CN111105390A - 一种改进的海天线检测和评估方法 - Google Patents
一种改进的海天线检测和评估方法 Download PDFInfo
- Publication number
- CN111105390A CN111105390A CN201911144002.7A CN201911144002A CN111105390A CN 111105390 A CN111105390 A CN 111105390A CN 201911144002 A CN201911144002 A CN 201911144002A CN 111105390 A CN111105390 A CN 111105390A
- Authority
- CN
- China
- Prior art keywords
- sea
- image
- sky
- line
- area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000005286 illumination Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000003706 image smoothing Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000019771 cognition Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000002902 bimodal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008054 signal transmission Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机图像处理技术领域,具体为一种改进的海天线检测和评估方法。本发明步骤为:根据海天线图像中噪声分布特点,进行图像的预处理操作,包括:图像颜色空间的转换、图像平滑、图像照明度增强等;提取亮度信息,获得灰度图;根据海天线图像中天空区域和海洋区域的分布特点,按照图像斜对角线方向切分图像;获取天空区域和海洋区域的亮度阈值,和海天线周围区域的亮度阈值;获取海天线周围区域的像素点;经过线性拟合操作得到最终海天线的位置,并绘制出来;根据图像中预测和真实海天线的位置,使用两个原创指标进行评估。本发明方法在强光照场景、低对比度场景、复杂场景和常规场景中,都可以稳定、准确、高效的检测出海天线的位置。
Description
技术领域
本发明属于计算机图像处理技术领域,具体涉及一种海天线检测和评估方法。
背景技术
在真实场景下的海天线检测方法具有多种应用意义,是辅助完成海上视觉任务的一项重要课题。首先,当在海上进行远程检测任务时,大多数检测目标将出现在海天线区域附近。因此,海天线检测可用于缩小目标检测的范围,提高算法的检测速度和准确度。其次,包含海天线的图像通常可以分为三个区域:天空区域,海天线区域和海洋区域。因此,使用海天线检测方法,根据图像中海天线的位置进行图像分割。通过这种方式,可以将不同的检测策略应用于不同的区域,从而提高了检测方法的鲁棒性。除此之外,由于海天线的位置与摄像机的拍摄姿态有关,因此观察图像中海天线的位置可以帮助调整云台的拍摄角度,从而优化了整张拍摄图像中的布局,方便进行下一步的目标检测工作。
现阶段,大部分的海上船舶检测方法仍然单纯依赖于雷达技术,通过脉冲信号的发射实现有限区域内船舶的检测。这种检测方法的优点是不受光照的影响,可以全天候、全天时的进行检测。但是缺点是存在盲区、易被侦查。除此之外,雷达监测只能检测船舶的方位和距离,无法检测船舶的颜色、纹理、大小等细节特征。因此,可以将机器视觉技术引入船舶检测这一领域,通过合适的船舶检测算法实现对于船舶细节特征的精准检测,然后搭配双目测距算法与雷达检测的坐标信息进行匹配。这样能够对原有的雷达检测进行补充和优化,更好地完成海上船舶检测的视觉任务。基于深度学习的检测方法通常需要预先收集大量船舶图像用于前期训练,这显然不太实际,因为不同的货船之间存在很大差异。在实际应用场景中,诸如光强度,恶劣天气,船舶和海面漂浮表面等因素是不可预测的,这也使得预训练模型无法取得良好效果。因此,通过改进传统的目标检测算法完成船舶检测这一特定视觉任务是最佳方案。
发明内容
