CN105389794B - 基于先验场景知识的sar目标检测虚警去除方法 - Google Patents
基于先验场景知识的sar目标检测虚警去除方法 Download PDFInfo
- Publication number
- CN105389794B CN105389794B CN201510664631.8A CN201510664631A CN105389794B CN 105389794 B CN105389794 B CN 105389794B CN 201510664631 A CN201510664631 A CN 201510664631A CN 105389794 B CN105389794 B CN 105389794B
- Authority
- CN
- China
- Prior art keywords
- region
- pixel
- image
- sar image
- target
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 9
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000012805 post-processing Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 28
- 230000000694 effects Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 241000321453 Paranthias colonus Species 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于先验场景知识的SAR目标检测虚警去除方法,主要解决复杂场景下SAR图像目标检测虚警过多的问题。其实现步骤为:(1)输入原始SAR图像,对原始SAR图像进行两次下采样和均值滤波预处理;(2)对预处理后的SAR图像进行区域生长,去除未生长出的目标大小状的连通区域,剩余的未生长出的连通区域为待分类区域;(3)选取训练样本,对待分类区域进行一类分类,得到不可能存在目标的区域;(4)去除不可能存在目标区域中检测到虚警,得到结果图像。本发明能够有效的减少复杂场景下的检测虚警,可用于对SAR图像目标检测的后处理。
Description
技术领域
本发明属于雷达目标识别技术领域,特别涉及一种SAR目标检测虚警去除方法,可用于SAR图像目标检测的后处理。
背景技术
合成孔径雷达SAR是一种利用微波进行感知的主动传感器,它具有全天候、全天时、分辨率高以及穿透力强等特点,成为目前对地观测和军事侦察的重要手段。自20世纪50年代以来,雷达成像技术日益成熟,成像分辨率不断提高,使得SAR图像目标检测和识别技术受到了越来越广泛的关注。
现有的SAR图像目标检测算法,对于复杂场景下目标的检测效果较差,会检测出大量虚警,降低后续鉴别和识别的准确率。
根据先验知识,目标和环境的联系非常紧密,特定目标只会出现在特定的环境中。例如,舰船只在水域中出现,飞机只能降落在机场,车辆目标通常停在开阔地。现有的目标检测方法由于没有考虑目标和环境的关系,有可能在陆地中检测到疑似舰船目标,在非机场区域检测到疑似飞机目标,在树木、建筑等不可能存在车辆的区域检测出疑似车辆目标,造成复杂场景下SAR目标检测虚警过多。
发明内容
本发明的目的在于提出一种基于先验场景知识的SAR目标检测虚警去除方法,通过找出树木、建筑不可能存在目标的区域,去除该区域内检测到的疑似目标,降低复杂场景下SAR图像目标检测虚警率,提高后续鉴别、识别的性能。
本发明的技术方案是这样实现的:
一.技术思路:
本发明通过预处理、区域生长、一类分类和去除虚警这四个阶段实现。
在预处理阶段,主要用于完成对SAR图像的下采样和均值滤波操作。
在区域生长阶段,主要用于完成对SAR图像中目标所在区域的区域生长,获得疑似树木、建筑、阴影这些不可能存在目标的区域。
在一类分类阶段,主要完成对疑似树木、建筑、阴影这些不可能存在目标区域的分类,获得真实的树木、建筑、阴影区域。
在虚警去除阶段,主要完成对树木、建筑、阴影区域内检测到的疑似目标的去除。
二.实现步骤
根据上述技术思路,本发明的实现步骤包括如下:
A.输入原始SAR图像I,并对其进行两次下采样,每次下采样后的图像用3×3的窗做均值滤波,得到预处理后的SAR图像I′;
B.通过区域生长获取SAR图像中不可能存在目标的疑似区域:
B1)对预处理后的SAR图像I′做直方图统计,找到幅度值出现概率最高的像素点S1,将S1作为初始种子点,构成初始种子区域SR;
B2)在种子区域各像素点的八邻域内,找出满足不等式的像素点Di,将其合并到种子区域SR中,其中,为种子区域SR的均值,为像素点Di八邻域内的均值,Thre为根据图像的幅度值给定的阈值;
B3)更新种子区域SR的均值重复步骤B2),直到在所述SAR图像I′中不存在Di,区域生长结束,得到区域生长二值标记图像Ib={r,t},其中,r为生长出的连通区域,t为未生长出的区域。将未生长出的区域t进行连通区域标记,连通区域像素个数小于100的区域记为t1,t2...tp,大于100的区域记为l1,l2...lq;
B4)在未生长出的区域中,去除像素个数小于100的目标大小状的连通区域t1,t2...tp,将剩余连通区域l1,l2...lq作为待分类的区域;
C.通过一类分类获取不存在目标的真实区域:
C1)在与原始SAR图像I同一批次采集的SAR图像中,选取一幅训练图像It,并在该训练图像It中选取树木、建筑、阴影区域,构成训练样本集T;
C2)用高斯混合模型对训练样本集T的分布进行拟合,得到训练样本集T的概率密度函数P(x),其中x为训练样本集T中某像素点x的幅度值;
C3)将预处理后的SAR图像I′中与区域l1,l2...lq对应的各像素点pi的幅度值xi,代入到概率密度函数P(x)中,将满足不等式P(xi)>0.01的pi作为正确分类的像素点;
C4)计算l1,l2...lq各区域中分类正确像素点与该区域总像素点个数之比R,找出R≥0.7的区域l′1,l′2...l′p,p≤q,l′1,l′2...l′p为最终分类正确的区域;
D.去除预处理后的SAR图像I′中对应l′1,l′2...l′p各区域内检测到的疑似目标,得到去除虚警后的图像。
本发明与现有技术相比,具有如下优点:
1.本发明由于去除了树木、建筑、阴影这些不存在目标区域内的疑似目标,所以能够有效降低复杂场景的SAR图像目标检测虚警率;
2.本发明在同等条件下,由于虚警率的降低,使得后续算法的复杂度得到简化,鉴别、识别性能得到提升。
附图说明
图1为本发明的实现流程图;
图2为本发明第一组实验所使用的真实SAR图像;
图3为本发明实验中对图2进行初始种子点选取的结果;
图4为本发明实验中获取图2中疑似树木、建筑、阴影的区域图;
图5为本发明实验中选取训练样本的SAR图像;
图6为本发明实验中获取图2中真实树木、建筑、阴影的区域图;
图7为本发明实验为验证对图2的虚警去除效果所使用的基于超像素的SAR图像CFAR目标检测结果图像;
图8为本发明实验中对图7去除虚警的结果;
图9为本发明第二组实验所使用的真实SAR图像;
图10为本发明实验中对图9进行初始种子点选取的结果;
图11为本发明实验中获取图9中疑似树木、建筑、阴影的区域图;
图12为本发明实验中选取训练样本的SAR图像;
图13为本发明实验中获取图9中真实树木、建筑、阴影的区域图;
图14为本发明实验为验证对图9的虚警去除效果所使用的所使用的基于超像素的SAR图像CFAR目标检测结果图像;
图15为本发明实验中对图14去除虚警的结果。
具体实施方式
下面结合附图对本发明的实施步骤和效果作进一步说明。
参照图1,本发明基于先验场景知识的SAR目标检测虚警去除方法,实现步骤如下:
步骤1,输入原始SAR图像I,并对其进行两次下采样和均值滤波,得到预处理后的SAR图像I′。
1a)设原始SAR图像I的行数和列数分别为M和N,对I的每一行和每一列隔一个像素点采样,得到行数为M/2、列数为N/2的一次下采样后图像Id;
1b)对一次下采样后图像Id进行均值滤波,得到一次下采样均值滤波后图像:
Idf=conv2(Id,W/9,′same′),
其中,conv2(·)为二维卷积操作;W为二维模板,取3×3的全1矩阵;′same′为保证一次下采样图像均值滤波前图像Id与滤波后图像Idf大小相同的参数;
1c)对一次下采样均值滤波后图像Idf重复步骤A1)和A2),即可得到行数和列数分别为M/4和N/4的两次下采样均值滤波后的图像I′。
步骤2,通过区域生长获取SAR图像中不可能存在目标的疑似区域。
2a)对预处理后的SAR图像I′做直方图统计,找到幅度值出现概率最高的像素点S1,将S1作为初始种子点,构成初始种子区域SR;
2b)在种子区域各像素点的八邻域内,找出满足不等式的像素点Di,将其合并到种子区域SR中,其中,为种子区域SR的均值,为像素点Di八邻域内的均值,Thre为根据图像的幅度值给定的阈值;
2c)更新种子区域SR的均值
设更新前种子区域SR内包含m个像素点,幅度值分别为v1,v2...vm,新合并到种子区域SR中的像素点个数为n,幅度值分别为v′1,v′2...v′n,则种子区域SR更新后的均值为:即对更新前种子区域SR内所有像素点的幅度值与新合并到种子区域SR中像素点的幅度值求平均。
2d)重复步骤2b)和2c),直到在所述SAR图像I′中不存在Di,结束区域生长,得到区域生长二值标记图像Ib={r,t},其中,r为生长出的连通区域,t为未生长出的区域。将未生长出的区域t进行连通区域标记,连通区域像素个数小于100的区域记为t1,t2...tp,大于100的区域记为l1,l2...lq;
2e)在未生长出的区域中去除像素个数小于100的目标大小状的连通区域t1,t2...tp,将剩余未生长出的连通区域l1,l2...lq作为待分类区域,即不可能存在目标的疑似区域。
步骤3,通过一类分类获取不存在目标的真实区域。
3a)在与原始SAR图像I同一批次采集的SAR图像中,选取一幅训练图像It,并在该训练图像It中选取树木、建筑、阴影区域,构成训练样本集T;
3b)用高斯混合模型对训练样本集T的分布进行拟合,得到训练样本集T的概率密度函数P(x)为:
其中,n为高斯分量个数;Pci为高斯分量系数;σi为高斯分量标准差;μi为高斯分量均值;x为训练样本集T中某像素点x的幅度值;
3c)将预处理后的SAR图像I′中与待分类区域l1,l2...lq对应的各像素点pi的幅度值xi,代入到概率密度函数P(x)中,将满足不等式P(xi)>0.01的pi作为正确分类像素点;
3d)计算l1,l2...lq待分类区域中分类正确像素点与该区域总像素点个数之比R:
设区域l内包含Y个像素点,其中有X个像素点为正确分类的像素点,则区域l的分类正确率为:即用各区域正确分类像素点个数除以各区域总的像素点个数;
3e)找出R≥0.7的区域l′1,l′2...l′p,p≤q,该l′1,l′2...l′p为最终分类正确的区域。
步骤4,去除预处理后的SAR图像I′中l′1,l′2...l′p各区域内检测到的疑似目标,得到去除虚警后的图像。
本发明的效果通过以下仿真实验说明:
1.实验场景与参数:
本发明分别对图2和图9两组数据,进行仿真实验。实验所用的实测数据均来自于美国Sandia实验室公开的miniSAR数据集,其分辨率为0.1m×0.1m,图像大小为2510×1638。关于该数据的说明可参考SAND2005-3706P-miniSAR-flight-SAR-images.pdf。该pdf文件与实验中所使用的miniSAR数据都下载自Sandia National Laboratories的网站。其中,图2和图9均为用于车辆目标检测的虚警去除效果验证的测试图像,图2中区域生长阈值:Thre=0.5,图9中区域生长阈值:Thre=0.25。
在本实验中使用训练图像和测试图像前,先进行相对的辐射定标,具体做法为:选取测试和训练图像中属于同一类的区域,比如草地,分别估计其均值为和其真实RCS比值为其均值之比,记为:将训练图像所有像素的幅度值乘以α作为实验中的训练数据。
2.实验内容与结果:
仿真实验1,用本发明的方法对图2进行车辆目标检测的虚警去除实验如下:
对图2进行直方图统计,选取初始的种子点,结果如图3所示;
根据初始种子点,通过区域生长获取未生长出的区域图,在未生长出的区域中,去除和目标大小相近的区域,得到待分类区域图,如图4所示;
在图5中选取树木、建筑、阴影等不可能存在目标的区域作为训练样本集,拟合出训练样本集的概率密度函数,将待分类区域的各像素点幅度值代入训练样本集的概率密度函数,得到待分类区域的一类分类图,去除一类分类图中分类错误的区域,得到正确分类的区域图,如图6所示;
去除图7中对应正确分类区域内检测到的疑似目标,得到去除虚警后的图像,如图8所示。
表1为仿真实验一去除虚警的效果:
表1.对图2用本方法去除虚警后的结果
虚警 | 漏警 | |
基于超像素的SAR图像CFAR目标检测结果 | 117 | 0 |
基于先验场景知识去虚警 | 37 | 0 |
仿真实验2,用本发明的方法对图9进行车辆目标检测的虚警去除实验如下:
对图9进行直方图统计,选取初始的种子点,结果如图10所示;
根据初始种子点,通过区域生长获取未生长出的区域图,在未生长出的区域中,去除和目标大小相近的区域,得到待分类区域图,如图11所示;
在图12中选取树木、建筑、阴影区域作为训练样本集,拟合出训练样本集的概率密度函数,将待分类区域的各像素点幅度值代入训练样本集的概率密度函数,得到待分类区域的一类分类图,去除一类分类图中分类错误的区域,得到正确分类的区域图,如图13所示;
去除图14中对应正确分类区域内检测到的疑似目标,得到去除虚警后的图像,如图15所示。
表2为仿真实验二去除虚警的效果。
表2.对图9用本发明去除虚警后的结果
虚警 | 漏警 | |
基于超像素的SAR图像CFAR目标检测结果 | 402 | 9 |
基于先验场景知识去虚警 | 91 | 14 |
由表1和表2所给出的数据可以发现:
1)相对于单独的传统SAR图像目标检测算法,结合先验场景知识的虚警去除算法,本发明可以在保证漏警较少的情况下,有效的去除复杂场景下SAR图像目标检测中的大量虚警。在同等条件下,可以降低后续鉴别、识别的算法复杂度,提高识别性能。
表1表明:对于图2虚警减少80个,漏警为0,具有较好的效果。
表2表明:对于图9虚警减少311个,漏警增加了5个,漏警增加的原因是因为目标和树木、建筑、阴影区域离的过近且强度相似,区域生长无法使两者分离,造成目标误判,增加了漏警。
2)对于图2和图9两组不同数据,本发明都具有较好的效果,具有一定的稳健性。
Claims (5)
1.一种基于先验场景知识的SAR目标检测虚警去除方法,包括:
A.输入原始SAR图像I,并对其进行两次下采样,每次下采样后的图像用3×3的窗做均值滤波,得到预处理后的SAR图像I';
B.通过区域生长获取SAR图像中不可能存在目标的疑似区域:
B1)对预处理后的SAR图像I'做直方图统计,找到幅度值出现概率最高的像素点S1,将S1作为初始种子点,构成初始种子区域SR;
B2)在种子区域各像素点的八邻域内,找出满足不等式的像素点Di,将其合并到种子区域SR中,其中,为种子区域SR的均值,为像素点Di八邻域内的均值,Thre为根据图像的幅度值给定的阈值;
B3)更新种子区域SR的均值重复步骤B2),直到在所述SAR图像I'中不存在Di,区域生长结束,得到区域生长二值标记图像Ib={r,t},其中,r为生长出的连通区域,t为未生长出的区域, 将未生长出的区域t进行连通区域标记,连通区域像素个数小于100的目标大小状的区域记为t1,t2...tp,大于100的区域记为l1,l2...lq;
B4)在未生长出的区域中去除像素个数小于100的目标大小状的连通区域t1,t2...tp,将剩余未生长出的连通区域l1,l2...lq作为待分类区域,即不可能存在目标的疑似区域;
C.通过一类分类获取不存在目标的真实区域:
C1)在与原始SAR图像I同一批次采集的SAR图像中,选取一幅训练图像It,并在该训练图像It中选取树木、建筑、阴影区域,构成训练样本集T;
C2)用高斯混合模型对训练样本集T的分布进行拟合,得到训练样本集T的概率密度函数P(x),其中x为训练样本集T中某像素点的幅度值;
C3)将预处理后的SAR图像I'中与区域l1,l2...lq对应的各像素点pi的幅度值xi,代入到概率密度函数P(x)中,将满足不等式P(xi)>0.01的pi作为正确分类的像素点;
C4)计算l1,l2...lq待分类区域中分类正确像素点与该区域总像素点个数之比R,找出R≥0.7的区域l′1,l′2...l′p,p≤q,l′1,l′2...l′p为最终分类正确的区域;
D.去除预处理后的SAR图像I'中对应l′1,l′2...l′p各区域内检测到的疑似目标,得到去除虚警后的图像。
2.根据权利要求1所述方法,其中所述步骤A中对原始SAR图像I的两次下采样和均值滤波,按如下步骤进行:
A1)设原始SAR图像I的行数和列数分别为M和N,对I的每一行和每一列隔一个像素点采样,得到行数为M/2、列数为N/2的一次下采样后图像Id;
A2)对一次下采样后图像Id进行均值滤波,得到一次下采样均值滤波后图像:
Idf=conv2(Id,W/9,'same'),
其中,conv2(·)为二维卷积操作;W为二维模板,取3×3的全1矩阵;'same'为保证一次下采样图像Id均值滤波前图像与滤波后图像Idf大小相同的参数;
A3)对一次下采样均值滤波后图像Idf重复步骤A1)和A2),即可得到行数和列数分别为M/4和N/4的两次下采样均值滤波后的图像I'。
3.根据权利要求1所述方法,其中步骤B3中更新种子区域SR的均值是对更新前种子区域SR内所有像素点的幅度值与新合并到种子区域SR中像素点的幅度值求平均:设更新前种子区域SR内包含m个像素点,幅度值分别为v1,v2...vm,新合并到种子区域SR中的像素点个数为n,幅度值分别为v′1,v′2...v′n,则种子区域SR更新后的均值为:
4.根据权利要求1所述方法,其中步骤C2所得到训练样本集T的概率密度函数P(x),表示如下:
其中,n为高斯分量个数;为高斯分量系数;σi为高斯分量标准差;μi为高斯分量均值;x为训练样本集T中某像素点的幅度值。
5.根据权利要求1所述方法,其中步骤C4计算l1,l2...lq待分类区域中分类正确像素点与该区域总像素点个数之比R,是用各区域正确分类像素点个数除以各区域总的像素点个数,即设区域l内包含Y个像素点,其中有X个像素点为正确分类的像素点,则区域l的分类正确率为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510664631.8A CN105389794B (zh) | 2015-10-08 | 2015-10-08 | 基于先验场景知识的sar目标检测虚警去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510664631.8A CN105389794B (zh) | 2015-10-08 | 2015-10-08 | 基于先验场景知识的sar目标检测虚警去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389794A CN105389794A (zh) | 2016-03-09 |
CN105389794B true CN105389794B (zh) | 2018-03-06 |
Family
ID=55422044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510664631.8A Active CN105389794B (zh) | 2015-10-08 | 2015-10-08 | 基于先验场景知识的sar目标检测虚警去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389794B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127699B (zh) * | 2016-06-16 | 2018-10-19 | 哈尔滨理工大学 | 一种道路监控随机运动模糊图像快速复原仿真*** |
CN110298845A (zh) * | 2019-06-17 | 2019-10-01 | 中国计量大学 | 一种基于图像处理的复杂背景下输电线检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208017A (zh) * | 2011-05-30 | 2011-10-05 | 西安电子科技大学 | 基于高分辨率合成孔径雷达图像的舰船检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4947216B2 (ja) * | 2008-09-17 | 2012-06-06 | 富士通株式会社 | 画像処理装置および画像処理方法 |
-
2015
- 2015-10-08 CN CN201510664631.8A patent/CN105389794B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208017A (zh) * | 2011-05-30 | 2011-10-05 | 西安电子科技大学 | 基于高分辨率合成孔径雷达图像的舰船检测方法 |
Non-Patent Citations (1)
Title |
---|
低分辨率遥感影像中道路的全自动提取方法研究;洪日昌等;《遥感学报》;20080131;第12卷(第1期);36-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN105389794A (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN108776779B (zh) | 基于卷积循环网络的sar序列图像目标识别方法 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN103996209B (zh) | 一种基于显著性区域检测的红外舰船目标分割方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN107705313B (zh) | 一种遥感图像舰船目标分割方法 | |
CN111666944A (zh) | 一种红外弱小目标检测方法及装置 | |
CN109460722B (zh) | 一种车牌智能识别方法 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN116665080B (zh) | 基于目标识别的无人机劣化绝缘子检测方法及*** | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN105389794B (zh) | 基于先验场景知识的sar目标检测虚警去除方法 | |
CN110874825B (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN110751667B (zh) | 基于人类视觉***的复杂背景下红外弱小目标检测方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN103365985A (zh) | 一种类别自适应的极化sar分类方法 | |
Bi et al. | A hierarchical salient-region based algorithm for ship detection in remote sensing images | |
CN102194224A (zh) | 一种光学遥感图像坦克群的识别方法 | |
CN111783656A (zh) | 一种基于统计特性预分割的自适应红外小目标检测方法 | |
CN107146230A (zh) | 基于k‑s距离合并代价的sar图像分割方法 | |
CN108447045B (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |