CN111428624A - 一种光学遥感图像在轨舰船目标检测方法 - Google Patents

一种光学遥感图像在轨舰船目标检测方法 Download PDF

Info

Publication number
CN111428624A
CN111428624A CN202010205440.6A CN202010205440A CN111428624A CN 111428624 A CN111428624 A CN 111428624A CN 202010205440 A CN202010205440 A CN 202010205440A CN 111428624 A CN111428624 A CN 111428624A
Authority
CN
China
Prior art keywords
ship
target candidate
remote sensing
candidate area
sensing 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.)
Granted
Application number
CN202010205440.6A
Other languages
English (en)
Other versions
CN111428624B (zh
Inventor
丁荣莉
李�杰
王冠雄
冯书谊
朱新忠
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.)
Shanghai Spaceflight Institute of TT&C and Telecommunication
Original Assignee
Shanghai Spaceflight Institute of TT&C and Telecommunication
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 Shanghai Spaceflight Institute of TT&C and Telecommunication filed Critical Shanghai Spaceflight Institute of TT&C and Telecommunication
Priority to CN202010205440.6A priority Critical patent/CN111428624B/zh
Publication of CN111428624A publication Critical patent/CN111428624A/zh
Application granted granted Critical
Publication of CN111428624B publication Critical patent/CN111428624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G06T5/70—
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明公开了一种光学遥感图像在轨舰船目标检测方法，包括以下步骤：步骤1：基于异常点判别的疑似目标候选区域提取；步骤2：疑似目标候选区域修正；步骤3：PCA规则化疑似目标候选区域；步骤4：舰船方向梯度直方图特征提取与舰船鉴别。本发明基于光学遥感图像特点和星上硬件架构设计采用粗检测与细鉴别相结合进行目标检测，其中基于异常点判别的粗检测利用舰船目标与海洋背景的差异尽量不遗漏的提取可能存在舰船目标的候选区域。基于舰船方向梯度直方图特征的细鉴别，根据舰船与其他干扰因素的差别剔除疑似目标候选区域虚警，提取出真正的舰船目标。本发明在保证算法高检测率、低虚警率性能的同时，进一步降低了算法复杂度，适用于在轨实现。

