CN116503268B - 一种用于雷达回波图像的质量改进方法 - Google Patents

一种用于雷达回波图像的质量改进方法 Download PDF

Info

Publication number
CN116503268B
CN116503268B CN202310277646.3A CN202310277646A CN116503268B CN 116503268 B CN116503268 B CN 116503268B CN 202310277646 A CN202310277646 A CN 202310277646A CN 116503268 B CN116503268 B CN 116503268B
Authority
CN
China
Prior art keywords
image
sliding window
gray
point
value
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
CN202310277646.3A
Other languages
English (en)
Other versions
CN116503268A (zh
Inventor
蔡烽
王骁
王大志
杨波
刘帅武
左少燕
锁刘佳
刘德旺
赵永清
于开波
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.)
Dalian University of Technology
PLA Dalian Naval Academy
Original Assignee
Dalian University of Technology
PLA Dalian Naval Academy
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 Dalian University of Technology, PLA Dalian Naval Academy filed Critical Dalian University of Technology
Priority to CN202310277646.3A priority Critical patent/CN116503268B/zh
Publication of CN116503268A publication Critical patent/CN116503268A/zh
Application granted granted Critical
Publication of CN116503268B publication Critical patent/CN116503268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及遥感技术领域，特别是涉及一种用于雷达回波图像的质量改进方法；本发明通过在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标；基于二层判定中值滤波算法，进行图像中的同频干扰处理基于自适应区域生长修复法，分割出海浪图像中的目标物干扰并对原目标物区域进行修复。经验证，本发明所用算法处理后的图像最终能够得到清晰的海浪图像，提高提取信息的准确率。

