CN114240990B - Sar图像点目标分割方法 - Google Patents

Sar图像点目标分割方法 Download PDF

Info

Publication number
CN114240990B
CN114240990B CN202111483330.7A CN202111483330A CN114240990B CN 114240990 B CN114240990 B CN 114240990B CN 202111483330 A CN202111483330 A CN 202111483330A CN 114240990 B CN114240990 B CN 114240990B
Authority
CN
China
Prior art keywords
image
segmentation
img
curved surface
threshold
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
CN202111483330.7A
Other languages
English (en)
Other versions
CN114240990A (zh
Inventor
万珍珍
江朝抒
刘焱芳
郭宇荃
曲晓杰
张晓愉
闵祥涛
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.)
University of Electronic Science and Technology of China
China Institute of Radio Wave Propagation CETC 22 Research Institute
Original Assignee
University of Electronic Science and Technology of China
China Institute of Radio Wave Propagation CETC 22 Research Institute
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 University of Electronic Science and Technology of China, China Institute of Radio Wave Propagation CETC 22 Research Institute filed Critical University of Electronic Science and Technology of China
Priority to CN202111483330.7A priority Critical patent/CN114240990B/zh
Publication of CN114240990A publication Critical patent/CN114240990A/zh
Application granted granted Critical
Publication of CN114240990B publication Critical patent/CN114240990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10044Radar image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20016Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20056Discrete and fast Fourier transform, [DFT, FFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20076Probabilistic image processing

Landscapes

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

Abstract

本发明公开了一种SAR图像点目标分割方法,属于图像处理技术领域。本发明首先对待分割图像进行灰度化处理后,再进行对数变换,再按照指定的滤波处理方式进行滤波处理,接着将滤波处理后得到的图形进行指数变换后,进行背景补偿处理,对补偿处理后的图形采用二维Otsu算法进行处理,以获取分割阈值,再对背景补偿后的图像以及该图像的领域均值图像分别通过对应的阈值进行分割,再取两分割结构的交集得到最终的分割结果。本发明采用所限定出的去噪处理,在对SAR图像进行去噪的同时保证了图像更多有用信息的保留;采用所限定的背景补偿处理方式,强调了SAR图像中的点目标,使得SAR图像的联合概率基本分布在概率矩阵对角线上,有利于二维Otsu算法的分割。

