CN111667494A - 一种船载雷达原始图像的高亮目标快速分割方法 - Google Patents
一种船载雷达原始图像的高亮目标快速分割方法 Download PDFInfo
- Publication number
- CN111667494A CN111667494A CN202010506169.XA CN202010506169A CN111667494A CN 111667494 A CN111667494 A CN 111667494A CN 202010506169 A CN202010506169 A CN 202010506169A CN 111667494 A CN111667494 A CN 111667494A
- Authority
- CN
- China
- Prior art keywords
- image
- ship
- highlight
- target
- segmenting
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000001629 suppression Effects 0.000 claims abstract description 5
- 230000001131 transforming effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000158615 Quassia Species 0.000 description 1
- 235000009694 Quassia amara Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 229940013788 quassia Drugs 0.000 description 1
- 238000011160 research Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种船载雷达原始图像的高亮目标快速分割方法，包括以下步骤：S1：将图像变换至笛卡尔坐标系下表示；S2：对笛卡尔坐标系下的图像中的同频干扰噪声进行降噪处理；S3：抑制降噪处理后的图像中的海浪像元；S4：从抑制海浪像元处理后的图像中确定初步分割的高亮目标像元；S5：剔除小于像元数量阈值的斑点噪声，完成从图像中分割出高亮目标；S6：将分割后的图像变换回极坐标系下表示。本发明提供一种船载雷达原始图像的高亮目标快速分割方法，避免大量繁琐的计算，实现快速地分割高亮目标，解决了目前从船载雷达原始图像中提取高亮目标效率低的问题。
Description
技术领域
本发明涉及海洋数据监测技术领域，更具体的，涉及一种船载雷达原始图像的高亮目标快速分割方法。
背景技术
船载雷达原始图像中含有丰富的图像信息，包括海上船舶、海岸线(大陆与岛屿)、灯塔、海浪、溢油、海冰等。
陆瑛，应士君，孙振，施朝健，邹绪平，基于最大似然估计的航海雷达目标检测算法[J]。上海海事大学学报，2012，33(04)：1-4，结合船舶自动识别系统(AutomaticIdentification System，AIS)信息，提出一种利用最大似然估计(Maximum LikelihoodEstimate，MLE)分割海杂波中较亮目标的分割方法，主要用于海上搜救的目标检测。这种方法需要AIS系统提供船舶目标的数量、长度与位置等信息，结合雷达图像，生成样本集，忽略了尚未安装AIS的小型船舶，以及灯塔、陆地、岛屿等高亮目标的分割。
C.Nishizaki,Y.Niwa,M.Imasato,et al.A method for feature extractionand classification of marine radar images[C].2014World Automation Congress(WAC),Waikoloa,HI,2014,pp.48-53，尝试利用船载雷达图像进行处理和聚类分析，实现对船舶目标的自动分割。这种方法对含有船舶的船载雷达图像自动检测准确度较高。但在没有船舶的图像中，往往会检测到假阳性目标。
D.Yulian,R.Hidayat,H.A.Nugroho,et al.Automated ship detection withimage enhancement and feature extraction in FMCW marine radars[C].2017International Conference on Radar,Antenna,Microwave,Electronics,andTelecommunications(ICRAMET),Jakarta,2017,pp.58-63，将FMCW航海雷达进行岸基安装，结合电子海图系统，提出利用图像增强和特征提取技术实现图像中的船舶自动检测方法。这种方法首先需要剔除掉雷达图像中的陆地、岛屿、浅滩等区域，再利用高亮目标的大小、轮廓弧度、灰度强度值等特征对船舶图像和非船舶图像进行分类。这种方法适用于低噪声的船载雷达图像，对噪声较高的原始图像适用度较低。
胡晨曦，基于深度学习的航海雷达目标识别技术[J]。信息化研究，2018，44(02)：63-67，将预处理后的船载雷达图像分割成切片。利用深度学习识别器对雷达图像切片进行分类，实现了船舶、海岸线、海杂波与背景的分类。该方法能取得较好的识别效果。但是船舶和陆地都是高亮的目标，当两者都存在于图像中时，会出现错误的分类结果。
王海霞，徐进，王庆名等人，航海雷达目标快速识别方法研究[J]。无线电通信技术，2020，46(1)：126-132，采用自动多级阈值法对预处理效果较好的船载雷达图像中的高亮目标进行分割。该方法的实验结果表现较好。但由于计算多级阈值比较耗时，整体效率相对较低。
发明内容
本发明为克服现有技术从船载雷达原始图像中提取高亮目标效率低的技术缺陷，提供一种船载雷达原始图像的高亮目标快速分割方法。
为解决上述技术问题，本发明的技术方案如下：
一种船载雷达原始图像的高亮目标快速分割方法，包括以下步骤：
S1：将图像变换至笛卡尔坐标系下表示；
S2：对笛卡尔坐标系下的图像中的同频干扰噪声进行降噪处理；
S3：抑制降噪处理后的图像中的海浪像元；
S4：从抑制海浪像元处理后的图像中确定初步分割的高亮目标像元；
S5：剔除小于像元数量阈值的斑点噪声，完成从图像中分割出高亮目标；
S6：将分割后的图像变换回极坐标系下表示。
上述方案中，将船载雷达原始图像由极坐标系变换至笛卡尔坐标系下表示，对图像进行降噪处理与海浪像元抑制后，分割出海上的高亮目标，再将图像的坐标系变换回极坐标系，避免大量繁琐的计算，实现快速地分割高亮目标，为海上船舶航行安全避碰与海事测绘数据的采集验证提供高效、可靠的保障。
优选的，在步骤S2中，具体包括以下步骤：
S2.1：采用3×3矩阵作为卷积核，对笛卡尔坐标系统下的图像进行卷积运算；
S2.2：采用Otsu阈值，对卷积后的图像进行分割，提取同频干扰噪声；
S2.3：将同频干扰噪声点依据左右两侧最近的非噪声点像元灰度值进行平滑处理，完成降噪处理。
上述方案中，采用3×3矩阵作为卷积核进行卷积运算，使同频干扰噪声的灰度值升高，其他像元的灰度值降低，方便分割提取同频干扰噪声；Otsu算法利用类间的最大方差选取图像分割的阈值，可以有效降低同频干扰噪声增强后图像的分割错分概率，准确提取同频干扰噪声；。
优选的，在步骤S2.1中，3×3矩阵卷积核为[-1,2,-1；-2,4,-2；-1,2,-1]。
上述方案中，如果卷积核中心点是独立的高亮像元，则卷积后其灰度值将变得更高；否则，灰度值会降低。由于同频干扰噪声在笛卡尔坐标系统中是垂直方向的高亮射线，所以该卷积核还考虑了中心点垂直方向的临近像元灰度值，可以突出显示同频干扰噪声。
优选的，在步骤S2.3中，通过采用距离加权的线型滤波器对同频干扰噪声点进行滤波计算，从而将同频干扰噪声点依据左右两侧最近的非噪声点像元灰度值进行平滑处理。
上述方案中，采用距离加权的线性滤波器，可以有效保障同频干扰噪声点在水平方向的灰度变化均匀特性，有效保持原图像的真实程度。该距离加权的线性滤波器为：
其中，f(x,y)为图像中x行y列(噪声点所在位置)计算后得到的像元灰度值，m为f(x,y)左侧最近的非噪声点位置，n为f(x,y)右侧最近的非噪声点位置。
优选的，在步骤S3中，具体包括以下步骤：
S3.1：生成降噪处理后的图像的灰度校正矩阵；
S3.2：将降噪后的图像与灰度校正矩阵进行图像减运算，抑制图像中的海浪像元。
上述方案中，通过将降噪后的图像与灰度校正矩阵对应位置的灰度值进行相减，实现对图像中的海浪像元的抑制。
优选的，在步骤S3.1中，灰度校正矩阵每行的灰度值为降噪处理后的图像相应行的平均灰度值。
上述方案中，降低图像中每个像元的灰度值的同时保留了每行高灰度值像元相对水平邻域像元的高亮特性。
优选的，在步骤S4中，采用灰度阈值法，对减运算后的图像进行二值化处理，确定初步分割的高亮目标像元。
优选的，灰度阈值设定为200。
上述方案中，灰度值高于200的像元认定为初步分割的高亮目标像元，小于200的像元认定为背景像元。
优选的，在步骤S5中，采用目标像元数量阈值法剔除小于像元数量阈值的斑点噪声。
优选的，像元数量阈值设定为10。
上述方案中，像元数量小于10的初步分割的高亮目标像元为斑点噪声；像元数量大于或等于10的初步分割的高亮目标像元为海上真实存在的目标，包括船舶、岛屿、灯塔等。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种船载雷达原始图像的高亮目标快速分割方法，将船载雷达原始图像由极坐标系变换至笛卡尔坐标系下表示，对图像进行降噪处理与海浪像元抑制后，分割出海上的高亮目标，再将图像的坐标系变换回极坐标系，避免大量繁琐的计算，实现快速地分割高亮目标，为海上船舶航行安全避碰与海事测绘数据的采集验证提供高效、可靠的保障。
附图说明
图1为本发明的技术方案实施步骤流程图；
图2为本发明中在极坐标系下表示的船载雷达原始图像；
图3为本发明中在笛卡尔坐标系下表示的船载雷达原始图像；
图4为本发明中在极坐标系下表示的分割出高亮目标后的船载雷达图像；
图5为本发明中经过灰度阈值为200的灰度阈值法处理后的图像；
图6为本发明中目标像元数量阈值设定为10时剔除噪声斑点后的图像。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-4所示，一种船载雷达原始图像的高亮目标快速分割方法，包括以下步骤：
S1：将船载雷达原始图像由极坐标系变换至笛卡尔坐标系下表示；
S2：对笛卡尔坐标系下的图像中的同频干扰噪声进行降噪处理；具体包括以下步骤：
S2.1：采用3×3矩阵[-1,2,-1；-2,4,-2；-1,2,-1]作为卷积核，对笛卡尔坐标系统下的图像进行卷积运算；
S2.2：采用Otsu阈值，对卷积后的图像进行分割，提取同频干扰噪声；
S2.3：采用距离加权的线型滤波器
对同频干扰噪声点进行滤波计算，将同频干扰噪声点依据左右两侧最近的非噪声点像元灰度值进行平滑处理，完成降噪处理；其中，f(x,y)为图像中x行y列(噪声点所在位置)计算后得到的像元灰度值，m为f(x,y)左侧最近的非噪声点位置，n为f(x,y)右侧最近的非噪声点位置；
S3：抑制降噪处理后的图像中的海浪像元；具体包括以下步骤：
S3.1：生成降噪处理后的图像的灰度校正矩阵；
