CN112215832B - Sar尾迹图像质量评估及自适应探测参数调整方法 - Google Patents
Sar尾迹图像质量评估及自适应探测参数调整方法 Download PDFInfo
- Publication number
- CN112215832B CN112215832B CN202011135170.2A CN202011135170A CN112215832B CN 112215832 B CN112215832 B CN 112215832B CN 202011135170 A CN202011135170 A CN 202011135170A CN 112215832 B CN112215832 B CN 112215832B
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- wake
- gray level
- images
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001303 quality assessment method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000012447 hatching Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 15
- 230000000007 visual effect Effects 0.000 description 5
- 238000005388 cross polarization Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013535 sea water Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种SAR尾迹图像质量评估及自适应探测参数调整方法,包括以下步骤:获取多幅待评估SAR尾迹图像;计算所述多幅待评估SAR尾迹图像的特征量;根据任务需求确定各所述特征量的权值;对多幅SAR尾迹图像进行质量评估,得到质量最优的SAR尾迹图像;以所述质量最优的SAR尾迹图像的探测参数作为指导,调整SAR系统工作参数,至此完成了SAR尾迹图像质量评估及自适应探测参数调整。本发明提出的SAR尾迹图像质量评估方法无需参考图像,并且通过本发明方法得到的评估值反应了SAR尾迹图像的清晰度、结构特征、纹理特征。在实际使用中,通过机上实时计算SAR图像质量,可为SAR最优对海探测工作参数调整提供依据,对于SAR对海探测具有较强的应用价值。
Description
技术领域
本发明涉及机载合成孔径雷达和图像分析技术领域,尤其涉及针对无参考图像的海面尾迹SAR图像质量的评估方法,及根据图像质量对探测参数自适应调整的方法。
背景技术
合成孔径雷达(SAR)具有全天时和全天候的主动微波成像能力,利用SAR图像进行海面尾迹检测在海洋监视、舰船搜救、海洋工程等军民领域具有重要作用。近年来,合成孔径雷达性能不断提升,对海探测时可以获取不同波段、分辨率、视角、极化等工作参数条件下的海面尾迹图像,由于海面尾迹与海杂波的相互作用复杂,舰船目标的尺寸、航行状态、海水层化结构、海况不同,导致尾迹在不同条件下的SAR图像上表现形态不同。
图像质量评估一般可以分为主观评估方法和客观评估方法。主观评估是由评估者通过视觉特性、自己对图像特征的理解直接对图像进行评估。客观评估方法是通过计算图像的一些特定评估指标来实现质量评估。目前,国内外对光学图像的主客观评估已形成了较为成熟的体系,对SAR图像质量评估的研究大多是借鉴光学图像质量评估方法,针对SAR图像的特征(如相干斑噪声等)进行改进。对SAR图像质量评估多是用于各类图像处理后的效果评估,一般需要将待评估图像与参考图像相比较得出评估值,无参考图像的SAR图像质量评估的研究并不多见;同时,SAR图像质量评估内容多是对于农田、树林、建筑物等特征相对明显的地物,尚无专门针对海面尾迹的SAR图像质量评估算法。
SAR在对海探测工作时,获取的图像数据规模庞大,依靠人眼定性、半定量分析图像所需时间长、评估的过程相对比较复杂且评估过程需要由专业分析人员来完成。
发明内容
有鉴于此,本发明的主要目的在于提供一种SAR尾迹图像质量评估及自适应探测参数调整方法,以期部分地解决上述技术问题中的至少之一。
为了实现上述目的,作为本发明的一方面,提供了一种SAR尾迹图像质量评估及自适应探测参数调整方法,包括以下步骤:
获取多幅待评估SAR尾迹图像;
计算所述多幅待评估SAR尾迹图像的特征量;
根据任务需求确定各所述特征量的权值;
对多幅SAR尾迹图像进行质量评估,得到质量最优的SAR尾迹图像;
以所述质量最优的SAR尾迹图像的探测参数作为指导,调整SAR系统工作参数,至此完成了SAR尾迹图像质量评估及自适应探测参数调整。
其中,所述SAR尾迹图像的特征量包括灰度平均梯度、点锐度、对比度、图像均方差、图像熵、多尺度图像能量、灰度共生矩阵能量灰度共生矩阵对比度、灰度共生矩阵相关性和灰度共生矩阵熵。
其中,所述灰度平均梯度用于描述图像的边界点或影线两侧附近灰度值变化差异,不仅能够用于评估图像的清晰程度,还能够反映图像微小细节反差变化及纹理特征,计算公式如式(1)所示:
其中,f(i,j)表示SAR图像第i行、第j列的像素灰度值,M、N分别为图像的行数和列数;
所述点锐度是通过统计图像不同方向的灰度变化情况来进行评估图像的清晰程度,计算公式如式(2)所示:
其中,所述对比度的计算公式如式(3)所示:
其中,δ(i,j)=f(i,j)-f(i-1,j)为相邻像素间灰度差,Pδ(i,j)为相邻像素间的灰度差为δ的像素分布概率;计算Pδ(i,j)时,先统计图像的灰度直方图,利用高斯函数拟合得到灰度概率密度函数fd,对灰度概率密度函数积分得到灰度概率分布函数Fd,Pδ(i,j)=Fd(δ);
所述图像均方差的计算公式如式(4)所示;
其中,所述图像熵表示为图像灰度级几何的比特平均数,单位为比特/像素,描述了图像信源的平均信息量,其计算公式如式(5)所示:
所述多尺度图像能量的计算过程如下:
对图像进行离散小波分解;
每进行一次小波分解,生成一个代表图像轮廓的低频区域和三个代表图像细节的高频区域;
对每次小波变换结果的低频区域再次进行二维小波变换,实现多尺度分解,最终生成一个低频区域和多个高频区域;
将低频区域当做一幅独立的图像,依次对图像中的像素值平方求和,得到低频区域图像能量。
其中,所述灰度共生矩阵能量计算公式如式(6)所示:
其中,P(i,j|θ,d)为灰度共生矩阵,位于第(i,j)个元素代表:灰度为i的像元与相距为d、方向为θ、灰度为j的像元出现的概率,即P(i,j|θ,d)=n(i,j)/L,其中n(i,j)表示灰度为i的像元与相距为d、方向为θ、灰度为j的像元出现的次数,L表示像素对的数量;
所述灰度共生矩阵对比度的计算公式如式(7)所示:
其中,所述灰度共生矩阵相关性的计算公式如式(8)所示:
其中,μx,uy,σx,σy分别定义为:
所述灰度共生矩阵熵的计算公式如式(9)所示:
其中,所述根据任务需求确定各所述特征量的权值的步骤中的任务需求是根据尾迹图像的观测需求决定的。
其中,所述对多幅SAR尾迹图像进行质量评估具体包括将计算得到的特征值与所确定的权值加权相加,得到SAR尾迹图像的质量。
其中,所述当前质量最优SAR尾迹图像条件下的探测参数包括波段、极化和合成孔径时间。
基于上述技术方案可知,本发明的SAR尾迹图像质量评估及自适应探测参数调整方法相对于现有技术至少具有如下有益效果的一部分:
现有技术的图像质量评估需要将待评估图像与参考图像相比较计算得到评估值,本发明提出的SAR尾迹图像质量评估方法无需参考图像,并且通过本发明方法得到的评估值反应了SAR尾迹图像的清晰度、结构特征、纹理特征。在实际使用中,通过机上实时计算SAR图像质量,可为SAR最优对海探测工作参数调整提供依据,对于SAR对海探测具有较强的应用价值。
附图说明
图1为本发明实施例提供的SAR尾迹图像质量评估与探测参数调整方法流程图;
图2为本发明实施例提供的SAR尾迹图像质量评估模型;
图3为本发明实施例提供的L波段同极化(HH)SAR尾迹图像;
图4为本发明实施例提供的L波段交叉极化(HV)SAR尾迹图像。
具体实施方式
本发明公开了一种SAR尾迹图像质量评估及自适应探测参数调整方法,包括以下步骤:(1)计算待评估图像的灰度、纹理、结构特征量,包括对比度、熵、梯度、边缘能量、灰度共生矩阵、小波分解多尺度图像能量特征量;(2)根据任务需求确定权值;(3)将特征量与权值加权相加,得到SAR尾迹图像评估值;(4)根据图像评估值调整SAR工作参数。通常,图像质量评估需要将待评估图像与参考图像相比较计算得到评估值,本发明提出的SAR尾迹图像质量评估方法无需参考图像,通过本发明质量评估模型计算得到的评估值反应了SAR尾迹图像的清晰度、结构特征、纹理特征。在实际使用中,通过机上实时计算SAR图像质量,可为SAR最优对海探测工作参数调整提供依据,对于SAR对海探测具有较强的应用价值。
具体的,如图1所示,本发明公开了一种SAR尾迹图像质量评估及自适应探测参数调整方法,包括以下步骤:
获取多幅待评估SAR尾迹图像;
计算所述多幅待评估SAR尾迹图像的特征量;
根据任务需求确定各所述特征量的权值;
对多幅SAR尾迹图像进行质量评估,得到质量最优的SAR尾迹图像;
以所述质量最优的SAR尾迹图像的探测参数作为指导,调整SAR系统工作参数,至此完成了SAR尾迹图像质量评估及自适应探测参数调整。
其中,所述SAR尾迹图像的特征量包括灰度平均梯度、点锐度、对比度、图像均方差、图像熵、多尺度图像能量、灰度共生矩阵能量灰度共生矩阵对比度、灰度共生矩阵相关性和灰度共生矩阵熵。
其中,所述灰度平均梯度用于描述图像的边界点或影线两侧附近灰度值变化差异,不仅能够用于评估图像的清晰程度,还能够反映图像微小细节反差变化及纹理特征,计算公式如式(1)所示:
其中,f(i,j)表示SAR图像第i行、第j列的像素灰度值,M、N分别为图像的行数和列数;
所述点锐度是通过统计图像不同方向的灰度变化情况来进行评估图像的清晰程度,计算公式如式(2)所示:
其中,所述对比度的计算公式如式(3)所示:
其中,δ(i,j)=f(i,j)-f(i-1,j)为相邻像素间灰度差,Pδ(i,j)为相邻像素间的灰度差为δ的像素分布概率;计算Pδ(i,j)时,先统计图像的灰度直方图,利用高斯函数拟合得到灰度概率密度函数fd,对灰度概率密度函数积分得到灰度概率分布函数Fd,Pδ(i,j)=Fd(δ);
所述图像均方差的计算公式如式(4)所示;
其中,所述图像熵表示为图像灰度级几何的比特平均数,单位为比特/像素,描述了图像信源的平均信息量,其计算公式如式(5)所示:
所述多尺度图像能量的计算过程如下:
对图像进行离散小波分解;
每进行一次小波分解,生成一个代表图像轮廓的低频区域和三个代表图像细节的高频区域;
对每次小波变换结果的低频区域再次进行二维小波变换,实现多尺度分解,最终生成一个低频区域和多个高频区域;
将低频区域当做一幅独立的图像,依次对图像中的像素值平方求和,得到低频区域图像能量。
其中,所述灰度共生矩阵能量计算公式如式(6)所示:
其中,P(i,j|θ,d)为灰度共生矩阵,位于第(i,j)个元素代表:灰度为i的像元与相距为d、方向为θ、灰度为j的像元出现的概率,即P(i,j|θ,d)=n(i,j)/L,其中n(i,j)表示灰度为i的像元与相距为d、方向为θ、灰度为j的像元出现的次数,上表示像素对的数量;
所述灰度共生矩阵对比度的计算公式如式(7)所示:
其中,所述灰度共生矩阵相关性的计算公式如式(8)所示:
其中,μx,uy,σx,σy分别定义为:
所述灰度共生矩阵熵的计算公式如式(9)所示:
其中,所述根据任务需求确定各所述特征量的权值的步骤中的任务需求是根据尾迹图像的观测需求决定的。其中,观测需求主要指尾迹尺度,
其中,所述对多幅SAR尾迹图像进行质量评估具体包括将计算得到的特征值与所确定的权值加权相加,得到SAR尾迹图像的质量。
其中,所述当前质量最优SAR尾迹图像条件下的探测参数包括波段、极化和合成孔径时间。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
本发明公开了一种SAR尾迹图像质量评估及自适应探测参数调整方法,具体步骤如下:
步骤一、依次对待评估SAR尾迹图像计算以下特征量。f(i,j)表示SAR图像第i行、第j列的像素灰度值,M、N分别为图像的行数和列数,特征量的具体计算公式如下:
(1)灰度平均梯度
图像中某像素点的像素值与其相邻像素点像素值的一阶差分反映了该点的边缘属性信息。灰度平均梯度就是用来描述图像的边界点或影线两侧附近灰度值变化差异。它不仅可以用于评估图像的清晰程度,还可以反映图像微小细节反差变化及纹理特征。通常情况,图像的灰度平均梯度越大,图像越清晰;反之,图像越模糊。计算公式如下:
(2)点锐度
通过统计图像不同方向的灰度变化情况来进行评估图像的清晰程度。具体地,计算某一像素点8邻域像素与该像素点灰度值之差的绝对值,并且将差值进行距离加权,距离近则权大,距离远则权小,公式如下:
(3)对比度:
其中δ(i,j)=f(i,j)-f(i-1,j)为相邻像素间灰度差,Pδ(i,j)为相邻像素间的灰度差为δ的像素分布概率。Pδ(i,j)的计算时,先统计图像的灰度直方图,利用高斯函数拟合得到灰度概率密度函数fd,对灰度概率密度函数积分得到灰度概率分布函数Fd,Pδ(i,j)=Fd(δ)。
(4)图像均方差:
图像矩阵的均方差(标准差)公式如下,其值越大,图像中黑白反差越明显。
其中,B表示图像亮度,即图像矩阵的平均值,表达式为:
(5)图像熵:
图像熵表示为图像灰度级几何的比特平均数,单位比特/像素,描述了图像信源的平均信息量,其计算公式如下:
(6)多尺度图像能量:
对图像进行离散小波分解(DWT),DWT是对图像进行多尺度分解的一种工具。对图像使用Haar小波变换进行分解,记图像的行像素为a0~a2n-1,进行小波分解计算步骤为低频部分l0~ln-1,li=(a2i+a2i+1)/2,其中i=0,1,2…,n-1,高频部分为h0~hn-1,hi=(a2i-a2i+1)/2,其中i=0,1,2…,n-1。对每一行均执行同样的操作,则生成一维Haar小波变换结果;然后对每一列再次进行同样的操作,生成二维Haar小波变换结果。一次小波分解,生成一个代表图像轮廓的低频区域和三个代表图像细节的高频区域;对每次小波变换结果的低频区域再次进行二维Haar小波变换,实现多尺度分解,最终生成一个低频区域和多个高频区域。将低频区域当做一幅独立的图像,依次对图中的像素值平方求和,得到低频区域图像能量。
(7)灰度共生矩阵能量:
灰度共生矩阵法是通过计算图像的二阶矩条件概率密度函数来实现分析图像中两个像素的灰度配置情况。建立灰度共生矩阵P(i,j|θ,d)的方法,位于第(i,j)个元素代表:灰度为i的像元与相距为d、方向为θ、灰度为j的像元出现的概率,即P(i,j|θ,d)=n(i,j)/L,其中n(i,j)表示灰度为i的像元与相距为d、方向为θ、灰度为j的像元出现的次数,L表示像素对的数量。则灰度共生矩阵能量表达式如下:
(8)灰度共生矩阵对比度:
(9)灰度共生矩阵相关性:
其中μx,uy,σx,σy分别定义为:
(10)灰度共生矩阵熵:
步骤二、根据任务需求确定步骤一中各特征量的权值。在探测大尺度尾迹时,将多尺度图像能量特征量的权值调大,即认为在评估SAR尾迹图像质量时,结构特征越明显图像质量越高;在探测小尺度尾迹时,将表示灰度的特征量权值调大,即认为细节变化、灰度变化更丰富图像质量更高。
步骤三、对多维度、多参数SAR系统获取同场景多幅不同参数的SAR尾迹图像进行质量评估,将步骤一中计算的特征值与步骤二确定的权值加权相加,得到SAR尾迹图像质量。SAR尾迹图像质量评估模型如图2所示。
步骤四、以步骤三中质量最优的SAR尾迹图像的探测参数作为指导,调整多维度、多参数SAR系统工作参数。
多维度、多参数SAR系统在单次航过可以获取不同波段、同一波段不同极化、不同合成孔径时间的SAR尾迹图像,通过SAR尾迹图像质量评估,可以得到当前探测条件下最优波段、极化、合成孔径时间;多维度、多参数SAR系统在不同航过可以获取不同分辨率、不同视角的SAR尾迹图像,通过SAR尾迹图像质量评估,最优分辨率、视角。
下面通过一具体实例对本发明的技术方案进一步解释说明。
利用L波段全极化SAR对海探测时,对实时获取的2幅不同极化(分别为同极化HH,如图3所示、交叉极化HV,如图4所示)的SAR尾迹图像进行质量评估。在评估过程中,认为图像的灰度特征、结构特征和纹理特征同样重要,因此选择平均加权,即各特征量的权值相等的评估模型,得到图像评估值,结果如下表。
由计算结果可以看出,评估结果可以总体上反映图像的质量,并且与人眼目视评估趋势一致。由评估结果可知,当前工作条件下,L波段同极化(HH)探测效果优于交叉极化(HV),系统可自适应调整为同极化工作模式,进行进一步对海探测。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种SAR尾迹图像质量评估及自适应探测参数调整方法,其特征在于,包括以下步骤:
获取多幅待评估SAR尾迹图像,所述SAR尾迹图像为对海探测时得到的海面尾迹图像;
计算所述多幅待评估SAR尾迹图像的特征量;
所述SAR尾迹图像的特征量包括灰度平均梯度、点锐度、对比度、图像均方差、图像熵、多尺度图像能量、灰度共生矩阵能量灰度、共生矩阵对比度、灰度共生矩阵相关性和灰度共生矩阵熵;
根据任务需求确定各所述特征量的权值;
所述根据任务需求确定各所述特征量的权值的步骤中的任务需求是根据尾迹图像的观测需求决定的,其中,所述观测需求包括尾迹尺度;
对多幅SAR尾迹图像进行质量评估,得到质量最优的SAR尾迹图像;
以所述质量最优的SAR尾迹图像的探测参数作为指导,调整SAR系统工作参数,至此完成了SAR尾迹图像质量评估及自适应探测参数调整;
所述当前质量最优SAR尾迹图像条件下的探测参数包括波段、极化和合成孔径时间;
所述多尺度图像能量的计算过程如下:
对图像进行离散小波分解;
每进行一次小波分解,生成一个代表图像轮廓的低频区域和三个代表图像细节的高频区域;
对每次小波变换结果的低频区域再次进行二维小波变换,实现多尺度分解,最终生成一个低频区域和多个高频区域;
将低频区域当做一幅独立的图像,依次对图像中的像素值平方求和,得到低频区域图像能量。
7.根据权利要求1所述的SAR尾迹图像质量评估及自适应探测参数调整方法,其特征在于,所述对多幅SAR尾迹图像进行质量评估具体包括将计算得到的特征值与所确定的权值加权相加,得到SAR尾迹图像的质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135170.2A CN112215832B (zh) | 2020-10-21 | 2020-10-21 | Sar尾迹图像质量评估及自适应探测参数调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135170.2A CN112215832B (zh) | 2020-10-21 | 2020-10-21 | Sar尾迹图像质量评估及自适应探测参数调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215832A CN112215832A (zh) | 2021-01-12 |
CN112215832B true CN112215832B (zh) | 2023-07-11 |
Family
ID=74056295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011135170.2A Active CN112215832B (zh) | 2020-10-21 | 2020-10-21 | Sar尾迹图像质量评估及自适应探测参数调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215832B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077514B (zh) * | 2021-06-03 | 2021-08-24 | 浙江大学 | 一种sar图像船只弱尾迹增强与检测方法 |
CN113780422B (zh) * | 2021-09-13 | 2023-06-27 | 北京环境特性研究所 | 背景杂波相似性评估方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108322666A (zh) * | 2018-02-12 | 2018-07-24 | 广州视源电子科技股份有限公司 | 摄像头快门的调控方法、装置、计算机设备及存储介质 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
-
2020
- 2020-10-21 CN CN202011135170.2A patent/CN112215832B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108322666A (zh) * | 2018-02-12 | 2018-07-24 | 广州视源电子科技股份有限公司 | 摄像头快门的调控方法、装置、计算机设备及存储介质 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
Non-Patent Citations (6)
Title |
---|
ISAR图像质量多指标加权综合评定及其软件实现;葛礼晖;《 第四届高分辨率对地观测学术年会》;20170917;摘要,第3节 * |
SAR Image Quality Assessment Based on SSIM Using Textural Feature;Shuhong Jiao 等;《2013 Seventh International Conference on Image and Graphics》;20131024;全文 * |
刘明珠等.基于灰度共生矩阵的SAR图像压制式干扰评估.《信息技术》.2012,(第06期), * |
基于灰度共生矩阵的SAR图像压制式干扰评估;刘明珠等;《信息技术》;20120625(第06期);全文 * |
多分辨率影像质量参数评定影像质量的方法;胡庆武等;《中国图象图形学报》;20110316(第03期);全文 * |
胡庆武等.多分辨率影像质量参数评定影像质量的方法.《中国图象图形学报》.2011,(第03期), * |
Also Published As
Publication number | Publication date |
---|---|
CN112215832A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6337654B1 (en) | A-scan ISAR classification system and method therefor | |
CN101140324A (zh) | 海域合成孔径雷达图像点目标提取的方法 | |
CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN113643284B (zh) | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN110765912A (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
Tao et al. | Radio frequency interference signature detection in radar remote sensing image using semantic cognition enhancement network | |
Zhou et al. | ISAR images generation via generative adversarial networks | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN107451608B (zh) | 基于多视幅度统计特性的sar图像无参考质量评价方法 | |
CN112435249B (zh) | 一种基于周扫红外搜索系统的动态小目标检测方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN110363105A (zh) | 一种全极化sar图像相干斑抑制方法 | |
Li et al. | Integrated detection and Imaging algorithm for radar sparse targets via CFAR-ADMM | |
CN107403136B (zh) | 基于结构保持字典学习的sar目标型号识别方法 | |
CN115631211A (zh) | 一种基于无监督分割的高光谱图像小目标检测方法 | |
CN110223250B (zh) | 基于单应变换的sar几何校正方法 | |
Xu et al. | Desnet: Deep residual networks for Descalloping of ScanSar images | |
CN111369507B (zh) | 基于归一化灰度霍夫变换和局部cfar的尾迹检测方法 | |
CN113050098A (zh) | 基于块稀疏稳健主成分分析的反蛙人声呐混响抑制方法 | |
CN112836638A (zh) | 高海况sar船只检测方法及应用 | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
Zhang et al. | Target detection in sar images based on sub-aperture coherence and phase congruency |
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 |