CN112630743A - 基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统 - Google Patents
基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统 Download PDFInfo
- Publication number
- CN112630743A CN112630743A CN202011602419.6A CN202011602419A CN112630743A CN 112630743 A CN112630743 A CN 112630743A CN 202011602419 A CN202011602419 A CN 202011602419A CN 112630743 A CN112630743 A CN 112630743A
- Authority
- CN
- China
- Prior art keywords
- sea surface
- contour
- target
- point
- pixel 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统,包括:获取海面图像,海面图像包括至少一个海面目标;对海面图像进行二值化和形态学的预处理,得到处理后海面图像;利用轮廓跟踪技术,检测处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像;针对轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点;区域像素点包含该海面目标的轮廓像素点以及轮廓像素点构成范围以内的像素点;针对每个海面目标,对该海面目标的区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果。
Description
技术领域
本发明属于海面目标检测领域,具体涉及一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统。
背景技术
海面图像是针对海面区域利用雷达采集得到的原始回波点迹图像,传统的海面目标雷达处理算法层出不穷,但受外界环境因素的影响,杂波分布呈现多样性与不确定性,接收端录入的点迹中不仅包括目标的信息,还有各类杂波的干扰。随着检测精度的提高,回波数据中检测到的目标不再是仅由一个或少数几个点组成的点目标,而是由多个原始点迹数据组成,同时目标发生分裂和扩展的情况也越来越多。在目标跟踪过程中,为了保证航迹文件信息的准确性和可靠性,高精度的点迹凝聚算法至关重要。
传统的轮廓跟踪点迹凝聚算法,仅仅只通过目标轮廓对凝聚位置进行估计,首先通过4链码或者8链码进行轮廓跟踪提取目标轮廓,检测出雷达图像中目标的轮廓点,再对轮廓点进行点迹凝聚。
然而,传统算法得到的凝聚位置,只是基于目标轮廓得到的,而忽略了目标的整体像素区域,因此得到的目标点迹凝聚位置的精确度不高。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明实施例提供的一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法,包括:
获取海面图像,所述海面图像包括至少一个海面目标;
对所述海面图像进行二值化和形态学的预处理,得到处理后海面图像;
利用轮廓跟踪技术,检测所述处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像;
针对所述轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点;所述区域像素点包含该海面目标的所述轮廓像素点以及所述轮廓像素点构成范围以内的像素点;
针对每个海面目标,对该海面目标的所述区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果。
可选的,所述对所述海面图像进行二值化和形态学的预处理,得到处理后海面图像,包括:
利用恒虚预警技术对所述海面图像进行处理,得到二值化海面图像,其中,所述二值化海面图像中背景像素点的像素值为0,目标像素点的像素值为1;
利用预设大小的矩形结构对所述二值化海面图像的像素点进行膨胀操作和腐蚀操作,得到处理后海面图像。
可选的,所述利用轮廓跟踪技术,检测所述处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像,包括:
根据预定顺序依次扫描所述处理后海面图像,得到第一个像素值为1且状态为未处理的像素点,作为待跟踪的当前海面目标的轮廓像素点中的起始点;
针对所述当前海面目标,基于所述起始点,按照轮廓跟踪准则查找到所述当前海面目标的所有轮廓像素点,并将查找过的像素点记为已处理状态;
根据预定顺序继续扫描所述处理后海面图像,更新所述待跟踪的当前海面目标,重复迭代直至所述处理后海面图像中所有所述像素点均为已处理状态,则结束轮廓跟踪,得到各个海面目标的轮廓像素点;
将包含各个海面目标的轮廓像素点的图像作为轮廓跟踪后图像。
可选的,所述预定顺序包括从上至下、从左至右或者从左至右、从上至下。
可选的,所述针对所述当前海面目标,基于所述起始点,按照轮廓跟踪方法查找到所述当前海面目标的所有轮廓像素点,包括:
将所述起始点作为当前轮廓像素点,根据所述当前轮廓像素点,按照所述轮廓跟踪准则,确定用于搜索下一轮廓像素点的起始位置;
从所述起始位置开始,顺时针方向依次查找所述当前轮廓像素点的第一预设邻域内的像素点,将第一个像素值为1且状态为未处理的所述像素点作为目标轮廓像素点;
