CN110889843B - 基于最大稳定极值区域的sar图像舰船目标检测方法 - Google Patents
基于最大稳定极值区域的sar图像舰船目标检测方法 Download PDFInfo
- Publication number
- CN110889843B CN110889843B CN201911199605.7A CN201911199605A CN110889843B CN 110889843 B CN110889843 B CN 110889843B CN 201911199605 A CN201911199605 A CN 201911199605A CN 110889843 B CN110889843 B CN 110889843B
- Authority
- CN
- China
- Prior art keywords
- region
- detection
- sar image
- pixel
- image
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
Abstract
本发明公开了一种基于最大稳定极值区域的SAR图像舰船目标检测方法,该方法首先通过引力场增强法对SAR图像进行滤波,在抑制海杂波的同时增强舰船目标;然后,使用基于最大稳定极值检测方法通过目标区域模式特征得到候选目标位置;最后为了消除复杂海况下分布模型的失配风险,采用区域分块的加速核密度估计方法,根据统计特性得到目标的统计意义下的精检测结果。引力场增强技术预处理图像确保了最大稳定极值区域检测的稳定性,同时基于区域分块的加速核密度估计的检测器保证了检测结果的恒虚警率特性,与传统高分辨舰船目标检测方法相比,具有简单、高效和准确的特性。
Description
技术领域
本发明属于雷达信号处理技术领域,特别涉及一种基于最大稳定极值区域的SAR图像舰船目标检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式微波有源传感器,可以全天时、全天候、远距离获取观测场景二维图像。利用SAR图像进行舰船目标检测对于军事情报获取、海洋监视和渔业管控具有重要意义,已成为海洋遥感领域的研究热点。
在各种检测算法中恒虚警检测器因其简单与适应性强应用最为广泛。然而,随着合成孔径技术发展,分辨率提升,目标结构信息愈加明显,同时海杂波特征也更加复杂,对传统检测算法提出挑战。面对多目标、多尺度及非均匀杂波背景情况,传统恒虚警检测算法性能可能会下降。现有的用于多分辨率情况下舰船目标检测的检测窗设计方法可以根据雷达参数调整窗口大小,但其选取最大舰船长度作为目标窗宽度的设计使得杂波像素泄露进入目标窗,难以完整提取目标船只。基于目标推荐与支持向量机(SVM)的舰船检测方法,在复杂杂波环境下性能可能下降。超像素与Fisher Vector相结合的舰船目标检测方法,可以有效描述杂波与舰船目标像素块的特征,但是由于其检测阈值采用半监督的学习方式获得,这意味着当样本不足或者环境差异较大时检测器难以使用。加权信息熵与超像素相结合的检测方法,使用候选块邻域像素块进行参数估计,但是其选择的高斯分布海杂波模型面临较大失配风险。
一般情况下舰船是广阔海域中的稀疏目标,如何在大视场中快速、有效的检测舰船目标是重要问题。传统的滑动窗口方法大场景条件下逐像素的检测,计算量过大;固定大小的检测窗在多尺度目标检测中难以完整提取目标船只;传统方法往往选用的高斯分布作为海杂波模型,在高分辨图像中存在很大失配风险,且复杂海况环境下杂波模型具有失配风险。
发明内容
为了解决上述问题,本发明的目的是提出一种基于最大稳定极值区域的SAR图像舰船目标检测方法。该方法首先通过引力场增强法对SAR图像进行滤波,在抑制海杂波的同时增强舰船目标;然后,使用最大稳定极值检测方法通过目标区域模式特征得到候选目标位置;最后为了消除复杂海况下分布模型的失配风险,采用区域分块的加速核密度估计方法(BKDE)根据统计特性得到目标的统计意义下的精检测结果。与传统高分辨舰船目标检测方法相比,具有简单、高效和准确的特性。
为了达到上述目的,本发明采用以下技术方案予以解决。
基于最大稳定极值区域的SAR图像舰船目标检测方法,包括以下步骤:
步骤1,获取原始SAR图像,采用引力场增强法对原始SAR图像中舰船目标与背景杂波进行对比度增强,得到增强对比度的图像;
步骤2,采用最大稳定极值区域法对增强对比度的图像进行检测,得到对应的最大稳定极值区域,并将其作为候选舰船目标;
步骤3,对于每个候选舰船目标,构建区域分块的检测窗;基于所述区域分块的检测窗,使用加速的核密度估计方法对候选舰船目标进行精检测,得到恒虚警概念下的检测阈值,进而确定舰船目标。
与现有技术相比,本发明的有益效果为:
本发明采用基于“由粗到精”机制的非参数化的快速高分辨SAR图像舰船目标检测方法。该方法首先采用引力场方法增强舰船目标与杂波背景对比度;然后检测图像中的最大稳定极值区域得到舰船目标粗检测结果。最后采用基于BKDE的检测器得到目标精检测结果。引力场增强技术预处理图像确保了MSER检测的稳定性,同时基于BKDE的检测器保证了检测结果的恒虚警率特性。相较于传统方法,本发明方法检测结果具有更强的鲁棒性。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是本发明的实现流程图;
