CN116523816A - 一种海面舰船目标检测方法 - Google Patents

一种海面舰船目标检测方法 Download PDF

Info

Publication number
CN116523816A
CN116523816A CN202210080306.7A CN202210080306A CN116523816A CN 116523816 A CN116523816 A CN 116523816A CN 202210080306 A CN202210080306 A CN 202210080306A CN 116523816 A CN116523816 A CN 116523816A
Authority
CN
China
Prior art keywords
image
target
texture feature
sea surface
max
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
Application number
CN202210080306.7A
Other languages
English (en)
Inventor
乐国庆
赵英海
孟祥杰
徐大鹏
刘轩
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.)
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Beijing Huahang Radio Measurement 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 Beijing Huahang Radio Measurement Research Institute filed Critical Beijing Huahang Radio Measurement Research Institute
Priority to CN202210080306.7A priority Critical patent/CN116523816A/zh
Publication of CN116523816A publication Critical patent/CN116523816A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]
    • 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)
  • Quality & Reliability (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种海面舰船目标检测方法，属于图像信号处理与目标检测识别技术领域，解决了现有舰船目标检测虚警率高、舰船目标提取不完整的问题。该方法包括：对海面舰船目标雷达原始图像进行滤波处理，得到目标雷达图像；基于DCT变换方式提取目标雷达图像的纹理特征区域，形成目标雷达图像的融合纹理特征图像；对融合纹理特征图像进行二值化处理，得到纹理特征二值化图像；对所述纹理特征二值化图像进行图像腐蚀、图像膨胀处理及连通域评估，若评估结果为包含目标，则通过矩形框框选出目标的二值化图像，否则，得到未框选出目标的二值化图像；将框选出目标的二值化图像中的矩形框映射到目标雷达图像中，将映射结果作为海面舰船目标检测结果。

