CN111105419B - 一种基于极化sar图像的车辆船舶检测方法及装置 - Google Patents

一种基于极化sar图像的车辆船舶检测方法及装置 Download PDF

Info

Publication number
CN111105419B
CN111105419B CN201910952301.7A CN201910952301A CN111105419B CN 111105419 B CN111105419 B CN 111105419B CN 201910952301 A CN201910952301 A CN 201910952301A CN 111105419 B CN111105419 B CN 111105419B
Authority
CN
China
Prior art keywords
image
area
vehicle
region
ellipse
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
Application number
CN201910952301.7A
Other languages
English (en)
Other versions
CN111105419A (zh
Inventor
周自立
陈爽
罗文三
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
709th Research Institute of CSIC
Original Assignee
709th Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 709th Research Institute of CSIC filed Critical 709th Research Institute of CSIC
Priority to CN201910952301.7A priority Critical patent/CN111105419B/zh
Publication of CN111105419A publication Critical patent/CN111105419A/zh
Application granted granted Critical
Publication of CN111105419B publication Critical patent/CN111105419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出一种基于极化SAR图像的车辆船舶检测方法及装置，所述方法包括：对原始图像进行预处理；对预处理后的图像进行水域、道路区域分割；提取图像前景区域并依次标记连通区域；将图像接收到的散射能量特征进行Pauli分解，计算各个连通区域中二次散射区域的比例；当所述比例大于预设阈值，对获取的连通区域进行椭圆检测，根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域；若否，在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认所述连通区域为船舶目标区域。本发明基于极化SAR图像，采用多尺度特征结合的方法车进行辆船舶识别，可提高识别准率，扩大适用范围。

