CN102968798A - 一种基于小波变换和otsu阈值的sar图像海陆分割方法 - Google Patents
一种基于小波变换和otsu阈值的sar图像海陆分割方法 Download PDFInfo
- Publication number
- CN102968798A CN102968798A CN2012105369812A CN201210536981A CN102968798A CN 102968798 A CN102968798 A CN 102968798A CN 2012105369812 A CN2012105369812 A CN 2012105369812A CN 201210536981 A CN201210536981 A CN 201210536981A CN 102968798 A CN102968798 A CN 102968798A
- Authority
- CN
- China
- Prior art keywords
- land
- sar
- low
- yardstick
- image
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于小波变换和OTSU阈值的SAR图像海陆分割方法,本发明提出一种基于小波变换和OTSU阈值的海陆分割方法,该方法利用小波变换的噪声平滑特性抑制SAR图像中的斑噪;进而采用一种非监督、最优化阈值的OTSU阈值方法粗略分割出陆地区域,并基于小波变换的多尺度分析特性,将各尺度下的检测结果进行合并;最后通过自动化的后续处理和边缘跟踪得到最终的海岸线检测结果。与现有海陆分割方法相比,该方法综合利用了小波变换的斑噪抑制、多尺度分析功能和OTSU阈值算法的自适应、非监督、鲁棒性强的特性,在自动化程度、普适性、实现简易程度以及关于高分辨率SAR图像的适用性方面均有很大程度的提高。
Description
技术领域
本发明涉及SAR图像海洋目标监视***的海陆分割的技术领域,特别涉及一种基于小波变换和OTSU阈值的SAR图像海陆分割方法。
背景技术
海陆分割是SAR图像海洋目标监视***的关键技术之一。如图1(a)所示(参见文献[1]G.Margarit,J.Barba-Milanes,and A.Tabasco,“Operational ship monitoring system based onsynthetic aperture radar processing,”Remote Sens.,Vol.1,No.3,Aug.2009,pp.375-392.),通过该方式屏蔽陆地区域,可将目标搜索范围锁定于海洋区域,大大减少舰船检测算法应用于陆地区域产生的虚警,降低***的整体计算负担。
传统上,通常利用地形图文件中的信息来标记海岸线,屏蔽陆地区域(参见文献[2]D.J.Crisp,“The state-of-the-art in ship detection in synthetic aperture radar imagery,”Intell.,Surveillance and Reconnaissance Div,Inf.Sci.,Lab.,Def.,Sci.Technol.Org,Edinburgh,S.A.,Australia,May,2004.)。但是如图1(b)所示(参见文献[1]),当地形图绘制不精确、分辨率较低,或缺少精确的卫星成像位置信息时,基于地形图文件的方法通常会误标记或漏标记部分海岸线。根据海面与陆地的SAR图像特性差异,而提出的基于图像处理技术的自动海陆分割方法,能在很大程度上克服传统方法的不足,满足海洋目标监视***的应用需求。图1(b)中的黑色曲线即为自动海陆分割方法得到的精确海岸线,白色曲线为采用传统方式标记的海岸线。
现有技术一的技术方案:
文献[3](J.Lee,I.Jurkevich,“Coastline detection and tracking in SAR images,”IEEE Trans.on Geoscience and Remote Sensing,Vol.28,No.4,July 1990,pp.662-668.)利用Sigma滤波、Sobel边缘检测子、均值滤波、直方图计算、阈值检测、Robert算子、边沿跟踪等一系列基本图像处理技术,解决SAR图像中的海陆分割问题,能够有效地检测出大部分海岸线。该方法的基本流程如图2所示。
现有技术一的缺点为:
尽管文献[3]中方法通过现有较成熟的基本图像处理技术,实现了海岸线检测,但其仍然存在以下缺点:
(1)过多地采用基于窗口的图像处理技术,如Sigma滤波、Sobel算子、均值滤波、Robert算子,它们的性能均依赖于窗口尺寸的大小。这就意味着算法实现过程中在参数设置方面需要较多的人工干预,以得到较精确的检测结果,故算法的鲁棒性有限。
(2)多次阈值处理和边缘跟踪对算法性能具有很大影响,而两者均在一定程度上依赖于经验参数。
(3)该方法的基本实现流程较复杂。
现有技术二的技术方案为:
文献[4](A.Niedermeier,E.Romaneeβen,and S.Lehner,“Detection of coastline in SARimages using wavelet methods,”IEEE Trans.on Geoscience and Remote Sensing,Vol.38,No.5,Sep.2000,pp.2270-2281.)提出一种基于小波变换和活动轮廓模型的海岸线检测方法,其基本流程如图3所示。首先利用小波边缘检测(参见文献[5]S.Mallat and S.Zhong,“Characterization of signals from multiscale edges,”IEEE Trans.Pattern Anal.Machine Intell.,Vol.14,July 1992,pp.710-732.)得到大于特定阈值的所有边缘;然后,通过块跟踪算法粗略分割出海陆边界区域;在此基础上,根据边缘长度和能量进行局部边缘选择,去除干扰边缘,进而通过扩展各小波尺度上的结果,得到位置相对精确但不连续的海陆边界线;最后,采用活动轮廓模型方法进行边缘跟踪和连接,得到连续的海岸线。
现有技术二的缺点:
文献[4]中方法的主要缺点如下:
(1)小波边缘检测算法对局部边缘等细节信息十分敏感,尽管其在像素分辨率为十几米的SAR图像的海面区域所产生的虚警边缘较少,但是随着图像分辨的提高,海面散射强度非均匀性会明显增强,因而对于像素分辨率为几米(如3米)的高分辨率SAR图像,会产生较多的虚警,从而对后续处理带来不利影响。
(2)所采用的块跟踪、边缘选择和尺度扩展方法均为基于窗口处理的技术;所选用的活动轮廓模型为Snake模型,这意味在参数设置方面需要较多的人工干预以得到有效的检测结果,从而影响算法的普适性。
(3)所采用的块跟踪、活动轮廓模型方法均为基于迭代处理的技术,尤其后者的处理时间较长,从而影响海岸线检测方法的整体时间性能。
此外,文献[6](瞿继双,王超,“一种基于多阈值的形态学提取遥感图像海岸线特征方法,”.中国图象图形学报,Vol.8,No.7,2003,pp.805-809.)和[7](K.H.Huang,J.Zhang,“A coastlinedetection method using SAR images based on the local statistical active contour model,”Journal ofRemote Sensing,Vol.15,No.4,2011,pp.737-742.)分别提出了基于多阈值和形态学处理的海岸线检测方法和基于局部统计活动轮廓模型的海岸线检测方法,但是两者亦均存在多参数化、普适性差等方面的不足。
发明内容
本发明所要解决的技术问题为:本发明提出一种基于小波变换和OTSU阈值(参见文献[8]N.Otsu,”A tlreshold selection method from gray-level histograms,”IEEE Trans.on Sys.,Man,and Cybe.,Vol.9,No.1,Jan.1979,pp.62-66.)的海陆分割方法,综合利用了小波变换的斑噪抑制、多尺度分析功能和OTSU阈值算法的自适应、非监督、鲁棒性强的特性,从而克服了现有海陆分割算法多参数化、普适性差、实现过程繁琐、对于高分辨SAR图像适用性有限方面的不足。
本发明解决上述技术问题采用的技术方案为:一种基于小波变换和OTSU阈值的SAR图像海陆分割方法,具体实现步骤如下:
步骤1:通过对数运算将“乘性”斑噪转化为“加性”:
f(x,r)=log(I(x,r))=log(σ(x,r)·n(x,r))=log(σ(x,r))+log(n(x,r))(1)
式中,I(·)表示幅度或强度SAR图像数据,x,r分别代表方位和距离采样;σ(·)为纹理分量,表征观测区域的散射特征变化,其在大尺度上较清晰可见;n为斑噪分量,其对应于小尺度上的信息;
步骤2:设置小波变换次数N,出于时间效率和定位精度方面的考虑,通常取N≤5;采用一种非下采样的二维离散小波变换,即:二维静态小波变换,将图像变换至二维小波域;在尺度2i(i=1,…,N)上,对应存在四个与原图像等尺寸的小波分量,其中的低通分量Ai(x,r)为原图像在尺度2i上的低频近似,其包含主要的轮廓信息,且斑噪在很大程度上受到抑制,尺度越大斑噪抑制程度越大,但同时边缘信息保留能力越受影响;
步骤3:对尺度2i(i=1,…,N)上的低通分量的Ai(·)取模值,并进行归一化处理;首先关于各低通分量的最大值进行归一化得到A′i(·),然后,进一步将A′i(·)按照如下方式归一化至0~255之间:
式中,w0和w1分别表示某像素属于海域和陆地区域的概率;μ0和μ1分别为海域和陆地区域的类内均值;w(k),μ(k)(k=1,2,…,255)分别表示图像灰度直方图关于第k个灰度级的零阶、一阶累积矩,μT对应于最大灰度级下的一阶累积矩;然后,利用OTSU最优阈值对各尺度上归一化的低通分量进行二值化,从而得到N组检测结果;
步骤5:为了综合利用各尺度上的检测结果,通过“或”运算将各检测结果进行合并,从而得到初始海陆分割结果;
步骤6:通过形态学处理、聚类等后续处理去除虚警、填充内部小漏洞,获取连通的陆地区域;
步骤7:通过边缘跟踪算子得到封闭的海陆边界线,即最终的海岸线检测结果,并将其与原图像叠加显示。
其中,步骤3中所述的首先关于各低通分量的最大值进行归一化得到A′i(·)时,当原图像不包含强散射特征时,采用该归一化方法可能会放大噪声,此时应关于其各自标准差的α倍归一化。
其中,所述的当原图像不包含强散射特征时,具体如舰船目标。
本发明技术方案带来的有益效果为:
相比与Sigma滤波,Gamma滤波等基于窗口处理的噪声平滑方法,本发明所提出的海陆分割方法利用小波变换的噪声平滑特性抑制SAR图像中的斑噪;进而采用一种非监督、最优化阈值的OTSU阈值方法粗略分割出陆地区域,并基于小波变换的多尺度分析特性,将各尺度下的检测结果进行合并;最后通过自动化地后续处理和边缘跟踪得到最终的海岸线检测结果。与现有海陆分割方法相比,该方法在自动化程度、普适性、实现简易程度以及关于高分辨率SAR图像的适用性方面均有很大程度的提高。
附图说明
图1为海陆分割技术应用和对比示意图;(a)海陆分割技术在海洋目标监视***中的应用示意图,白色曲线标记出的强散射区域为陆地区域,灰色环形曲线标记的区域为候选目标;(b)传统方法与自动海陆分割方法所得到的海岸线对比示意图,白色曲线是传统方法的结果,黑色曲线为自动海陆分割方法得到的精确结果;白色纹理区域表示传统方法漏标记的区域,黑色纹理区域为传统方法误标记的区域;
图2为文献[3]中海岸线检测方法流程图;
图3为文献[4]中海岸线检测方法流程图;
图4为基于小波变换和OTSU阈值的海陆分割方法流程图;
图5为原图像示意图;
图6为各尺度上的小波变换低通分量;
图7为本发明所提出的海陆分割方法的结果,(a)初始海陆分割结果(b)最终海陆分割结果(c)海岸线检测结果与原图像的叠加。
具体实施方式
下面结合附图以及具体实例进一步说明本发明。
本发明所提出的基于小波变换和OTSU阈值的海陆分割方法的基本流程如图4所示,具体实现步骤如下:
步骤1:如图4中框1所示,通过对数运算将“乘性”斑噪转化为“加性”。
f(x,r)=log(I(x,r))=log(σ(x,r)·n(x,r))=log(σ(x,r))+log(n(x,r)) (1)
式中,I(·)表示幅度或强度SAR图像数据,x,r分别代表方位和距离采样;σ(·)为纹理分量,表征观测区域的散射特征变化,其在大尺度上较清晰可见;n为斑噪分量,其对应于小尺度上的信息。
步骤2:如图4中框2a和2b所示,设置小波变换次数N,出于时间效率和定位精度方面的考虑,通常取N≤5;采用一种非下采样的二维离散小波变换,即:二维静态小波变换(TwoDimensional-Stationary Wavelet Transform,2D-SWT),将图像变换至二维小波域。在尺度2i(i=1,…,N)上,对应存在四个与原图像等尺寸的小波分量,其中的低通分量Ai(x,r)为原图像在尺度2i上的低频近似,其包含主要的轮廓信息,且斑噪在很大程度上受到抑制,尺度越大斑噪抑制程度越大,但同时边缘信息保留能力越受影响。另外,选用的小波函数类型为具有短支撑、单零矩等特点的Harr小波,以尽可能精确地保留边缘的位置信息。
步骤3:如图4中框3a和3b所示,对尺度2i(i=1,…,N)上的低通分量的Ai(·)取模值,并进行归一化处理。首先关于各低通分量的最大值进行归一化得到A′i(·),注意:当原图像不包含强散射特征(如舰船)时,采用该归一化方法可能会放大噪声,此时应关于其各自标准差的α倍归一化,通常取α=3(参见文献[9]M.Tello,et al,“Edge Enhancement Algorithm Basedon the Wavelet Transform for Automatic Edge Detection in SAR Images,”IEEE Trans.Geoscience and Remote Sensing,Vol.49,No.1,Jan.,2011,pp.222-235.);然后,进一步将A′i(·)按照如下方式归一化至0~255之间。
式中,w0和w1分别表示某像素属于海域和陆地区域的概率;μ0和μ1分别为海域和陆地区域的类内均值;w(k),μ(k)(k=1,2,…,255)分别表示图像灰度直方图关于第k个灰度级的零阶、一阶累积矩,μT对应于最大灰度级下的一阶累积矩;然后,利用OTSU最优阈值对各尺度上归一化的低通分量进行二值化,从而得到N组检测结果,如图4中框4b所示,其中“1”表示候选陆地区域;“0”为候选海域。
步骤5:如图4中框5所示,为了综合利用各尺度上的检测结果,通过“或”运算将各检测结果进行合并,从而得到初始海陆分割结果。
步骤6:如图4中框6所示,通过形态学处理、聚类等后续处理去除虚警、填充内部小漏洞,获取连通的陆地区域。
步骤7:如图4中框7所示,通过边缘跟踪算子得到封闭的海陆边界线,即最终的海岸线检测结果,并将其与原图像叠加显示。
由上述可知,该方法综合利用了小波变换的斑噪抑制功能和多尺度特性;另外,所选用的OTSU阈值算法是一种非监督、快速、最优化阈值算法。因此,相比现有的海陆分割方法,本方法在自动化程度、鲁棒性以及实现简易程度方面均有很大程度的提高。
以下通过一个举例给出本项发明所提出的基于小波变换和OTSU阈值的海陆分割方法的具体应用过程。
假设通过某传感器获取了一幅如图5所示尺寸为986*660,像素分辨率为3m的SAR图像,其中包含一大块陆地区域,地势的起伏变化导致该区域散射强度局部不均匀性较强。另外,该图像中的海岸线形状曲折变化程度较大。现利用本发明所提出的方法进行海陆分割。
假设按照技术要求,设置小波变化次数为N=4,按照步骤2可得到在尺度2i(i=1,…,4)上的小波变换低通分量。由于该图像未包含舰船等强散射特征,因此根据步骤3中的方法对它们关于其各自标准差的3倍归一化,所得结果如图6所示。可以看出,与原图像相比,各低通分量中的斑噪均得到了不同程度的抑制,海陆对比度明显增强,因而便于采用后续的自适应OTSU阈值算法进行海陆分割。
图7则示出了本发明所提出的方法的阶段性处理结果,其中图7(a)为对N组OTSU阈值检测结果进行合并,所得到的初始海陆分割结果;图7(b)为采用形态学处理、聚类等去除虚警、填充漏洞得到的最终海陆分割结果;为了便于判断分割精度,采用一种边缘跟踪算子提取海岸线,并将其叠加在原图像之上,如图7(c)所示。可见,本发明所提出的方法能够自适应、精确、有效地定位高分辨率SAR图像中的海岸线,很少涉及经验参数设置。
本发明还可通过以下替代方案完成发明目的:
(1)从某方面改进现有OTSU阈值算法或其它阈值方法;
(2)采用其它类型的小波变换(如二维离散小波变换)以及与小波变换类似的方法(如非下采样的二维Converlet变换),替换2D-SWT;
(3)后续处理部分的局部改动,例如增加基于活动轮廓模型的海岸线跟踪和连接。
Claims (3)
1.一种基于小波变换和OTSU阈值的SAR图像海陆分割方法,其特征在于,具体实现步骤如下:
步骤1:通过对数运算将“乘性”斑噪转化为“加性”:
f(x,r)=log(I(x,r))=log(σ(x,r)·n(x,r))=log(σ(x,r))+log(n(x,r)) (1)
式中,I(·)表示幅度或强度SAR图像数据,x,r分别代表方位和距离采样;σ(·)为纹理分量,表征观测区域的散射特征变化,其在大尺度上较清晰可见;n为斑噪分量,其对应于小尺度上的信息;
步骤2:设置小波变换次数N,出于时间效率和定位精度方面的考虑,通常取N≤5;采用一种非下采样的二维离散小波变换,即:二维静态小波变换,将图像变换至二维小波域;在尺度2i,i=1,…,N上,对应存在四个与原图像等尺寸的小波分量,其中的低通分量Ai(x,r)为原图像在尺度2i上的低频近似,其包含主要的轮廓信息,且斑噪在很大程度上受到抑制,尺度越大斑噪抑制程度越大,但同时边缘信息保留能力越受影响;
步骤3:对尺度2i,i=1,…,N上的低通分量Ai(·)取模值,并进行归一化处理;首先关于各低通分量的最大值进行归一化得到A′i(·),然后,进一步将A′i(·)按照如下方式归一化至0~255之间:
步骤4:以归一化的小波变换低通分量为输入,通过使陆地区域和海域的幅度值类间方差最大化,确定OTSU最优阈值k*:
式中,w0和w1分别表示某像素属于海域和陆地区域的概率;μ0和μ1分别为海域和陆地区域的类内均值;w(k),μ(k)分别表示图像灰度直方图关于第k个灰度级的零阶、一阶累积矩,k=1,2,…,255,μT对应于最大灰度级下的一阶累积矩;然后,利用OTSU最优阈值对各尺度上归一化的低通分量进行二值化,从而得到N组检测结果;
步骤5:为了综合利用各尺度上的检测结果,通过“或”运算将各检测结果进行合并,从而得到初始海陆分割结果;
步骤6:通过形态学处理、聚类去除虚警、填充内部小漏洞,获取连通的陆地区域;
步骤7:通过边缘跟踪算子得到封闭的海陆边界线,即最终的海岸线检测结果,并将其与原图像叠加显示。
2.根据权利要求1所述的一种基于小波变换和OTSU阈值的SAR图像海陆分割方法,其特征在于,步骤3中所述的首先关于各低通分量的最大值进行归一化得到A′i(·)时,当原图像不包含强散射特征时,采用该归一化方法可能会放大噪声,此时应关于其各自标准差的α倍归一化。
3.根据权利要求2所述的一种基于小波变换和OTSU阈值的SAR图像海陆分割方法,其特征在于,所述的当原图像不包含强散射特征时,具体如舰船目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210536981.2A CN102968798B (zh) | 2012-12-12 | 2012-12-12 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210536981.2A CN102968798B (zh) | 2012-12-12 | 2012-12-12 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102968798A true CN102968798A (zh) | 2013-03-13 |
CN102968798B CN102968798B (zh) | 2014-12-10 |
Family
ID=47798924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210536981.2A Active CN102968798B (zh) | 2012-12-12 | 2012-12-12 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968798B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400533A (zh) * | 2013-08-01 | 2013-11-20 | 国家***第二海洋研究所 | 一种多分辨率可扩展海岸线库的建立与调用方法 |
CN104599273A (zh) * | 2015-01-22 | 2015-05-06 | 南京理工大学 | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 |
CN105069796A (zh) * | 2015-08-12 | 2015-11-18 | 西安电子科技大学 | 基于小波散射网络的sar图像分割方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN105261024A (zh) * | 2015-10-22 | 2016-01-20 | 四川航天***工程研究所 | 基于改进T-Snake模型的遥感影像复杂水体边界提取方法 |
CN105374041A (zh) * | 2015-11-18 | 2016-03-02 | 国家***第一海洋研究所 | 利用多期遥感影像提取砂质岸线的方法 |
CN105488787A (zh) * | 2015-11-24 | 2016-04-13 | 江苏科技大学 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN105894516A (zh) * | 2016-04-18 | 2016-08-24 | 江苏科技大学 | 基于海天线旋转后准确确定目标区域的方法 |
CN106023179A (zh) * | 2016-05-13 | 2016-10-12 | 江苏科技大学 | 基于几何活动轮廓模型的sar图像海岸线提取方法 |
CN106651880A (zh) * | 2016-12-27 | 2017-05-10 | 首都师范大学 | 基于多特征融合的热红外遥感影像的海上动目标检测方法 |
CN106952272A (zh) * | 2017-03-08 | 2017-07-14 | 江苏理工学院 | 一种基于二代小波变换的抗噪Otsu图像分割方法 |
CN107145891A (zh) * | 2017-05-08 | 2017-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的水体提取方法及*** |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN107301649A (zh) * | 2017-06-15 | 2017-10-27 | 大连海事大学 | 一种基于超像素的区域合并sar图像海岸线检测算法 |
CN108596151A (zh) * | 2018-05-10 | 2018-09-28 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
CN110084104A (zh) * | 2019-03-15 | 2019-08-02 | 北京理工雷科电子信息技术有限公司 | 基于高斯金字塔光流进行舰船动目标检测的方法 |
CN110838130A (zh) * | 2018-08-15 | 2020-02-25 | 湖南大学 | 一种快速模糊距离变换方法 |
CN111161296A (zh) * | 2019-12-31 | 2020-05-15 | 芜湖哈特机器人产业技术研究院有限公司 | 基于离散小波变换的多尺度边缘检测方法 |
CN111191192A (zh) * | 2019-12-27 | 2020-05-22 | 潍柴动力股份有限公司 | 数据的去噪方法、装置及存储介质 |
CN111353371A (zh) * | 2019-11-22 | 2020-06-30 | 中国电子科技集团公司电子科学研究院 | 基于星载sar影像的海岸线提取方法 |
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN115761518A (zh) * | 2023-01-10 | 2023-03-07 | 云南瀚哲科技有限公司 | 一种基于遥感图像数据的作物分类方法 |
CN116309912A (zh) * | 2023-03-15 | 2023-06-23 | 山东上水环境科技集团有限公司 | 一种测试热成像温度数据恢复为灰度图像的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080013846A1 (en) * | 2006-07-14 | 2008-01-17 | Sony Corporation | Wavelet transformation device and method, wavelet inverse transformation device and method, program, and recording medium |
CN101551809A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于高斯混合模型分类的sar图像检索方法 |
-
2012
- 2012-12-12 CN CN201210536981.2A patent/CN102968798B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080013846A1 (en) * | 2006-07-14 | 2008-01-17 | Sony Corporation | Wavelet transformation device and method, wavelet inverse transformation device and method, program, and recording medium |
CN101551809A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于高斯混合模型分类的sar图像检索方法 |
Non-Patent Citations (2)
Title |
---|
TELLO ALONSO, M.等: "Edge Enhancement Algorithm Based on the Wavelet Transform for Automatic Edge Detection in SAR Images", 《GEOSCIENCE AND REMOTE SENSING, IEEE TRANSACTIONS ON》 * |
刘皞等: "基于多源信息的全局岛岸背景抑制", 《激光与红外》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400533B (zh) * | 2013-08-01 | 2014-06-11 | 国家***第二海洋研究所 | 一种多分辨率可扩展海岸线库的建立与调用方法 |
CN103400533A (zh) * | 2013-08-01 | 2013-11-20 | 国家***第二海洋研究所 | 一种多分辨率可扩展海岸线库的建立与调用方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN105160648B (zh) * | 2014-11-26 | 2018-04-13 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN106170819A (zh) * | 2014-12-26 | 2016-11-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN106170819B (zh) * | 2014-12-26 | 2019-04-05 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN104599273A (zh) * | 2015-01-22 | 2015-05-06 | 南京理工大学 | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 |
CN104599273B (zh) * | 2015-01-22 | 2017-07-28 | 南京理工大学 | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 |
CN105069796A (zh) * | 2015-08-12 | 2015-11-18 | 西安电子科技大学 | 基于小波散射网络的sar图像分割方法 |
CN105069796B (zh) * | 2015-08-12 | 2017-11-21 | 西安电子科技大学 | 基于小波散射网络的sar图像分割方法 |
CN105261024A (zh) * | 2015-10-22 | 2016-01-20 | 四川航天***工程研究所 | 基于改进T-Snake模型的遥感影像复杂水体边界提取方法 |
CN105261024B (zh) * | 2015-10-22 | 2018-02-16 | 四川航天***工程研究所 | 基于改进T‑Snake模型的遥感影像复杂水体边界提取方法 |
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN105374041A (zh) * | 2015-11-18 | 2016-03-02 | 国家***第一海洋研究所 | 利用多期遥感影像提取砂质岸线的方法 |
CN105488787A (zh) * | 2015-11-24 | 2016-04-13 | 江苏科技大学 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
CN105894516A (zh) * | 2016-04-18 | 2016-08-24 | 江苏科技大学 | 基于海天线旋转后准确确定目标区域的方法 |
CN105894516B (zh) * | 2016-04-18 | 2018-08-31 | 江苏科技大学 | 基于海天线旋转后准确确定目标区域的方法 |
CN106023179A (zh) * | 2016-05-13 | 2016-10-12 | 江苏科技大学 | 基于几何活动轮廓模型的sar图像海岸线提取方法 |
CN106651880A (zh) * | 2016-12-27 | 2017-05-10 | 首都师范大学 | 基于多特征融合的热红外遥感影像的海上动目标检测方法 |
CN106651880B (zh) * | 2016-12-27 | 2020-04-14 | 首都师范大学 | 基于多特征融合的热红外遥感影像的海上动目标检测方法 |
CN106952272A (zh) * | 2017-03-08 | 2017-07-14 | 江苏理工学院 | 一种基于二代小波变换的抗噪Otsu图像分割方法 |
CN106952272B (zh) * | 2017-03-08 | 2019-09-10 | 江苏理工学院 | 一种基于二代小波变换的抗噪Otsu图像分割方法 |
CN107145891A (zh) * | 2017-05-08 | 2017-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的水体提取方法及*** |
CN107145891B (zh) * | 2017-05-08 | 2020-12-11 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的水体提取方法及*** |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN107230214B (zh) * | 2017-05-27 | 2020-09-01 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
CN107301649B (zh) * | 2017-06-15 | 2020-11-13 | 大连海事大学 | 一种基于超像素的区域合并sar图像海岸线检测算法 |
CN107301649A (zh) * | 2017-06-15 | 2017-10-27 | 大连海事大学 | 一种基于超像素的区域合并sar图像海岸线检测算法 |
CN108596151A (zh) * | 2018-05-10 | 2018-09-28 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
CN108596151B (zh) * | 2018-05-10 | 2022-02-11 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
CN110838130A (zh) * | 2018-08-15 | 2020-02-25 | 湖南大学 | 一种快速模糊距离变换方法 |
CN110838130B (zh) * | 2018-08-15 | 2022-07-12 | 湖南大学 | 一种快速模糊距离变换方法 |
CN110084104A (zh) * | 2019-03-15 | 2019-08-02 | 北京理工雷科电子信息技术有限公司 | 基于高斯金字塔光流进行舰船动目标检测的方法 |
CN111353371A (zh) * | 2019-11-22 | 2020-06-30 | 中国电子科技集团公司电子科学研究院 | 基于星载sar影像的海岸线提取方法 |
CN111191192A (zh) * | 2019-12-27 | 2020-05-22 | 潍柴动力股份有限公司 | 数据的去噪方法、装置及存储介质 |
CN111191192B (zh) * | 2019-12-27 | 2023-09-19 | 潍柴动力股份有限公司 | 数据的去噪方法、装置及存储介质 |
CN111161296A (zh) * | 2019-12-31 | 2020-05-15 | 芜湖哈特机器人产业技术研究院有限公司 | 基于离散小波变换的多尺度边缘检测方法 |
CN111161296B (zh) * | 2019-12-31 | 2023-04-25 | 芜湖哈特机器人产业技术研究院有限公司 | 基于离散小波变换的多尺度边缘检测方法 |
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN114359243B (zh) * | 2022-01-10 | 2022-08-26 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN115761518A (zh) * | 2023-01-10 | 2023-03-07 | 云南瀚哲科技有限公司 | 一种基于遥感图像数据的作物分类方法 |
CN116309912A (zh) * | 2023-03-15 | 2023-06-23 | 山东上水环境科技集团有限公司 | 一种测试热成像温度数据恢复为灰度图像的方法 |
CN116309912B (zh) * | 2023-03-15 | 2023-08-22 | 山东上水环境科技集团有限公司 | 一种测试热成像温度数据恢复为灰度图像的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102968798B (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102968798B (zh) | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 | |
CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、***、装置 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
EP2816529B1 (en) | Method and device for automatic water area segmentation in SAR images of a complex terrain | |
CN108872997B (zh) | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 | |
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 | |
CN101976437A (zh) | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 | |
CN104599273B (zh) | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
Xiang et al. | An advanced multiscale edge detector based on Gabor filters for SAR imagery | |
CN107564017A (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN113077514B (zh) | 一种sar图像船只弱尾迹增强与检测方法 | |
CN101482969A (zh) | 基于同质点计算的sar图像去斑方法 | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
Liu et al. | The target detection for GPR images based on curve fitting | |
Zhang et al. | Automatic Segmentation of Remote Sensing Images on Water Bodies Based on Image Enhancement. | |
Gao | Design and implementation of marine automatic target recognition system based on visible remote sensing images | |
Zhu et al. | A novel change detection method based on high-resolution SAR images for river course | |
Zhai et al. | Segmentation-based ship detection in harbor for SAR images | |
Shi et al. | A superpixel-based coastline extraction algorithm for single-polarized ENVISAT and ERS imagery | |
Ciecholewski | Review of Segmentation Methods for Coastline Detection in SAR Images | |
Zhang et al. | Adaptive river segmentation in SAR images | |
Zhao et al. | Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation |
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 |