11 | 2019-10-11 | 一种基于顶帽变换和Radon变换的船只尾迹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852992B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882585A (zh) * | 2020-06-11 | 2020-11-03 | 中国人民解放军海军工程大学 | 被动声呐多目标方位迹提取方法、电子设备及计算机可读存储介质 |
CN113077514A (zh) * | 2021-06-03 | 2021-07-06 | 浙江大学 | 一种sar图像船只弱尾迹增强与检测方法 |
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 |
CN113589283A (zh) * | 2021-07-23 | 2021-11-02 | 中国科学院国家空间科学中心 | 一种基于星载干涉成像高度计的船只kelvin尾迹高程的提取方法 |
CN116523904A (zh) * | 2023-06-26 | 2023-08-01 | 深圳市佳合丰科技有限公司 | 一种基于人工智能的金属冲压件表面划痕检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542277A (zh) * | 2012-01-06 | 2012-07-04 | 中国人民解放军第二炮兵装备研究院第三研究所 | 一种海洋合成孔径雷达图像的舰船尾迹检测方法 |
CN105184216A (zh) * | 2015-07-24 | 2015-12-23 | 山东大学 | 一种心二区掌纹的数字提取方法 |
CN107644414A (zh) * | 2017-08-27 | 2018-01-30 | 南京理工大学 | 一种基于恒定统计和拉东变换的海面尾迹检测方法 |
-
2019
- 2019-10-11 CN CN201910962788.7A patent/CN110852992B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542277A (zh) * | 2012-01-06 | 2012-07-04 | 中国人民解放军第二炮兵装备研究院第三研究所 | 一种海洋合成孔径雷达图像的舰船尾迹检测方法 |
CN105184216A (zh) * | 2015-07-24 | 2015-12-23 | 山东大学 | 一种心二区掌纹的数字提取方法 |
CN107644414A (zh) * | 2017-08-27 | 2018-01-30 | 南京理工大学 | 一种基于恒定统计和拉东变换的海面尾迹检测方法 |
Non-Patent Citations (2)
Title |
---|
SWATHI S DHAGE ET AL: "DWT-based Feature Extraction and Radon Transform based Contrast Enhancement for Improved Iris Recognition", 《PROCEDIA COMPUTER SCIENCE》 * |
徐文晴 等: "基于自适应形态学滤波的红外小目标检测算法", 《激光与红外》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882585A (zh) * | 2020-06-11 | 2020-11-03 | 中国人民解放军海军工程大学 | 被动声呐多目标方位迹提取方法、电子设备及计算机可读存储介质 |
CN111882585B (zh) * | 2020-06-11 | 2022-05-06 | 中国人民解放军海军工程大学 | 被动声呐多目标方位迹提取方法、电子设备及计算机可读存储介质 |
CN113077514A (zh) * | 2021-06-03 | 2021-07-06 | 浙江大学 | 一种sar图像船只弱尾迹增强与检测方法 |
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 |
CN113077514B (zh) * | 2021-06-03 | 2021-08-24 | 浙江大学 | 一种sar图像船只弱尾迹增强与检测方法 |
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 |
CN113589283A (zh) * | 2021-07-23 | 2021-11-02 | 中国科学院国家空间科学中心 | 一种基于星载干涉成像高度计的船只kelvin尾迹高程的提取方法 |
CN113589283B (zh) * | 2021-07-23 | 2023-07-28 | 中国科学院国家空间科学中心 | 一种基于星载干涉成像高度计的船只kelvin尾迹高程的提取方法 |
CN116523904A (zh) * | 2023-06-26 | 2023-08-01 | 深圳市佳合丰科技有限公司 | 一种基于人工智能的金属冲压件表面划痕检测方法 |
CN116523904B (zh) * | 2023-06-26 | 2023-09-08 | 深圳市佳合丰科技有限公司 | 一种基于人工智能的金属冲压件表面划痕检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110852992B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852992B (zh) | 一种基于顶帽变换和Radon变换的船只尾迹检测方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN109815807B (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN102750538B (zh) | 一种基于图像处理技术的围棋比赛结果分析方法 | |
CN104077777A (zh) | 一种海面舰船目标检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
JP6084810B2 (ja) | 追尾処理装置、及び追尾処理方法 | |
CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
CN114418953B (zh) | 一种基于时间历程累计图像的声呐目标检测方法和系统 | |
CN106803078B (zh) | 一种sar图像舰船目标分割方法 | |
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 | |
CN109886989A (zh) | 一种基于Canny算子的探地雷达自动层位追踪方法 | |
CN109064479A (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
CN109325958B (zh) | 一种基于轮廓精化和改进广义霍夫变换的近岸船只检测方法 | |
CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
CN105405146A (zh) | 基于特征密度聚类与正态分布变换的侧扫声呐配准方法 | |
CN106991682B (zh) | 自动港口货船的提取方法及装置 | |
CN112669332A (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
CN112164079A (zh) | 一种声呐图像分割方法 | |
CN111369507B (zh) | 基于归一化灰度霍夫变换和局部cfar的尾迹检测方法 | |
CN110490889B (zh) | 一种基于边缘检测的雷达目标提取方法 | |
CN114283322A (zh) | 一种sar图像舰船检测方法 |
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 |