Description

一种基于极化SAR图像的车辆船舶检测方法及装置
技术领域
本发明涉及机器视觉检测领域，具体涉及一种极化SAR图像车辆船舶检测的实现方法。
背景技术
在机器视觉检测领域中，传统的传感器网络是由飞机和舰艇的雷达/光电探测、潜艇的声纳和地面/海上的侦察监视等装置组成，而这些类型的传感器这些都是非成像传感器，通过这些类型的传感器信息检测识别得到的结果往往只表示出目标的距离、方位、类型(如水面、水下、空中)，难以对目标的种类进行直观识别。
极化SAR图像具有全天候、全天时、不受天气影响等成像特点，目前已经成为人们对地观测的重要手段之一。通过机载和星载SAR，能够获得大量的高分辨率SAR图像，船舶和车辆目标在这些图像中清晰可见。从SAR图像中检测车辆船舶目标有着广泛的应用前景，对特定船舶位置进行检测，有助于提高海防预警能力；对车辆的检测可以实时检测由于冰雪灾害或者交通事故引起的的交通堵塞、中断情况。
传统的车辆船舶目标检测所利用的数据是单通道SAR数据，这类数据只包含车辆船舶的强度信息，因此不能全面地反映船只目标与海面杂波间的散射信息差异。相比之下，极化SAR数据包含了更多的目标散射信息，因而能够更加有效地反映车辆船舶目标与海面杂波间的散射信息差异，目前常见的主流SAR车辆船舶目标检测方法可分为以下三大类:
基于背景杂波统计分布的车辆船舶目标检测；
基于极化分解的车辆船舶目标检测；
基于极化特征的车辆船舶目标检测。
然而现有技术多涉及单一尺度特征车辆船舶检测方法，对于多尺度特征结合的方法涉及比较少，单一尺度特征检测的准确率相对较低；而且现有技术基本针对于海平面、平原区域车辆船舶进行检测，对于港口、城市等复杂背景下检测则很少涉及，适用范围较小。
发明内容
鉴于此，本发明提出一种基于极化SAR图像的车辆船舶检测方法及装置，基于极化SAR图像，采用多尺度特征结合的方法进行车辆船舶目标识别。
本发明第一方面，提出一种基于极化SAR图像的车辆船舶检测方法，其特征在于，所述方法包括：
S1、对原始图像进行预处理；
S2、对于预处理后的图像进行水域、道路区域分割；
S3、提取图像前景区域并依次标记连通区域；
S4、将图像接收到的散射能量特征进行Pauli分解，计算各个连通区域中二次散射区域的比例，当所述比例大于预设阈值，进入步骤S5；
S5、对步骤S4获取的连通区域依次进行椭圆检测，根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域，若否，进入步骤S6；
S6、在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认所述连通区域为船舶目标区域。
优选的，所述步骤S1中，采用拉普拉斯金字塔算法对原始图像进行预处理。
优选的，所述步骤S2具体包括：
S21、将图像以固定大小分成多个矩形区域；
S22、在每个矩形区域中采用大津法进行阈值分割；
S23、将分割出来的前景标记为连通区域，计算每个连通区域面积，通过面积大小来区分水域、道路区域和其他区域；
S24、合并所述矩形区域，得到完整的图像水域和道路区域分割结果；
S25、将步骤S24得到的图像水域中的孔洞进行填充处理。
优选的，所述步骤S3具体包括：
S31、将步骤S2的结果与原始图像全局大津法阈值分割后结果做相与操作，得到前景区域；
S32、将得到的前景区域标记为连通区域并按顺序依次编号。
优选的，所述步骤S5中，所述根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域具体为：
若椭圆长短轴的比例在预设比例范围之内，则判断所述联通区域为车辆船舶目标区域。
本发明第二方面，提供一种基于极化SAR图像的车辆船舶检测装置，所述装置包括：
预处理模块：用于对原始图像进行预处理；
区域分割模块：用于对预处理后的图像进行水域、道路区域分割；
前景提取模块：用于提取图像前景区域并依次标记连通区域；
反射特征检测模块：用于将图像接收到的散射能量特征进行Pauli分解，计算各个连通区域边缘处二次散射区域的比例，当所述比例大于预设阈值，转至形状特征检测模块；
形状特征检测模块：用于对所述反射特征检测模块获取的连通区域依次进行椭圆检测，根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域，若否，转至航迹特征检测模块；
航迹特征检测模块：用于在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认所述连通区域为船舶目标区域。
优选的，所述预处理模块中，采用拉普拉斯金字塔算法对原始图像进行预处理。
优选的，所述区域分割模块具体包括：
分割单元：将图像以固定大小分成多个矩形区域；在每个矩形区域中采用大津法进行阈值分割；将分割出来的前景标记为连通区域，计算每个连通区域面积，通过面积大小来区分水域、道路区域和其他区域；
合并单元：合并所述矩形区域，得到完整的图像水域和道路区域分割结果；
填充单元：对合并得到的图像水域中的孔洞进行填充处理。
优选的，所述前景提取模块包括：将区域分割模块的处理结果与将原始图像全局大津法阈值分割后结果做相与操作，得到前景区域；将得到的前景区域标记为连通区域并按顺序依次编号。
优选的，所述形状特征检测模块中，所述根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域具体为：
若椭圆长短轴的比例在预设比例范围之内，则判断所述联通区域为车辆船舶目标区域。
本发明的有益效果是：
