CN108171193B - 基于超像素局部信息度量的极化sar舰船目标检测方法 - Google Patents
基于超像素局部信息度量的极化sar舰船目标检测方法 Download PDFInfo
- Publication number
- CN108171193B CN108171193B CN201810013991.5A CN201810013991A CN108171193B CN 108171193 B CN108171193 B CN 108171193B CN 201810013991 A CN201810013991 A CN 201810013991A CN 108171193 B CN108171193 B CN 108171193B
- Authority
- CN
- China
- Prior art keywords
- sliding window
- superpixel
- pixel
- center
- super
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于超像素局部信息度量的极化SAR舰船目标检测方法,主要解决复杂场景下目标检测率低的问题,其方案是:1.对原始图像进行超像素分割,得到不同尺度下的超像素分割结果;2.对分割后的结果利用滑窗模型计算三种基于超像素级的差异性度量;3.将基于超像素级的差异性度量转换成基于像素级的差异性度量;4.利用核fisher判别,将像素级的差异性度量向量映射成差异性度量值,得到每个像素点的差异性度量值;5.对每个像素点的差异性度量值利用线性SVM分类器进行分类,确定每个像素的类别,进行自动目标检测。本发明提升了复杂场景下的目标检测性能,实现了自动检测的过程,可用于后续的舰船目标鉴别、识别与分类。
Description
技术领域
本发明属于雷达目标检测技术领域,主要涉及极化SAR舰船目标检测方法,可用于后续的舰船目标鉴别、识别与分类。
背景技术
合成孔径雷达SAR利用微波遥感技术,不受气候和昼夜影响,具有全天候、全天时的工作能力,并具有多频段、多极化、视角可变和穿透性等特点。目前,SAR已广泛应用于军事侦察、地质普查、地形测绘和制图、灾情预报、海洋应用以及科学研究等领域,具有广阔的研究和应用前景。极化SAR因能获取完整极化信息的显著优势而迅速成为SAR发展的重要方向之一。基于极化SAR图像的舰船目标检测是极化SAR的一个重要的应用领域。
到目前为止,已经提出了许多使用极化SAR数据来实现目标检测的方法,例如极化白化滤波器,极化陷波滤波器和反射对称滤波器。此外,还提出了一些极化参数和判别特征,以增强潜在目标与局部杂波之间的差异。例如,极化熵与极化度也已被用于船舶目标检测。最近,还提出了基于超像素的散射机制分布特征和基于回归核的局部散射机制差异的舰船目标检测方法。这些方法虽然可以在一定程度上增强舰船和海面的对比度,但也有一些可能会受到复杂的海况和信杂比变化的影响。
由于现有的检测方法基本都是无监督检测方法,因此检测阈值的判定就是一个重要的任务。主要有三种方法来确定检测阈值。第一种方法是对极化统计量应用恒虚警率来计算检测阈值,这种方法计算的检测阈值很大程度上取决于杂波统计建模和参数估计的准确性。第二种方法是根据对某些参数的灵敏性分析,通过经验选择检测阈值,这种方法对不同的极化***是很不方便的。第三种方法是利用聚类方法来确定检测阈值,但是,这种方法的聚类过程必须在局部区域内进行,当没有舰船存在时,这种方法确定的检测阈值可能导致后续检测到许多虚警。
上述传统方法主要有以下两个方面的缺点:第一,容易受到复杂的海况和信杂比变化的影响,导致舰船与海杂波的对比度降低;第二,难以获得准确的检测阈值,给极化目标检测***带来极大的不便。
发明内容
本发明的目的在于针对已有极化SAR舰船目标检测方法的不足,提出一种基于超像素局部信息度量的极化SAR舰船目标检测方法,以增强舰船和海杂波的对比度,实现自动目标检测,提高在复杂情况下的检测性能。
为实现上述目的,本发明的技术方案包括如下:
(1)对给定的极化SAR图像I分别进行多尺度超像素分割,得到4个尺度下极化SAR图像超像素分割结果:S1,S2,S3,S4;
(2)对超像素分割后的结果Sk,利用超像素滑动窗口模型分别计算三种基于超像素级的差异性度量:似然比度量黎曼距离度量散射分量相似性度量其中,k=1,...,4,表示4个尺度, 表示当前尺度分割结果Sk中的超像素个数,j=1,...,Mi,Mi表示以超像素为中心的滑窗边界上的超像素个数;
(4)选择高斯核函数,利用核fisher判别分析算法KFDA将(3)中得到的每个像素点在不同分割尺度下融合后的差异性度量向量Ds映射成每个像素点最终的差异性度量值Diss;
(5)利用支持向量机分类器SVM,对(4)中映射出的每个像素点最终的差异性度量值Diss进行分类,输出每个像素点的类别,实现自动目标检测。
本发明具有如下优点:
1.本发明由于计算了三种超像素级的差异性度量并将超像素级的差异性转化为像素级的差异性度量,相比于传统的极化SAR图像舰船目标检测方法,不仅减小了相干斑的影响,而且增强了舰船和海杂波的对比度;
2.本发明由于采用监督分类方法进行自动目标检测,保证了在复杂情况下良好的检测性能。
附图说明
图1是本发明的实现流程图;
图2为本发明实验1所用的实测极化SAR图像;
图3为本发明实验2所用的实测极化SAR图像;
图4为图2中的R5区域以及R5区域在各检测算法下的检测结果图像;
图5为图3中的R6区域以及R6区域在各检测算法下的检测结果图像。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细说明:
参见图1,本发明的实现步骤包括如下:
步骤1,对给定的极化SAR图像I分别进行多尺度超像素分割。
超像素分割算法包括:SLIC算法、Turbo pixel算法、Normalized-cuts算法和Y.Wang等提出的针对极化SAR图像的改进的SLIC算法等,本实例根据不同的尺度,利用但不限于改进的SLIC算法对极化SAR图像I进行超像素分割,其实现如下:
当尺度为6时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S1;
当尺度为9时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S2;
当尺度为12时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S3;
当尺度为15时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S4。
步骤2,对超像素分割后的结果Sk,利用超像素滑动窗口模型分别计算三种基于超像素级的差异性度量,其中,k=1,...,4表示4个尺度。
上述三种基于超像素的差异性度量的计算如下:
其中,lnQc是一个恒定参数,取值为-150;
其中,tr(·)表示矩阵的迹;
其中,h是一个参数,其值为0.5;
其中,|·|表示取绝对值,β1是滑窗中心超像素相干矩阵通过极化目标分解算法得到的面散射参数,α1是滑窗中心超像素相干矩阵通过极化目标分解算法得到的二次散射参数,为滑窗中心超像素相干矩阵通过极化目标分解算法得到的面散射分解系数,为滑窗中心超像素相干矩阵通过极化目标分解算法得到的二次散射分解系数,为滑窗中心超像素相干矩阵通过极化目标分解算法得到的体散射分解系数;
其中,β2是滑窗边界超像素相干矩阵通过极化目标分解算法得到的面散射参数,α2是滑窗边界超像素相干矩阵通过极化目标分解算法得到的二次散射参数,为滑窗边界超像素相干矩阵通过极化目标分解算法得到的面散射分解系数,为滑窗边界超像素相干矩阵通过极化目标分解算法得到的二次散射分解系数,为滑窗边界超像素相干矩阵通过极化目标分解算法得到的体散射分解系数;
其中,上标H是共轭转置,||·||2是L2范数,|·|表示取绝对值;
3g)将不同超像素分割结果Sk下每个像素的差异性度量进行平均,得到每个像素s的最终差异性度量向量:
步骤4,选择高斯核函数,利用核fisher判别分析算法KFDA将(3)中得到的每个像素点在不同分割尺度下融合后的差异性度量向量Ds映射成每个像素点最终的差异性度量值Diss。
步骤5,利用线性支持向量机分类器SVM,对(4)中映射出的每个像素点最终的差异性度量值Diss进行分类,输出每个像素点的类别,实现自动目标检测。
本发明的效果可通过以下实验数据进一步说明:
实验1:
1.1)实验场景:
本实验所用的数据是C波段RadarSat-2全极化数据集,分辨率为12米×8米,即距离向×方位向,该数据集是于2010年8月4日在东京湾获得,入射角为35度,如图2所示。
训练数据是图2中R4区域图像,测试数据是图2中的R5区域图像如图4(a)所示,图4(a)中一共有38个潜在目标,强目标用矩形圈出,弱目标由圆圈圈出。
1.2)实验参数:
线性支持向量机SVM的惩罚系数V=50,核fisher判别分析算法KFDA中的核参数g=2。
1.3)实验内容:
用本发明对图4(a)进行实验,检测结果如图4(b)所示;
用现有的极化白化滤波检测器PWF对图4(a)进行实验,结果如图4(c)所示;
用现有的极化陷波滤波器PNF对图4(a)进行实验,结果如图4(d)所示;
用现有的反射对称滤波器RSF对图4(a)进行实验,结果如图4(e)所示;
用现有的基于显著性的检测器SD-LSMDRK对图4(a)进行实验,结果如图4(f)所示;
用现有的基于超像素散射机制分布特征的检测器SPD对图4(a)进行实验,结果如图4(g)所示。
由图4(b)-4(g)可见,本发明方法检测到了所有目标且只有很少的虚警,这证明了该方法对抑制海杂波的有效性。而对于传统的方法PWF、PNF和RSF,有更多的虚警;PWF检测到的目标像素数目比本发明方法要少,PNF没有检测到图4(a)中目标3,RSF没有检测到图4(a)中目标1-4;SD-LSMDRK和SPD虽然与本发明方法有相似的检测性能,然而,本方法可自动确定阈值,而这两个方法无法自动确定阈值。
上述实验1的检测结果对比如表1所示:
表1不同方法的检测结果
不同方法 | 本发明 | PWF | PNF | RSF | SD-LSMDRK | SPD |
N<sub>td</sub> | 38 | 38 | 37 | 34 | 38 | 38 |
N<sub>fa</sub> | 6 | >6 | 12 | >6 | 5 | 12 |
表1中的Ntd表示检测到的目标个数,Nfa表示虚假目标的个数。
从表1中可见,本发明检测到了所有的目标,且虚假目标的个数也是较少的,因此与传统方法相比较,本发明在一定程度上提升了算法的检测性能。
实验2:
2.1)实验场景:
本实验所用的数据是C波段RadarSat-2全极化数据集,分辨率为12米×8米,即距离向×方位向,该数据集是于2011年6月23日在中国塘沽港获得,入射角为30度。如图3所示。
训练数据是图3中R7区域图像,测试数据是图3中的R6区域图像如图5(a)所示,图5(a)中一共有46个潜在目标,强目标用矩形圈出,弱目标由圆圈圈出。
2.2)实验参数:
线性支持向量机SVM的惩罚系数V=50,核fisher判别分析算法KFDA中的核参数g=2。
2.3)实验内容:
用本发明对图5(a)进行实验,检测结果如图5(b)所示;
用现有的极化白化滤波检测器PWF对图5(a)进行实验,结果如图5(c)所示;
用现有的极化陷波滤波器PNF对图5(a)进行实验,结果如图5(d)所示;
用现有的反射对称滤波器RSF对图5(a)进行实验,结果如图5(e)所示;
用现有的基于显著性的检测器SD-LSMDRK对图5(a)进行实验,结果如图5(f)所示;
用现有的基于超像素散射机制分布特征的检测器SPD对图5(a)进行实验,结果如图5(g)所示。
从图5(b)-5(g)可看出,本发明方法检测到了所有目标且只有很少的虚警,这证明了该方法对抑制海杂波的有效性。而对于传统的方法PWF、PNF、RSF、SD-LSMDRK和SPD,有更多的虚警。PWF、PNF、RSF、SD-LSMDRK和SPD检测到的目标像素数目比本发明方法要少,说明本发明在一定程度上提升了算法的检测性能。
上述实验2的检测结果对比如表2所示:
表2不同方法的检测结果
不同方法 | 本发明 | PWF | PNF | RSF | SD-LSMDRK | SPD |
N<sub>td</sub> | 46 | 45 | 43 | 42 | 45 | 42 |
N<sub>fa</sub> | 3 | >3 | >3 | >3 | 5 | 4 |
从表2中可见,只有本发明检测到了所有的目标,且虚假目标的个数也是最少的,因此与传统方法相比较,本发明在一定程度上提升了算法的检测性能。
综上,本发明是基于超像素局部信息度量的极化SAR舰船目标检测方法,增强了舰船与海杂波的对比度,抑制了相干斑的影响,使得舰船与海杂波的差异性增大,并利用监督分类进行自动目标检测,从而提升了舰船检测算法的性能。
Claims (5)
1.基于超像素局部信息度量的极化SAR舰船目标检测方法,包括:
(1)对给定的极化SAR图像I分别进行多尺度超像素分割,得到4个尺度下极化SAR图像超像素分割结果:S1,S2,S3,S4;
(2)对超像素分割后的结果Sk,利用超像素滑动窗口模型分别计算三种基于超像素级的差异性度量:似然比度量黎曼距离度量散射分量相似性度量其中,k=1,...,4,表示4个尺度, 表示当前尺度分割结果Sk中的超像素个数,j=1,...,Mi,Mi表示以超像素为中心的滑窗边界上的超像素个数;其中,求解基于超像素级的似然比度量按照如下步骤进行:
其中,lnQc是一个恒定参数,取值为-150;
(4)选择高斯核函数,利用核fisher判别分析算法KFDA将(3)中得到的每个像素点在不同分割尺度下融合后的差异性度量向量Ds映射成每个像素点最终的差异性度量值Diss;
(5)利用支持向量机分类器SVM,对(4)中映射出的每个像素点最终的差异性度量值Diss进行分类,输出每个像素点的类别,实现自动目标检测。
2.根据权利要求1所述的方法,其中步骤(1)进行多尺度的超像素分割,按如下步骤进行;
超像素分割算法包括:SLIC算法、Turbo pixel算法、Normalized-cuts算法和Y.Wang提出的针对极化SAR图像的改进的SLIC算法,根据不同的尺度,利用改进的SLIC算法对极化SAR图像I进行超像素分割,其实现如下:
当尺度为6时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S1;
当尺度为9时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S2;
当尺度为12时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S3;
当尺度为15时,利用改进的SLIC算法,对给定的极化SAR图像I进行超像素分割,得到分割后的结果S4。
其中,tr(·)表示矩阵的迹;
其中,h是一个参数,其值为0.5。
其中,|·|表示取绝对值,β1是滑窗中心超像素相干矩阵通过极化目标分解算法得到的面散射参数,α1是滑窗中心超像素相干矩阵通过极化目标分解算法得到的二次散射参数,为滑窗中心超像素相干矩阵通过极化目标分解算法得到的面散射分解系数,为滑窗中心超像素相干矩阵通过极化目标分解算法得到的二次散射分解系数,为滑窗中心超像素相干矩阵通过极化目标分解算法得到的体散射分解系数;
其中,β2是滑窗边界超像素相干矩阵通过极化目标分解算法得到的面散射参数,α2是滑窗边界超像素相干矩阵通过极化目标分解算法得到的二次散射参数,为滑窗边界超像素相干矩阵通过极化目标分解算法得到的面散射分解系数,为滑窗边界超像素相干矩阵通过极化目标分解算法得到的二次散射分解系数,为滑窗边界超像素相干矩阵通过极化目标分解算法得到的体散射分解系数;
其中,上标H是共轭转置,||·||2是L2范数,|·|表示取绝对值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013991.5A CN108171193B (zh) | 2018-01-08 | 2018-01-08 | 基于超像素局部信息度量的极化sar舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013991.5A CN108171193B (zh) | 2018-01-08 | 2018-01-08 | 基于超像素局部信息度量的极化sar舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171193A CN108171193A (zh) | 2018-06-15 |
CN108171193B true CN108171193B (zh) | 2021-09-10 |
Family
ID=62517417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810013991.5A Active CN108171193B (zh) | 2018-01-08 | 2018-01-08 | 基于超像素局部信息度量的极化sar舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171193B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063750B (zh) * | 2018-07-17 | 2022-05-13 | 西安电子科技大学 | 基于cnn和svm决策融合的sar目标分类方法 |
CN110070545B (zh) * | 2019-03-20 | 2023-05-26 | 重庆邮电大学 | 一种城镇纹理特征密度自动提取城镇建成区的方法 |
CN110781753A (zh) * | 2019-09-27 | 2020-02-11 | 杭州电子科技大学 | 基于Gp0混合模型的极化SAR舰船目标快速检测方法 |
CN110717956B (zh) * | 2019-09-30 | 2023-06-20 | 重庆大学 | 一种有限角投影超像素引导的l0范数最优化重建方法 |
CN111123267B (zh) * | 2019-10-30 | 2021-08-20 | 清华大学 | 合成孔径雷达图像舰船检测方法及装置 |
CN111027511B (zh) * | 2019-12-23 | 2022-04-29 | 西安电子科技大学 | 基于感兴趣区块提取的遥感图像舰船检测方法 |
CN112766221B (zh) * | 2021-02-01 | 2022-06-14 | 福州大学 | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 |
CN113989505B (zh) * | 2021-11-02 | 2024-02-20 | 陕西师范大学 | 基于融合多层级模糊聚类软决策结果的sar目标检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8144361B2 (en) * | 2008-03-18 | 2012-03-27 | Konica Minolta Laboratory U.S.A., Inc. | Creation and placement of two-dimensional barcode stamps on printed documents for storing authentication information |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
CN104680181A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于似然比特征的sar图像超像素分割方法 |
CN105469088A (zh) * | 2015-11-17 | 2016-04-06 | 西北工业大学 | 一种适用于目标识别的物体预测区域优化方法 |
CN105976376A (zh) * | 2016-05-09 | 2016-09-28 | 电子科技大学 | 一种基于部件模型的高分辨sar图像目标检测方法 |
CN106291550A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于局部散射机制差异回归核的极化sar舰船检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10642891B2 (en) * | 2013-04-12 | 2020-05-05 | Avigilon Fortress Corporation | Graph matching by sub-graph grouping and indexing |
-
2018
- 2018-01-08 CN CN201810013991.5A patent/CN108171193B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8144361B2 (en) * | 2008-03-18 | 2012-03-27 | Konica Minolta Laboratory U.S.A., Inc. | Creation and placement of two-dimensional barcode stamps on printed documents for storing authentication information |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
CN104680181A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于似然比特征的sar图像超像素分割方法 |
CN105469088A (zh) * | 2015-11-17 | 2016-04-06 | 西北工业大学 | 一种适用于目标识别的物体预测区域优化方法 |
CN105976376A (zh) * | 2016-05-09 | 2016-09-28 | 电子科技大学 | 一种基于部件模型的高分辨sar图像目标检测方法 |
CN106291550A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于局部散射机制差异回归核的极化sar舰船检测方法 |
Non-Patent Citations (5)
Title |
---|
A Hierarchical Ship Detection Scheme for High-Resolution SAR Images;Yinghua Wang 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20121031;第50卷(第10期);4173-4184 * |
HRWS SAR 图像舰船目标监视技术研究综述;邢相薇 等;《雷达学报》;20150206;第4卷(第1期);107-121 * |
Riemannian Distances for Signal Classification by Power Spectral Density;Kon Max Wong 等;《IEEE Journal of Selected Topics in Signal Processing》;20130831;654-669 * |
SAR 图像舰船目标识别综述;陈文婷 等;《现代雷达》;20121115;第34卷(第11期);53-58 * |
Superpixel-Level CFAR Detectors for Ship Detection in SAR Imagery;Odysseas Pappas 等;《IEEE Geoscience and Remote Sensing Letters》;20160405;730-734 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171193A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
Zhai et al. | Inshore ship detection via saliency and context information in high-resolution SAR images | |
Leng et al. | A bilateral CFAR algorithm for ship detection in SAR images | |
Bujor et al. | Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images | |
He et al. | A novel automatic PolSAR ship detection method based on superpixel-level local information measurement | |
Parizzi et al. | Adaptive InSAR stack multilooking exploiting amplitude statistics: A comparison between different techniques and practical results | |
WO2016101279A1 (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
CN110349160B (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
Fan et al. | Oil spill monitoring based on SAR remote sensing imagery | |
Xia et al. | A novel sea-land segmentation algorithm based on local binary patterns for ship detection | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN101482969B (zh) | 基于同质点计算的sar图像去斑方法 | |
CN110889843A (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
Li et al. | Ship detection in a large scene SAR image using image uniformity description factor | |
CN112883877B (zh) | 基于双重非监督分类的极化sar红树林提取方法及*** | |
Huang et al. | Superpixel-based change detection in high resolution sar images using region covariance features | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
Jiang et al. | Ship detection based on feature confidence for high resolution SAR images | |
CN105046707B (zh) | 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法 | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和*** |
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 |