CN103984945A - 一种光学遥感影像船只检测方法 - Google Patents
一种光学遥感影像船只检测方法 Download PDFInfo
- Publication number
- CN103984945A CN103984945A CN201410203181.8A CN201410203181A CN103984945A CN 103984945 A CN103984945 A CN 103984945A CN 201410203181 A CN201410203181 A CN 201410203181A CN 103984945 A CN103984945 A CN 103984945A
- Authority
- CN
- China
- Prior art keywords
- pixel
- water body
- remote sensing
- ship
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种光学遥感影像船只检测方法,针对现有中、高空间分辨率光学遥感影像船舶检测算法中存在检测成功率受水面状况影响较大,误检误判情况较严重的问题,在水体信息增强处理的基础上,综合利用水体光谱信息与空间结构信息实现水面均质区域的分割,同时利用统计检验方法获取最优背景概率密度函数实现最优化CFAR船只目标检测,有效降低了背景噪声的影响,可有效适应受风浪、水体浑浊度引起的水面背景多变的影像状况,提高了船只检测率,相比于传统的基于目标阈值分割的船只检测技术,本发明方法的精度和稳定性均具有明显的优越性,能够提高中、高空间分辨率光学遥感数据在船舶检测领域的业务化应用能力。
Description
技术领域
本发明属于卫星遥感目标提取技术领域,特别涉及一种中等空间分辨率光学遥感影像船只目标检测方法。
背景技术
船只检测与识别是遥感图像处理和模式识别领域研究的热点课题,可应用于航运监控、安全管理部门监测和打击非法捕鱼、挖采等违法行为,在军事领域也有重要意义。基于遥感的船只检测依据数据源不同目前主要包括两个研究方向:基于合成孔径雷达SAR数据和基于光学(包括中,高空间分辨率)遥感影像。SAR数据具有全天候、全天候的监测能力,目前较常用的恒虚警率(Constant FalseAlarm Rate,CFAR)方法根据背景杂波的统计特性自适应地选取阈值,能够保证检测结果的虚警率恒定,并且具有计算简单等优点,该方法及改进优化算法已成为目前研究最多、应用最为广泛的一类SAR图像舰船目标自动检测算法。光学图像直观易理解,空间分辨率通常比较高,图像内容丰富,目标结构特征明显,在舰船侦察尤其是船舶识别方面具有SAR图像不能比拟的优势.而且随着对地观测技术的飞速发展,卫星遥感进入了一个前所未有的新阶段,一批中、高空间分辨率、短重访周期的成像卫星涌现,为海域侦察和舰船目标监视提供了极为丰富的数据源。在本技术领域,中、高空间分辨率遥感影像一般指空间分辨率不低于30米的遥感数据(如美国陆地观测卫星Landsat,国产环境监测卫星HJ-1等)。传统的依靠人工目视判读来获取舰船目标信息的方式,存在效率低、主观性强、成本高、信息获取周期长等缺陷。基于光学遥感图像的舰船目标自动/半自动检测与识别研究起步较晚,而且目前存在的基于图像阈值分割、船舶结构特征提取等方法计算量大,检测率受水面背景环境变化(如风浪,水体浑浊度变化)影响显著,误判误提情况严重。
发明内容
针对现有技术的缺点,本发明目的在于提供一种光学遥感影像船只检测方法,其是一种自动/半自动的中等空间分辨率光学遥感影像船只目标检测方法,以解决复杂水体环境下船只检测效率低和精度低的问题。
本发明的技术方案为基于水面均质区域分割的复杂水域船只检测方法,包括以下步骤:
步骤1:遥感影像几何校正,云掩模、陆地掩模获取,水体影像遥感表观反射率反演,水体范围提取;
步骤2:将步骤1得到的水体范围影像依据水体光谱特征信息和空间结构特征信息进行水体均质区域分割,包括以下3个步骤,
步骤2.1,统计水体区域影像光谱信息直方图,根据直方图光谱分布范围,等间隔选取多个水面像素(xi,yi)作为区域分割初始种子点;
步骤2.2,计算种子像素周围邻域中与种子像素有相同或相似性质的像素光谱特征,将变异系数作为相似准则来判定,合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行步骤2.2,直到再没有满足条件的像素可被包含进来;
步骤2.3,统计步骤2.2种得到的每个区域对象的光谱、形状和空间关系等特征,采用自下而上的区域合并算法,在对象异质性最小的标准约束下,把同质区域合并为同一个均质水域对象,针对所有分割对象重复步骤2.3,直至没有新的区域对象被合并进来。
步骤3:针对步骤2水面均质分割后的每一个均质区域对象,基于统计检验方法K-S检验获取最优的水体背景概率密度分布函数(PDF),使用滑动窗口技术计算区域内每一个像素的CFAR判定因子,实现船只检测,包括以下5个步骤,
步骤3.1,遍历同一均质区域内所有非云非陆地掩模像素表观反射率,统计水体样本计算多个潜在水体背景概率密度分布函数(PDF)的参数。
步骤3.2,基于Kolmogorov–Smirnov(K-S)检验进行水体背景概率密度分布函数的拟合优度的非参数检验,根据样本数据和用户指定构造出的多个潜在理论分布,查分布表得到相应的理论累计概率分布函数F0(X),利用样本数据计算个样本数据点的累计概率得到检验累计概率分布函数S0(X),计算K-S的Z统计量,并依据K-S分布表(小样本)或正态分布表(大样本)给出对应的相伴概率值。如果相伴概率小于或等于用户的显著性水平α,则应拒绝零假设H0,认为样本来自的总体与指定的分布有显著差异;如果相伴概率值大于显著性水平,则不能拒绝零假设H0,认为样本来自的总体与指定的分布无显著差异。
步骤3.3,在给定的虚警概率条件下,首先根据目标所处周围背景杂波的统计特性自适应求取检测阈值,然后将待检测像素与自适应阈值进行比较,判断其是否为目标点假设背景杂波的概率分布为f(x),给定的虚警率为PFA,则自适应阈值T由下式得到。对于目标窗口中的像素点,若大于T则判定为目标,否则为杂波
步骤3.4,使用滑动窗口对待判定区域内每一个像素循环进行步骤2.3,计算获得区域内所有潜在船舶目标;
步骤3.5,将步骤3.4中得到的初始船舶目标像素进行基于先验知识的形态学验证,包括船舶形状,大小等因子。
而且,所述遥感数据来源传感器的空间分辨率不小于30米,包括美国对地观测卫星Landsat搭载的TM/ETM+/OLI传感器,国产环境与灾害监测预报小卫星星座A、B星(HJ-1A/1B星)搭载的CCD传感器,以及GF-1卫星搭载的16m分辨率多光谱相机,以及其他同等空间观测能力传感器数据等。
而且,所述遥感水体影像是基于计算遥感天顶反射率数据有效去除太阳角度变化后,利用波段比值方法反演得到的归一化水体指数(NDWI)数据进一步减轻大气效应影响。
而且,所述水体背景分布函数包括以下类型:高斯(Gauss)分布,瑞利(Rayleigh)分布,对数正态(Lognormal)分布,韦布尔(Weibull)分布,伽玛(Gamma)分布和K分布。最优背景分布函数的选择标准为K-S检验统计值。
本发明针对现有中、高空间分辨率光学遥感影像船舶检测算法中存在检测成功率受水面状况影响较大,误检误判情况较严重的问题,提出基于水面均质区域分割的最优化CFAR船舶检测方法,可有效适应受风浪、水体浑浊度引起的水面背景多变的影像状况。本发明提供的技术方案可以有效提高船舶检测精度,降低误提误判影响,能够提高中、高空间分辨率光学遥感数据在船舶检测领域的业务化应用能力。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的采用的区域滑动窗口处理示意图。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图对本发明做进一步的详细说明。本发明的实施例是对中高空间分辨率光学遥感影像实现高精度的船舶检测,参照图1,本发明实施例的步骤如下:
步骤1,遥感影像数据预处理,包括以下实施步骤:
1.1、影像几何配准采用高精度的Landsat卫星数据或者地面控制点完成,几何校正重采样方法采用最邻近法以保持原影像辐射信息,本步骤所采用的都为现有技术,本发明不予赘述。
1.2、遥感传感器观测得到的原始数据受太阳天顶角、卫星观测角和大气效应的影响,利用下述方程式反演得到的大气层顶遥感反射率去除观测几何的差异,并计算得到归一化水体指数以提取水体范围
NDWI=(ρGreen-ρNIR)/(ρGreen+ρNIR)
式中,ρλ为传感器λ波段的天顶反射率,Lλ为传感器接收到的天顶幅亮度,d为成像时刻的日地距离,cosθs和cosθv分别为太阳天顶角和卫星观测天顶角的余弦值,ESUNλ为传感器的太阳常数,NDWI是归一化水体指数,ρGreen为绿光波段天顶反射率,ρNIR为近红外波段天顶反射率。
步骤2,利用步骤1种提取得到的水体范围影像,综合利用水体光谱特征信息和空间结构特征信息进行水体均质区域分割,包括以下3个实施步骤:
