CN111008585B - 基于自适应分层高分辨sar图像的舰船目标检测方法 - Google Patents
基于自适应分层高分辨sar图像的舰船目标检测方法 Download PDFInfo
- Publication number
- CN111008585B CN111008585B CN201911199874.3A CN201911199874A CN111008585B CN 111008585 B CN111008585 B CN 111008585B CN 201911199874 A CN201911199874 A CN 201911199874A CN 111008585 B CN111008585 B CN 111008585B
- Authority
- CN
- China
- Prior art keywords
- detection
- target
- sar image
- ship
- 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
- 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
- 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
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)
Abstract
本发明公开了一种基于自适应分层高分辨SAR图像的舰船目标检测方法,其实现过程是:该方法首先构建一种图像域与频域相结合的视觉注意力机制,不仅可以较好得保持显著图的细节,而且较之其它注意力机制有明显速度优势。其次,采用均值二分法得到候选目标区域分割阈值,消除了硬阈值选取带来的不稳定性。最后,使用频域加速的区块核密度估计方法进行舰船目标精检测。区域分块的思想避免了超像素分割带来的计算负担,核密度估计消除了杂波模型失配风险,此外其频域加速方法更是提升了检测方法的执行效率。另外,相比于现有的高分辨SAR图像舰船目标检测方法,本发明方法在检测目标的同时还能保持恒虚警特性。
Description
技术领域
本发明属于雷达信号处理技术领域,特别涉及一种基于自适应分层高分辨SAR图像的舰船目标检测方法。
背景技术
在对地观测方面,合成孔径雷达(SAR)具有不可替代的性能优势。SAR图像舰船目标检测的基本原理是基于金属结构的舰船与海面的微波散射特性的不同,舰船的雷达散射截面积通常高于海面。根据目标和杂波像素之间的强度差,可以通过选取适当的阈值来检测舰船。受限于分辨率,早期舰船检测主要针对点目标,且海面杂波特性符合较为简单的高斯分布。随着分辨率提升,目标所占像素单元增加,结构信息越加明显,同时海杂波特性也变得更加复杂,传统检测方法面临着严峻挑战。
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。多尺度CFAR检测方法使用的大尺度检测器在复杂杂波背景下会提供过多的候选目标产生较多虚警。现有的将注意力选择机制与轮廓信息相结合的舰船目标检测方法,其注意力选择机制采用基于图像块的随机森林方法,由于无法自适应的选择图像块的分割尺寸,不同分辨率下难以稳定的得到候选目标。基于结构信息的超像素舰船目标检测方法,消除了多目标情况下的干扰超像素,但其杂波超像素块的选取机制效果并不稳定,且其滑动窗口检测方案造成了较大计算负担。
舰船目标检测中,通常遇到的情况是海域广阔而舰船数量较少。如何在遥感图像中快速选择感兴趣区域、提取大视场下的目标是舰船检测中的首要问题。面对这种情况,以传统的双参数CFAR探测器为代表的滑窗检测方法表现出如下不足。首先,其需要知道被探测船体的大小,以确定保护窗的大小,仅适用于单一目标在局部均匀杂波中的情况。当SAR图像中存在不同尺寸的舰船目标,即多尺度情况时,单一的窗口尺寸存在目标像素泄露到背景窗影响检测阈值的风险。丢失目标像素的概率会增加,检测到的目标可能出现孔洞和断裂。此外,舰船目标往往只占据图像中很小一部分像素,滑动窗口技术遍历整幅图像,这无疑造成了过多冗余计算。另外,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。
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自适应分层高分辨SAR图像的舰船目标检测方法。该方法首先构造一种图像域与频域相结合的视觉注意力机制,通过均值二分法自适应得到候选舰船目标;在此基础上,采用加速的区域核密度估计方法,得到目标的精检测结果。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。
基于自适应分层高分辨SAR图像的舰船目标检测方法,包括以下步骤:
步骤1,获取原始高分辨SAR图像,使用最大类间方差法对原始高分辨SAR图像进行海陆分割预处理,得到海陆分割图像数据;
步骤2,构造基于分块图像域与频域相结合的视觉注意机制,采用所述视觉注意机制对海陆分割图像数据进行目标区域提取,得到检测区域显著图;
步骤3,使用均值二分法对检测区域显著图进行粗检测,得到候选舰船目标,即舰船目标粗检测结果;
步骤4,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舰船目标粗检测结果进行精检测,得到恒虚警概念下的检测阈值,进而得到舰船目标精检测结果,即确定舰船目标。
与现有技术相比,本发明的有益效果为:
本发明设计了一种基于“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。该方法首先构建一种图像域与频域相结合的视觉注意力机制,不仅可以较好得保持显著图的细节,而且较之其它注意力机制有明显速度优势。其次,采用均值二分法得到候选目标区域分割阈值,消除了硬阈值选取带来的不稳定性。最后,使用频域加速的区块核密度估计方法进行舰船目标精检测。区域分块的思想避免了超像素分割带来的计算负担,核密度估计消除了杂波模型失配风险,此外其频域加速方法更是提升了检测方法的执行效率。另外,相比于现有的高分辨SAR图像舰船目标检测方法,本发明方法在检测目标的同时还能保持恒虚警特性。
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为不同方法的检测窗示意图,其中,(a)为双参CFAR检测窗的示意图;(b)为候选区域检测窗的示意图;(c)为超像素检测窗的示意图;(d)为本发明实施例中检测窗的示意图;
图3为本发明实施例中各阶段的结果图,其中,(a)为一幅1.5m分辨率机载SAR图像;(b)为海陆分割预处理后的结果图;(c)为检测区域显著图;(d)为粗检测结果图;(e)为精检测结果图。
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,本发明的一种基于自适应分层高分辨SAR图像的舰船目标检测方法,按照以下步骤实施:
步骤1,获取原始高分辨SAR图像,使用最大类间方差方法对原始高分辨SAR图像进行海陆分割预处理,得到海陆分割图像数据;
常见的海陆分割方法是利用先验知识对SAR图像进行海陆分割,比如利用GIS数据的地理坐标信息与SAR图像匹配,再根据数据库中的海岸线数据实现海陆分割。但是在实际应用中,GIS数据与SAR图像的匹配误差为几百米,失配严重时高达2km。本发明中使用的最大类间方差(Otsu)方法是通过像素灰度阈值分割,是一种简单高效的海陆分割方法。
Otsu方法具体来说:
首先,获取的原始高分辨SAR图像,设定目标和背景的分割阈值为T,记目标、背景的像素点数占整幅原始高分辨SAR图像的比例分别为ω0和ω1,平均灰度分别为μ0和μ1。原始高分辨SAR图像的总平均灰度为μ,其类间方差为g,则有:
μ=ω0*μ0+ω1*μ1;
g=ω0(μ0-μ)2+ω1(μ1-μ)2;
遍历原始高分辨SAR图像的所有像素点,找到使类间方差g最大的分割阈值Tb,即为原始SAR图像的海陆分割阈值。
海陆分割预处理可以剔除图像中陆地、岛屿等区域对舰船检测的影响,极大的减轻了后续检测系统的负担。
步骤2,构造基于分块图像域与频域相结合的视觉注意机制,采用所述视觉注意机制对海陆分割图像数据进行目标区域提取,得到检测区域显著图;
具体地,本发明采用的基于分块图像域的视觉注意机制为:
对于海陆分割图像数据I,其在(x,y)像素点的图像域显著值SI(x,y)可以表示为:
SI(x,y)=||Iμ(x,y)-I(x,y)||2;
其中,||·||为取范数操作,I(x,y)是像素点(x,y)处图像幅度值,Iμ(x,y)为对应网格块像素幅度均值,Iμ(x,y)由下式计算得到:
其中,wB和hB分别是网格块的宽度和高度,网格块为将原始SAR图像中划分所得,网格块的大小一般为舰船最大长度的一半。
本发明采用的基于频域的视觉注意机制为:
对于海陆分割图像数据I(x),对其进行傅里叶变换:
其中,hn(f)是一个n*n的局部平均矩阵;示例性地,本发明仿真实验n设置为3。
则频谱域显著图Sf(x)为:
其中,g(x)为标准差为8的高斯滤波器。
最终的显著图S由图像域与频域显著图相结合得到:
S=k*SI+(1-k)Sf;
其中,k为加权系数,k∈[0,1]。k取值越接近1,图像域显著性权值越大,图像细节越清晰。反之,显著性图越接近频域结果,显示的目标整体特性越强。将图像域与频域显著性方法进行结合后,检测到的目标更加完整,并且在运行速度上有所提升。
步骤3,使用均值二分法对检测区域显著图进行粗检测,得到候选舰船目标,即舰船目标粗检测结果;
具体来说,基于显著性的检测方法,从显著图映射到二值检测结果的转换通常依赖于一个预先定义的阈值。该阈值的非鲁棒性会限制模型在不同场景中的应用。在SAR自动目标检测系统中,期望设计一种不受人工干预的自动检测算法。
本发明将数学领域的均值二分法概念引入到基于显著图的目标粗检测中,以迭代的方式得到检测阈值。
3.1,设定迭代总次数为L,令迭代次数为0,初始化分割阈值;
3.2,采用当前分割阈值对当前检测区域显著图进行分割,得到当前舰船目标像素和背景杂波像素;
3.3,迭代次数加1,判断当前迭代次数是否大于L,若是,则结束迭代,步骤3.2的分割阈值即为粗检测阈值,对应即可得到候选舰船目标;否则,转入3.4;
3.4,更新当前背景杂波的所有像素为分割阈值,计算更新后的图像的所有像素的平均值;重复步骤3.2。
以上在每次迭代中以区域均值作为分割阈值,将图像分为舰船目标像素和背景杂波像素。下次迭代中将背景杂波像素赋值为上一轮中的分割阈值,以此方式逐渐逼近舰船目标。
假设输入图像I(x,y),可以得到目标像素集合和背景杂波像素集合:
迭代规则依据下式:
通过迭代的方式逼近图像中高亮度目标,从迭代规则可以看出,随着迭代次数的增加,检测阈值的更新幅度逐渐降低。在实际应用中一般将迭代次数设置为5,最终迭代得到的均值作为粗检测阈值。
步骤4,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舰船目标粗检测结果进行精检测,得到恒虚警概念下的检测阈值,进而得到舰船目标精检测结果,即确定舰船目标。
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(a),传统双参数CFAR方法采用背景窗嵌套目标窗的方式进行杂波参数估计,其中区域4、区域3、区域1和区域2分别表示为背景窗、保护窗、目标窗以及舰船目标。采用这一方式,目标像素可能泄露到背景窗影响检测结果。针对这一问题,可以先提取候选目标,然后使用候选目标邻域像素进行杂波参数估计,参照图2(b)。但这一方式存在目标剔除不干净风险,影响参数估计精度。另一种方式是使用超像素分割进行目标粗检测,然后在候选目标超像素块周围选取超像素块进行精检测,参照图2(c)所示,其中区域1为舰船目标所在超像素块。这一方式的问题是超像素方法引入了较大的计算量。
4.1,针对这些问题,本发明采用区域分块的检测窗设计方案,
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。
参照图2(d)所示,区域2、区域1分别代表杂波参数估计区域和舰船目标。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。
4.2,使用加速的核密度估计方法(KDE)对舰船目标粗检测结果进行精检测,得到恒虚警概念下的检测阈值,进而得到舰船目标精检测结果。
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。
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。
采用本发明方法实例中的参数对一幅1.5m分辨率机载SAR图像,大小为790×709像素进行检测,该机载SAR图像如图3(a)所示。检测各阶段的结果如图3(b)、3(c)、3(d)和3(e)所示,其中,图3(b)、3(c)、3(d)和3(e)分别为在虚警率pfa=10-6下的海陆分割结果图、改进的显著图、粗检测结果图及精检测结果图。从各图中可以看到,本发明方法有效的抑制了残留区域,舰船检测结果较好。
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.基于自适应分层高分辨SAR图像的舰船目标检测方法,其特征在于,包括以下步骤:
步骤1,获取原始高分辨SAR图像,使用最大类间方差法对原始高分辨SAR图像进行海陆分割预处理,得到海陆分割图像数据;
步骤2,构造基于分块图像域与频域相结合的视觉注意机制,采用所述视觉注意机制对海陆分割图像数据进行目标区域提取,得到检测区域显著图;
步骤3,使用均值二分法对检测区域显著图进行粗检测,得到候选舰船目标,即舰船目标粗检测结果;
步骤4,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舰船目标粗检测结果进行精检测,得到恒虚警概念下的检测阈值,进而得到舰船目标精检测结果,即确定舰船目标;
所述采用基于分块图像域与频域相结合的视觉注意机制视觉注意机制对海陆分割图像数据进行目标区域提取,其具体步骤为:
首先,基于分块图像域的视觉注意机制进行目标区域提取,具体为:
对于海陆分割图像数据I,其在(x,y)像素点的图像域显著值SI(x,y)表示为:
SI(x,y)=||Iμ(x,y)-I(x,y)||2;
其中,||||为取范数操作,I(x,y)是像素点(x,y)处图像幅度值,Iμ(x,y)为对应网格块像素幅度均值,Iμ(x,y)由下式计算得到:
其中,wB和hB分别是网格块的宽度和高度,网格块为将原始SAR图像中划分所得,网格块的大小为舰船最大长度的一半;
其次,基于频域的视觉注意机制进行目标区域提取,具体为:
对于海陆分割图像数据I(x),对其进行傅里叶变换:
R(f)=L(f)-hn(f)*L(f);
其中,hn(f)是一个n*n的局部平均矩阵;n为预设整数;
则频谱域显著图Sf(x)为:
其中,g(x)为高斯滤波器;
最后,将图像域显著图SI(x,y)和频谱域显著图Sf(x)进行加权求和,得到检测区域显著图:
S=k*SI+(1-k)Sf;
其中,k为加权系数,k∈[0,1];
所述使用均值二分法对检测区域显著图进行粗检测,其具体为:
3.1,设定迭代总次数为L,令迭代次数为0,初始化分割阈值;
3.2,采用当前分割阈值对当前检测区域显著图进行分割,得到当前舰船目标像素和背景杂波像素;
3.3,迭代次数加1,判断当前迭代次数是否大于L,若是,则结束迭代,步骤3.2的分割阈值即为粗检测阈值,对应即可得到候选舰船目标;否则,转入3.4;
3.4,更新当前背景杂波的所有像素为分割阈值,计算更新后的图像的所有像素的平均值;重复步骤3.2;
所述使用加速的核密度估计方法对舰船目标粗检测结果进行精检测,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。
2.根据权利要求1所述的基于自适应分层高分辨SAR图像的舰船目标检测方法,其特征在于,所述使用最大类间方差法对原始高分辨SAR图像进行海陆分割预处理,其具体为:
首先,获取的原始高分辨SAR图像,设定目标和背景的分割阈值为T,记目标、背景的像素点数占整幅原始高分辨SAR图像的比例分别为ω0和ω1,平均灰度分别为μ0和μ1;原始高分辨SAR图像的总平均灰度为μ,其类间方差为g,则有:
μ=ω0*μ0+ω1*μ1;
g=ω0(μ0-μ)2+ω1(μ1-μ)2;
然后,遍历原始高分辨SAR图像的所有像素点,找到使类间方差g最大的分割阈值Tb,即为原始SAR图像的海陆分割阈值。
3.根据权利要求1所述的基于自适应分层高分辨SAR图像的舰船目标检测方法,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,具体为: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199874.3A CN111008585B (zh) | 2019-11-29 | 2019-11-29 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199874.3A CN111008585B (zh) | 2019-11-29 | 2019-11-29 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008585A CN111008585A (zh) | 2020-04-14 |
CN111008585B true CN111008585B (zh) | 2023-04-07 |
Family
ID=70113516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911199874.3A Active CN111008585B (zh) | 2019-11-29 | 2019-11-29 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008585B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680565B (zh) * | 2020-05-08 | 2022-06-07 | 湖北航天技术研究院总体设计所 | 一种基于sar图像的港口区域舰船目标检测方法 |
CN111932441B (zh) * | 2020-07-10 | 2023-10-20 | 中国人民解放军92942部队 | 用于确定舰面强散射源的方法及装置 |
CN113256667B (zh) * | 2021-04-14 | 2023-07-21 | 大连海事大学 | 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 |
CN113674308B (zh) * | 2021-05-06 | 2024-02-13 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN113284135B (zh) * | 2021-06-21 | 2022-10-04 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113705565A (zh) * | 2021-08-10 | 2021-11-26 | 北京中星天视科技有限公司 | 舰船检测方法、装置、电子设备和计算机可读介质 |
CN117078663A (zh) * | 2023-10-13 | 2023-11-17 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于背景感知的弱小目标检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
WO2015163830A1 (en) * | 2014-04-22 | 2015-10-29 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Target localization and size estimation via multiple model learning in visual tracking |
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 |
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN109886267A (zh) * | 2019-01-29 | 2019-06-14 | 杭州电子科技大学 | 一种基于最优特征选择的低对比度图像显著性检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
-
2019
- 2019-11-29 CN CN201911199874.3A patent/CN111008585B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
WO2015163830A1 (en) * | 2014-04-22 | 2015-10-29 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Target localization and size estimation via multiple model learning in visual tracking |
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 |
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN109886267A (zh) * | 2019-01-29 | 2019-06-14 | 杭州电子科技大学 | 一种基于最优特征选择的低对比度图像显著性检测方法 |
Non-Patent Citations (2)
Title |
---|
熊伟 ; 徐永力 ; 姚力波 ; 崔亚奇 ; 李岳峰 ; .基于频谱残差视觉显著计算的高分辨SAR图像舰船检测算法.电光与控制.2017,(04),全文. * |
熊伟 ; 徐永力 ; 崔亚奇 ; 李岳峰 ; .高分辨率合成孔径雷达图像舰船目标几何特征提取方法.光子学报.2018,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111008585A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008585B (zh) | 基于自适应分层高分辨sar图像的舰船目标检测方法 | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
Hu et al. | Unsupervised change detection in multitemporal SAR images over large urban areas | |
Liu et al. | SAR image change detection based on mathematical morphology and the K-means clustering algorithm | |
Wu et al. | Smoothing speckled synthetic aperture radar images by using maximum homgeneous region filters | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
Lee et al. | Extracting hurricane eye morphology from spaceborne SAR images using morphological analysis | |
CN113534120B (zh) | 一种基于深度神经网络的多目标恒虚警率检测方法 | |
Yang et al. | Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs | |
CN107301649B (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
Han | Watershed segmentation algorithm based on morphological gradient reconstruction | |
Hwang et al. | A practical algorithm for the retrieval of floe size distribution of Arctic sea ice from high-resolution satellite Synthetic Aperture Radar imagery | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
Zhang et al. | Superpixel generation for SAR imagery based on fast DBSCAN clustering with edge penalty | |
Deng et al. | Small target detection based on weighted self-information map | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
Kamani et al. | Skeleton matching with applications in severe weather detection | |
Wang et al. | Land contained sea area ship detection using spaceborne image | |
Tian et al. | A novel edge-weight based fuzzy clustering method for change detection in SAR images | |
Atasever et al. | Change detection approach for SAR imagery based on arc-tangential difference image and k-Means++ | |
CN114648547A (zh) | 用于反无人机红外探测系统的弱小目标检测方法和装置 | |
Huang et al. | Change detection method based on fractal model and wavelet transform for multitemporal SAR images | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
CN110853050A (zh) | 一种sar图像河流分割方法、装置及介质 | |
Wang et al. | Infrared small target detection method combined with bilateral filter and local entropy |
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 |