CN114742854B - 基于场景先验知识和区域合并的sar图像海陆分割方法 - Google Patents

基于场景先验知识和区域合并的sar图像海陆分割方法 Download PDF

Info

Publication number
CN114742854B
CN114742854B CN202210350955.4A CN202210350955A CN114742854B CN 114742854 B CN114742854 B CN 114742854B CN 202210350955 A CN202210350955 A CN 202210350955A CN 114742854 B CN114742854 B CN 114742854B
Authority
CN
China
Prior art keywords
sea
land
image
sar image
liu
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
CN202210350955.4A
Other languages
English (en)
Other versions
CN114742854A (zh
Inventor
王英华
赵若宏
刘宏伟
陈渤
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210350955.4A priority Critical patent/CN114742854B/zh
Publication of CN114742854A publication Critical patent/CN114742854A/zh
Application granted granted Critical
Publication of CN114742854B publication Critical patent/CN114742854B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于场景先验知识和区域合并的SAR图像海陆分割方法，其实现步骤是：生成全球海陆数据库；利用全球海陆数据库，实时获取SAR图像对应的海陆二值图；计算海陆二值图中海洋区域的占比；判断是否对SAR图像进行海陆分割；对SAR图像进行预处理；将SAR图像划分为多个区域；合并区域得到海陆二值图像；对海陆二值图进行小面积连通区域去除和形态学处理，获得海陆分割后的图像。本发明生成了一个可以在卫星上携带的海陆数据库，利用SAR图像的经纬度信息从海陆数据库中获得图像对应的场景先验知识，结合场景先验知识进行区域合并，对SAR图像进行快速分割。