步骤2.1:统计水体范围影像直方图,计算待分割影像灰度等级范围(hmin,hmax)及直方图多个峰值点分布(h1……hn)及灰度值,并在影像上等间距的寻找多个峰值对应像素点作为影像分割种子点(P1……Pn);其中,hmin,hmax分别指影像直方图灰度最小值和最大值,(h1……hn)和(P1……Pn)分别为影像直方图中的峰值点的灰度值及峰值点对应的像素点序列。
步骤2.2:以种子点为中心,使用8邻域搜索方式对周围区域像素使用灰度均值μ和方差δ进行相似性度量,若待判定像素P(xi,yi)满足生长条件:
|h(xi,yi)-μ|≤δ
则将该像素合并到该区域,同时计算更新该区域灰度均质和方差;重复上述步骤直到没有新的像素可以合并到该区域内;式中,h(xi,yi)为待判定像素的灰度值,μ为该像素周围区域的灰度平均值,δ为该像素周围区域的方差。
步骤2.3:重复步骤2.2直到所有的像素点都被合并,得到相邻接的N个区域对象(A1,A2……An),采用自底向上的区域合并方法获对相似的区域对象进行合并。对于某一个区域对象An,其对象内部的异质性f根据下式进行计算:
f=wcolorhcolor+wshapehshape
wcolor+wshape=1
hcolor=u/δ
hshape=wcompthcompt+wsmoothhsmooth
其中,wcolor是对象光谱因子权重,wshape是对象形状因子权重,hcolor是对象光谱因子,计算方式为对象内所有像素均值与标准差的比值,hshape是对象形状因子,计算方式为紧凑度hcompt和平滑度hsmooth的加权值,wcompt和wsmooth分别指紧凑度和平滑度的权重值。针对待合并的对象An-1,根据上式计算(An,An-1)区域的区域异质性f,若相异度大于等于阈值,则不进行合并;若相异度小于阈值,则将An,An-1合并为一个新的区域对象An’。重复上述步骤,在每次对象合并时,计算合并后的对象的区域异质性f,直到没有新的对象可以合并。
步骤3:针对步骤2水面均质分割后的每一个均质区域对象,基于统计检验方法K-S检验获取最优的水体背景概率密度分布函数(PDF),使用滑动窗口技术计算区域内每一个像素的恒定虚警率阈值(Constant False Alarm:CFAR)判定因子,实现船只检测,包括以下5个步骤,
步骤3.1:对于步骤2.3获得的每一个均质水体对象,统计该区域直方图分布,拟合估计潜在的水体背景概率密度函数P(x)的参数。本发明实施例采用的水体背景概率分布模型包括高斯(Gauss)分布、瑞利(Rayleigh)分布、韦布尔(Weibull)分布、对数正态(Lognormal)分布、伽玛(Gamma)分布,各分布模型的参数计算方法及含义与统计学理论相同,本发明专利在此不再赘述。
步骤3.2:由于水体背景分布的复杂性,传统的采用单一的分布模型进行背景概率密度函数的拟合估计方法难以保证背景分布描述的准确性。本发明针对复杂多变的水面状况,采用了一种基于Kolmogorov–Smirnov(K-S)检验的水体背景概率密度分布函数的拟合优度的非参数检验方法。具体实施过程包括以下步骤:
(1)利用样本数据计算个样本数据点的累计概率得到检验累计概率分布函数F(X):
式中,指灰度值小于x的像素点个数。
(2)根据样本数据和用户指定构造出的多个潜在理论分布,查分布表得到相应的理论累计概率分布函数F0(X),计算F(X)和F0(X)的差值序列D,D=max|F0(X)-F(X)|。并查询K-S分布表(小样本)或正态分布表(大样本)给出对应的相伴概率值Sig。
(3)如果相伴概率Sig小于或等于用户的显著性水平Sig<α,α指用户可设定的显著性检验水平(如0.05),则应拒绝零假设H0,认为样本来自的总体与指定的分布有显著差异;如果相伴概率值大于显著性水平,则不能拒绝零假设H0,认为样本来自的总体与指定的分布无显著差异;
(4)针对每一个独立均质区域对象,循环计算本实施例采用的5种水体背景慨率密度函数,对比获取K-S检验统计量D最小的分布模型作为最优概率模型P(X),该区域内的每一个像素均具有该模型属性,不同区域的像素可具有不同的概率分布模型。
步骤3.3:对整个水体区域的每一个待判定像素(xi,yi),利用步骤3.2得到的概率分布模型P(Xi)和原始像素灰度信息V(xi,yi),组成一个新的像素对象N[(V(xi,yi),P(Xi)],包含该像素的位置信息,灰度信息以及所属背景区域的概率分布模型信息。使用如图2所示的滑动窗口进行潜在船只目标检测,具体实施步骤如下:
(1)针对每一个中心像素,本发明定义背景窗口(Background box)、保护窗口(Guard Box)和目标像素(Target box),其中背景窗口可分为两类:背景区B1包括窗口内与中心像素N[(V(x0,y0),P(X0)]具有相同概率分布模型P(X0)的所有像素N[(V(xi,yi),P(X0)],背景区B2定义为窗口内所有具有与中心像素不同概率分布模型N[(V(xj,yj),P’(X)]的像素;保护窗口定义了中心像素周围8邻域的像素,算法处理过程中只采用在保护窗口和背景窗口B1之间的像素统计分布模型f(x)的参数,本发明提出的该处理约束窗口可有效降低水面状况不均一引起的水体背景信息统计不准确问题,可提高目标像素与邻近背景像素的对比度,以提高检测率。
(2)对于上述步骤中的每一个待判定像素,利用步骤(1)窗口处理得到的背景统计分布模型f(x)以及设定的的检测虚警率PFA值,利用下式计算该像素的判定阈值T:
V(x,y)是否为船只目标,并将像素值标识为1,否则标识为0;
步骤3.4:利用上述步骤循环处理所有待判定像素,获取初步的船只目标检测结果分布图。
步骤3.5:对步骤3.4得到的初始船舶目标像素进行基于先验知识的形态学验证,包括船舶形状,大小等因子。首先对初始检测结果影像进行3*3窗口的形态学腐蚀操作,该处理的目的是消除物体边界点,使目标缩小,可以消除小于结构元素的噪声点;然后进行3*3窗口的形态学膨胀操作,以添补目标中的空洞。将形态学处理后的连通区域标识为同一个目标,计算该目标的面积因子S和形状因子F:
其中,V(xi,yi)为船只检测结果影像的像素值,V(xi,yi)=1标识该像素为船只目标,L为目标的周长,ne为连通区域偶数号链码个数,n0为连通区域奇数号链码个数。对于面积过大或者过小的目标单元,可设定先验面积和形状因子阈值进行排除,以降低船只检测结果的误判率。
综上所述,本发明提出的中等空间分辨率光学遥感影像船只目标检测方法,在水体信息增强处理的基础上,综合利用水体光谱信息与空间结构信息实现水面均质区域的分割,同时利用统计检验方法获取最优背景概率密度函数实现船只目标检测,有效降低了背景噪声的影响,提高了船只检测率,相比于传统的基于目标阈值分割的船只检测技术,本发明方法的精度和稳定性均具有明显的优越性。
综上所述,本发明具有如下的优点:
(1)使用分割后的均质区域对象作为船只检测的独立单元,可有效抑制水面背景环境变化(如风浪,水体浑浊度变化)的影响。
(2)在背景概率密度函数估计中,采用统计检验方法K-S检验获取每个独立单元的最优水体背景函数估计,克服了传统的采用单一的分布模型进行背景概率密度函数的拟合估计方法难以保证背景分布描述的准确性的问题。
(3)本发明方法提出的船只目标移动窗口检测技术,充分考虑了检测过程中水体背景噪声和船只目标的信号相互干扰,提高了目标与背景的对比度和可识别性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种光学遥感影像船只检测方法,其特征在于:包括以下步骤,
步骤1:首先对遥感影像进行几何校正,并进行校正后影像的遥感表观反射率反演,利用反射率影像计算云掩模、陆地掩模,进行水体范围提取,得到水体范围影像;
步骤2:根据步骤1得到的水体范围影像,依据水体光谱特征信息和空间结构特征信息进行水体均质区域分割;
步骤3:对于步骤2中水体均质分割后的每一个均质区域对象,基于统计检验方法K-S检验获取最优的水体背景概率密度分布函数—PDF,使用滑动窗口技术计算区域内每一个像素的CFAR判定因子,实现船只检测。
2.根据权利要求1所述的一种光学遥感影像船只检测方法,其特征在于:所述步骤2包括以下步骤,
步骤2.1,统计水体区域影像光谱信息直方图,根据直方图光谱分布范围,等间隔选取两个以上水体像素(xi,yi)作为区域分割初始种子点,下文只用种子像素表示;
步骤2.2,计算种子像素周围邻域中与种子像素有相同或相似性质的像素光谱特征,将变异系数作为相似准则来判定,合并到种子像素所在的区域中,将这些新像素当作新的种子像素继续进行本步骤,直到再没有满足条件的像素被包含进来;
步骤2.3,统计步骤2.2种得到的每个区域对象的光谱、形状和空间关系特征,采用自下而上的区域合并算法,在对象异质性最小的标准约束下,把同质区域合并为同一个均质水域对象,针对所有分割对象重复步骤2.3,直至没有新的区域对象被合并进来。
3.根据权利要求1或2所述的一种光学遥感影像船只检测方法,其特征在于:所述步骤3包括以下步骤,
步骤3.1,遍历同一均质区域内所有非云非陆地掩模像素表观反射率,统计水体样本计算5个潜在水体背景概率密度分布函数的参数;
步骤3.2,基于K-S检验进行水体背景概率密度分布函数的拟合优度的非参数检验,根据样本数据和用户指定构造出的5个潜在理论分布,查现有的分布表得到相应的理论累计概率分布函数F0(X),利用样本数据计算个样本数据点的累计概率得到检验累计概率分布函数S0(X),计算K-S的Z统计量,并依据K-S分布表或正态分布表给出对应的相伴概率值;如果相伴概率小于或等于用户的显著性水平α,则应拒绝零假设H0,认为样本来自的总体与指定的分布有显著差异;如果相伴概率值大于显著性水平,则不能拒绝零假设H0,认为样本来自的总体与指定的分布无显著差异;
步骤3.3,在给定的虚警概率条件下,首先根据目标所处周围背景杂波的统计特性自适应求取检测阈值,然后将待检测像素与自适应阈值进行比较,判断其是否为目标点假设背景杂波的概率分布为f(x),给定的虚警率为PFA,则自适应阈值T由下式计算得到,,对于目标窗口中的像素点,若大于T则判定为目标,否则为杂波;
步骤3.4,使用滑动窗口对待判定区域内每一个像素循环进行步骤3.3,计算获得区域内所有潜在船舶目标;
步骤3.5,将步骤3.4中得到的初始船舶目标像素进行基于先验知识的形态学验证,包括船舶形状,大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410203181.8A CN103984945A (zh) | 2014-05-14 | 2014-05-14 | 一种光学遥感影像船只检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410203181.8A CN103984945A (zh) | 2014-05-14 | 2014-05-14 | 一种光学遥感影像船只检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103984945A true CN103984945A (zh) | 2014-08-13 |
Family
ID=51276907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410203181.8A Pending CN103984945A (zh) | 2014-05-14 | 2014-05-14 | 一种光学遥感影像船只检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984945A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046859A (zh) * | 2015-06-02 | 2015-11-11 | 北方工业大学 | 基于振动信号空时二维稀疏表示k-s检验的光纤入侵检测方法 |
CN105139034A (zh) * | 2015-08-27 | 2015-12-09 | 北京市遥感信息研究所 | 一种结合光谱滤除的船舶检测方法 |
CN106022307A (zh) * | 2016-06-08 | 2016-10-12 | 中国科学院自动化研究所 | 基于船只旋转矩形空间的遥感图像船只检测方法 |
CN106646469A (zh) * | 2016-12-21 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 基于变异系数法的sar船只检测优化方法 |
CN106803100A (zh) * | 2016-12-26 | 2017-06-06 | 国家***第二海洋研究所 | 一种双极化星载sar图像海上船舶检测分类方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN107045126A (zh) * | 2017-03-06 | 2017-08-15 | 中国人民解放军国防科学技术大学 | 一种合成孔径雷达海上运动舰船目标检测方法 |
CN108564054A (zh) * | 2018-04-24 | 2018-09-21 | 电子科技大学 | 一种基于cfar的精确溢油检测方法 |
CN111428649A (zh) * | 2020-03-26 | 2020-07-17 | 自然资源部国土卫星遥感应用中心 | 一种风力发电设施遥感智能提取方法 |
CN112418156A (zh) * | 2020-12-07 | 2021-02-26 | 北京航空航天大学 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
CN112766371A (zh) * | 2021-01-19 | 2021-05-07 | 西安理工大学 | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
-
2014
- 2014-05-14 CN CN201410203181.8A patent/CN103984945A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
Non-Patent Citations (2)
Title |
---|
F.ZHANG ETC,: ""A scheme for ship detection in inhomogeneous regions based on segmentation of SAR images"", 《INTERNATIONAL JOURNL OF REMOTE SENSING》 * |
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 |
---|---|---|---|---|
CN105046859A (zh) * | 2015-06-02 | 2015-11-11 | 北方工业大学 | 基于振动信号空时二维稀疏表示k-s检验的光纤入侵检测方法 |
CN105046859B (zh) * | 2015-06-02 | 2017-07-07 | 北方工业大学 | 基于振动信号空时二维稀疏表示k‑s检验的光纤入侵检测方法 |
CN105139034B (zh) * | 2015-08-27 | 2019-06-28 | 北京市遥感信息研究所 | 一种结合光谱滤除的船舶检测方法 |
CN105139034A (zh) * | 2015-08-27 | 2015-12-09 | 北京市遥感信息研究所 | 一种结合光谱滤除的船舶检测方法 |
CN106022307A (zh) * | 2016-06-08 | 2016-10-12 | 中国科学院自动化研究所 | 基于船只旋转矩形空间的遥感图像船只检测方法 |
CN106022307B (zh) * | 2016-06-08 | 2019-09-27 | 中国科学院自动化研究所 | 基于船只旋转矩形空间的遥感图像船只检测方法 |
CN106646469A (zh) * | 2016-12-21 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 基于变异系数法的sar船只检测优化方法 |
CN106646469B (zh) * | 2016-12-21 | 2019-01-29 | 中国科学院遥感与数字地球研究所 | 基于变异系数法的sar船只检测优化方法 |
CN106803100A (zh) * | 2016-12-26 | 2017-06-06 | 国家***第二海洋研究所 | 一种双极化星载sar图像海上船舶检测分类方法 |
CN106803100B (zh) * | 2016-12-26 | 2020-08-18 | 国家***第二海洋研究所 | 一种双极化星载sar图像海上船舶检测分类方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN106886760B (zh) * | 2017-01-24 | 2019-08-16 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN107045126A (zh) * | 2017-03-06 | 2017-08-15 | 中国人民解放军国防科学技术大学 | 一种合成孔径雷达海上运动舰船目标检测方法 |
CN108564054A (zh) * | 2018-04-24 | 2018-09-21 | 电子科技大学 | 一种基于cfar的精确溢油检测方法 |
CN108564054B (zh) * | 2018-04-24 | 2020-11-10 | 电子科技大学 | 一种基于cfar的精确溢油检测方法 |
CN111428649A (zh) * | 2020-03-26 | 2020-07-17 | 自然资源部国土卫星遥感应用中心 | 一种风力发电设施遥感智能提取方法 |
CN112418156A (zh) * | 2020-12-07 | 2021-02-26 | 北京航空航天大学 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
CN112418156B (zh) * | 2020-12-07 | 2022-09-30 | 北京航空航天大学 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
CN112766371A (zh) * | 2021-01-19 | 2021-05-07 | 西安理工大学 | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 |
CN112766371B (zh) * | 2021-01-19 | 2023-01-24 | 西安理工大学 | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN113567981B (zh) * | 2021-06-28 | 2023-08-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984945A (zh) | 一种光学遥感影像船只检测方法 | |
Hou et al. | FUSAR-Ship: Building a high-resolution SAR-AIS matchup dataset of Gaofen-3 for ship detection and recognition | |
Ludwig et al. | A highly automated algorithm for wetland detection using multi-temporal optical satellite data | |
CN102968798B (zh) | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及*** | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN105654091A (zh) | 海面目标检测方法及装置 | |
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及*** | |
CN105469390A (zh) | 一种基于改进Seam Carving的全景海天线提取方法 | |
CN111027446A (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN110059640A (zh) | 基于光学遥感卫星近红外谱段的海面船舶在轨识别方法 | |
CN103971370A (zh) | 一种针对遥感大图像的海洋溢油智能检测方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
CN113269028B (zh) | 一种基于深度卷积神经网络的水体变化检测方法和*** | |
KR101050067B1 (ko) | 중해상도 인공위성 영상자료로부터 김양식장 시설을 탐지하는 방법 | |
CN102034233A (zh) | 一种基于contourlet变换的SAR图像波群参数检测方法 | |
Gao | Design and implementation of marine automatic target recognition system based on visible remote sensing images | |
CN114359720B (zh) | 一种基于卫星光学图像的海上目标检测方法、***及装置 | |
Sun et al. | A Wave Texture Difference Method for Rainfall Detection Using X‐Band Marine Radar | |
CN110211124B (zh) | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 | |
Zhao et al. | Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation | |
Wu et al. | Ship recognition from high resolution remote sensing imagery aided by spatial relationship |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140813 |
|
WD01 | Invention patent application deemed withdrawn after publication |