Description

一种海面舰船目标检测方法
技术领域
本发明涉及图像信号处理与目标检测识别技术领域，尤其涉及一种海面舰船目标检测方法。
背景技术
合成孔径雷达(SAR)可对海面场景和目标进行探测成像，通过场景匹配、目标检测与识别等手段提高目标检测概率与识别精度。合成孔径雷达(SAR)和逆合成孔径雷达(ISAR)对海面舰船目标进行雷达成像，可以通过提取目标的二维特征信息，提升目标的信息维度，提升目标的识别概率。
传统的目标检测方法多以灰度图像为基础，采用恒虚警检测、灰度域直接阈值分割等方法，其受海杂波成像的影响，容易产生虚警目标；同时，受舰船目标雷达成像电磁散射特性的影响，舰船目标提取不完整。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种海面舰船目标检测方法，用于解决现有舰船目标检测虚警率高、舰船目标提取不完整的问题。
本发明的实施例中公开了一种海面舰船目标检测方法，所述方法包括：
对海面舰船目标雷达原始图像进行滤波处理，得到目标雷达图像；
基于DCT变换方式提取所述目标雷达图像的纹理特征区域，形成所述目标雷达图像的融合纹理特征图像；
对融合纹理特征图像进行二值化处理，得到纹理特征二值化图像；
对所述纹理特征二值化图像进行图像腐蚀、图像膨胀处理及连通域评估，若评估结果为包含目标，则通过矩形框框选出目标的二值化图像，否则，得到未框选出目标的二值化图像；
将框选出目标的二值化图像中的矩形框映射到目标雷达图像中，将映射结果作为海面舰船目标检测结果。
本发明在上述方案的基础上，还做出了如下改进：
进一步，所述方法还包括：
对于未框选出目标的二值化图像，海面舰船目标检测结果为无海面舰船目标。
进一步，通过以下方式实现所述连通域评估：
对图像膨胀处理后形成的若干连通区域按照面积由大到小的顺序进行排序，
若面积最大的连通区域与所述纹理特征二值化图像的面积的比值大于目标占比阈值，则评估结果为包含目标，将面积大于1/2倍面积最大的连通区域的每一连通区域分别作为目标、并在膨胀处理后的图像中框选出每一目标，从而得到框选出目标的二值化图像；
否则，评估结果为不包含目标，将膨胀处理后的图像作为未框选出目标的二值化图像。
进一步，在膨胀处理后的图像中框选出每一目标，包括：
获取每一作为目标的连通区域的横坐标最小值xmin和最大值xmax、纵坐标最小值ymin和最大值ymax；
在膨胀处理后的图像中连接坐标(xmin,ymin)、(xmin,ymax)、(xmax,ymax)及(xmax,ymin)形成矩形框，从而框选出对应的目标。
进一步，将框选出目标的二值化图像中的矩形框映射到目标雷达图像中，包括：
将DCT变换方式的压缩倍数作为所述矩形框的放大倍数；
对于每一目标，基于所述放大倍数分别放大xmin、xmax、ymin和ymax，得到Xmin、Xmax、Ymin和Ymax；
在目标雷达图像中连接坐标(Xmin,Ymin)、(Xmin,Ymax)、(Xmax,Ymax)及(Xmax,Ymin)形成矩形框，从而得到该目标对应的映射结果。
进一步，根据海面舰船目标的尺寸及雷达与目标之间的距离设定目标占比阈值。
进一步，通过执行以下操作形成所述目标雷达图像的融合纹理特征图像：
将所述目标雷达图像按照位置顺序分解成相互不重叠的、大小为8×8子块；分别对每个子块进行DCT变换，得到每个子块的纹理特征区域；
对每一个子块的纹理特征区域进行特征融合，得到该子块的纹理特征向量；对该子块的纹理特征向量进行求和，得到该子块的纹理特征值；
按照各子块在所述目标雷达图像的位置顺序组织所有子块的纹理特征值，得到所述目标雷达图像的融合纹理特征图像。
进一步，每一子块的纹理特征向量包括图像垂直方向频率变化能量、图像对角方向频率变化能量及图像水平方向变化能量。
进一步，通过执行以下操作得到所述纹理特征二值化图像：
获取融合纹理特征图像中所有像素点的像素值的均值和标准差；
基于所述均值和标准差，设定分割阈值；
将像素值大于或等于所述分割阈值的像素点的像素值置为1，将像素值大于所述分割阈值的像素点的像素值置为0，从而得到所述纹理特征二值化图像。
进一步，分割阈值Threshold满足：
其中，表示所述均值，stdW表示所述标准差，α为标准差权重。
与现有技术相比，本发明至少可实现如下有益效果之一：
本实施例提供的海面舰船目标检测方法，具备以下优势：
第一，设计了高对比度特征计算算法，有效提升目标和背景的对比度；
第二，通过专用于海面舰船目标检测的图像腐蚀、膨胀及连通域评估方式，能够快速、准确地框选出目标，并通过映射方式将框选出的目标映射到目标雷达图像；
第三，该方法克服了传统方法只针对海面舰船目标雷达图像灰度进行目标检测的局限和不足，解决了现有舰船目标检测虚警率高、舰船目标提取不完整的问题；
第四，解决了雷达图像中舰船目标受雷达成像电磁散射特性影响造成图像中目标像素不均匀、而导致检测不完整的问题，提升了检测结果的完整性。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例公开的海面舰船目标检测方法流程图；
图2为不同区域DCT系数的能量分布示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种海面舰船目标检测方法，流程图如图1所示，包括如下步骤：
步骤S1：对海面舰船目标雷达原始图像进行滤波处理，得到目标雷达图像；
考虑到海面舰船目标雷达原始图像中可能存在孤立的噪声点，因此，本实施例选取的滤波方式为中值滤波。
中值滤波是一种能有效抑制图像噪声、提高信噪比的非线性滤波技术。它是一种邻域运算，类似于卷积，其计算的不是加权求和，而是把邻域中的像素按灰度级进行排序，然后选择该组的中间值作为输出像素值。这样噪声就会在排序的过程中被排到了最前或最后，所选择的中间位置的值一般不是噪声的值，由此便可以达到抑制噪声的目的。中值滤波的输出像素是由邻域图像的中间值决定的，因而中值滤波对极限像素值(与周围像素灰度值差别较大的像素)远不如平均值那么敏感，从而可以消除孤立的噪声点，又可以使图像产生较少的模糊。
步骤S2：基于DCT变换方式提取所述目标雷达图像的纹理特征区域，形成所述目标雷达图像的融合纹理特征图像；
步骤S21：将所述目标雷达图像按照位置顺序分解成相互不重叠的、大小为8×8子块；分别对每个子块进行DCT变换，得到每个子块的纹理特征区域；具体地，
对于m×n大小的目标雷达图像，分解可得个子块；对每个子块进行DCT变换，子块的纹理特征区域中横坐标为u、纵坐标为v的坐标点的DCT变换系数为：
式中，f(x,y)表示目标雷达图像中横坐标为x、纵坐标为y的坐标点的像素值，
DCT变换后共得到1个直流系数(8*8的子区域中左上角点)和63个交流系数(在8*8的子区域中，除直流系数外的剩下系数)。海面的纹理特征可以看作为亮度变化的空间分布，对每个图像子块，在其域内提取其纹理特征，图像子块8*8变换后，能量具有一定的方向性，即一定区域的变换系数代表一定方向的频谱成分，8*8域图像子块的纹理特征区域如图2所示。区域R0代表直流分量，只有左上角一个变换系数区域，R1表示图像垂直方向的频率变化(水平纹理)，R2表示图像对角方向的频率变化(对角纹理)，R3表示图像水平方向的频率变化(垂直纹理)。即，R1包含交流系数：
d(2,1)，d(3,1)，d(3,2)，d(4,1)，d(4,2)，d(5,1)，d(5,2)，d(5,3)，d(6,1)，d(6,2)，d(6,3)，d(6,4)，d(7,1)，d(7,2)，d(7,3)，d(7,4)，d(8,1)，d(8,2)，d(8,3)，d(8,4)，d(8,5)。
R2包含交流系数：
d(2,2)，d(3,3)，d(3,4)，d(4,3)，d(4,4)，d(4,5)，d(5,4)，d(5,5)，d(5,6)，d(5,7)，d(6,5)，d(6,6)，d(6,7)，d(6,8)，d(7,5)，d(7,6)，d(7,7)，d(7,8)，d(8,6)，d(8,7)，d(8,8)。
R3包含交流系数：
d(1,2)，d(1,3)，d(1,4)，d(1,5)，d(1,6)，d(1,7)，d(1,8)，d(2,3)，d(2,4)，d(2,5)，d(2,6)，d(2,7)，d(2,8)，d(3,5)，d(3,6)，d(3,7)，d(3,8)，d(4,6)，d(4,7)，d(4,8)，d(5,8)。
步骤S22：对每一个子块的纹理特征区域进行特征融合，得到该子块的纹理特征向量；对该子块的纹理特征向量进行求和，得到该子块的纹理特征值；其中，
将每一子块的R1、R2、R3三个区域的能量作为纹理特征向量，图像垂直方向频率变化能量F1、图像对角方向频率变化能量F2及图像水平方向变化能量F3记为：
其中，M表示纹理特征区域Rk中所包含的DCT变换系数的数据个数。
对该子块的纹理特征向量进行求和，得到该子块的纹理特征值。
步骤S23：按照各子块在所述目标雷达图像的位置顺序组织所有子块的纹理特征值，得到所述目标雷达图像的融合纹理特征图像；
因此，执行完步骤S2，即可获得一张分辨率为的的融合纹理特征图像。
步骤S3：对所述融合纹理特征图像进行二值化处理，得到纹理特征二值化图像；
步骤S31：获取融合纹理特征图像中所有像素点的像素值的均值和标准差；
均值为：
标准差为：
步骤S32：基于所述均值和标准差，设定分割阈值；
其中，α为标准差权重，取值在2～8之间。
步骤S4：对所述纹理特征二值化图像进行图像腐蚀、图像膨胀处理及连通域评估，若评估结果为包含目标，则通过矩形框框选出目标的二值化图像，否则，得到未框选出目标的二值化图像；
由于分割后的图像出现小目标干扰、边界不连续等现象，因此需要对分割后的图像进行图像腐蚀、图像膨胀等处理，以剔除二值化图像中的小目标干扰。
图像腐蚀是一种消除边界点、使边界向内部收缩的过程。可以用来消除小且无意义的目标物。如果两目标物间有细小的连通,可以选取足够大的结构元素,将细小连通腐蚀掉。在本实施例中，考虑到海面舰船目标一般为大型目标，因此，图像腐蚀半径可以适当增大，以剔除小目标干扰。示例性地，图像腐蚀半径建议选取为30/n，n为以米为单位的、纹理特征二值化图像的分辨率。大量实验表明，按照上述方法设定的图像腐蚀半径，可以避免腐蚀掉海面舰船目标等大型目标，符合实际应用要求。
图像腐蚀可能造成原本连通区域“断裂”，因此，需要通过图像膨胀将这些“断裂”的区域再次连通，避免形成“孤岛”。图像膨胀是将与目标区域接触的背景点合并到该目标物中，使目标边界向外部扩张的处理。图像膨胀可以用来填补目标区域中存在的某些空洞，以及消除包含在目标区域中的小颗粒噪声。优选地，可将图像膨胀半径设置为50/n。经过腐蚀和膨胀处理后，二值化图像形成了若干连通区域；
由于海面舰船目标雷达原始图像中可容纳的海面舰船目标数量有限，相应地，若存在多个连通区域，也无法保证多个连通域区域均对应目标。为此，本实施例提出了以下连通域评估方式：
对图像膨胀处理后形成的若干连通区域按照面积由大到小的顺序进行排序，
若面积最大的连通区域与纹理特征二值化图像的面积的比值大于目标占比阈值，则评估结果为包含目标，将面积大于1/2倍面积最大的连通区域的每一连通区域分别作为目标、并在膨胀处理后的图像中框选出每一目标，从而得到框选出目标的二值化图像；
否则，评估结果为不包含目标，将膨胀处理后的图像作为未框选出目标的二值化图像；
优选地，在膨胀处理后的图像中框选出每一目标，包括：
获取每一作为目标的连通区域的横坐标最小值xmin和最大值xmax、纵坐标最小值ymin和最大值ymax；
在膨胀处理后的图像中连接坐标(xmin,ymin)、(xmin,ymax)、(xmax,ymax)及(xmax,ymin)形成矩形框，从而框选出对应的目标。
在实际实施本实施例中方案的过程中，可以根据海面舰船目标的尺寸及雷达与目标之间的距离设定目标占比阈值。从而能够保证得到最有的评估结果，示例性地，目标占比阈值优选设置为1/5。
对于框选出目标的二值化图像，执行步骤S5以获得海面舰船目标检测结果，具体地：
步骤S5：将框选出目标的二值化图像中的矩形框映射到目标雷达图像中，将映射结果作为海面舰船目标检测结果。
具体地，步骤S5执行：
步骤S51：将DCT变换方式的压缩倍数作为所述矩形框的放大倍数；如在本实施例中，步骤S2中的压缩倍数为8，因此，本步骤的放大倍数也为8，以将二值化图像中的坐标点映射到目标雷达图像中。
步骤S52：对于每一目标，基于所述放大倍数分别放大xmin、xmax、ymin和ymax，得到Xmin、Xmax、Ymin和Ymax；
在目标雷达图像中连接坐标(Xmin,Ymin)、(Xmin,Ymax)、(Xmax,Ymax)及(Xmax,Ymin)形成矩形框，从而得到该目标对应的映射结果。
对于未框选出目标的二值化图像，海面舰船目标检测结果为无海面舰船目标。
综上所述，为实现海面舰船目标检测，本发明实施例设计了高对比度特征计算算法，有效提升目标和背景的对比度；同时，通过专用于海面舰船目标检测的图像腐蚀、膨胀及连通域评估方式，能够快速、准确地框选出目标，并通过映射方式将框选出的目标映射到目标雷达图像。该方法克服了传统方法只针对海面舰船目标雷达图像灰度进行目标检测的局限和不足，解决了现有舰船目标检测虚警率高、舰船目标提取不完整的问题；此外，本方法还解决了雷达图像中舰船目标受雷达成像电磁散射特性影响造成图像中目标像素不均匀、而导致检测不完整的问题，提升了检测结果的完整性。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种海面舰船目标检测方法，其特征在于，所述方法包括：