Description

一种光学遥感图像在轨舰船目标检测方法
技术领域
本发明涉及图像目标检测领域，特别涉及一种光学遥感图像在轨舰船目标检测方法。
背景技术
随着卫星遥感载荷分辨率的提高和信息化作战的需求，开展光学遥感图像在轨舰船目标检测在军舰探测、精确制导等军用领域以及海面搜救、渔船监管等民用领域具有极其重要的战略意义。而光学遥感图像易受光照、云雾和风浪等影响，使得建立高检测率、低虚警率的目标检测模型具有挑战性。且星上硬件架构与地面计算机的处理架构存在较大差异，要求在保障算法性能的同时降低算法复杂度。
发明内容
为了克服现有技术中的不足，本发明提供一种将粗检测和细鉴别相结合的光学遥感图像在轨舰船目标检测方法，以在复杂背景环境下准确、实时的检测出舰船目标。
为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
一种光学遥感图像在轨舰船目标检测方法，包括以下步骤：
步骤1：基于异常点判别的疑似目标候选区域提取；
步骤2：疑似目标候选区域修正；
步骤3：PCA规则化疑似目标候选区域；
步骤4：舰船方向梯度直方图特征提取与舰船鉴别。
进一步的，所述步骤1具体包括以下内容：
步骤11：对遥感图像进行中值滤波，以去除图像椒盐噪声，并进行切片处理，进而统计其灰度直方图信息；
步骤12：将像素灰度值出现频率较少的像素点判决为异常点，提取目标前景二值图像，由此得到目标候选区域。
进一步的，步骤12具体包括以下内容：
根据图像分辨率和检测船只大小设置异常点判别阈值，若灰度直方图在某个像素值统计的像素点个数低于阈值，则将此像素值对应的像素点判定为异常点置1，即为所有可疑目标的前景信息，对其进行八连通域提取构成目标候选区域。
进一步的，所述步骤2具体包括以下内容：
步骤21：对提取的疑似目标候选区域进行膨胀操作，填充目标候选区域二值化图像的孔洞和修正其不连续性；
步骤22：对膨胀后的疑似目标候选区域进行腐蚀操作，去除异常点判别产生的噪点和修正连通域面积。
进一步的，所述步骤3包括以下步骤：
步骤31：首先判别目标候选区域面积大小，若面积符合要求再进行PCA规则化疑似目标候选区域操作；
步骤32：通过PCA计算目标候选区域像素点坐标X的最大方差方向即舰船第一主轴方向，由最大特征值对应的特征向量得到旋转矩阵Wnk；
步骤33：计算Wnk*X得到规则化后的目标切片坐标。
进一步的，步骤31-步骤33具体包括以下计算内容：
统计目标候选区域的坐标信息，每个像素点可由二维坐标向量表示如下：
Figure BDA0002419455100000021
计算数据集X每列数据的均值Xmean，得到Xnew＝X-Xmean；
计算矩阵Xnew的协方差矩阵，并记为Cov；
Figure BDA0002419455100000022
计算协方差矩阵Cov的特征值和相应的特征向量；
将特征值从大到小排序，选择其中最大特征值对应的特征向量构成Wnk旋转矩阵，即可得到规则化后的目标候选区域的坐标Y，此时疑似目标主轴和竖直方向平行：
Figure BDA0002419455100000031
进一步的，所述步骤4包括以下步骤：
步骤41：计算规则化后疑似目标候选区域的水平和垂直方向梯度算子，如下式所示：
gx(x，y)＝f(x+1，y)-f(x-1，y) (4)
gy(x，y)＝f(x，y+1)-f(x，y-1) (5)
则其梯度幅值和梯度方向分别为：
Figure BDA0002419455100000032
Figure BDA0002419455100000033
步骤42：将疑似目标候选区域的梯度方向划分为8个区间，bin1到bin8分别为(337.5°，22.5°)、(22.5°，67.5°)、(67.5°，112.5°)、(112.5°，157.5°)、(157.5°，202.5°)、(202.5°，247.5°)、(247.5°，292.5°)和(292.5°，337.5°)；
步骤43：将疑似目标候选区域划分为完整舰船区域B1，舰船上半部分B2和舰船下半部分B3，以8个方向区间序号为直方图横轴，以对应方向区间的梯度幅值累加值为纵轴统计其舰船方向梯度直方图特征；
步骤44：若疑似目标候选区域的舰船方向梯度直方图特征满足下式三个判别条件，则可判定为舰船：
Figure BDA0002419455100000034
Figure BDA0002419455100000035
Figure BDA0002419455100000036
其中，bin1和bin5梯度方向的统计值为Hf＝{h1，h5)，其他bins梯度方向的统计值为Hp＝{h2，h3，h4，h6，h7，h8}，
Figure BDA0002419455100000037
是Hf的平均值，
Figure BDA0002419455100000038
是Hp的平均值。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
本发明基于光学遥感图像舰船目标检测特点和星上硬件架构设计，提出了一种光学遥感图像在轨舰船目标检测方法，采用粗检测与细鉴别相结合进行目标检测，其中基于异常点判别的粗检测，利用舰船目标与海洋背景的差异尽量不遗漏的提取可能存在舰船目标的候选区域。基于舰船方向梯度直方图特征的细鉴别，根据舰船与其他干扰因素的差别剔除疑似目标候选区域虚警，提取出真正的舰船目标。本发明在保证算法高检测率、低虚警率性能的同时，进一步降低了算法复杂度，适用于在轨实现。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：
图1是本发明一种光学遥感图像在轨舰船目标检测方法的流程示意图；
图2是本发明一种光学遥感图像在轨舰船目标检测方法中目标候选区域舰船方向梯度直方图方向梯度划分示意图；
图3是本发明一种光学遥感图像在轨舰船目标检测方法中规则化的目标候选区域分块图示意图；
图4是本发明一种光学遥感图像在轨舰船目标检测方法中目标候选区域舰船方向梯度直方图特征示意图；
图5是本发明一种光学遥感图像在轨舰船目标检测方法中遥感图像舰船目标检测结果示意图。
具体实施方式
以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，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的前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，本实施例公开了一种光学遥感图像在轨舰船目标检测方法，包括以下步骤：
步骤1：基于异常点判别的疑似目标候选区域提取；
进一步的，所述步骤1具体包括以下内容：
步骤11：对遥感图像进行中值滤波，以去除图像椒盐噪声，并进行切片处理，进而统计其灰度直方图信息；优选的，步骤11中的切片处理具体是将图像无重叠分成512*512大小切片。
步骤12：将像素灰度值出现频率较少的像素点判决为异常点，提取目标前景二值图像，由此得到目标候选区域。具体的，根据图像分辨率和检测船只大小设置异常点判别阈值，若灰度直方图在某个像素值统计的像素点个数低于阈值，则将此像素值对应的像素点判定为异常点置1，即为所有可疑目标的前景信息，对其进行八连通域提取构成目标候选区域。
步骤2：疑似目标候选区域修正；
进一步的，所述步骤2具体包括以下内容：
步骤21：对提取的疑似目标候选区域进行膨胀操作，填充目标候选区域二值化图像的孔洞和修正其不连续性；
步骤22：对膨胀后的疑似目标候选区域进行腐蚀操作，去除异常点判别产生的噪点和修正连通域面积。
步骤3：PCA规则化疑似目标候选区域；
进一步的，所述步骤3包括以下步骤：
步骤31：首先判别目标候选区域面积大小，若面积符合要求再进行PCA规则化疑似目标候选区域操作；
步骤32：通过PCA计算目标候选区域像素点坐标X的最大方差方向即舰船第一主轴方向，由最大特征值对应的特征向量得到旋转矩阵Wnk；
步骤33：计算Wnk*X得到规则化后的目标切片坐标。
进一步的，步骤31-步骤33具体包括以下计算内容：
统计目标候选区域的坐标信息，每个像素点可由二维坐标向量表示如下：
Figure BDA0002419455100000061
计算数据集X每列数据的均值Xmean，得到Xnew＝X-Xmean；
计算矩阵Xnew的协方差矩阵，并记为Cov；
Figure BDA0002419455100000062
计算协方差矩阵Cov的特征值和相应的特征向量；
将特征值从大到小排序，选择其中最大特征值对应的特征向量构成Wnk旋转矩阵，即可得到规则化后的目标候选区域的坐标Y，此时疑似目标主轴和竖直方向平行：
Figure BDA0002419455100000063
步骤4：舰船方向梯度直方图特征提取与舰船鉴别。
进一步的，所述步骤4包括以下步骤：
步骤41：计算规则化后疑似目标候选区域的水平和垂直方向梯度算子，如下式所示：
gx(x，y)＝f(x+1，y)-f(x-1，y) (4)
gy(x，y)＝f(x，y+1)-f(x，y-1) (5)
则其梯度幅值和梯度方向分别为：
Figure BDA0002419455100000064
Figure BDA0002419455100000065
步骤42：如图2所示，将疑似目标候选区域的梯度方向划分为8个区间，bin1到bin8分别为(337.5°，22.5°)、(22.5°，67.5°)、(67.5°，112.5°)、(112.5°，157.5°)、(157.5°，202.5°)、(202.5°，247.5°)、(247.5°，292.5°)和(292.5°，337.5°)；
步骤43：如图3所示，将疑似目标候选区域划分为完整舰船区域B1，舰船上半部分B2和舰船下半部分B3，以8个方向区间序号为直方图横轴，以对应方向区间的梯度幅值累加值为纵轴统计其舰船方向梯度直方图特征；如图4所示，相比于碎云和岛屿，舰船目标bin1和bin5统计值高于其他bins且bin1和bin5对称分布。
步骤44：若疑似目标候选区域的舰船方向梯度直方图特征满足下式三个判别条件，则可判定为舰船：
Figure BDA0002419455100000071
Figure BDA0002419455100000072
Figure BDA0002419455100000073
其中，bin1和bin5梯度方向的统计值为Hf＝{h1，h5)，其他bins梯度方向的统计值为Hp＝{h2，h3，h4，h6，h7，h8)，
Figure BDA0002419455100000074
是Hf的平均值，
Figure BDA0002419455100000075
是Hp的平均值。
综上所述，本实施例基于光学遥感图像舰船目标检测特点和星上硬件架构设计，提出了一种光学遥感图像在轨舰船目标检测方法，采用粗检测与细鉴别相结合进行目标检测，其中基于异常点判别的粗检测，利用舰船目标与海洋背景的差异尽量不遗漏的提取可能存在舰船目标的候选区域。基于舰船方向梯度直方图特征的细鉴别，根据舰船与其他干扰因素的差别剔除疑似目标候选区域虚警，提取出真正的舰船目标。本实施例在保证算法高检测率、低虚警率性能的同时，进一步降低了算法复杂度，适用于在轨实现。图5是本发明一种光学遥感图像在轨舰船目标检测方法中遥感图像舰船目标检测结果示意图。
以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (7)