本发明利用多维特征实现了对极化SAR图像车辆船舶检测，既利用了传统的图像数据的灰度信息，也利用了图像数据的散射特征，减少了虚景的发生概率；进一步在反射特征检测、形状特征检测的基础上结合了航迹特征检测，提高了车辆船舶目标的检测的准确率；支持复杂背景下车辆船舶目标检测，扩大了适用范围。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于极化SAR图像车辆船舶检测方法流程示意图；
图2为本发明提供的基于极化SAR图像车辆船舶检测装置结构示意图。
具体实施方式
本发明提供了一种基于极化SAR图像车辆船舶检测方法及装置，利用极化SAR图像中车辆船舶的灰度信息、反射信息、形状特征以及航迹特征等多尺度特征结合的方式实现对车辆船舶目标的检测。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供的一种基于极化SAR图像车辆船舶检测方法流程示意图，该方法主要包括以下步骤：
S1、对原始图像进行预处理；
进一步的，可对原始极化SAR图像采用拉普拉斯金字塔算法进行预处理，具体可采用高斯核大小为5*5，层数大小为3的拉普拉斯金字塔算法进行处理，增强水域和道路区域与其他区域的对比度，抑制噪声对检测的干扰。
S2、对于预处理后的图像进行水域、道路区域分割；
进一步的，所述步骤S2具体包括：
S21、将图像以固定大小分成多个矩形区域；具体的，将图像以N*N大小分成若干个矩形区域，大小不足为N的部分以灰度值大小为0进行补齐；
S22、在每个区域中采用大津法进行阈值分割；
S23、将分割出来的前景标记为连通区域，计算每个连通区域面积，通过面积大小来区分水域、道路区域和其他区域；具体的，当连通区域像素面积大于100时，将该连通区域视为道路区域或者水域；
S24、合并所述矩形区域并去除补齐区域，得到完整的图像水域和道路区域分割结果；
S25、将步骤S24得到的图像水域中的孔洞进行填充处理，消除噪声点和其他目标对对道路、水域分割造成的影响。
S3、提取图像前景区域并依次标记连通区域；
进一步的，所述步骤S3具体包括：
S31、将步骤S2的结果与原始图像全局大津法阈值分割后结果做相与操作，得到前景区域；
S32、将得到的前景区域标记为连通区域并按顺序依次编号。
S4、将图像接收到的散射能量特征进行Pauli分解，计算各个连通区域边缘处二次散射区域的比例，当所述比例大于预设阈值，进入步骤S5；
将图像接收到的散射能量特征分解为一次散射、二次散射以及漫散射，车辆、船舶两边区域几乎垂直于地面或者海平面，经过海平面/地面和车辆船舶侧面形成两次反射，故目标两侧极化SAR反射类型以二次散射为主，因此可利用车辆船舶反射特征来进行目标检测。计算各个连通区域中二次散射区域的比例，当比例大于0.1，则进入步骤S5进行车辆船舶目标形状特征检测。
S5、对步骤S4获取的连通区域依次进行椭圆检测，根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域，若否，进入步骤S6；
将车辆、船舶在极化SAR中成像近似成外接椭圆图形，进行车辆船舶目标形状特征检测。首先预设比例范围，若椭圆长短轴的比例在所述预设比例范围之内，比如大于1.5小于8，则判断所述连通区域为车辆船舶目标区域。若部分连通区域经判断不是车辆船舶目标区域，则进入步骤S6进行航迹检测。
S6、在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认所述连通区域为船舶目标区域。
当船舶在运动的时候，在其尾部形成的航迹，将航迹大小对船舶形状检测造成了一定的干扰，造成其连通区域外界椭圆长短轴比例不符合实际情况，从而造成漏景；因此，在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认该连通区域为船舶目标区域。
当前的一个连通区域识别完成后，按照步骤S3标记的连通区域编号进行下一个连通区域识别，即重复步骤S4、S5、S6，直到所有标记的连通区域识别完成。
本发明第二方面，提供一种基于极化SAR图像的车辆船舶检测装置，所述装置包括：
预处理模块210：用于对原始图像进行预处理；具体可采用拉普拉斯金字塔算法对原始图像进行预处理。
区域分割模块220：用于对预处理后的图像进行水域、道路区域分割，所述区域分割模块具体包括：
分割单元：将图像以固定大小分成多个矩形区域；在每个区域中采用大津法进行阈值分割；将分割出来的前景标记为连通区域，计算每个连通区域面积，通过面积大小来区分水域、道路区域和其他区域；
合并单元：合并所述矩形区域，得到完整的图像水域和道路区域分割结果；
填充单元：对合并得到的图像水域中的孔洞进行填充处理。
前景提取模块230：用于提取图像前景区域并依次标记连通区域；所述前景提取模块将区域分割模块的处理结果与将原始图像全局大津法阈值分割后结果做相与操作，得到前景区域；将得到的前景区域标记为连通区域并按顺序依次编号。
反射特征检测模块240：用于将图像接收到的散射能量特征进行Pauli分解，计算各个连通区域边缘处二次散射区域的比例，当所述比例大于预设阈值，转至形状特征检测模块；
形状特征检测模块250：用于对所述反射特征检测模块获取的连通区域依次进行椭圆检测，根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域，若椭圆长短轴的比例在预设比例范围之间，则判断所述联通区域为车辆船舶目标区域，若否，转至航迹特征检测模块。
航迹特征检测模块260：用于在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认所述连通区域为船舶目标区域。