Description

一种用于雷达回波图像的质量改进方法
技术领域
本发明属于海洋遥感技术领域，涉及一种用于雷达回波图像的质量改进方法，特别是一种基于二层判定中值滤波和自适应区域生长修复法用于雷达回波图像的处理，最终得到清晰的海浪图像。
背景技术
海洋中蕴含着丰富的资源，人们对海洋的探索也在不断加深。人们在进行海上作业时需要对周围的海洋环境进行监测，海洋环境的监测是一个多方位的系统工程，海面物理状态是核心监测部分。然而海面上目标物、同类型的雷达信号干扰会降低雷达海浪纹理图像质量，影响提取信息的可靠性。所以需要一种图像处理方法用于获得清晰的海浪图像。
传统的目标物干扰处理方法多为阈值分割的方法，但是当目标物所在区域灰度值接近海浪区域灰度值时容易造成海浪纹理的缺失，区域生长法能够一定程度上的避免这种情况，但是传统区域生长法未涉及到分割目标物之后的图像填充问题。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种基于二层判定中值滤波和自适应区域生长修复法以获得清晰海浪图像的方法，用于去除雷达回波图像中的同频干扰和目标物干扰以获得清晰的海浪图像。本发明根据雷达海浪纹理特点对像素点进行噪声筛选予以中值滤波方法改进，且本发明进行优化使得分割出目标物后的图像更接近于真实的海浪图像。
为解决上述技术问题，本发明的技术方案如下：
一种用于雷达回波图像的质量改进方法，步骤如下：
步骤一：在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标下得到灰度图像I(x,y)，I(x,y)的大小为n*n。
步骤二：基于二层判定中值滤波算法，进行灰度图像I(x,y)中的同频干扰处理。
二层判定中值滤波算法的具体步骤为：
步骤2.1设置滑窗L1的大小为m*1，根据滑窗L1大小对灰度图像I(x,y)进行扩充，使得扩充之后的灰度图像大小为(n+m-1)*n，起始点为扩充后的灰度图像的第一行第一列，寻找待处理噪声点；
步骤2.2判断滑窗L1中心点是否为滑窗L1中各像素点灰度值的中值，是则不对中心点处理原灰度值进行输出，不是则进行步骤2.3判断其是否为同频干扰噪声点；
步骤2.3寻找滑窗L1内所有像素点灰度值的最大值和最小值，计算公式为：
Bmax(i)＝max(滑窗L1内所有像素点灰度值)
Bmin(i)＝min(滑窗L1内所有像素点灰度值)
步骤2.4计算每个滑窗L1内部Bmax(i)-Bmin(i)的结果与同频干扰判定阈值C1进行比较，当Bmax(i)-Bmin(i)的结果大于C1时，判定滑窗L1中心点为同频干扰噪声点进行下一步处理，小于C1时则认为滑窗L1中心点不是噪声点，不对中心点处理保留原灰度值进行输出；
步骤2.5对噪声点用滑窗L1中所有像素点灰度值的中值进行取代，计算公式为：
B(i)＝Bmedian(i)＝median(滑窗L1内所有像素点灰度值)
步骤三，基于自适应区域生长修复法，分割出海浪图像中的目标物干扰并对原目标物区域进行修复。
自适应区域生长修复法的具体步骤为：
步骤3.1寻找目标物所在区域：
步骤3.1.1设定参数C2，通过平均值Aaverage和参数C2确定判断阈值D1，计算公式为：
Aaverage+C2＝D1
步骤3.1.2求解灰度图像I(x,y)所有像素点灰度值中的最大值Amax，计算公式为：
Amax＝max(灰度图像I(x,y)所有像素点灰度值)
步骤3.1.3判断灰度图像I(x,y)所有像素点灰度值中的最大值Amax是否大于判断阈值D1，若成立则进行步骤3.1.4，若不成立则直接结束进程输出灰度图像I(x,y)。
步骤3.1.4选择灰度值最大的像素点作为区域生长的初始生长点，设置滑窗L2为q*q，灰度值最大的像素点作为滑窗L2的中心点和初始生长点，以初始生长点作为起始点，寻找滑窗内与滑窗中心点具有相似特征的像素点并将其作为新的噪声起始点，直到滑窗中无相似特征的像素点时停止遍历图像，确定目标物所在区域。
具有相似特征的像素点的筛选办法为：
C(i)(j)-Ccentre<D2
式中C(i)(j)表示滑窗L2内部第i行第j列像素点的灰度值，Ccentre表示滑窗L2中心点的灰度值，D2为筛选阈值，若满足上式则以C(i)(j)为新的起始点继续寻找具有相似特征的像素点，直到滑窗内部上式不成立为止；
步骤3.1.5重复步骤3.1.1-3.1.5N次，寻找图像中剩余目标物。
步骤3.2图像修复还原真实的海浪图像：
步骤3.2.1将目标物所在像素点的灰度值用0填充；
步骤3.2.2将灰度图像沿最外层镜像扩充至(n+2m)*(n+2m)用于填充，其中m为设定整数值；
步骤3.2.3以噪声点为中心，选择距离向和方位向距离中心点为m个点位的四个像素点的均值代替噪声点进行图像填充。
本发明的有益效果：针对现有技术存在的理论局限性，通过中值滤波和区域生长法处理雷达回波图像的研究，本发明公开了一种基于二层判定中值滤波和自适应区域生长修复法处理雷达回波图像获得清晰海浪图像的改进方法。本方法考虑了雷达噪声产生的原因，针对具体现象，设计了一套处理方法用于消除雷达回波图像中的噪声从而获得清晰的海浪图像。该方法适用于工作原理是单脉冲体制的X波段航海雷达。本发明使用X波段航海雷达进行实验，实验结果表明本方法能够有效地处理雷达回波图像以获得清晰海浪图像。与现有技术相比，利用本发明所提出的利用雷达回波图像获得清晰海浪的方法，其优点在于：