1.一种光学遥感图像在轨舰船目标检测方法，其特征在于，包括以下步骤：
步骤1：基于异常点判别的疑似目标候选区域提取；
步骤2：疑似目标候选区域修正；
步骤3：PCA规则化疑似目标候选区域；
步骤4：舰船方向梯度直方图特征提取与舰船鉴别。
2.根据权利要求1所述的一种光学遥感图像在轨舰船目标检测方法，其特征在于，所述步骤1具体包括以下内容：
步骤11：对遥感图像进行中值滤波，以去除图像椒盐噪声，并进行切片处理，进而统计其灰度直方图信息；
步骤12：将像素灰度值出现频率较少的像素点判决为异常点，提取目标前景二值图像，由此得到目标候选区域。
3.根据权利要求2所述的一种光学遥感图像在轨舰船目标检测方法，其特征在于，步骤12具体包括以下内容：
根据图像分辨率和检测船只大小设置异常点判别阈值，若灰度直方图在某个像素值统计的像素点个数低于阈值，则将此像素值对应的像素点判定为异常点置1，即为所有可疑目标的前景信息，对其进行八连通域提取构成目标候选区域。
4.根据权利要求3所述的一种光学遥感图像在轨舰船目标检测方法，其特征在于，所述步骤2具体包括以下内容：
步骤21：对提取的疑似目标候选区域进行膨胀操作，填充目标候选区域二值化图像的孔洞和修正其不连续性；
步骤22：对膨胀后的疑似目标候选区域进行腐蚀操作，去除异常点判别产生的噪点和修正连通域面积。
5.根据权利要求4所述的一种光学遥感图像在轨舰船目标检测方法，其特征在于，所述步骤3包括以下步骤：
步骤31：首先判别目标候选区域面积大小，若面积符合要求再进行PCA规则化疑似目标候选区域操作；
步骤32：通过PCA计算目标候选区域像素点坐标X的最大方差方向即舰船第一主轴方向，由最大特征值对应的特征向量得到旋转矩阵Wnk；
步骤33：计算Wnk*X得到规则化后的目标切片坐标。
6.根据权利要求5所述的一种光学遥感图像在轨舰船目标检测方法，其特征在于，步骤31-步骤33具体包括以下计算内容：
统计目标候选区域的坐标信息，每个像素点可由二维坐标向量表示如下：
Figure FDA0002419455090000021
计算数据集X每列数据的均值Xmean，得到Xnew＝X-Xmean；
计算矩阵Xnew的协方差矩阵，并记为Cov；
Figure FDA0002419455090000022
计算协方差矩阵Cov的特征值和相应的特征向量；
将特征值从大到小排序，选择其中最大特征值对应的特征向量构成Wnk旋转矩阵，即可得到规则化后的目标候选区域的坐标Y，此时疑似目标主轴和竖直方向平行：
Figure FDA0002419455090000023
7.根据权利要求6所述的一种光学遥感图像在轨舰船目标检测方法，其特征在于，所述步骤4包括以下步骤：
步骤41：计算规则化后疑似目标候选区域的水平和垂直方向梯度算子，如下式所示：
gx(x，y)＝f(x+1，y)-f(x-1，y) (4)
gy(x，y)＝f(x，y+1)-f(x，y-1) (5)
则其梯度幅值和梯度方向分别为：
Figure FDA0002419455090000024
Figure FDA0002419455090000025
步骤42：将疑似目标候选区域的梯度方向划分为8个区间，bin1到bin8分别为(337.5°，22.5°)、(22.5°，67.5°)、(67.5°，112.5°)、(112.5°，157.5°)、(157.5°，202.5°)、(202.5°，247.5°)、(247.5°，292.5°)和(292.5°，337.5°)；
步骤43：将疑似目标候选区域划分为完整舰船区域B1，舰船上半部分B2和舰船下半部分B3，以8个方向区间序号为直方图横轴，以对应方向区间的梯度幅值累加值为纵轴统计其舰船方向梯度直方图特征；
步骤44：若疑似目标候选区域的舰船方向梯度直方图特征满足下式三个判别条件，则可判定为舰船：
Figure FDA0002419455090000031
Figure FDA0002419455090000032
Figure FDA0002419455090000033
其中，bin1和bin5梯度方向的统计值为Hf＝{h1，h5}，其他bins梯度方向的统计值为Hp＝{h2，h3，h4，h6，h7，h8}，
Figure FDA0002419455090000034
是Hf的平均值，
Figure FDA0002419455090000035
是Hp的平均值。
CN202010205440.6A 2020-03-20 2020-03-20 一种光学遥感图像在轨舰船目标检测方法 Active CN111428624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010205440.6A CN111428624B (zh) 2020-03-20 2020-03-20 一种光学遥感图像在轨舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010205440.6A CN111428624B (zh) 2020-03-20 2020-03-20 一种光学遥感图像在轨舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN111428624A true CN111428624A (zh) 2020-07-17
CN111428624B CN111428624B (zh) 2023-04-14