本发明利用了多维特征实现了对极化SAR图像车辆船舶检测，既利用了传统的图像数据的灰度信息，也利用了图像数据的散射特征，此外，还进一步通过航迹来检测船舶目标，减少了虚景的发生概率，提高了检测准确率。
以上装置实施例与方法实施例是一一对应的，装置实施例简略之处，参见方法实施例即可。某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述，在此不再赘述。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的模块、单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于极化SAR图像的车辆船舶检测方法，其特征在于，所述方法包括：
S1、对原始图像进行预处理；
S2、对预处理后的图像进行水域、道路区域分割；
S3、提取图像前景区域并依次标记连通区域；
S4、将图像接收到的散射能量特征进行Pauli分解，计算各个连通区域中二次散射区域的比例，当所述比例大于预设阈值，进入步骤S5；
S5、对步骤S4获取的连通区域依次进行椭圆检测，根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域，若否，进入步骤S6；
S6、在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认所述连通区域为船舶目标区域。
2.根据权利要求1所述基于极化SAR图像的车辆船舶检测方法，其特征在于，所述步骤S1中，采用拉普拉斯金字塔算法对原始图像进行预处理。
3.根据权利要求1所述基于极化SAR图像的车辆船舶检测方法，其特征在于，所述步骤S2具体包括：
S21、将图像以固定大小分成多个矩形区域；
S22、在每个矩形区域中采用大津法进行阈值分割；
S23、将分割出来的前景标记为连通区域，计算每个连通区域面积，通过面积大小来区分水域、道路区域和其他区域；
S24、合并所述矩形区域，得到完整的图像水域和道路区域分割结果；
S25、将步骤S24得到的图像水域中的孔洞进行填充处理。
4.根据权利要求1所述基于极化SAR图像的车辆船舶检测方法，其特征在于，所述步骤S3具体包括：
S31、将步骤S2的结果与原始图像全局大津法阈值分割后结果做相与操作，得到前景区域；
S32、将得到的前景区域标记为连通区域并按顺序依次编号。
5.根据权利要求1所述基于极化SAR图像的车辆船舶检测方法，其特征在于，所述步骤S5中，所述根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域具体为：
若椭圆长短轴的比例在预设比例范围之间，则判断所述连通 区域为车辆船舶目标区域。
6.一种基于极化SAR图像的车辆船舶检测装置，其特征在于，所述装置包括：
预处理模块：用于对原始图像进行预处理；
区域分割模块：用于对预处理后的图像进行水域、道路区域分割；
前景提取模块：用于提取图像前景区域并依次标记连通区域；
反射特征检测模块：用于将图像接收到的散射能量进行Pauli分解，计算各个连通区域中二次散射区域的比例，当所述比例大于预设阈值，转至形状特征检测模块；
形状特征检测模块：用于对所述反射特征检测模块获取的连通区域依次进行椭圆检测，根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域，若否，转至航迹特征检测模块；
航迹特征检测模块：用于在连通区域外接椭圆长轴方向利用SVM分类器判断是否存在航迹，如果存在确认所述连通区域为船舶目标区域。
7.根据权利要求6所述基于极化SAR图像的车辆船舶检测装置，其特征在于，所述预处理模块中，采用拉普拉斯金字塔算法对原始图像进行预处理。
8.根据权利要求6所述基于极化SAR图像的车辆船舶检测装置，其特征在于，所述区域分割模块具体包括：
分割单元：将图像以固定大小分成多个矩形区域；在每个矩形区域中采用大津法进行阈值分割；将分割出来的前景标记为连通区域，计算每个连通区域面积，通过面积大小来区分水域、道路区域和其他区域；
合并单元：合并所述矩形区域，得到完整的图像水域和道路区域分割结果；
填充单元：对合并得到的图像水域中的孔洞进行填充处理。
9.根据权利要求6所述基于极化SAR图像的车辆船舶检测装置，其特征在于，所述前景提取模块包括：将区域分割模块的处理结果与将原始图像全局大津法阈值分割后结果做相与操作，得到前景区域；将得到的前景区域标记为连通区域并按顺序依次编号。
10.根据权利要求6所述基于极化SAR图像的车辆船舶检测装置，其特征在于，所述形状特征检测模块中，所述根据椭圆长短轴的比例来判断所述连通区域是否为车辆船舶目标区域具体为：
若椭圆长短轴的比例在预设比例范围之内，则判断所述连通 区域为车辆船舶目标区域。
CN201910952301.7A 2019-10-09 2019-10-09 一种基于极化sar图像的车辆船舶检测方法及装置 Active CN111105419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910952301.7A CN111105419B (zh) 2019-10-09 2019-10-09 一种基于极化sar图像的车辆船舶检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910952301.7A CN111105419B (zh) 2019-10-09 2019-10-09 一种基于极化sar图像的车辆船舶检测方法及装置

