CN111611899A - 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法 - Google Patents

一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法 Download PDF

Info

Publication number
CN111611899A
CN111611899A CN202010414012.4A CN202010414012A CN111611899A CN 111611899 A CN111611899 A CN 111611899A CN 202010414012 A CN202010414012 A CN 202010414012A CN 111611899 A CN111611899 A CN 111611899A
Authority
CN
China
Prior art keywords
image
oil film
ship
original image
borne radar
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
CN202010414012.4A
Other languages
English (en)
Other versions
CN111611899B (zh
Inventor
徐进
王海霞
乔林
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202010414012.4A priority Critical patent/CN111611899B/zh
Publication of CN111611899A publication Critical patent/CN111611899A/zh
Application granted granted Critical
Publication of CN111611899B publication Critical patent/CN111611899B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于纹理特征与K‑means聚类算法的船载雷达原始图像油膜识别方法，属于海洋环境监测应用技术领域；为了解决船载雷达图像中的溢油对比海浪表现为“相对暗”的特征，从而导致油膜自动分割难度较大，且现有的机器学习方法在船载雷达图像油膜识别领域的应用较少的问题，本发明的技术方案包括：对船载雷达原始图像进行降噪与高亮像元抑制，得到降噪图像；对降噪图像进行灰度校正与局部对比度增强的预处理操作，得到预处理图像；提取上述预处理图像中的海上油膜。本发明方法先将船载雷达原始图像进行预处理；再通过LBP纹理特征与K‑means聚类算法提取油膜所在区域；之后通过局部自适应阈值，分割海上油膜，为海上溢油事故的监测提供技术支持。