图2为本发明实施例中检测窗的示意图;
图3为本发明实施例中引力场增强效果演示图;
图4为本发明实施例中杂波统计区域示意图;
图5为本发明实施例中各处理阶段结果图,其中,(a)为本发明实施例中的一幅星载原始SAR图像,(b)为本发明实施例中的引力场增强结果图,(c)为本发明实施例中最大稳定极值区域检测结果图,(d)为本发明实施例中的精检测结果图;
图6为本发明实施例中采用不同方法得到的检测结果图,其中,(a)为双参数CFAR对应的检测结果图,(b)为Mutiscale CFAR对应的检测结果图,(c)为本发明方法对应的检测结果图。
具体实施方式
下面结合附图对本发明的实施例及效果作进一步详细描述。
参考图1,本发明的一种基于最大稳定极值区域的SAR图像舰船目标检测方法,按照以下步骤实施:
步骤1,获取原始SAR图像,采用引力场增强法对原始SAR图像中舰船目标与背景杂波进行对比度增强,得到增强对比度的图像;
为有效地增强图像背景与目标的对比度,抑制SAR图像相干斑噪声对目标像素的干扰,本发明首先使用引力场增强技术对SAR图像进行预处理。
在高分辨SAR图像中,舰船目标一般都是由具有相似强度的相邻像素构成的高亮区域。因此对于舰船目标所占像素,其周围很大可能也是所处舰船的组成像素。这种可能性与其周围高亮像素数量和强度以及其自身强度值成正比,而反比于该像素与其他高亮像素之间的距离。因此可以认为图像中的像素与其周围一定邻域内的像素之间存在相互作用,这种相互作用表征了受到该作用的像素与周围像素构成舰船目标的趋势。显然,这种作用越大,意味着该中心像素周围高亮像素数量越多,或中心像素值越强,从而也就越有可能为舰船像素。根据上述分析可知,这种像素之间的相互作用与引力场中的物体相互作用力极为相似,因此在对这种相互作用建模时,引入了物理学中的引力的概念来对这种像素间的相互作用进行描述。
将原始SAR图像看作一个二维引力场,原始SAR图像的不同像素代表了引力场中的不同物体,则这种相互作用可以定义为:
式中,Gg(i,j)为像素(i,j)所受的周围像素作用力,I(i,j),I(k,l)分别为原始SAR图像上(i,j)和(k,l)处的强度值,为点(i,j)和点(k,l)之间的欧式距离,R为预先设定的引力作用半径,m为引力场作用系数。
为有效地增强图像背景与目标的对比度,抑制SAR图像相干斑噪声对目标像素的干扰,可以将这个作用力作为增强后图像像素的新强度值。但对舰船边缘像素,由于其周围的背景像素较多,计算所得的相互作用的值可能会与其紧邻的背景像素值较为接近,从而造成误判。为增加舰船边缘像素与背景像素的对比度,在增强结果中加入像素自身的内应力作用来增强其与附近背景像素的反差,其内应力定义为:
F(i,j)=I2(i,j);
于是,可以得到最终增强后的图像像素为:
Ig(i,j)=Gg(i,j)+F(i,j);
通过上述基于引力场理论的图像增强技术,图像中所有像素强度值都得到了增加,但由于船只像素强度值的增加远大于海洋背景像素和相干斑噪声,因此目标与背景的对比度大大增加,从而提高最大稳定极值区域的检测效果。
步骤2,采用最大稳定极值区域法对增强对比度的图像进行检测,得到对应的最大稳定极值区域,并将其作为候选舰船目标;
最大稳定极值区域(MSER)是指当使用不同的灰度阈值对图像进行二值化处理时得到的最稳定的区域,每一个最大稳定极值区域都是一个连通区域。MSER因为其具有仿射不变性以及对文本区域较为敏感的特点,被广泛应用于图像匹配及自然场景图像的文本定位中。SAR图像在经过引力场预处理后,舰船目标与杂波对比度增强,舰船目标得到凸显,更加适合进行最大稳定极值区域的检测。因此本发明将MSER方法引入SAR图像舰船检测中。
传统MSER对灰度图像取阈值进行处理,阈值从预设的最低阈值到最高阈值依次递增。阈值的递增类似于分水岭算法(watershed)中的水平面上升,随着水面上升,有一些山谷和较矮的丘陵会被淹没。图像中灰度值的不同对应地势高低的不同,每个阈值都会生成一个二值图。随着阈值的增加,首先看到一个全白图像,然后出现小黑点。随着阈值的增加,黑色部分逐渐增大,这些黑色区域逐渐融合,直到整个图像变为黑色。在得到的所有二值图像中,图像中的某些连通区域变化很小,甚至没有变化,则该区域就被称为最大稳定极值区域。
在本发明中,采用最大稳定极值区域法对增强对比度的图像进行检测,主要实现步骤为:
2.1,像素点排序:将步骤1得到的增强对比度的图像中的像素,按照其灰度值大小采用桶排序(Bucket sort)的方式进行排序,经桶排序的方式排序后产生一个按灰度值从小到大排列的序列;该序列中每个区间保存着具有相同灰度值的所有像素点及其坐标值。
2.2,极值区域提取:以Δ为步长,改变灰度阈值τ来分割图像,并统计图像中大于灰度阈值的连通域面积,即为对应极值区域;
2.3,根据最大稳定判定条件确定MSER区域。
