CN116503716A - 一种雷达图像衍生与数据库扩容的方法 - Google Patents
一种雷达图像衍生与数据库扩容的方法 Download PDFInfo
- Publication number
- CN116503716A CN116503716A CN202310276793.9A CN202310276793A CN116503716A CN 116503716 A CN116503716 A CN 116503716A CN 202310276793 A CN202310276793 A CN 202310276793A CN 116503716 A CN116503716 A CN 116503716A
- Authority
- CN
- China
- Prior art keywords
- wave
- radar
- sea
- image
- wave surface
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001212 derivatisation Methods 0.000 title claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种雷达图像衍生与数据库扩容的方法,具体过程为:首先建立三维海浪波面,通过雷达成像原理,在三维数值波面中加入调制信息,仿真雷达波面图像,形成仿真雷达图像数据库;其次,获取实测雷达图像,将极坐标雷达图像转换成笛卡尔坐标并进行预处理,对预处理的雷达图像做自适应二值化,在此基础上进行闭运算和灰度填充,从而形成实测雷达波面图像数据库;最后,融合仿真雷达图像数据库和处理后的实测雷达图像数据库,扩充雷达波面图像数据库。该方法有效弥补了采用人工智能方法反演海浪参数时数据库缺乏中高海况下的图像数据,导致模型普适性不够的问题。
Description
技术领域
本发明属于海洋遥感技术领域,涉及一种雷达图像衍生与数据库扩容的方法。
背景技术
海浪信息的观测和实时预报对于各种近岸和远海活动至关重要,如船舶航行、近岸工程、海洋资源开发。由于导航雷达图像分辨率高且能够反映海表面在空间和时间上的变化,其逐渐发展成为一种测量波高的遥感手段。传统的谱分析法是基于经验公式计算海浪参数,通过计算海浪谱来估算海浪参数,由于在低海况和高海况下,没有精准的滤波器可以提取海浪的频谱信息,导致最终无法反演准确的海浪参数。随着人工智能技术的快速发展,基于人工智能方法反演海浪参数也得以应用,但是该方法需获取大量雷达图像,实际测量中存在中高海况数据难获取,导致图像数据不足,导致神经网络模型泛化性不够,为解决基于人工智能方法反演海浪参数雷达图像数据库不足的情况,需要对雷达图像进行衍生和扩容,从而提高反演精度。在雷达目标识别领域,为解决雷达数据不足的情况,通过图像旋转、剪切、模糊和加入噪声等方法来生成与原始图像相似的图像,并扩充数据量,目前尚未有提出相关的扩充数据库的手段。由于反演海浪参数需要获取大量不同海况下的雷达图像,作为深度学习网络模型训练的输入,为了解决深度学习模型需要大量图像数据训练模型的问题。所以,可以采取仿真雷达图像手段,对不同海况下的雷达图像进行衍生,并扩充雷达图像数据库。
发明内容
本发明提供了一种雷达图像衍生与数据库扩容的方法,该方法通过仿真雷达波面图像,实测雷达波面图像的二值化处理,完成雷达图像的衍生和扩容。本发明首先建立三维数值波面,通过雷达成像原理,在三维数值波面中加入调制信息,仿真雷达波面图像,形成仿真雷达图像数据库;其次,获取实测雷达图像,将极坐标雷达图像转换成笛卡尔坐标并进行预处理,对预处理的雷达图像做自适应二值化,在此基础上进行闭运算和灰度填充,从而形成实测雷达波面图像数据库;最后,融合仿真雷达图像数据库和处理后的实测雷达图像数据库,来扩充雷达波面图像数据库。
本发明采用的技术方案如下:
一种雷达图像衍生与数据库扩容的方法,具体步骤如下:
步骤一:仿真雷达波面图像;
步骤1.1:建立三维数值波面。
基于海浪平稳随机性假设,采用Longuet-Higgins模型,表示为:
其中,η(x,y,t)表示海面波高,(x,y)为海浪空间固定点的坐标,t时间序列;aij是海浪振幅;ωi为角频率,θj为海浪波向与x轴之间所成的角度,ki是组成波的角波数,i、j是(x,y)海浪空间坐标点数,δij为[0,2π]上均匀分布的随机相位。
步骤1.2:建立海浪频谱和方向谱函数。
采用JONSWAP海浪谱为海面波高的输入,表示为:
其中,S(ω)是海浪频谱,ω为角频率,α为能量尺度参量,ωp为谱峰频率,g为重力加速度,γ为谱峰升高因子(一般取平均值3.3),σj描述谱宽度的参数。
其中,Hm是有效波高,Tp是波峰周期。
其中,ωp=2π/Tp。
现实的海表面是三维的,需要加入海浪在方向上的能量,形成海浪方向谱,表示为:
S(ω,θ)=S(ω)·G(ω,θ)
其中,ω为角频率,θ是海浪组成波的方向。S(θ)是海浪频谱,G(ω,θ)是方向谱函数。
采用光易型方向函数G(ω,θ),表示为:
其中,θ0是主波波向;s为角扩散系数,它表示方向分布的集中程度,与频率和风速有关,Γ为伽玛函数,是主波传播方向。s的公式如下:
其中,ωp=2π/Tp;Smax为表征在风浪情况下的系数,Smax取10。
步骤1.3:建立不同海况下的三维数值波面。
根据步骤1.2中的海浪频谱和方向谱函数,设置不同海况下海浪参数,如有效波高、波周期、波向数据,带入步骤1.1中的η(x,y,t),建立三维数值波面。
步骤1.4:在三位数值波面基础上加入雷达调制信息及噪声信息。
阴影调制是雷达信号在入射海面时,前面较高的海浪遮挡住了后面的海浪,造成被遮挡区域没有回波信号。阴影调制表达式为:
其中,(x,y)海浪某点的坐标,电磁波对于面元的俯角 H为天线高;R(x,y,t)为天线到某一面元的水平距离,R(x′,y′,t)为该面元前的一个面元,θ0(x′,y′,t)是它的俯角;Gray(x,y,t)是海面高度的灰度值。
倾斜调制的表达式为:
其中,倾斜调制因子 是模拟海表面的三维单位外法向量,/>天线位置与照射面的三维单位向量。
步骤1.5:仿真雷达波面图像。
在步骤1.3建立的三维数值波面中加入步骤1.4中调制信息,得到仿真雷达波面图像,表示为:
其中,σsh+tilt为加入阴影调制和倾斜调制的雷达波面仿真图像,Graysh(x,y,t)为阴影调制,σtilt(x,y,t)为倾斜调制。
步骤二:实测雷达波面图像的二值化处理。
步骤2.1:采集雷达波面图像。
利用雷达采集一组雷达海杂波图像序列,并按照雷达协议进行存储,得到极坐标下的雷达灰度图像I(r,θ),其中r为海面点到雷达的距离,θ为方位角。
步骤2.2:选取海浪参数反演区域。
以浮标安装位置为中心,选取距离范围为d1*d2的区域I(r′,θ′)作为海浪参数反演区域。将极坐标下的区域I(r′,θ′)转化到笛卡尔坐标下,得到笛卡尔坐标下的海浪反演区域I(x,y)。
步骤2.3:对选取的雷达波面图像I(x,y)进行图像预处理。
预处理包括同频干扰处理、目标物干扰处理、海浪纹理特征检测等,得到处理后的雷达波面图像I(x′,y′)。
步骤2.4:实测雷达波面图像的自适应二值化处理。
采用自适应二值化方法提取海浪轮廓信息,表示为:
其中,fs(n)表示第n个点之前s个点的灰度值的和,pn是第n个点的灰度值,T(n)表示二值化后的值。
步骤2.5:对二值化处理后的实测雷达波面图像进行闭运算及灰度填充。
将步骤2.4中的二值化结果进行闭运算,目的是对平滑边缘及海浪纹理修复,闭运算包括膨胀操作和腐蚀操作,表示为:
其中,I是实测雷达波面图像,S是卷积核,是膨胀运算,/>是腐蚀运算。
对闭运算后的二值化实测雷达波面图像进行灰度填充,将原图像中轮廓位置的灰度值填充到处理后的轮廓图像中,最终完成实测雷达波面图像的二值化处理。
步骤三:扩充雷达波面图像数据库
将步骤一中的仿真雷达波面图像与步骤二中的二值化实测雷达波面图像放在一起,形成新的雷达波面图像数据库,完成雷达波面图像扩充,以便完成深度学习模型中大量训练任务。
本发明的有益效果:该方法有效弥补了采用人工智能方法反演海浪参数时雷达图像数据库不足的情况,仿真大量不同海况下的雷达波面图像,扩大深度学习所需的大量数据集。
附图说明
图1是雷达图像衍生与数据库扩容方法流程图;
图2是三维数值波面;
图3是三维数值波面的阴影调制;;
图4是三维数值波面的倾斜调制
图5是雷达波面仿真图像;
图6是实测雷达波面图像的笛卡尔坐标图像;
图7是自适应二值化处理后的实测雷达波面图像;
图8是二值化实测雷达波面图像。
具体实施方式
以下结合技术方案和附图详细说明本发明的具体实施方式。
如图1所示,一种雷达图像衍生与数据库扩容的方法,具体过程为:
一、仿真雷达波面图像
步骤1、建立三维数值波面。令Hm=5.0,Tp=8.5,θ0=30,带入技术方案中步骤1.1中的海浪模型、步骤1.2中的海浪谱函数和方向谱函数中,得到三维数值波面,如图2所示。
步骤2、加入雷达海表面成像调制信息。设置天线高度H=20米,雷达到目标海浪的水平距离R=2000米。根据技术方案中步骤1.4中的阴影调制公式计算各点灰度值,得到阴影调制后的雷达海面仿真图像,如图3所示。
假设天线坐标为(x0,y0,h),可表示为:
根据步骤1.4中的倾斜调制公式计算各点倾斜调制因子,得到 如图4所示。
步骤3、在步骤1中建立的海浪数值波面中加入步骤2中的阴影调制和倾斜调制,得到雷达波面仿真图像,如图5所示。
二、实测雷达波面图像的二值化处理
步骤1、雷达采集得到雷达波面图像I(r,θ),选取海浪参数反演区域并转换到笛卡尔坐标下,得到256*256尺寸的雷达波面图像I(256,256),如图6所示。
步骤2、对选取的雷达波面图像I(256,256)进行图像预处理。包括同频干扰处理、目标物干扰处理、海浪纹理特征检测等,得到处理后的雷达波面图像I’,如图7所示。
步骤3、采用自适应二值化方法提取海浪纹理的轮廓信息,根据技术方案中步骤2.4,计算T,得到图7。
步骤4、对二值化处理后的实测雷达波面图像做闭运算及灰度填充,根据技术方案中步骤2.5,得到图8。
三、扩充雷达图像数据
图5是仿真的雷达波面图像,图中灰白色的纹理图像是仿真形成的海浪纹理图像。图8是提取出二值化处理的实测雷达波面图像的海浪纹理图像,生成与仿真雷达波面图像同类型的海浪纹理图像,以便于深度学习在特征提取时能捕捉到表征相同特征的信息。将步骤一中的通过仿真技术手段处理的雷达波面图像与二值化的实测雷达波面图像融合在同一个数据库中,扩充雷达图像数据库数量不足的问题,用作深度学习模型的训练输入图像,最终得到深度学习方法所需要的扩充数据库。本发明的雷达图像衍生于数据库扩容方法,融合仿真技术手段和实测图像处理手段,能有效衍生和扩充数据集以便深度学习或其他相关研究任务的需求。
Claims (1)
1.一种雷达图像衍生与数据库扩容的方法,其特征在在于,具体步骤如下:
步骤一:仿真雷达波面图像;
步骤1.1:建立三维数值波面;
基于海浪平稳随机性假设,采用Longuet-Higgins模型,表示为:
其中,η(x,y,t)表示海面波高,(x,y)为海浪空间固定点的坐标,t时间序列;aij是海浪振幅;ωi为角频率,θj为海浪波向与x轴之间所成的角度,ki是组成波的角波数,i、j是(x,y)海浪空间坐标点数,δij为[0,2π]上均匀分布的随机相位;
步骤1.2:建立海浪频谱和方向谱函数;
采用JONSWAP海浪谱为海面波高的输入,表示为:
其中,S(ω)是海浪频谱,ω为角频率,α为能量尺度参量,ωp为谱峰频率,g为重力加速度,γ为谱峰升高因子,σj描述谱宽度的参数;
其中,Hm是有效波高,Tp是波峰周期;
其中,ωp=2π/Tp;
现实的海表面是三维的,需要加入海浪在方向上的能量,形成海浪方向谱,表示为:
S(ω,θ)=S(ω)·G(ω,θ)
其中,ω为角频率,θ是海浪组成波的方向;S(θ)是海浪频谱,G(ω,θ)是方向谱函数;
采用光易型方向函数G(ω,θ),表示为:
其中,θ0是主波波向;s为角扩散系数,它表示方向分布的集中程度,与频率和风速有关,Γ为伽玛函数,是主波传播方向;s的公式如下:
其中,ωp=2π/Tp;Smax为表征在风浪情况下的系数,Smax取10;
步骤1.3:建立不同海况下的三维数值波面;
根据步骤1.2中的海浪频谱和方向谱函数,设置不同海况下海浪参数,包括有效波高、波周期、波向数据,带入步骤1.1中的η(x,y,t),建立三维数值波面;
步骤1.4:在三位数值波面基础上加入雷达调制信息及噪声信息;
阴影调制是雷达信号在入射海面时,前面高的海浪遮挡住了后面的海浪,造成被遮挡区域没有回波信号;阴影调制表达式为:
其中,(x,y)海浪某点的坐标,电磁波对于面元的俯角 H为天线高;R(x,y,t)为天线到某一面元的水平距离,R(x′,y′,t)为该面元前的一个面元,θ0(x′,y′,t)是它的俯角;Gray(x,y,t)是海面高度的灰度值;
倾斜调制的表达式为:
其中,倾斜调制因子 是模拟海表面的三维单位外法向量,/>天线位置与照射面的三维单位向量;
步骤1.5:仿真雷达波面图像;
在步骤1.3建立的三维数值波面中加入步骤1.4中调制信息,得到仿真雷达波面图像,表示为:
其中,σsh+tilt为加入阴影调制和倾斜调制的雷达波面仿真图像,Graysh(x,y,t)为阴影调制,σtilt(x,y,t)为倾斜调制;
步骤二:实测雷达波面图像的二值化处理;
步骤2.1:采集雷达波面图像;
利用雷达采集一组雷达海杂波图像序列,并按照雷达协议进行存储,得到极坐标下的雷达灰度图像I(r,θ),其中r为海面点到雷达的距离,θ为方位角;
步骤2.2:选取海浪参数反演区域;
以浮标安装位置为中心,选取距离范围为d1*d2的区域I(r′,θ′)作为海浪参数反演区域;将极坐标下的区域I(r′,θ′)转化到笛卡尔坐标下,得到笛卡尔坐标下的海浪反演区域I(x,y);
步骤2.3:对选取的雷达波面图像I(x,y)进行图像预处理;
预处理包括同频干扰处理、目标物干扰处理、海浪纹理特征检等,得到处理后的雷达波面图像I(x′,y′);
步骤2.4:实测雷达波面图像的自适应二值化处理;
采用自适应二值化方法提取海浪轮廓信息,表示为:
其中,fs(n)表示第n个点之前s个点的灰度值的和,pn是第n个点的灰度值,T(n)表示二值化后的值;
步骤2.5:对二值化处理后的实测雷达波面图像进行闭运算及灰度填充;
将步骤2.4中的二值化结果进行闭运算,目的是对平滑边缘及海浪纹理修复,闭运算包括膨胀操作和腐蚀操作,表示为:
其中,I是实测雷达波面图像,S是卷积核,是膨胀运算,/>是腐蚀运算;
对闭运算后的二值化实测雷达波面图像进行灰度填充,将原图像中轮廓位置的灰度值填充到处理后的轮廓图像中,最终完成实测雷达波面图像的二值化处理;
步骤三:扩充雷达波面图像数据库
将步骤一中的仿真雷达波面图像与步骤二中的二值化实测雷达波面图像放在一起,形成新的雷达波面图像数据库,完成雷达波面图像扩充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276793.9A CN116503716A (zh) | 2023-03-21 | 2023-03-21 | 一种雷达图像衍生与数据库扩容的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276793.9A CN116503716A (zh) | 2023-03-21 | 2023-03-21 | 一种雷达图像衍生与数据库扩容的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503716A true CN116503716A (zh) | 2023-07-28 |
Family
ID=87315683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310276793.9A Pending CN116503716A (zh) | 2023-03-21 | 2023-03-21 | 一种雷达图像衍生与数据库扩容的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503716A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368879A (zh) * | 2023-12-04 | 2024-01-09 | 北京海兰信数据科技股份有限公司 | 雷达图的生成方法、装置、终端设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2562558A1 (en) * | 2011-08-25 | 2013-02-27 | Remocean S.p.A. | Process for the localization of targets drifting in the sea |
CN109829858A (zh) * | 2019-01-29 | 2019-05-31 | 大连海事大学 | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 |
CN109993692A (zh) * | 2019-04-09 | 2019-07-09 | 大连海事大学 | 一种基于深度学习的电子海图和雷达图像的数据融合方法 |
CN111667494A (zh) * | 2020-06-05 | 2020-09-15 | 广东海洋大学 | 一种船载雷达原始图像的高亮目标快速分割方法 |
-
2023
- 2023-03-21 CN CN202310276793.9A patent/CN116503716A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2562558A1 (en) * | 2011-08-25 | 2013-02-27 | Remocean S.p.A. | Process for the localization of targets drifting in the sea |
CN109829858A (zh) * | 2019-01-29 | 2019-05-31 | 大连海事大学 | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 |
CN109993692A (zh) * | 2019-04-09 | 2019-07-09 | 大连海事大学 | 一种基于深度学习的电子海图和雷达图像的数据融合方法 |
CN111667494A (zh) * | 2020-06-05 | 2020-09-15 | 广东海洋大学 | 一种船载雷达原始图像的高亮目标快速分割方法 |
Non-Patent Citations (5)
Title |
---|
ZHENGSHUN CHENG 等: "Hydrodynamic load modeling and analysis of a floating bridge in homogeneous wave conditions", 《MARINE STRUCTURES》, 6 February 2018 (2018-02-06), pages 122 - 141 * |
冯海洋: "基于航海雷达的海浪与溢油信息提取方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 February 2016 (2016-02-15), pages 036 - 216 * |
华玉峰: "轮胎表面标识识别的字符切分方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 March 2015 (2015-03-15), pages 138 - 1832 * |
宋萌瑞: "基于智能学习的X波段海浪信息参数反演算法", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 February 2018 (2018-02-15), pages 136 - 1550 * |
贾瑞才: "基于航海雷达图像的海面风场反演算法研究", 《中国博士学位论文全文数据库信息科技辑》, 15 May 2013 (2013-05-15), pages 136 - 67 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368879A (zh) * | 2023-12-04 | 2024-01-09 | 北京海兰信数据科技股份有限公司 | 雷达图的生成方法、装置、终端设备及可读存储介质 |
CN117368879B (zh) * | 2023-12-04 | 2024-03-19 | 北京海兰信数据科技股份有限公司 | 雷达图的生成方法、装置、终端设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583214B (zh) | 基于rbf神经网络的航海雷达图像反演海面风速方法 | |
WO2021000902A1 (zh) | 一种sar图像数据增强方法、装置及存储介质 | |
Borge et al. | Analysis of directional wave fields using X-band navigation radar | |
Kang et al. | Topographic mapping on large-scale tidal flats with an iterative approach on the waterline method | |
CN104613944A (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
CN111950438B (zh) | 基于深度学习的天宫二号成像高度计有效波高反演方法 | |
CN112113545B (zh) | 一种基于多维海面信息的内波振幅反演方法 | |
CN108961255B (zh) | 基于相位线性度和功率的海陆噪声场景分割方法 | |
CN114047511B (zh) | 一种基于csa算法的时变海面机载sar成像仿真方法 | |
CN114970213B (zh) | 一种孤子内波起伏效应下的海杂波动态模拟方法 | |
Huang et al. | Comprehensive sample augmentation by fully considering SSS imaging mechanism and environment for shipwreck detection under zero real samples | |
CN117198330B (zh) | 一种声源识别方法、系统及电子设备 | |
Chen et al. | A wavelet based deep learning method for underwater image super resolution reconstruction | |
CN113743577B (zh) | 用于中尺度涡识别的精细化网格数据分区构建方法及系统 | |
CN104318593A (zh) | 一种雷达海杂波的仿真方法和系统 | |
CN116503716A (zh) | 一种雷达图像衍生与数据库扩容的方法 | |
Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
CN115755043A (zh) | 一种基于x波段非相参雷达的波浪场重构及预测方法 | |
CN115859116A (zh) | 一种基于径向基函数回归插值法的海洋环境场重建方法 | |
CN115641767A (zh) | 无人艇感知实验平台装置 | |
CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
CN111951204B (zh) | 一种基于深度学习的天宫二号探测数据海面风速反演方法 | |
CN116612245A (zh) | 基于视频图像的海滩地形地貌构建方法、系统、存储介质 | |
CN107610130A (zh) | 基于幅度与相位线性度之比的海陆杂波场景分割方法 |
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 |