Description

一种基于纹理特征与K-means聚类算法的船载雷达原始图像 油膜识别方法
技术领域
本发明涉及海洋环境监测应用技术领域，具体而言，尤其涉及一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法。
背景技术
机器学习方法在图像模式识别领域得到了成功应用，在星载与机载遥感影像海上油膜识别方面，也得到了良好的验证。Cao等人通过主动学习(Active Learning，AL)方法，训练样本相对较少的溢油自动分类系统，并从2004年至2013年覆盖加拿大东海岸和西海岸的198张RADARSAT卫星图像中，分类提取溢油点与疑似溢油目标。2014年，Alireza和Natascha基于自适应 Weibull乘性模型与多层感知器(Multi-Layer Perceptron，MLP)神经网络，对EnviSat与欧洲航天局的第二颗资源遥感卫星的雷达影像数据进行全自动溢油检测与分类。Liu等人基于光谱指数波段选择(Spectral Indices-based band selection，SIs)和一维卷积神经网络相结合的分类模型，实现了机载可见光/ 红外成像光谱仪(Airborne Visible Infrared Imaging Spectrometer，AVIRIS) 高光谱遥感图像油膜的自动分类。Chen等人基于分层无监督训练的方法，采用分层自编码和深度信念网络等机器学习方法，对2011年挪威水上溢油防治演习期间获得的RADARSAT-2四极化SAR图像进行海上溢油的分类。Xu 等人基于人工神经网络(Artificial Neural Network，ANN)、广义加性模型 (Generalized Additive Model，GAM)、惩罚线性判别分析(Penalized LinearDiscriminant Analysis，PLDA)等机器学习分类器，在RADARSAT-1遥感图像中，对2004年至2008年间的加拿大东部和西部沿海地区的溢油目标进行特征提取与分类识别。Chen和Lu结合子类别感知特征选择和SVM分类器，对无人驾驶飞行器或飞机上搭载的光学相机遥感图像进行了油膜识别。
由于船载雷达图像中的溢油对比海浪表现为“相对暗”的特征(即近距离的油膜经常比远距离的海浪灰度值高)，油膜自动分割难度较大。因此，机器学习方法在船载雷达图像油膜识别领域的应用较少。
发明内容
根据上述提出的技术问题，而提供一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法。本发明方法先将船载雷达原始图像进行预处理；再通过LBP纹理特征与K-means聚类算法提取油膜所在区域；之后通过局部自适应阈值，分割海上油膜。
本发明采用的技术手段如下：
一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，包括如下步骤：
S1、对船载雷达原始图像进行降噪与高亮像元抑制，得到降噪图像；
S2、对步骤S1中的降噪图像进行灰度校正与局部对比度增强的预处理操作，得到预处理图像；
S3、提取上述预处理图像中的海上油膜。
进一步地，所述步骤S1具体为：
S11、将含有油膜的船载雷达原始图像从极坐标系统，经过坐标系统变换，转换至笛卡尔坐标系统；
S12、对笛卡尔坐标系统下的船载雷达原始图像进行拉普拉斯算子卷积；
S13、采用Otsu算法，对拉普拉斯卷积后的图像进行分割，提取同频干扰噪声及高亮像元；
S14、采用均值滤波器，对提取到的同频干扰噪声及高亮像元进行抑制，得到降噪图像。
进一步地，所述步骤S12中的拉普拉斯算子具体为：
0 -1 0
-1 4 -1
0 -1 0
进一步地，所述步骤S14中的均值滤波器具体为：
Figure RE-GDA0002571809350000031
其中，m表示预抑制目标像元左边第一个的非抑制目标像元的距离，n表示预抑制目标像元右边第一个的非抑制目标像元的距离，x表示图像矩阵中的行号，y表示图像矩阵中的列号。
进一步地，所述步骤S21中的灰度校正矩阵图像是对降噪后的图像求均值后进行扩展生成的。
进一步地，所述步骤S3具体为：
S31、利用局部二值模式提取预处理图像中的图像特征；
S32、采用K-means聚类分析算法，将提取图像特征后的图像按照局部窗口尺寸进行分类；
S33、保留K-mean分类图像的中间类，设定为海上油膜的有效区域；
S34、利用Phansalkar局部自动局部阈值法，对所述预处理图像进行分割；
S35、将局部自适应阈值分割的图像与海上油膜有效区域进行相乘运算，得到初步提取的海上油膜图像；
S36、剔除上述初步提取的海上油膜图像中的斑点噪声，将图像取反，得到精确的海上油膜图像；
S37、将精确的海上油膜图像与降噪图像进行合成，红色标记海上油膜；
S38、将合成图像经过坐标系统变换，变换至极坐标系统。
较现有技术相比，本发明具有以下优点：
本发明提供的识别方法，先将船载雷达原始图像进行预处理，通过LBP 纹理特征与K-means聚类算法提取油膜所在区域；之后通过局部自适应阈值，分割海上油膜，为海上溢油事故的监测提供技术支持。
基于上述理由本发明可在海洋环境监测应用等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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为本发明方法流程图。
图2为本发明实施例提供的极坐标系统下含有溢油的船载雷达原始图像。
图3为本发明实施例提供的笛卡尔坐标系统下含有溢油的船载雷达原始图像。
图4为本发明实施例提供的拉普拉斯算子卷积示意图。
图5为本发明实施例提供的Otsu算法分割同频干扰噪声与高亮像元示意图。
图6为本发明实施例提供的均值滤波器抑制同频干扰噪声与高亮像元示意图。
图7为本发明实施例提供的灰度校正矩阵图像。
图8为本发明实施例提供的灰度校正后的图像。
图9为本发明实施例提供的得到灰度矫正矩阵图像的方法示意图。
图10为本发明实施例提供的CLAHE算法增强图像的局部对比度示意图。
图11为本发明实施例提供的提取预处理图像的LBP纹理特征示意图。
图12为本发明实施例提供的利用K-means算法将LBP特征图像分成三类的示意图。
图13为本发明实施例提供的将K-means分类的中间类作为有效的油膜区域的示意图。
图14为本发明实施例提供的局部自适应阈值对预处理图像进行分割的示意图。
图15为本发明实施例提供的初步分割的海上油膜示意图。
图16为本发明实施例提供的精确提取的海上油膜示意图。
图17为本发明实施例提供的红色标记海上油膜的位置示意图。
图18为本发明实施例提供的极坐标系统下的结果图像。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明提供了一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，包括如下步骤：
S1、对船载雷达原始图像进行降噪与高亮像元抑制，得到降噪图像；
S2、对步骤S1中的降噪图像进行灰度校正与局部对比度增强的预处理操作，得到预处理图像；
S3、提取上述预处理图像中的海上油膜。
优选地，所述步骤S1具体为：
S11、如图2所示，将含有油膜的船载雷达原始图像从极坐标系统，经过坐标系统变换，如图3所示，转换至笛卡尔坐标系统；
S12、对笛卡尔坐标系统下的船载雷达原始图像进行拉普拉斯算子卷积；如图4所示，所述拉普拉斯算子具体为：
0 -1 0
-1 4 -1
0 -1 0
S13、采用Otsu算法，对拉普拉斯卷积后的图像进行分割，提取同频干扰噪声及高亮像元；如图5所示。
S14、采用均值滤波器，对提取到的同频干扰噪声及高亮像元进行抑制，得到降噪图像。如图6所示，均值滤波器具体为：
Figure RE-GDA0002571809350000061
其中，m表示预抑制目标像元左边第一个的非抑制目标像元的距离，n 表示预抑制目标像元右边第一个的非抑制目标像元的距离，x表示图像矩阵中的行号，y表示图像矩阵中的列号。
优选地，所述步骤S2具体为：
S21、灰度校正：利用如图7所示的灰度校正矩阵图像对所述降噪图像进行减运算；校正图像的整体灰度分布如图8所示。如图9所示，所述灰度校正矩阵图像是对降噪后的图像求均值后进行扩展生成的。
S22、利用CLAHE(Contrast-limited Adaptive Histogram Equalization，有限对比度自适应直方图均衡法)算法，对灰度校正后的图像进行对比度增强，如图10所示。
优选地，所述步骤S3具体为：
S31、利用局部二值模式(Local Binary Pattern，LBP)提取预处理图像中的图像特征；如图11所示，图11中所采用的局部窗口尺寸为255×255；
S32、采用K-means(K均值)聚类分析算法，将提取图像特征后的图像按照局部窗口尺寸进行分类；如图12所示，图12中的分类设定为3类；
S33、保留K-mean分类图像的中间类，设定为海上油膜的有效区域，如图13所示；
S34、利用Phansalkar局部自动局部阈值法，对所述预处理图像进行分割；如图14所示，图14所采用的局部窗口尺寸为64×64。
S35、将局部自适应阈值分割的图像与海上油膜有效区域进行相乘运算，得到初步提取的海上油膜图像；如图15所示。
S36、剔除上述初步提取的海上油膜图像中的斑点噪声，将图像取反，如图16所示，得到精确的海上油膜图像；所述的斑点噪声为图15中，像元数量少于“100”的白色目标区域与像元数量少于“200”的黑色目标区域。
S37、将精确的海上油膜图像与降噪图像进行合成，红色标记海上油膜；如图17所示。
S38、将合成图像经过坐标系统变换，变换至极坐标系统。如图18所示。
最后应说明的是：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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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实施例技术方案的范围。