Description

SAR图像点目标分割方法
技术领域
本发明属于图像处理技术领域,具体涉及一种合成孔径雷达(SyntheticAperture Radar,SAR)图像点目标分割的分割方法。
背景技术
合成孔径雷达(SAR)具有全天候、全天时对地观察能力。SAR图像分割是进行图像分析、图像理解和图像描述的最基本和最重要的技术,通常作为目标检测、分类和识别算法中的第一步,图像分割质量的好坏直接影响到后续的分析、识别等的质量。
阈值分割法的实现简单且计算量小,性能较稳定,是一种基本的图像分割技术。针对点目标与简单背景形成强烈反差的图像,非常适用于采用阈值法来进行图像分割。日本学者大津于1979年提出一种一维Otsu自适应阈值分割方法,但是对于包含较多相干斑噪声的SAR图像,该方法的分割效果不佳。刘健庄等人于1993年提出了基于二维直方图的二维Otsu方法,该方法主要是利用图像邻域中心灰度值与其邻域均值构成的二维直方图来进行分割。虽然二维Otsu方法的抗噪性得到了提高,但对图像进行邻域求均值也会导致一定的图像细节丢失,从而导致图像分割的效果不佳。
发明内容
本发明的发明目的在于克服上述已有SAR图像分割方法的不足,提出一种新的SAR图像分割方法,以保证抗噪性的同时,保证SAR图像细节信息的保留。
本发明采用的技术方案如下:
SAR图像点目标分割方法,所述方法包括:
步骤1:对待分割的SAR图像进行灰度化处理,得到灰度图像I;
步骤2:对灰度图像I进行对数变换,得到图像G:G(x,y)=ln(1+I(x,y)),其中,(x,y)表示像素点坐标;
步骤3:对图像G进行去噪处理:
步骤301:采用金字塔变换处理对图像G进行剪切波变换分解,得到图像G的低频子带
Figure BDA0003396340850000011
和高频子带
Figure BDA0003396340850000012
其中,上标j表示不同的尺度;
步骤302:将高频子带
Figure BDA0003396340850000013
从笛卡尔坐标系映射到伪极网格坐标系,再计算其傅里叶变换,生成矩阵
Figure BDA0003396340850000014
并进行带通滤波;
步骤303:将带通滤波后的矩阵
Figure BDA0003396340850000021
反映射到笛卡尔坐标系下,并计算其二维离散傅里叶逆变换,得到非下采样剪切波变换系数;
步骤304:采用硬阈值函数对非下采样剪切波变换系数进行阈值处理;
步骤305:将阈值处理后的非下采样剪切波变换系数通过逆处理还原,得到去噪后的对数图像de_img;
步骤4:对图像de_img进行指数变换:img=ede_img,再对图像img进行归一化处理后乘以像素等级,得到去噪后的图像img_f;其中,e表示自然底数;
步骤5:对图像img_f进行背景补偿处理:
基于指定的滤波器尺寸对图像img_f进行均值滤波,得到一个平滑曲面G′,并基于图像img_f与平滑曲面G′记录像素位置集合BK:
BK={(x,y):imgf(x,y)-G′(x,y)>T}
Figure BDA0003396340850000022
其中,N表示图像img_f的灰度值大于平滑曲面G′的灰度值的像素点的个数,img_f(x,y)、G′(x,y)分别表示图像img_f、平滑曲面G′在像素点(x,y)处的灰度值;
构造曲面S:
Figure BDA0003396340850000023
其中S(x,y)表示曲面S在像素点(x,y)处的灰度值;
步骤6:采用二维Otsu算法对曲面S进行阈值分割处理,获取用于曲面S的分割阈值T1,以及用于曲面S的灰度均值图像的分割阈值T2;
步骤7:基于分割阈值T1对曲面S进行背景与目标的分割:若灰度值大于或等于阈值T1,则判定为目标,否则判定为背景,得到第一分割结果图;
基于分割阈值T2对曲面S的灰度均值图像进行背景与目标的分割:若灰度值大于或等于阈值T2,则判定为目标,否则判定为背景,得到第二分割结果图;
取第一和第二分割结果图的交集,得到最终的分割结果。
优选的,对图像img_f进行均值滤波时所采用的滤波器的尺寸为:
Figure BDA0003396340850000024
其中,κ表示待分割的SAR图像大小,ε表示允许的绝对偏差。即大模板均值滤波的滤波器的长、宽分别是原图像(待分割的SAR图像)的长、宽的二十分之一,且允许一定范围内的偏差。
本发明提供的技术方案至少带来如下有益效果:
采用步骤3所限定出的去噪处理,在对SAR图像进行去噪的同时保证了图像更多有用信息的保留;采用步骤5所限定的背景补偿处理方式,强调了SAR图像中的点目标,使得SAR图像的联合概率基本分布在概率矩阵对角线上,有利于二维Otsu算法的分割。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种SAR图像点目标分割方法的处理过程流程图;
图2为本发明实施例中,MSTAR数据集中的一个待分割图像;
图3为对图2进行去噪后的效果示意图;
图4为对图3进行背景补偿处理后的效果示意图;
图5为传统二维Otsu算法中的联合概率分布直方图;
图6为传统二维Otsu算法对图2的分割结果示意图;
图7为本发明实施例提供的一种SAR图像点目标分割方法的联合概率分布直方图;
图8为本发明实施例提供的一种SAR图像点目标分割方法对图2的仿真分割结果示意图;
图9为本发明实施例中的灰度-邻域灰度均值概率分布直方图示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
参加图1,本发明实施例提供的一种SAR图像点目标分割方法,包括:
步骤S1:对待分割的SAR图像进行灰度化处理,从而获得一个灰度图像I(二维矩阵)。
步骤S2:对灰度图像进行对数变换,将SAR图像所包含的乘性噪声转变为加性噪声,采用下式进行对数变换得到变换后的图像G:
G(x,y)=ln(1+I(x,y))
步骤S3:对图像G进行去噪处理,本发明实施例中,采用非下采样剪切波变换(NSST)去噪处理,包括:
步骤301:采用Laplacian金字塔变换处理,对图像G进行剪切波变换分解,得到图像G的剪切波变换系数,包括:低频子带
