CN112881983B - 基于双边截断统计特性的sar图像舰船cfar检测方法 - Google Patents
基于双边截断统计特性的sar图像舰船cfar检测方法 Download PDFInfo
- Publication number
- CN112881983B CN112881983B CN202110041406.4A CN202110041406A CN112881983B CN 112881983 B CN112881983 B CN 112881983B CN 202110041406 A CN202110041406 A CN 202110041406A CN 112881983 B CN112881983 B CN 112881983B
- Authority
- CN
- China
- Prior art keywords
- truncation
- formula
- pixel
- window
- sar image
- 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
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
- G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
-
- 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
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于双边截断统计特性的SAR图像舰船CFAR检测方法,其步骤包括:1.获取一幅SAR图像,设置由目标窗口和背景窗口组成的局部滑动窗口,计算背景窗口中像素的对数域均值和对数域标准差和变异指数,并得到截断规则,去除其中的异质像素;2.采用最大似然估计法对保留的真实海杂波进行对数域均值和对数域标准差估计;3.用对数正态分布对真实海杂波灰度概率密度进行建模;4.根据给定的检测虚警率建立判决规则,对目标窗口中的待测像素进行目标判别。本发明能有效去除所述背景窗口中的异质像素,从而能在保持较低虚警率的前提下有效提升复杂海况下舰船目标的检测率,且计算效率高,具有较好的工程应用价值。
Description
技术领域
本发明涉及SAR图像目标检测技术领域,具体涉及一种复杂海况下基于双边截断统计特性的SAR图像舰船CFAR检测方法。
背景技术
合成孔径雷达(SyntheticAperture Radar,SAR)是雷达发展中的一项新技术,它是一种高分辨率主动式成像传感器。利用SAR遥感手段,可以对地物实现多极化、多波段、多视角的观测,获得的图像特征信息丰富,含有幅度、相位和极化等多种信息。由于SAR全天时、全天候的观测能力,利用SAR图像进行目标检测在海洋遥感领域得到高度重视,逐渐成为SAR图像海洋应用现阶段的研究热点。
由于SAR的成像特点,不同条件的海况呈现在SAR图像中的海杂波差别较大,较复杂海况对应的SAR图像目标检测难度也相对较大。除此以外,随着全球化贸易量的不断增长,越来越多的船只被投入到航运中,不可避免地增加了船只航行过程中溢油事件的发生。在SAR图像中,溢油一般呈现为灰度值较低的密集区域,也会对SAR图像目标检测精度产生较大影响。
传统的恒虚警率(Constant false alarm rate,CFAR)检测方法设置了目标窗口、保护窗口、背景窗口组成的滑动窗口以适应背景杂波的变化,对背景杂波进行参数估计及概率建模,并由给定的虚警率(PFA)自适应计算出检测阈值,实现自适应CFAR检测。其中背景窗口的设计是为了屏蔽目标像素泄漏到背景窗口中对检测结果产生的影响,但在复杂海况区域(如存在溢油的繁忙航线或港口)中,背景窗口中的高、低强度异质像素无法被有效去除,导致估计的参数偏离真实值,影响灰度概率建模精度,最终导致目标检测率下降。
针对复杂海况下产生的检测率降低的问题,提出了大量基于样本截断的CFAR检测方法,这些方法通过迭代法去除异质像素,并对保留的杂波进行参数估计与概率建模,有效提升复杂海况下的目标检测率。然而这些方法通常依赖固定阈值进行杂波截断,若固定阈值选择有误,会导致大量的真实海杂波样本被去除,造成参数估计准确度较差。除此之外,基于固定阈值的杂波截断及参数估计过程需要进行大量迭代计算,过程复杂且效率较低。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于双边截断统计特性的SAR图像舰船CFAR检测方法,以期能有效去除背景窗口中的异质像素,从而能在保持较低虚警率的前提下有效提升复杂海况下舰船目标的检测率,并同时提升检测效率。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于双边截断统计特性的SAR图像舰船CFAR检测方法的特点包括如下步骤:
步骤1:获取一幅SAR图像,并设置由目标窗口和背景窗口组成的局部滑动窗口,计算SAR图像在所述背景窗口中的所有像素的对数域均值μB_ln和对数域标准差σB_ln,再根据式(1)计算变异指数VI,并得到如式(2)所示的截断规则,从而去除所述背景窗口中不满足式(2)的像素,得到截断过后的真实海杂波像素集表示中第i个像素的灰度值,i∈[1,n],n表示像素数量:
μB_ln-t1·σB_ln<ln(IB)≤μB_ln+exp(γ/VI)·σB_ln (2)
式(2)中,t1为低截断深度,γ为高截断深度权重,IB为背景窗口中某一像素的灰度值;
式(3)和式(4)中:A1表示第一参数估计因子,A3表示第三参数估计因子,并有:
式(5)中:A2表示第二参数估计因子,t2为高截断深度,且t2=exp(γ/VI),Φ(·)为标准正态分布的累积分布函数;
步骤4:根据给定的检测虚警率Pfa,利用式(7)建立判决规则,从而利用所述判决规则对SAR图像在所述目标窗口中的待测像素进行目标判别,实现基于双边截断统计特性的SAR图像的舰船CFAR检测:
式(7)中,IT是目标窗口中待检测像素的灰度值,H1表示待测像素被判定为目标像素,H0表示待测像素被判定为海杂波像素;α为标称化因子,并有:
α=Φ-1(1-Pfa) (8)
式(8)中,Φ-1(·)为标准正态分布的累积分布反函数。
与现有技术相比,本发明的有益效果在于:
1.本发明提出的基于双边截断统计特性的SAR图像舰船CFAR检测方法,有效解决了现有CFAR检测方法在复杂海况下检测率下降的问题,实现了复杂海况下舰船目标的高效准确检测。
2.本发明采用自适应双边截断方法,根据海杂波的统计特性自适应地计算出双边截断阈值,有效地去除了背景窗口中的异质像素,在保持较低虚警率的同时提高了复杂海况下舰船目标的CFAR检测精度。
3.本发明采用了最大似然估计方法,对截断后的真实海杂波进行精确参数估计和概率建模,解决了现有CFAR检测方法的模型拟合度低的问题,有效提高了真实海杂波灰度概率密度模型的拟合优度,从而提升了复杂海况下舰船目标检测性能。
4.本发明将自适应双边截断深度和最大似然估计方法相结合,得到参数估计的闭式解方法,解决了现有的基于截断的CFAR检测方法耗时长的问题,大幅提升了计算效率。
附图说明
图1是本发明的SAR图像舰船CFAR检测方法的流程图;
图2是本发明的复杂海况模拟杂波图像;
图3a是对数域均值估计的相对均方根误差对应于低截断深度t1的关系图;
图3b是对数域标准差估计的相对均方根误差对应于低截断深度t1的关系图;
图4a是对数域均值估计的相对均方根误差对应于高截断深度权重γ的关系图;
图4b是对数域标准差估计的相对均方根误差对应于高截断深度权重γ的关系图;
图5是长江入海口地区Radarsat-2原始图像;
图6a是待检测复杂海况区域SAR图像切片;
图6b是复杂海况区域SAR图像切片的舰船目标groundtruth图;
图6c是单元平均CFAR(CA-CFAR)检测方法结果图;
图6d是双参数CFAR(TP-CFAR)检测方法结果图;
图6e是对数正态CFAR(LN-CFAR)检测方法结果图;
图6f是基于K分布的CFAR(K-CFAR)检测方法结果图;
图6g是杂波截断CFAR(TS-CFAR)方法结果图;
图6h是截断深度为1.0的自适应杂波截断(ATS-TPCFAR(t=1.0))检测方法结果图;
图6i是截断深度为2.0的自适应杂波截断(ATS-TPCFAR(t=2.0))检测方法结果图;
图6j是截断深度为3.0的自适应杂波截断(ATS-TPCFAR(t=3.0))检测方法结果图;
图6k是本发明中基于双边截断统计特性的SAR图像舰船CFAR(BTS-RCFAR)检测方法结果图;
图7是本发明中提出的BTS-RCFAR检测方法与各种现有CFAR检测方法的ROC对比图。
具体实施方式
本实施例中,如图1所示,一种基于双边截断统计特性的SAR图像舰船CFAR检测方法包括如下步骤:
步骤1:获取一幅SAR图像,并设置由目标窗口和背景窗口组成的局部滑动窗口,计算SAR图像在背景窗口中的所有像素的对数域均值μB_ln和对数域标准差σB_ln,再根据式(1)计算变异指数VI,并得到如式(2)所示的截断规则,从而去除背景窗口中不满足式(2)的像素,得到截断过后的真实海杂波像素集表示中第i个像素的灰度值,i∈[1,n],n表示像素数量:
μB_ln-t1·σB_ln<ln(IB)≤μB_ln+exp(γ/VI)·σB_ln (2)
式(2)中,t1为低截断深度,γ为高截断深度权重,IB为背景窗口中某一像素的灰度值。为获取最好的CFAR检测性能,通过如图2所示的复杂海况模拟杂波图像获取最优的低截断深度t1和高截断深度权重γ。
首先完全去除模拟杂波图像中的高强度异质像素和舰船像素,之后以0.1为步长使用范围为0到5的不同低截断深度t1对保留的模拟杂波进行截断,对截断后的模拟杂波进行参数计算,并通过相对均方根误差来评估参数精度。结果如图3a和图3b所示,当低截断深度t1设置为2.0时,总体参数精度最高。
将低截断深度t1固定为2.0,以0.1为步长从0到5取不同的高截断深度权重γ进行杂波截断,同样对截断后的模拟杂波进行参数计算,以相对均方根误差评估参数精度。结果如图4a和图4b所示,当高截断深度权重γ设置为0.7时,总体参数精度最高。
故选择低截断深度t1=2.0,高截断深度权重γ=0.7。
式(3)中:x为函数自变量,即服从相应灰度概率密度函数的像素,fX(x)为原始海杂波像素集灰度概率密度函数,FX(t1,γ,VI)为fX(x)通过t1、γ和VI计算的积分函数,X为原始海杂波像素集,并有:
式(5)中:ζ(·)表示似然函数,μln和σln为截断后真实海杂波像素集的对数域均值和对数域标准差。式(5)关于μln和σln分别求偏导,并令结果等于0,可以得到:
通过进一步计算,可得:
式(8)和式(9)中:A1表示第一参数估计因子,A3表示第三参数估计因子,并有:
式(10)中:A2表示第二参数估计因子。
步骤4:根据给定的检测虚警率Pfa,利用式(12)建立判决规则,从而利用判决规则对SAR图像在目标窗口中的待测像素进行目标判别,实现基于双边截断统计特性的SAR图像的舰船CFAR检测:
式(12)中,IT是目标窗口中待检测像素的灰度值,H1表示待测像素被判定为目标像素,H0表示待测像素被判定为海杂波像素;α为标称化因子,并有:
α=Φ-1(1-Pfa) (13)
式(13)中,Φ-1(·)为标准正态分布的累积分布反函数。
至此,基于双边截断统计特性的SAR图像舰船CFAR检测方法基本完成。
以下通过Radarsat-2真实图像实验进一步说明本发明有效性。
Radarsat-2SAR图像目标检测对比实验:
1.实验设置:
实验数据来自Radarsat-2卫星于2012年8月15日对长江入海口区域地区成像的SAR数据,10m分辨率、C波段、VV极化,如图5所示。选取图5中的复杂海况区域(图5中白色方框标注)进行实验,图像大小为347×285,如图6a所示。目标groundtruth图如图6b所示。实验中,采用单元平均CFAR(CA-CFAR)、双参数CFAR(TP-CFAR)、对数正态CFAR(LN-CFAR)、基于K分布的CFAR(K-CFAR)、杂波截断CFAR(TS-CFAR)、自适应杂波截断(ATS-TPCFAR)与本发明提出的基于双边截断统计特性的SAR图像舰船CFAR检测方法(BTS-RCFAR)进行检测性能对比,结果如图6c~图6k所示。
CA-CFAR、TP-CFAR、LN-CFAR、K-CFAR与TS-CFAR设置了目标窗口、保护窗口和背景窗口,它们的尺寸分别为:1×1、21×21和41×41。ATS-TPCFAR和本发明提出的BTS-RCFAR仅设置目标窗口和背景窗口,它们的尺寸分别为:1×1和41×41。TS-CFAR在杂波截断时的截断比例设为25%;ATS-TPCFAR在进行杂波截断时,采用不同的截断深度因子t(t分别设置为1.0、2.0和3.0)。为了保证各算法的检测性能评估的公平性,各CFAR检测方法的虚警率相同,均为10-5。
2.结果分析:
本实验采用检测率DR和虚警率FAR对本发明提出方法和对比方法进行定量分析,结果如表2所示,其中:
DR=nd/nt (14)
FAR=nf/(m×n-nt) (15)
式(14)和式(15)中:nd是正确检测的目标像素数量,nt是目标像素总数,nf是虚警像素数,m和n是滑动窗口的尺寸。
表2各种CFAR检测方法性能评估指标
结合图6c~图6k和表2进行分析:CA-CFAR、TP-CFAR、LN-CFAR和K-CFAR使用背景窗口中的所有样本进行参数估计,使得其中的异质像素参与参数估计过程,使得参数估计值过高,分别导致了不同程度的目标漏检,如图6c~图6f,其中的白色圆圈标记的即为漏检目标位置。TS-CFAR去除了背景窗口中灰度值较高的25%的像素,它在消除高强度异质像素的同时也去除了许多高强度真实杂波样本,导致参数估计偏低,产生较多虚警,如图6g所示。ATS-TPCFAR的检测性能十分依赖于固定截断深度的选取,而且ATS-TPCFAR仅能够去除高强度异质像素,无法消除低强度异质像素的影响,基于不同固定截断深度的ATS-TPCFAR检测结果如图6h~图6j所示。本发明提出的BTS-RCFAR方法设计了自适应双边截断方法,它可以同时去除泄漏到背景窗口中的高、低强度异质像素,最大程度地保留真实杂波样本,并通过最大似然估计实现参数精确估计,以较低的虚警率获得最大的正确检测率,如图6k所示。此外,通过Monte-Carlo仿真,得出了各种CFAR检测方法的接收机性能曲线(ReceiverOperation Curve,ROC)对比图,如图7所示,本发明提出的BTS-RCFAR检测方法具有最好的ROC特性。
表3各种CFAR检测方法检测效率对比
从表3中可以看出:本发明提出的BTS-RCFAR检测方法计算效率较高,在实际工程中具有较高的应用价值。
Claims (1)
1.一种基于双边截断统计特性的SAR图像舰船CFAR检测方法,其特征是包括如下步骤:
步骤1:获取一幅SAR图像,并设置由目标窗口和背景窗口组成的局部滑动窗口,计算SAR图像在所述背景窗口中的所有像素的对数域均值μB_ln和对数域标准差σB_ln,再根据式(1)计算变异指数VI,并得到如式(2)所示的截断规则,从而去除所述背景窗口中不满足式(2)的像素,得到截断过后的真实海杂波像素集 表示中第i个像素的灰度值,i∈[1,n],n表示像素数量:
μB_ln-t1·σB_ln<ln(IB)≤μB_ln+exp(γ/VI)·σB_ln (2)
式(2)中,t1为低截断深度,γ为高截断深度权重,IB为背景窗口中某一像素的灰度值;
式(3)和式(4)中:A1表示第一参数估计因子,A3表示第三参数估计因子,并有:
式(5)中:A2表示第二参数估计因子,t2为高截断深度,且t2=exp(γ/VI),Φ(·)为标准正态分布的累积分布函数;
步骤4:根据给定的检测虚警率Pfa,利用式(7)建立判决规则,从而利用所述判决规则对SAR图像在所述目标窗口中的待测像素进行目标判别,实现基于双边截断统计特性的SAR图像的舰船CFAR检测:
式(7)中,IT是目标窗口中待检测像素的灰度值,H1表示待测像素被判定为目标像素,H0表示待测像素被判定为海杂波像素;α为标称化因子,并有:
α=Φ-1(1-Pfa) (8)
式(8)中,Φ-1(·)为标准正态分布的累积分布反函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041406.4A CN112881983B (zh) | 2021-01-13 | 2021-01-13 | 基于双边截断统计特性的sar图像舰船cfar检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041406.4A CN112881983B (zh) | 2021-01-13 | 2021-01-13 | 基于双边截断统计特性的sar图像舰船cfar检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881983A CN112881983A (zh) | 2021-06-01 |
CN112881983B true CN112881983B (zh) | 2022-03-15 |
Family
ID=76045228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041406.4A Active CN112881983B (zh) | 2021-01-13 | 2021-01-13 | 基于双边截断统计特性的sar图像舰船cfar检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881983B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284135B (zh) * | 2021-06-21 | 2022-10-04 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113759375B (zh) * | 2021-09-15 | 2024-02-09 | 云南师范大学 | 基于统计特性的sar图像非局部均值去噪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748361A (zh) * | 2017-09-22 | 2018-03-02 | 合肥工业大学 | 基于截断杂波统计的sar图像双参数cfar检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8502731B2 (en) * | 2011-01-18 | 2013-08-06 | The United States Of America As Represented By The Secretary Of The Army | System and method for moving target detection |
CN108765403A (zh) * | 2018-05-30 | 2018-11-06 | 合肥工业大学 | 一种多目标环境下的sar图像双参数cfar检测方法 |
DE102018123334A1 (de) * | 2018-09-21 | 2020-03-26 | Gottfried Wilhelm Leibniz Universität Hannover | Verfahren zum Ermitteln einer Lageänderung eines Objektes |
-
2021
- 2021-01-13 CN CN202110041406.4A patent/CN112881983B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748361A (zh) * | 2017-09-22 | 2018-03-02 | 合肥工业大学 | 基于截断杂波统计的sar图像双参数cfar检测方法 |
Non-Patent Citations (2)
Title |
---|
An Adaptively Truncated Clutter-Statistics-Based Two-Parameter CFAR Detector in SAR Imagery;jiaqiu ai,et al.;《EEE JOURNAL OF OCEANIC ENGINEERING》;20180131;第43卷(第1期);第267-279页 * |
一种复杂环境下改进的SAR图像双边CFAR舰船检测算法;艾加秋;《万方数据》;20201214;第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112881983A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation | |
Gangeskar | An algorithm for estimation of wave height from shadowing in X-band radar sea surface images | |
KR102067242B1 (ko) | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 | |
CN105354541B (zh) | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 | |
Wang et al. | Ship detection for high-resolution SAR images based on feature analysis | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN112881983B (zh) | 基于双边截断统计特性的sar图像舰船cfar检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
Williams | Fast unsupervised seafloor characterization in sonar imagery using lacunarity | |
Barrell et al. | Detecting hot and cold spots in a seagrass landscape using local indicators of spatial association | |
CN108765403A (zh) | 一种多目标环境下的sar图像双参数cfar检测方法 | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN108764163A (zh) | 多目标环境下基于灰度相关特性的cfar检测方法 | |
CN103236063A (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN108764132B (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
Espedal | Detection of oil spill and natural film in the marine environment by spaceborne SAR | |
CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
CN107748361A (zh) | 基于截断杂波统计的sar图像双参数cfar检测方法 | |
Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
CN115422981A (zh) | 面向单频机载激光测深数据的水陆分类方法、系统及应用 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN108985292A (zh) | 一种基于多尺度分割的sar图像cfar目标检测方法与系统 |
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 |