CN101915910A - 利用航海雷达识别海上溢油目标的方法及*** - Google Patents
利用航海雷达识别海上溢油目标的方法及*** Download PDFInfo
- Publication number
- CN101915910A CN101915910A CN 201010223658 CN201010223658A CN101915910A CN 101915910 A CN101915910 A CN 101915910A CN 201010223658 CN201010223658 CN 201010223658 CN 201010223658 A CN201010223658 A CN 201010223658A CN 101915910 A CN101915910 A CN 101915910A
- Authority
- CN
- China
- Prior art keywords
- radar
- image
- marine
- signal
- oil spill
- 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.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用航海雷达识别海上溢油目标的方法及***,方法包括A、将输出的图像信号从雷达投影转换成笛卡尔投影;B、图像矫正及运动补偿;C、利用Gamma滤波方法对步骤B矫正后的雷达图像进行处理,保留边缘信息的同时滤除雷达图像的高频噪音;D、检测图像中强信号区,根据图像中信号强度的分布,确定饱和状态强度作为信号区的强度阈值,将超过阈值强度的信号数据直接删除;E、采用灰度共生矩阵法进行图像分割提取海面溢油目标的步骤。***包括:雷达主控机、航海雷达控制器、接线盒、采集装置、处理装置和显示装置。本发明是利用提取海浪等杂波信息已获得小目标,通过纹理的算法进行溢油目标的识别能够较好地提取海上溢油目标。
Description
技术领域
本发明涉及一种利用航海雷达识别海上溢油目标的方法及***。
背景技术
海洋溢油监测技术的研究正在引起又来越多研究人员的注意。人们正致力于寻找到一个更加快捷准确的监测技术,以及有效的应急反应机制。以卫星与机载传感器为主要手段的遥感监测技术已经在此领域得到广泛的应用。但是这些传统手段自身所具有的特性使得至今还无法在不良天气环境下实现对溢油事故的连续性监测。
海洋表面粗糙度取决于海面风,浪,溢油污染物甚至是海底拓扑结构。溢油会产生比较低的雷达回波,在雷达图像上会表现为较暗的区域,这一点已经被星载和飞机搭载的雷达所证实。公知航海雷达用于海面航行避让、测定船舶定位、狭水道引航,等“大目标”探测,但是利用航海雷达识别海面溢油目标的***还没有被研制。
发明内容
本发明针对以上问题的提出,而研制一种利用提取海浪等杂波信息,配合高分辨雷达可监测并识别8海里范围内的小目标,以获取海上溢油区域目标的***。本发明采用的技术手段如下:
一种利用航海雷达识别海上溢油目标的方法,其特征在于
A、将输出的图像信号从雷达投影转换成笛卡尔投影;
B、图像矫正及运动补偿;
C、利用Gamma滤波方法对步骤B矫正后的雷达图像进行处理,保留边缘信息的同时滤除雷达图像的高频噪音;
D、检测图像中强信号区,根据图像中信号强度的分布,确定饱和状态强度作为信号区的强度阈值,将超过阈值强度的信号数据直接删除;
E、采用灰度共生矩阵法进行图像分割提取海面溢油目标,具体步骤如下:
(1)取样本图像经数字化处理后将图像分成大小为n×n像素的非重叠窗口,每个小块都从4个方向(即0°,45°,90°和135°)来提取特征,利用灰度共生矩阵计算出各个方向上最主要的特征值,然后取这4个方向的均值和方差表示该特征值,将此提取的特征值形成一维特征向量保存到纹理特征库中作为训练样本;
(2)按照步骤(1)中处理方法对待测图像进行分块划分,对各小图像块的纹理特征值进行计算,并对其进行编号;
(3)利用最小欧氏距离分类法将从未知样本中提取的特征值与纹理特征库中训练样本的特征值进行比对,当且仅当未知样本的特征向量与训练样本的欧氏加权距离最小时输出匹配成功的未知样本的编号,否则不输出;
(4)将待测样本数据中已检测的部分作为已知数据,并入样本数据库,作为动态增加的特征,对于其他剩余的图像块利用上述类似方法进行模式匹配,重复步骤(2)和步骤(3),直至每个待检测数据完成检测输出;
(5)以上步骤全部运行完毕后,将得出相似纹理区域的小块具有相同编号,这样就实现了纹理分类,然后根据编号的不同实施区域整合划分,即在平铺的n×n雷达图像中,将每一小块的编号标出,提取与溢油样本编号相同的部分识别为溢油目标。