本发明的目的在于提供一种准确的、适应性强的海天线检测和评估方法,并且提出两个原创指标,根据这两个指标可以有效地评估海天线检测的准确度和鲁棒性。
本发明提供的海天线检测和评估方法,包括:进行图像的预处理操作,其中主要包括:图像颜色空间的转换、基于L0范数的图像平滑、图像照明度增强等操作;提取亮度信息,获得灰度图;根据海天线图像中天空区域和海洋区域的分布特点,按照图像斜对角线方向切分图像;获得天空区域和海洋区域的亮度阈值;获得海天线周围区域的亮度阈值;获得海天线周围区域的像素点;根据获得的像素点集合进行线性拟合操作,得到最终海天线的位置,并绘制出来;根据图像中预测和真实海天线的位置,使用两个用于评估检测效果的原创指标进行评估。其具体步骤如下。
(1)根据海天线图像中噪声分布特点,首先进行图像的预处理操作。
(2)提取亮度信息,获得灰度图。
(3)按照图像斜对角线方向切分图像。
(4)获得天空区域和海洋区域的亮度阈值。
(5)获得海天线周围区域的亮度阈值。
(6)获得海天线周围区域的像素点。
(7)根据获得的像素点集合进行线性拟合操作,得到最终海天线的位置,并绘制出来。
(8)使用两个原创指标进行性能评估。
其中:
步骤(1)所述图像的预处理操作,具体过程如下:
(11)图像颜色空间的转换:将读入的每一张海天线图像,从原本的RGB颜色空间表示方式转化为HSV颜色空间的表示方式,从而更贴近于人类的视觉认知。转化过程使用的公式如下:
R′=R/255
G′=G/255
B′=B/255
Cmax=max(R′,G′,B′)
Cmin=min(R′,G′,B′)
Δ=Cmax-Cmin
通过上面的公式,HSV颜色空间三个通道的最终转变公式为:
V=Cmax。
(12)基于L0范数的图像平滑:通过去除图像中较小的梯度和增强图像边缘的显著性来对海天线图像进行平滑,去除图像中的离散噪声。图像梯度中的L0范数可以表示如下:
C(f)=#{p||fp-fp+1|≠0}
其中,p和p+1是图像中相邻的两个像素点,|fp-fp+1|是图像中的梯度,#{}表示计数操作,输出图像中满足|fp-fp+1|≠0条件的像素点个数,C(f)表就是图像梯度中L0范数。
(13)图像照明度增强:利用直方图均衡化方法增强海天线图像的照明度,提高在低照明度场景中进行检测的稳定度。
步骤(2)所述提取亮度信息,获得灰度图,具体过程如下:对于使用HSV颜色空间进行表示的海天线图像,提取V通道上的图像作为整张海天线图像的灰度图。
步骤(3)所述按照图像斜对角线方向切分图像,具体过程如下:对于海天线的灰度图,从斜对角线的方向进行切分,把原本的海天线灰度图切分成左右两张图像。两张图像中的空缺部分使用像素值为0的点进行填充。
步骤(4)所述获得天空区域和海洋区域的亮度阈值,具体过程如下:对于切分后得到的两张图像,除像素值为0的像素点之外,分别使用直方图进行像素值统计。从两张图像的像素值直方图中分别获得波峰对应的像素值,将这两个像素值作为天空区域和海洋区域的亮度阈值。
步骤(5)所述获得海天线周围区域的亮度阈值,具体过程如下:在海天线灰度图上进行双峰直方图统计。两个峰值分别为前面已经获得的天空区域和海洋区域的亮度阈值。在直方图中,把两个峰值之间的波谷像素值作为海天线周围区域的亮度阈值。
步骤(6)所述获得海天线周围区域的像素点,具体过程如下:找到海天线灰度图中像素值等于海天线周围区域亮度阈值的像素点,统计这些像素点的纵坐标,创建一个直方图。在直方图中,找到波峰对应的纵坐标作为目的坐标。以此坐标为中心,以d作为线性拟合距离划定海天线的粗糙区域。将此粗糙区域内像素值等于海天线周围区域亮度阈值的像素点作为海天线周围区域的像素点。
步骤(7)所述根据获得的像素点集合进行线性拟合操作,得到最终海天线的位置,并绘制出来,具体过程如下:在已经获得的海天线粗糙区域内,利用海天线周围区域的像素点进行线性拟合,从而得到最终海天线的位置,并且绘制在原海天线彩色图像上。
步骤(8)所述使用两个原创指标进行性能评估,具体过程如下:利用我们已知的海天线图像中的真实海天线位置以及我们检测出的海天线位置,使用边界框重叠比和角度差两个原创指标,进行海天线检测的性能评估。
步骤(8)中所述边界框重叠比指标,具体计算过程如下:
(81)海天线与图像左右的两个边界会产生两个交点,在两个交点的位置扩展L的距离之后确定两条水平直线,使用这两条直线组成一个矩形,从而形成边界框;
(82)使用海天线图像中真实的海天线位置和检测出的海天线位置,得到两个边界框;
步骤(8)中所述角度差指标,具体计算过程如下:使用公式θ=θd-θg直接得到角度差参数。其中θ表示角度差,θd表示检测到的海天线与水平线之间的角度,θg表示图像中真实海天线与水平线之间的角度。
与现有技术相比,本发明的有益效果为:
1、本文提出的海天线检测方法在强光照场景、低对比度场景、复杂场景和常规场景中,都可以稳定、准确、高效的检测出海天线的位置;
2、当图像中不存在海天线时,本文提出的海天线检测方法也可以准确的分辨出来,不会在图像中误判海天线的位置;
3、本文提出的两个原创指标,作为目前首次被提出的评估海天线检测的指标,可以准确的评估海天线检测的准确度和鲁棒性。
附图说明
图1为本发明的海天线检测方法和原创评估指标的总流程框图。
图2为L0范数图像平滑实验结果。第一列分别为漂浮物场景、强光照场景和白云场景的原图,第二列分别为三种场景下对应的平滑结果图。
图3为平滑前后海天线图像的亮度直方图。左图为平滑前,右图为平滑后。
图4为对角线切分前后的海天线图像。
图5为对角切分后左图和右图的亮度直方图。
图6为改进的双峰直方图分析模型。
图7为纵坐标直方图和海天线的粗糙区域。
图8为边界框重叠率模型。
图9为角度差模型。
图10为本文提出的海天线检测方法与现阶段检测效果很好的五种检测方法的检测结果比较。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
参照图1,本发明的海天线检测和评估方法,具体步骤如下。
(1)根据海天线图像中噪声分布特点,首先进行图像的预处理操作:
(11)图像颜色空间的转换:将读入的每一张海天线图像,从原本的RGB颜色空间表示方式转化为HSV颜色空间的表示方式,从而更贴近于人类的视觉认知;
(12)基于L0范数的图像平滑:通过去除图像中较小的梯度和增强图像边缘的显著性来对海天线图像进行平滑,去除图像中的离散噪声,如图2,图3所示,在三种场景下,平滑之后的图像中离散噪声点明显减少,亮度直方图中的冗余波峰也明显减少;
(13)图像照明度增强:利用直方图均衡化方法增强海天线图像的照明度,提高在低照明度场景中进行检测的稳定度。
(2)提取亮度信息,获得灰度图。
(3)按照图像斜对角线方向切分图像,具体过程如下:
(31)如图4所示,对于海天线的灰度图,从斜对角线的方向进行切分,把原本的海天线灰度图切分成左右两张图像。两张图像中的空缺部分使用像素值为0的点进行填充。
(4)获得天空区域和海洋区域的亮度阈值,具体过程如下:
(41)如图5所示,对于切分后得到的两张图像,除像素值为0的像素点之外,分别使用直方图进行像素值统计。从两张图像的像素值直方图中分别获得波峰对应的像素值,将这两个像素值作为天空区域和海洋区域的亮度阈值。
(5)获得海天线周围区域的亮度阈值,具体过程如下:
(51)在海天线灰度图上进行双峰直方图统计。两个峰值分别为前面已经获得的天空区域和海洋区域的亮度阈值。在直方图中,把两个峰值之间的波谷像素值作为海天线周围区域的亮度阈值。如图6所示,两条红色直线分别表示天空区域和海洋区域对应的亮度值,橙色直线表现我们最终选择的波谷对应的灰度值。绿色直线表示传统的双峰直方图会找到的错误的噪声波峰。
(6)获得海天线周围区域的像素点,具体过程如下:
(61)找到海天线灰度图中像素值等于海天线周围区域亮度阈值的像素点,统计这些像素点的纵坐标,创建一个直方图,如图7(a)所示。在直方图中,找到波峰对应的纵坐标作为目的坐标。以此坐标为中心,以d作为线性拟合距离划定海天线的粗糙区域,如图7(b)所示。将此粗糙区域内像素值等于海天线周围区域亮度阈值的像素点作为海天线周围区域的像素点。
(7)根据获得的像素点集合进行线性拟合操作,得到最终海天线的位置,并绘制出来,具体过程如下:
(71)在已经获得的海天线粗糙区域内,利用海天线周围区域的像素点进行线性拟合,从而得到最终海天线的位置,并且绘制在原海天线彩色图像上。
(8)使用两个原创指标进行性能评估,具体过程如下:
(81)利用我们已知的海天线图像中的真实海天线位置以及我们检测出的海天线位置,使用边界框重叠比和角度差两个原创指标,进行海天线检测的性能评估,如图10和表1所示。
步骤(81)中所述边界框重叠比指标,具体计算过程如下:
(811)海天线与图像左右的两个边界会产生两个交点,在两个交点的位置扩展L的距离之后确定两条水平直线,使用这两条直线组成一个矩形,从而形成边界框;
(812)使用海天线图像中真实的海天线位置和检测出的海天线位置,得到两个边界框;
(813)使用公式得到边界框重叠比参数。其中r是边界框重叠率(BBOR),Sx是由图像中真实海天线构建的边界框与检测到的海天线构建的边界框的重叠区域的面积,Sg是图像中真实海天线构建的边界框面积,如图8所示,其中白色阴影部分即为边框重叠部分;
步骤(81)中所述角度差指标,具体计算过程如下:
(814)如图9所示,使用公式θ=θd-θg直接得到角度差参数。其中θ表示角度差,θd表示检测到的海天线与水平线之间的角度,θg表示图像中真实海天线与水平线之间的角度。
表1:根据两个原创指标,本发明海天线检测方法与现阶段检测效果很好的五种检测方法的指标参数比较。
Claims (3)
1.一种改进的海天线检测和评估方法,其特征在于,具体步骤如下:
(1)根据海天线图像中噪声分布特点,进行图像的预处理操作;
(2)提取亮度信息,获得灰度图;
(3)按照图像斜对角线方向切分图像;
(4)获得天空区域和海洋区域的亮度阈值;
(5)获得海天线周围区域的亮度阈值;
(6)获得海天线周围区域的像素点;
(7)根据获得的像素点集合进行线性拟合操作,得到最终海天线的位置,并绘制出来;
(8)使用两个原创指标进行性能评估;
其中:
步骤(1)所述图像的预处理操作,具体过程如下:
(11)图像颜色空间的转换:将读入的每一张海天线图像,从原本的RGB颜色空间表示方式转化为HSV颜色空间的表示方式,从而更贴近于人类的视觉认知;转化过程使用的公式如下:
R′=R/255
G′=G/255
B′=B/255
Cmax=max(R′,G′,B′)
Cmin=min(R′,G′,B′)
Δ=Cmax-Cmin
通过上面的公式,HSV颜色空间三个通道的最终转变公式为:
V=Cmax
(12)基于L0范数的图像平滑:通过去除图像中较小的梯度和增强图像边缘的显著性来对海天线图像进行平滑,去除图像中的离散噪声;图像梯度中的L0范数表示如下:
C(f)=#{p||fp-fp+1|≠0}
其中,p和p+1是图像中相邻的两个像素点,|fp-fp+1|是图像中的梯度,#{}表示计数操作,输出图像中满足|fp-fp+1|≠0条件的像素点个数,C(f)表就是图像梯度中L0范数;
(13)图像照明度增强:利用直方图均衡化方法增强海天线图像的照明度,提高在低照明度场景中进行检测的稳定度;
步骤(2)所述提取亮度信息,获得灰度图,具体过程如下:对于使用HSV颜色空间进行表示的海天线图像,提取V通道上的图像作为整张海天线图像的灰度图;
步骤(3)所述按照图像斜对角线方向切分图像,具体过程如下:对于海天线的灰度图,从斜对角线的方向进行切分,把原本的海天线灰度图切分成左右两张图像;两张图像中的空缺部分使用像素值为0的点进行填充;
步骤(4)所述获得天空区域和海洋区域的亮度阈值,具体过程如下:对于切分后得到的两张图像,除像素值为0的像素点之外,分别使用直方图进行像素值统计;从两张图像的像素值直方图中分别获得波峰对应的像素值,将这两个像素值作为天空区域和海洋区域的亮度阈值;
步骤(5)所述获得海天线周围区域的亮度阈值,具体过程如下:在海天线灰度图上进行双峰直方图统计;两个峰值分别为前面已经获得的天空区域和海洋区域的亮度阈值;在直方图中,把两个峰值之间的波谷像素值作为海天线周围区域的亮度阈值;
步骤(6)所述获得海天线周围区域的像素点,具体过程如下:找到海天线灰度图中像素值等于海天线周围区域亮度阈值的像素点,统计这些像素点的纵坐标,创建一个直方图;在直方图中,找到波峰对应的纵坐标作为目的坐标;以此坐标为中心,以d作为线性拟合距离划定海天线的粗糙区域;将此粗糙区域内像素值等于海天线周围区域亮度阈值的像素点作为海天线周围区域的像素点;
步骤(7)所述根据获得的像素点集合进行线性拟合操作,得到最终海天线的位置,并绘制出来,具体过程如下:在已经获得的海天线粗糙区域内,利用海天线周围区域的像素点进行线性拟合,从而得到最终海天线的位置,并且绘制在原海天线彩色图像上;
步骤(8)所述使用两个原创指标进行性能评估,具体过程如下:利用已知的海天线图像中的真实海天线位置以及我们检测出的海天线位置,使用边界框重叠比和角度差两个原创指标,进行海天线检测的性能评估。
