CN111680565B - 一种基于sar图像的港口区域舰船目标检测方法 - Google Patents
一种基于sar图像的港口区域舰船目标检测方法 Download PDFInfo
- Publication number
- CN111680565B CN111680565B CN202010390325.0A CN202010390325A CN111680565B CN 111680565 B CN111680565 B CN 111680565B CN 202010390325 A CN202010390325 A CN 202010390325A CN 111680565 B CN111680565 B CN 111680565B
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- real
- area
- region
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于SAR图像的港口区域舰船目标检测方法,属于雷达图像处理技术领域,包括:根据SAR模板图像处理得到二值掩膜图;对SAR实时图像和SAR模板图像进行图像匹配得到像素位置对应关系;区分SAR实时图像中的陆地区域部分与海面区域部分;对SAR实时图像进行显著性检测得到显著图,并分割显著图得到二值化的显著图;获取二值化的显著图中每个目标潜在区域的位置信息,并根据预设的参数条件对所有目标潜在区域进行筛选得到舰船目标检测结果。本发明的有益效果:通过将SAR实时图像与SAR模板图像进行匹配实现高精度的海陆分离,能够有效克服港口区域复杂环境的影响,实现准确快速的舰船目标检测。
Description
技术领域
本发明涉及雷达图像处理技术领域,具体涉及一种基于SAR图像的港口区域舰船目标检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)不受光照、气候等条件约束,具有全天侯、全天时工作的能力。港口是重要的军事目标区域,利用SAR图像对港口内的舰船目标进行准确的在线检测具有重要意义。
港口区域与开阔海域相比干扰较多,环境复杂,不仅有纯海洋环境,还有陆地、岛屿、人造码头等,码头和舰船均属于强散射目标且灰度接近,当舰船停泊在码头附近时,在图像上经常与码头连成一体,传统的目标检测算法难以适用于港口场景。例如,恒虚警率法(Constant False Alarm Rate,CFAR)是最常用的SAR图像舰船目标检测方法,它的核心思想是根据区域杂波数据建立杂波分布模型,然后通过虚警率求出目标像素分割阈值,最后利用阈值检测出SAR图像中的高灰度值目标。当背景简单时,该方法通过检测门限能较好地从背景中分离出目标,但在港口复杂背景条件下,该方法难以直接应用。此外,该方法时间复杂度较高,几乎不能应用于有较高实时性需求的应用场景。
近年来,基于深度学习的目标检测方法被应用到SAR图像中并取得了一些成果,这类方法需要大量的SAR图像样本来训练神经网络模型,但是在很多情况下尤其是军事应用中,难以获得大量的训练样本。同时,这类方法的运算效率与神经网络模型的大小成反比,当模型较大时难以满足实时工程应用需求。此外,目前神经网络模型具有不可解释性,当检测失败时无法准确分析定位问题。
由于舰船一般都在海面上停泊或运动,因此海陆分离有利于降低港口环境中舰船目标检测的难度。高精度的海陆分离能够最大可能地降低陆地区域的干扰,仅在水域中检测舰船目标,可提高检测正确性同时降低运算量。目标常用的海陆分离方法大都来源于光学图像处理,之后被应用于SAR图像分割,如马尔可夫随机场法、水平集法、边界跟踪法等。这些方法的抗干扰能力有限,在港口复杂环境下,难以获得准确性和精度较高的海陆分离结果。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于SAR图像的港口区域舰船目标检测方法,通过对包含舰船的SAR港口图像进行处理分析,检测出其中的舰船目标,可实现SAR港口图像中舰船目标的准确快速检测,为后续决策提供有效的信息支持。
本发明提供的一种基于SAR图像的港口区域舰船目标检测方法,所述港口区域由陆地区域和海面区域构成,所述方法包括步骤:
步骤S1、获取港口区域的SAR模板图像,根据所述SAR模板图像处理得到二值掩膜图,所述二值掩膜图中对应陆地区域部分与对应海面区域部分的灰度值不同;
步骤S2、获取港口区域的SAR实时图像,分别旋转所述SAR模板图像和所述二值掩膜图,以使其场景方向都与所述SAR实时图像中的场景方向相同,对所述SAR实时图像和所述SAR模板图像进行图像匹配得到像素位置对应关系;
步骤S3、根据所述像素位置对应关系,参照所述二值掩膜图区分所述SAR实时图像中陆地区域部分与海面区域部分,并将所述SAR实时图像中海面区域部分的像素均值赋值给陆地区域部分中的所有像素;
步骤S4、对所述SAR实时图像进行显著性检测得到显著图,对所述显著图进行分割得到二值化的显著图,所述二值化的显著图中包括背景区域和目标潜在区域;
步骤S5、采用区域增长法获取所述二值化的显著图中每个目标潜在区域的位置信息,并根据预设的参数条件对所有目标潜在区域进行筛选得到舰船目标检测结果。
优选的,所述步骤S1中,通过在已校准至正北方向的SAR卫星图像上截取所述港口区域的图像获得所述SAR模板图像。
优选的,所述步骤S1中,将所述二值掩膜图中对应陆地区域部分的灰度值置为255,将所述二值掩膜图中对应海面区域部分的灰度值置为0。
优选的,所述步骤S2中,根据先验信息获得所述SAR实时图像的旋转角度,根据所述旋转角度分别旋转所述SAR模板图像和所述二值掩膜图,以使其场景方向都与所述SAR实时图像中的场景方向相同;
所述先验信息包括运动平台航向角和雷达波束方位角。
优选的,所述步骤S1中,获取所述SAR模板图像后,在所述SAR模板图像上设置待匹配点。
优选的,所述步骤S2中,在进行所述图像匹配处理时,采用图像匹配方法,以所述待匹配点为中心在所述SAR模板图上选取一块待匹配区域,将所述待匹配区域与所述SAR实时图像进行图像匹配,得到所述SAR实时图中与所述待匹配点位置对应的匹配点,基于所述匹配点的图像位置得到所述SAR实时图像与旋转后的所述SAR模板图像的所述像素位置对应关系;
所述图像匹配方法包括去均值归一化灰度相关算法。
优选的,所述步骤S3中,对所述SAR实时图像进行海陆区分后,采用灰度标准差滤波方法对所述SAR实时图像进行处理得到平滑后的SAR实时图像。
优选的,所述步骤S4中,采用显著性检测算法,对所述SAR实时图像进行处理得到所述显著图;
所述显著性检测算法包括频率调谐法。
优选的,所述步骤S4中,采用最大类间方差法分割所述显著图得到所述二值化的显著图;
所述步骤S4中,得到所述二值化的显著图后,对所述二值化的显著图进行形态学腐蚀处理。
优选的,所述参数条件包括长、宽、长宽比、面积及平均灰度的有效范围。
与现有技术相比,本发明的优点在于:
(1)本发明适用于空中运动平台SAR图像港口舰船目标检测,能够有效克服港口区域复杂环境的影响,准确地检测出其中的舰船目标。
(2)本发明相对于传统方法不仅有较好的检测效果,而且原理清晰,运算速度快,满足对实时性要求较高的工程需求。
附图说明
图1为本发明实施例中,基于SAR图像的港口区域舰船目标检测方法的流程图。
图2(a)为本发明实施例中,港口区域的SAR实时图像;
图2(b)为本发明实施例中,港口区域的SAR模板图像;
图2(c)为本发明实施例中,港口区域的二值掩膜图;
图2(d)为本发明实施例中,旋转后的SAR模板图像;
图2(e)为本发明实施例中,旋转后的二值掩膜图;
图2(f)为本发明实施例中,设置待匹配区域的旋转后的SAR模板图像;
图2(g)为本发明实施例中,SAR实时图像的图像匹配结果示意图;
图2(h)为本发明实施例中,与SAR实时图像的图像匹配结果对应的旋转后的二值掩膜图;
图2(i)为本发明实施例中,海陆分离及填充结果示意图;
图2(j)为本发明实施例中,灰度标准差滤波结果示意图;
图2(k)为本发明实施例中,频率调谐显著性检测结果示意图;
图2(l)为本发明实施例中,最大类间方差法二值化处理结果示意图;
图2(m)为本发明实施例中,形态学腐蚀处理结果示意图;
图2(n)为本发明实施例中,区域增长获取每个目标潜在区域示意图;
图2(o)为本发明实施例中,舰船目标检测结果示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示,本发明实施例提供一种基于SAR图像的港口区域舰船目标检测方法,港口区域由陆地区域和海面区域构成,上述方法包括步骤:获取港口区域的SAR模板图像,并根据SAR模板图像处理得到二值掩膜图,将二值掩膜图中对应陆地区域部分与对应海面区域部分的灰度值设为不同值。利用空中运动平台获取SAR实时图像后,分别旋转SAR模板图像和二值掩膜图,以使其场景方向都与SAR实时图像中的场景方向相同,对SAR实时图像和SAR模板图像进行图像匹配得到两者的像素位置对应关系。根据像素位置对应关系,参照二值掩膜图,区分SAR实时图像中陆地区域部分与海面区域部分以实现海陆分离,然后将SAR实时图像中海面区域部分的像素均值赋值给SAR实时图像中陆地区域部分中的所有像素,其他像素灰度值保持不变。对SAR实时图像进行显著性检测得到显著图,对显著图进行分割得到二值化的显著图,二值化的显著图中包括背景区域和目标潜在区域,目标潜在区域为所有可能是舰船目标的区域。采用区域增长法获取上述二值化的显著图中每个目标潜在区域的位置信息,并根据预设的参数条件对所有目标潜在区域进行筛选得到舰船目标检测结果。