最大稳定的判定条件:随着灰度阈值τ的不断增加,得到的连通域面积不断减小;当灰度阈值τ在2Δ的阈值范围之内变化时,对应极值区域的面积大小在这一变化的过程中几乎不改变,则判断该极值区域为最大稳定极值区域(MSER)区域。
因此,对于所有极值区域对应的每一个连通区域Ri,通过分析就可以得到对应的最大稳定判定条件:
对于每个连通区域Ri,当灰度阈值τ在2Δ的阈值范围内不断变化时,使最大稳定判定条件中ψ取得局部最小值时的灰度阈值对应的区域即判定为最大稳定极值区域。
2.4,对于每个最大稳定极值区域,剔除该区域中明显的非目标区域;再对相互之间有重合的最大稳定极值区域进行合并,得到候选舰船目标,也就是舰船目标粗检测结果。
其中,明显的非目标区域根据设定参数或经验确定,一般为面积过大或过小或者面积变化率过大或过小的极值区域。
步骤3,对于每个候选舰船目标,构建区域分块的检测窗;基于所述区域分块的检测窗,使用加速的核密度估计方法对候选舰船目标进行精检测,得到恒虚警概念下的检测阈值,进而确定舰船目标。
具体来说,在CFAR检测器中检测窗的构建是影响最终检测结果的重要因素。参照图2在CFAR检测器中检测窗的构建是影响最终检测结果的重要因素。传统CFAR方法采用背景窗嵌套目标窗的方式进行杂波参数估计,但是因为其窗口大小固定所以存在目标泄露进背景窗风险,影响检测结果。
3.1,针对这一问题,本发明采用区域分块的检测窗设计方案:
首先,在原始SAR图像中划分网格块,网格块的大小一般为舰船最大长度的一半;
其次,在原始SAR图像中剔除粗检测得到的舰船候选目标所在的网格块后,在舰船候选目标所在网格块的8邻域内进行海杂波模型估计,舰船候选目标所在网格块的8邻域即为区域分块的检测窗。
检测窗的示意参照图2所示。图中表示出了背景窗、保护窗、舰船目标以及其它杂波区。需要说明的是,区域分块的检测窗设计方法不仅消除了目标像素泄露到背景窗从而影响参数估计精度的风险,还避免了超像素分割带来的计算压力,具有速度快、效果好的特点。
3.2,使用加速的核密度估计方法对候选舰船目标进行精检测,得到恒虚警概念下的检测阈值,进而确定舰船目标,即对候选目标的精检测结果。
具体来说,核密度估计方法基本思想是利用不同核函数的加权和得到统计分布的估计。常用的核函数包括均匀函数、三角形函数、余弦函数和高斯函数。本发明使用标准正态分布作为核函数,其概率密度函数(PDF)为:
其中,x为像素的幅度值;
对于位于区域分块的检测窗内的原始SAR图像,其核密度估计定义为:
其中,N是样本数量,即区域分块的检测窗内像素点数量;xi表示第i个样本的像素幅度值,i∈[1,N]。h是控制估计光滑性的参数,也称为窗宽。
其中,p(x)为检测窗内图像中幅度值为x的像素出现的频率,可通过图像灰度直方图获得;p″(x)为p(x)的二阶导数。
可以看到变换后的表达式为典型的离散卷积表达式;而时域卷积操作可以使用频域相乘来实现,而且傅里叶变换有快速算法。所以将核密度的离散卷积表达式转换到频域来计算,通过一次解算得到各点的估计值,极大的减小了计算量。具体操作如下:
给定虚警概率pfa,则:
其中,T为检测阈值;
对于上式,本发明采用近似计算的方式得到数值解:
上式可以看成将SAR图像中像素数值排序后均分成间隔为τ的N段,表述为I={x0,x1,...xN};当τ选择足够小时(一般选取窗宽的一半),累计分布函数可以近似表示为:
FN(xi)等价于1-pfa;当FN(xi)<1-pfa<FN(xi+1)时,可以得到检测阈值T=(xi+xi+1)/2。
通过以上关系式,可以解算得到检测阈值T。使用该阈值可以对候选目标进行确认,得到最终的精检测结果。
仿真实验
下面通过实测数据处理结果进一步说明本发明的正确性和有效性。
图3为本发明实施例的引力场增强效果图,即增强对比度的图像。可以看到经过处理后舰船目标与周围海杂波环境之间的对比度得到了增强。经过增强后的SAR图像将更加适合MSER的提取。
杂波统计区域示意图如图4所示,为了定量的分析各概率密度函数对海杂波的拟合效果,采用KS检验与KL距离来度量Gaussian分布、Gamma分布、Weibull分布及本发明所提BKDE对图4杂波分布的拟合效果。KL距离衡量的是相同事件空间里的两个概率分布的差异情况。与KL检验方法不同的是KS检验不需要知道数据的分布情况,是一种常用的非参数检验法。两种相似性度量方法具有互补特性。当拟合效果较好时,KL与KS测试结果数值较小。表1为K-S检验与KL距离的度量结果。可以看到BKDE具有较好拟合精度。
表1.各杂波模型拟合结果对比
图5为本发明方法各阶段效果演示图,其输入图像为一幅星载SAR图像。仿真中,引力作用半径R设置为5像素,MSER检测阈值增长步长Δ设置为数据最大幅度值的1/300。虚警概率设置为pfa=10-5。从图中可以看到引力场算法对于舰船目标的凸显效果明显,粗检测到的MSER稳定的包含了舰船目标,最终的精检测阶段也有效的去除了虚警目标。
采用不同检测方法的检测结果如图6所示,其中图6(a)、(b)、(c)分别为双参数CFAR、Mutiscale CFAR及Superpixel CFAR即本发明方法在虚警率pfa=10-5下的检测结果,圆圈标记为虚警目标,可以看到本发明方法检测结果更加纯净,具有更小的虚警率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.基于最大稳定极值区域的SAR图像舰船目标检测方法,其特征在于,包括以下步骤:
步骤1,获取原始SAR图像,采用引力场增强法对原始SAR图像中舰船目标与背景杂波进行对比度增强,得到增强对比度的图像;
步骤2,采用最大稳定极值区域法对增强对比度的图像进行检测,得到对应最大稳定极值区域,并将其作为候选舰船目标;
步骤3,对于每个候选舰船目标,构建区域分块的检测窗;基于所述区域分块的检测窗,使用加速的核密度估计方法对候选舰船目标进行精检测,得到恒虚警概念下的检测阈值,进而确定舰船目标;
所述采用引力场增强法对原始SAR图像中舰船目标与背景杂波进行对比度增强;其具体为:
首先,将原始SAR图像看作一个二维引力场,原始SAR图像的不同像素代表了引力场中的不同物体,则引力场相互作用定义为:
式中,Gg(i,j)为像素(i,j)所受的周围像素作用力,I(i,j),I(k,l)分别为原始SAR图像上(i,j)和(k,l)处的强度值,为点(i,j)和点(k,l)之间的欧式距离,R为预先设定的引力作用半径,m为引力场作用系数;
其次,在增强结果中加入像素自身的内应力作用来增强其与附近背景像素的反差,其内应力定义为:
F(i,j)=I2(i,j);
最后,得到最终增强后的图像像素为:
Ig(i,j)=Gg(i,j)+F(i,j);
所述采用最大稳定极值区域法对增强对比度的图像进行检测,其具体步骤为:
2.1,像素点排序:将步骤1得到的增强对比度的图像中的像素,按照其灰度值大小采用桶排序的方式进行排序,经桶排序的方式排序后产生一个按灰度值从小到大排列的序列;该序列中每个区间保存着具有相同灰度值的所有像素点及其坐标值;
2.2,极值区域提取:以Δ为步长,改变灰度阈值τ来分割图像,并统计图像中大于灰度阈值的连通域面积,即为对应极值区域;
2.3,根据最大稳定判定条件确定最大稳定极值区域;
2.4,对于每个最大稳定极值区域,剔除该区域中明显的非目标区域;再对相互之间有重合的最大稳定极值区域进行合并,得到候选舰船目标
所述最大稳定判定条件为:对于所有极值区域对应的每一个连通区域Ri,通过分析得到对应的最大稳定判定条件:
对于每个连通区域Ri,当灰度阈值τ在2Δ的阈值范围内不断变化时,使最大稳定判定条件中ψ取得局部最小值时的灰度阈值对应的区域即判定为最大稳定极值区域。
2.根据权利要求1所述的基于最大稳定极值区域的SAR图像舰船目标检测方法,其特征在于,所述对于每个候选舰船目标,构建区域分块的检测窗为:
首先,在原始SAR图像中划分网格块,网格块的大小为舰船最大长度的一半;
然后,在原始SAR图像中剔除粗检测得到的舰船候选目标所在的网格块后,在每个舰船候选目标所在网格块的8邻域内进行海杂波模型估计,每个舰船候选目标所在网格块的8邻域即为区域分块的检测窗。
3.根据权利要求1所述的基于最大稳定极值区域的SAR图像舰船目标检测方法,其特征在于,所述使用加速的核密度估计方法对候选舰船目标进行精检测,得到恒虚警概念下的检测阈值,按照以下步骤进行:
(a)使用标准正态分布作为核函数,其概率密度函数为:
其中,x为像素的幅度值;
(b)对于位于区域分块的检测窗内的原始SAR图像,其核密度估计定义为:
其中,N是样本数量,即区域分块的检测窗内像素点数量;xi表示第i个样本的像素幅度值,i∈[1,N],h为窗宽;
(c)采用间隔为τ的像素幅度直方图替代核密度估计式中的频率加权形式,将核密度估计式改写为:
上述变换后的表达式为典型的离散卷积表达式;
(d)将核密度估计式的离散卷积表达式转换到频域:
(e)给定虚警概率pfa,由虚警概率公式:
其中,T为检测阈值;
通过一次解算得到检测阈值T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199605.7A CN110889843B (zh) | 2019-11-29 | 2019-11-29 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199605.7A CN110889843B (zh) | 2019-11-29 | 2019-11-29 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889843A CN110889843A (zh) | 2020-03-17 |
CN110889843B true CN110889843B (zh) | 2023-04-18 |
Family
ID=69749430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911199605.7A Active CN110889843B (zh) | 2019-11-29 | 2019-11-29 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889843B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898531B (zh) * | 2020-07-30 | 2024-03-26 | 中国电子科技集团公司第三十六研究所 | 卫星通信信号识别方法、装置及电子设备 |