3.根据权利要求1所述的方法,步骤(81)中所述角度差指标,具体计算过程如下:使用公式θ=θd-θg直接得到角度差参数,其中θ表示角度差,θd表示检测到的海天线与水平线之间的角度,θg表示图像中真实海天线与水平线之间的角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144002.7A CN111105390B (zh) | 2019-11-20 | 2019-11-20 | 一种改进的海天线检测和评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144002.7A CN111105390B (zh) | 2019-11-20 | 2019-11-20 | 一种改进的海天线检测和评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105390A true CN111105390A (zh) | 2020-05-05 |
CN111105390B CN111105390B (zh) | 2022-03-18 |
Family
ID=70421646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144002.7A Active CN111105390B (zh) | 2019-11-20 | 2019-11-20 | 一种改进的海天线检测和评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105390B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583325A (zh) * | 2020-05-10 | 2020-08-25 | 上海大学 | 一种基于图像处理的无人艇检测海浪的方法 |
CN112258518A (zh) * | 2020-10-09 | 2021-01-22 | 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) | 一种海天线提取方法及装置 |
CN115830140A (zh) * | 2022-12-12 | 2023-03-21 | 中国人民解放军海军工程大学 | 一种海上近程光电监控方法、系统、介质、设备及终端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN106530313A (zh) * | 2016-11-16 | 2017-03-22 | 上海大学 | 一种基于区域分割的海天线实时检测方法 |
CN108764027A (zh) * | 2018-04-13 | 2018-11-06 | 上海大学 | 一种基于改进的rbd显著性计算的海面目标检测方法 |
WO2019006994A1 (zh) * | 2017-07-07 | 2019-01-10 | 江苏科技大学 | 一种基于海天线检测的二自由度波浪补偿系统的补偿方法 |
CN109558877A (zh) * | 2018-10-19 | 2019-04-02 | 复旦大学 | 基于kcf的海上目标跟踪算法 |
CN110097549A (zh) * | 2019-05-08 | 2019-08-06 | 广州中国科学院沈阳自动化研究所分所 | 基于形态学的水陆空交界线检测方法、系统、介质和设备 |
-
2019
- 2019-11-20 CN CN201911144002.7A patent/CN111105390B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN106530313A (zh) * | 2016-11-16 | 2017-03-22 | 上海大学 | 一种基于区域分割的海天线实时检测方法 |
WO2019006994A1 (zh) * | 2017-07-07 | 2019-01-10 | 江苏科技大学 | 一种基于海天线检测的二自由度波浪补偿系统的补偿方法 |
CN108764027A (zh) * | 2018-04-13 | 2018-11-06 | 上海大学 | 一种基于改进的rbd显著性计算的海面目标检测方法 |
CN109558877A (zh) * | 2018-10-19 | 2019-04-02 | 复旦大学 | 基于kcf的海上目标跟踪算法 |
CN110097549A (zh) * | 2019-05-08 | 2019-08-06 | 广州中国科学院沈阳自动化研究所分所 | 基于形态学的水陆空交界线检测方法、系统、介质和设备 |
Non-Patent Citations (2)
Title |
---|
LINGHUI LI ET AL.: "Sea Antenna Detection Based on Gray Threshold Analysis", 《2019 4TH INTERNATIONAL CONFERENCE ON AUTOMATIC CONTROL AND MECHATRONIC ENGINEERING》 * |
沈建军等: "结合改进Deeplab v3+ 网络的水岸线检测算法", 《中国图象图形学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583325A (zh) * | 2020-05-10 | 2020-08-25 | 上海大学 | 一种基于图像处理的无人艇检测海浪的方法 |
CN112258518A (zh) * | 2020-10-09 | 2021-01-22 | 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) | 一种海天线提取方法及装置 |
CN115830140A (zh) * | 2022-12-12 | 2023-03-21 | 中国人民解放军海军工程大学 | 一种海上近程光电监控方法、系统、介质、设备及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111105390B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
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 | |
CN110443201B (zh) | 基于多源影像联合形状分析与多属性融合的目标识别方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN109978869A (zh) | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 | |
CN105022990A (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
CN105427342B (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
CN105182350A (zh) | 一种应用特征跟踪的多波束声呐目标探测方法 | |
CN108229433B (zh) | 一种基于直线段检测和形状特征的靠岸舰船检测方法 | |
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 | |
CN112767359B (zh) | 复杂背景下的钢板角点检测方法及系统 | |
CN109919026A (zh) | 一种水面无人艇局部路径规划方法 | |
CN106803078B (zh) | 一种sar图像舰船目标分割方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN106203439B (zh) | 基于标志物多特征融合的无人机自动寻的着陆方法 | |
CN116109936B (zh) | 基于光学遥感的目标检测与识别方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN115393734A (zh) | 基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法 | |
CN113837924B (zh) | 一种基于无人艇感知系统的水岸线检测方法 | |
CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
CN107609537B (zh) | 一种基于hsv空间水面图像特征的水岸线检测方法 | |
CN107609534B (zh) | 一种基于码头光谱信息的遥感驻泊船只自动检测方法 | |
Rui | Lane line detection technology based on machine vision | |
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 |