Publications (2)

Publication Number Publication Date
CN111105419A CN111105419A (zh) 2020-05-05
CN111105419B true CN111105419B (zh) 2023-04-18

Family

ID=70421351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910952301.7A Active CN111105419B (zh) 2019-10-09 2019-10-09 一种基于极化sar图像的车辆船舶检测方法及装置

Country Status (1)

Country Link
CN (1) CN111105419B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101750061A (zh) * 2008-12-10 2010-06-23 北京新岸线移动多媒体技术有限公司 用于目标航迹检测/航向预测的方法和装置
CN103514448A (zh) * 2013-10-24 2014-01-15 北京国基科技股份有限公司 船形识别方法和系统
CN104077777A (zh) * 2014-07-04 2014-10-01 中国科学院大学 一种海面舰船目标检测方法
CN106709426A (zh) * 2016-11-29 2017-05-24 上海航天测控通信研究所 基于红外遥感图像的舰船目标检测方法
CN106803100A (zh) * 2016-12-26 2017-06-06 国家海洋局第二海洋研究所 一种双极化星载sar图像海上船舶检测分类方法
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
CN108734111A (zh) * 2018-04-26 2018-11-02 西南电子技术研究所（中国电子科技集团公司第十研究所） Sar图像海面舰船识别方法
WO2019101221A1 (zh) * 2017-12-11 2019-05-31 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101750061A (zh) * 2008-12-10 2010-06-23 北京新岸线移动多媒体技术有限公司 用于目标航迹检测/航向预测的方法和装置
CN103514448A (zh) * 2013-10-24 2014-01-15 北京国基科技股份有限公司 船形识别方法和系统
CN104077777A (zh) * 2014-07-04 2014-10-01 中国科学院大学 一种海面舰船目标检测方法
CN106709426A (zh) * 2016-11-29 2017-05-24 上海航天测控通信研究所 基于红外遥感图像的舰船目标检测方法
CN106803100A (zh) * 2016-12-26 2017-06-06 国家海洋局第二海洋研究所 一种双极化星载sar图像海上船舶检测分类方法
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
WO2019101221A1 (zh) * 2017-12-11 2019-05-31 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统
CN108734111A (zh) * 2018-04-26 2018-11-02 西南电子技术研究所（中国电子科技集团公司第十研究所） Sar图像海面舰船识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAR图像舰船目标长宽特征提取技术;李德胜等;《舰船科学技术》(第05期);全文 *
基于几何特征的水面舰船快速检测算法;王方超等;《海军工程大学学报》(第05期);全文 *

Also Published As

Publication number Publication date
CN111105419A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
KR102067242B1 (ko) 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법
Graziano et al. Ship heading and velocity analysis by wake detection in SAR images
CN107942329B (zh) 机动平台单通道sar对海面舰船目标检测方法
CN109766811A (zh) 一种星载sar图像中海面船只的端到端检测与识别方法
Paes et al. Ship detection using TerraSAR-X images in the Campos Basin (Brazil)
Mattyus Near real-time automatic marine vessel detection on optical satellite images
CN102109597B (zh) 根据船舶的高分辨率sar影像识别船舶类型的方法
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
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
Iervolino et al. NovaSAR-S and maritime surveillance
CN107862271B (zh) 一种舰船目标的检测方法
Akbari et al. Iceberg detection in open and ice-infested waters using C-band polarimetric synthetic aperture radar
CN113362293A (zh) 一种基于显著性的sar图像舰船目标快速检测方法
Xie et al. Fast ship detection from optical satellite images based on ship distribution probability analysis
CN111105419B (zh) 一种基于极化sar图像的车辆船舶检测方法及装置
CN111428624B (zh) 一种光学遥感图像在轨舰船目标检测方法
EP1515160B1 (en) A target shadow detector for synthetic aperture radar
Iehara et al. Detection of ships using cross-correlation of split-look SAR images
Heyn et al. A system for automated vision-based sea-ice concentration detection and floe-size distribution indication from an icebreaker
Bloisi et al. Integrated visual information for maritime surveillance
Kim et al. Oil spill detection from RADARSAT-2 SAR image using non-local means filter
Sun et al. A Wave Texture Difference Method for Rainfall Detection Using X‐Band Marine Radar
Askari et al. An automatic approach to ship detection in spaceborne synthetic aperture radar imagery: an assessment of ship detection capability using RADARSAT
Jin et al. A new method for detection of ship docked in harbor in high resolution remote sensing image
Mecocci et al. Radar image processing for ship-traffic control

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