所述步骤A具体操作方法为:先将输出的原始雷达图像每个像素点坐标转换为直角坐标,再对变换后的图像进行逐行扫描,利用三次卷积插值对缺少像素的位置进行插值补全像素点。
一种根据上利用航海雷达识别海上溢油目标的方法所述方法进行海上溢油目标识别的***,其特征在于包括:雷达主控机、航海雷达控制器、接线盒、采集装置、处理装置和显示装置;
所述雷达主控机,用于显示雷达图像,控制雷达工作的终端设备;
所述航海雷达发射X波段信号并接收回波信号,用于探测海面油膜;
所述接线盒,包括电源线、数据线,用于将至少一类模拟信号传入采集装置;
所述控制器连接航海雷达和雷达主控机,将航海雷达接收的模拟信号,一部分通过内部A/D模块转换为数字信号传输至雷达主控机,另一部分包持原有信号特征,通过接线盒传入采集装置;
所述采集装置,连接于接线盒,内置A/D转换器、存储器,用于将至少一类模拟信号转换为数字信号传入采集装置存储;
所述处理装置,连接于采集装置,用于分别处理海浪信息和雷达溢油图像信息,包括信号分离器和信号处理单元:
所述信号分离器,用于将采集的海浪信息和雷达溢油图像信息分离;
所述信号处理单元对分离出的雷达溢油图像信号转换为便于处理的格式,并根据上述利用航海雷达识别海上溢油目标的方法对进行处理提取溢油信息,并通过显示装置进行显示;
显示装置,用于显示输出提取的溢油图像。
本发明同现有技术相比其优点是显而易见的,首先公知航海雷达用于海面航行避让、测定船舶定位、狭水道引航,等“大目标”探测,本发明是利用提取海浪等杂波信息,这些是公知船用雷达所摒弃的部分,配合高分辨雷达可监测并识别8海里范围内的小目标,尤其是对海上溢油目标的识别具有很好的效果。另外,采用基于纹理的算法进行溢油目标的识别,计算量小,简单,能够较好地提取海上溢油目标。
附图说明
图1为本发明所述***的结构示意图;
图2为本发明所述方法的流程图;
图3为本发明实施例的实施效果图。
具体实施方式
公知航海雷达用于海面航行避让、测定船舶定位、狭水道引航,等“大目标”探测,本发明利用提取海浪等杂波信息,这些是公知船用雷达所摒弃的部分,配合高分辨雷达可监测并识别8海里范围内的小目标,尤其是对海上溢油目标的识别有很好的效果。采用基于纹理的算法进行溢油目标的识别,计算量小,简单,能够较好地提取海上溢油目标。
如图2所示该利用航海雷达识别海上溢油目标的方法,具体包括如下步骤:
A、将输出的图像信号从雷达投影转换成笛卡尔投影;由于从雷达获取的原始数据为极坐标的雷达回波强度图像,因此在实际的处理过程中还需要将图像转换为便于程序的处理的笛卡尔坐标系下的图像,具体方法是先将输出的原始雷达图像每个像素点坐标转换为直角坐标,再对变换后的图像进行逐行扫描,利用三次卷积插值对缺少像素的位置进行插值补全像素点。
B、图像矫正及运动补偿;获取雷达图像数据的平台为运动的船只,处理过程需要连续的多幅图像,因此需要根据船舶平台运动的情况对图像进行运动补偿,矫正图像,本发明采用基于回波数据的方法对雷达图像进行运动补偿。
C、利用Gamma滤波方法对步骤B矫正后的雷达图像进行处理,可以在最大程度上保留边缘信息的同时滤除雷达图像的高频噪音(滤波窗口规格根据小目标的大小可以选择3x3到11x11像素)。
D、检测图像中强信号区,根据图像中信号强度的分布,确定饱和状态强度作为信号区的强度阈值,将超过阈值强度的信号数据直接删除;本研究只关注于海表面的微小变化,因此强反射信号对于我们来说都是必须排除在处理程序外的这些信号包括雷达所在平台的遮挡,如船舶的桅杆、烟囱,平台周围的船只,陆地目标等无关目标检测也就是检测图像中强信号区。
E、采用灰度共生矩阵法进行图像分割提取海面溢油目标,由于溢油会对海浪形态造成变化,因此对图像纹理分析也就成了检测鉴别溢油区域的首选方法。在图像纹理分析中,常用的纹理特征主要有Tamura纹理特征、自回归纹理模型、方向性特征、小波变换和共生矩阵等形式。这些纹理分析方法的共同点是提取了那些在特定纹理描述中最重要的特征,突出纹理的不同方面。其中的灰度共生矩阵已知被理论证明并且实验显示它在纹理分析中是一个很好的方法,广泛用于将灰度值转化为纹理信息。
一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图像的局部模式和它们排列规则的基础。设f(x,y)为一幅二维数字图象,其大小为M×N,灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为P(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}其中#(x)表示集合x中的元素个数,显然P为Ng×Ng的矩阵,若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的,因为图像中相距(Δx,Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级,那么共生矩阵为N×N矩阵,可表示为M(Δx,Δy)(h,k),其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx,Δy)的像素对出现的次数。
具体步骤如下:
(1)取样本图像经数字化处理后将图像分成大小为n×n像素的非重叠窗口,每个小块都从4个方向(即0°,45°,90°和135°)来提取特征,利用灰度共生矩阵计算出各个方向上最主要的特征值,然后取这4个方向的均值和方差表示该特征值,将此提取的特征值形成一维特征向量保存到纹理特征库中作为训练样本;
(2)按照步骤(1)中处理方法对待测图像进行分块划分,对各小图像块的纹理特征值进行计算,并对其进行编号;
(3)利用最小欧氏距离分类法将从未知样本中提取的特征值与纹理特征库中训练样本的特征值进行比对,当且仅当未知样本的特征向量与训练样本的欧氏加权距离最小时输出匹配成功的未知样本的编号,否则不输出;
(4)将待测样本数据中已检测的部分作为已知数据,并入样本数据库,作为动态增加的特征,对于其他剩余的图像块利用上述类似方法进行模式匹配,重复步骤(2)和步骤(3),直至每个待检测数据完成检测输出;
(5)以上步骤全部运行完毕后,将得出相似纹理区域的小块具有相同编号,这样就实现了纹理分类,然后根据编号的不同实施区域整合划分,即在平铺的n×n雷达图像中,将每一小块的编号标出,提取与溢油样本编号相同的部分识别为溢油目标。所述步骤A具体操作方法为:先将输出的原始雷达图像每个像素点坐标转换为直角坐标,再对变换后的图像进行逐行扫描,利用三次卷积插值对缺少像素的位置进行插值补全像素点。
本方法利用纹理特征算法,选取的特征值少,减少了存储空间并提高计算效率,简便易实现,对溢油识别效率高。
如图1所示为根据上述方法进行海上溢油目标识别的***,其特征在于包括:雷达主控机、航海雷达控制器、接线盒、采集装置、处理装置和显示装置;所述雷达主控机,用于显示雷达图像,控制雷达工作的终端设备;所述航海雷达发射X波段信号并接收回波信号,用于探测海面油膜;所述接线盒,包括电源线、数据线,用于将至少一类模拟信号传入采集装置;所述控制器连接航海雷达和雷达主控机,将航海雷达接收的模拟信号,一部分通过内部A/D模块转换为数字信号传输至雷达主控机,另一部分包持原有信号特征,通过接线盒传入采集装置;所述采集装置,连接于接线盒,内置A/D转换器、存储器,用于将至少一类模拟信号转换为数字信号传入采集装置存储;所述处理装置,连接于采集装置,用于分别处理海浪信息和雷达溢油图像信息,包括信号分离器和信号处理单元:所述信号分离器,用于将采集的海浪信息和雷达溢油图像信息分离;所述信号处理单元对分离出的雷达溢油图像信号转换为便于处理的格式,并根据上述利用航海雷达识别海上溢油目标的方法对进行处理提取溢油信息,并通过显示装置进行显示(该信号处理单元为具有逻辑运算能力的微处理器如:单片机、MCU、ARM等,由于本发明要对图像进行处理所以最好选择,具有DSP和MCU组合的微处理器);显示装置,用于显示输出提取的溢油图像。
航海雷达图像溢油目标识别结果,采集装置通过接线盒将雷达获取的所有信号转变为数字信号并获取。将获取的数字信号传入处理装置中,其中的信号分离器先将信号中的海浪信息分离,将雷达图像信息送入信号处理单元,转换为bmp格式。然后对此bmp格式雷达图像按照步骤A~E进行处理,这里面样本图像来自于图像数据库,最后识别的结果如图3所示,方框中暗区提取为海面溢油。
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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种利用航海雷达识别海上溢油目标的方法,其特征在于
A、将输出的图像信号从雷达投影转换成笛卡尔投影;
B、图像矫正及运动补偿;
C、利用Gamma滤波方法对步骤B矫正后的雷达图像进行处理,保留边缘信息的同时滤除雷达图像的高频噪音;
D、检测图像中强信号区,根据图像中信号强度的分布,确定饱和状态强度作为信号区的强度阈值,将超过阈值强度的信号数据直接删除;
E、采用灰度共生矩阵法进行图像分割提取海面溢油目标,具体步骤如下:
(1)取样本图像经数字化处理后将图像分成大小为n×n像素的非重叠窗口,每个小块都从4个方向(即0°,45°,90°和135°)来提取特征,利用灰度共生矩阵计算出各个方向上最主要的特征值,然后取这4个方向的均值和方差表示该特征值,将此提取的特征值形成一维特征向量保存到纹理特征库中作为训练样本;
(2)按照步骤(1)中处理方法对待测图像进行分块划分,对各小图像块的纹理特征值进行计算,并对其进行编号;
(3)利用最小欧氏距离分类法将从未知样本中提取的特征值与纹理特征库中训练样本的特征值进行比对,当且仅当未知样本的特征向量与训练样本的欧氏加权距离最小时输出匹配成功的未知样本的编号,否则不输出;
(4)将待测样本数据中已检测的部分作为已知数据,并入样本数据库,作为动态增加的特征,对于其他剩余的图像块利用上述类似方法进行模式匹配,重复步骤(2)和步骤(3),直至每个待检测数据完成检测输出;
(5)以上步骤全部运行完毕后,将得出相似纹理区域的小块具有相同编号,这样就实现了纹理分类,然后根据编号的不同实施区域整合划分,即在平铺的n×n雷达图像中,将每一小块的编号标出,提取与溢油样本编号相同的部分识别为溢油目标。
2.根据权利要求1所述的利用航海雷达识别海上溢油目标的方法,其特征在于所述步骤A具体操作方法为:先将输出的原始雷达图像每个像素点坐标转换为直角坐标,再对变换后的图像进行逐行扫描,利用三次卷积插值对缺少像素的位置进行插值补全像素点。
3.一种根据权利要求1所述方法进行海上溢油目标识别的***,其特征在于包括:雷达主控机、航海雷达控制器、接线盒、采集装置、处理装置和显示装置;
所述雷达主控机,用于显示雷达图像,控制雷达工作的终端设备;
所述航海雷达发射X波段信号并接收回波信号,用于探测海面油膜;
所述接线盒,包括电源线、数据线,用于将至少一类模拟信号传入采集装置;
所述控制器连接航海雷达和雷达主控机,将航海雷达接收的模拟信号,一部分通过内部A/D模块转换为数字信号传输至雷达主控机,另一部分包持原有信号特征,通过接线盒传入采集装置;
所述采集装置,连接于接线盒,内置A/D转换器、存储器,用于将至少一类模拟信号转换为数字信号传入采集装置存储;
所述处理装置,连接于采集装置,用于分别处理海浪信息和雷达溢油图像信息,包括信号分离器和信号处理单元:
所述信号分离器,用于将采集的海浪信息和雷达溢油图像信息分离;
所述信号处理单元对分离出的雷达溢油图像信号转换为便于处理的格式,并根据上述利用航海雷达识别海上溢油目标的方法对进行处理提取溢油信息,并通过显示装置进行显示;
显示装置,用于显示输出提取的溢油图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102236580A CN101915910B (zh) | 2010-07-07 | 2010-07-07 | 利用航海雷达识别海上溢油目标的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102236580A CN101915910B (zh) | 2010-07-07 | 2010-07-07 | 利用航海雷达识别海上溢油目标的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101915910A true CN101915910A (zh) | 2010-12-15 |
CN101915910B CN101915910B (zh) | 2012-08-22 |
Family
ID=43323470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102236580A Active CN101915910B (zh) | 2010-07-07 | 2010-07-07 | 利用航海雷达识别海上溢油目标的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101915910B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288960A (zh) * | 2011-07-25 | 2011-12-21 | 大连海事大学 | 一种海面固定式雷达溢油监测装置及其监测方法 |
CN103177608A (zh) * | 2013-03-01 | 2013-06-26 | 上海海事大学 | 海上可疑船舶与船舶油污发现*** |
CN106872976A (zh) * | 2016-12-28 | 2017-06-20 | 山东科技大学 | 一种基于雷达数据的海洋溢油信息提取*** |
CN107871323A (zh) * | 2016-09-23 | 2018-04-03 | 国家海洋环境监测中心 | 一种基于全固态雷达的海冰运动信息获取方法 |
CN110363109A (zh) * | 2019-06-26 | 2019-10-22 | 成都新舟锐视科技有限公司 | 一种基于计算机视觉的覆盖式漏油检测***及方法 |
CN110782400A (zh) * | 2019-09-12 | 2020-02-11 | 南宁师范大学 | 一种自适应的光照均匀实现方法和装置 |
CN111175744A (zh) * | 2019-09-20 | 2020-05-19 | 中国船舶工业***工程研究院 | 一种雷达图像快速生成与缩放方法 |
CN113567972A (zh) * | 2021-08-03 | 2021-10-29 | 广州海事科技有限公司 | 基于雷达的海上监控方法、***、设备及存储介质 |
CN114236490A (zh) * | 2021-12-07 | 2022-03-25 | 大连海事大学 | 基于水面回波模型的x波段导航雷达溢油探测*** |
CN115661649A (zh) * | 2022-10-26 | 2023-01-31 | 广东海洋大学 | 一种基于bp神经网络的船载微波雷达图像溢油探测方法及*** |
CN116106850A (zh) * | 2023-04-03 | 2023-05-12 | 交通运输部天津水运工程科学研究所 | 结合雷达卫星影像和ais自动识别船舶偷排油污的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4504833A (en) * | 1981-12-09 | 1985-03-12 | Xadar Corporation | Synthetic pulse radar system and method |
CN101118284A (zh) * | 2007-07-30 | 2008-02-06 | 大连海事大学 | 航海雷达溢油监测技术*** |
-
2010
- 2010-07-07 CN CN2010102236580A patent/CN101915910B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4504833A (en) * | 1981-12-09 | 1985-03-12 | Xadar Corporation | Synthetic pulse radar system and method |
CN101118284A (zh) * | 2007-07-30 | 2008-02-06 | 大连海事大学 | 航海雷达溢油监测技术*** |
Non-Patent Citations (1)
Title |
---|
《中国航海》 20100331 马龙等 《结合纹理的支持向量机合成孔径雷达溢油监测》 全文 1-3 第33卷, 第1期 2 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288960A (zh) * | 2011-07-25 | 2011-12-21 | 大连海事大学 | 一种海面固定式雷达溢油监测装置及其监测方法 |
CN103177608A (zh) * | 2013-03-01 | 2013-06-26 | 上海海事大学 | 海上可疑船舶与船舶油污发现*** |
CN107871323A (zh) * | 2016-09-23 | 2018-04-03 | 国家海洋环境监测中心 | 一种基于全固态雷达的海冰运动信息获取方法 |
CN106872976A (zh) * | 2016-12-28 | 2017-06-20 | 山东科技大学 | 一种基于雷达数据的海洋溢油信息提取*** |
CN110363109A (zh) * | 2019-06-26 | 2019-10-22 | 成都新舟锐视科技有限公司 | 一种基于计算机视觉的覆盖式漏油检测***及方法 |
CN110363109B (zh) * | 2019-06-26 | 2023-03-24 | 成都新舟锐视科技有限公司 | 一种基于计算机视觉的覆盖式漏油检测***及方法 |
CN110782400A (zh) * | 2019-09-12 | 2020-02-11 | 南宁师范大学 | 一种自适应的光照均匀实现方法和装置 |
CN110782400B (zh) * | 2019-09-12 | 2024-03-01 | 南宁师范大学 | 一种自适应的光照均匀实现方法和装置 |
CN111175744B (zh) * | 2019-09-20 | 2023-08-15 | 中国船舶工业***工程研究院 | 一种雷达图像快速生成与缩放方法 |
CN111175744A (zh) * | 2019-09-20 | 2020-05-19 | 中国船舶工业***工程研究院 | 一种雷达图像快速生成与缩放方法 |
CN113567972A (zh) * | 2021-08-03 | 2021-10-29 | 广州海事科技有限公司 | 基于雷达的海上监控方法、***、设备及存储介质 |
CN113567972B (zh) * | 2021-08-03 | 2024-07-02 | 广州海事科技有限公司 | 基于雷达的海上监控方法、***、设备及存储介质 |
CN114236490A (zh) * | 2021-12-07 | 2022-03-25 | 大连海事大学 | 基于水面回波模型的x波段导航雷达溢油探测*** |
CN114236490B (zh) * | 2021-12-07 | 2023-07-14 | 大连海事大学 | 基于水面回波模型的x波段导航雷达溢油探测*** |
CN115661649B (zh) * | 2022-10-26 | 2023-05-23 | 广东海洋大学 | 一种基于bp神经网络的船载微波雷达图像溢油探测方法及*** |
CN115661649A (zh) * | 2022-10-26 | 2023-01-31 | 广东海洋大学 | 一种基于bp神经网络的船载微波雷达图像溢油探测方法及*** |
CN116106850B (zh) * | 2023-04-03 | 2023-07-07 | 交通运输部天津水运工程科学研究所 | 结合雷达卫星影像和ais自动识别船舶偷排油污的方法 |
CN116106850A (zh) * | 2023-04-03 | 2023-05-12 | 交通运输部天津水运工程科学研究所 | 结合雷达卫星影像和ais自动识别船舶偷排油污的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101915910B (zh) | 2012-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及*** | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN108444447B (zh) | 一种用于水下避障***中的渔网实时自主检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
CN111126335B (zh) | 一种结合显著性和神经网络的sar船只识别方法及*** | |
CN109359787A (zh) | 一种小范围海域多模态海浪预测***及其预测方法 | |
CN108961255B (zh) | 基于相位线性度和功率的海陆噪声场景分割方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
Osorio et al. | An algorithm for the measurement of shoreline and intertidal beach profiles using video imagery: PSDM | |
CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN107239755A (zh) | 基于高分卫星遥感数据的海上油气平台提取*** | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN115099653A (zh) | 一种渤海湾极端天气条件下溢油事故风险评估方法及*** | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
CN106443593A (zh) | 基于相参雷达慢扫增强的自适应溢油信息提取方法 | |
CN115993602A (zh) | 一种基于前视声呐的水下目标检测及定位方法 | |
Sun et al. | Background suppression based-on wavelet transformation to detect infrared target | |
CN113837924A (zh) | 一种基于无人艇感知***的水岸线检测方法 | |
CN113344148A (zh) | 一种基于深度学习的海上舰船目标识别方法 | |
CN112101250A (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN116343057A (zh) | 一种联合sar与光学图像的舰船目标检测与识别方法 | |
CN114140698A (zh) | 一种基于FasterR-CNN的水系信息提取算法 | |
CN201757783U (zh) | 利用航海雷达识别海上溢油目标的*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |