CN106845343A - 一种光学遥感图像海上平台自动检测方法 - Google Patents
一种光学遥感图像海上平台自动检测方法 Download PDFInfo
- Publication number
- CN106845343A CN106845343A CN201611161835.0A CN201611161835A CN106845343A CN 106845343 A CN106845343 A CN 106845343A CN 201611161835 A CN201611161835 A CN 201611161835A CN 106845343 A CN106845343 A CN 106845343A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- random field
- convolutional neural
- neural networks
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种光学遥感图像海上平台自动检测方法,首先对海上油气平台多分辨率、多视点的遥感成像特性进行分析,通过特征子空间和主成分分量拟合最佳遥感图像。然后通过时空马尔可夫随机场模型,提高海上平台检测的信噪比与信杂比,输出目标显著性图像。最后构建大规模的目标标准数据集,对深度卷积神经网络进行基于hadoop分布式文件存储***的多节点并行架构训练,对深度卷积神经网络持续调优,提取大规模目标的稳定特性,实现海量遥感图像中海上油气平台快速、准确的自动检测。
Description
技术领域
本发明属于遥感图像解译领域,尤其涉及一种光学遥感图像海上平台自动检测方法。
背景技术
1.1基于海上油气平台地理位置相对固定的检测方法
根据海上油气平台地理位置相对固定、舰船目标不断运动的特点实现检测。如Casadio S.等基于欧洲环境卫星的SAR图像数据,采用CFAR方法检测海上目标,根据目标的位置不变性提取海上油气平台;Cheng L.等采用双参数的CFAR检测海上目标,再根据固定目标的相对三角位置不变原理提取海上平台;Yongxue Liu等采用Landsat陆地成像仪(OLI)的多光谱数据,根据上下文特征和位置、尺度的不变性检测海上油气平台。
1.2基于海上油气平台红外辐射特性检测方法
第二类方法通过海上油气平台的红外辐射特性来实现目标检测。大部分的海上油气平台通过放空火炬燃烧废气,通过在红外波段提取火点可以有效探测到这些海上平台。如Elvidge等通过美国防卫气象卫星的OLS(Operational Line-scan System)传感器数据进行全球的天然气火点检测;Casadio等通过ATSR(Along Track Scanning Radiometer)传感器数据,对SAR图像检测目标进行辐射特征提取,检测大西洋北海区域的海上平台;Anejionu等通过Landsat和MODIS的卫星数据,采用辐射滤波和空间滤波检测燃烧天然气的海上平台;孟若琳等采用Landsat TM传感器的多光谱数据,通过最优阈值选取和滑动窗口法提取海上油气平台。
上述两类海上油气平台检测方法都是先对单一时相的图像进行目标检测,显然,在这种情况下,整体检测率将受到单时相图像检测率的直接影响,某一时相的检测错误就可能导致最终的漏检或虚警。而对于海上油气平台,单时相下检测率难以保障,主要是因为:1)海上油气平台尺度较小,其长宽通常在100米左右,在普通分辨率的遥感图像中只有十几个像素大小;2)海上油气平台成像信号较弱,难以与背景明显区分;3)海上环境复杂,海浪、云层等杂波干扰严重;4)与舰船的成像特征类似,易受舰船目标干扰。
发明内容
本发明所要解决的技术问题是针对从海量遥感图像数据中检测海上油气平台时,面临的目标检测准确率低、工作量大的问题,提出了一种基于深度卷积神经网络和三维时空马尔可夫随机场的海上平台检测方法。
本发明为解决上述技术问题采用以下技术方案
一种光学遥感图像海上平台自动检测方法,具体包含如下步骤:
步骤1,对海上油气平台多分辨率、多视点的遥感成像特性进行分析,通过特征子空间和主成分分量拟合遥感图像;
步骤2,通过时空马尔可夫随机场模型,提高海上平台检测的信噪比与信杂比,输出目标显著性图像;
步骤3,构建目标标准数据集,对深度卷积神经网络进行基于hadoop分布式文件存储***的多节点并行架构训练,对深度卷积神经网络持续调优,提取大规模目标的稳定特性,实现海量遥感图像中海上油气平台快速、准确的自动检测。