S3.2：将降噪后的图像与灰度校正矩阵进行图像减运算，抑制图像中的海浪像元；
S4：采用灰度阈值法，对减运算后的图像进行二值化处理，从抑制海浪像元处理后的图像中确定初步分割的高亮目标像元；
S5：采用目标像元数量阈值法剔除小于像元数量阈值的斑点噪声，完成从图像中分割出高亮目标；
S6：将分割后的图像变换回极坐标系下表示。
更具体的，在步骤S3.1中，灰度校正矩阵每行的灰度值为降噪处理后的图像相应行的平均灰度值。
更具体的，如图5所示，灰度阈值设定为200，对图像进行二值化处理。其中，灰度值高于200的像元认定为初步分割的高亮目标像元，小于200的像元认定为背景像元。
更具体的，如图6所示，像元数量阈值设定为10，剔除像元数量小于10的斑点噪声。其中，像元数量小于10的初步分割的高亮目标像元为斑点噪声；像元数量大于或等于10的初步分割的高亮目标像元为海上真实存在的目标，包括船舶、岛屿、灯塔等。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，包括以下步骤：
S1：将图像变换至笛卡尔坐标系下表示；
S2：对笛卡尔坐标系下的图像中的同频干扰噪声进行降噪处理；
S3：抑制降噪处理后的图像中的海浪像元；
S4：从抑制海浪像元处理后的图像中确定初步分割的高亮目标像元；
S5：剔除小于像元数量阈值的斑点噪声，完成从图像中分割出高亮目标；
S6：将分割后的图像变换回极坐标系下表示。
2.根据权利要求1所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，在步骤S2中，具体包括以下步骤：
S2.1：采用3×3矩阵作为卷积核，对笛卡尔坐标系统下的图像进行卷积运算；
S2.2：采用Otsu阈值，对卷积后的图像进行分割，提取同频干扰噪声；
S2.3：将同频干扰噪声点依据左右两侧最近的非噪声点像元灰度值进行平滑处理，完成降噪处理。
3.根据权利要求2所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，在步骤S2.1中，3×3矩阵卷积核为[-1,2,-1；-2,4,-2；-1,2,-1]。
4.根据权利要求2所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，在步骤S2.3中，通过采用距离加权的线型滤波器对同频干扰噪声点进行滤波计算，从而将同频干扰噪声点依据左右两侧最近的非噪声点像元灰度值进行平滑处理。
5.根据权利要求1所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，在步骤S3中，具体包括以下步骤：
S3.1：生成降噪处理后的图像的灰度校正矩阵；
S3.2：将降噪后的图像与灰度校正矩阵进行图像减运算，抑制图像中的海浪像元。
6.根据权利要求5所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，在步骤S3.1中，灰度校正矩阵每行的灰度值为降噪处理后的图像相应行的平均灰度值。
7.根据权利要求5所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，在步骤S4中，采用灰度阈值法，对减运算后的图像进行二值化处理，确定初步分割的高亮目标像元。
8.根据权利要求7所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，灰度阈值设定为200。
9.根据权利要求8所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，在步骤S5中，采用目标像元数量阈值法剔除小于像元数量阈值的斑点噪声。
10.根据权利要求9所述的一种船载雷达原始图像的高亮目标快速分割方法，其特征在于，像元数量阈值设定为10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506169.XA CN111667494A (zh) | 2020-06-05 | 2020-06-05 | 一种船载雷达原始图像的高亮目标快速分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506169.XA CN111667494A (zh) | 2020-06-05 | 2020-06-05 | 一种船载雷达原始图像的高亮目标快速分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111667494A true CN111667494A (zh) | 2020-09-15 |
Family
ID=72386764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010506169.XA Pending CN111667494A (zh) | 2020-06-05 | 2020-06-05 | 一种船载雷达原始图像的高亮目标快速分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111667494A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503716A (zh) * | 2023-03-21 | 2023-07-28 | 大连理工大学 | 一种雷达图像衍生与数据库扩容的方法 |
Citations (5)
| 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 |
| CN102163322A (zh) * | 2011-03-16 | 2011-08-24 | 哈尔滨工程大学 | 基于拉普拉斯算子的雷达图像中同频干扰的抑制方法 |
| CN109816683A (zh) * | 2019-01-29 | 2019-05-28 | 大连海事大学 | 一种航海雷达图像中海浪信息反演的预处理方法 |
| 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 |
-
2020
- 2020-06-05 CN CN202010506169.XA patent/CN111667494A/zh active Pending
Patent Citations (5)
| 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 |
| CN102163322A (zh) * | 2011-03-16 | 2011-08-24 | 哈尔滨工程大学 | 基于拉普拉斯算子的雷达图像中同频干扰的抑制方法 |
| CN109816683A (zh) * | 2019-01-29 | 2019-05-28 | 大连海事大学 | 一种航海雷达图像中海浪信息反演的预处理方法 |
| 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 (1)
| Title |
|---|
| 徐进 等: "船载雷达图像同频干扰抑制方法研究", 《中国水运》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503716A (zh) * | 2023-03-21 | 2023-07-28 | 大连理工大学 | 一种雷达图像衍生与数据库扩容的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
| CN109117802B (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
| 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 | |
| CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
| CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
| CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
| CN113420658A (zh) | 一种基于fcm聚类和otsu分割的sar图像海陆分割方法 | |
| CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
| 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 | |
| CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| 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 | |
| CN108596151B (zh) | 一种大场景sar图像中舰船目标切片快速提取方法 | |
| CN108717539A (zh) | 一种小尺寸舰船检测方法 | |
| CN117253150A (zh) | 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 | |
| CN113705505B (zh) | 一种面向海洋渔业的船舶目标检测方法和系统 | |
| CN111667494A (zh) | 一种船载雷达原始图像的高亮目标快速分割方法 | |
| CN111767856B (zh) | 基于灰度值统计分布模型的红外小目标检测算法 | |
| CN117115193A (zh) | 基于行抑制的红外舰船定位方法 | |
| Padmavathi et al. | Implementation and Comparison of different segmentation algorithms used for underwater images based on nonlinear objective assessments | |
| CN116797941A (zh) | 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 | |
| CN114283322A (zh) | 一种sar图像舰船检测方法 | |
| CN109816683B (zh) | 一种航海雷达图像中海浪信息反演的预处理方法 | |
| CN111680565B (zh) | 一种基于sar图像的港口区域舰船目标检测方法 | |
| Zhang et al. | Oil tank detection based on linear clustering saliency analysis for synthetic aperture radar images | |
| CN118015643A (zh) | 一种通过地图图像处理区分地面和海面的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200915 |
|
| RJ01 | Rejection of invention patent application after publication |