Figure BDA0003396340850000031
和高频子带
Figure BDA0003396340850000032
其中,上标j表示不同的尺度;
步骤302:将高频子带
Figure BDA0003396340850000033
从笛卡尔坐标系映射到伪极网格坐标系,再计算其傅里叶变换,生成矩阵
Figure BDA0003396340850000034
并进行带通滤波;
步骤303:将带通滤波后的矩阵
Figure BDA0003396340850000041
反映射到笛卡尔坐标系下,并计算其二维离散傅里叶逆变换,得到非下采样剪切波变换系数;
步骤304:采用硬阈值函数对非下采样剪切波变换系数进行阈值处理;
步骤305:将阈值处理后的非下采样剪切波变换系数通过逆处理还原,得到去噪后的对数图像de_img;
步骤S4:对图像de_img进行指数变换:img=ede_img,再对img进行归一化处理后乘以像素等级,进而获得去噪后的图像img_f。
步骤S5:对去噪后的图像进行背景补偿,输入图像为img_f,首先对输入图像进行大模板均值滤波,获得一个平滑曲面G′,用以下方式来记录像素位置:
BK={(x,y):img_fx,y)-G′(x,y)>T}
Figure BDA0003396340850000042
其中,T作为对背景与前景灰度差的粗略估计,N是原图灰度值大于平滑曲面灰度值的像素点的个数。img_f(x,y)、G′(x,y)分别表示图像与平滑曲面分别在点(x,y)处的灰度值。
输入img_f、G、BK,进行如下迭代步骤:
(1)构造曲面:
Figure BDA0003396340850000043
G′n(x,y)表示第n次迭代时的平滑曲面G′;
(2)对曲面Sn进行大模板均值滤波,得到曲面S′n
(3)根据最近两次构造的曲面,计算曲面误差:
ε1=∑xyS′n(x,y)-S′n-1(x,y),
其中,S′n(x,y)、S′n-1(x,y)分别表示曲面S′n、S′n-1在点(x,y)处的灰度值,曲面S′n-1表示上次构造的曲面Sn-1经大模板均值滤波后的曲面;
(4)判断曲面误差ε1是否超过设定阈值,若超过返回步骤(1),否则输出最近构造的曲面Sn
本发明实施例中,大模板均值滤波的滤波器尺寸选为输入图像大小的二十分之一。对上述迭代过程,本发明实施例只进行一次迭代。即省略了误差计算,和对所构造的曲面Sn的大模板均值滤波。
步骤S6:采用二维Otsu算法对补偿后的图像进行处理,获取用于背景补偿后的图像的背景与目标分割的阈值s,以及获取用于背景补偿后的图像的灰度均值图像的背景与目标分割的阈值t。
二维Otsu算法利用了图像像素与其邻域的空间相关信息,因而比仅利用一维Otsu算法具有更强的抗噪性能。设图像的灰度级为L,则相应的像素邻域平均灰度的灰度级也为L。图像中坐标为(x,y)的像素灰度值记为f(x,y),图像中坐标为(x,y)的像素点的k*k邻域灰度值均值记为g(x,y)。可构造f(x,y)与g(x,y)的二维联合概率矩阵P,如图9所示。P为L*L的矩阵,P(i,j)表示f(x,y)=i且g(x,y)=j的像素点的出现概率。假设图像中存在两类C0和C1,对应于图9的A、B区,分别代表背景与目标,设置阈值为(s,t),即s表示用于曲面S的阈值,t表示用于其灰度均值图像的阈值,则两类出现的概率分别为:
Figure BDA0003396340850000051
Figure BDA0003396340850000052
两类对应的均值矢量为:
Figure BDA0003396340850000053
Figure BDA0003396340850000054
图像总的均值矢量为:
Figure BDA0003396340850000055
多数情况下,下列的关系都是成立的:
ω01≈1
μT≈ω0μ01μ1
定义类间的离散度矩阵为:
Figure BDA0003396340850000061
取SB的迹作为类间的离散度测度,则有:
Figure BDA0003396340850000062
使得σ2达到最大值所对应的阈值(s,t)即为图像分割阈值。
步骤S7:对图像进行阈值分割,获得分割后的图像。
本发明实施例的目标分割效果可以通过以下仿真实验进一步说明:
为验证本发明实施例提供的一种SAR图像点目标分割方法的目标分割性能,采用MSTAR雷达数据集中的一个图像进行处理,如图2所示。经本发明实施例所限定的去噪处理后,可得到如图3所示的图像,再经背景补偿处理后,可得到如图4所示的图像,即对目标进行补偿后的图像。再经二维Otsu算法获取背景与目标的图像分割阈值(s,t),进而对背景补偿后的图像进行分割背景与目标的分割处理,得到图像点的分割结果。即对于曲面S,将其中大于阈值s的像素点作为目标像素,小于阈值s的作为背景像素;对于曲面S的灰度均值图像,则将其中大于阈值t的像素点作为目标像素,小于阈值t的作为背景像素;从而得到两幅分割结果,再取两者交集,得到最终的分割结果。需要说明的是,对于等于阈值的像素点,即可以指定为目标像素,也可以指定为背景像素,在处理时,统一指定规则即可。基于上述分割处理后可得到如图8所示的分割结果。观察对比图5与图7,可以明显发现,本发明实施例中,通过背景增强的方式后,图像的联合概率分布直方图分布更加紧密,更加符合二维Otsu算法中ω01≈1的假设,而图5的联合概率分布直方图分布明显更为系稀疏。图6为传统二维Otsu算法的分割效果图,图8为本发明实施例的分割效果图,观察可见本发明实施例的分割后图像能够更多的包含原图中目标的信息,且噪声点相较于传统方法也有所减少。相较于文本图像预处理过程中的均值滤波或高斯滤波,SAR图像通常包含的是乘性噪声,而均值滤波和高斯滤波通常针对加性噪声处理的。故,本发明实施例首先对图像做对数变化,以将乘性噪声变为加性噪声,再采用本发明限定的去噪处理方式,保证了图像在去除噪声的同时,尽可能多的保留细节信息。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。