(1)能够较为准确的识别同频干扰和目标物干扰所产生的噪声点，能够针对噪声点进行有效地去除和图像修复，尽可能的还原真实的海浪图像。
(2)本发明考虑了降雨天气下对雷达回波图像的影响，实验结果表明，降雨天气下本发明所阐述的方法依旧能够有效地去除噪声，并进行图像的修复。
(3)算法整体逻辑简单易懂，容易实现，程序响应快，能够满足工程实用性。
附图说明
图1是雷达原始图像；
图2是有同频干扰和目标物干扰的雷达灰度图像；
图3是去除同频干扰的雷达灰度图像；
图4是去除目标物干扰的雷达灰度图像；
图5是本发明实施方式流程图。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步说明。
本发明具体可以分为以下几步，第一步为在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标下得到I(x,y)；第二步基于二层判定中值滤波算法，进行图像中的同频干扰处理；第三步为基于自适应区域生长修复法，分割出海浪图像中的目标物干扰并对原目标物区域进行修复。
下面结合具体参数给出实施例。
本发明实施用例所用的航海雷达为X波段航海雷达，工作于短脉冲模式，脉冲重复频率为1300Hz，回波数据数字化后以极坐标形式按线存储，两条相邻存储线间的时间间隔小于1ms，雷达天线扫描一周的时间约2.5s，一幅雷达回波图像的总线数大约为3300条，每根线上有600个像素点，其方位向分辨率约为0.1°，距离向分辨率约为7.5m。实验使用的航海雷达原始图像主要来自福建省平潭县海坛岛的海洋观测站2011年1月观测数据。
结合图5，本发明具体实施步骤为：
第一步，在雷达海表面回波图像(如图1所示)中选取海浪参数反演区域并转化到笛卡尔坐标下得到灰度图像I(x,y)，I(x,y)的大小为256*256。
第二步，基于二层判定中值滤波算法，进行灰度图像I(x,y)中的同频干扰处理。
步骤2.1设置滑窗L1的大小为3*1，根据滑窗大小对灰度图像I(x,y)进行扩充，使得扩充之后的灰度图像大小为258*256，起始点为扩充后的灰度图像的第一行第一列，寻找待处理噪声点；
步骤2.2判断滑窗L1中心点是否为滑窗L1中各像素点灰度值的中值，是则不对中心点处理原灰度值进行输出，不是进行步骤2.3判断其是否为同频干扰噪声点；
步骤2.3以中心点为图2中像素点位置为第164行第26列的滑窗L1为例，滑窗L1的最大值Bmax(i)＝141和最小值Bmin(i)＝102；
步骤2.4计算滑窗L1内部Bmax(i)-Bmin(i)＝39的结果大于同频干扰判定阈值(其中Aaverage为灰度图像I(x,y)中所有像素点灰度值的平均值)，判定滑窗L1中心点为同频干扰噪声点；
步骤2.5对噪声点用滑窗L1中所有像素点灰度值的中值进行取代，B(i)＝105；
图3为经过二层判定中值滤波算法处理之后的灰度图像，可以直观看到灰度图像中射线状的同频干扰噪声已经去除掉。
步骤三，基于自适应区域生长修复法，分割出海浪图像中的目标物干扰并对原目标物区域进行修复。
自适应区域生长修复法的具体步骤为：
步骤3.1寻找目标物所在区域：
步骤3.1.1设定参数C2＝128，通过平均值Aaverage和参数C2确定判断阈值D1＝200.1832
步骤3.1.2求解灰度图像I(x,y)所有像素点灰度值中的最大值Amax＝205
步骤3.1.3判断灰度图像I(x,y)所有像素点灰度值中的最大值Amax大于判断阈值D1。
步骤3.1.4选择灰度值最大的像素点作为区域生长的初始生长点，设置滑窗L2为3*3，灰度值最大的像素点作为滑窗L2的中心点和初始生长点，以初始生长点作为起始点，寻找滑窗内与滑窗中心点具有相似特征的像素点并其作为新的噪声起始点，直到滑窗中无相似特征的像素点时停止遍历图像，确定目标物所在区域。
具有相似特征的像素点的筛选办法为：
C(i)(j)-Ccentre<D2
式中C(i)(j)表示滑窗二内部第i行第j列像素点的灰度值，Ccentre表示滑窗二中心点的灰度值，D2＝24.0610为筛选阈值，若满足上式则以C(i)(j)为新的起始点继续寻找具有相似特征的像素点，直到滑窗内部上式不成立为止；
步骤3.1.5重复步骤3.1.1-3.1.5N＝50次，寻找图像中剩余目标物。
步骤3.2图像修复还原真实的海浪图像：
步骤3.2.1将目标物所在像素点的灰度值用0填充；
步骤3.2.2将灰度图像沿最外层镜像扩充至340*340用于填充，m＝42；
步骤3.2.3以噪声点为中心，选择距离向和方位向距离中心点为42个点位的四个像素点的均值代替噪声点进行图像填充；
图4为经过自适应区域生长修复法处理之后的灰度图像，可以直观看到灰度图像中高亮的目标物干扰噪声已经去除掉，并对原图像进行均值修复。
实验结果表明，基于二层判定中值滤波算法和自适应区域生长修复法获得清晰海浪图像的方法能够有效地去除掉雷达回波图像中的同频干扰和目标物干扰，最终能够得到清晰的海浪图像。
本发明所提出的二层判定中值滤波算法和自适应区域生长修复法获得清晰海浪图像的方法能够最终能够得到清晰的海浪图像，该方法克服了图像处理过程中过处理的问题，能够较为准确的识别出同频干扰噪声和目标物干扰噪声，并进行有效地图像修复工作，最终能够得到具有清晰海浪纹理的图像。

Claims (1)

1.一种用于雷达回波图像的质量改进方法，其特征在于，步骤如下：
步骤一：在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标下得到灰度图像I(x，y)，I(x，y)的大小为n*n；
步骤二：基于二层判定中值滤波算法，进行灰度图像I(x，y)中的同频干扰处理；
二层判定中值滤波算法的具体步骤为：
步骤2.1设置滑窗L1的大小为m*1，根据滑窗L1大小对灰度图像I(x，y)进行扩充，使得扩充之后的灰度图像大小为(n+m-1)*n，起始点为扩充后的灰度图像的第一行第一列，寻找待处理噪声点；
步骤2.2判断滑窗L1中心点是否为滑窗L1中各像素点灰度值的中值，是则不对中心点处理原灰度值进行输出，不是则进行步骤2.3判断其是否为同频干扰噪声点；
步骤2.3寻找滑窗L1的最大值和最小值，计算公式为：
Bmax(i)＝max(滑窗L1内所有像素点灰度值）
Bmin(i)＝min(滑窗L1内所有像素点灰度值)
步骤2.4计算每个滑窗L1内部Bmax(i)-Bmin(i)的结果与同频干扰判定阈值C1进行比较，当Bmax(i)-Bmin(i)的结果大于C1时，判定滑窗L1中心点为同频干扰噪声点进行下一步处理，小于C1时则认为滑窗L1中心点不是噪声点，不对中心点处理保留原灰度值进行输出；
步骤2.5对噪声点用滑窗L1中所有像素点灰度值的中值进行取代，计算公式为：
B(i)＝Bmedian(i)＝median(滑窗L1内所有像素点灰度值）
步骤三，基于自适应区域生长修复法，分割出海浪图像中的目标物干扰并对原目标物区域进行修复；
自适应区域生长修复法的具体步骤为：
步骤3.1寻找目标物所在区域：
步骤3.1.1设定参数C2，通过平均值Aaverage和参数C2确定判断阈值D1，计算公式为：
Aaverage+C2＝D1
步骤3.1.2求解灰度图像I(x，y)所有像素点灰度值中的最大值Amax，计算公式为：
Amax＝max(灰度图像I(x，y)所有像素点灰度值）
步骤3.1.3判断灰度图像I(x，y)所有像素点灰度值中的最大值Amax是否大于判断阈值D1，若成立则进行步骤3.1.4，若不成立则直接结束进程输出灰度图像I(x，y)；
步骤3.1.4选择灰度值最大的像素点作为区域生长的初始生长点，设置滑窗L2为q*q，灰度值最大的像素点作为滑窗L2的中心点和初始生长点，以初始生长点作为起始点，寻找滑窗内与滑窗中心点具有相似特征的像素点并其作为新的噪声起始点，直到滑窗中无相似特征的像素点时停止遍历图像，确定目标物所在区域；
具有相似特征的像素点的筛选办法为：
C(i)(j)-Ccentre＜D2
式中C(i)(j)表示滑窗二内部第i行第j列像素点的灰度值，Ccentre表示滑窗二中心点的灰度值，D2为筛选阈值，若满足上式则以C(i)(j)为新的起始点继续寻找具有相似特征的像素点，直到滑窗内部上式不成立为止；
步骤3.1.5重复步骤3.1.1-3.1.4N次，寻找图像中剩余目标物；
步骤3.2图像修复还原真实的海浪图像：
步骤3.2.1将目标物所在像素点的灰度值用0填充；
步骤3.2.2将灰度图像沿最外层镜像扩充至(n+2m)*(n+2m)用于填充，其中m为设定整数值；
步骤3.2.3以噪声点为中心，选择距离向和方位向距离中心点为m个点位的四个像素点的均值代替噪声点进行图像填充。
CN202310277646.3A 2023-03-21 2023-03-21 一种用于雷达回波图像的质量改进方法 Active CN116503268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310277646.3A CN116503268B (zh) 2023-03-21 2023-03-21 一种用于雷达回波图像的质量改进方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310277646.3A CN116503268B (zh) 2023-03-21 2023-03-21 一种用于雷达回波图像的质量改进方法

Publications (2)

Publication Number Publication Date
CN116503268A CN116503268A (zh) 2023-07-28
CN116503268B true CN116503268B (zh) 2024-03-29

Family

ID=87323763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310277646.3A Active CN116503268B (zh) 2023-03-21 2023-03-21 一种用于雷达回波图像的质量改进方法

Country Status (1)

Country Link
CN (1) CN116503268B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778263B (zh) * 2023-08-22 2023-11-14 四川坤鸿电子科技有限公司 分拣设备控制方法、电子设备和计算机可读介质
CN118033548B (zh) * 2024-04-12 2024-06-18 成都远望科技有限责任公司 一种双发双收顶扫云雷达同频干扰识别方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163322A (zh) * 2011-03-16 2011-08-24 哈尔滨工程大学 基于拉普拉斯算子的雷达图像中同频干扰的抑制方法
CN102353946A (zh) * 2011-06-29 2012-02-15 哈尔滨工程大学 一种基于x波段雷达图像的海表面流反演方法
CN103995259A (zh) * 2014-06-06 2014-08-20 中国人民解放军海军航空工程学院 密集干扰环境下雷达目标自适应滤波融合检测方法
CN105319537A (zh) * 2015-10-16 2016-02-10 哈尔滨工程大学 基于空间相关性的航海雷达同频干扰抑制方法
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
CN110208806A (zh) * 2019-06-04 2019-09-06 哈尔滨工程大学 一种航海雷达图像降雨识别方法
CN112669332A (zh) * 2020-12-28 2021-04-16 大连海事大学 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
KR102258202B1 (ko) * 2020-02-28 2021-05-28 서울대학교산학협력단 항공기기반 영상복원장치용 가상 해수면모델 생성장치
CN114140342A (zh) * 2021-11-01 2022-03-04 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114581692A (zh) * 2022-03-06 2022-06-03 扬州孚泰电气有限公司 一种基于智能图形识别的防振锤故障检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3023641C (en) * 2016-01-15 2020-12-22 Wuhan Wuda Zoyon Science And Technology Co., Ltd Object surface deformation feature extraction method based on line scanning three-dimensional point cloud

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163322A (zh) * 2011-03-16 2011-08-24 哈尔滨工程大学 基于拉普拉斯算子的雷达图像中同频干扰的抑制方法
CN102353946A (zh) * 2011-06-29 2012-02-15 哈尔滨工程大学 一种基于x波段雷达图像的海表面流反演方法
CN103995259A (zh) * 2014-06-06 2014-08-20 中国人民解放军海军航空工程学院 密集干扰环境下雷达目标自适应滤波融合检测方法
CN105319537A (zh) * 2015-10-16 2016-02-10 哈尔滨工程大学 基于空间相关性的航海雷达同频干扰抑制方法
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
CN110208806A (zh) * 2019-06-04 2019-09-06 哈尔滨工程大学 一种航海雷达图像降雨识别方法
KR102258202B1 (ko) * 2020-02-28 2021-05-28 서울대학교산학협력단 항공기기반 영상복원장치용 가상 해수면모델 생성장치
CN112669332A (zh) * 2020-12-28 2021-04-16 大连海事大学 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
CN114140342A (zh) * 2021-11-01 2022-03-04 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114581692A (zh) * 2022-03-06 2022-06-03 扬州孚泰电气有限公司 一种基于智能图形识别的防振锤故障检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Qicong Wang 等.Automatic extraction of ocean internal waves based on multi-scale fusion and elliptical tracking region method.《ICIMCS '10: Proceedings of the Second International Conference on Internet Multimedia Computing and Service》.2010,第77–82页. *
区域增长的自适应窗口SAR变化检测;刘恋 等;《江苏省测绘地理信息学会2018年学术年会论文集》;20181231;第36-38页 *

Also Published As

Publication number Publication date
CN116503268A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116503268B (zh) 一种用于雷达回波图像的质量改进方法
Galceran et al. A real-time underwater object detection algorithm for multi-beam forward looking sonar
CN111445395B (zh) 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法
CN101915910B (zh) 利用航海雷达识别海上溢油目标的方法及系统
CN108961255B (zh) 基于相位线性度和功率的海陆噪声场景分割方法
CN108957437B (zh) 一种基于环境态势分析的雷达目标跟踪方法
CN105427301B (zh) 基于直流分量比测度的海陆杂波场景分割方法
CN105787886A (zh) 一种基于多波束图像声纳的实时图像处理方法
CN108508427B (zh) 一种基于导航雷达的海冰区域检测方法、装置及设备
CN111126335A (zh) 一种结合显著性和神经网络的sar船只识别方法及系统
CN107766818B (zh) 一种启发式的水下结构化环境线特征提取方法
CN109064479B (zh) 一种基于邻近视频帧灰度动态特征的海天线检测方法
CN105627997A (zh) 多角度遥感水深决策融合反演方法
JP2021056073A (ja) 渦検出装置、渦検出方法、プログラム及び学習済モデル
CN107169412B (zh) 基于混合模型决策的遥感图像靠港船只检测方法
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
Li et al. Automatic detection of pipelines from sub-bottom profiler sonar images
CN116400351B (zh) 基于自适应区域生长法的雷达回波图像目标物处理方法
CN111736156A (zh) 一种基于天气雷达的逆风区识别方法与装置
CN115236664A (zh) 一种航海雷达图像反演有效波高的方法
Wang et al. A novel segmentation algorithm for side-scan sonar imagery with multi-object
CN113963171A (zh) 一种浅地层剖面声呐图像海底线自动识别的方法和系统
CN116400352B (zh) 一种基于相关性分析的雷达回波图像海浪纹理检测方法
CN109816683B (zh) 一种航海雷达图像中海浪信息反演的预处理方法
CN113567968A (zh) 一种基于浅水多波束水深数据的水下目标实时分割方法及应用

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