CN112163450A (zh) * | 2020-08-24 | 2021-01-01 | 中国海洋大学 | 基于s3d学习算法的高频地波雷达船只目标检测方法 |
CN112101250B (zh) * | 2020-09-18 | 2022-07-15 | 电子科技大学 | 一种基于上下文语义感知的近岸舰船目标检测方法 |
CN112258549B (zh) * | 2020-11-12 | 2022-01-04 | 珠海大横琴科技发展有限公司 | 一种基于背景消除的船只目标跟踪方法及装置 |
CN116012659B (zh) * | 2023-03-23 | 2023-06-30 | 海豚乐智科技(成都)有限责任公司 | 一种红外目标检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354541A (zh) * | 2015-10-23 | 2016-02-24 | 西安电子科技大学 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
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 |
CN107045634A (zh) * | 2017-05-02 | 2017-08-15 | 电子科技大学 | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN108133468A (zh) * | 2017-12-25 | 2018-06-08 | 南京理工大学 | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 |
WO2018145470A1 (zh) * | 2017-02-13 | 2018-08-16 | 广州视源电子科技股份有限公司 | 一种图像检测方法和装置 |
CN108985288A (zh) * | 2018-07-17 | 2018-12-11 | 电子科技大学 | 一种基于TGMSERs的SAR图像溢油检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311555B2 (en) * | 2014-09-10 | 2016-04-12 | Khalifa University of Science, Technology, and Research | Architecture and method for real-time parallel detection and extraction of maximally stable extremal regions (MSERS) |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
-
2019
- 2019-11-29 CN CN201911199605.7A patent/CN110889843B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105354541A (zh) * | 2015-10-23 | 2016-02-24 | 西安电子科技大学 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
WO2018145470A1 (zh) * | 2017-02-13 | 2018-08-16 | 广州视源电子科技股份有限公司 | 一种图像检测方法和装置 |
CN107045634A (zh) * | 2017-05-02 | 2017-08-15 | 电子科技大学 | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN108133468A (zh) * | 2017-12-25 | 2018-06-08 | 南京理工大学 | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 |
CN108985288A (zh) * | 2018-07-17 | 2018-12-11 | 电子科技大学 | 一种基于TGMSERs的SAR图像溢油检测方法 |
Non-Patent Citations (2)
Title |
---|
甄勇 ; 刘伟 ; 赵拥军 ; 陈建宏 ; .大场景SAR图像舰船目标快速检测.信息工程大学学报.2016,(05),全文. * |
田巳睿 ; 孙根云 ; 王超 ; 张红 ; .基于引力场增强的SAR图像舰船检测方法研究.遥感学报.2007,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110889843A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
Li et al. | An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images | |
Ao et al. | Detection and discrimination of ship targets in complex background from spaceborne ALOS-2 SAR images | |
Leng et al. | A bilateral CFAR algorithm for ship detection in SAR images | |
Zhai et al. | Inshore ship detection via saliency and context information in high-resolution SAR images | |
Lu et al. | Improving pixel-based change detection accuracy using an object-based approach in multitemporal SAR flood images | |
CN111008585B (zh) | 基于自适应分层高分辨sar图像的舰船目标检测方法 | |
Modava et al. | Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information | |
Yang et al. | Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
Fu et al. | A statistical approach to detect edges in SAR images based on square successive difference of averages | |
CN101482969A (zh) | 基于同质点计算的sar图像去斑方法 | |
Li et al. | SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image | |
Li et al. | Outlier-robust superpixel-level CFAR detector with truncated clutter for single look complex SAR images | |
Xie et al. | The application of threshold methods for image segmentation in oasis vegetation extraction | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
Yaru et al. | Algorithm of fingerprint extraction and implementation based on OpenCV | |
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 | |
Yang et al. | A novel ship detection method based on sea state analysis from optical imagery | |
Zhu et al. | A novel change detection method based on high-resolution SAR images for river course | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
Ghanbari et al. | Generalized minimum-error thresholding for unsupervised change detection from multilook polarimetric SAR data | |
Meng et al. | A novel ship CFAR detection algorithm based on adaptive parameter enhancement and wake-aided detection in SAR images | |
Shi et al. | A superpixel-based coastline extraction algorithm for single-polarized ENVISAT and ERS imagery | |
Yoon et al. | Preliminary study for detecting of ocean wave parameters using CCD 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 |