CN102800086A - 一种海上场景显著性检测方法 - Google Patents

一种海上场景显著性检测方法 Download PDF

Info

Publication number
CN102800086A
CN102800086A CN2012102072715A CN201210207271A CN102800086A CN 102800086 A CN102800086 A CN 102800086A CN 2012102072715 A CN2012102072715 A CN 2012102072715A CN 201210207271 A CN201210207271 A CN 201210207271A CN 102800086 A CN102800086 A CN 102800086A
Authority
CN
China
Prior art keywords
significantly
brightness
frame
color
marine scene
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
Application number
CN2012102072715A
Other languages
English (en)
Other versions
CN102800086B (zh
Inventor
任蕾
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201210207271.5A priority Critical patent/CN102800086B/zh
Publication of CN102800086A publication Critical patent/CN102800086A/zh
Application granted granted Critical
Publication of CN102800086B publication Critical patent/CN102800086B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开一种海上场景显著性检测方法，其包含：1、提取海上场景图像序列；2、每帧图像转换至CIELab颜色空间，提取亮度和颜色通道的特征图；3、各提取的特征分别与其全局中值差的绝对值作为全局显著图；4、各特征分别与其局部均值滤波差的绝对值作为局部显著图；5、各特征的全局显著图和局部显著图分别合并得总显著图；6、各帧图像的颜色通道的显著图线性合并，再分别与其亮度显著图融合为总显著图；7、以每帧检测结果为中心进行累积，修正当前帧的显著图；8、总显著图转换为二值化图像，得到海上场景显著目标区域。本发明可快速提取海上场景中的显著区域，较好的抑制了海杂波的干扰，实现简单，适合实时应用。

Description

一种海上场景显著性检测方法
技术领域
本发明涉及一种机器视觉和图像处理领域的检测技术，具体涉及一种利用利用图像处理和机器视觉技术的海上场景显著性检测方法。
背景技术
目前，国内外大多数的视觉注意计算模型直接在图像的空间域进行显著性检测，提取显著图。该类方法相对利用图像频谱的思路，无需对图像进行傅里叶变换或离散余弦变换等正交变换。
基于空间域的显著性检测方法，其核心是如何定义显著性。目前提出的各类方法主要利用空间域像素间的特征差异度量显著性，常用特征包括亮度、颜色、方向、纹理等。同时，很多学者将信息论、图论和贝叶斯理论等引入显著性的计算中，在自然场景显著性检测中获得了较好效果。为了解决频域显著性检测方法显著图分辨率不高的问题，Achanta等提出在原图尺寸上实现的频率调谐显著性检测方法（Frequency tuned method, FrT），定义图像CIELab颜色空间中的各特征均值与对其高斯滤波后的差分值为显著度。该方法简单易实现，能提取较完整的显著目标，其内部一致性好。
国内部分的学者，对基于可见光图像的海上场景中舰船检测问题，应用视觉注意机制进行了初步的探讨。叶聪颖等人提出了基于HIS（Hue, Saturation, Intensity）空间的船舶检测视觉注意模型，即在HSI颜色空间中，对三个分量采用多尺度差分计算获得各分量特征图，进而对其进行线性融合获得显著图。吴琦颖等人在海上运动目标实时监测和跟踪***中引入视觉注意机制，提出了一种迭代的基于倒三角小模板的线性低通滤波方法，快速实现粗分辨率图像上的平滑去噪，以此凸显目标。吴琦颖等还提出基于可见光图像序列的海上运动目标快速检测方法，利用视觉注意模型首先在静态图像中分割感兴趣区域（ROI, region of interest），进而仅在感兴趣区域中应用改进的时间差分法检测运动目标。
然而，这些提出的方法存在局限性。首先，注意到这些方法均是针对自然场景或陆上场景中显著目标的检测，因此，目标多为大目标；同时，由于算法较复杂，在进行显著性计算之前往往需对原始图像进行下采样。对大尺寸的显著目标而言，下采样不会导致目标信息丢失太多，因此显著性检测结果较理想。但由于海上场景的特殊性，即海上目标多为小目标，尤其是点状目标，且分散于海上场景中，因此直接应用已有的空间域显著性检测方法，其结果不理想，尤其是对小目标的检测效果欠佳，分析其本质原因，是由于图像下采样导致小目标信息丢失过多。频率调谐显著性检测方法实现简单，但由于该模型中仅考虑了全局对比度作为显著性，将其直接应用于海上场景，由于大量海杂波的特征，均远远高于特征均值，即其全局对比度与目标很接近，造成检测结果目标被突出之外，还包含了大量的杂波。此外，已有的海上场景视觉注意模型，借鉴了Itti的视觉注意计算模型，实现相对复杂。
综上所述，已有相关工作主要解决陆上场景或自然场景中的显著性检测问题。由于海上场景中存在大量海杂波和海上目标多为小目标的特点，已有方法的效果不理想。针对现有技术的缺陷，特别提出一种利用新的海上场景显著性检测方法，以解决以上提到的问题。
发明内容
本发明提供了一种海上场景显著性检测方法，利用海上场景图像自身的特征，在CIELab颜色空间实现提取显著区域。
为实现上述目的，本发明提供了一种海上场景显著性检测方法，其特点是，该方法包含以下步骤：
步骤1、提取海上场景图像序列；
步骤2、海上场景图像的每帧图像由RGB颜色空间转换至CIELab颜色空间，并提取其亮度和两个颜色通道作为基本特征，得到亮度和两个颜色通道的特征图；
步骤3、海上场景图像的所有帧图像的亮度和两个颜色特征分别与其全局中值差的绝对值作为全局显著图；
设输入图像序列的第                                               
Figure 2012102072715100002DEST_PATH_IMAGE002
帧
Figure 2012102072715100002DEST_PATH_IMAGE004
，Li为亮度特征，ai和bi为两个颜色特征，该第
Figure 2012102072715100002DEST_PATH_IMAGE002A
帧为海上场景图像中的任意一帧；
分别对亮度和两个颜色特征，计算其全局中值，
Figure 2012102072715100002DEST_PATH_IMAGE006
                      （1）
Figure 2012102072715100002DEST_PATH_IMAGE008
                      （2）
Figure 2012102072715100002DEST_PATH_IMAGE010
                       （3）
其中Lim为亮度特征的全局中值，aim和bim为两个颜色的全局中值；
然后，计算各特征的全局显著图：
Figure 2012102072715100002DEST_PATH_IMAGE012
                     （4）
Figure 2012102072715100002DEST_PATH_IMAGE014
                     （5）
Figure 2012102072715100002DEST_PATH_IMAGE016
                    （6）
其中，代表绝对值， 
Figure 2012102072715100002DEST_PATH_IMAGE017
为亮度特征的全局显著图，
Figure 2012102072715100002DEST_PATH_IMAGE018
和
Figure 2012102072715100002DEST_PATH_IMAGE019
分别为两个颜色特征的全局显著图；
步骤4、海上场景图像的所有帧图像的亮度和两个颜色特征分别与其局部均值滤波差的绝对值作为局部显著图：
Figure 2012102072715100002DEST_PATH_IMAGE021
                   （7）
Figure 2012102072715100002DEST_PATH_IMAGE023
                   （8）
Figure 2012102072715100002DEST_PATH_IMAGE025
                   （9）
其中，
Figure 2012102072715100002DEST_PATH_IMAGE027
是
Figure 2012102072715100002DEST_PATH_IMAGE029
的局部均值模板，即
Figure 2012102072715100002DEST_PATH_IMAGE031
，符号
Figure 2012102072715100002DEST_PATH_IMAGE033
表示空间域卷积运算，
Figure 2012102072715100002DEST_PATH_IMAGE034
为亮度特征的局部显著图，
Figure 2012102072715100002DEST_PATH_IMAGE035
和
Figure 2012102072715100002DEST_PATH_IMAGE036
为两个颜色特征的局部显著图；
步骤5、海上场景图像的所有帧图像的亮度和两个颜色特征的全局显著图和局部显著图分别进行合并，得到该三个特征的总显著图：
Figure 2012102072715100002DEST_PATH_IMAGE038
              （10）
Figure 2012102072715100002DEST_PATH_IMAGE040
              （11）
Figure 2012102072715100002DEST_PATH_IMAGE042
              （12）
其中，
Figure 2012102072715100002DEST_PATH_IMAGE043
为亮度特征的总显著图，
Figure 2012102072715100002DEST_PATH_IMAGE044
和
Figure 2012102072715100002DEST_PATH_IMAGE045
为两个颜色特征的总显著图；
步骤6、海上场景图像的所有帧图像的两个颜色通道的显著图分别进行线性合并，再分别与其亮度显著图融合为总显著图；
每帧中，两个颜色通道的显著图线性合并得到的颜色通道显著图为：
Figure 2012102072715100002DEST_PATH_IMAGE047
             （13）
其中，
Figure 2012102072715100002DEST_PATH_IMAGE048
为颜色通道显著图；
将颜色通道显著图与亮度显著图融合，得到该帧海上场景的总显著图：
                  （14）
其中，
Figure 2012102072715100002DEST_PATH_IMAGE051
即为输入图像序列的第
Figure 2012102072715100002DEST_PATH_IMAGE002AA
帧
Figure 2012102072715100002DEST_PATH_IMAGE004A
海上场景的总显著图；
步骤7、对每帧检测结果，利用以其为中心，以固定长度的时间窗口，将该时间内共n帧对应显著图进行累积，对当前帧的显著图进行修正：
Figure 2012102072715100002DEST_PATH_IMAGE053
                   （15）
其中
Figure 2012102072715100002DEST_PATH_IMAGE055
是时间窗口的长度，
Figure 2012102072715100002DEST_PATH_IMAGE057
，是归一化运算符号；
步骤8、根据设定的阈值，将总显著图转换为二值化图像，得到海上场景显著目标区域。
上述的步骤7中，n可取5或7或9或11。
上述的步骤8中所述的阈值为归一化阈值，其取值范围为0.2至0.5。
本发明一种海上场景显著性检测方法和现有技术相比，其优点在于，本发明的使用能够快速提取海上场景中的显著区域，有利于海上场景中目标检测，较好的抑制了海杂波的干扰，能对某些帧中小目标被海浪淹没的情况以及出现较强海杂波干扰的情况下，保证海上显著小目标的检测。本发明的方法实现简单，适合实时应用，并能为各类海事监控人员提供机器视觉的辅助手段。
附图说明
图1为本发明一种海上场景显著性检测方法的方法流程图。
具体实施方式
以下结合附图，进一步说明本发明的具体实施例。
本发明公开了一种海上场景显著性检测方法，利用海上场景图像的空间域特征，在CIELab颜色空间实现的显著性检测方法。该方法利用海上场景的全局和局部显著性，分别提取图像亮度和颜色通道显著图并对其进行融合，以突出目标区域。同时，为了增强海上场景的显著区域，进一步去除海杂波，对多帧间的显著图进行累积。
本发明是利用海上场景图像的空间域特征，在CIELab颜色空间实现的显著性检测方法。该方法中利用海上场景图像亮度和颜色通道全局和局部显著图的融合，得到显著区域。同时，为了更好的去除海杂波，采用了简单的帧间显著性累积方法。
本发明在实施时主要采用了：每帧海上场景图像的显著性计算方法，以及帧间显著图累积方法。
本发明可应用于在海难搜救、海事巡逻、基于视频的船舶避碰、反海盗监控、值班瞭望等领域，同时与红外、遥感、雷达成像技术结合，可为海上交通安全等提供全面的视觉信息。
如图1所示，本发明海上场景显著性检测方法包含以下步骤：
步骤1、利用视频采集设备（例如摄像机等），获取原始的海上图像序列，提取海上场景图像序列。
步骤2、海上场景图像的每帧图像由RGB颜色空间转换至CIELab颜色空间，并提取其亮度通道L和两个颜色通道a和b作为基本特征，得到亮度和两个颜色通道的特征图。
这是由于RGB颜色空间中各通道之间相关性较高，因此采用CIELab颜色空间，提取视觉场景的亮度和颜色特征。
其中上述的CIELab颜色空间只有两个颜色空间a或b。
步骤3、海上场景图像的所有帧图像的亮度和两个颜色特征分别与其全局中值差的绝对值作为全局显著图。
计算流程以其中一帧为例，设输入图像序列的第
Figure DEST_PATH_IMAGE002AAA
帧
Figure DEST_PATH_IMAGE004AA
，其亮度和两个颜色特征分别为：
Figure DEST_PATH_IMAGE059
，Li为亮度特征，ai和bi为两个颜色特征。
分别对亮度和两个颜色特征，计算其全局中值，
Figure DEST_PATH_IMAGE006A
                      （1）
Figure DEST_PATH_IMAGE008A
                      （2）
Figure DEST_PATH_IMAGE010A
                       （3）
其中Lim为亮度特征的全局中值，aim和bim为两个颜色的全局中值。
并利用下式计算各特征的全局显著图，分别为：
Figure DEST_PATH_IMAGE012A
                     （4）
Figure DEST_PATH_IMAGE014A
                     （5）
Figure DEST_PATH_IMAGE016A
                    （6）
其中，代表绝对值， 
Figure DEST_PATH_IMAGE017A
为亮度特征的全局显著图，
Figure DEST_PATH_IMAGE018A
和分别为两个颜色特征的全局显著图。
步骤4、海上场景图像的所有帧图像的亮度和两个颜色特征分别与其局部均值滤波差的绝对值作为局部显著图。
以第帧为例，利用各特征局部均值滤波与各特征差的绝对值作为其局部显著图，对上述三个通道分别为：
Figure DEST_PATH_IMAGE021A
                   （7）
Figure DEST_PATH_IMAGE023A
                   （8）
                   （9）
其中，
Figure DEST_PATH_IMAGE027A
是
Figure DEST_PATH_IMAGE029A
的局部均值模板，即
Figure DEST_PATH_IMAGE031A
。符号
Figure DEST_PATH_IMAGE033A
表示空间域卷积运算。
Figure DEST_PATH_IMAGE034A
为亮度特征的局部显著图，和
Figure DEST_PATH_IMAGE036A
为两个颜色特征的局部显著图。
步骤5、海上场景图像的所有帧图像的亮度和两个颜色特征的全局显著图和局部显著图分别进行合并，得到该三个特征的总显著图。
以第
Figure DEST_PATH_IMAGE002AAAAA
帧为例，亮度和两个颜色特征的总显著图如下式所示：
Figure DEST_PATH_IMAGE038A
              （10）
              （11）
Figure DEST_PATH_IMAGE042A
              （12）
其中，
Figure DEST_PATH_IMAGE043A
为亮度特征的总显著图，
Figure DEST_PATH_IMAGE044A
和
Figure DEST_PATH_IMAGE045A
为两个颜色特征的总显著图。
步骤6、海上场景图像的所有帧图像的两个颜色通道的显著图分别进行线性合并，再分别与其亮度显著图融合为总显著图。
以第
Figure DEST_PATH_IMAGE002AAAAAA
帧为例，两个颜色通道的显著图线性合并得到的颜色通道显著图为：
Figure DEST_PATH_IMAGE047A
             （13）
其中，
Figure DEST_PATH_IMAGE048A
为颜色通道显著图。
将上式（13）的结果与亮度显著图融合，最终得到该帧海上场景的总显著图为：
                  （14）
其中，
Figure DEST_PATH_IMAGE051A
即为输入图像序列的第
Figure DEST_PATH_IMAGE002AAAAAAA
帧
Figure DEST_PATH_IMAGE004AAA
海上场景的总显著图。
 
步骤7、对每帧检测结果，利用以其为中心，前后各3帧的检测结果进行显著图累积；对图像序列的前3帧以及后3帧图像，则利用包括该帧的连续7帧显著图进行累积。
本发明利用固定长度的时间窗口，将该时间内的所有帧对应显著图进行累积，对当前帧的显著图进行修正，目的是增强目标，抑制海杂波。
即修正后的第
Figure DEST_PATH_IMAGE060
帧显著图为：
Figure DEST_PATH_IMAGE053A
                 （15）
其中
Figure DEST_PATH_IMAGE055A
是时间窗口的长度，n的值一般取奇数，例如n可取5或7或9或11，该n的取值不能过大或过小，其与视频采集时的帧率有关系。在本实施例中
Figure DEST_PATH_IMAGE055AA
取7，
Figure DEST_PATH_IMAGE057A
，是归一化运算符号，目的在于将显著图的灰度值统一起来，以便于后面的显著性累积。
特别的，针对图像序列的前3帧和最后3帧，则以包括该帧的连续7帧显著图做累积。
步骤8、根据设定的阈值，将总显著图转换为二值化图像，得到海上场景显著目标区域。其中上述预设的阈值为归一化阈值，其取值范围为0.2至0.5之间的数值，该阈值是一个经验值。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (3)

1.一种海上场景显著性检测方法，其特征在于，该方法包含以下步骤：
步骤1、提取海上场景图像序列；
步骤2、海上场景图像的每帧图像由RGB颜色空间转换至CIELab颜色空间，并提取其亮度和两个颜色通道作为基本特征，得到亮度和两个颜色通道的特征图；
步骤3、海上场景图像的所有帧图像的亮度和两个颜色特征分别与其全局中值差的绝对值作为全局显著图；
设输入图像序列的第                                               帧
Figure 2012102072715100001DEST_PATH_IMAGE004
，Li为亮度特征，ai和bi为两个颜色特征，该第
Figure DEST_PATH_IMAGE002A
帧为海上场景图像中的任意一帧；
分别对亮度和两个颜色特征，计算其全局中值，
Figure 2012102072715100001DEST_PATH_IMAGE006
                      （1）
Figure 2012102072715100001DEST_PATH_IMAGE008
                      （2）
Figure 2012102072715100001DEST_PATH_IMAGE010
                       （3）
其中Lim为亮度特征的全局中值，aim和bim为两个颜色的全局中值；
然后，计算各特征的全局显著图：
Figure 2012102072715100001DEST_PATH_IMAGE012
                     （4）
                     （5）
Figure 2012102072715100001DEST_PATH_IMAGE016
                    （6）
其中，代表绝对值， 
Figure 2012102072715100001DEST_PATH_IMAGE017
为亮度特征的全局显著图，和
Figure 2012102072715100001DEST_PATH_IMAGE019
分别为两个颜色特征的全局显著图；
步骤4、海上场景图像的所有帧图像的亮度和两个颜色特征分别与其局部均值滤波差的绝对值作为局部显著图：
Figure DEST_PATH_IMAGE021
                   （7）
Figure DEST_PATH_IMAGE023
                   （8）
                   （9）
其中，
Figure DEST_PATH_IMAGE027
是的局部均值模板，即
Figure DEST_PATH_IMAGE031
，符号表示空间域卷积运算，
Figure DEST_PATH_IMAGE034
为亮度特征的局部显著图，
Figure DEST_PATH_IMAGE035
和
Figure DEST_PATH_IMAGE036
为两个颜色特征的局部显著图；
步骤5、海上场景图像的所有帧图像的亮度和两个颜色特征的全局显著图和局部显著图分别进行合并，得到该三个特征的总显著图：
Figure DEST_PATH_IMAGE038
              （10）
Figure DEST_PATH_IMAGE040
              （11）
Figure DEST_PATH_IMAGE042
              （12）
其中，
Figure DEST_PATH_IMAGE043
为亮度特征的总显著图，
Figure DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
为两个颜色特征的总显著图；
步骤6、海上场景图像的所有帧图像的两个颜色通道的显著图分别进行线性合并，再分别与其亮度显著图融合为总显著图；
每帧中，两个颜色通道的显著图线性合并得到的颜色通道显著图为：
Figure DEST_PATH_IMAGE047
             （13）
其中，
Figure DEST_PATH_IMAGE048
为颜色通道显著图；
将颜色通道显著图与亮度显著图融合，得到该帧海上场景的总显著图：
Figure DEST_PATH_IMAGE050
                  （14）
其中，即为输入图像序列的第
Figure DEST_PATH_IMAGE002AA
帧
Figure DEST_PATH_IMAGE004A
海上场景的总显著图；
步骤7、对每帧检测结果，利用以其为中心，以固定长度的时间窗口，将该时间内共n帧对应显著图进行累积，对当前帧的显著图进行修正：
Figure DEST_PATH_IMAGE053
                   （15）
其中
Figure DEST_PATH_IMAGE055
是时间窗口的长度，
Figure DEST_PATH_IMAGE057
，是归一化运算符号；
步骤8、根据设定的阈值，将总显著图转换为二值化图像，得到海上场景显著目标区域。
2.如权利要求1所述的一种海上场景显著性检测方法，其特征在于，所述的步骤7中，n可取5或7或9或11。
3.如权利要求1所述的一种海上场景显著性检测方法，其特征在于，所述的步骤8中所述的阈值为归一化阈值，其取值范围为0.2至0.5。
CN201210207271.5A 2012-06-21 2012-06-21 一种海上场景显著性检测方法 Expired - Fee Related CN102800086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210207271.5A CN102800086B (zh) 2012-06-21 2012-06-21 一种海上场景显著性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210207271.5A CN102800086B (zh) 2012-06-21 2012-06-21 一种海上场景显著性检测方法

Publications (2)

Publication Number Publication Date
CN102800086A true CN102800086A (zh) 2012-11-28
CN102800086B CN102800086B (zh) 2015-02-04

Family

ID=47199184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210207271.5A Expired - Fee Related CN102800086B (zh) 2012-06-21 2012-06-21 一种海上场景显著性检测方法

Country Status (1)

Country Link
CN (1) CN102800086B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020965A (zh) * 2012-11-29 2013-04-03 奇瑞汽车股份有限公司 一种基于显著性检测的前景分割方法
CN103268586A (zh) * 2013-04-27 2013-08-28 电子科技大学 一种基于热扩散理论的窗融合方法
CN103337075A (zh) * 2013-06-20 2013-10-02 浙江大学 一种基于等照度线的图像显著度计算方法
CN103413127A (zh) * 2013-09-10 2013-11-27 上海海事大学 基于频谱奇异值分解的海上目标显著性检测方法
CN103413320A (zh) * 2013-08-30 2013-11-27 上海海事大学 一种港口污染物显著性检测方法
CN105893957A (zh) * 2016-03-30 2016-08-24 上海交通大学 基于视觉湖面船只检测识别与跟踪方法
CN104050674B (zh) * 2014-06-27 2017-01-25 中国科学院自动化研究所 一种显著性区域检测方法及装置
CN106991682A (zh) * 2016-01-21 2017-07-28 深圳中兴力维技术有限公司 自动港口货船的提取方法及装置
CN107169516A (zh) * 2017-05-11 2017-09-15 上海海事大学 基于k‑l变换的海上小目标显著性检测方法
CN107862262A (zh) * 2017-10-27 2018-03-30 中国航空无线电电子研究所 一种适用于高空侦察的快速可见光图像舰船检测方法
CN107886533A (zh) * 2017-10-26 2018-04-06 深圳大学 立体图像的视觉显著性检测方法、装置、设备及存储介质
CN107967474A (zh) * 2017-11-24 2018-04-27 上海海事大学 一种基于卷积神经网络的海面目标显著性检测方法
CN108009984A (zh) * 2017-11-21 2018-05-08 中国地质大学（武汉） 一种面向水环境监测的水面显著性区域的检测方法
CN108229342A (zh) * 2017-12-18 2018-06-29 西南技术物理研究所 一种海面舰船目标自动检测方法
CN108334865A (zh) * 2018-03-12 2018-07-27 王艳 基于图像的大数据分析平台
CN109188421A (zh) * 2018-07-25 2019-01-11 江苏科技大学 一种用于无人搜救艇的海上搜救***及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976439A (zh) * 2010-11-02 2011-02-16 上海海事大学 海难搜救机器视觉***中结合运动信息的视觉注意模型
CN102087744A (zh) * 2010-02-25 2011-06-08 上海海事大学 海洋动态背景下视频小目标快速检测的结构张量方法
CN102156881A (zh) * 2011-04-13 2011-08-17 上海海事大学 基于多尺度图像相位信息的海难搜救目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102087744A (zh) * 2010-02-25 2011-06-08 上海海事大学 海洋动态背景下视频小目标快速检测的结构张量方法
CN101976439A (zh) * 2010-11-02 2011-02-16 上海海事大学 海难搜救机器视觉***中结合运动信息的视觉注意模型
CN102156881A (zh) * 2011-04-13 2011-08-17 上海海事大学 基于多尺度图像相位信息的海难搜救目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI REN: "TARGET DETECTION IN MARITIME SEARCH AND RESCUE USING SVD AND FREQUENCY DOMAIN CHARACTERISTICS", 《PROCEEDINGS OF THE 2011 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》, 13 July 2011 (2011-07-13), pages 556 - 560, XP031966282, DOI: doi:10.1109/ICMLC.2011.6016763 *
任蕾: "应用改进频率调谐的海上小目标检测方法", 《中国图象图形学报》, vol. 17, no. 3, 31 March 2012 (2012-03-31), pages 365 - 369 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020965A (zh) * 2012-11-29 2013-04-03 奇瑞汽车股份有限公司 一种基于显著性检测的前景分割方法
CN103020965B (zh) * 2012-11-29 2016-12-21 奇瑞汽车股份有限公司 一种基于显著性检测的前景分割方法
CN103268586A (zh) * 2013-04-27 2013-08-28 电子科技大学 一种基于热扩散理论的窗融合方法
CN103268586B (zh) * 2013-04-27 2015-11-18 电子科技大学 一种基于热扩散理论的窗融合方法
CN103337075A (zh) * 2013-06-20 2013-10-02 浙江大学 一种基于等照度线的图像显著度计算方法
CN103337075B (zh) * 2013-06-20 2016-04-27 浙江大学 一种基于等照度线的图像显著度计算方法
CN103413320A (zh) * 2013-08-30 2013-11-27 上海海事大学 一种港口污染物显著性检测方法
CN103413320B (zh) * 2013-08-30 2016-12-28 上海海事大学 一种港口污染物显著性检测方法
CN103413127A (zh) * 2013-09-10 2013-11-27 上海海事大学 基于频谱奇异值分解的海上目标显著性检测方法
CN103413127B (zh) * 2013-09-10 2016-06-08 上海海事大学 基于频谱奇异值分解的海上目标显著性检测方法
CN104050674B (zh) * 2014-06-27 2017-01-25 中国科学院自动化研究所 一种显著性区域检测方法及装置
CN106991682A (zh) * 2016-01-21 2017-07-28 深圳中兴力维技术有限公司 自动港口货船的提取方法及装置
CN106991682B (zh) * 2016-01-21 2019-12-20 深圳力维智联技术有限公司 自动港口货船的提取方法及装置
CN105893957B (zh) * 2016-03-30 2019-03-22 上海交通大学 基于视觉湖面船只检测识别与跟踪方法
CN105893957A (zh) * 2016-03-30 2016-08-24 上海交通大学 基于视觉湖面船只检测识别与跟踪方法
CN107169516A (zh) * 2017-05-11 2017-09-15 上海海事大学 基于k‑l变换的海上小目标显著性检测方法
CN107169516B (zh) * 2017-05-11 2020-10-23 上海海事大学 基于k-l变换的海上小目标显著性检测方法
CN107886533A (zh) * 2017-10-26 2018-04-06 深圳大学 立体图像的视觉显著性检测方法、装置、设备及存储介质
CN107862262A (zh) * 2017-10-27 2018-03-30 中国航空无线电电子研究所 一种适用于高空侦察的快速可见光图像舰船检测方法
CN108009984A (zh) * 2017-11-21 2018-05-08 中国地质大学（武汉） 一种面向水环境监测的水面显著性区域的检测方法
CN108009984B (zh) * 2017-11-21 2020-07-07 中国地质大学（武汉） 一种面向水环境监测的水面显著性区域的检测方法
CN107967474A (zh) * 2017-11-24 2018-04-27 上海海事大学 一种基于卷积神经网络的海面目标显著性检测方法
CN108229342A (zh) * 2017-12-18 2018-06-29 西南技术物理研究所 一种海面舰船目标自动检测方法
CN108229342B (zh) * 2017-12-18 2021-10-26 西南技术物理研究所 一种海面舰船目标自动检测方法
CN108334865A (zh) * 2018-03-12 2018-07-27 王艳 基于图像的大数据分析平台
CN109188421A (zh) * 2018-07-25 2019-01-11 江苏科技大学 一种用于无人搜救艇的海上搜救***及方法
CN109188421B (zh) * 2018-07-25 2023-07-04 江苏科技大学 一种用于无人搜救艇的海上搜救***及方法

Also Published As

Publication number Publication date
CN102800086B (zh) 2015-02-04

Similar Documents

Publication Publication Date Title
CN102800086B (zh) 一种海上场景显著性检测方法
CN101673396B (zh) 基于动态目标检测的图像融合方法
CN102831591B (zh) 一种基于高斯滤波的单幅图像的实时去雾方法
CN103413127B (zh) 基于频谱奇异值分解的海上目标显著性检测方法
CN104504652A (zh) 一种快速有效保留边缘及方向特征的图像去噪方法
CN112215074A (zh) 基于无人机视觉的实时目标识别与检测追踪***及方法
CN106846289A (zh) 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法
CN102156881B (zh) 基于多尺度图像相位信息的海难搜救目标检测方法
Yu et al. Image and video dehazing using view-based cluster segmentation
Hsieh et al. Fast and robust infrared image small target detection based on the convolution of layered gradient kernel
Wei et al. An image fusion dehazing algorithm based on dark channel prior and retinex
CN111311503A (zh) 一种夜晚低亮度图像增强***
CN117079117B (zh) 水下图像处理及目标识别的方法及装置、存储介质及电子设备
Chen et al. Moving vehicle detection based on union of three-frame difference
CN103106647B (zh) 基于四元数小波和区域分割的多焦点图像融合方法
Ellmauthaler et al. Infrared-visible image fusion using the undecimated wavelet transform with spectral factorization and target extraction
CN110874599A (zh) 一种基于图像识别的舰船检测方法
Ma et al. Video image clarity algorithm research of USV visual system under the sea fog
Yang et al. Sea-sky-line Detection Based on Improved YOLOv5 Algorithm
Hu et al. Maritime video defogging based on spatial-temporal information fusion and an improved dark channel prior
Shi et al. Ship targets detection based on visual attention
Jia et al. A two-step approach to see-through bad weather for surveillance video quality enhancement
CN109685825A (zh) 用于热红外目标跟踪的局部自适应特征提取方法、***及存储介质
Gundawar et al. Improved single image dehazing by fusion
Zhang et al. EV-fusion: A novel infrared and low-light color visible image fusion network integrating unsupervised visible image enhancement

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150204

Termination date: 20180621