Claims (7)

1.一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其特征在于，包括如下步骤：
S1、对船载雷达原始图像进行降噪与高亮像元抑制，得到降噪图像；
S2、对步骤S1中的降噪图像进行灰度校正与局部对比度增强的预处理操作，得到预处理图像；
S3、提取上述预处理图像中的海上油膜。
2.根据权利要求1所述的基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其特征在于，所述步骤S1具体为：
S11、将含有油膜的船载雷达原始图像从极坐标系统，经过坐标系统变换，转换至笛卡尔坐标系统；
S12、对笛卡尔坐标系统下的船载雷达原始图像进行拉普拉斯算子卷积；
S13、采用Otsu算法，对拉普拉斯卷积后的图像进行分割，提取同频干扰噪声及高亮像元；
S14、采用均值滤波器，对提取到的同频干扰噪声及高亮像元进行抑制，得到降噪图像。
3.根据权利要求1或2所述的基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其特征在于，所述步骤S12中的拉普拉斯算子具体为：
0 -1 0 -1 4 -1 0 -1 0
。
4.根据权利要求1或2所述的基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其特征在于，所述步骤S14中的均值滤波器具体为：
Figure RE-FDA0002571809340000011
其中，m表示预抑制目标像元左边第一个的非抑制目标像元的距离，n表示预抑制目标像元右边第一个的非抑制目标像元的距离，x表示图像矩阵中的行号，y表示图像矩阵中的列号。
5.根据权利要求1所述的基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其特征在于，所述步骤S2具体为：
S21、灰度校正：利用灰度校正矩阵图像对所述降噪图像进行减运算；
S22、利用CLAHE算法，对灰度校正后的图像进行对比度增强。
6.根据权利要求5所述的基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其特征在于，所述步骤S21中的灰度校正矩阵图像是对降噪后的图像求均值后进行扩展生成的。
7.根据权利要求1所述的基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其特征在于，所述步骤S3具体为：
S31、利用局部二值模式提取预处理图像中的图像特征；
S32、采用K-means聚类分析算法，将提取图像特征后的图像按照局部窗口尺寸进行分类；
S33、保留K-mean分类图像的中间类，设定为海上油膜的有效区域；
S34、利用Phansalkar局部自动局部阈值法，对所述预处理图像进行分割；
S35、将局部自适应阈值分割的图像与海上油膜有效区域进行相乘运算，得到初步提取的海上油膜图像；
S36、剔除上述初步提取的海上油膜图像中的斑点噪声，将图像取反，得到精确的海上油膜图像；
S37、将精确的海上油膜图像与降噪图像进行合成，红色标记海上油膜；
S38、将合成图像经过坐标系统变换，变换至极坐标系统。
CN202010414012.4A 2020-05-15 2020-05-15 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法 Active CN111611899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010414012.4A CN111611899B (zh) 2020-05-15 2020-05-15 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414012.4A CN111611899B (zh) 2020-05-15 2020-05-15 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法