本发明中,可以采用空中运动平台采集SAR实时图像,通过将SAR实时图像与预设的SAR模板图像进行匹配实现高精度的海陆分离,然后在海面区域中实现准确快速的舰船目标检测。该发明能够有效克服港口区域复杂环境的影响,准确地检测出其中的舰船目标,相对于传统方法不仅有较好的检测效果,而且原理清晰,运算速度快,满足对实时性要求较高的工程需求。
在一个具体的实施例中,参见图1、2(a)-2(o)所示,提供一种基于SAR图像的港口区域舰船目标检测方法,上述港口区域由陆地区域和海面区域构成,该方法包括下述步骤:
步骤S1、获取港口区域的SAR模板图像,根据上述SAR模板图像处理得到二值掩膜图,上述二值掩膜图中对应陆地区域部分与对应海面区域部分的灰度值不同。
在步骤S1中,在已校准至正北方向的SAR卫星图像上截取港口区域作为SAR模板图,并在SAR模板图中设置待匹配点P,待匹配点P周围应有较丰富的纹理特征利于后续的图像匹配,SAR模板图如图2(b)所示,其中P点为待匹配点。手动制作SAR模板图像对应的二值掩膜图,可将其中对应海面区域部分的灰度值置为0,对应陆地区域部分的灰度值置为255(具体操作时的灰度值设置可根据实际需要设定),二值掩膜图如图2(c)所示。
步骤S2、获取港口区域的SAR实时图像,分别旋转上述SAR模板图像和上述二值掩膜图,以使其场景方向都与上述SAR实时图像中的场景方向相同,对上述SAR实时图像和上述SAR模板图像进行图像匹配得到像素位置对应关系。
在步骤S2中,在空中运动平台上采集港口区域的SAR实时图像,SAR实时图像如图2(a)所示。根据先验信息获得SAR实时图像的旋转角度,按此角度旋转SAR模板图及其二值掩膜图,使这两者中的场景方向与SAR实时图像中的场景方向一致,旋转后的SAR模板图和二值掩膜图分别如图2(d)和2(e)所示。先验信息包括运动平台航向角和雷达波束方位角。
在进行SAR实时图像和上述SAR模板图像的图像匹配处理时,采用预设的图像匹配方法,以待匹配点P为中心在SAR模板图像上选取一块待匹配区域,待匹配区域大小为80×80像素(具体操作时的区域大小设置可根据实际需要设定),待匹配点P和待匹配区域如图2(f)所示。将待匹配区域与SAR实时图像进行图像匹配,得到SAR实时图像中与待匹配点P位置对应的匹配点P′,基于匹配点P′和P的像素位置对应关系,可得到SAR实时图像与旋转后的SAR模板图像的像素位置对应关系,匹配点P′和匹配结果如图2(g)所示。
图像匹配方法包括去均值归一化灰度相关算法。去均值归一化灰度相关算法是一种非常行之有效的经典匹配方法,假设待匹配区域为F,实时图中与F大小相同的区域为G,那么F和G的相关值为其中,E(F)和E(G)表示F和G的期望,也就是灰度均值。如果实时图中某个区域的NC值最高,则认为这个区域就是匹配位置。经典去均值归一化灰度相关算法具有很高的准确性、适应性,对图像灰度值的线性变换具有适应性,即所求的NC值不受灰度值线形变换的影响。
步骤S3、根据上述像素位置对应关系,参照上述二值掩膜图区分上述SAR实时图像中的陆地区域部分与海面区域部分,并将SAR实时图像中海面区域部分的像素均值赋值给上述SAR实时图像中陆地区域部分中的所有像素。
在步骤S3中,根据SAR实时图像上匹配点P′与旋转后的SAR模板图上的待匹配点P的像素位置对应关系,对照SAR模板图的二值掩膜图可准确区分SAR实时图像中的每个像素是属于陆地区域还是属于海面区域,从而实现海陆分离,与SAR实时图像对应的旋转后的二值掩膜图如图2(h)所示。统计并计算SAR实时图像中海面区域的像素均值,并将该均值赋给所有陆地区域像素,其他像素灰度值保持不变,从而实现图像填充,图像填充后的效果如图2(i)所示。
在步骤S3完成之后,可进一步的,采用灰度标准差滤波方法对海陆分离并填充后的SAR实时图进行平滑处理,从而抑制背景噪声干扰,同时凸显目标,滤波窗口大小设为9×9像素(具体操作时的滤波窗口设置可根据实际需要设定),平滑处理结果如图2(j)所示。
平滑处理的具体实现过程如下:1)计算输入图像的灰度积分图和灰度平方积分图;2)对于输入图像中的某个像素点(xM,yM),根据灰度积分图和灰度平方积分图计算以(xM,yM)为中心大小为N×N的区域的灰度标准差σ(xM,yM);3)找到所有灰度标准差中的最大值maxσ以及最小值minσ,对所有灰度标准差σ(xM,yM)进行归一化处理,将归一化的灰度标准差的值作为输入图像(xM,yM)处的灰度值。
步骤S4、对上述SAR实时图像进行显著性检测得到显著图,对上述显性图进行分割得到二值化的显著图,上述二值化的显著图中包括背景区域和目标潜在区域。
在步骤S4中,采用显著性检测算法,对上述SAR实时图像进行处理以凸显其中的显著区域得到上述显著图,显著图如图2(k)所示。
上述显著性检测算法包括频率调谐法,该算法中图像像素(x,y)处的显著性定义为S(x,y)=||Iμ-Iω(x,y)||2,其中,Iμ表示经过算术平均后得到的均值图像,Iω表示经高斯滤波后的图像。计算图像中每个像素点的显著值S(x,y),并找到其中的最大值maxS和最小值minS,对每一点的显著值进行归一化处理,将归一化的显著值作为输入图像(x,y)处的灰度值,从而得到显著图。
采用最大类间方差法分割上述显著图得到上述二值化的显著图,二值化的显著图如图2(l)所示。最大类间方差法是一种基于全局的图像分割方法,它根据图像的灰度特性将图像分为前景和背景两个部分,当取最佳阈值时,两部分之间的差别应该是最大的。设T为前景和背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,图像的总平均灰度为u,前景和背景的类间方差为g,则有u=w0×u0+w1×u1、g=w0×(u0-u)2+w1×(u1-u)2,联立上面两式可得g=w0×w1×(u0-u1)2,当类间方差g最大时,认为此时前景和背景差异最大,此时的灰度T为最佳阈值。采用最大类间方差法获得显著图的分割阈值T,将显著图中灰度值大于等于T的像素灰度值设置为255,其余像素的灰度值设为0,完成显著图的二值化。
在步骤S4完成之后,可进一步的,对二值化的显著图进行形态学腐蚀处理,腐蚀窗口大小可设为9×9(具体操作时的腐蚀窗口设置可根据实际需要设定),腐蚀处理后的二值化的显著图如图2(m)所示。
步骤S5、采用区域增长法获取上述二值化的显著图中每个目标潜在区域的位置信息,并根据预设的参数条件对所有目标潜在区域进行筛选得到舰船目标检测结果。
在步骤S5中,利用区域增长法获取二值化的显著图中每个连通的白色区域,即舰船目标潜在区域。具体实现过程如下:1)以二值化的显著图中左上角第一个白色像素点为种子点,其周围像素按照与种子点灰度值相同的准则进行区域增长,直到没有白色像素点加入即可得到目标潜在区域1。2)在目标潜在区域1以外取一个白色像素作为种子点进行区域增长,可得到目标区域2。3)依次类推,可得到图像中所有的目标潜在区域,例如在一实施例中共找到7个连通的白色区域,如图2(n)所示。
用于鉴别目标潜在区域的参数条件包括长、宽、长宽比、面积及平均灰度的有效范围。通过设置参数条件计算每块目标潜在区域的长、宽、长宽比、面积及平均灰度等,若目标潜在区域的相关参数均在有效范围内,则认为该块区域是舰船目标区域,否则剔除该块区域。例如在一实施例中设置长度有效范围为[25,45]像素,宽度有效范围为[5,15]像素,长宽比有效范围为[2,6],面积有效范围为[200,600]像素平方,平均灰度有效范围为[80,255]。最终的舰船目标区域检测结果如图2(o)所示,从图中可以看出两个舰船目标区域被准确检测出来。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于SAR图像的港口区域舰船目标检测方法,所述港口区域由陆地区域和海面区域构成,其特征在于,所述方法包括步骤:
步骤S1、获取港口区域的SAR模板图像,根据所述SAR模板图像处理得到二值掩膜图,所述二值掩膜图中对应陆地区域部分与对应海面区域部分的灰度值不同;
步骤S2、获取港口区域的SAR实时图像,分别旋转所述SAR模板图像和所述二值掩膜图,以使其场景方向都与所述SAR实时图像中的场景方向相同,对所述SAR实时图像和所述SAR模板图像进行图像匹配得到像素位置对应关系;
步骤S3、根据所述像素位置对应关系,参照所述二值掩膜图区分所述SAR实时图像中陆地区域部分与海面区域部分,并将所述SAR实时图像中海面区域部分的像素均值赋值给陆地区域部分中的所有像素;
步骤S4、对所述SAR实时图像进行显著性检测得到显著图,对所述显著图进行分割得到二值化的显著图,所述二值化的显著图中包括背景区域和目标潜在区域;
步骤S5、采用区域增长法获取所述二值化的显著图中每个目标潜在区域的位置信息,并根据预设的参数条件对所有目标潜在区域进行筛选得到舰船目标检测结果。
2.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S1中,通过在已校准至正北方向的SAR卫星图像上截取所述港口区域的图像获得所述SAR模板图像。
3.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S1中,将所述二值掩膜图中对应陆地区域部分的灰度值置为255,将所述二值掩膜图中对应海面区域部分的灰度值置为0。
4.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S2中,根据先验信息获得所述SAR实时图像的旋转角度,根据所述旋转角度分别旋转所述SAR模板图像和所述二值掩膜图,以使其场景方向都与所述SAR实时图像中的场景方向相同;
所述先验信息包括运动平台航向角和雷达波束方位角。
5.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S1中,获取所述SAR模板图像后,在所述SAR模板图像上设置待匹配点。
6.如权利要求5述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S2中,在进行所述图像匹配处理时,采用图像匹配方法,以所述待匹配点为中心在所述SAR模板图上选取一块待匹配区域,将所述待匹配区域与所述SAR实时图像进行图像匹配,得到所述SAR实时图中与所述待匹配点位置对应的匹配点,基于所述匹配点的图像位置得到所述SAR实时图像与旋转后的所述SAR模板图像的所述像素位置对应关系;
所述图像匹配方法包括去均值归一化灰度相关算法。
7.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S3中,对所述SAR实时图像进行海陆区分后,采用灰度标准差滤波方法对所述SAR实时图像进行处理得到平滑后的SAR实时图像。
8.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S4中,采用显著性检测算法,对所述SAR实时图像进行处理得到所述显著图;
所述显著性检测算法包括频率调谐法。
9.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述步骤S4中,采用最大类间方差法分割所述显著图得到所述二值化的显著图;
所述步骤S4中,得到所述二值化的显著图后,对所述二值化的显著图进行形态学腐蚀处理。
10.如权利要求1所述的基于SAR图像的港口区域舰船目标检测方法,其特征在于,所述参数条件包括长、宽、长宽比、面积及平均灰度的有效范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390325.0A CN111680565B (zh) | 2020-05-08 | 2020-05-08 | 一种基于sar图像的港口区域舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390325.0A CN111680565B (zh) | 2020-05-08 | 2020-05-08 | 一种基于sar图像的港口区域舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680565A CN111680565A (zh) | 2020-09-18 |
CN111680565B true CN111680565B (zh) | 2022-06-07 |
Family
ID=72451803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010390325.0A Active CN111680565B (zh) | 2020-05-08 | 2020-05-08 | 一种基于sar图像的港口区域舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680565B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105335765A (zh) * | 2015-10-20 | 2016-02-17 | 北京航天自动控制研究所 | 一种用于sar匹配的特征区域检测方法 |
CN105427314A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于贝叶斯显著性的sar图像目标检测方法 |
KR101695899B1 (ko) * | 2015-12-31 | 2017-01-23 | 한국항공우주연구원 | 해양감시 시스템 |
CN107862271A (zh) * | 2017-10-31 | 2018-03-30 | 西安电子科技大学 | 一种舰船目标的检测方法 |
CN109471101A (zh) * | 2018-10-19 | 2019-03-15 | 湖北航天技术研究院总体设计所 | 一种弹载sar图像校正方法 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6049882B2 (ja) * | 2013-07-18 | 2016-12-21 | 三菱電機株式会社 | 目標類識別装置 |
-
2020
- 2020-05-08 CN CN202010390325.0A patent/CN111680565B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105335765A (zh) * | 2015-10-20 | 2016-02-17 | 北京航天自动控制研究所 | 一种用于sar匹配的特征区域检测方法 |
CN105427314A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于贝叶斯显著性的sar图像目标检测方法 |
KR101695899B1 (ko) * | 2015-12-31 | 2017-01-23 | 한국항공우주연구원 | 해양감시 시스템 |
CN107862271A (zh) * | 2017-10-31 | 2018-03-30 | 西安电子科技大学 | 一种舰船目标的检测方法 |
CN109471101A (zh) * | 2018-10-19 | 2019-03-15 | 湖北航天技术研究院总体设计所 | 一种弹载sar图像校正方法 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
Non-Patent Citations (2)
Title |
---|
Inshore Ship Detection Based on Level Set Method and Visual Saliency for SAR Images;Tao Xie等;《Sensor》;20181111;第1-15页 * |
基于残差谱显著性区域提取的极化SAR船只检测;刘根旺等;《电波科学学报》;20191231;第34卷(第6期);第751-760页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111680565A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275153B (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN108961255B (zh) | 基于相位线性度和功率的海陆噪声场景分割方法 | |
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 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN106803078B (zh) | 一种sar图像舰船目标分割方法 | |
CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
CN113420658A (zh) | 一种基于fcm聚类和otsu分割的sar图像海陆分割方法 | |
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 | |
CN111369570A (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN110298855B (zh) | 一种基于高斯混合模型和纹理分析的海天线检测方法 | |
CN113705433A (zh) | 一种基于可见光航拍图像的电力线检测方法 | |
CN111680565B (zh) | 一种基于sar图像的港口区域舰船目标检测方法 | |
CN115797374B (zh) | 基于图像处理的机场跑道提取方法 | |
CN109544574B (zh) | 基于全固态vts雷达的目标提取方法 | |
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 | |
CN107256399B (zh) | 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法 | |
CN114219996A (zh) | 一种sar图像停泊舰船目标检测方法 | |
Zhai et al. | Segmentation-based ship detection in harbor for SAR images | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
CN113406625A (zh) | 一种sar图像超像素滑窗cfar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 |