对海面舰船目标雷达原始图像进行滤波处理，得到目标雷达图像；
基于DCT变换方式提取所述目标雷达图像的纹理特征区域，形成所述目标雷达图像的融合纹理特征图像；
对融合纹理特征图像进行二值化处理，得到纹理特征二值化图像；
对所述纹理特征二值化图像进行图像腐蚀、图像膨胀处理及连通域评估，若评估结果为包含目标，则通过矩形框框选出目标的二值化图像，否则，得到未框选出目标的二值化图像；
将框选出目标的二值化图像中的矩形框映射到目标雷达图像中，将映射结果作为海面舰船目标检测结果。
2.根据权利要求1所述的海面舰船目标检测方法，其特征在于，所述方法还包括：
对于未框选出目标的二值化图像，海面舰船目标检测结果为无海面舰船目标。
3.根据权利要求1所述的海面舰船目标检测方法，其特征在于，通过以下方式实现所述连通域评估：
对图像膨胀处理后形成的若干连通区域按照面积由大到小的顺序进行排序，
若面积最大的连通区域与所述纹理特征二值化图像的面积的比值大于目标占比阈值，则评估结果为包含目标，将面积大于1/2倍面积最大的连通区域的每一连通区域分别作为目标、并在膨胀处理后的图像中框选出每一目标，从而得到框选出目标的二值化图像；
否则，评估结果为不包含目标，将膨胀处理后的图像作为未框选出目标的二值化图像。
4.根据权利要求3所述的海面舰船目标检测方法，其特征在于，在膨胀处理后的图像中框选出每一目标，包括：
获取每一作为目标的连通区域的横坐标最小值xmin和最大值xmax、纵坐标最小值ymin和最大值ymax；
在膨胀处理后的图像中连接坐标(xmin,ymin)、(xmin,ymax)、(xmax,ymax)及(xmax,ymin)形成矩形框，从而框选出对应的目标。
5.根据权利要求4所述的海面舰船目标检测方法，其特征在于，将框选出目标的二值化图像中的矩形框映射到目标雷达图像中，包括：
将DCT变换方式的压缩倍数作为所述矩形框的放大倍数；
对于每一目标，基于所述放大倍数分别放大xmin、xmax、ymin和ymax，得到Xmin、Xmax、Ymin和Ymax；
在目标雷达图像中连接坐标(Xmin,Ymin)、(Xmin,Ymax)、(Xmax,Ymax)及(Xmax,Ymin)形成矩形框，从而得到该目标对应的映射结果。
6.根据权利要求3所述的海面舰船目标检测方法，其特征在于，根据海面舰船目标的尺寸及雷达与目标之间的距离设定目标占比阈值。
7.根据权利要求1-6中任一项所述的海面舰船目标检测方法，其特征在于，通过执行以下操作形成所述目标雷达图像的融合纹理特征图像：
将所述目标雷达图像按照位置顺序分解成相互不重叠的、大小为8×8子块；分别对每个子块进行DCT变换，得到每个子块的纹理特征区域；
对每一个子块的纹理特征区域进行特征融合，得到该子块的纹理特征向量；对该子块的纹理特征向量进行求和，得到该子块的纹理特征值；
按照各子块在所述目标雷达图像的位置顺序组织所有子块的纹理特征值，得到所述目标雷达图像的融合纹理特征图像。
8.根据权利要求7所述的海面舰船目标检测方法，其特征在于，每一子块的纹理特征向量包括图像垂直方向频率变化能量、图像对角方向频率变化能量及图像水平方向变化能量。
9.根据权利要求7所述的海面舰船目标检测方法，其特征在于，通过执行以下操作得到所述纹理特征二值化图像：
获取融合纹理特征图像中所有像素点的像素值的均值和标准差；
基于所述均值和标准差，设定分割阈值；
将像素值大于或等于所述分割阈值的像素点的像素值置为1，将像素值大于所述分割阈值的像素点的像素值置为0，从而得到所述纹理特征二值化图像。
10.根据权利要求9所述的海面舰船目标检测方法，其特征在于，所述分割阈值Threshold：
其中，表示所述均值，stdW表示所述标准差，α为标准差权重。
CN202210080306.7A 2022-01-24 2022-01-24 一种海面舰船目标检测方法 Pending CN116523816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210080306.7A CN116523816A (zh) 2022-01-24 2022-01-24 一种海面舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210080306.7A CN116523816A (zh) 2022-01-24 2022-01-24 一种海面舰船目标检测方法

Publications (1)

Publication Number Publication Date
CN116523816A true CN116523816A (zh) 2023-08-01

Family

ID=87403435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210080306.7A Pending CN116523816A (zh) 2022-01-24 2022-01-24 一种海面舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN116523816A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778431A (zh) * 2023-08-25 2023-09-19 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN118097473A (zh) * 2024-04-22 2024-05-28 中国科学院西安光学精密机械研究所 一种飞行器用海面目标的感知方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778431A (zh) * 2023-08-25 2023-09-19 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN116778431B (zh) * 2023-08-25 2023-11-10 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN118097473A (zh) * 2024-04-22 2024-05-28 中国科学院西安光学精密机械研究所 一种飞行器用海面目标的感知方法

Similar Documents

Publication Publication Date Title
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
Xu et al. Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model
CN116523816A (zh) 一种海面舰船目标检测方法
CN110660065B (zh) 一种红外故障检测识别算法
CN105405138B (zh) 基于显著性检测的水面目标跟踪方法
CN109559273B (zh) 一种面向车底图像的快速拼接方法
CN108038856B (zh) 基于改进多尺度分形增强的红外小目标检测方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN105139410B (zh) 使用空间截面投影的脑肿瘤mri图像分割方法
CN107944497A (zh) 基于主成分分析的图像块相似性度量方法
CN111709961B (zh) 一种被动式太赫兹图像目标的实时分割分类方法
CN113837198A (zh) 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN116520320A (zh) 一种海面目标识别方法
CN117557565A (zh) 一种锂电池极片的检测方法及其装置
CN112116581A (zh) 获取原子成像中的原子位置的方法与装置
CN110097569B (zh) 基于颜色马尔科夫链显著性模型的油罐目标检测方法
CN111340741A (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
CN113408615B (zh) 一种基于光学卫星遥感影像的船只自动匹配方法
CN113792746B (zh) 基于Yolo V3的探地雷达图像目标检测方法
CN115512310A (zh) 一种基于视频监控下车脸特征的车型识别方法及系统
CN115797773A (zh) 一种基于边缘检测和区域分割的超宽带雷达目标识别方法
CN115240055A (zh) 一种天基红外空中目标多帧检测方法、系统、介质及设备
CN107292854B (zh) 基于局部奇异性量化分析的灰度图像增强方法
CN107248167B (zh) 一种运动目标阴影检测方法、装置及计算机可读存储介质

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