Publications (2)

Publication Number Publication Date
CN111611899A true CN111611899A (zh) 2020-09-01
CN111611899B CN111611899B (zh) 2023-06-30

Family

ID=72203383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414012.4A Active CN111611899B (zh) 2020-05-15 2020-05-15 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法

Country Status (1)

Country Link
CN (1) CN111611899B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200121A (zh) * 2020-10-24 2021-01-08 中国人民解放军国防科技大学 基于evm和深度学习的高光谱未知目标检测方法
CN113609887A (zh) * 2021-04-26 2021-11-05 中国石油大学(华东) 深度学习与浅层学习决策融合的海面溢油检测方法
CN115661649A (zh) * 2022-10-26 2023-01-31 广东海洋大学 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统
CN116012769A (zh) * 2022-09-07 2023-04-25 广东海洋大学 一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法
CN116109845A (zh) * 2023-02-13 2023-05-12 广东海洋大学 一种基于yolo网络的航海雷达溢油识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095957A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于图像分割的蚕茧计数方法
CN109829858A (zh) * 2019-01-29 2019-05-31 大连海事大学 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN110348442A (zh) * 2019-07-17 2019-10-18 大连海事大学 一种基于支持向量机的船载雷达图像海上油膜识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095957A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于图像分割的蚕茧计数方法
CN109829858A (zh) * 2019-01-29 2019-05-31 大连海事大学 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN110348442A (zh) * 2019-07-17 2019-10-18 大连海事大学 一种基于支持向量机的船载雷达图像海上油膜识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIN XU 等: ""Oil Spill Segmentation in Ship-Borne Radar Images with an Improved Active Contour Model"", 《REMOTE SENSING》 *
徐进 等: ""航海雷达溢油监测技术研究"", 《海洋环境科学》 *
武腾腾: ""SAR影像海面油膜识别关键技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王栋: ""SAR图像海面溢油检测技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王海霞 等: ""航海雷达目标快速识别方法研究"", 《信息传输与接入技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200121A (zh) * 2020-10-24 2021-01-08 中国人民解放军国防科技大学 基于evm和深度学习的高光谱未知目标检测方法
CN113609887A (zh) * 2021-04-26 2021-11-05 中国石油大学(华东) 深度学习与浅层学习决策融合的海面溢油检测方法
CN116012769A (zh) * 2022-09-07 2023-04-25 广东海洋大学 一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法
CN115661649A (zh) * 2022-10-26 2023-01-31 广东海洋大学 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统
CN116109845A (zh) * 2023-02-13 2023-05-12 广东海洋大学 一种基于yolo网络的航海雷达溢油识别方法及系统

Also Published As

Publication number Publication date
CN111611899B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN111611899B (zh) 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法
CN107609549B (zh) 一种自然场景下证件图像的文本检测方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN110197231B (zh) 基于可见光和红外光图像融合的鸟情探测设备及识别方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN109360179B (zh) 一种图像融合方法、装置及可读存储介质
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN113034474A (zh) 一种oled显示器晶圆图的测试方法
CN113435407B (zh) 一种输电系统的小目标识别方法及装置
CN101447027B (zh) 磁码字符区域的二值化方法及其应用
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN110348442B (zh) 一种基于支持向量机的船载雷达图像海上油膜识别方法
CN111476074A (zh) 基于毫米波图像的人体异物检测方法
CN116843581B (zh) 一种多场景图的图像增强方法、系统、设备和存储介质
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN111881924A (zh) 结合光照不变性与短曝光光照增强的暗光车照识别方法
CN116071339A (zh) 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法
CN111950409B (zh) 一种道路标记线智能识别方法及系统
CN109471106B (zh) 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法
Büschenfeld et al. Edge preserving land cover classification refinement using mean shift segmentation
CN116912254B (zh) 基于数据增强预处理的电缆缺陷识别方法
Nakhatovich et al. Applications of classical and deep learning techniques for polar bear detection and recognition from aero photography
CN116311212B (zh) 基于高速摄像机实现运动状态下的船号识别方法及装置
CN117218452B (zh) 一种土地图像自动分类管理系统

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