作为本发明光学遥感图像海上平台自动检测方法的进一步优选方案,所述步骤1具体包含如下步骤:
步骤1.1,选取不同分辨率、多视点下的多时相光学遥感图像集;
步骤1.2,建立海洋检测识别区域先验知识数据库;
步骤1.3,通过步骤2中建立的先验知识数据库对步骤1中的输入图像集进行处理,将遥感数据中的非海洋区域信息、不可能进行海上油气开发的海洋较深区域的信息进行剔除,得到处理后的图像集;
步骤1.4,对步骤3中得到的图像集进行人工标定,获得标记遥感图像集;
步骤1.5,对标记遥感图像集的特征子空间和主成分进行仿真分析,获得多时相遥感图像集。
作为本发明光学遥感图像海上平台自动检测方法的进一步优选方案,所述步骤2具体包含如下步骤:
步骤2.1,对图像集中的图像进行时域低通滤波,初始化马尔可夫随机场;
步骤2.2,根据输入的多时相遥感图像,建立三维马尔可夫随机场模型,并考虑遥感图像灰度分布信息符合有限混合高斯模型,获得联合条件概率;
步骤2.3,根据步骤2.2中的条件概率进行最大似然估计,计算马尔可夫随机场模型参数;
步骤2.4,用计算出来的参数更新马尔可夫随机场,重新通过最大似然估计获取马尔可夫随机场模型参数;
步骤2.5,对比前后两次计算的马尔可夫随机场模型参数误差是否满足收敛;若满足,则执行步骤2.6,否则继续执行步骤2.4;
步骤2.6,通过三维时空马尔可夫随机场模型计算输出目标显著性图像。
作为本发明光学遥感图像海上平台自动检测方法的进一步优选方案,所述步骤3具体包含如下步骤:
步骤3.1,获取平台样本库,进而存储在hadoop分布式文件存储***上,在k个节点上存储样本库子集,让各节点单独训练样本库,初始化卷积神经网络各参数;
步骤3.2,各节点同时进行样本库子集的完整网络训练,得到卷积神经网络参数向量,并使用各节点的神经网络参数拟合整体神经网络参数;
步骤3.3,用整体神经网络参数更新各节点神经网络参数;
步骤3.4,人工交互确定训练效果,持续参数调优,重复执行步骤3.2至步骤3.3,直到训练达到要求;
步骤3.5,添加目标样本,重复步骤3.2至步骤3.4;
步骤3.6,使用步骤3.5中训练好的卷积神经网络对步骤2.6中输出的目标显著性图像进行检测,输出目标检测结果。
作为本发明光学遥感图像海上平台自动检测方法的进一步优选方案,在步骤1.2中,所述数数据库包含近海的经纬度、海洋深度。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1)建立了海上平台在多分辨率、多视点下的光学遥感成像特性的分析方法,有利于辨别区分目标与虚警目标;
2)建立多时相的三维时空马尔科夫随机场模型,有效的输出目标显著性图像,显著抑制图像杂波和噪声干扰;
3)构建基于hadoop分布式文件存储的并训练深度卷积神经网络,极大的提高了训练效率,并达到较高的海上平台目标检测的准确性。
附图说明
图1是海上平台检测方法框图;
图2是三维马尔可夫随机场模型;
图3是卷积神经网络架构图;
图4是卷积神经网络并行计算架构图;
图5是多时相遥感数据仿真分析逻辑框图;
图6是三维马尔可夫随机场模型建模逻辑框图;
图7是深度卷积神经网络并行训练架构逻辑框图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明采用的技术方案是:首先对海上油气平台多分辨率、多视点的遥感成像特性进行分析,通过特征子空间和主成分分量拟合最佳遥感图像。然后通过时空马尔可夫随机场模型,提高海上平台检测的信噪比与信杂比,输出目标显著性图像。最后构建大规模的目标标准数据集,对深度卷积神经网络进行基于hadoop分布式文件存储***的多节点并行架构训练,对深度卷积神经网络持续调优,提取大规模目标的稳定特性,实现海量遥感图像中海上油气平台快速、准确的自动检测。
步骤1,对海上油气平台多分辨率、多视点的遥感成像特性进行分析,通过特征子空间和主成分分量拟合遥感图像;
步骤2,通过时空马尔可夫随机场模型,提高海上平台检测的信噪比与信杂比,输出目标显著性图像;
步骤3,构建大规模的目标标准数据集,对深度卷积神经网络进行基于hadoop分布式文件存储***的多节点并行架构训练,对深度卷积神经网络持续调优,提取大规模目标的稳定特性,实现海量遥感图像中海上油气平台快速、准确的自动检测。
作为本发明光学遥感图像海上平台自动检测方法的进一步优选方案,所述步骤1具体包含如下步骤:
步骤1.1,选取特征明显的一定数量的不同分辨率、多视点下的多时相光学遥感图像集A1;
步骤1.2,建立大范围海洋检测识别区域先验知识数据库SQ;
步骤1.3,通过步骤2中建立的先验知识数据库SQ对步骤1中的输入图像集A1进行处理,将遥感数据中的非海洋区域信息、不可能进行海上油气开发的海洋较深区域的信息进行剔除,得到处理后的图像集A2;
步骤1.4,对步骤3中得到的图像集A2进行人工标定,获得标记遥感图像集A3;
步骤1.5,对标记遥感图像集的特征子空间和主成分进行仿真分析,获得多时相遥感图像集A4。
作为本发明光学遥感图像海上平台自动检测方法的进一步优选方案,所述步骤2具体包含如下步骤:
步骤2.1,对图像集A4中的图像进行时域低通滤波,初始化马尔可夫随机场;
步骤2.2,根据输入的多时相遥感图像,建立三维马尔可夫随机场模型,并考虑遥感图像灰度分布信息符合有限混合高斯模型,获得联合条件概率;
步骤2.3,根据步骤2.2中的条件概率进行最大似然估计,计算马尔可夫随机场模型参数;
步骤2.4,用计算出来的参数更新马尔可夫随机场,重新通过最大似然估计获取马尔可夫随机场模型参数;
步骤2.5,对比前后两次计算的马尔可夫随机场模型参数误差是否满足收敛;若满足,则执行步骤2.6,否则继续执行步骤2.4;
步骤2.6,通过三维时空马尔可夫随机场模型计算输出目标显著性图像。
作为本发明光学遥感图像海上平台自动检测方法的进一步优选方案,所述步骤3具体包含如下步骤:
步骤3.1,获取平台样本库,存储在hadoop分布式文件存储***上,在k个节点上存储样本库子集,让各节点单独训练样本库,初始化卷积神经网络各参数;
步骤3.2,各节点同时进行样本库子集的完整网络训练,得到卷积神经网络参数向量,并使用各节点的神经网络参数拟合整体神经网络参数;
步骤3.3,用整体神经网络参数更新各节点神经网络参数;
步骤3.4,人工交互确定训练效果,持续参数调优,重复执行步骤3.2至步骤3.3,直到训练达到要求;
步骤3.5,添加目标样本,重复步骤3.2至步骤3.4;
步骤3.6,使用步骤3.5中训练好的卷积神经网络对步骤2.6中输出的目标显著性图像进行检测,输出目标检测结果。
图1是本发明方法的主体结构框图,基于深度卷积神经网络和三维马尔可夫随机场的遥感图像海上平台的检测方法主要包含三个部分:第一部分,海上平台遥感成像特性分析仿真与拟合;第二部分;多时相海上平台的三维时空马尔可夫随机场建模;第三部分,基于深度卷积神经网络的并行架构训练及海上平台自动提取。第一部分的输出作为第二个部分的输入,第二个部分的输出作为第三部分中的平台检测部分的输入。
图2是三维时空马尔可夫随机场模型图,将二维坐标***的单帧遥感图像按照时空排列,组成了三维图像模型,模型中任一像元都是存在8个空域上的邻点和18个时域上的邻点。
图3是卷积神经网络架构图,卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。图中C1、S2、C3和S4均是特征图像,C1和C3是卷积层特征图像,重点在于特征的提取,S2和S4是采样层特征图像,重点在于特征的计算。
图4是卷积神经网络并行计算架构图。大量的训练样本存储到不同的存储节点上,样本之间相互独立,每一个存储节点上具完整的卷积神经网络,因此每个节点上的神经网络只负责训练部分样本集,节点处理完成之后进行一次更新。样本在训练过程中,在网络各层间是单向逐层进行,同层的特征图、神经元以及神经元权值是相互独立的,因此可以存在多个样本在卷积神经网络中并行计算。
图5是多时相遥感数据仿真分析逻辑框图,首先是根据输入遥感数据,判定遥感数据的地理位置,根据先验知识,建立遥感数据地理信息数据库,剔除输入的遥感数据中的非海洋部分。其次对处理后的图像进行人工标定平台目标以及舰船、岛礁等非目标。然后对遥感图像进行特征子空间以及主成分分析,选择最佳的波段图像。
图6是三维时空马尔可夫随机场模型建模逻辑框图,对输入的图像进行时域低通滤波,来初始化马尔可夫随机场。遥感图像的灰度信息符合有限混合高斯分布,获得三维马尔可夫随机场模型的条件概率,通过最大似然估计求解模型参数,更新模型,当最大似然估计收敛,输出目标显著性图像。
图7是深度卷积神经网络并行训练架构逻辑框图,对样本库进行分布式存储,在各存储节点上同时进行深度卷积神经网络的训练,并通过人工交互确认,对模型参数持续调优,并添加样本库进行训练。当达到理想的卷积神经网络,对输入的图像进行快速的检测,输出检测结果。
下面详细说明本发明的技术方案以及所依据的科学原理。
1、海上平台遥感成像特性分析中的主成分分析原理:
①假设输入n帧遥感图像数据,将第i帧图像转化为长度为L的向量,进而建立L×n的图像二维矩阵C={c1,c2,…cn}。
②鉴于光学遥感图像的数据较大,假设n≤L,二维矩阵图像C的均值为为便于描述,将记为对进行奇异值分解,可得到
其中,∑是对角矩阵,其对角元素σ1,…,σn是的特征值,并且元素值是将序排列,即σ1≥σ2≥σ3≥,…,≥σn;U是一个正交矩阵,U中的列向量是的特征向量,与∑中的σ1,…,σn想对应;V是一个正交矩阵,V中的列向量是的特征向量。
③对于对角矩阵∑,当i值大于某一值时,σi值很小,此时保留U矩阵的前m列,得到新的矩阵Um,即遥感图像的主成分分量数据。
2、遥感图像时空三维马尔可夫随机场模型原理如下:
(1)马尔可夫模型原理
马尔可夫随机场包含马尔可夫性质和随机场两层意思。马尔可夫性质是指将来的状态仅仅和当前的状态有关,当给每一个位置都按照某种分布随机赋予相空间的一个值后,其全体就叫做随机场。
①设S={(i,j)|1≤i≤M,1≤j≤N}表示MN位置的有限点集,即随机场中的位置,Λ={1,2,3,…,L}表示状态空间,即随机场中的相空间,X={xs|s∈S}表示定义在的随机场,xs表示在随机场X上,状态空间为Λ的隐状态随机变量,即xs∈Λ。在图像中,格点集S表示像素的位置,X称为标号场,通常为像素值的集合,Λ为标号随机变量xs的集合,L表示将图像分割为不同区域的数目。
②设δ={δ(s)|s∈S}是定义在S上的通用邻域***的集合,其满足如下特性:
则位置r∈δ(s)称为s的邻点,δ(s)称为s的邻点集。本发明中,根据对像元的欧式距离定义邻域***:
δ(n)(s)={r|d(s,r)≤n,r≠s} (3)
式(3)中,n为邻域***的阶次,d(·)用欧式距离表示。对于满足特性S中有不同的邻域结构,在S上有单个像元或者像元与其邻点组成的子集称为一个子团,子团c的集合用C来表示。
③设δ为S上的邻域***,当随机场X={xs|s∈S}满足如下条件:
则称X为以δ为邻域***的马尔可夫随机场。
(2)马尔科夫随机场参数的迭代估计:
①为了确定标号场先验概率和标号场的邻域局部关系,建立马尔可夫随机场与Gibbs分布关系。Gibbs分布满足如下的联合概率分布形式:
P(X=x)=(1/Z)exp[-U(x)] (5)
其中,称为能量函数,Vc(x)是仅与子团c内各像元值有关的子团势函数,称为分配函数。Gibbs分布于MRF的等价条件是:
②使用马尔可夫随机场对图像进行分割就是把潜在的图像标号正确表示出来,以达到最大的后验概率(MAP):
③遥感图像的特征使用图像的灰度信息,遥感图像的灰度信息符合下面的有限混合高斯模型。
其中,图像的灰度分为I个区域,ci为分量权重,μi为均值,为方差,Γ(·)是Gamma函数。
对图像灰度的有限混合高斯分布概率函数进行最大似然估计,并且迭代计算,直至前后两次的最大似然估计误差小于α(要求精度值),进而获取最大后验概率,进而求得正确的图像标号,获取目标显著性图像。
(3)三维时空马尔可夫随机场模型原理如下:
不考虑高程信息,结合空间域上的遥感图像数据及时间域上的多时相数据,建立多时相遥感图像的时空域马尔可夫随机场模型。三维时空马尔可夫模型如图2所示:对于二位图像上的点,存在8个空域上的邻点和18个时域上的邻点,通过Gibbs随机场来描述马尔可夫场分布。
本方法中,定义时空邻域***的子团势函数为:
β为当前空域基团参数,βt-1和βt+1基团参数。建立联合概率分布函数:
P(f|xs)=Pt-1(f|xs)Pt(f|xs)Pt+1(f|xs) (10)
使用(2)中的最大似然估计的方法,进行迭代计算,得到最大后验概率,进而获取正确图像标号。
3、深度卷积神经网络的并行架构快速提取目标原理如下:
(1)卷积神经网络(Convolutional Neural Networks,简称CNN):
卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。卷积神经网络的一般结构如图3所示。
卷基层的输出节点可表示为:
其中:分别表示当前和上一层的特征图,表示从上一层第m个特征图到当前层第n个特征图额卷积核,为神经元偏置,f(·)为信号激活函数。
子采样层节点输出可表示为:
式中,s×s是子采样模板尺度,为模板权值。
卷积神经网络CNN全连接输出层的结果可表示为:
(2)深度卷积神经网络的并行架构原理:
基于深度学习的模型训练方法,一般都需要耗费巨大的时间开销,为提高训练的速度,采用基于hadoop分布式文件存储的多节点并行计算架构,如图4所示。大量的训练样本存储到不同的存储节点上,样本之间相互独立,每一个存储节点上具完整的卷积神经网络,因此每个节点上的神经网络只负责训练部分样本集,节点处理完成之后进行一次更新。样本在训练过程中,在网络各层间是单向逐层进行,同层的特征图、神经元以及神经元权值是相互独立的,因此可以存在多个样本在卷积神经网络中并行计算。
Claims (5)
1.一种光学遥感图像海上平台自动检测方法,其特征在于:具体包含如下步骤:
步骤1,对海上油气平台多分辨率、多视点的遥感成像特性进行分析,通过特征子空间和主成分分量拟合遥感图像;
步骤2,通过时空马尔可夫随机场模型,提高海上平台检测的信噪比与信杂比,输出目标显著性图像;
步骤3,构建目标标准数据集,对深度卷积神经网络进行基于hadoop分布式文件存储***的多节点并行架构训练,对深度卷积神经网络持续调优,提取大规模目标的稳定特性,实现海量遥感图像中海上油气平台快速、准确的自动检测。
2.根据权利要求1所述光学遥感图像海上平台自动检测方法,其特征在于:所述步骤1具体包含如下步骤:
步骤1.1,选取不同分辨率、多视点下的多时相光学遥感图像集;
步骤1.2,建立海洋检测识别区域先验知识数据库;
步骤1.3,通过步骤2中建立的先验知识数据库对步骤1中的输入图像集进行处理,将遥感数据中的非海洋区域信息、不可能进行海上油气开发的海洋较深区域的信息进行剔除,得到处理后的图像集;
步骤1.4,对步骤3中得到的图像集进行人工标定,获得标记遥感图像集;
步骤1.5,对标记遥感图像集的特征子空间和主成分进行仿真分析,获得多时相遥感图像集。
3.根据权利要求1所述光学遥感图像海上平台自动检测方法,其特征在于:所述步骤2具体包含如下步骤:
步骤2.1,对图像集中的图像进行时域低通滤波,初始化马尔可夫随机场;
步骤2.2,根据输入的多时相遥感图像,建立三维马尔可夫随机场模型,并考虑遥感图像灰度分布信息符合有限混合高斯模型,获得联合条件概率;
步骤2.3,根据步骤2.2中的条件概率进行最大似然估计,计算马尔可夫随机场模型参数;
步骤2.4,用计算出来的参数更新马尔可夫随机场,重新通过最大似然估计获取马尔可夫随机场模型参数;
步骤2.5,对比前后两次计算的马尔可夫随机场模型参数误差是否满足收敛;若满足,则执行步骤2.6,否则继续执行步骤2.4;
步骤2.6,通过三维时空马尔可夫随机场模型计算输出目标显著性图像。
4.根据权利要求1所述光学遥感图像海上平台自动检测方法,其特征在于:所述步骤3具体包含如下步骤:
步骤3.1,获取平台样本库,进而存储在hadoop分布式文件存储***上,在k个节点上存储样本库子集,让各节点单独训练样本库,初始化卷积神经网络各参数;
步骤3.2,各节点同时进行样本库子集的完整网络训练,得到卷积神经网络参数向量,并使用各节点的神经网络参数拟合整体神经网络参数;
步骤3.3,用整体神经网络参数更新各节点神经网络参数;
步骤3.4,人工交互确定训练效果,持续参数调优,重复执行步骤3.2至步骤3.3,直到训练达到要求;
步骤3.5,添加目标样本,重复步骤3.2至步骤3.4;
步骤3.6,使用步骤3.5中训练好的卷积神经网络对步骤2.6中输出的目标显著性图像进行检测,输出目标检测结果。
5.根据权利要求1所述光学遥感图像海上平台自动检测方法,其特征在于:在步骤1.2中,所述数数据库包含近海的经纬度、海洋深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611161835.0A CN106845343B (zh) | 2016-12-15 | 2016-12-15 | 一种光学遥感图像海上平台自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611161835.0A CN106845343B (zh) | 2016-12-15 | 2016-12-15 | 一种光学遥感图像海上平台自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845343A true CN106845343A (zh) | 2017-06-13 |
CN106845343B CN106845343B (zh) | 2020-05-19 |
Family
ID=59139361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611161835.0A Active CN106845343B (zh) | 2016-12-15 | 2016-12-15 | 一种光学遥感图像海上平台自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845343B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009469A (zh) * | 2017-10-24 | 2018-05-08 | 中国科学院电子学研究所苏州研究院 | 一种基于结构递归神经网络的海上油气平台检测方法 |
CN108335222A (zh) * | 2017-12-21 | 2018-07-27 | 中国石油天然气股份有限公司 | 基于多光谱遥感的海域油气勘探现状调查方法及装置 |
CN110823837A (zh) * | 2019-11-19 | 2020-02-21 | 中国科学院遥感与数字地球研究所 | 海洋一类水体离水辐射量的模拟方法及装置 |
CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN112070062A (zh) * | 2020-09-23 | 2020-12-11 | 南京工业职业技术大学 | 一种基于Hadoop的作物渍害图像分类检测及实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768356A (zh) * | 2012-08-03 | 2012-11-07 | 南京大学 | 一种利用多时相雷达数据检测海上静止目标的方法 |
CN103544528A (zh) * | 2013-11-15 | 2014-01-29 | 南京大学 | 一种基于Hadoop的BP神经网络分类方法 |
US8787638B2 (en) * | 2011-04-07 | 2014-07-22 | The Chinese University Of Hong Kong | Method and device for retinal image analysis |
-
2016
- 2016-12-15 CN CN201611161835.0A patent/CN106845343B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8787638B2 (en) * | 2011-04-07 | 2014-07-22 | The Chinese University Of Hong Kong | Method and device for retinal image analysis |
CN102768356A (zh) * | 2012-08-03 | 2012-11-07 | 南京大学 | 一种利用多时相雷达数据检测海上静止目标的方法 |
CN103544528A (zh) * | 2013-11-15 | 2014-01-29 | 南京大学 | 一种基于Hadoop的BP神经网络分类方法 |
Non-Patent Citations (1)
Title |
---|
JIANGQIANG REN等: "Exploiting Global Priors for RGB-D Saliency Detection", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009469A (zh) * | 2017-10-24 | 2018-05-08 | 中国科学院电子学研究所苏州研究院 | 一种基于结构递归神经网络的海上油气平台检测方法 |
CN108009469B (zh) * | 2017-10-24 | 2020-11-24 | 中国科学院电子学研究所苏州研究院 | 一种基于结构递归神经网络的海上油气平台检测方法 |
CN108335222A (zh) * | 2017-12-21 | 2018-07-27 | 中国石油天然气股份有限公司 | 基于多光谱遥感的海域油气勘探现状调查方法及装置 |
CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN111028255B (zh) * | 2018-10-10 | 2023-07-21 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN110823837A (zh) * | 2019-11-19 | 2020-02-21 | 中国科学院遥感与数字地球研究所 | 海洋一类水体离水辐射量的模拟方法及装置 |
CN112070062A (zh) * | 2020-09-23 | 2020-12-11 | 南京工业职业技术大学 | 一种基于Hadoop的作物渍害图像分类检测及实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106845343B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Remote sensing image spatiotemporal fusion using a generative adversarial network | |
EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
CN106228201B (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
CN106845343A (zh) | 一种光学遥感图像海上平台自动检测方法 | |
Chen et al. | CycleGAN-STF: Spatiotemporal fusion via CycleGAN-based image generation | |
Ai et al. | Convolutional neural network to retrieve water depth in marine shallow water area from remote sensing images | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
Mahmon et al. | A review on classification of satellite image using Artificial Neural Network (ANN) | |
Kremezi et al. | Pansharpening PRISMA data for marine plastic litter detection using plastic indexes | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
Chen et al. | SwinSTFM: Remote sensing spatiotemporal fusion using Swin transformer | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
Jeon et al. | Semantic segmentation of seagrass habitat from drone imagery based on deep learning: A comparative study | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
CN106683102A (zh) | 基于脊波滤波器和卷积结构模型的sar图像分割方法 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
Bramhe et al. | Extraction of built-up areas using convolutional neural networks and transfer learning from sentinel-2 satellite images | |
CN111178304A (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
Gao et al. | Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data | |
CN107967454A (zh) | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN106096650B (zh) | 基于收缩自编码器的sar图像分类方法 | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |