CN112115891B - 一种基于一维多向抽取的sar图像港口检测方法 - Google Patents

一种基于一维多向抽取的sar图像港口检测方法 Download PDF

Info

Publication number
CN112115891B
CN112115891B CN202011014568.0A CN202011014568A CN112115891B CN 112115891 B CN112115891 B CN 112115891B CN 202011014568 A CN202011014568 A CN 202011014568A CN 112115891 B CN112115891 B CN 112115891B
Authority
CN
China
Prior art keywords
dimensional
detected
coastline
extraction
points
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
CN202011014568.0A
Other languages
English (en)
Other versions
CN112115891A (zh
Inventor
霍伟博
裴季方
王茹斐
任叶涵
黄钰林
杨建宇
张寅�
张永超
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011014568.0A priority Critical patent/CN112115891B/zh
Publication of CN112115891A publication Critical patent/CN112115891A/zh
Application granted granted Critical
Publication of CN112115891B publication Critical patent/CN112115891B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于一维多向抽取的SAR图像港口检测方法，包括以下步骤：S1、进行海陆分割，获得海岸线；S2、沿海岸线选取覆盖海岸线全线的M个待检测点；S3、针对每个待检测点，分别选取N条直线；S4、以每个待检测点为中心，沿着选取的直线向两端延伸，选取经过该直线的多个像素点，构成沿海岸线的一维向量样本；S5、构建一维卷积神经网络；S6、训练一维卷积神经网络；S7、将一维向量样本输入一维卷积神经网络中，进行港口存在性鉴别；S8、遍历所有待检测点，重复步骤S3、S4和S7的操作，得到最终的港口区域。本发明有效克服了传统检测方法对海陆分割结果的高度依赖性，能够实现SAR图像港口的精确定位。

Description

一种基于一维多向抽取的SAR图像港口检测方法
技术领域
本发明属于目标检测技术领域，特别涉及一种基于一维多向抽取的SAR图像港口检测方法。
背景技术
遥感技术是海岸带地理环境监测的重要手段之一，在环境监测、水下勘探等方面具有重要的作用。在遥感图像处理中，港口检测无论在军事领域还是民用领域都具有极其重要的意义。利用遥感技术对港区进行探测，能快速、准确地对港区进行定位，将极大地有助于提高近岸船舶探测的性能，同时对海事交通规划也具有重要的意义。
现有的港区自动识别可大致分为两类，文献“Gang Long and Xue-quan Chen,Amethod for automatic detection of ships in harbor area in high-resolutionremote sensing image,Comput.Simul,vol.24,no.5,pp.198–201,2007.”中提出一种基于地理先验信息的方法，如精确的地理位置信息通过地图配准获得，但它严重依赖先验知识，仅限于可以得到准确地理信息系统信息的特定地区，不能用于未知地区；文献“Chun Liu,Yingying Xiao,Jian Yang,and Junjun Yin,Harbor detection in polarimetric sarimages based on the characteristics of parallel curves,IEEE Geoscience andRemote Sensing Letters,vol.13,no.10,pp.1400–1404,2016.”中，提出了一种基于特征信息的检测方法，通过提取码头或海岸线的形状特征获取港口区域，该方法在码头具有较好平直性特征的情况下效果显著，但港口码头的结构多变，当多种类型的码头都待检测时，直线、折线、角点等不变性特征很难提取。同时该类方法在检测过程中，水陆分割结果占有重要地位。然而，近岸区域的纹理复杂，而且通常受到海水波动的影响，因此，分割结果是不稳定的，会影响港口区域检测的前期预筛选精度。
发明内容
本发明的目的在于克服现有技术的不足，提供一种在得到海陆分割线的基础上，沿海岸线选取多个待检测点进行一维多向抽取，合理利用陆地、海域、港口码头在一维向量中的分布特性，训练卷积神经网络将候选点划分为港口特征点和非港口特征点，然后得到反映港口分布的港口特征点图，能够实现SAR图像港口的精确定位的基于一维多向抽取的SAR图像港口检测方法。
本发明的目的是通过以下技术方案来实现的：一种基于一维多向抽取的SAR图像港口检测方法，包括以下步骤：
S1、进行海陆分割，获得海岸线；
S2、沿海岸线选取覆盖海岸线全线的M个待检测点；
S3、针对每个待检测点，分别选取N条直线；
S4、以每个待检测点为中心，沿着选取的直线向两端延伸，选取经过该直线的多个像素点，构成沿海岸线的一维向量样本；
S5、构建一维卷积神经网络；
S6、训练一维卷积神经网络；
S7、将步骤S4得到的一维向量样本输入步骤S6训练好的一维卷积神经网络中，进行港口存在性鉴别；
S8、遍历所有待检测点，重复步骤S3、S4和S7的操作，得到最终的港口区域。
进一步地，所述步骤S1具体实现方法为：首先，通过降采样、均值滤波对SAR图像进行预处理；然后将预处理后的SAR图像灰度级分为L级，灰度级为第i级的像素有ni个，第i级灰度出现的概率为
Figure BDA0002698615130000021
i＝1,2,…,L；并对SAR图像求类间方差σ2(t)作为评价函数；通过最大化类间方差，确定最佳灰度门限阈值t*，按灰度级将图像像素分为两类C0、C1，C0由灰度值在区间[1,t*]内所有像素组成，即为海洋区域；C1由灰度值在区间[t*+1,L]内所有像素组成，即为陆地区域；
计算灰度门限阈值t*由下式确定：
Figure BDA0002698615130000022
其中，类间方差σ2(t)为：
Figure BDA0002698615130000023
其中，t为灰度门限阈值，两部分图像的类内均值μ0(t),μ1(t)，以及图像灰度总均值μ分别为：
Figure BDA0002698615130000024
经上述步骤得到海洋与陆地区域的二值图后，通过统计像素值发生突变的位置，即可得到海岸线。
进一步地，所述步骤S2中，沿海岸线以step为间隔选取多个待检测点。
进一步地，所述步骤S3具体实现方法为：
S31、首先，计算第m个待检测点的基准方向
Figure BDA0002698615130000031
Figure BDA0002698615130000032
其中，m＝1,2，…,M，Δ为位置变化单元，Nm为第m个待检测点在海岸线上的位置编号：Nm＝(m-1)·step；x(Nm+Δ)、x(Nm-Δ)分别为Nm+Δ、Nm-Δ的横坐标，y(Nm+Δ)、y(Nm-Δ)分别为Nm+Δ、Nm-Δ的纵坐标；
S32、根据基准方向
Figure BDA0002698615130000033
及每个待检测点上选取的抽取方向的数量N计算每条抽取直线相对于基准方向的斜率变化
Figure BDA0002698615130000034
Figure BDA0002698615130000035
其中，n＝1,2,…,N；
S33、计算得出N条抽取线的斜率，进而得到抽取线的直线方程为：
Figure BDA0002698615130000036
其中，M＝floor[length(coastline)/step]为待检测点的个数，floor(·)为向下取整操作，length(·)为取长度操作，step为待检测点的选取间隔，coastline为海陆分割后的海岸线，N为每个待检测点上选取的抽取方向的数量；xk,yk分别代表海岸线上第k(k＝1,2,…NM)个位置点的横纵坐标。
进一步地，所述步骤S5具体实现方法为：一维卷积神经网络采用一维抽取向量作为输入，中间经过多层卷积和池化得到特征图，然后将提取出的特征输入全连接层，最后通过Softmax输出待检测点的分类结果，即港口与非港口特征点的分布图。
进一步地，所述步骤S6具体实现方法为：利用步骤S4得到的一维多向抽取向量样本作为训练样本输入步骤S5构建的一维卷积神经网络进行前向传播，计算代价函数值；使用基于梯度下降的后向传播算法对一维卷积神经网络参数进行更新；前向传播与后向传播迭代进行，直至代价函数收敛。
本发明的有益效果是：本发明在得到海陆分割线的基础上，沿海岸线选取多个待检测点进行一维多向抽取，合理利用陆地、海域、港口码头在一维向量中的分布特性，训练卷积神经网络将候选点划分为港口特征点和非港口特征点，然后得到反映港口分布的港口特征点图。有效克服了传统检测方法对海陆分割结果的高度依赖性，能够实现SAR图像港口的精确定位。
附图说明
图1为本发明的基于一维多向抽取的SAR图像港口检测方法的流程图；
图2为本实施方式一维多向抽取示意图；
图3为本实施方式CNN网络结构图；
图4为本实施方式SAR图像港口检测结果图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示，本发明的一种基于一维多向抽取的SAR图像港口检测方法，包括以下步骤：
S1、进行海陆分割，获得海岸线；具体实现方法为：首先，通过降采样、均值滤波对SAR图像进行预处理；然后将预处理后的SAR图像灰度级分为L级，灰度级为第i级的像素有ni个，第i级灰度出现的概率为
Figure BDA0002698615130000041
i＝1,2,…,L；并对SAR图像求类间方差σ2(t)作为评价函数；通过最大化类间方差，确定最佳灰度门限阈值t*，按灰度级将图像像素分为两类C0、C1，C0由灰度值在区间[1,t*]内所有像素组成，即为海洋区域；C1由灰度值在区间[t*+1,L]内所有像素组成，即为陆地区域；
计算灰度门限阈值t*由下式确定：
Figure BDA0002698615130000042
其中，类间方差σ2(t)为：
Figure BDA0002698615130000043
其中，t为灰度门限阈值，两部分图像的类内均值μ0(t),μ1(t)，以及图像灰度总均值μ分别为：
Figure BDA0002698615130000051
经上述步骤得到海洋与陆地区域的二值图后，通过统计像素值发生突变的位置，即可得到海岸线。
S2、沿海岸线选取覆盖海岸线全线的M个待检测点。进行海陆分割之后，快速缩小了港口感兴趣区域。首先，我们发现，港口中的码头呈现长条状区域，两侧都有水域包围，因此，码头对于沿海海域来说是一个异常突出值。利用这一特征，我们提出了一维多向抽取的方法进行港口检测。沿海岸线以step为间隔选取多个待检测点，本实施例选取step＝80进行离散采样，获得M个待检测点，使之覆盖海岸线全线。
S3、针对每个待检测点，分别选取N条直线；具体实现方法为：
S31、首先，计算第m个待检测点的基准方向
Figure BDA0002698615130000052
Figure BDA0002698615130000053
其中，m＝1,2，…,M，Δ为位置变化单元，Nm为第m个待检测点在海岸线上的位置编号：Nm＝(m-1)·step；
Figure BDA0002698615130000054
分别为Nm+Δ、Nm-Δ的横坐标，
Figure BDA0002698615130000055
分别为Nm+Δ、Nm-Δ的纵坐标；
S32、根据基准方向
Figure BDA0002698615130000056
及每个待检测点上选取的抽取方向的数量N计算每条抽取直线相对于基准方向的斜率变化
Figure BDA0002698615130000057
Figure BDA0002698615130000058
其中，n＝1,2,…,N；
本实施例中在每个待检测点上选取三个方向进行抽取，如图2所示，①②③④分别为四个待检测点，每个抽取方向沿海岸线两侧选取像素点，抽取直线与基准方向的夹角分别为
Figure BDA0002698615130000059
S33、计算得出N条抽取线的斜率，进而得到抽取线的直线方程为：
Figure BDA0002698615130000061
其中，M＝floor[length(coastline)/step]为待检测点的个数，floor(·)为向下取整操作，length(·)为取长度操作，step为待检测点的选取间隔，coastline为海陆分割后的海岸线，N为每个待检测点上选取的抽取方向的数量；xk,yk分别代表海岸线上第k(k＝1,2,…NM)个位置点的横纵坐标。
特别地，当某条抽取线与x轴的夹角为90°时，直线方程为x＝xNm。
S4、以每个待检测点为中心，沿着选取的直线向两端延伸，选取经过该直线的多个像素点，构成沿海岸线的一维向量样本；本实施例一共选取349个像素点构成一个一维向量样本，该样本能够反映陆地、海域、码头的分布情况。
S5、构建一维卷积神经网络；网络结构如图3所示，一维卷积神经网络采用一维抽取向量作为输入，中间经过多层卷积和池化得到特征图，然后将提取出的特征输入全连接层，最后通过Softmax输出待检测点的分类结果，即港口与非港口特征点的分布图。
S6、训练一维卷积神经网络；具体实现方法为：利用步骤S4得到的一维多向抽取向量样本作为训练样本输入步骤S5构建的一维卷积神经网络进行前向传播，计算代价函数值；使用基于梯度下降的后向传播算法对一维卷积神经网络参数进行更新；前向传播与后向传播迭代进行，直至代价函数收敛。
本实施例共选取334个样本，其中80％作为训练集，20％作为测试集，如果该一维向量经过了港口，则标签为1，代表该待检测点为港口特征点，否则，标签为0；在训练过程中，输入向量大小固定为1×349；每次迭代从训练集中随机选取20个样本作为网络的输入，学习率为0.001。
S7、将步骤S4得到的一维向量样本输入步骤S6训练好的一维卷积神经网络中，进行港口存在性鉴别，判断是否为港口特征点；
S8、遍历所有待检测点，重复步骤S3、S4和S7的操作，得到最终的港口区域。
图4(a)为本实施例港口检测结果图，星号标注的点为基分类器鉴别后的港口特征点，(b)、(c)、(d)分别为结果图中的局部放大图。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种基于一维多向抽取的SAR图像港口检测方法，其特征在于，包括以下步骤：
S1、进行海陆分割，获得海岸线；
S2、沿海岸线选取覆盖海岸线全线的M个待检测点；
S3、针对每个待检测点，分别选取N条直线；
S4、以每个待检测点为中心，沿着选取的直线向两端延伸，选取经过该直线的多个像素点，构成沿海岸线的一维向量样本；
S5、构建一维卷积神经网络；
S6、训练一维卷积神经网络；
S7、将步骤S4得到的一维向量样本输入步骤S6训练好的一维卷积神经网络中，进行港口存在性鉴别；
S8、遍历所有待检测点，重复步骤S3、S4和S7的操作，得到最终的港口区域。
2.根据权利要求1所述的一种基于一维多向抽取的SAR图像港口检测方法，其特征在于，所述步骤S1具体实现方法为：首先，通过降采样、均值滤波对SAR图像进行预处理；然后将预处理后的SAR图像灰度级分为L级，灰度级为第i级的像素有ni个，第i级灰度出现的概率为
Figure FDA0002698615120000011
并对SAR图像求类间方差σ2(t)作为评价函数；通过最大化类间方差，确定最佳灰度门限阈值t*，按灰度级将图像像素分为两类C0、C1，C0由灰度值在区间[1,t*]内所有像素组成，即为海洋区域；C1由灰度值在区间[t*+1,L]内所有像素组成，即为陆地区域；
计算灰度门限阈值t*由下式确定：
Figure FDA0002698615120000012
其中，类间方差σ2(t)为：
Figure FDA0002698615120000013
其中，t为灰度门限阈值，两部分图像的类内均值μ0(t),μ1(t)，以及图像灰度总均值μ分别为：
Figure FDA0002698615120000021
经上述步骤得到海洋与陆地区域的二值图后，通过统计像素值发生突变的位置，即可得到海岸线。
3.根据权利要求1所述的一种基于一维多向抽取的SAR图像港口检测方法，其特征在于，所述步骤S2中，沿海岸线以step为间隔选取多个待检测点。
4.根据权利要求3所述的一种基于一维多向抽取的SAR图像港口检测方法，其特征在于，所述步骤S3具体实现方法为：
S31、首先，计算第m个待检测点的基准方向
Figure FDA0002698615120000022
Figure FDA0002698615120000023
其中，m＝1,2，…,M，Δ为位置变化单元，Nm为第m个待检测点在海岸线上的位置编号：Nm＝(m-1)·step；
Figure FDA0002698615120000024
分别为Nm+Δ、Nm-Δ的横坐标，
Figure FDA0002698615120000025
分别为Nm+Δ、Nm-Δ的纵坐标；
S32、根据基准方向
Figure FDA0002698615120000026
及每个待检测点上选取的抽取方向的数量N计算每条抽取直线相对于基准方向的斜率变化
Figure FDA0002698615120000027
Figure FDA0002698615120000028
其中，n＝1,2,…,N；
S33、计算得出N条抽取线的斜率，进而得到抽取线的直线方程为：
Figure FDA0002698615120000029
其中，M＝floor[length(coastline)/step]为待检测点的个数，floor(·)为向下取整操作，length(·)为取长度操作，step为待检测点的选取间隔，coastline为海陆分割后的海岸线，N为每个待检测点上选取的抽取方向的数量；xk,yk分别代表海岸线上第k(k＝1,2,...NM)个位置点的横纵坐标。
5.根据权利要求1所述的一种基于一维多向抽取的SAR图像港口检测方法，其特征在于，所述步骤S5具体实现方法为：一维卷积神经网络采用一维抽取向量作为输入，中间经过多层卷积和池化得到特征图，然后将提取出的特征输入全连接层，最后通过Softmax输出待检测点的分类结果，即港口与非港口特征点的分布图。
6.根据权利要求1所述的一种基于一维多向抽取的SAR图像港口检测方法，其特征在于，所述步骤S6具体实现方法为：利用步骤S4得到的一维多向抽取向量样本作为训练样本输入步骤S5构建的一维卷积神经网络进行前向传播，计算代价函数值；使用基于梯度下降的后向传播算法对一维卷积神经网络参数进行更新；前向传播与后向传播迭代进行，直至代价函数收敛。
CN202011014568.0A 2020-09-24 2020-09-24 一种基于一维多向抽取的sar图像港口检测方法 Active CN112115891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011014568.0A CN112115891B (zh) 2020-09-24 2020-09-24 一种基于一维多向抽取的sar图像港口检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011014568.0A CN112115891B (zh) 2020-09-24 2020-09-24 一种基于一维多向抽取的sar图像港口检测方法

Publications (2)

Publication Number Publication Date
CN112115891A CN112115891A (zh) 2020-12-22
CN112115891B true CN112115891B (zh) 2022-06-14

Family

ID=73800505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011014568.0A Active CN112115891B (zh) 2020-09-24 2020-09-24 一种基于一维多向抽取的sar图像港口检测方法

Country Status (1)

Country Link
CN (1) CN112115891B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049928B (zh) * 2022-06-20 2024-05-07 电子科技大学 一种基于角点特征和岸线封闭特征的级联港口检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530628A (zh) * 2013-10-29 2014-01-22 上海市城市建设设计研究总院 基于浮动控制点的高分辨率遥感影像正射校正方法
CN107818326A (zh) * 2017-12-11 2018-03-20 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
CN108108670A (zh) * 2017-12-04 2018-06-01 交通运输部规划研究院 一种层次化筛选的遥感图像提取港口仓库的方法
CN108229433A (zh) * 2018-02-01 2018-06-29 中国电子科技集团公司第十五研究所 一种基于直线段检测和形状特征的靠岸舰船检测方法
CN109815807A (zh) * 2018-12-18 2019-05-28 浙江大学 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法
CN110378308A (zh) * 2019-07-25 2019-10-25 电子科技大学 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN110428425A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 一种基于海岸线矢量数据的sar图像海陆分离方法
CN110807424A (zh) * 2019-11-01 2020-02-18 深圳市科卫泰实业发展有限公司 一种基于航拍图像的港口船舶比对方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530628A (zh) * 2013-10-29 2014-01-22 上海市城市建设设计研究总院 基于浮动控制点的高分辨率遥感影像正射校正方法
CN108108670A (zh) * 2017-12-04 2018-06-01 交通运输部规划研究院 一种层次化筛选的遥感图像提取港口仓库的方法
CN107818326A (zh) * 2017-12-11 2018-03-20 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
CN108229433A (zh) * 2018-02-01 2018-06-29 中国电子科技集团公司第十五研究所 一种基于直线段检测和形状特征的靠岸舰船检测方法
CN109815807A (zh) * 2018-12-18 2019-05-28 浙江大学 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法
CN110428425A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 一种基于海岸线矢量数据的sar图像海陆分离方法
CN110378308A (zh) * 2019-07-25 2019-10-25 电子科技大学 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN110807424A (zh) * 2019-11-01 2020-02-18 深圳市科卫泰实业发展有限公司 一种基于航拍图像的港口船舶比对方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于线不变矩和封闭性的遥感图像港口识别;樊利恒等;《光电工程》;20130415(第04期);92-99页 *

Also Published As

Publication number Publication date
CN112115891A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN111738112B (zh) 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法
CN109766811B (zh) 一种星载sar图像中海面船只的端到端检测与识别方法
CN110796048B (zh) 一种基于深度神经网络的船舰目标实时检测方法
CN110659591B (zh) 基于孪生网络的sar图像变化检测方法
CN109800735A (zh) 一种船目标精确检测与分割方法
CN108021890B (zh) 一种基于plsa和bow的高分遥感影像港口检测方法
CN107909002B (zh) 基于海岸线匹配的红外遥感图像海陆分割方法
CN107992818B (zh) 一种光学遥感图像海面船只目标的检测方法
CN112699717A (zh) 基于gan网络的sar图像生成方法及生成装置
CN114972793B (zh) 一种轻量级神经网络船舶水尺读数识别方法
CN104992172B (zh) 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法
Dang et al. A convolutional neural network for coastal classification based on ALOS and NOAA satellite data
CN113487600B (zh) 一种特征增强尺度自适应感知船舶检测方法
CN112784757B (zh) 海上sar舰船目标显著性检测与识别方法
CN116563726A (zh) 一种基于卷积神经网络的遥感图像舰船目标检测方法
CN111707999B (zh) 一种基于多特征与集成学习结合的海面漂浮小目标检测方法
CN112115891B (zh) 一种基于一维多向抽取的sar图像港口检测方法
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
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
CN113344148A (zh) 一种基于深度学习的海上舰船目标识别方法
CN116894999B (zh) 基于条件参数化卷积的溢油极化sar检测方法和装置
Yang et al. A novel ship detection method based on sea state analysis from optical imagery
CN116630808A (zh) 基于遥感图像特征提取的旋转舰船检测方法
Wang et al. Harbor detection in SAR images based on multidirectional one-dimensional scanning
CN114998749A (zh) 用于目标检测的sar数据扩增方法

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