Description

基于场景先验知识和区域合并的SAR图像海陆分割方法
技术领域
本发明属于图像处理技术领域，更进一步涉及合成孔径雷达(SAR)图像处理技术领域中的一种基于场景先验知识和区域合并的SAR图像海陆分割方法。本发明可以在复杂场景中，实时获取SAR图像的海陆分布情况，对海陆交界处的SAR图像进行海陆分割。
背景技术
SAR目标检测算法在简单的场景中可以得到较好的检测效果，但是对于复杂的场景，由于陆地上散射性较强的杂波和舰船目标的相似性，会检测出大量的虚警，可以利用海陆分割结果将陆地区域筛选出来，降低陆地上的舰船检测虚警。海陆分割结果的质量好坏将直接影响舰船检测性能。对SAR图像进行实时分割处理时，需要人工统计SAR图像的海陆分布情况，这一步骤耗费了大量的人力和时间。自动判断图片是否需要分割，并对海陆交界处的SAR图像进行快速、精确的分割是一个有研究意义的工程问题。
刘启，张晓蕾，王亚楠在其发表的论文“一种基于先验信息和U-Net的SAR图像海陆分割方法”([J].无线电工程.2021,51(12):1471-1476)中公开了一种基于先验信息和U-Net网络相结合的SAR图像海陆分割方法。该方法基于SAR切片图像的经纬度，使用Matplotlib底图工具包MBT(Matplotlib BasemapToolkit)提供的海陆先验信息，判断切片是否为陆地、海域或海陆边界，然后对海陆边界切片利用U-Net网络进行分割，最后将分割的切片进行拼接，输出分割结果。该方法存在的不足之处是，利用海陆先验数据库获取切片的海陆分布情况时，需要在Python语言环境下使用Matplotlib底图工具包，SAR卫星传感器在太空中成像时无法营造Python的语言环境，无法对SAR图像进行实时分割处理。
Liu等人在其发表的论文“A Novel Region-Merging Approach for CoastlineExtraction From Sentinel-1A IW Mode SAR Imagery”([J].IEEE Geoscience andRemote Sensing Letters,2016,13(3):324-328)中公开了一种基于聚类和自适应区域合并相结合的SAR图像海陆分割方法。该方法首先提取SAR图像中每个像素点的纹理特征、空间特征、灰度特征等11维特征，并使用主成分分析PCA(Principal Component Analysis)算法对特征进行降维；然后通过改进的Kmeans聚类算法，将SAR图像划分为多个区域；最后，通过由粗到细的自适应区域合并机制将多个区域合并，得到海陆分割结果。该方法存在的不足之处是，提取SAR图像中每个像素点的纹理特征、空间特征、灰度特征等11维特征时，需要耗费大量的时间，无法对SAR图像进行快速的分割。
中国电子科技集团公司第十四研究所在其申请的专利文献“一种基于FCM聚类和OTSU分割的SAR图像海陆分割方法”(专利申请号202110696407.2，申请公布号CN113420658 A)中提出了一种基于FCM聚类和OTSU分割的SAR图像海陆分割方法。该方法首先通过预处理增强图像的细节信息，去除图像的相干斑噪声，保留图像的细节纹理信息；然后采用FCM聚类算法，使用灰度共生矩阵提取纹理特征，结合灰度特征分割图像，减少弱反射的背景地物等造成的虚警区域；最后采用全局OTSU阈值，提取连通区域，得到前景的连通区域和背景的连通区域，划分海陆区域。该方法存在的不足之处是，需要人工判断SAR图像处于海陆交接处时，才会对图像进行海陆分割，无法实现SAR图像海陆分割流程的自动化。
发明内容
本发明的目的是针对上述已有技术的不足，提出一种基于场景先验知识和区域合并的SAR图像海陆分割方法，旨在解决现有技术中无法对SAR图像进行实时分割处理、无法对SAR图像进行快速分割的问题，以及无法实现SAR图像海陆分割流程的自动化的问题。
实现本发明目的的基本思路是：首先，生成了一个可以在卫星上携带的全球海陆数据库，该数据库包含了全球的海洋和陆地分布情况，可以实时获取雷达卫星拍摄的SAR图像的海陆图；然后，通过SAR图像四个顶点的经度和纬度可以在全球海陆数据库中得到SAR图像对应的海陆图，根据海陆图中海洋的占比信息判断SAR图像是否处于海陆交界处，对处于海陆交界处的SAR图像进行海陆分割，实现SAR图像海陆分割流程的自动化；最后，将SAR图像中每个像素点的梯度均值作为纹理特征，灰度值作为灰度特征，特征提取方式简单快速，用Kmeans聚类算法将图像划分为多个区域，结合海陆图中海洋的占比信息进行区域合并，对SAR图像进行快速分割。
为了实现上述目的，本发明的具体实现步骤如下：
步骤1，生成全球海陆数据库：
步骤1.1，去除彩色全球水系地图上标注有地物的名称信息的字体；
步骤1.2，随机选取彩色全球水系地图的一个通道的图像进行阈值分割，得到图像IM；
步骤1.3，将阈值分割后图像IM中每八个像素点的灰度值合并成一个像素点的灰度值，将所有合并后的像素值组成全球海陆数据库矩阵；
步骤2，利用全球海陆数据库矩阵，实时获取SAR图像对应的海陆二值图：
步骤2.1，将实时获取的SAR图像中最大、最小经度和最大、最小纬度，分别映射到全球海陆数据库矩阵中，取出经度和纬度对应的四条直线所围成的海陆图Is；
步骤2.2，对海陆图Is中每个像素点的灰度值进行像素点合并的逆变换，得到海陆二值图Ir；
步骤2.3，将SAR图像中最大、最小经度分别映射到图像IM中，根据图像IM中得到的经度对应的两条直线的坐标以及全球海陆数据库矩阵得到的经度对应的两条直线的坐标，从海陆二值图Ir中取出SAR图像平行于地理坐标系统的经线和纬线的最小外接矩形对应的二值海陆图Ih；
步骤2.4，计算SAR图像的四个顶点在Ih上的坐标，由四个顶点围成四条边，将四条边围成的图像取出，得到SAR图像的SAR海陆二值图Il；
步骤3，计算SAR海陆二值图Il中海洋区域的占比；
步骤4，判断是否需要对SAR图像进行海陆分割：
如果SAR海陆二值图Il中海洋区域的占比为0或1，则对SAR图像不进行海陆分割操作，否则，执行步骤5；
步骤5，对待分割的SAR图像进行预处理：
对待分割的SAR图像进行Lee滤波，对滤波后的SAR图像做幂次变换，对幂次变换后的SAR图像中每个像素点的灰度值进行归一化处理；
步骤6，提取灰度值归一化后SAR图像中每个像素点的纹理特征和灰度特征；
步骤7，划分区域：