Family

ID=71548492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010205440.6A Active CN111428624B (zh) 2020-03-20 2020-03-20 一种光学遥感图像在轨舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN111428624B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221250A (zh) * 2021-05-24 2021-08-06 北京市遥感信息研究所 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法
CN116503733A (zh) * 2023-04-25 2023-07-28 北京卫星信息工程研究所 遥感图像目标检测方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768406A (en) * 1994-07-14 1998-06-16 Philips Electronics North America Mass detection in digital X-ray images using multiple threshold levels to discriminate spots
US20130208997A1 (en) * 2010-11-02 2013-08-15 Zte Corporation Method and Apparatus for Combining Panoramic Image
CN104091335A (zh) * 2014-07-04 2014-10-08 西安电子科技大学 极化sar图像舰船目标检测方法
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法
CN107292917A (zh) * 2017-06-15 2017-10-24 武汉理工大学 一种基于视频图像处理的船舶走锚识别方法
CN110197121A (zh) * 2019-04-24 2019-09-03 上海理工大学 基于DirectShow的运动目标检测方法、运动目标检测模块及监控系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768406A (en) * 1994-07-14 1998-06-16 Philips Electronics North America Mass detection in digital X-ray images using multiple threshold levels to discriminate spots
US20130208997A1 (en) * 2010-11-02 2013-08-15 Zte Corporation Method and Apparatus for Combining Panoramic Image
CN104091335A (zh) * 2014-07-04 2014-10-08 西安电子科技大学 极化sar图像舰船目标检测方法
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法
CN107292917A (zh) * 2017-06-15 2017-10-24 武汉理工大学 一种基于视频图像处理的船舶走锚识别方法
CN110197121A (zh) * 2019-04-24 2019-09-03 上海理工大学 基于DirectShow的运动目标检测方法、运动目标检测模块及监控系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221250A (zh) * 2021-05-24 2021-08-06 北京市遥感信息研究所 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法
CN113221250B (zh) * 2021-05-24 2024-03-29 北京市遥感信息研究所 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法
CN116503733A (zh) * 2023-04-25 2023-07-28 北京卫星信息工程研究所 遥感图像目标检测方法、设备及存储介质
CN116503733B (zh) * 2023-04-25 2024-02-06 北京卫星信息工程研究所 遥感图像目标检测方法、设备及存储介质

Also Published As

Publication number Publication date
CN111428624B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
Kang et al. A modified faster R-CNN based on CFAR algorithm for SAR ship detection
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
Barbat et al. An adaptive machine learning approach to improve automatic iceberg detection from SAR images
CN109427055B (zh) 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法
CN111582089A (zh) 基于卫星红外与可见光图像的海上目标信息融合方法
CN111428624B (zh) 一种光学遥感图像在轨舰船目标检测方法
Song et al. Automatic ship detection for optical satellite images based on visual attention model and LBP
Xu et al. Ship detection and extraction using visual saliency and histogram of oriented gradient
CN107862262A (zh) 一种适用于高空侦察的快速可见光图像舰船检测方法
CN111428573B (zh) 一种复杂背景下的红外弱小目标检测虚警抑制方法
Xie et al. Fast ship detection from optical satellite images based on ship distribution probability analysis
CN113362293A (zh) 一种基于显著性的sar图像舰船目标快速检测方法
Fu et al. Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN112669332B (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
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
CN111105419B (zh) 一种基于极化sar图像的车辆船舶检测方法及装置
CN111127506B (zh) 一种基于序列图像的海上运动目标综合检测方法
Selvi et al. A novel approach for ship recognition using shape and texture
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
Haigang et al. A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model
Ettabaa et al. Anomaly detection in hyperspectral imagery: an overview
Zehtabian et al. Adaptive restoration of multispectral datasets used for SVM classification
CN109918968B (zh) 一种舰船目标检测方法
Liu et al. An automatic ship detection system using ERS SAR 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