CN103679138A - 舰船与港口先验知识支持的大型舰船检测方法 - Google Patents
舰船与港口先验知识支持的大型舰船检测方法 Download PDFInfo
- Publication number
- CN103679138A CN103679138A CN201310566692.1A CN201310566692A CN103679138A CN 103679138 A CN103679138 A CN 103679138A CN 201310566692 A CN201310566692 A CN 201310566692A CN 103679138 A CN103679138 A CN 103679138A
- Authority
- CN
- China
- Prior art keywords
- image
- large ship
- harbour
- ship
- feature
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于遥感影像处理与应用技术领域,涉及一种在高分辨率多光谱遥感影像中,检测万吨级以上大型舰船目标的方法。首先,对影像进行基于梯度的影像分割;第二,提取分割对象的几何特征和色彩特征;第三,利用大型舰船特征先验知识库,对分割对象进行模糊规则分类,得到大型舰船对象。另外,对于港口区域的大型舰船的检测,利用港口先验知识库中的海陆分界信息进行海陆分割,去除港口陆面部分的影响;通过加入后处理步骤,利用港口先验知识库中的泊位信息,去除非万吨级以上泊位处检测到的错误结果。本发明充分利用高分辨率多光谱遥感影像光谱信息丰富、分辨率高的优势,利用先验知识库保证检测结果较高的可靠性,且检测过程中人工干预少。
Description
技术领域
本发明属于遥感影像处理与应用技术领域,涉及一种在高分辨率多光谱遥感影像中,检测万吨级以上大型舰船目标的方法。
背景技术
利用遥感数据进行舰船目标的检测,目前国内外已经利用SAR数据取得了许多成熟的研究成果。但SAR影像通常空间分辨率较低,从检测结果中能够进一步提取的信息量少,识别困难;另外SAR影像预处理十分复杂,很大程度上影响了检测的精度和效率。
随着光学影像分辨率的不断提高,利用高分辨率光学影像进行舰船检测的方法逐渐发展起来。
高分辨率多光谱影像进行舰船目标检测通常采用影像分割的方法进行[1]。例如汪闽等[4]提出的通过分析影像灰度直方图并根据直方图包络分割影像;李开瑞等[3]利用小波变换在小波域提取边缘检测目标的方法。对于港口区域停靠的舰船,分离舰船与港口的方法组要基于港口的几何特征或地理信息,比如陈琨等[2]提出一种基于几何特征的舰船与码头目标分割方法;尤晓健等[5]利用地理信息引导进行海陆分离进而检测目标。
现有利用光学影像进行舰船检测的方法主要存在以下几点不足:
(1)检测舰船的分割方法,仅仅以区分海面和舰船为目的,常用的阈值分割方法较为简单。对于高分辨率影像,海面情况复杂,影像纹理细节丰富,简单的阈值分割方法不利于准确地检测舰船。
(2)仅通过几何信息或光谱信息检测舰船,信息利用不充分,可能造成检测结果中包含的错检结果数量过多,影响对检测结果的后续使用效率。
(3)对于港口区域内港口与舰船的分离,全自动的算法分离结果的精度会直接影响检测结果;而人工参与过多的方法,又会影响检测的效率。
参考文献:
[1]Xiao L.,Cao J.,Gao X.Detection for Ship Targets in Complicated Background ofSea and Land[J].Opto-Electronic Engineering,2007,34(6):6-10.
[2]陈琨,陈学佺.一种基于几何特征的舰船与码头目标分割的新方法[J].计算机工程与应用,2004,40(31):197-199.
[3]李开瑞,赵友庚,蒋定定等.利用小波变换进行海上目标识别研究[J].光学技术,2003,29(2):153-155.
[4]汪闽,骆剑承,明冬萍.高分辨率遥感影像上基于形状特征的船舶提取[J].武汉大学学报:信息科学版,2005,30(8):685-688.
[5]尤晓建,徐守时,侯蕾.基于特征融合的可见光图像舰船检测新方法[J].计算机工程与应用,2005,41(19):199-202.
发明内容
(一)发明目标
本发明要解决的技术问题是:
针对高分辨率多光谱遥感影像中,海面的复杂情况,进行有效的影像分割,得到完整的大型舰船分割对象,并充分结合大型舰船几何和色彩特征规则的先验知识,将其检测出来。对于港口区域的大型舰船,结合港口的先验知识,在人工干预少的条件下,完成港口与舰船的高效分离和错检剔除。
(二)技术解决方案
本发明的原理是:
在高分辨率多光谱遥感影像中,舰船边缘和海面通常存在明显的梯度变化,利用基于梯度的分割方法,有利于将舰船与海面分割开来。由于大型舰船具有较为相似的形状,能够形成明显的几何特征,同时,与海面又有明显的色彩差别,可以结合几何特征与色彩特征检测大型舰船对象。
另外,由于陆地上地物十分复杂,常常存在与舰船目标特征接近的地物,并且码头常常与停靠的舰船连接,对舰船的检测效果造成较大干扰。可以通过海陆分割的方法,去除陆地影响,降低检测难度,提高检测效果。
本发明的基本思路是:
首先,对海域影像进行基于梯度的影像分割;第二,提取分割对象的色彩、几何特征;第三,利用大型舰船特征规则对分割对象进行模糊规则分类,从而实现大型舰船的检测。
对于影像内存在港口的情况,加入预处理步骤,即对影像进行海陆分割获得海域影像以排除陆地干扰;同时,加入后处理步骤,即利用港口的泊位信息剔除非万吨级以上的泊位上检测到的错检目标。
本发明的技术方案如图1所示。
本发明的技术方案由3个主要步骤构成:
步骤S1基于梯度的影像分割
本步骤将待检测影像进行影像分割,目的是为大型舰船检测提供可用于提取特征的对象。本步骤由5个子步骤构成,各子步骤可描述为:
(S11)计算待检测影像的梯度影像。
首先选用待检测多光谱影像的所有波段。利用Canny算子,逐波段计算梯度影像。
对于单波段像素(x,y)处x,y方向的偏导可用2×2一阶有限差分近似:
f′x(x,y)≈Gx=[f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)]/2 (11)
f′y(x,y)≈Gy=[f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)]/2 (12)
其中,f(x,y)为(x,y)处的像素值。
像素(x,y)处的梯度M为
对于多波段光学影像,为充分利用所有波段信息,可将所有参与计算的波段的梯度值相加,获取合成单一波段的梯度影像。
(S12)为方便阈值的选取,根据梯度的最大值和最小值,将梯度值归一化为0-1范围内。
其中,Gn为归一化的梯度值,G为梯度值,Gmax为梯度最大值,Gmin为梯度最小值。
设定梯度阈值,将小于该阈值的梯度值去除,以压制较小的梯度,去除低对比度的细节,将高对比度的地物从背景中区分出来。
(S13)将修改后的梯度影像,进行分水岭分割,分割线为梯度较强的像素,也就是影像中较强的边缘。该步骤能够将高对比度的地物分割出来。
(S14)为修正由于高分辨率影像的高对比细节造成的过分割现象,需对分割结果进行合并。
对于相邻对象i、j,综合考虑对象的形状与光谱信息,计算合并代价tij
为方便阈值的选取,根据合并代价的最大值和最小值,将合并代价值归一化为0-1范围内。
其中,On为归一化的合并代价,O为合并代价,Omax为合并代价的最大值,Omin为合并代价的最小值。
设定合并代价阈值,当相邻对象的合并对象小于阈值时,合并相邻对象。
(S15)选取两个相邻对象重复(S14),直至没有对象可以继续合并。
步骤S2对象特征提取
本步骤对步骤S1分割得到的结果,分别提取各对象其几何和色彩特征。本步骤由2个子步骤构成,各子步骤可描述为:
(S21)计算对象的几何特征,包括:
1)面积S
S=a·N (21)
其中,a为单个像素代表的面积,与遥感影像空间分辨率的平方相等,N为对象像素数。
面积为对象的尺寸特征,可用来区分大型舰船与小面积的对象。
2)边长L
L=l·N (22)
其中,l为单个像素的边长,与遥感影像的空间分辨率相等,N为对象边界包含的像素个数。
边长也是对象的尺寸特征,与面积作用相同。
3)延伸率E
其中,Lmax为对象最小外接矩形的长轴长,L为对象最小外接矩形的短轴长。
延伸率即为长宽比,是舰船的重要特征。与大多数对象相比,舰船通常具有较大的长宽比,能达到3.5以上。
4)圆度R
其中,S为对象面积,Lmax为对象长轴长。
圆度是用于度量对象形状与圆的接近程度的特征,圆形的圆度为1。由于舰船具有较大的长宽比,其长轴较长,因此通常其圆度较小。
5)矩形度Rec
其中,S为对象面积,Lmax为对象长轴长,Lmin为对象短轴长。
矩形度是用于度量对象形状与矩形的接近程度的特征,矩形的矩形度为1,其他多边形的矩形度小于1。与圆度相反,舰船对象形状更接近于矩形,矩形度值较大。
6)形状因子F
其中,S为对象面积,L为对象周长。
形状因子是一个度量对象面积与周长平方比的特征,圆的形状因子为1。与圆度类似,由于舰船形状较为狭长,其形状因子偏小。
(S22)计算对象的色彩在HSI彩色空间的色彩特征,包括:
1)色调H
其中,R、G、B分别为对象在红、绿、蓝3个波段所包含像素的灰度平均值。
色调是直接表征对象色彩的特征。
2)饱和度S
其中,R、G、B分别为对象在红、绿、蓝3个波段所包含像素的灰度平均值。
饱和度表征对象色彩的纯度特征。
3)强度I
其中,R、G、B分别为对象在红、绿、蓝3个波段所包含像素的灰度平均值。
强度表征对象整体的灰度值。相比于海面,舰船通常强度较大。
步骤S3大型舰船检测
本步骤对步骤S2计算得到的每一个对象的几何和色彩特征,利用先验大型舰船特征规则,进行模糊分类,提取大型舰船目标。
本步骤由3个子步骤构成,各子步骤可描述为:
(S31)构建大型舰船特征规则知识库。通过对多组影像中的已知大型舰船对象几何和色彩特征的提取,得到先验的特征的取值范围,即特征规则。根据需要,可根据不同的舰船类型,构建不同的特征规则,组成先验特征规则知识库。先验的大型舰船特征知识库中已构建的先验知识,可在不同的检测中反复使用。同时,知识库也可进行更新和修改。
在实际检测中,若知识库中已有能满足需求的特征规则,可直接使用,略过此步骤。
(S32)逐特征计算待分类对象在某特征上对于大型舰船类别的隶属度μ。这里采用的隶属度μ的计算方法为:
首先,设定模糊容差t,用于计算隶属度μ。
在模糊规则中,利用特征值的上下边界值表达特征值的范围。模糊容差代表对边界值偏离的容忍程度。例如,当设定t为0.05时,对于偏离边界值95%范围内的数值,通过隶属度表达对类别的归属程度。当设定t为0时,模糊分类成为确定性分类。
当该特征规则为特征值x大于特征下边界值b时,
其中,a=b(1-t),c=b(1+t)。
当该特征规则为特征值x小于上边界值b时,
其中,a=b(1-t),c=b(1+t)。
当该特征规则为特征值x介于下边界值b和上边界值e之间时,
其中,a=b(1-t),c=b(1+t),d=e(1-t),f=e(1+t)。
(S33)设定隶属度阈值,当待分类对象的某特征隶属度小于给定阈值时,即说明该对象不是大型舰船目标对象,当某对象的所有特征的隶属度都大于给定阈值时,即认为该对象为大型舰船目标。
T={μf1|μf1>tμ}∩{μf2|μf2>tμ}∩...∩{μfn|μfn>tμ} (54)
其中,T为大型舰船对象,μf1,μf2,...,μfn为各特征的隶属度,为tμ隶属度阈值。
对于停靠在港口区域的大型舰船,为保证检测结果的可靠性,加入预处理步骤和后处理步骤:
预处理步骤S0海陆分割
本步骤利用先验的海陆分界掩膜对待检测影像进行海陆分割,排除影像中陆地部分的干扰,获取海域影像用于检测大型舰船。本步骤由4个子步骤构成,各子步骤可描述为:
(S01)构建港口海陆分割知识库。
若待检测的港口没有对应的海陆分割先验知识,需要先构建相应的知识库。
对于待检测的港口,获取相应的高分辨率可见光历史影像。若影像未经过几何精校正,先进行几何精校正。
对历史影像进行目视解译,勾画出海陆的分界线,并产生海陆分界掩膜影像(掩膜陆地,保留海面),并保证掩膜影像与历史影像具有相同的地理信息。
在实际检测中,对于相应港口,若知识库中已建立,可直接使用,略过此步骤。
(S02)利用尺度不变特征转换(Scale-Invariant FeatureTransform,SIFT)算法,将待检测的影像与历史影像进行自动匹配,寻找匹配的控制点。由于遥感影像中地物复杂,相似物体多,容易造成误匹配点。可采用随机抽样一致(RANdom SAmple Consensus,RANSAC)方法,剔除误匹配点。
(S03)由于历史影像与海陆分界掩膜影像的地理信息完全对应,因此可以利用找到的控制点,配准待检测的影像和对应的掩膜影像。
根据需要,若需要对待检测影像做几何精校正,可纠正待检测的原始影像;若需要保持原始影像,则纠正对应的掩膜影像。
(S04)利用配准的海陆分界掩膜影像对待检测的原始影像进行掩膜,掩膜陆地部分,获取海域影像。
后处理步骤S4错检剔除
本步骤利用港口的泊位信息,若在非万吨级泊位上,存在检测到的大型舰船对象,可能是由多艘小型舰船被分割为同一个对象造成,可以将该对象剔除。
(三)技术效果
与现有技术相比,本发明的有益效果如下:
与现有的舰船目标检测方法相比,本发明以万吨级以上大型舰船为特定目标进行目标检测,针对性较强;充分利用先验的舰船几何和色彩的先验知识,检验结果较为可靠;针对港口区域的复杂情况,利用港口先验知识库,提高停靠在港口的大型舰船的检验效率和精度。
附图说明
图1为本发明的技术方案流程图;
图2为原始实验影像(美国弗吉尼亚州诺福克港2007年2月19日快鸟影像);
图3为诺福克港的历史影像;
图4为由历史影像生成的海陆掩膜影像;
图5为经过海陆分割的待检测影像;
图6为基于梯度的影像分割后的影像(图中每个图斑代表一个对象);
图7为分割对象合并后的结果;
图8为大型舰船的检测结果。
具体实施方式
本发明以美国诺福克港的快鸟影像为例,说明大型舰船检测的具体实施方式。实验影像拍摄时间为2007年2月19日,实验影像如图2所示。下面结合附图对本发明进一步说明。
预处理步骤S0海陆分割
由于该实验影像包含港口区域,影像中存在停靠在港口的舰船,因此需要进行海陆分割预处理,排除影像中陆地部分的干扰,获取海面影像用于检测大型舰船。
(S01)构建港口海陆分割知识库。
对于待检测的港口,获取相应的高分辨率可见光历史影像,并进行几何精校正。
诺福克港的历史影像如图3所示。
对历史影像进行目视解译,勾画出海陆的分界线,并产生海陆分界掩膜影像(掩膜陆地,保留海面),并保证掩膜影像与历史影像具有相同的地理信息。
由历史影像生成的海陆掩膜影像如图4所示。
(S02)利用SIFT算法,将待检测的影像与历史影像进行自动匹配,寻找控制点。采用RANSAC方法,剔除误匹配点。
(S03)利用找到的控制点,采用二次多项式纠正的方式,配准待检测的影像和对应的掩膜影像。
(S04)利用配准海陆分界掩膜影像对待检测的原始影像进行掩膜,掩膜陆地部分,获取海域影像。
海陆分割的结果影像如图5所示(图中陆地部分被掩膜为黑色)。
步骤S1基于梯度的影像分割
本步骤对预处理步骤获取的海域影像进行基于梯度的影像分割,将海域影像分割为独立对象,为大型舰船检测提供可用于提取特征的对象。
(S11)计算待检测影像的梯度影像。
(S12)设定梯度阈值为0.966,去除小于该阈值的梯度值。
(S13)将修改后的梯度影像,进行分水岭分割,分割线为梯度较强的像素。
分割后的影像如图6所示(图中每个色块代表一个对象)。
(S14)为修正由于高分辨率影像的高对比细节造成的过分割现象,对分割结果进行合并,设定合并阈值为0.979。
(S15)选取两个相邻对象重复(S14),直至没有对象可以继续合并。
合并分割对象后的影像如图7所示(图中每个色块代表一个对象)。
步骤S2对象特征提取
本步骤对步骤S1分割得到的每一个对象,分别计算其几何和特征。
(S21)计算对象的面积、边长、延伸率、圆度、矩形度、圆度和形状因子6个几何特征。
(S22)分别计算对象在红、绿、蓝3个波段的灰度平均值,并将其转换到HSI彩色空间,获取对象在色调、饱和度和强度特征。
步骤S3大型舰船检测
本步骤对步骤S2计算得到的每一个对象的几何和色彩特征,利用先验的大型舰船特征规则知识库,进行模糊分类,提取大型舰船目标。
(S31)在本实验中,选用的先验特征规则如下所示:
(S32)设定模糊容差为0.05。逐特征计算待分类对象在某特征上对于大型舰船类别的隶属度。
(S33)设定隶属度阈值为0.5。当待分类对象的某特征隶属度小于给定阈值时,即说明该对象不是大型舰船目标对象,当某对象的所有特征的隶属度都大于给定阈值时,即认为该对象为大型舰船目标。
后处理步骤S4错检剔除
本实验中,检测到的大型舰船都在万吨级以上泊位上,没有可剔除的对象。
大型舰船目标检测结果如图8所示(图中红色矢量标注部分为检测到的大型舰船目标)。
Claims (4)
1.一种先验知识支持的高分辨率多光谱遥感影像大型舰船检测方法,其特征在于,包括的步骤有:
步骤S1:基于梯度的影像分割;
步骤S2:计算影像分割得到的对象的几何特征和色彩特征;
步骤S3:对于每个分割对象,根据大型舰船先验知识库中的大型舰船特征规则,进行模糊规则分类,提取舰船目标。
2.根据权利要求1所述的步骤,针对在港口区域停靠的大型舰船,增加处理步骤,其特征在于:
(1)在步骤S1之前,增加预处理步骤S0:利用港口先验知识库中的港口历史影像和相应的海陆分界掩膜,对原始影像进行海陆分割,去除港口陆面部分对舰船检测的干扰。
(2)在步骤S3之后,增加后处理步骤S4:利用港口先验知识库中的泊位信息,对于在非万吨级以上的泊位上检测到的舰船,判断为错误检测的目标,从结果中予以剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310566692.1A CN103679138A (zh) | 2013-11-15 | 2013-11-15 | 舰船与港口先验知识支持的大型舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310566692.1A CN103679138A (zh) | 2013-11-15 | 2013-11-15 | 舰船与港口先验知识支持的大型舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103679138A true CN103679138A (zh) | 2014-03-26 |
Family
ID=50316628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310566692.1A Pending CN103679138A (zh) | 2013-11-15 | 2013-11-15 | 舰船与港口先验知识支持的大型舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679138A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992172A (zh) * | 2015-08-05 | 2015-10-21 | 北方工业大学 | 一种基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN105512189A (zh) * | 2015-11-26 | 2016-04-20 | 航天恒星科技有限公司 | 一种海事信息处理方法及*** |
CN106295503A (zh) * | 2016-07-25 | 2017-01-04 | 武汉大学 | 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法 |
CN106407940A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种港口水域图像的提取方法及*** |
CN106407938A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口特定地物的方法及*** |
CN106408582A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种监测港口的油品及液体化工品堆场的方法及*** |
CN106407939A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口的装卸设备的方法及*** |
CN106485725A (zh) * | 2016-09-23 | 2017-03-08 | 交通运输部规划研究院 | 一种利用遥感影像监测港口的煤炭堆场的方法及*** |
CN106485726A (zh) * | 2016-09-23 | 2017-03-08 | 交通运输部规划研究院 | 一种港口的矿石堆场图像的提取方法及*** |
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 |
CN107169412A (zh) * | 2017-04-09 | 2017-09-15 | 北方工业大学 | 基于混合模型决策的遥感图像靠港船只检测方法 |
CN107609534A (zh) * | 2017-09-28 | 2018-01-19 | 北京市遥感信息研究所 | 一种基于码头光谱信息的遥感驻泊船只自动检测方法 |
CN107657272A (zh) * | 2017-09-14 | 2018-02-02 | 中国电子科技集团公司第五十四研究所 | 一种遥感图像海上目标检测方法 |
CN108256419A (zh) * | 2017-12-05 | 2018-07-06 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
CN110428425A (zh) * | 2019-07-02 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于海岸线矢量数据的sar图像海陆分离方法 |
CN116883861A (zh) * | 2023-07-17 | 2023-10-13 | 中国人民解放军战略支援部队航天工程大学 | 面向微小卫星在轨应用的港口大中型舰船活动识别方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
US8116522B1 (en) * | 2008-08-25 | 2012-02-14 | The United States Of America As Represented By The Secretary Of The Navy | Ship detection system and method from overhead images |
-
2013
- 2013-11-15 CN CN201310566692.1A patent/CN103679138A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8116522B1 (en) * | 2008-08-25 | 2012-02-14 | The United States Of America As Represented By The Secretary Of The Navy | Ship detection system and method from overhead images |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
Non-Patent Citations (1)
Title |
---|
唐沐恩等: "《遥感图像中舰船检测方法综述》", 《计算机应用研究》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992172B (zh) * | 2015-08-05 | 2019-05-03 | 北方工业大学 | 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN104992172A (zh) * | 2015-08-05 | 2015-10-21 | 北方工业大学 | 一种基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN105512189A (zh) * | 2015-11-26 | 2016-04-20 | 航天恒星科技有限公司 | 一种海事信息处理方法及*** |
CN105512189B (zh) * | 2015-11-26 | 2020-09-04 | 航天恒星科技有限公司 | 一种海事信息处理方法及*** |
CN106295503A (zh) * | 2016-07-25 | 2017-01-04 | 武汉大学 | 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法 |
CN106407939A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口的装卸设备的方法及*** |
CN106408582A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种监测港口的油品及液体化工品堆场的方法及*** |
CN106485725A (zh) * | 2016-09-23 | 2017-03-08 | 交通运输部规划研究院 | 一种利用遥感影像监测港口的煤炭堆场的方法及*** |
CN106485726A (zh) * | 2016-09-23 | 2017-03-08 | 交通运输部规划研究院 | 一种港口的矿石堆场图像的提取方法及*** |
CN106407938A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口特定地物的方法及*** |
CN106407940A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种港口水域图像的提取方法及*** |
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 |
CN107169412A (zh) * | 2017-04-09 | 2017-09-15 | 北方工业大学 | 基于混合模型决策的遥感图像靠港船只检测方法 |
CN107169412B (zh) * | 2017-04-09 | 2021-06-22 | 北方工业大学 | 基于混合模型决策的遥感图像靠港船只检测方法 |
CN107657272A (zh) * | 2017-09-14 | 2018-02-02 | 中国电子科技集团公司第五十四研究所 | 一种遥感图像海上目标检测方法 |
CN107657272B (zh) * | 2017-09-14 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 一种遥感图像海上目标检测方法 |
CN107609534A (zh) * | 2017-09-28 | 2018-01-19 | 北京市遥感信息研究所 | 一种基于码头光谱信息的遥感驻泊船只自动检测方法 |
CN108256419A (zh) * | 2017-12-05 | 2018-07-06 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
CN110428425A (zh) * | 2019-07-02 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于海岸线矢量数据的sar图像海陆分离方法 |
CN116883861A (zh) * | 2023-07-17 | 2023-10-13 | 中国人民解放军战略支援部队航天工程大学 | 面向微小卫星在轨应用的港口大中型舰船活动识别方法及*** |
CN116883861B (zh) * | 2023-07-17 | 2024-01-26 | 中国人民解放军战略支援部队航天工程大学 | 面向微小卫星在轨应用的港口大中型舰船活动识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679138A (zh) | 舰船与港口先验知识支持的大型舰船检测方法 | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
Shen et al. | A positioning lockholes of container corner castings method based on image recognition | |
CN107705301B (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN104077777A (zh) | 一种海面舰船目标检测方法 | |
CN104217196A (zh) | 一种遥感影像圆形油罐自动检测方法 | |
Chen et al. | Detection and Recognition of Traffic Signs Based on HSV Vision Model and Shape features. | |
CN111882568B (zh) | 火灾图像边缘提取处理方法、终端及*** | |
CN103679721A (zh) | 采用邻域法霍夫变换的图像轮廓简化方法 | |
CN101634706A (zh) | 高分辨率sar图像中桥梁目标的自动检测方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
Li et al. | Integrated localization and recognition for inshore ships in large scene remote sensing images | |
Sugiharto et al. | Traffic sign detection based on HOG and PHOG using binary SVM and k-NN | |
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
CN106203439B (zh) | 基于标志物多特征融合的无人机自动寻的着陆方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
Baluyan et al. | Novel approach for rooftop detection using support vector machine | |
CN107609534B (zh) | 一种基于码头光谱信息的遥感驻泊船只自动检测方法 | |
CN103810487A (zh) | 一种海洋航拍图像的目标检测与识别方法及*** | |
Hossen et al. | Vehicle license plate detection and tilt correction based on HSI color model and SUSAN corner detector | |
CN111241911B (zh) | 一种自适应的车道线检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140326 |
|
RJ01 | Rejection of invention patent application after publication |