步骤7.1，使用SAR图像中每个像素点的灰度特征将灰度值归一化后SAR图像划分为n个区域，得到根据灰度特征划分的n个区域；
步骤7.2，使用SAR图像中每个像素点的纹理特征将灰度值归一化后SAR图像划分为s个区域，得到根据纹理特征划分的s个区域；s＝n，n和s取值过小，划分的每个区域的面积占比较大，区域内部可能同时存在海洋和陆地区域，取值过大，增加算法时间，可能会将海洋和陆地的边缘区域错误划分；
步骤8，合并区域得到海陆二值图像：
步骤8.1，按照灰度均值递增的顺序，分别对根据灰度特征划分的n个区域和根据纹理特征划分的s个区域进行排序；
步骤8.2，分别计算根据灰度特征划分的n个区域中每个区域及其前面所有区域的面积占比之和，以及根据纹理特征划分的s个区域中每个区域及其前面所有区域的面积占比之和，将灰度特征划分的n个区域的面积占比之和以及纹理特征划分的s个区域的面积占比之和落在海洋区域占比的上限和下限之间的该区域及其前面所有区域初判为海洋，其他区域初判为陆地，将所有初判后的区域作为海陆分割的初选方案；
步骤8.3，计算多个海陆分割的初选方案中海洋区域和陆地区域的类间方差，选择类间方差最大的海陆分割的初选方案作为海陆分割的最佳方案；
步骤8.4，将海陆分割的最佳方案中海洋区域中像素点的值置为0，陆地区域中像素点的值置为1，得到海陆二值图像；
步骤9，获得海陆分割后的图像：
将二值图像中小面积的陆地区域判定为海洋，对二值图像进行形态学处理，得到海陆分割后的图像。
本发明与现有技术相比具有以下优点：
第一，本发明利用自制的全球海陆数据库，当SAR卫星传感器在太空中成像后，实时得到SAR图像对应的海陆图，并通过海陆图判断SAR图像的场景，对海陆交界处的SAR图像进行海陆分割，克服了现有技术中无法在太空中借助软件平台环境实时获取SAR图像对应的海陆图，以及需要人工判断SAR图像是否需要进行海陆分割的问题，使得本发明具有良好的实用性、实时性。
第二，本发明在海陆分割的过程中，使用梯度均值作为纹理特征，灰度值作为灰度特征，这两种特征提取方式简单，花费时间少，克服了现有的技术中特征提取花费时间较长的问题，使得本发明可以快速得到海陆分割结果。
附图说明
图1为本发明的流程图；
图2、图3为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1和实施例，对本发明的实现步骤做进一步的详细描述。
步骤1，制作全球海陆数据库。
为了对雷达卫星拍摄的SAR图像进行实时处理，制作可以在卫星上携带的全球海陆数据库，利用该数据库可以直接在卫星上获取实时拍摄的SAR图像的海陆分布情况，不需要将图像发送到地面上。
从BIGEMAP软件下载分辨率为216m全球水系地图，通过人工手动去除水系地图上标注有地物的名称信息的字体，阈值分割，多个像素点的值合并三个步骤制作包含了全球的海洋和陆地分布情况的海陆数据库。
本发明的实施例是从BIGEMAP软件下载由红色R、绿色G、蓝色B三通道组成的彩色全球水系地图，其中，水系地图每个通道的图像的灰度值范围是0到255，水系地图上每个像素点的分辨率是216m，水系地图的大小是131074×131072×3。人工手动去除水系地图上标注有地物的名称信息的字体。选择水系地图的R、G、B三通道中任意一个通道的图像进行阈值分割，都可以得到二值图区分海洋和陆地区域，该图用0表示海洋，1表示陆地。
本发明的实施例是以水系地图R通道的图像IM为例进行阈值分割。
利用下式，对IM进行阈值分割，即给IM上每个像素点的灰度值重新赋值：
Figure GDA0004188922360000061
其中，q(i,j)表示对IM进行阈值分割后坐标位置为(i,j)的像素点的灰度值，p(i,j)表示对IM进行阈值分割前坐标位置为(i,j)的像素点的灰度值。
由于MATLAB软件中的整数类型数据的最小占用内存是1个字节，1个字节最多可以表示0到255的范围，IM中每个像素点的灰度值是0或1，不能充分利用一个字节的信息。为了减小IM的占用内存。将IM中多个像素点的灰度值合并成一个像素点的灰度值，可以减少IM的占用内存。
将图像IM向量化，得到向量V1，利用下式，将V1中依次相邻的八个值合并为一个值，这些值组成向量V2：
Figure GDA0004188922360000062
其中，tk表示向量V1相邻的八个值合并生成的向量V2中第k值，pi表示向量V1中相邻的八个值，∑(·)表示累加操作。
本发明的实施例是将向量V1的第1到8个值合并为向量V2的第1个值；向量V1的第9到16个值合并为向量V2中第2个值，以此类推，将向量V1中所有依次相邻的八个值合并为一个值，将所有合并后的值组成向量V2。
将向量V2逆变换成131074×16384大小的图像，得到图像I2，I2中每个像素点的灰度值范围是0到255，图像I2即为制作的全球海陆数据库。
步骤2，利用全球海陆数据库，实时获取SAR图像对应的海陆二值图。
收集到的SAR图像的四个顶点的经度和纬度坐标构成的形状接近于平行四边形，而且SAR图像的四条边和地理坐标系统的经线和纬线不一定是平行的，无法直接获取不规则的SAR图像对应的海陆二值图。因此，要先获取SAR图像平行于地理坐标系统的经线和纬线的最小外接矩形对应的海陆二值图，然后从最小外接矩形对应的二值海陆图中获取SAR图像对应的海陆二值图。
将雷达卫星拍摄的每幅SAR图像的四个顶点经度的最小值、最大值作为SAR图像的最小经度、最大经度。将四个顶点纬度的最小值、最大值作为SAR图像的最小纬度、最大纬度。
利用下式，将SAR图像的最大、最小经度和最大、最小纬度映射到全球海陆数据库I2上，得到经度和纬度对应的四条直线，将四条直线围成的海陆图Is取出：
Figure GDA0004188922360000071
Figure GDA0004188922360000072
其中，SAR图像的最大纬度和最小纬度的映射公式是相同的，SAR图像的最大经度和最小经度的映射公式是相同的，Py表示SAR图像的最大纬度或者最小纬度在全球海陆数据库I2上映射后，平行于全球海陆数据库I2的水平方向的直线的纵坐标，Px表示SAR图像的最大经度或者最小经度在全球海陆数据库I2上映射后，平行于全球海陆数据库I2的竖直方向的直线的横坐标，
Figure GDA0004188922360000073
表示向下取整操作，H、W分别表示全球海陆数据库I2的高和宽，sign(·)表示符号函数，PLa表示SAR图像的最大纬度或者最小纬度，北纬用正值表示，南纬用负值表示，PLo表示SAR图像的最大经度或最小经度，东经用正值表示，西经用负值表示，ln(·)表示以自然常数e为底的对数操作，tan(·)表示正切操作，abs(·)取绝对值操作。
由于全球海陆数据库I2中每个像素点的灰度值是由图像IM中八个像素点的灰度值合并得到的，因此，利用下式，对Is的每个像素点的灰度值进行像素点合并的逆变换，得到用1表示陆地，0表示海洋的海陆二值图Ir。
Figure GDA0004188922360000074
Y1＝Tk-R1×27
Figure GDA0004188922360000075
Yo＝Yo-1-Ro×28-o
其中，Ri表示海陆二值图Ir中依次相邻的八个像素点的灰度值，其中i∈[1,8]，
Figure GDA0004188922360000081
表示向下取整操作，Tk表示Is中第k个像素点的灰度值，Yo表示海陆二值图Ir中Ro+1到R8像素点灰度值之和，其中o∈[1,7]。
利用下式，将SAR图像的最大、最小经度和最大、最小纬度映射到图像IM上：
Figure GDA0004188922360000082
Figure GDA0004188922360000083
其中，SAR图像的最大纬度和最小纬度的映射公式是相同的，SAR图像的最大经度和最小经度的映射公式是相同的，Ly表示SAR图像的最大纬度或者最小纬度在图像IM上映射后，平行于图像IM的水平方向的直线的纵坐标，Lx表示SAR图像的最大经度或者最小经度在图像IM上映射后，平行于图像IM的竖直方向的直线的横坐标，
Figure GDA0004188922360000084
表示向下取整操作，H1、W1分别表示图像IM的高和宽，sign(·)表示符号函数，PLa表示SAR图像的最大纬度或者最小纬度，北纬用正值表示，南纬用负值表示，PLo表示SAR图像的最大经度或最小经度，东经用正值表示，西经用负值表示，ln(·)表示以自然常数e为底的对数操作，tan(·)表示正切操作，abs(·)取绝对值操作。
由于海陆二值图Ir包含的经纬度范围比SAR图像平行于地理坐标系统的经线和纬线的最小外接矩形对应的海陆二值图包含的经纬度范围要大，取海陆二值图Ir的部分列得到SAR图像平行于地理坐标系统的经线和纬线的最小外接矩形对应的二值海陆图Ih，利用下式，计算Ir的部分列的开始横坐标和终点横坐标：
t1＝Lxmin+8-8×Pxmin
t2＝t1+Lxmax-Lxmin
其中，t1是Ir的部分列的开始横坐标，t2是Ir的部分列的终点横坐标，Lxmin是将SAR图像的最小经度映射到图像IM上得到的平行于图像IM的竖直方向的直线的横坐标，Pxmin是将SAR图像的最小经度映射到全球海陆数据库I2上得到的平行于全球海陆数据库I2的竖直方向的直线的横坐标，Lxmax是将SAR图像的最大经度映射到图像IM上得到的平行于图像IM的竖直方向的直线的横坐标。
计算SAR图像四个顶点的经度和SAR图像的最小经度的差，利用下式，得到SAR图像四个顶点在二值海陆图Ih上的横坐标：
Figure GDA0004188922360000091
其中，计算SAR图像的四个顶点在二值海陆图Ih上的横坐标的公式是相同的，Bx表示SAR图像四个顶点在二值海陆图Ih上的横坐标，
Figure GDA0004188922360000092
表示向下取整操作，W1表示图像IM的宽，BLo表示SAR图像四个顶点的经度和SAR图像的最小经度的差。
根据SAR图像四个顶点的纬度和SAR图像的最小纬度，利用下式，得到SAR图像四个顶点在二值海陆图Ih上的纵坐标：
Figure GDA0004188922360000093
其中，计算SAR图像的四个顶点在二值海陆图Ih上的纵坐标的公式是相同的，By表示SAR图像四个顶点在二值海陆图Ih上的纵坐标，
Figure GDA0004188922360000094
表示向下取整操作，H1表示图像IM的高，BLa表示SAR图像四个顶点的纬度，北纬用正值表示，南纬用负值表示，Lymin表示SAR图像的最小纬度在图像IM上映射得到的平行于图像IM的水平方向的直线的纵坐标，sign(·)表示符号函数，ln(·)表示以自然常数e为底的对数操作，tan(·)表示正切操作，abs(·)取绝对值操作。
根据SAR图像四个顶点的经度和纬度在二值海陆图Ih的横纵坐标，计算SAR图像四条边所在的直线，将SAR图像四条边围成的区域取出，得到用0表示海洋，1表示陆地的SAR图像的SAR海陆二值图Il。
本发明的实施例是将SAR图像的最大、最小纬度30.014858和29.62202映射到全球海陆数据库I2上，得到两条直线的纵坐标为54034和54199，将SAR图像的最大、最小经32.746221和32.34171映射到全球海陆数据库I2上，得到两条直线的横坐标为9682和9663，将四条直线围成的海陆图Is取出，Is的大小是166×19。对Is的每个像素点的灰度值进行像素点合并的逆变换，得到用0表示海洋，1表示陆地的海陆二值图Ir，Ir的大小是166×152。将SAR图像的最大、最小经度32.746221和32.34171映射到图像IM上，得到两条直线的横坐标为77458和77311，计算Ir的部分列的开始横坐标为8，部分列的终点横坐标为145，取出二值图Ir第8列到第145列的图像，得到SAR图像平行于地理坐标系统的经线和纬线的最小外接矩形对应的二值海陆图Ih。计算SAR图像的四个顶点的经纬度坐标在二值海陆图Ih上的横纵坐标，得到SAR图像四条边所在的直线，将SAR图像四条边围成的区域取出，得到用0表示海洋，1表示陆地的SAR图像的SAR海陆二值图Il。
步骤3，利用下式，计算SAR海陆二值图Il中海洋区域的占比：
Figure GDA0004188922360000101
其中，r表示Il中海洋区域的占比，Nsea表示Il中灰度值为0的像素点的总数，Nland表示Il中灰度值为1的像素点的总数。
本发明的实施例是SAR海陆二值图Il中灰度值为0的像素点的总数为6891，灰度值为1的像素点的总数为18341，海洋区域的占比r为27.31％。
步骤4，判断SAR图像是否需要进行海陆分割。
当SAR图像的SAR海陆二值图Il中海洋区域的占比r为0时，将原始SAR图像对应的场景判定为纯陆地，对原始SAR图像不进行海陆分割操作；当SAR图像的SAR海陆二值图Il中海洋区域的占比r为1时，将原始SAR图像对应的场景判定为纯海洋，对原始SAR图像不进行海陆分割操作。
当SAR图像的SAR海陆二值图Il中海洋区域的占比r在0到1之间时，将原始SAR图像对应的场景判定为海洋区域和陆地区域的交界处后执行步骤5。
本发明的实施例是SAR海陆二值图Il中海洋区域的占比r为27.31％，在0到1之间，执行步骤5。
步骤5，对原始SAR图像进行预处理操作。
采用7*7大小的滑动窗口，利用图像局部统计特性对原始SAR图像的斑点进行Lee滤波，削弱相干斑噪声的影响，得到SAR图像S。
对SAR图像S做幂次变换来增强图像，幂次值为1.3，得到SAR图像I。
利用下式，将SAR图像I中每个像素点的灰度值归一化到0到255之间：
Figure GDA0004188922360000111
其中，G(i',j')表示灰度值归一化后的SAR图像G中坐标位置为(i',j')的像素点的灰度值，I(i,j)表示SAR图像I中坐标位置为(i,j)的像素点的灰度值，i'＝i，j'＝j，Imax、Imin分别表示SAR图像I中所有像素点的最大、最小的灰度值。
步骤6，提取灰度值归一化后的SAR图像G中每个像素点的特征。
将以灰度值归一化后的SAR图像G中每个像素点为中心，9*9大小的邻域窗口内所有像素点的梯度均值作为该像素点的纹理特征值。
将以灰度值归一化后的SAR图像G中每个像素点的灰度值和作为该像素点的灰度特征值。
步骤7，将灰度值归一化后的SAR图像G划分为12个区域
步骤7.1，分别用灰度值归一化后的SAR图像G中每个像素点的纹理特征和灰度特征将SAR图像G划分为12个区域。
由于灰度值归一化后的SAR图像G中像素点的总数过多，用所有像素点的纹理特征进行KMeans聚类，聚类时间过长。因此，随机选取灰度值归一化后的SAR图像G中10％的像素点的灰度特征进行KMeans聚类，得到12个聚类中心，为每个聚类中心分配一个类别号：1,2,…,12。
随机选取灰度值归一化后的SAR图像G中10％的像素点的纹理特征进行KMeans聚类，得到12个聚类中心，为每个聚类中心分配一个类别号：1,2,…,12。
步骤7.2，将距离每个像素点的特征最近的聚类中心的类别号作为该像素点的类别标签。
步骤7.3，根据每个像素点的类别标签，将灰度值归一化后的SAR图像G划分为12个区域。
本发明的实施例是将类别标签为1的所有像素点划分为第一个区域，将类别标签为2的所有像素点划分为第二个区域，以此类推，将归一化后的SAR图像G划分为12个区域。
步骤8，将12个区域合并成二值图像。
步骤8.1，受全球海陆数据库分辨率以及SAR图像拍摄角度、海陆迁移的影响，从海陆图得到的海洋占比rsea与SAR图像中的海洋占比有一定的误差。
因此，本发明的实施例是设置海洋占比的上限rhsea和下限rlsea，以此认定海洋占比落在区间[rlsea,rhsea]内都是可信的。其中，rhsea＝1.12×rsea，rlsea＝0.92×rsea。
步骤8.2，计算根据灰度特征划分的12个区域的灰度均值，按照灰度均值递增的顺序对12个区域进行排序。
计算根据纹理特征划分的12个区域的灰度均值，按照灰度均值递增的顺序对12个区域进行排序。
步骤8.3，对于灰度特征划分的12个区域，计算每个区域的面积占灰度值归一化后的SAR图像面积的比例，计算每个区域及其前面所有区域的面积占比和，将每个落在区间[rlsea,rhsea]内的面积占比和对应的该区域及其前面所有区域初判为海洋，其他区域初判为陆地，将所有初判后的区域作为初选方案。
对于纹理特征划分的12个区域，计算每个区域的面积占灰度值归一化后的SAR图像面积的比例，计算每个区域及其前面所有区域的面积占比和，将每个落在区间[rlsea,rhsea]内的面积占比和对应的该区域及其前面所有区域初判为海洋，其他区域初判为陆地，将所有初判后的区域也作为初选方案。
由于海洋区域占比的上限和下限是一个区间，所以初判后的区域可能大于等于1个。
计算每种初选方案中海洋区域和陆地区域的类间方差，将类间方差最大的方案作为最佳方案判定海洋区域和陆地区域。
步骤8.4，将最佳方案中海洋区域中像素点的值置为0，陆地区域中像素点的值置为1，得到二值图像。
本发明的实施例是计算每个区域的面积占灰度值归一化后的SAR图像面积的比例，将第一个区域面积占比作为前1个区域的面积占比和，将第一个区域和第二个区域的面积占比相加作为前2个区域的面积占比和，将第一个区域、第二个区域以及第三个区域的面积占比相加作为前3个区域的面积占比和，以此类推，分别得到每个区域的面积占比及其前面所有区域的面积占比和。下面举例说明，如何将12个区域判定为海洋区域和陆地区域的实现步骤。若前7个区域的面积占比和，前8个区域的面积占比和，前9个区域的面积占比和都落在区域[rlsea,rhsea]内，则将出现三种判定的海洋区域和陆地区域的初选方案，然后从这三种初选方案中选取最佳方案。第一种方案将前7个区域判定为海洋区域，第8到12个区域判定为陆地区域；第二种方案将前8个区域判定为海洋区域，第9到12个区域判定为陆地区域；第三种方案将9个区域判定为海洋区域，第10到12个区域判定为陆地区域。分别计算每种方案中海洋区域和陆地区域的类间方差，将类间方差最大时对应的初选方案作为判定海洋区域和陆地区域的最佳方案，将该最佳方案中的海洋区域中像素点的值置为0，陆地区域中像素点的值置为1，得到该最佳方案对应的二值图像。
步骤9，获得海陆分割后的图像。
由于海面上存在舰船，舰船会被错误的分成陆地区域，因此提取海陆二值图的连通区域，设置阈值5200，将连通区域的面积小于5200个像素点的陆地区域判定为海洋，去除海洋中被错误分为陆地区域的舰船，并用半径为7的圆形结构元素对去除舰船后的二值图像进行先膨胀后腐蚀的形态学处理，去除陆地上被错判为海洋的区域，得到海陆分割后的图像。
本发明的实施例在二值图像中海洋区域中的舰船和陆地区域接近，被错误分成陆地区域，因此提取海陆二值图的连通区域，设置阈值5200，将连通区域的面积小于5200个像素点的陆地区域判定为海洋，去除海洋中被错误分为陆地区域的舰船。二值图像的大片陆地区域中可能存在与海洋区域类似，被误分成海洋区域的小区域，通过先膨胀后腐蚀的形态学处理将这些被误分成海洋区域的孤立区域填充成陆地。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明的仿真实验的硬件平台为：处理器为AMD Ryzen 7 4800U，主频为
1.80GHz，内存16GB。
本发明的仿真实验的软件平台为：Windows 10操作系统和matlab 2018b。
本发明仿真实验所使用的输入图像为三幅卫星(GF-3)获取的海陆场景高分辨SAR图像。第一幅图像采集自埃及苏伊士运河，成像时间为2020年11月，图像大小为16886×24975个像素，分辨率为3m×3m，图像格式为tiff。第二幅图像采集自中国广东省，成像时间为2020年11月，图像大小为3830×7321个像素，分辨率为1m×1m，图像格式为tiff。第三幅图像采集自中国广东省珠江口，成像时间为2020年11月，图像大小为7660×7321个像素，分辨率为1m×1m，图像格式为tiff。
2.仿真内容及其结果分析：
本发明一共做了两个仿真实验：
仿真实验1是使用自制的全球海陆数据库，实时获取三幅SAR图像对应的海陆二值图，这三幅SAR图像分别对应了纯海洋区域、纯陆地区域、海陆交界区域三个场景，验证本发明的全球海陆数据库的有效性。
仿真实验2是使用本发明的算法和两个现有技术对处于海陆交界处的第一幅SAR图像进行海陆分割，验证本发明的算法的有效性。
本发明仿真实验1是分别将每幅SAR图像四个顶点的经度和纬度映射到全球海陆数据库上，取出每幅SAR图像对应的海陆二值图，为了直观地观察海陆二值图中的海洋区域和陆地区域，对海陆二值图进行处理，海洋区域用灰色表示，陆地区域用白色表示，得到海陆图。
下面结合图2的仿真图对本发明的效果做进一步的描述。
图2(a)为第一幅SAR图像，图2(b)为使用全球海陆数据库得到的第一幅SAR图像对应的海陆图，图2(b)中黑色的区域是从SAR图像平行于经纬线的最小外接矩形的海陆图中截取SAR图像的海陆图时留下的。
图2(c)为第二幅SAR图像，图2(d)为使用全球海陆数据库得到的第二幅SAR图像对应的海陆图，由于第二幅SAR图像对应的场景是纯海洋，因此图2(d)中海陆图是灰色的，图2(d)中黑色的区域是从SAR图像平行于经纬线的最小外接矩形的海陆图中截取SAR图像的海陆图时留下的。
图2(e)为第三幅SAR图像，图2(f)为使用全球海陆数据库得到的第三幅SAR图像对应的海陆图，由于第二幅SAR图像对应的场景是纯陆地，因此图2(f)中海陆图是白色的，图2(f)中黑色的区域是从SAR图像平行于经纬线的最小外接矩形的海陆图中截取SAR图像的海陆图时留下的。
仿真实验1表明：利用本发明自制的全球海陆数据库获取的海陆图，可以实时获取SAR图像对应的海陆二值图，有效区分纯海洋区域、纯陆地区域以及海陆交界区域，并且较好地反映原始SAR图像中的场景。
本发明仿真实验2是采用本发明和两个现有技术分别对处于海陆交接处的第一幅SAR图像进行分割，获得分割结果图。
在仿真实验中采用的两个现有技术是指：
陈祥等人发表的论文“基于Otsu与海域统计特性的SAR图像海陆分割算法，数据采集与处理，2014”中提出的SAR图像海陆分割方法，记作方法一。
Liu等人发表的论文“A Novel Region-Merging Approach for CoastlineExtraction From Sentinel-1A IW Mode SAR Imagery，IEEE Geoscience and RemoteSensing Letters，2016”中提出的SAR图像海陆分割方法，记作方法二。
下面结合图3的仿真图对本发明的效果做进一步的描述。
图3(a)为利用本发明的方法对第一幅SAR图像进行分割的结果图，图3(a)中的白色区域表示陆地区域，黑色区域表示海洋区域。本发明的仿真实验中首先对第一幅原始SAR图像进行下采样操作，将图像下采样到10m×10m的分辨率，加快算法速度，对下采样后的SAR图像用7×7的结构元素进行Lee滤波处理，对Lee滤波后的图像进行幂次变换，幂次值设置为1.3。然后采用本发明的方法，对幂次变换后的SAR图像进行分割，得到的海陆场景粗分割图像。最后去除海陆粗分割图像中面积小于5200个像素点的陆地区域，消除被错误分为陆地的舰船目标，并用半径为7的圆形结构元素对二值图像进行先膨胀后腐蚀的形态学处理，去除陆地上被错判为海洋的区域，得到最终的海陆分割图。
图3(b)为利用方法一对第一幅SAR图像进行分割的结果图，图3(b)中的白色区域表示陆地区域，黑色区域表示海洋区域。本发明的仿真实验中首先对原始SAR图像进行下采样操作，将图像下采样到10m×10m的分辨率，加快算法速度，并对下采样后的SAR图像用7×7的结构元素进行Lee滤波处理，对Lee滤波后的图像进行幂次变换，幂次值设置为1.3。然后采用方法一，对幂次变换后的SAR图像进行分割，得到的海陆场景粗分割图像。最后去除二值图像中面积小于3000个像素点的陆地区域，消除被错误分为陆地的舰船目标，并用半径为7的圆形结构元素对二值图像进行先膨胀后腐蚀的形态学处理，去除陆地上被错判为海洋的区域，得到最终的海陆分割图。由于利用本发明的方法和利用方法一对第一幅SAR图像进行分割，分割后得到的二值图像不同，去除二值图像中面积小于某一阈值的陆地区域时，设置的阈值是不相同的。
图3(c)为利用方法二对第一幅SAR图像进行分割的结果图，图3(c)中的白色区域表示陆地区域，黑色区域表示海洋区域。本发明的仿真实验中首先对原始SAR图像进行下采样操作，将图像下采样到10m×10m的分辨率，加快算法速度，并对下采样后的SAR图像用7×7的结构元素进行Lee滤波处理，对滤波后的SAR图像进行幂次变换进行图像增强，幂次值设置为1.3。然后采用方法二，对幂次变换后的SAR图像进行分割，得到的海陆场景粗分割图像。实验中，使用改进的Kmeans聚类算法将SAR图像划分为8个区域，粗合并时自适应参数设置为0.9。最后去除海陆粗分割图像中面积小于2800个像素点的陆地区域，消除被错误分为陆地的舰船目标，并用半径为7的圆形结构元素对二值图像进行先膨胀后腐蚀的形态学处理，去除陆地上被错判为海洋的区域，得到最终的海陆分割图。由于利用本发明的方法和利用方法二对第一幅SAR图像进行分割，分割后得到的二值图像不同，去除二值图像中面积小于某一阈值的陆地区域时，设置的阈值是不相同的。
由图3(a)可以看出，本发明的分割结果相比于现有技术的方法一的分割结果，能够较好的分割陆地上灰度值与海洋灰度值相近的区域，获得准确的分割结果。本发明的分割结果相比于现有技术方法二的分割结果，能够较好的分割陆地上纹理与海洋纹理相近的区域，获得准确的分割结果。
仿真实验2表明：本发明所提出的基于先验知识与区域合并的海陆分割方法能够利用图像场景中海洋占比信息，解决了现有技术方法中存在的无法自动实时分割、分割结果不准确的问题，是一种实用的SAR图像海陆分割方法。

Claims (4)

1.一种基于场景先验知识和区域合并的SAR图像海陆分割方法，其特征在于，生成一个包含全球的海洋和陆地分布情况且可在卫星上携带的海陆数据库，利用SAR图像的经纬度信息从海陆数据库中获得图像对应的场景先验知识，结合场景先验知识进行区域合并；该分割方法的具体步骤包括如下：
步骤1，生成全球海陆数据库：
步骤1.1，去除彩色全球水系地图上标注有地物的名称信息的字体；
步骤1.2，随机选取彩色全球水系地图的一个通道的图像进行阈值分割，得到阈值分割后图像IM；
步骤1.3，将阈值分割后图像IM中每八个像素点的灰度值合并成一个像素点的灰度值，将所有合并后的像素值组成全球海陆数据库矩阵；
步骤2，利用全球海陆数据库矩阵，实时获取SAR图像对应的海陆二值图：
步骤2.1，利用映射公式，将实时获取的SAR图像中最大、最小经度和最大、最小纬度，分别映射到全球海陆数据库矩阵中，取出经度和纬度对应的四条直线围成的海陆图Is；
所述的映射公式如下：
Figure FDA0004188922350000011
Figure FDA0004188922350000012
其中，Py表示SAR图像的最大纬度或者最小纬度在全球海陆数据库矩阵中映射后，平行于全球海陆数据库矩阵的水平方向的直线的纵坐标，Px表示SAR图像的最大经度或者最小经度在全球海陆数据库矩阵中映射后，平行于全球海陆数据库矩阵的竖直方向的直线的横坐标，
Figure FDA0004188922350000013
表示向下取整操作，H、W分别表示全球海陆数据库矩阵的高和宽，sign表示符号函数，PLa表示SAR图像的最大纬度或者最小纬度，北纬用正值表示，南纬用负值表示，ln表示以自然常数e为底的对数操作，tan表示正切操作，abs取绝对值操作，PLo表示SAR图像中最大经度或者最小经度，东经用正值表示，西经用负值表示；
步骤2.2，对海陆图Is中每个像素点的灰度值进行像素点合并的逆变换，得到用1表示陆地，0表示海洋的海陆二值图Ir：
Figure FDA0004188922350000021
Y1＝Tk-R1×27
Figure FDA0004188922350000022
Yo＝Yo-1-Ro×28-o
其中，Ri表示海陆二值图Ir中依次相邻的八个像素点的灰度值，其中i∈[1,8]，
Figure FDA0004188922350000023
表示向下取整操作，Tk表示Is中第k个像素点的灰度值，Yo表示海陆二值图Ir中Ro+1到R8像素点灰度值之和，其中o∈[1,7]；
步骤2.3，将SAR图像中最大、最小经度分别映射到图像IM中，根据图像IM经度对应的两条直线的坐标以及全球海陆数据库矩阵的经度对应的两条直线的坐标，从海陆二值图Ir中取出SAR图像平行于地理坐标系统的经线和纬线的最小外接矩形对应的二值海陆图Ih；
步骤2.4，计算SAR图像的四个顶点在Ih上的坐标，由四个顶点围成四条边，将四条边围成的图像取出，得到SAR图像的SAR海陆二值图Il；
步骤3，计算SAR海陆二值图Il中海洋区域的占比；
步骤4，判断是否需要对SAR图像进行海陆分割：
如果SAR海陆二值图Il中海洋区域的占比为0或1，则对SAR图像不进行海陆分割操作，否则，执行步骤5；
步骤5，对待分割的SAR图像进行预处理：
对待分割的SAR图像进行Lee滤波，对滤波后的SAR图像做幂次变换，对幂次变换后的SAR图像中每个像素点的灰度值进行归一化处理；
步骤6，提取灰度值归一化后SAR图像中每个像素点的纹理特征和灰度特征；
步骤7，划分区域：
步骤7.1，使用SAR图像中每个像素点的灰度特征，将灰度值归一化后SAR图像划分为n个区域，得到根据灰度特征划分的n个区域；
步骤7.2，使用SAR图像中每个像素点的纹理特征将灰度值归一化后SAR图像划分为s个区域，得到根据纹理特征划分的s个区域；s＝n，n和s取值过小，划分的每个区域的面积占比较大，区域内部可能同时存在海洋和陆地区域，取值过大，增加算法时间，可能会将海洋和陆地的边缘区域错误划分；
步骤8，合并区域得到海陆二值图像：
步骤8.1，按照灰度均值递增的顺序，分别对根据灰度特征划分的n个区域和根据纹理特征划分的s个区域进行排序；
步骤8.2，分别计算根据灰度特征划分的n个区域中每个区域及其前面所有区域的面积占比之和，以及根据纹理特征划分的s个区域中每个区域及其前面所有区域的面积占比之和，将灰度特征划分的n个区域的面积占比之和，以及纹理特征划分的s个区域的面积占比之和，落在海洋区域占比的上限和下限之间的该区域及其前面所有区域初判为海洋，其他区域初判为陆地，将所有初判后的区域作为海陆分割的初选方案；
步骤8.3，计算多个海陆分割的初选方案中海洋区域和陆地区域的类间方差，选择类间方差最大的海陆分割的初选方案作为海陆分割的最佳方案；
步骤8.4，将海陆分割的最佳方案中海洋区域中像素点的值置为0，陆地区域中像素点的值置为1，得到海陆二值图像；
步骤9，获得海陆分割后的图像：
将二值图像中小面积的陆地区域判定为海洋，对二值图像进行形态学处理，得到海陆分割后的图像。
2.根据权利要求1所述的基于场景先验知识和区域合并的SAR图像海陆分割方法，其特征在于：步骤7.1中所述将灰度值归一化后SAR图像划分为n个区域的步骤如下：
第一步：随机选取灰度值归一化后的SAR图像G中10％的像素点的灰度特征进行KMeans聚类，得到n个聚类中心，为每个聚类中心分配一个类别号：1,2,…,n；
第二步：将距离每个像素点的特征最近的聚类中心的类别号作为该像素点的类别标签；
第三步：根据每个像素点的类别标签，将灰度值归一化后的SAR图像划分为n个区域。
3.根据权利要求1所述的基于场景先验知识和区域合并的SAR图像海陆分割方法，其特征在于：步骤9中所述将二值图像中小面积的陆地区域判定为海洋指的是：提取海陆二值图的连通区域，将连通区域的面积小于阈值5200个像素点的陆地区域判定为海洋，去除海洋中被错误分为陆地区域的舰船。
4.根据权利要求3所述的基于场景先验知识和区域合并的SAR图像海陆分割方法，其特征在于：步骤9中所述的对二值图像进行形态学处理指的是：用半径为7的圆形结构元素，对去除舰船后的二值图像进行先膨胀后腐蚀的形态学处理，去除陆地上被错判为海洋的区域。
CN202210350955.4A 2022-04-02 2022-04-02 基于场景先验知识和区域合并的sar图像海陆分割方法 Active CN114742854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210350955.4A CN114742854B (zh) 2022-04-02 2022-04-02 基于场景先验知识和区域合并的sar图像海陆分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210350955.4A CN114742854B (zh) 2022-04-02 2022-04-02 基于场景先验知识和区域合并的sar图像海陆分割方法

Publications (2)

Publication Number Publication Date
CN114742854A CN114742854A (zh) 2022-07-12
CN114742854B true CN114742854B (zh) 2023-06-02

Family

ID=82278447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210350955.4A Active CN114742854B (zh) 2022-04-02 2022-04-02 基于场景先验知识和区域合并的sar图像海陆分割方法

Country Status (1)

Country Link
CN (1) CN114742854B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909002A (zh) * 2017-08-07 2018-04-13 北京航空航天大学 基于海岸线匹配的红外遥感图像海陆分割方法
CN108961255A (zh) * 2018-06-28 2018-12-07 西安电子科技大学 基于相位线性度和功率的海陆噪声场景分割方法
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101908891A (zh) * 2010-08-23 2010-12-08 南京信息工程大学 基于提升小波和pcnn的医学图像roi压缩方法
CN103886285B (zh) * 2014-03-11 2017-06-09 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法
CN108256419B (zh) * 2017-12-05 2018-11-23 交通运输部规划研究院 一种利用多光谱解译提取港口码头图像的方法
CN108376247A (zh) * 2018-02-05 2018-08-07 北方工业大学 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN109299343A (zh) * 2018-09-05 2019-02-01 上海彩虹鱼海洋科技股份有限公司 一种面向多源全球海洋大数据的动态可视化方法及系统
CN109598241B (zh) * 2018-12-05 2022-08-12 武汉大学 基于Faster R-CNN的卫星图像海上舰船识别方法
CN112150482B (zh) * 2020-09-17 2022-10-14 北京航空航天大学 一种基于高程信息和归一化海水指数的海陆分割方法
CN113420658A (zh) * 2021-04-30 2021-09-21 中国电子科技集团公司第十四研究所 一种基于fcm聚类和otsu分割的sar图像海陆分割方法
CN113589246B (zh) * 2021-05-24 2023-09-01 中国南方电网有限责任公司超高压输电公司广州局海口分局 基于雷达的目标检测方法、装置和计算机设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909002A (zh) * 2017-08-07 2018-04-13 北京航空航天大学 基于海岸线匹配的红外遥感图像海陆分割方法
CN108961255A (zh) * 2018-06-28 2018-12-07 西安电子科技大学 基于相位线性度和功率的海陆噪声场景分割方法
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法

Also Published As

Publication number Publication date
CN114742854A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
Liu et al. A novel region-merging approach for coastline extraction from Sentinel-1A IW mode SAR imagery
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
Zhai et al. Inshore ship detection via saliency and context information in high-resolution SAR images
Brandtberg et al. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis
Martinis et al. Unsupervised extraction of flood-induced backscatter changes in SAR data using Markov image modeling on irregular graphs
CN110443201B (zh) 基于多源影像联合形状分析与多属性融合的目标识别方法
CN109427055B (zh) 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法
Solberg et al. Automatic detection of oil spills in Envisat, Radarsat and ERS SAR images
CN111079596A (zh) 高分辨率遥感影像的海上典型人造目标识别系统及方法
CN110428425B (zh) 一种基于海岸线矢量数据的sar图像海陆分离方法
CN101599120A (zh) 一种遥感影像建筑物识别方法
CN112215085A (zh) 一种基于孪生网络的输电走廊异物检测方法及系统
CN111222511A (zh) 一种红外无人机目标检测方法及系统
Welch et al. The effect of spatial resolution upon texture‐based cloud field classifications
CN110807424B (zh) 一种基于航拍图像的港口船舶比对方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
Wang et al. Superpixel-based LCM detector for faint ships hidden in strong noise background SAR imagery
CN106803078B (zh) 一种sar图像舰船目标分割方法
CN113177473B (zh) 遥感影像水体自动化提取方法和装置
CN114742854B (zh) 基于场景先验知识和区域合并的sar图像海陆分割方法
CN113705433A (zh) 一种基于可见光航拍图像的电力线检测方法
CN111105419B (zh) 一种基于极化sar图像的车辆船舶检测方法及装置
Vukadinov et al. An algorithm for coastline extraction from satellite imagery
Flemming Design of semi-automatic algorithm for shoreline extraction using Synthetic Aperture Radar (SAR) images
CN114241150B (zh) 一种倾斜摄影建模中的水域数据预处理方法

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