判断所述目标轮廓像素点是否为所述起始点,若否,则将所述目标轮廓像素点更新为当前轮廓像素点继续轮廓跟踪;若是,则结束该当前海面目标的轮廓跟踪,由所述起始点以及查找到的各个目标轮廓像素点得到该当前海面目标的所有轮廓像素点;
其中,所述第一预设邻域包括4邻域或者8邻域。
可选的,所述针对所述轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点,包括:
针对所述轮廓跟踪后图像中的每个海面目标,将该海面目标的每个轮廓像素点作为种子点,历遍该种子点的第二预设邻域内的像素点,将像素值为1且状态为未处理的像素点归入该海面目标的区域像素点集合;
反复迭代直至所述区域像素点集合中任意像素点的第二预设邻域内,像素值为1的像素点均已归入所述区域像素点集合中;
将确定的所述区域像素点集合中的所有像素点作为该海面目标的区域像素点;
其中,所述第二预设邻域包括8邻域或者24邻域。
可选的,所述针对每个海面目标,对该海面目标的所述区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果,包括:
针对每个海面目标,对该海面目标的所述区域像素点利用质心法进行点迹凝聚处理,获得该海面目标的点迹凝聚位置的坐标;并确定所述点迹凝聚位置对应的幅值为所述海面图像中各个点迹对应的幅值中的最大值;
将获得的所述点迹凝聚位置的坐标和幅值作为该海面目标的点迹凝聚结果。
第二方面,本发明实施例还提供一种基于轮廓跟踪区域生长的海面目标点迹凝聚系统,包括:
图像获取模块,用于获取海面图像,所述海面图像包括至少一个海面目标;
图像预处理模块,用于对所述海面图像进行二值化和形态学的预处理,得到处理后海面图像;
目标轮廓跟踪模块,用于利用轮廓跟踪技术,检测所述处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像;
区域生长模块,用于针对所述轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点;所述区域像素点包含该海面目标的所述轮廓像素点以及所述轮廓像素点构成范围以内的像素点;
点迹凝聚模块,用于针对每个海面目标,对该海面目标的所述区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果。
第三方面,本发明实施例还提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的程序时,实现上述的方法步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,包括:
所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法步骤。
本发明实施例提供的一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统,将区域生长引入海面目标雷达探测。首先将雷达采集到的海面图像进行二值化以及形态学的预处理;其次基于轮廓跟踪算法提取像素点目标轮廓,得到轮廓跟踪后图像;再次利用区域生长,得到海面目标包含的所有区域像素点;最后再对区域像素点进行点迹凝聚,得到海面目标的点迹凝聚结果。本发明实施例利用区域生长对目标轮廓内的像素点进行查找,得到目标包含的所有像素点之后再做点迹凝聚处理,能够得到更加精确的目标凝聚位置,提高点迹凝聚精度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法的流程图;
图2是本发明实施例提供的DP-CFAR处理前后对比图;
图3是本发明实施例所提供的二值化海面图像和处理后海面图像;
图4是现有技术中4链码和8链码的示意图;
图5是8链码轮廓跟踪算法示意图;
图6是本发明实施例提供的轮廓跟踪结果;
图7是现有技术中区域生长算法示意图;
图8是本发明实施例提供的轮廓跟踪后区域生长结果;
图9(a)为本发明实施例中截取的海面雷达原始的海面图像;图9(b)为本发明实施例中DP-CFAR处理后的结果;图9(c)为本发明实施例中使用矩形结构元素膨胀腐蚀后的结果;
图10(a)是4链码轮廓跟踪结果;图10(b)是4链码轮廓跟踪后点迹凝聚结果;
图11(a)是8链码轮廓跟踪结果;图11(b)是8链码轮廓跟踪后点迹凝聚结果;
图12(a)是基于轮廓跟踪4邻域区域生长的结果;图12(b)是基于轮廓跟踪8邻域区域生长的结果;图12(c)是基于轮廓跟踪24邻域区域生长的结果;图12(d)是基于轮廓跟踪8邻域区域生长后点迹凝聚的结果;
图13(a)是基于8链码轮廓跟踪区域生长的结果;图13(b)是基于8链码轮廓跟踪区域生长后点迹凝聚的结果;
图14是本发明实施例提供的一种基于轮廓跟踪区域生长的海面目标点迹凝聚系统的结构图;
图15是本发明实施例提供的一种电子设备的结构图。
具体实施方式
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,都属于本发明保护的范围。
为了实现对海面目标跟踪的高精度点迹凝聚算法,本发明实施例提供了一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统。
需要说明的是,本发明实施例所提供的一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法的执行主体可以为一种基于轮廓跟踪区域生长的海面目标点迹凝聚系统,该系统可以运行于电子设备中。其中,该电子设备可以为一服务器或终端设备,或者一图像处理设备等,当然并不局限于此。
