CN113077514B - 一种sar图像船只弱尾迹增强与检测方法 - Google Patents

一种sar图像船只弱尾迹增强与检测方法 Download PDF

Info

Publication number
CN113077514B
CN113077514B CN202110620462.3A CN202110620462A CN113077514B CN 113077514 B CN113077514 B CN 113077514B CN 202110620462 A CN202110620462 A CN 202110620462A CN 113077514 B CN113077514 B CN 113077514B
Authority
CN
China
Prior art keywords
image
trail
domain
pixel
straight line
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
CN202110620462.3A
Other languages
English (en)
Other versions
CN113077514A (zh
Inventor
行坤
郁发新
王志宇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110620462.3A priority Critical patent/CN113077514B/zh
Publication of CN113077514A publication Critical patent/CN113077514A/zh
Application granted granted Critical
Publication of CN113077514B publication Critical patent/CN113077514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20061—Hough transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种SAR图像船只弱尾迹增强与检测方法，包括：对原始SAR图像进行预处理，抑制图像相干斑噪声，将图像中的强点目标替换为海洋背景，增强尾迹边缘特征；对预处理后图像进行Gabor滤波变换，通过多角度多尺度滤波器进行滤波处理，增强纹理特征，获取一簇滤波后图像，在滤波后图像的相位域进行二值化处理；对二值化图像进行形态学处理筛选潜在尾迹特征，剔除非尾迹连通区域；对形态学处理后的二值化图像进行Hough变换，在Hough变换域中检测直线尾迹特征，剔除海浪纹理，并提取尾迹参数及将尾迹检测结果标注到原始SAR图像上。本发明通过对SAR图像进行Gabor滤波，利用Gabor滤波器对直线纹理敏感的特性，增强了船只的弱尾迹特征，从而提高了尾迹的检测概率。

Description

一种SAR图像船只弱尾迹增强与检测方法
技术领域
本发明涉及合成孔径雷达（SAR）图像直线尾迹特征检测领域，尤其涉及一种复杂海洋背景下SAR图像船只弱尾迹增强与检测方法，本发明适用于飞机和卫星等飞行平台上搭载的SAR系统。
背景技术
SAR是一种高分辨率成像雷达，具有全天时、全天候对海面和地面进行观测的能力。在SAR海洋图像中，除可以观测到海浪、锋面、内波、涡等海洋现象外，还可观测到运动船只及由其产生的尾迹特征。船只尾迹具有覆盖面积广，持续时间长等特点，在船只目标的检测及位置、航速、航向等参数反演中具有广泛的应用价值和前景。
然而，SAR观测条件、船只参数及海况条件等都会对SAR图像中的船只尾迹相对海洋背景的清晰度带来影响，导致船只尾迹在SAR图像上特征不明显，影响尾迹的检测概率和参数提取，因此，船只尾迹的增强与检测是一项亟待解决的重要技术问题。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种SAR图像船只弱尾迹增强与检测方法，通过对SAR图像进行Gabor滤波，利用Gabor滤波器对直线纹理敏感的特性，增强了船只的弱尾迹特征，从而提高了尾迹尤其是弱尾迹的检测概率。
一种SAR图像船只弱尾迹增强与检测方法，包括以下步骤：
步骤1：对原始SAR图像进行预处理，包括相干斑抑制，强点剔除和双边滤波；抑制图像相干斑噪声，将图像中的强点目标替换为海洋背景，增强尾迹边缘特征，得到预处理后图像；
步骤2：对预处理后图像进行Gabor滤波变换，通过多角度多尺度滤波器进行滤波处理，增强纹理特征，获取一簇滤波后图像，在滤波后图像的相位域进行二值化处理，得到二值化图像；
步骤3：对二值化图像进行形态学处理筛选潜在尾迹特征，剔除非尾迹连通区域，得到形态学处理后的二值化图像；
步骤4：对形态学处理后的二值化图像进行Hough变换，在Hough变换域中检测直线尾迹特征，剔除海浪纹理，并提取尾迹参数及将尾迹检测结果标注到原始SAR图像上。
所述相干斑抑制用于减弱原始SAR图像中相干斑噪声对尾迹检测的干扰，结合多视处理和基于各向异性扩散的偏微分方法，降低图像的相干斑噪声。
所述强点剔除用于避免原始SAR图像中强散射点对尾迹检测的干扰，基于区域生长的算法，选取原始SAR图像中船只目标，将其替换为强点区域附近的海洋背景。
所述双边滤波用于增强原始SAR图像中尾迹边缘特征，滤波器表达式为：
Figure DEST_PATH_IMAGE001
；
其中，
Figure DEST_PATH_IMAGE002
；
G σs 为距离高斯核函数，G σc 为像素高斯核函数，σ s 为距离高斯核函数的标准差，σ c 为像素高斯核函数的标准差，S为滤波窗口，p，q为滤波窗口中各像素点对应的坐标，I p，I q为像素点对应的像素值。
在所述步骤2中，所述Gabor滤波变换的首要步骤是生成Gabor滤波器，其表达式为：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
，λ为正弦函数波长，θ为Gabor核函数的方向，ψ为相位偏移，σ为高斯函数的标准差，γ为空间的宽高比，（x，y）为预处理后图像上点的坐标，（x’，y’）为对应的经过旋转后点的坐标；所述二值化处理，对Gabor滤波后获取的一簇滤波后图像进行对比度排序，选取对比度最大的4幅滤波后图像，在相位域进行相加处理，然后将相加后的结果进行梯度运算，设定阈值对梯度运算的结果二值化处理，得到二值化图像。
在所述步骤3中，所述形态学处理包括腐蚀膨胀、连通域排序筛选、骨架化操作，首先对输入的二值化图像进行腐蚀膨胀操作，将零散的尾迹特征连接在一起；然后对这些连通域进行排序筛选，剔除尺寸较小的连通域；最后对连通域进行骨架化处理，得到形态学处理后的二值化图像。
在所述步骤4中，所述Hough变换是一种能够提取图像中直线特征的检测算法，Hough变换的表达式为：
Figure DEST_PATH_IMAGE008
式中，方程
Figure DEST_PATH_IMAGE010
既表示过二值化图像中数值为1的像素点（x,y）的直线，同时还表示Hough变换域中过(ρ,θ)的参数方程， F（x,y）对应二值化图像中点（x,y）处的像素值，其中θ为直线法向与X轴正半轴的夹角，ρ为二值化图像中心点到直线的距离，δ为dirichlet函数，当二值化图像中数值为1的像素点（x,y）在直线上时，对应δ为1，否则为0；Hough变换通过对二值化图像中潜在直线的各点像素值进行累加，将累加结果记录在Hough变换域中的(ρ,θ)上，通过变换，建立了二值化图像中直线与Hough变换域中参数的对应关系，以便用于反演直线参数。
在所述步骤4中，所述剔除海浪纹理用于剔除海浪纹理特征对尾迹检测的影响，在对形态学处理后的二值化图像进行Hough变换后，海浪纹理在Hough变换域以θ相同而ρ不同的方式出现，在对Hough变换域中像素点进行由大到小排序后，选取前10个点构成潜在尾迹数组，对数组中具有多个相同θ的点视为海浪在Hough变换域中的映射，认为其不是尾迹，将这些点从潜在尾迹数组中删除。
在所述步骤4中，所述提取尾迹参数用于得出尾迹特征的参数及在图像中的端点坐标，潜在尾迹数组中剩下的点认为是尾迹特征的映射，得到尾迹特征的θ i (i=0,1,2,…)和ρ i (i=0,1,2,…)，将形态学处理后的二值化图像域中所有经过Hough变换域中(ρ i ,θ i )的像素点(r ii , c ii )提取出来，计算像素点坐标两两间的距离，将距离最大的两个像素点坐标定为直线段(ρ i ,θ i )的端点坐标，在原始SAR图像中根据提取到的尾迹参数标注出来。
本发明的有益效果：
本发明提供的方法通过对SAR图像进行Gabor滤波，利用Gabor滤波器对直线纹理敏感的特性，增强了船只的弱尾迹特征，从而提高了尾迹尤其是弱尾迹的检测概率。
附图说明
图1是本发明提供的一种SAR图像船只弱尾迹增强与检测方法流程图。
图2是本发明提供的带有船只弱尾迹特征的原始SAR图像用例。
图3是相干斑抑制，强点剔除和双边滤波处理后得到的预处理后图像。
图4是Gabor滤波和二值化处理后得到的二值化图像。
图5是形态学处理后的二值化图像。
图6是将尾迹检测结果标注到原始SAR图像上。
具体实施方式
下面将结合附图和具体实施方式，对本发明的技术方案作详细说明，应理解这些实施方式仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落入本发明所附权利要求所限定的范围内。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。
本发明的目的是提供一种SAR图像船只弱尾迹增强与检测方法，通过对SAR图像进行Gabor滤波，利用Gabor滤波器对直线纹理敏感的特性，增强了船只的弱尾迹特征，从而提高了尾迹尤其是弱尾迹的检测概率。
为实现上述目的，本发明实施例提供了一种SAR图像船只弱尾迹增强与检测方法，其基本流程如图1所示，包括：
步骤1：对原始SAR图像进行预处理，抑制图像相干斑噪声，将图像中的强点目标替换为海洋背景，增强尾迹边缘特征，得到预处理后图像；包括相干斑抑制，强点剔除和双边滤波；
步骤2：对预处理后图像进行Gabor滤波变换，通过多角度多尺度滤波器进行滤波处理，增强纹理特征，获取一簇滤波后图像，在滤波后图像的相位域进行二值化处理，得到二值化图像；
步骤3：对二值化图像进行形态学处理筛选潜在尾迹特征，剔除非尾迹连通区域，得到形态学处理后的二值化图像；
步骤4：对形态学处理后的二值化图像进行Hough变换，在Hough变换域中检测直线尾迹特征，剔除海浪纹理，并提取尾迹参数及将尾迹检测结果标注到原始SAR图像上。
本发明提供的带有船只弱尾迹特征的原始SAR图像用例如图2所示。
在一实施例中，步骤1中所述对原始SAR图像进行预处理，包括相干斑抑制，强点剔除和双边滤波。
所述相干斑抑制用于减弱原始SAR图像中相干斑噪声对尾迹检测的干扰，由于SAR受成像机制的影响，相干斑是SAR图像的固有特性，常用的相干斑抑制方法包括频域上的多视处理或者时域上的Lee滤波、Kuan滤波及基于各向异性扩散的偏微分方法等。为不显著降低图像空间分辨率，本发明结合多视处理和基于各向异性扩散的偏微分方法，降低图像的相干斑噪声。
所述强点剔除用于避免原始SAR图像中强散射点对尾迹检测的干扰。在含有尾迹的SAR图像中，一般都含有船只目标，这类目标在SAR图像上表现为强散射点集，会对滤波产生影响。本发明基于区域生长的算法，选取原始SAR图像中船只目标，将其替换为强点区域附近的海洋背景。
所述双边滤波用于增强原始SAR图像中尾迹边缘特征，其同时考虑空域信息和灰度相似性，对图像的边缘信息更为敏感，从而达到保边去噪的目的。其滤波器表达式为：
Figure 480038DEST_PATH_IMAGE001
；
其中，
Figure 131599DEST_PATH_IMAGE002
；
G σs 为距离高斯核函数，G σc 为像素高斯核函数，σ s 为距离高斯核函数的标准差，σ c 为像素高斯核函数的标准差，S为滤波窗口，p，q为滤波窗口中各像素点对应的坐标，I p，I q为像素点对应的像素值。
经步骤1对原始SAR图像进行相干斑抑制、强点剔除和双边滤波处理后得到的预处理后图像如图3所示。
在一实施例中，步骤2中所述Gabor滤波变换的首要步骤是生成Gabor滤波器，其表达式为：
Figure 708074DEST_PATH_IMAGE004
其中，
Figure 837704DEST_PATH_IMAGE006
，λ为正弦函数波长，θ为Gabor核函数的方向，ψ为相位偏移，σ为高斯函数的标准差，γ为空间的宽高比，（x，y）为预处理后图像上点的坐标，（x’，y’）为对应的经过旋转后点的坐标；所述二值化处理，对Gabor滤波后获取的一簇滤波后图像进行对比度排序，选取对比度最大的4幅滤波后图像，在相位域进行相加处理，然后将相加后的结果进行梯度运算，设定阈值对梯度运算的结果二值化处理，得到二值化图像，如图4所示。
在一实施例中，步骤3中所述形态学处理包括腐蚀膨胀、连通域排序筛选、骨架化操作，首先对输入的二值化图像进行腐蚀膨胀操作，将零散的尾迹特征连接在一起；然后对这些连通域进行排序筛选，剔除尺寸较小的连通域；最后对连通域进行骨架化处理，得到形态学处理后的二值化图像，如图5所示。
在一实施例中，步骤4中所述Hough变换，是一种能够提取图像中直线特征的检测算法，Hough变换的表达式为：
Figure 448814DEST_PATH_IMAGE008
式中，方程
Figure 5697DEST_PATH_IMAGE010
既表示过二值化图像中数值为1的像素点（x,y）的直线，同时还表示Hough变换域中过(ρ,θ)的参数方程， F（x,y）对应二值化图像中点（x,y）处的像素值，其中θ为直线法向与X轴正半轴的夹角，ρ为二值化图像中心点到直线的距离，δ为dirichlet函数，当二值化图像中数值为1的像素点（x,y）在直线上时，对应δ为1，否则为0；Hough变换通过对二值化图像中潜在直线的各点像素值进行累加，将累加结果记录在Hough变换域中的(ρ,θ)上，通过变换，建立了二值化图像中直线与Hough变换域中参数的对应关系，以便用于反演直线参数。
在一实施例中，步骤4中所述剔除海浪纹理用于剔除海浪纹理特征对尾迹检测的影响。由于海浪纹理一般也以大块连通域呈现，在步骤3中通常无法将其剔除，在对形态学处理后的二值化图像进行Hough变换后，海浪纹理在Hough变换域以θ相同而ρ不同的方式出现，在对Hough变换域中像素点进行由大到小排序后，选取前10个点构成潜在尾迹数组，对数组中具有多个相同θ的点视为海浪在Hough变换域中的映射，认为其不是尾迹，将这些点从潜在尾迹数组中删除。
在一实施例中，步骤4中所述提取尾迹参数用于得出尾迹特征的参数及在图像中的端点坐标，潜在尾迹数组中剩下的点认为是尾迹特征的映射，得到尾迹特征的θ i (i=0,1,2,…)和ρ i (i=0,1,2,…)，将形态学处理后的二值化图像域中所有经过Hough变换域中(ρ i ,θ i )的像素点(r ii , c ii )提取出来，计算像素点坐标两两间的距离，将距离最大的两个像素点坐标定为直线段(ρ i ,θ i )的端点坐标，在原始SAR图像中根据提取到的尾迹参数标注出来，如图6所示。
以上所述仅为本发明的几个实施方式，虽然本发明所揭露的实施方式如上，但所述内容只是为了便于理解本发明的技术方案而采用的实施方式，并非用于限定本发明。任何本发明所属技术领域的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施方式的形式上及细节上作任何的修改与变化，但本发明的权利保护范围，仍须以所附权利要求书所界定的范围为准。

Claims (2)

1.一种SAR图像船只弱尾迹增强与检测方法，其特征在于，包括以下步骤：
步骤1：对原始SAR图像进行预处理，包括相干斑抑制，强点剔除和双边滤波；抑制图像相干斑噪声，将图像中的强点目标替换为海洋背景，增强尾迹边缘特征，得到预处理后图像；
步骤2：对预处理后图像进行Gabor滤波变换，通过多角度多尺度滤波器进行滤波处理，增强纹理特征，获取一簇滤波后图像，在滤波后图像的相位域进行二值化处理，得到二值化图像；
步骤3：对二值化图像进行形态学处理筛选潜在尾迹特征，剔除非尾迹连通区域，得到形态学处理后的二值化图像；
步骤4：对形态学处理后的二值化图像进行Hough变换，在Hough变换域中检测直线尾迹特征，剔除海浪纹理，并提取尾迹参数及将尾迹检测结果标注到原始SAR图像上；
所述相干斑抑制用于减弱原始SAR图像中相干斑噪声对尾迹检测的干扰，结合多视处理和基于各向异性扩散的偏微分方法，降低图像的相干斑噪声；
所述强点剔除用于避免原始SAR图像中强散射点对尾迹检测的干扰，基于区域生长的算法，选取原始SAR图像中船只目标，将其替换为强点区域附近的海洋背景；
所述双边滤波用于增强原始SAR图像中尾迹边缘特征，滤波器表达式为：
Figure 624629DEST_PATH_IMAGE001
；
其中，
Figure 495633DEST_PATH_IMAGE002
；
G σs 为距离高斯核函数，G σc 为像素高斯核函数，σ s 为距离高斯核函数的标准差，σ c 为像素高斯核函数的标准差，S为滤波窗口，p，q为滤波窗口中各像素点对应的坐标，I p，I q为像素点对应的像素值；
在所述步骤2中，所述Gabor滤波变换的首要步骤是生成Gabor滤波器，其表达式为：
Figure 836615DEST_PATH_IMAGE003
其中，
Figure 361138DEST_PATH_IMAGE004
，λ为正弦函数波长，θ为Gabor核函数的方向，ψ为相位偏移，σ为高斯函数的标准差，γ为空间的宽高比，（x，y）为预处理后图像上点的坐标，（x’，y’）为对应的经过旋转后点的坐标；所述二值化处理，对Gabor滤波后获取的一簇滤波后图像进行对比度排序，选取对比度最大的4幅滤波后图像，在相位域进行相加处理，然后将相加后的结果进行梯度运算，设定阈值对梯度运算的结果二值化处理，得到二值化图像；
在所述步骤3中，所述形态学处理包括腐蚀膨胀、连通域排序筛选、骨架化操作，首先对输入的二值化图像进行腐蚀膨胀操作，将零散的尾迹特征连接在一起；然后对这些连通域进行排序筛选，剔除尺寸较小的连通域；最后对连通域进行骨架化处理，得到形态学处理后的二值化图像；
在所述步骤4中，所述Hough变换是一种能够提取图像中直线特征的检测算法，Hough变换的表达式为：
Figure 521992DEST_PATH_IMAGE005
式中，方程
Figure 55741DEST_PATH_IMAGE006
既表示过二值化图像中数值为1的像素点（x,y）的直线，同时还表示Hough变换域中过(ρ,θ)的参数方程， F（x,y）对应二值化图像中点（x,y）处的像素值，其中θ为直线法向与X轴正半轴的夹角，ρ为二值化图像中心点到直线的距离，δ为dirichlet函数，当二值化图像中数值为1的像素点（x,y）在直线上时，对应δ为1，否则为0；Hough变换通过对二值化图像中潜在直线的各点像素值进行累加，将累加结果记录在Hough变换域中的(ρ,θ)上，通过变换，建立了二值化图像中直线与Hough变换域中参数的对应关系，以便用于反演直线参数；
在所述步骤4中，所述剔除海浪纹理用于剔除海浪纹理特征对尾迹检测的影响，在对形态学处理后的二值化图像进行Hough变换后，海浪纹理在Hough变换域以θ相同而ρ不同的方式出现，在对Hough变换域中像素点进行由大到小排序后，选取前10个点构成潜在尾迹数组，对数组中具有多个相同θ的点视为海浪在Hough变换域中的映射，认为其不是尾迹，将这些点从潜在尾迹数组中删除。
2.根据权利要求1所述的方法，其特征在于，在所述步骤4中，所述提取尾迹参数用于得出尾迹特征的参数及在图像中的端点坐标，潜在尾迹数组中剩下的点认为是尾迹特征的映射，得到尾迹特征的θ i (i=0,1,2,…)和ρ i (i=0,1,2,…)，将形态学处理后的二值化图像域中所有经过Hough变换域中(ρ i ,θ i )的像素点(r ii , c ii )提取出来，计算像素点坐标两两间的距离，将距离最大的两个像素点坐标定为直线段(ρ i ,θ i )的端点坐标，在原始SAR图像中根据提取到的尾迹参数标注出来。
CN202110620462.3A 2021-06-03 2021-06-03 一种sar图像船只弱尾迹增强与检测方法 Active CN113077514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110620462.3A CN113077514B (zh) 2021-06-03 2021-06-03 一种sar图像船只弱尾迹增强与检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110620462.3A CN113077514B (zh) 2021-06-03 2021-06-03 一种sar图像船只弱尾迹增强与检测方法

Publications (2)

Publication Number Publication Date
CN113077514A CN113077514A (zh) 2021-07-06
CN113077514B true CN113077514B (zh) 2021-08-24

Family

ID=76617013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110620462.3A Active CN113077514B (zh) 2021-06-03 2021-06-03 一种sar图像船只弱尾迹增强与检测方法

Country Status (1)

Country Link
CN (1) CN113077514B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920283B (zh) * 2021-12-13 2022-03-08 中国海洋大学 基于聚类分析和特征过滤的红外图像尾迹检测及提取方法
CN114723794B (zh) * 2022-04-12 2023-03-24 南京雷电信息技术有限公司 基于lsd直线检测的sar图像配准方法
CN116500611A (zh) * 2023-03-21 2023-07-28 大连理工大学 一种基于深度学习的雷达波面图像海浪参数反演方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528585A (zh) * 2015-12-24 2016-04-27 华中科技大学 基于舰船尾迹和海底地形内波模型的水下航行器检测方法
CN110852992A (zh) * 2019-10-11 2020-02-28 中国科学院国家空间科学中心 一种基于顶帽变换和Radon变换的船只尾迹检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542277B (zh) * 2012-01-06 2015-03-25 中国人民解放军第二炮兵装备研究院第三研究所 一种海洋合成孔径雷达图像的舰船尾迹检测方法
CN103985125B (zh) * 2014-05-19 2017-02-15 清华大学 一种复杂背景sar图像舰船尾迹检测方法
CN105654091B (zh) * 2014-11-27 2019-07-19 航天恒星科技有限公司 海面目标检测方法及装置
DE102016123286B4 (de) * 2016-12-01 2019-03-07 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Vorrichtung zur Georeferenzierung von Luftbilddaten
CN108734171A (zh) * 2017-04-14 2018-11-02 国家海洋环境监测中心 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
CN110147716B (zh) * 2019-04-02 2021-02-19 北京理工雷科电子信息技术有限公司 一种基于频域与空域相结合的sar图像内波区域检测方法
CN111369507B (zh) * 2020-02-27 2023-08-11 杭州电子科技大学 基于归一化灰度霍夫变换和局部cfar的尾迹检测方法
CN112215832B (zh) * 2020-10-21 2023-07-11 中国科学院空天信息创新研究院 Sar尾迹图像质量评估及自适应探测参数调整方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528585A (zh) * 2015-12-24 2016-04-27 华中科技大学 基于舰船尾迹和海底地形内波模型的水下航行器检测方法
CN110852992A (zh) * 2019-10-11 2020-02-28 中国科学院国家空间科学中心 一种基于顶帽变换和Radon变换的船只尾迹检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Radon变换的SAR图像船迹检测研究;蒋定定等;《海洋测绘》;20040330;第24卷(第02期);50-52 *
纹理分割(一)Gabor滤波器学习;Alanyannick;《https://blog.csdn.net/u011534057/article/details/72896921》;20170607;1-5 *

Also Published As

Publication number Publication date
CN113077514A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN113077514B (zh) 一种sar图像船只弱尾迹增强与检测方法
CN109583293B (zh) 星载sar图像中的飞机目标检测与鉴别方法
Yang et al. Ship detection from optical satellite images based on sea surface analysis
CN110031843B (zh) 基于roi区域的sar图像目标定位方法、系统、装置
Williams Fast unsupervised seafloor characterization in sonar imagery using lacunarity
CN103985125B (zh) 一种复杂背景sar图像舰船尾迹检测方法
CN108805835B (zh) 基于截断统计特征的sar图像双边滤波方法
Hwang et al. A practical algorithm for the retrieval of floe size distribution of Arctic sea ice from high-resolution satellite Synthetic Aperture Radar imagery
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
Ai et al. A refined bilateral filtering algorithm based on adaptively-trimmed-statistics for speckle reduction in SAR imagery
Schmitt et al. Potential of nonlocally filtered pursuit monostatic TanDEM-X data for coastline detection
Li et al. Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy
CN106485673A (zh) 一种对海面sar图像的滤波方法
CN116542885A (zh) 一种红外舰船尾迹图像增强方法
Sun et al. Bankline detection of GF-3 SAR images based on shearlet
Zehtabian et al. Adaptive restoration of multispectral datasets used for SVM classification
Kim et al. Oil spill detection from RADARSAT-2 SAR image using non-local means filter
Zhai et al. Segmentation-based ship detection in harbor for SAR images
Wu Two-parameter CFAR ship detection algorithm based on Rayleigh distribution in SAR images
Kondaveeti et al. Abridged shape matrix representation for the recognition of aircraft targets from 2D ISAR imagery
Shi et al. A superpixel-based coastline extraction algorithm for single-polarized ENVISAT and ERS imagery
Avudaiamma et al. Automatic building extraction from VHR satellite image
CN113689449A (zh) 一种中尺度涡特征参数的反演方法及系统
Liu et al. An automatic ship detection system using ERS SAR images
Yang et al. Recognition of military and civilian ships in sar images based on ellipse fitting similarity

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