CN114022877B - 一种基于自适应阈值三维sar图像感兴趣目标提取方法 - Google Patents
一种基于自适应阈值三维sar图像感兴趣目标提取方法 Download PDFInfo
- Publication number
- CN114022877B CN114022877B CN202111238203.0A CN202111238203A CN114022877B CN 114022877 B CN114022877 B CN 114022877B CN 202111238203 A CN202111238203 A CN 202111238203A CN 114022877 B CN114022877 B CN 114022877B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- dimensional
- threshold
- region
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000009792 diffusion process Methods 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000003708 edge detection Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Abstract
本发明提出了一种基于自适应阈值三维SAR图像感兴趣目标提取方法,它是通过首先使用显著性检测增强原始三维SAR图像,然后按照图像的直方图估计图像特征;通过计算目标提取所需要的阈值,以此提高图像抗干扰性;最后通过各项异性扩散滤波对增强图像进行平滑,并使用Canny边缘检测算法提取目标区域的边缘,从而实现了对三维SAR图像感兴趣区域目标的提取通过图像分割的方法,完成了对感兴趣目标的提取,有效地提高了图像分割的抗干扰性。本发明能够降低三维SAR图像中强干扰的影响,提高传统通用图像分割算法的抗干扰性能。同时,该技术具有非常好的灵活性,能够很好地应用于现有的通用图像分割技术。
Description
技术领域
本发明属于雷达技术领域,特别涉及了合成孔径雷达(Synthetic ApertureRadar,SAR) 三维图像处理技术领域。
背景技术
三维合成孔径雷达(Synthetic Aperture Radar,SAR)指利用天线运动合成二维虚拟天线阵列,通过与观测区域的相对运动,获得同一观测区域的不同天线位置回波,并通过阵列信号处理可获得观测区域目标的三维图像。三维SAR具有全天候,全天时,高精度等优点,近年来,随着雷达成像处理技术的发展,基于三维SAR的图像处理技术已被广泛应用各个领域,如电磁测量、目标检测与识别、安检、国土资源勘察和自然灾害监测等。目前,三维雷达图像处理已成为当前的研究热点之一。
同时,三维SAR图像感兴趣目标提取作为三维SAR图像处理技术之一,具有重要的应用价值,有利于目标的检测和识别。在传统的图像处理当中,对图像中感兴趣目标提取的主要方法通常是采用图像分割,首先将图像分为两类,然后通过判别阈值,以此来确定感兴趣目标,从而实现对感兴趣目标的有效提取。
相比于传统计算机视觉的图像目标提取,目前,三维SAR图像目标提取仍然是一个关键性难题。由于三维SAR图像本身的稀疏特性,背景干扰体素的数量远超过目标体,甚至部分强背景干扰体素的幅度目标体素的幅度几乎抑制,因此采用传统图像分割方法无法有效地对三维SAR图像的感兴趣目标进行提取。其原因在于,传统的图像分割方法抗干扰能力较弱,导致强背景干扰会错误地划分为目标体素,无法进行有效地目标提取。因此,现有的图像分割方法很难适合用于三维SAR图像中的目标提取。为解决此类问题,可首先去除掉有干扰的背景区域并提取出包含目标区域的感兴趣区域,然后在进行图像分割,高性能的图像分割算法只需要对感兴趣区域中的体素进行分割即可。
发明内容
针对传统图像分割方法抗干扰能力弱,无法有效地适用于三维SAR图像感兴趣目标提取的问题,本发明提出了一种基于自适应阈值三维SAR图像感兴趣目标提取方法,以提高现有图像分割方法的抗干扰能力。该方法首先使用显著性检测增强原始三维SAR图像,然后通过图像的直方图估计图像特征,其次,通过图像特征自适应地计算各向异性扩散滤波和Canny 边缘检测算法所需要的阈值。最后,通过各项异性扩散滤波对增强图像进行平滑,并使用Canny边缘检测算法提取目标区域的边缘。目标边缘的最小外接长方体的集合为感兴趣区域,从而实现了对三维SAR图像感兴趣区域目标的提取。
为了方便描述本发明的内容,首先作以下术语定义:
定义1、三维合成孔径雷达(SAR)
三维合成孔径雷达(SAR)是一种通过运动平台合成二维平面阵列的高分辨率微波成像雷达,可获取三维目标成像结果,具有全天时和全天候工作的优点,已被广泛应用各个领域,如地形测绘、制导、环境遥感和资源勘探等。SAR应用的重要前提和信号处理的主要目标是通过成像算法获取高分辨、高精度的微波图像。详见“皮亦鸣,杨建宇,付毓生,杨晓波.合成孔径雷达成像原理[M].电子科技大学出版社.2007”和“韦顺军.线阵三维SAR稀疏成像技术研究[D].电子科技大学博士论文.2013”。
定义2、图像分割
图像分割主要作用是将图像分成若干个特定的、具有一定语义信息的区域并且提取出感兴趣的目标对象,是计算机视觉的基础和重要组成部分。详见“李阳.基于深度学习的弱监督图像分割方法研究[D].哈尔滨工业大学博士论文.2020”。
定义3、体素
体素是体积元素(Volume Pixel)的简称,包含体素的立体可以通过立体渲染或者提取给定阈值轮廓的多边形等值面表现出来,是数字数据于三维空间分割上的最小单位。体素用于三维成像、科学数据与医学影像等领域。
定义4、显著性检测
显著性检测用于增强原始图像中的目标区域。可将图像中包含的信息分为新知识(Inno- vation knowledge)和先验知识(Prior knowledge),其中新知识属于有价值的信息,先验知识属于冗余信息。将图像转化为对数频率谱(Log-frequencyspectrum)后,先验知识表现为一条平滑的曲线,而新知识在平滑曲线上形成多个峰值。详见“Hou X,ZhangL.Saliency detection:A spectral residual approach[C]//2007IEEE Conference oncomputer vision and pattern recognition.Ieee,2007:1-8”。
定义5、传统的大津法
作为经典的图像分割方法,大津法用一个阈值将图像中的数据分为两类,一类中图像的像素点的灰度均小于这个阈值,另一类中的图像的像素点的灰度均大于或者等于该阈值。如果这两个类中像素点的灰度的方差越大,说明获取到的阈值就是最佳的阈值。则利用该阈值可以将图像分为感兴趣区域和背景两个部分。详见“Otsu N.A thresholdselection method from gray-level histograms[J].IEEE transactions on systems,man,and cybernetics,1979,9(1):62-66.”
定义6、各向异性扩散滤波方法
各向已性扩散是一种图像减噪的计算方法,在各向已性扩散处理中,图像被看作一个密度场,每个点的密度随着时间(迭代次数)在扩散,扩散的速率决定于该点的密度梯度和各向异性的密度梯度系数,在迭代若干次后就得到滤波处理后的图像详见“Gerig G,Kubler O, Kikinis R,et al.Nonlinear anisotropic filtering of MRI data[J].IEEETransactions on medical imaging,1992,11(2):221-232”。
定义7、Canny算法
Canny算法是一种图像边缘检测方法,能够提取出图像中包含的特征。详见“CannyJ.A computational approach to edge detection[J].IEEE Transactions on patternanalysis and machine intelligence,1986(6):679-698.”
本发明提供的一种基于自适应阈值三维SAR图像感兴趣目标提取方法,它包括以下步骤:
步骤1、初始化相关参数:
初始化相关参数,包括:三维SAR灰度图像,记为其中I(x,y,z)是I中的某个体素点,同时I作为该方法的初始化输入,图像大小,即图像体素点总数,记为 N=Nx×Ny×Nz,其中,x∈[1,Nx],y∈[1,Ny],z∈[1,Nz],图像增强参数,记为p,增强矩阵,记为Ex,y,z,体素的灰阶集合,记为H={h1,...,hn,...,hN},图像直方图,记为Γ={γ1,γ2,...,γq},其中γq为对应图像的灰阶,图像阈值,记为μ1和μ2,阈值系数,记为α和β,图像概率分布,记为ρr,感兴趣区域划分,记为Ω={ω1,ω2,...,ωw},其中,w∈[1,W];
步骤2、初始化三维SAR图像参数:
初始化三维SAR图像的三维参数包括:三维图像I,场景图像大小,即,三维图像体素点总数为N=Nx×Ny×Nz,其中Nx,Ny,Nz分别表示图像的x轴、y轴、z轴范围,其中, I(x,y,z)为I中的某个像素点,x∈[1,Nx],y∈[1,Ny],z∈[1,Nz]。三维SAR图像参数由三维SAR系统本身确定。
步骤3、图像显著性检测增强:
其中,p∈(0,1)为增益;
通过增强矩阵处理后,最后得到增强的图像,可表示为:
其中,⊙表示为哈达玛积。因此,通过图像的显著性增强能够抑制背景区域的强度。
步骤4、评估图像特征:
评估图像特征初始化参数包括,将步骤1和步骤2得到的图像I、分别作为初始化输入,统计得到原始图像的直方图Γ={γ1,γ2,...,γq}和增强图像直方图其中 q∈[1,Q],Q为图像最大值,步骤1中的像素总点数N,增强图像的体素灰阶集合/>评估图像特征主要的得到梯度阈值,其具体步骤如下:
步骤4.1:首先通过增强图像的体素灰阶集合,计算增强图像的灰阶均值:
步骤4.2:然后通过原始图像直方图计算背景强度中值:
步骤4.3:最后联合图像灰度均值以及背景强度中值,计算得到梯度阈值κ:
步骤5、计算三维图像的自适应阈值:
计算三维图像的自适应阈值初始化包括,将步骤2得到的原始图像和增强图像直方图作作为初始化输入参数,并采用传统的大津法计算初始化阈值μO1、μO2,同时初始化阈值系数α、β,初始化原始图像概率分布和增强图像的概率分布pe。通过Kullback-Leibler散度的评估和校正初始阈值,其具体步骤如下:
步骤5.1:首先,计算原始图像和增强图像的概率分布:
步骤5.2:然后计算原始图像和增强图像之间的Kullback-Leibler距离:
步骤5.3:其次,校正初始化阈值为μD1、μD2:
步骤5.4:最后,根据其映射关系可得:
μ1=α·(μD1)β,μ2=α·(μD2)β
其中,α∈(0,1)和β∈(0,1)表示为阈值系数。
步骤6、三维图像感兴趣目标提取
提取感兴趣目标初始化参数包括,将步骤4得到的梯度阈值κ和步骤5计算得到的两个自适应阈值μ1,μ2作为感兴趣目标提取的初始化参数,初始化感兴趣区域范围W,初始化图像边缘扩展尺寸(τx,τy,τz);
步骤6.1:首先将梯度阈值κ作为输入阈值并通过各向异性扩散方法对增强图像进行平滑处理后,将步骤5中两个自适应阈值带入输出结果并采用Canny算法提取目标的边缘,从而可以确定若干个由目标边缘的最小外接长方体所围成的区域,这些区域的集合被视为核心区域,然后将核心区域的边界向外扩展(τx,τy,τz)个体素。核心区域和缓冲区域形成了完整的感兴趣区域Ω={ω1,ω2,...,ωw},w∈[1,W];
步骤6.2:通过图像分割的方法精确地划分每个区域ωw中的体素,每个区域ωw由目标体素和背景体素组成,即其中,/>表示第w个区域中目标体素的集合,/>表示第w个区域中背景体素的集合,∪(·)表示集合并集运算;
本发明的创新点在于:本发明是一种针对三维SAR图像处理设计的感兴趣区域目标提取的新技术。该技术利用图像直方图、图像均值等图像特征自适应地获取感兴趣区域目标提取所需要的阈值。
本发明的优点在于:本发明能够降低三维SAR图像中强干扰的影响,提高传统通用图像分割算法的抗干扰性能。同时,该技术具有非常好的灵活性,能够快速地应用于现有的通用图像分割技术。
附图说明:
图1为本发明实施步骤的流程图。
图2为本发明实施例的初始化三维SAR图像平铺之后的二维示意图
其中,A点表示为背景噪声,B点表示为目标,C点表示为强背景干扰。
图3为本发明实施例的三维图像经过感兴趣目标提取的二维示意图
其中,虚线框表示为感兴趣区域,B点表示为感兴趣目标。
具体实施方式
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在计算软件Matlab2019a 上验证正确。如图1所示,具体实施步骤如下:
步骤1、初始化相关参数:
初始化相关参数,包括:三维SAR灰度图像其中I(x,y,z)是I中的元素,同时I作为方法整体的初始化输入,图像大小,即总体素点N=2.56×106,其中,x∈[1,160], y∈[1,400],z∈[1,40],图像增强增益参数p=0.2,增强矩阵/>体素的灰阶集合,记为H={h1,…,hn,…,hN},图像直方图,记为Γ={γ1,γ2,…,γq},其中γq为对应图像的灰阶,图像阈值μ1和μ2,阈值系数,α=0.5,/>图像概率分布ρr,感兴趣区域划分,记为Ω={ω1,ω2,...,ωw},其中,w∈[1,W]。
步骤2、初始化三维SAR图像参数:
初始化三维SAR图像三维参数包括:三维图像场景图像大小,即,三维图像体素点总数为N=2.56×106,其中,I(x,y,z)为I中的某个像素点,x∈[1,160],y∈[1,400],z∈[1,40]。三维SAR图像体素总数大小由雷达系统自身参数确定,初始化三维SAR图像的二维平面展开图,如图2所示,作为该方法的输入参数。
步骤3、图像显著性检测增强:
通过增强矩阵处理后,最后获得增强图像:
其中,⊙表示为哈达玛积。因此,通过图像的显著性增强能够抑制背景区域的强度。
步骤4、评估图像特征:
将步骤1和步骤2得到的图像I、分别作为初始化输入,统计得到原始图像的直方图Γ={γ1,γ2,...,γq}和增强图像直方图/>其中q∈[1,Q],Q为图像灰度最大值,统计可得Q=2×1010,步骤1中的体素的总点数N=2.56×106,统计获得增强图像的体素灰阶集合/>评估图像特征主要的得到梯度阈值,其具体步骤如下:
步骤4.1:首先根据增强图像的体素灰阶集合,计算增强图像的灰阶均值:
步骤4.2:然后通过原始图像直方图计算背景强度中值:
步骤4.3:最后联合图像灰度均值以及背景强度中值,计算得到梯度阈值κ:
步骤5、计算三维图像的自适应阈值:
计算三维图像的自适应阈值初始化包括,将步骤2得到的原始图像和增强图像直方图作为初始化输入参数,并采用大津法计算初始化阈值μO1=0.2、μO2=0.5,同时初始化阈值系数α=0.5、初始化原始图像概率分布和增强图像的概率分布pe。通过Kullback-Leibler 散度的评估和校正初始阈值,其具体步骤如下:
步骤5.1:首先,计算原始图像和增强图像的概率分布:
步骤5.2:然后计算原始图像和增强图像之间的Kullback-Leibler距离:
步骤5.3:其次,校正初始化阈值为μD1、μD2:
步骤5.4:最后,根据映射关系可得:
μ1=α·(μD1)β,μ2=α·(μD2)β
步骤6、三维图像感兴趣目标提取
提取感兴趣目标初始化参数包括,将步骤4计算获得的梯度阈值κ和步骤5计算得到的两个自适应阈值μ1,μ2作为感兴趣目标提取的初始化参数,然后通过自适应计算获得感兴趣区域范围W=10,初始化图像边缘扩展尺寸(τx,τy,τz),其中,τx=6,τy=6,τz=0。
步骤6.1:首先将梯度阈值κ作为输入阈值并通过各向异性扩散方法对增强图像进行平滑处理后,将步骤5中两个自适应阈值带入输出结果并采用Canny算法提取目标的边缘,从而可以确定若干个由目标边缘的最小外接长方体所围成的区域,这些区域的集合被视为核心区域,。然后将核心区域的边界向外扩展(τx,τy,τz)个体素形成缓冲区域。核心区域和缓冲区域构成了完整的感兴趣区域Ω={ω1,ω2,...,ωw},w∈[1,W]。
步骤6.2:通过图像分割的方法精确地划分每个区域ωw中的体素,每个区域ωw由目标体素和背景体素组成,即其中,/>表示第w个区域中目标体素的集合,/>表示第w个区域中背景体素的集合,∪(·)表示集合并集运算。
综上所述,本发明提出了的一种灵活的且具有自适应阈值的感兴趣目标提取方法,有效地增强了传统图像分割算法的抗干扰能力,提高了传统目标提取方法的鲁棒性,从而有效地应用在了三维SAR图像感兴趣目标提取中。该方法主要利用基于谱残差的显著性检测算法实现目标区域的增强。各向异性扩散方法和Canny边缘检测方法所需的阈值通过原始图像和增强图像的特征自适应地计算。完成阈值计算后,使用各向异性扩散法和Canny边缘检测法平滑图像并提取目标边缘。
本领域的普通技术人员将会意识到,这里所述的具体实施方式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具体实施方式。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (1)
1.一种基于自适应阈值三维SAR图像感兴趣目标提取方法,其特征是它包括以下步骤:
步骤1、初始化相关参数:
初始化相关参数,包括:三维SAR灰度图像,记为其中I(x,y,z)是I中的某个体素点,同时I作为该方法的初始化输入,图像大小,即图像体素点总数,记为N=Nx×Ny×Nz,其中,x∈[1,Nx],y∈[1,Ny],z∈[1,Nz],图像增强参数,记为p,增强矩阵,记为Ex,y,z,体素的灰阶集合,记为H={h1,...,hn,...,hN},图像直方图,记为Γ={γ1,γ2,...,γq},其中γq为对应图像的灰阶,图像阈值,记为μ1和μ2,阈值系数,记为α和β,图像概率分布,记为ρr,感兴趣区域划分,记为Ω={ω1,ω2,...,ωw},其中,w∈[1,W];
步骤2、初始化三维SAR图像参数:
初始化三维SAR图像的三维参数包括:三维图像I,场景图像大小,即,三维图像体素点总数为N=Nx×Ny×Nz,其中Nx,Ny,Nz分别表示图像的x轴、y轴、z轴范围,其中,I(x,y,z)为I中的某个像素点,x∈[1,Nx],y∈[1,Ny],z∈[1,Nz];三维SAR图像参数由三维SAR系统本身确定;
步骤3、图像显著性检测增强:
其中,p∈(0,1)为增益;
通过增强矩阵处理后,最后得到增强的图像,可表示为:
步骤4、评估图像特征:
评估图像特征初始化参数包括,将步骤1和步骤2得到的图像I、分别作为初始化输入,统计得到原始图像的直方图Γ={γ1,γ2,...,γq}和增强图像直方图/>其中q∈[1,Q],Q为图像最大值,步骤1中的像素总点数N,增强图像的体素灰阶集合评估图像特征主要的得到梯度阈值,其具体步骤如下:
步骤4.1:首先通过增强图像的体素灰阶集合,计算增强图像的灰阶均值:
步骤4.2:然后通过原始图像直方图计算背景强度中值:
步骤4.3:最后联合图像灰度均值以及背景强度中值,计算得到梯度阈值κ:
步骤5、计算三维图像的自适应阈值:
计算三维图像的自适应阈值初始化包括,将步骤2得到的原始图像和增强图像直方图作为初始化输入参数,并采用传统的大津法计算初始化阈值μO1、μO2,同时初始化阈值系数α、β,初始化原始图像概率分布和增强图像的概率分布pe;通过Kullback-Leibler散度的评估和校正初始阈值,其具体步骤如下:
步骤5.1:首先,计算原始图像和增强图像的概率分布:
步骤5.2:然后计算原始图像和增强图像之间的Kullback-Leibler距离:
步骤5.3:其次,校正初始化阈值为μD1、μD2:
步骤5.4:最后,根据其映射关系可得:
μ1=α·(μD1)β,μ2=α·(μD2)β
其中,α∈(0,1)和β∈(0,1)表示为阈值系数;
步骤6、三维图像感兴趣目标提取
提取感兴趣目标初始化参数包括,将步骤4得到的梯度阈值κ和步骤5计算得到的两个自适应阈值μ1,μ2作为感兴趣目标提取的初始化参数,初始化感兴趣区域范围W,初始化图像边缘扩展尺寸(τx,τy,τz);
步骤6.1:首先将梯度阈值κ作为输入阈值并通过各向异性扩散方法对增强图像进行平滑处理后,将步骤5中两个自适应阈值带入输出结果并采用Canny算法提取目标的边缘,从而可以确定若干个由目标边缘的最小外接长方体所围成的区域,这些区域的集合被视为核心区域,然后将核心区域的边界向外扩展(τx,τy,τz)个体素;核心区域和缓冲区域形成了完整的感兴趣区域Ω={ω1,ω2,...,ωw},w∈[1,W];
步骤6.2:通过图像分割的方法精确地划分每个区域ωw中的体素,每个区域ωw由目标体素和背景体素组成,即其中,/>表示第w个区域中目标体素的集合,/>表示第w个区域中背景体素的集合,∪(·)表示集合并集运算;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238203.0A CN114022877B (zh) | 2021-10-25 | 2021-10-25 | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238203.0A CN114022877B (zh) | 2021-10-25 | 2021-10-25 | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114022877A CN114022877A (zh) | 2022-02-08 |
CN114022877B true CN114022877B (zh) | 2023-05-26 |
Family
ID=80057341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111238203.0A Active CN114022877B (zh) | 2021-10-25 | 2021-10-25 | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022877B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN112837331A (zh) * | 2021-03-08 | 2021-05-25 | 电子科技大学 | 一种基于自适应形态重建模糊三维sar图像目标提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9866954B2 (en) * | 2014-07-07 | 2018-01-09 | Adobe Systems Incorporated | Performance metric based stopping criteria for iterative algorithms |
-
2021
- 2021-10-25 CN CN202111238203.0A patent/CN114022877B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN112837331A (zh) * | 2021-03-08 | 2021-05-25 | 电子科技大学 | 一种基于自适应形态重建模糊三维sar图像目标提取方法 |
Non-Patent Citations (3)
Title |
---|
Yanan You 等.A Survey of Change Detection Methods Based on Remote Sensing Images for Multi-Source and Multi-Objective Scenarios.Remote Sensing .2020,全文. * |
章苗苗.基于分层三重马尔可夫场的SAR图像分割.中国优秀硕士学位论文全文数据库 (信息科技辑).2017,I136-2235. * |
韦顺军.基于DFT模型的大场景InSAR图像配准.遥感学报.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114022877A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Integrating guided filter into fuzzy clustering for noisy image segmentation | |
Miao et al. | Local segmentation of images using an improved fuzzy C-means clustering algorithm based on self-adaptive dictionary learning | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
Coupé et al. | Nonlocal means-based speckle filtering for ultrasound images | |
US20070223815A1 (en) | Feature Weighted Medical Object Contouring Using Distance Coordinates | |
Chen et al. | Image segmentation and bias correction via an improved level set method | |
Cheng et al. | Watershed-presegmented snake for boundary detection and tracking of left ventricle in echocardiographic images | |
Akkasaligar et al. | Classification of medical ultrasound images of kidney | |
Singh et al. | A transform-based fast fuzzy C-means approach for high brain MRI segmentation accuracy | |
Kashyap et al. | Mesh‐free based variational level set evolution for breast region segmentation and abnormality detection using mammograms | |
Bari et al. | Lung cancer detection using digital image processing techniques: A review | |
Rahmawaty et al. | Classification of breast ultrasound images based on texture analysis | |
Zhao et al. | A novel Neutrosophic image segmentation based on improved fuzzy C-means algorithm (NIS-IFCM) | |
CN112837331A (zh) | 一种基于自适应形态重建模糊三维sar图像目标提取方法 | |
Thiruvenkadam et al. | Fully automatic method for segmentation of brain tumor from multimodal magnetic resonance images using wavelet transformation and clustering technique | |
Wen et al. | A novel method for image segmentation using reaction–diffusion model | |
Chen | Medical image segmentation using independent component analysis-based kernelized fuzzy-means clustering | |
CN114022877B (zh) | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 | |
Lohit et al. | Modified total Bregman divergence driven picture fuzzy clustering with local information for brain MRI image segmentation | |
Kishore et al. | Denoising ultrasound medical images with selective fusion in wavelet domain | |
Yu et al. | Molecular image segmentation based on improved fuzzy clustering | |
CN109754001B (zh) | 图像分类方法、计算机存储介质及图像分类装置 | |
Wu et al. | Adaptive active contour model driven by image data field for image segmentation with flexible initialization | |
Qiao et al. | Lung nodule classification using curvelet transform, LDA algorithm and BAT-SVM algorithm | |
CN112927169A (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 |
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 |