第一方面,本发明实施例提供了一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法。下面,首先对该方法进行介绍。
参见图1,图1是本发明实施例提供的一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法的流程图。本发明实施例提供的基于轮廓跟踪区域生长的海面目标点迹凝聚方法,可以包括以下步骤:
S1,获取海面图像,海面图像包括至少一个海面目标。
本发明实施例中,海面图像是针对海面区域利用雷达采集得到的原始回波点迹图像。其中,海面图像中至少包括一个海面目标。
具体的,海面目标可以是指海面上的船只、灯塔等。
S2,对海面图像进行二值化和形态学的预处理,得到处理后海面图像。
可选的一种实施方式中,S2可以包括S21~S22。
S21,利用恒虚预警技术对海面图像进行处理,得到二值化海面图像,其中,二值化海面图像中背景像素点的像素值为0,目标像素点的像素值为1。
具体的,雷达原始回波数据中包含的大量虚假点迹不仅会影响目标信息的提取,而且会降低目标检测与点迹处理的精度。而恒虚警技术可以根据实测数据的不同,自适应地设置检测门限对目标回波中的杂波干扰进行滤除,能够最大限度地减少虚假点迹带来的影响,提高目标的检测概率。
本发明实施例采用的恒虚警技术可以包括:1)均值类恒虚警,包括CA-CFAR(单元平均恒虚警)、GO-CFAR(最大选择恒虚警)、SO-CFAR(最小选择恒虚警);2)有序统计类恒虚警:OS-CFAR;3)双参数恒虚警:DP-CFAR,等等。关于各种恒虚警技术请参见相关现有技术,在此不做赘述。
优选的实施方式中,本发明实施例选用DP-CFAR对海面图像进行处理。海面图像经DP-CFAR处理后,信号强度被二值量化处理,过检测门限的被测单元记为‘1’,否则记为‘0’,形成了方位距离维的二值化海面图像。二值化海面图像中背景部分的像素值为0,目标部分的像素值为1。二值化海面图像的长为原始回波数据的距离单元数,宽为原始回波数据的脉冲个数。请参见图2,图2为本发明实施例提供的DP-CFAR处理前后对比图。其中图2(a)为海面图像;图2(b)为DP-CFAR处理后的二值化海面图像。由图2(a)可看出,海面图像作为原始的海面雷达图像,由能量较低的背景区和能量较高的目标和噪声构成,图像构成相对简单。船只、浮标等孤立目标形状成椭圆形,背景区域占面积较大。同时也可以看到目标所受干扰严重,呈现出若隐若现的状态。由图2(b)可看出,DP-CFAR处理后,部分能量较强的海杂波、噪声等干扰,恒虚警并未将其滤除,图像中仍包含大量虚假点迹,但是相比于目标,其包含像素点较少。
S22,利用预设大小的矩形结构对二值化海面图像的像素点进行膨胀操作和腐蚀操作,得到处理后海面图像。
形态学后处理技术通过对图像中的分裂点迹进行合并,可以减少点迹分裂现象对后续目标检测带来的不利影响。数学形态学(Mathematical Morphology)是基于集合论建立起来的,广泛应用于模式识别等领域。当图像中包含大量孤立噪点,或者目标中有细小空洞时,形态学后处理技术能够很好地解决上述图像问题,改善图像质量。形态学后处理的基础是膨胀和腐蚀运算,以下进行概要介绍。
(1)二值形态学膨胀
A表示一幅图像,B表示结构元素,为B的反射。膨胀过程中,当物体和结构元素接触时产生合并,因此膨胀之后的图像会比原图包含更多的像素点。膨胀能够将图像中像素点个数较少的目标进行放大,填补空洞或者链接裂缝桥是膨胀最简单的应用。“+”表示结构元素原点位置。膨胀算法的基本思想是:在遍历二值化海面图像的过程中,结构元素逐个与图像中的像素点进行比较,当结构元素原点与图像中某点的像素值相同时,将结构元素所在位置的所有点都置为“1”。
(2)二值形态学腐蚀
腐蚀“缩小”或“细化”了二值化海面图像中的物体。AΘB表示A被B腐蚀,即:
或者:
其中A表示一幅图像,B为结构元素。腐蚀操作可以消除目标边界点,实现边界向内收缩,从而去除像素点个数较少、结构较小的目标。腐蚀后图像较原图像所占像素点更少,其图像中的像素点是原图像的一个子集。腐蚀可以消除图像中的小目标,增大其补集。对于像素点个数较少的噪声或者海杂波等干扰,通过腐蚀可以将其滤除,为后续图像处理提供较好的图像质量。腐蚀算法的基本思想是:结构元素在二值化海面图像的平移过程中,当结构元素各位置像素点能够被二值化海面图像对应像素点完全覆盖时,那么仅将原点“+”所对应的二值化海面图像的像素点置为“1”。
本发明实施例中,对DP-CFAR检测后的二值化海面图像进行处理。为了最大限度地减少点迹分裂对后续目标检测带来的影响,通过对目标点迹在距离维和方位维的分裂情况进行分析,并根据分裂特点,选取不同预设大小的结构元素分别进行多次仿真实验。结果显示预设大小为4×3的矩形结构元素效果最好。因此,本发明实施例优选使用4×3的矩形结构元素。针对图2(b)中局部的二值化海面图像进行先膨胀后腐蚀操作后,得到的结果如图3所示。图3为本发明实施例所提供的二值化海面图像和处理后海面图像。其中图3(a)为图2(b)中局部的二值化海面图像,其中圆圈部分为示例的一个目标;图3(b)为针对图3(a)利用4×3的矩形结构元素进行先膨胀后腐蚀操作后得到的处理后海面图像。从图3(b)可以看到,目标的原始形状没有发生大的变化,同时点迹分裂问题也得到了改善,图像中的部分噪点也被滤除,目标点清晰易识别。通过该步骤的处理,可以最大限度地减少点迹分裂对目标检测带来的影响,为后续处理提供较好的图像基础。
S3,利用轮廓跟踪技术,检测处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像。
可选的一种实施方式中,S3可以包括S31~S34。
S31,根据预定顺序依次扫描处理后海面图像,得到第一个像素值为1且状态为未处理的像素点,作为待跟踪的当前海面目标的轮廓像素点中的起始点。
具体的,预定顺序包括从上至下、从左至右或者从左至右、从上至下。
预定顺序也可以为其他形式,在此不做限定。
S32,针对当前海面目标,基于起始点,按照轮廓跟踪准则查找到当前海面目标的所有轮廓像素点,并将查找过的像素点记为已处理状态。
为了便于理解,首先对4链码以及8链码进行简单介绍。
参考图4,图4是现有技术中4链码和8链码的示意图。链码广泛应用于计算机图像中,通过得到物体的边界,实现对物体的描述和表达。在图像处理中,对于由灰度图转换而成的二值化海面图像,链码常用来对图像中的目标进行描述。常用的链码为4链码和8链码,8链码比4链码多了4个斜方向,通常8链码的使用相对较多。
4链码和8链码方向和像素坐标对应关系如表1所示。
表1(a)4链码方向值与坐标值的转换
链码方向 | 0 | 1 | 2 | 3 |
X坐标偏移 | 1 | 0 | -1 | 0 |
Y坐标偏移 | 0 | -1 | 0 | 1 |
表1(b)8链码方向值与坐标值的转换
链码方向 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
X坐标偏移 | 1 | 1 | 0 | -1 | -1 | -1 | 0 | 1 |
Y坐标偏移 | 0 | -1 | -1 | -1 | 0 | 1 | 1 | 1 |
接下来介绍轮廓跟踪算法的原理。
参考图5,图5是8链码轮廓跟踪算法示意图。根据轮廓跟踪准则依次寻找下一个轮廓点,直到回到轮廓跟踪的起始点,轮廓点遍历完成,该目标轮廓跟踪完毕。如图5(a)所示,黑色圆为上次跟踪到的轮廓点,灰色圆为当前已找到的轮廓点,相对于黑色圆,灰色圆有8种方向,称其为轮廓跟踪方向。针对8个灰色圆的轮廓跟踪方向,在本次轮廓跟踪过程中首先要查找的像素点不同,其方向如图5(a)所示。
为了更好地对算法进行说明,图5(b)展示了8链码轮廓跟踪算法的基本过程。黑色圆为目标轮廓点,a与b是目前已经找到的两个轮廓点,方向由a到b,为了找到b的下一个轮廓点,下一步搜素的像素点是b0,然后是b1,接下来是b2,即按照顺时针方向在8邻域像素点中查找下一个轮廓点,当轮廓点c找到,跟踪方向更新为b到c,在搜索c的下一个轮廓点的过程中,由于b1,b2已被搜索过,不再对其进行重复遍历,因此第一个搜索的是c1像素点,搜索完c1之后,在链码值为2的方向上找到c的下一个轮廓点d。按照该算法依次查找下一个轮廓点,直到回到轮廓跟踪的起始点。
具体的,S32可以包括S321~S323。
S321,将起始点作为当前轮廓像素点,根据当前轮廓像素点,按照轮廓跟踪准则,确定用于搜索下一轮廓像素点的起始位置。
S322,从起始位置开始,顺时针方向依次查找当前轮廓像素点的第一预设邻域内的像素点,将第一个像素值为1且状态为未处理的像素点作为目标轮廓像素点。
S323,判断目标轮廓像素点是否为起始点,若否,则将目标轮廓像素点更新为当前轮廓像素点继续轮廓跟踪;若是,则结束该当前海面目标的轮廓跟踪,由起始点以及查找到的各个目标轮廓像素点得到该当前海面目标的所有轮廓像素点。
其中,第一预设邻域包括4邻域或者8邻域。
S33,根据预定顺序继续扫描处理后海面图像,更新待跟踪的当前海面目标,重复迭代直至处理后海面图像中所有像素点均为已处理状态,则结束轮廓跟踪,得到各个海面目标的轮廓像素点。
S34,将包含各个海面目标的轮廓像素点的图像作为轮廓跟踪后图像。
下来,对基于8链码轮廓跟踪算法提取目标轮廓进行举例,实现对图像中像素点连通目标的表达与检测。
根据S2对海面图像进行预处理,处理后的海面图像中背景像素值为0,目标像素值为1。
具体算法流程如下:
输入:处理后海面图像
输出:轮廓跟踪后图像
步骤一:从上至下、从左至右依次扫描处理后海面图像,发现第一个像素值为1且状态为未处理的像素点,将其设为轮廓跟踪的起始点;
步骤二:按轮廓跟踪准则确定下一轮廓点搜索的起始位置,然后从该位置开始,按照顺时针方向依次检查当前轮廓点的8邻域像素,当第一次出现像素值为1且状态为未处理的像素点时,这一像素点就是新的轮廓点;
步骤三:如果新轮廓点不是起始点,则将新轮廓点作为当前轮廓点,转至步骤二;如果新轮廓点是起始点,则继续按照从上至下、从左至右的顺序扫描处理后海面图像,并同时将目标像素点记为已处理状态;
步骤四:判断处理后海面图像中的像素是否都为已处理状态,若是,则轮廓跟踪结束;若否,转至步骤一。
参考图6,以单一目标为例,图6是轮廓跟踪结果。
可以理解的是,本发明实施例中,先对处理后海面图像进行8链码轮廓跟踪处理,在跟踪过程中记录每个目标的轮廓点个数,通过设定阈值对轮廓点个数较少的海杂波、噪声等干扰予以滤除,检测出有效船只目标。
截止此步骤,基于轮廓跟踪确定出处理后海面图像中各个目标的轮廓跟踪后图像,为了得到更加精确的目标凝聚位置,提高点迹凝聚精度,还需查找轮廓内的像素点。
S4,针对轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点;区域像素点包含该海面目标的轮廓像素点以及轮廓像素点构成范围以内的像素点。
区域生长法(Region Growing)是一种经典的图像分割算法,其基本思想是:根据样本集中各像素点的“相似性”将其合并在一起构成区域。首先需找出一个种子点,然后根据某种生长准则,对物体进行“生长”。下面结合图7对区域生长算法进行介绍。图7为现有技术中区域生长算法示意图。
图7(a)为原始图像。5为种子点,现在对其进行区域生长。以种子点为中心,检查它的4邻域,如果所检查的像素点与种子点的灰度值之差的绝对值小于等于某个门限值T,则将该像素点与种子点进行合并生长成为新的种子,然后向周围继续生长。
图7(b)为T=1时区域生长的结果。种子点周围灰度值为4、5、6的像素点都被生长进来,而灰度值为0、1、7的像素点由于超出了门限范围,无法与种子点所在区域进行合并。虽然图像右上角的5也可以成为种子点,但由于7不满足生长要求,不能成为新的种子点,因此5位于合并区域之外。
图7(c)为T=3时区域生长的结果。可以看到图像整个右边都生长成为一个区域。
图7(d)为T=6时区域生长的结果。此时整幅图像都被生长为一个区域。由此可见,门限值的选取是很重要的,不同的门限值会得到不同的生长结果。
可选的一种实施方式中,S4可以包括S41~S43。
S41,针对轮廓跟踪后图像中的每个海面目标,将该海面目标的每个轮廓像素点作为种子点,历遍该种子点的第二预设邻域内的像素点,将像素值为1且状态为未处理的像素点归入该海面目标的区域像素点集合。
其中,第二预设邻域包括8邻域或者24邻域。
S42,反复迭代直至区域像素点集合中任意像素点的第二预设邻域内,像素值为1的像素点均已归入区域像素点集合中。
S43,将确定的区域像素点集合中的所有像素点作为该海面目标的区域像素点。
下来,以8邻域为第二预设邻域为例,基于轮廓跟踪区域生长算法的具体步骤如下:
输入:轮廓跟踪后图像
输出:海面目标的区域像素点图像
步骤一:从上至下、从左至右扫描轮廓跟踪后图像,在扫描过程中,将第一个目标的第一个像素值为1且状态为未处理的轮廓点,作为其区域生长的种子点;
步骤二:以该种子点为中心,搜索它的8邻域像素,如果像素点的像素值为1,则将该点与中心点合并;
步骤三:遍历该目标的所有轮廓点,重复执行步骤二,直到目标所有轮廓点生长完成;
步骤四:以新合并的像素点为种子点,执行步骤二,直到再没有其他像素点可以被包含进来为止,同时将该目标所有点记为已处理状态;
步骤五:判断轮廓跟踪后图像中的像素点的状态是否都为已处理,若是,则区域生长结束;若否,则转至步骤一。
参考图8,以单一目标为例,图8是轮廓跟踪后区域生长结果。
S5,针对每个海面目标,对该海面目标的区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果。
针对每个海面目标,对该海面目标的区域像素点利用质心法进行点迹凝聚处理,获得该海面目标的点迹凝聚位置的坐标;并确定点迹凝聚位置对应的幅值为海面图像中各个点迹对应的幅值中的最大值;
将获得的点迹凝聚位置的坐标和幅值作为该海面目标的点迹凝聚结果。
下面分别通过仿真数据与实测数据实验对本节算法的可行性进行验证。以下对本实施例的实验结果进行说明。本实施例的实测数据来自Navico Halo脉冲压缩雷达采样得到的海面图像,为了呈现较好的轮廓跟踪效果,选取只有5个船只目标的海面区域的海面图像,用不同的掩模对图像做轮廓跟踪处理并统计目标轮廓点数,对比各方法性能。
(1)海面图像预处理
请参见图9,图9(a)为本发明实施例中截取的海面雷达原始的海面图像,可以看到,海面上的船只目标灰度高且形状呈椭圆形,深色背景区域灰度低且面积较大。由于目标所受干扰严重,呈现出若隐若现的状态。请参见图9(b),图9(b)为本发明实施例中DP-CFAR处理后的结果,经DP-CFAR处理后得到距离维与方位维构成的二值化海面图像,可以看到,图像中的部分噪声、海杂波等干扰仍未被滤除。部分船只目标在距离向分裂明显,同时方位向也有分裂点迹产生。请参见图图9(c),图9(c)为本发明实施例中使用矩形结构元素膨胀腐蚀后的结果。其中使用4×3矩形结构。可以看到目标的点迹分裂得到了改善,同时目标的形状没有发生大的变化,图像中的部分噪点被滤除,目标点清晰易识别。
(2)轮廓跟踪生长
图10(a)是4链码轮廓跟踪结果;图10(b)是4链码轮廓跟踪后点迹凝聚结果;图11(a)是8链码轮廓跟踪结果;图11(b)是8链码轮廓跟踪后点迹凝聚结果。通过对上述两组图像进行分析,轮廓跟踪算法可以在分布有噪声的图像中检测出船只目标,点迹凝聚位置通过轮廓上各点的坐标取平均获得。可以看到,4链码和8链码能够得到目标的完整轮廓,相比4链码,8链码的目标轮廓点数相对较少,同时提取出的目标轮廓更精确。
下面分别对这两种轮廓跟踪算法得到的海面图像中的5个船只目标轮廓点数进行统计分析,如表2所示。
表24链码以及8链码目标轮廓点数统计
目标点 | 1 | 2 | 3 | 4 | 5 | 总个数 |
4链码 | 71 | 64 | 52 | 54 | 64 | 305 |
8链码 | 58 | 51 | 38 | 43 | 47 | 237 |
由上表可得,2种不同的链码轮廓跟踪得到的5个目标轮廓点数略有不同。由于8链码是4链码改进而来(在原来4个方向的基础上增加了4个斜方向),因此下表对这两种链码得到的轮廓点数进行对比分析,参考表3。
表34链码以及8链码轮廓点对比分析
目标点 | 1 | 2 | 3 | 4 | 5 | 总个数 |
减少的轮廓点数 | 13 | 13 | 14 | 11 | 17 | 68 |
减少个数比例 | 18.3% | 20.3% | 26.9% | 20.4% | 26.6% | 22.3% |
可以看到,相比4链码,8链码轮廓跟踪后河道图像中5个船只目标的轮廓点数分别减少了18.3%、20.3%、26.9%、20.4%和26.6%,总个数减少了22.3%。对于包含连通目标的雷达图像,8链码能够在精确提取目标轮廓的同时减少轮廓跟踪的点数。因此,如果需要通过轮廓跟踪算法进行像素点连通目标的检测,8链码效果更优。
(3)区域生长
图12(a)是基于轮廓跟踪4邻域区域生长的结果;图12(b)是基于轮廓跟踪8邻域区域生长的结果;图12(c)是基于轮廓跟踪24邻域区域生长的结果;图12(d)是基于轮廓跟踪8邻域区域生长后点迹凝聚的结果。8邻域和24邻域生长准则下区域生长结果相同,没有出现像素点的丢失。4邻域生长准则由于在生长过程中,只对轮廓点(种子点)的四个方向像素点进行搜索,4个斜方向的像素点因为缺少种子点并不能被遍历到,导致目标像素点丢失。图12(a)用箭头对丢失像素点的位置进行了标注。因此,在区域生长过程中,应尽量选择遍历种子点尽可能多的邻域,才会得到正确的区域生长结果。
(4)点迹凝聚
参考图13,图13(a)是基于8链码轮廓跟踪区域生长的结果;图13(b)是基于8链码轮廓跟踪区域生长后点迹凝聚的结果。以下对基于轮廓跟踪(4链码以及8链码)的点迹凝聚方法(不考虑区域生长),以及本发明实施例提出的基于轮廓跟踪区域生长的点迹凝聚方法进行比较。各方法得到的海面目标的点迹凝聚位置坐标及凝聚点迹的幅值的统计分析如下。
表4各算法点迹凝聚结果统计
目标点 | 4链码 | 8链码 | 轮廓跟踪区域生长 | 目标幅值 |
1 | (30.2535,84.1972) | (30.1552,83.3103) | (29.7345,85.3812) | 175 |
2 | (87.3438,150.3125) | (87.0588,149.8431) | (87.7418,149.1418) | 196 |
3 | (112.2115,27.7885) | (112.2895,27.6579) | (113.2084,27.6278) | 170 |
4 | (158.9630,70.3519) | (158.8837,69.8372) | (159.4215,67.0060) | 175 |
5 | (195.6875,201.3750) | (195.8085,201.7234) | (196.1006,202.4880) | 176 |
对比可见,基于轮廓跟踪区域生长的点迹凝聚算法得到的目标凝聚位置的精度更高。
本发明实施例提供的基于轮廓跟踪区域生长的海面目标雷达点迹凝聚方法,将区域生长引入海面目标雷达探测。首先将雷达采集到的海面图像进行二值化以及形态学的预处理;其次基于轮廓跟踪算法提取像素点目标轮廓,得到轮廓跟踪后图像;再次利用区域生长,得到海面目标包含的所有区域像素点;最后再对区域像素点进行点迹凝聚,得到海面目标的点迹凝聚结果。本发明实施例利用区域生长对目标轮廓内的像素点进行查找,得到目标包含的所有像素点之后再做点迹凝聚处理,能够得到更加精确的目标凝聚位置,提高点迹凝聚精度。
第二方面,相应于上述方法实施例,本发明实施例还提供了一种基于轮廓跟踪区域生长的海面目标点迹凝聚系统,如图14所示,图14是本发明实施例提供的一种基于轮廓跟踪区域生长的海面目标点迹凝聚系统的结构图,该装置包括:
图像获取模块210,用于获取海面图像,海面图像包括至少一个海面目标;
图像预处理模块220,用于对海面图像进行二值化和形态学的预处理,得到处理后海面图像;
目标轮廓跟踪模块230,用于利用轮廓跟踪技术,检测处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像;
区域生长模块240,用于针对轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点;区域像素点包含该海面目标的轮廓像素点以及轮廓像素点构成范围以内的像素点;
点迹凝聚模块250,用于针对每个海面目标,对该海面目标的区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果。
关于各个模块的具体执行过程,请参见第一方面的方法步骤,在此不再赘述。
本发明实施例所提供的方案中,将区域生长引入海面目标雷达探测。首先将雷达采集到的海面图像进行二值化以及形态学的预处理;其次基于轮廓跟踪算法提取像素点目标轮廓,得到轮廓跟踪后图像;再次利用区域生长,得到海面目标包含的所有区域像素点;最后再对区域像素点进行点迹凝聚,得到海面目标的点迹凝聚结果。本发明实施例利用区域生长对目标轮廓内的像素点进行查找,得到目标包含的所有像素点之后再做点迹凝聚处理,能够得到更加精确的目标凝聚位置,提高点迹凝聚精度。
第三方面,本发明实施例还提供了一种电子设备,如图15所示,图15是本发明实施例提供的一种电子设备的结构图,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现如本发明实施例提供的第一方面的方法步骤。
该电子设备可以为:台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定,任何可以实现本发明的电子设备,均属于本发明的保护范围。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
通过上述电子设备,能够实现:将区域生长引入海面目标雷达探测。首先将雷达采集到的海面图像进行二值化以及形态学的预处理;其次基于轮廓跟踪算法提取像素点目标轮廓,得到轮廓跟踪后图像;再次利用区域生长,得到海面目标包含的所有区域像素点;最后再对区域像素点进行点迹凝聚,得到海面目标的点迹凝聚结果。本发明实施例利用区域生长对目标轮廓内的像素点进行查找,得到目标包含的所有像素点之后再做点迹凝聚处理,能够得到更加精确的目标凝聚位置,提高点迹凝聚精度。
第四方面,相应于第一方面所提供的基于车辆活动预测的高速路口管控方法,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现本发明实施例提供的第一方面提的方法步骤。
上述计算机可读存储介质存储有在运行时执行本发明实施例所提供的基于目标活动预测的高速路口管控方法的应用程序,因此能够实现:将区域生长引入海面目标雷达探测。首先将雷达采集到的海面图像进行二值化以及形态学的预处理;其次基于轮廓跟踪算法提取像素点目标轮廓,得到轮廓跟踪后图像;再次利用区域生长,得到海面目标包含的所有区域像素点;最后再对区域像素点进行点迹凝聚,得到海面目标的点迹凝聚结果。本发明实施例利用区域生长对目标轮廓内的像素点进行查找,得到目标包含的所有像素点之后再做点迹凝聚处理,能够得到更加精确的目标凝聚位置,提高点迹凝聚精度。
对于装置/电子设备/存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,本发明实施例的装置、电子设备及存储介质分别是应用上述基于轮廓跟踪区域生长的海面目标点迹凝聚方法的装置、电子设备及存储介质,则上述基于轮廓跟踪区域生长的海面目标点迹凝聚方法的所有实施例均适用于该装置、电子设备及存储介质,且均能达到相同或相似的有益效果。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于轮廓跟踪区域生长的海面目标点迹凝聚方法,其特征在于,包括:
获取海面图像,所述海面图像包括至少一个海面目标;
对所述海面图像进行二值化和形态学的预处理,得到处理后海面图像;
利用轮廓跟踪技术,检测所述处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像;
针对所述轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点;所述区域像素点包含该海面目标的所述轮廓像素点以及所述轮廓像素点构成范围以内的像素点;
针对每个海面目标,对该海面目标的所述区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述海面图像进行二值化和形态学的预处理,得到处理后海面图像,包括:
利用恒虚预警技术对所述海面图像进行处理,得到二值化海面图像,其中,所述二值化海面图像中背景像素点的像素值为0,目标像素点的像素值为1;
利用预设大小的矩形结构对所述二值化海面图像的像素点进行膨胀操作和腐蚀操作,得到处理后海面图像。
3.根据权利要求2所述的方法,其特征在于,所述利用轮廓跟踪技术,检测所述处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像,包括:
根据预定顺序依次扫描所述处理后海面图像,得到第一个像素值为1且状态为未处理的像素点,作为待跟踪的当前海面目标的轮廓像素点中的起始点;
针对所述当前海面目标,基于所述起始点,按照轮廓跟踪准则查找到所述当前海面目标的所有轮廓像素点,并将查找过的像素点记为已处理状态;
根据预定顺序继续扫描所述处理后海面图像,更新所述待跟踪的当前海面目标,重复迭代直至所述处理后海面图像中所有所述像素点均为已处理状态,则结束轮廓跟踪,得到各个海面目标的轮廓像素点;
将包含各个海面目标的轮廓像素点的图像作为轮廓跟踪后图像。
4.根据权利要求3所述的方法,其特征在于,所述预定顺序包括从上至下、从左至右或者从左至右、从上至下。
5.根据权利要求3所述的方法,其特征在于,所述针对所述当前海面目标,基于所述起始点,按照轮廓跟踪方法查找到所述当前海面目标的所有轮廓像素点,包括:
将所述起始点作为当前轮廓像素点,根据所述当前轮廓像素点,按照所述轮廓跟踪准则,确定用于搜索下一轮廓像素点的起始位置;
从所述起始位置开始,顺时针方向依次查找所述当前轮廓像素点的第一预设邻域内的像素点,将第一个像素值为1且状态为未处理的所述像素点作为目标轮廓像素点;
判断所述目标轮廓像素点是否为所述起始点,若否,则将所述目标轮廓像素点更新为当前轮廓像素点继续轮廓跟踪;若是,则结束该当前海面目标的轮廓跟踪,由所述起始点以及查找到的各个目标轮廓像素点得到该当前海面目标的所有轮廓像素点;
其中,所述第一预设邻域包括4邻域或者8邻域。
6.根据权利要求2所述的方法,其特征在于,所述针对所述轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点,包括:
针对所述轮廓跟踪后图像中的每个海面目标,将该海面目标的每个轮廓像素点作为种子点,历遍该种子点的第二预设邻域内的像素点,将像素值为1且状态为未处理的像素点归入该海面目标的区域像素点集合;
反复迭代直至所述区域像素点集合中任意像素点的第二预设邻域内,像素值为1的像素点均已归入所述区域像素点集合中;
将确定的所述区域像素点集合中的所有像素点作为该海面目标的区域像素点;
其中,所述第二预设邻域包括8邻域或者24邻域。
7.根据权利要求6所述的方法,其特征在于,所述针对每个海面目标,对该海面目标的所述区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果,包括:
针对每个海面目标,对该海面目标的所述区域像素点利用质心法进行点迹凝聚处理,获得该海面目标的点迹凝聚位置的坐标;并确定所述点迹凝聚位置对应的幅值为所述海面图像中各个点迹对应的幅值中的最大值;
将获得的所述点迹凝聚位置的坐标和幅值作为该海面目标的点迹凝聚结果。
8.一种基于轮廓跟踪区域生长的海面目标点迹凝聚系统,其特征在于,包括:
图像获取模块,用于获取海面图像,所述海面图像包括至少一个海面目标;
图像预处理模块,用于对所述海面图像进行二值化和形态学的预处理,得到处理后海面图像;
目标轮廓跟踪模块,用于利用轮廓跟踪技术,检测所述处理后海面图像中的各个海面目标,得到包含各个海面目标的轮廓像素点的轮廓跟踪后图像;
区域生长模块,用于针对所述轮廓跟踪后图像中的每个海面目标,对该海面目标的轮廓像素点构成范围内的像素点进行区域生长,得到该海面目标的区域像素点;所述区域像素点包含该海面目标的所述轮廓像素点以及所述轮廓像素点构成范围以内的像素点;
点迹凝聚模块,用于针对每个海面目标,对该海面目标的所述区域像素点进行点迹凝聚,得到该海面目标的点迹凝聚结果。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,包括:
所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602419.6A CN112630743A (zh) | 2020-12-29 | 2020-12-29 | 基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602419.6A CN112630743A (zh) | 2020-12-29 | 2020-12-29 | 基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112630743A true CN112630743A (zh) | 2021-04-09 |
Family
ID=75286908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011602419.6A Withdrawn CN112630743A (zh) | 2020-12-29 | 2020-12-29 | 基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112630743A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313690A (zh) * | 2021-05-31 | 2021-08-27 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
-
2020
- 2020-12-29 CN CN202011602419.6A patent/CN112630743A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313690A (zh) * | 2021-05-31 | 2021-08-27 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
CN113313690B (zh) * | 2021-05-31 | 2022-08-09 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
CN108985137B (zh) | 一种车牌识别方法、装置及系统 | |
CN112649793A (zh) | 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质 | |
CN112991279B (zh) | 柔性电路板缺陷圆检测方法、装置、介质和设备 | |
CN113592923B (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
CN111008585A (zh) | 基于自适应分层高分辨sar图像的舰船目标检测方法 | |
CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
CN115294527B (zh) | 一种基于计算机视觉的地铁隧道破损检测方法 | |
Elnemr | Feature selection for texture-based plant leaves classification | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
Cai | Robust filtering-based thinning algorithm for pattern recognition | |
CN109829902B (zh) | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 | |
CN112630743A (zh) | 基于轮廓跟踪区域生长的海面目标点迹凝聚方法及系统 | |
CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN111767856B (zh) | 基于灰度值统计分布模型的红外小目标检测算法 | |
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 | |
CN115311287B (zh) | 一种共轨喷油器生产异常检测方法 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
CN116745642A (zh) | 一种探地雷达图像双曲波提取方法及系统 | |
CN113487589A (zh) | 一种亚像素圆心检测方法及系统 | |
CN112835001B (zh) | 一种海面目标雷达点迹凝聚方法及电子设备、存储介质 | |
CN112233042A (zh) | 一种含非合作目标的大场景sar图像快速生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210409 |