Claims (2)

1.SAR图像点目标分割方法,其特征在于,包括下列步骤:
步骤1:对待分割的SAR图像进行灰度化处理,得到灰度图像I;
步骤2:对灰度图像I进行对数变换,得到图像G:G(x,y)=ln(1+I(x,y)),其中,G(x,y)、I(x,y)分别表示图像I和G在像素点(x,y)处的灰度值;
步骤3:对图像G进行去噪处理:
步骤301:采用金字塔变换处理对图像G进行剪切波变换分解,得到图像G的低频子带
Figure QLYQS_1
和高频子带
Figure QLYQS_2
其中,上标j表示不同的尺度;
步骤302:将高频子带
Figure QLYQS_3
从笛卡尔坐标系映射到伪极网格坐标系,再计算其傅里叶变换,生成矩阵
Figure QLYQS_4
并进行带通滤波;
步骤303:将带通滤波后的矩阵
Figure QLYQS_5
反映射到笛卡尔坐标系下,并计算其二维离散傅里叶逆变换,得到非下采样剪切波变换系数;
步骤304:采用硬阈值函数对非下采样剪切波变换系数进行阈值处理;
步骤305:将阈值处理后的非下采样剪切波变换系数通过逆处理还原,得到去噪后的对数图像de_img;
步骤4:对图像de_img进行指数变换:img=ede_img,再对图像img进行归一化处理后乘以像素等级,得到去噪后的图像img_f;其中,e表示自然底数;
步骤5:对图像img_f进行背景补偿处理:
基于指定的滤波器尺寸对图像img_f进行均值滤波,得到一个平滑曲面G′,并基于图像img_f与平滑曲面G′记录像素位置集合BK:
BK={(x,y):imgf(x,y)-G′(x,y)>T}
Figure QLYQS_6
其中,N表示图像img_f的灰度值大于平滑曲面G′的灰度值的像素点的个数,img_f(x,y)、G′(x,y)分别表示图像img_f、平滑曲面G′在像素点(x,y)处的灰度值;
构造曲面S:
Figure QLYQS_7
其中S(x,y)表示曲面S在像素点(x,y)处的灰度值;
步骤6:采用二维0tsu算法对曲面S进行阈值分割处理,获取用于曲面S的分割阈值T1,以及用于曲面S的灰度均值图像的分割阈值T2;
步骤7:基于分割阈值T1对曲面S进行背景与目标的分割:若灰度值大于或等于阈值T1,则判定为目标,否则判定为背景,得到第一分割结果图;
基于分割阈值T2对曲面S的灰度均值图像进行背景与目标的分割:若灰度值大于或等于阈值T2,则判定为目标,否则判定为背景,得到第二分割结果图;
取第一和第二分割结果图的交集,得到最终的分割结果。
2.如权利要求1所述的方法,其特征在于,对图像img_f进行均值滤波时所采用的滤波器的尺寸为:
Figure QLYQS_8
其中,κ表示待分割的SAR图像大小,ε表示允许的绝对偏差。
CN202111483330.7A 2021-12-07 2021-12-07 Sar图像点目标分割方法 Active CN114240990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111483330.7A CN114240990B (zh) 2021-12-07 2021-12-07 Sar图像点目标分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111483330.7A CN114240990B (zh) 2021-12-07 2021-12-07 Sar图像点目标分割方法

Publications (2)

Publication Number Publication Date
CN114240990A CN114240990A (zh) 2022-03-25
CN114240990B true CN114240990B (zh) 2023-04-28

Family

ID=80753722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111483330.7A Active CN114240990B (zh) 2021-12-07 2021-12-07 Sar图像点目标分割方法

Country Status (1)

Country Link
CN (1) CN114240990B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926452B (zh) * 2022-06-10 2024-04-02 大连民族大学 一种基于NSST和β散度非负矩阵分解的遥感图像融合方法
CN115330818A (zh) * 2022-09-23 2022-11-11 李泽阳 一种图片分割方法及其计算机可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565103A (zh) * 2011-12-16 2012-07-11 清华大学 一种基于x射线图像的焊缝缺陷跟踪检测方法
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法
CN103871047A (zh) * 2013-12-31 2014-06-18 江南大学 光照不均匀图像的灰度波动阈值分割方法
CN108305261A (zh) * 2017-08-11 2018-07-20 腾讯科技(深圳)有限公司 图片分割方法、装置、存储介质和计算机设备
CN109035166A (zh) * 2018-07-16 2018-12-18 国网四川省电力公司巴中供电公司 基于非下采样剪切波变换的电气设备红外图像增强方法
CN109299731A (zh) * 2018-08-28 2019-02-01 贵州师范大学 一种基于三维模拟的昆虫识别方法
CN109523541A (zh) * 2018-11-23 2019-03-26 五邑大学 一种基于视觉的金属表面细微缺陷检测方法
WO2019174236A1 (zh) * 2018-03-14 2019-09-19 浙江大学 一种基于ViBe的三维声纳点云图像分割方法
CN111861918A (zh) * 2020-07-14 2020-10-30 北京理工大学重庆创新中心 一种基于sar图像的海上溢油检测方法
CN112102202A (zh) * 2020-09-27 2020-12-18 河南工业大学 一种图像分割方法和图像处理装置
CN112435252A (zh) * 2020-12-04 2021-03-02 西安工业大学 一种战斗部破片穿孔和凹坑检测方法
US11099275B1 (en) * 2020-04-29 2021-08-24 Tsinghua University LiDAR point cloud reflection intensity complementation method and system
CN113744171A (zh) * 2020-05-28 2021-12-03 上海微创卜算子医疗科技有限公司 血管钙化图像分割方法、系统和可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8515171B2 (en) * 2009-01-09 2013-08-20 Rochester Institute Of Technology Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof
US9563939B2 (en) * 2014-12-30 2017-02-07 Huazhong University Of Science And Technology De-noising system for remote images of ground buildings using spectrum constraints and de-noising method thereof
US10303979B2 (en) * 2016-11-16 2019-05-28 Phenomic Ai Inc. System and method for classifying and segmenting microscopy images with deep multiple instance learning

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565103A (zh) * 2011-12-16 2012-07-11 清华大学 一种基于x射线图像的焊缝缺陷跟踪检测方法
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法
CN103871047A (zh) * 2013-12-31 2014-06-18 江南大学 光照不均匀图像的灰度波动阈值分割方法
CN108305261A (zh) * 2017-08-11 2018-07-20 腾讯科技(深圳)有限公司 图片分割方法、装置、存储介质和计算机设备
WO2019174236A1 (zh) * 2018-03-14 2019-09-19 浙江大学 一种基于ViBe的三维声纳点云图像分割方法
CN109035166A (zh) * 2018-07-16 2018-12-18 国网四川省电力公司巴中供电公司 基于非下采样剪切波变换的电气设备红外图像增强方法
CN109299731A (zh) * 2018-08-28 2019-02-01 贵州师范大学 一种基于三维模拟的昆虫识别方法
CN109523541A (zh) * 2018-11-23 2019-03-26 五邑大学 一种基于视觉的金属表面细微缺陷检测方法
US11099275B1 (en) * 2020-04-29 2021-08-24 Tsinghua University LiDAR point cloud reflection intensity complementation method and system
CN113744171A (zh) * 2020-05-28 2021-12-03 上海微创卜算子医疗科技有限公司 血管钙化图像分割方法、系统和可读存储介质
CN111861918A (zh) * 2020-07-14 2020-10-30 北京理工大学重庆创新中心 一种基于sar图像的海上溢油检测方法
CN112102202A (zh) * 2020-09-27 2020-12-18 河南工业大学 一种图像分割方法和图像处理装置
CN112435252A (zh) * 2020-12-04 2021-03-02 西安工业大学 一种战斗部破片穿孔和凹坑检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Z.Wang等."Study on Denoising and Enhancement Method in SAR Image based on Wavelet Packet and Fuzzy Set".《2019 IEEE 4th Advanced Information Technology,Electronic and Automation Control Conference》.2019,第1541-1544页. *
徐奕奕等."基于文本图像的自适应补偿二值化处理算法".《计算机仿真》.2011,第28卷(第10期),第240-243页. *
李亮亮."基于非下采样剪切波变换的图像增强算法研究".《中国优秀博士学位论文全文数据库》.2020,(第2期),第I138-76页. *
郑晶等."基于Shearlet变换的探地雷达数据噪声压制研究".《矿业科学学报》.2017,第2卷(第3期),第228-234页. *
陈亮等."基于atrous小波分解的贝叶斯SAR图像滤波".《国土资源遥感》.2005,(第4期),第20-23页. *

Also Published As

Publication number Publication date
CN114240990A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN114240990B (zh) Sar图像点目标分割方法
CN101482617B (zh) 基于非下采样轮廓波的合成孔径雷达图像去噪方法
CN103077508B (zh) 基于变换域非局部和最小均方误差的sar图像去噪方法
CN110956632B (zh) 钼靶图像中胸大肌区域自动检测方法及装置
Shu et al. Alternating minimization algorithm for hybrid regularized variational image dehazing
Nadeem et al. Fuzzy logic based computational model for speckle noise removal in ultrasound images
Raj et al. Medical image denoising using multi-resolution transforms
CN112508963A (zh) 一种基于模糊c均值聚类的sar图像分割方法
CN109658340A (zh) 基于rsvd与直方图保存的sar图像快速去噪方法
CN110570379B (zh) 一种基于结构张量的非局部均值ct图像降噪方法
Lee et al. Speckle reduction via deep content-aware image prior for precise breast tumor segmentation in an ultrasound image
CN106023097A (zh) 一种基于迭代法的流场图像预处理算法
Shahdoosti et al. A new compressive sensing based image denoising method using block-matching and sparse representations over learned dictionaries
CN107085839B (zh) 基于纹理增强与稀疏编码的sar图像降斑方法
Jafari et al. Using two coefficients modeling of nonsubsampled Shearlet transform for despeckling
Kartsov et al. Non-local means denoising algorithm based on local binary patterns
CN102682434B (zh) 基于边缘先验和nsct域gsm的图像去噪方法
Rama Lakshmi et al. A Review on Image Denoising Algorithms for Various Applications
CN106952241B (zh) 一种基于形态学方法及Meanshift算法的电磁图像分块方法
Xie et al. DHD-Net: A novel deep-learning-based dehazing network
Suneetha et al. An Improved Denoising of Medical Images Based on Hybrid Filter Approach and Assess Quality Metrics
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
CN111624571A (zh) 基于自适应紧框架的非均匀Weibull背景统计分布参数估计方法
CN106780398A (zh) 一种基于噪声预测的图像去噪方法
Suneetha et al. Improved generalised fuzzy peer group with modified trilateral filter to remove mixed impulse and adaptive white Gaussian noise from colour images

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