CN108376247A - 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 - Google Patents
一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 Download PDFInfo
- Publication number
- CN108376247A CN108376247A CN201810113117.9A CN201810113117A CN108376247A CN 108376247 A CN108376247 A CN 108376247A CN 201810113117 A CN201810113117 A CN 201810113117A CN 108376247 A CN108376247 A CN 108376247A
- Authority
- CN
- China
- Prior art keywords
- land
- sea
- extra large
- image
- segmentation
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000003287 optical effect Effects 0.000 title claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000000605 extraction Methods 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 230000002902 bimodal effect Effects 0.000 claims description 4
- 238000000151 deposition Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000686 essence Substances 0.000 description 18
- 238000000034 method Methods 0.000 description 16
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
针对现有遥感图像海陆分离方法的局限性,本发明提出一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法。第一步采用基于海陆分割查找表的海陆粗分离策略,实现快速的粗精度海陆类型分类。可将大视场遥感图像快速准确的划分为远岸全海、远岸全陆、及海陆并存的三种海陆类型区域,后续只需对海陆并存的情况进行精细的海陆分割操作,极大提升了算法效率。第二步采用基于梯度积分图的海陆交界区域精分割策略,通过对上一步判断为海陆交界类型的区域,进行基于梯度积分图的分割。第三步综合粗分离阶段产生的海陆信息,与精分割阶段获取的海陆信息,可将大视场遥感图像快速准确的划分为海洋和陆地区域,给后续船只检测任务提供引导。
Description
技术领域
本发明涉及一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法。
背景技术
近年来,利用遥感图像进行复杂大视场中的船只检测,已成为海洋遥感应用领域的研究热点。其与典型局部小视场的遥感应用相比,最显著的不同在于:(1)实际船只探测***运行中,输入的大视场图像不仅是纯海图像区域,还可能包括纯陆地及海陆并存的场景情况,而船只探测任务只关心海面区域;而且由于陆地区域的图像特征较为复杂,***处理时会产生大量虚警,从而严重影响探测***运行的时效性及探测性能。(2)由于空天平台搭载的传感器,获得的输入数据具有幅宽大、数据率高的特点,如何在实际***中高效地利用有限的计算资源,提高算法效率同样是一个关键问题。因此,如何针对遥感图像船只目标检测任务,设计高效精确的海陆分离方法是急需解决的关键技术。
目前遥感图像海陆分离技术大都是基于地理信息(如海岸线数据库)的方法,此类方法仅需地理信息的匹配,因此具有较高的计算效率,但也存在固有的缺陷。如:海岸线数据库精度往往较低(一般粗略到千米量级),而且操作时在海岸线附近还留有缓冲带。因此,基于海岸线数据库的海陆分离方法虽然具有较高的计算效率,但分割的精度不高,容易导致船只检测时产生沿岸虚警,或者近岸船只的漏检测。另一类方法,是利用图像分割算法进行遥感图像的海陆分离,也是目前主流的技术途径之一。分割算法的精度可达到像素级,比海岸线数据库分离方法准确。但目前海陆分割算法大都基于灰度特征实现,其分割的准确性容易受到陆地复杂地物灰度层级多、差异大的影响。此外,由于分割算法是基于像素级的操作,在没有引导信息的情况下需遍历全图所有像素,导致运算量较高,影响实际应用的时效性。因此,需要针对大视场遥感图像船只检测的应用特点,设计准确、高效的海陆分离方法。
发明内容
针对上述现有遥感图像海陆分离方法的局限性,本发明提出一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法,包括:
第一步:基于海陆分割查找表的海陆粗分离
第(1.1)步基于海陆分割查找表的海陆类型分类。
本发明采用由数字高程模型DEM(Digital Elevation Model)建立的海陆分割查找表,进行输入大视场遥感图像的海陆类型分类。
第(1.2)步根据匹配结果,判断当前图像的区域类型。
基于上一步的匹配结果,可将当前大视场遥感图像分为三大类:第一类为远岸全海图像,第二类为远岸全陆地图像,第三类为海陆交界区域图像,之后根据区域类型分策略进行后续对应操作。
第二步:基于梯度积分图的海陆交界区域精分割
为解决利用灰度分割方法,准确性容易受到陆地复杂地物灰度层级多、差异大影响的问题。本发明提出基于梯度积分图的海陆交界区域精分割方法。将上一阶段粗分离判断为海陆交界的区域(海陆并存区域)图像作为输入,进行基于梯度积分图的精确分割。
第(2.1)步海陆交界区的梯度积分图计算
首先,对均值下采样后的海陆交界类型图像作差分处理,求出梯度特征图像;接着,在梯度特征图像的基础上获取积分图,串行步骤包括生成查找表、梯度积分图重绘。
第(2.2)步基于梯度积分图的海陆分割模板获取
利用双峰均值自适应分割算法,对重绘后的积分图进行分割,得到陆地掩膜二值图,然后通过一系列操作得到海陆交界区域的海陆精分割二值模板结果。
第(2.3)步基于海陆模板的海陆交界区分策略处理
根据获取的海陆的二值模板,对标识为陆地的区域,不再进行船只目标的提取;标识为海洋的区域,则会进入后续的船只目标的提取过程。第三步:综合粗分离与精分割的海陆信息
将粗分离阶段产生的海陆信息与精分割阶段获取的海陆信息进行综合,可将大视场遥感图像快速且准确的划分为海洋和陆地区域,给后续船只检测任务提供引导。
一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法,用于快速准确的进行海陆分割,包括以下串行步骤:
A)基于海陆分割查找表的海陆粗分离,包括:
A1)首先,基于数字高程模型建立海陆分割查找表的海陆类型分类;
A2)其次,根据匹配结果,判断当前图像的区域类型,将大视场遥感图像快速准确的划分为大片远岸纯海、大片远岸纯陆、及海陆并存的三种海陆类型区域,
其中对大片远岸纯海、大片远岸纯陆类型区域直接进行后续操作,不必再进行海陆信息的精细区分,而只需对海陆并存的情况进行精细的海陆分割操作,极大提升了算法效率;
B)基于梯度积分图的海陆交界区域精分割,通过对上一步判断为海陆交界类型的区域图像,进行基于梯度积分图的分割:首先求出海陆交界区的梯度积分图,其次基于对梯度积分图处理,获取海陆分割二值模板,最后基于海陆模板的海陆交界区分策略处理;
C)综合粗分离策略与精分割策略的海陆信息,最终合并得到高效准确海陆分割结果,将粗分离阶段产生的海陆信息与精分割阶段获取的海陆信息进行综合,可将大视场遥感图像快速且准确的划分为海洋和陆地区域,
其中:
步骤A1)包括:
基于海陆分割查找表的海陆类型分类;包括采用由数字高程模型DEM(DigitalElevation Model)建立海陆分割查找表,进行输入大视场遥感图像的海陆类型分类,包括
利用数字高程模型(DEM)中每个经纬坐标点的高程信息,将高度海拔低于等于0的大范围区域标识为海洋,高度海拔大于0的大范围区域标识为陆地,并进行膨胀操作对陆地区域中的低洼造成的小“空洞”进行填充,由此生成海陆查找表,其中,查找表的坐标与经纬度坐标之间是一个线性变换关系,类型分类处理是将待处理的图像区域地理经纬坐标范围作为输入,并确定关心区域的四个顶点经纬度在查找表中的对应区域,
根据海陆查找表中的对应数据为基础,得到海陆类型分类的结果。输出的结果是对于这个区域海陆分布的描述,
步骤A2)包括:
根据匹配结果,判断当前图像的区域类型,基于数字高程模型建立海陆分割查找表的海陆类型分类的匹配结果,根据地理位置可将当前匹配的遥感图像分为三大类:第一类为远岸全海图像,第二类为远岸全陆地图像,第三类为海陆交界区域图像,根据区域类型,分策略对图像进行后续操作,包括:
当图像被判断为远岸全海的图像时,将会直接进入后续船只目标提取阶段;
当图像被判断为远岸全陆地的图像时,将会不再进入船只目标提取阶段;
当图像被判断为海陆交界区域图像时,将会直接进入后续精分割的阶段进行基于积分图算法的精确海陆分割。
附图说明
图1是根据本发明的一个实施例的应用于光学遥感船只检测中的分策略粗精结合海陆分离方法的流程图。
图2基于梯度积分图的海陆交界区域精分割流程图。
图3常规图像生成查找表示意图。
具体实施方式
以下结合附图说明根据本发明的应用于光学遥感船只检测中的分策略粗精结合海陆分离方法的实施例。根据本发明的一个实施例的应用于光学遥感船只检测中的分策略粗精结合海陆分离方法的总流程如图1所示,其包括:
第一步:基于海陆分割查找表的海陆粗分离,包括:
第(1.1)步基于海陆分割查找表的海陆类型分类。
本发明采用由数字高程模型DEM(Digital Elevation Model)建立海陆分割查找表,进行输入大视场遥感图像的海陆类型分类。此步骤由海陆查找表生成和海陆类型分类处理两步组成。首先,利用DEM中每个经纬坐标点的高程信息,将高度海拔低于等于0的大范围区域标识为海洋,高度海拔大于0的大范围区域标识为陆地,并进行膨胀操作,对陆地区域中的低洼造成的小“空洞”进行填充。由此生成海陆查找表,其中,查找表的坐标与经纬度坐标之间是一个线性变换关系。类型分类处理,是将待处理的图像区域地理经纬坐标范围作为输入,并确定关心区域的四个顶点经纬度在查找表中的对应区域。然后根据海陆查找表中的对应数据为基础,得到海陆类型分类的结果。输出的结果是对于这个区域海陆分布的描述。
第(1.2)步根据匹配结果,判断当前图像的区域类型。
基于上一步的匹配结果,根据地理位置可将当前匹配的遥感图像分为三大类:第一类为远岸全海图像,第二类为远岸全陆地图像,第三类为海陆交界区域图像。根据区域类型,本发明分策略对图像进行后续操作。三种海陆类型的具体操作为:当图像被判断为远岸全海的图像时,将会直接进入后续船只目标提取阶段;当图像被判断为远岸全陆地的图像时,将会不再进入船只目标提取阶段;当图像被判断为海陆交界区域图像时,将会直接进入后续精分割的阶段进行基于积分图算法的精确海陆分割。
第二步:基于梯度积分图的海陆交界区域精分割
为解决利用灰度分割方法,准确性容易受到陆地复杂地物灰度层级多、差异大影响的问题。本发明提出基于梯度积分图的海陆交界区域精分割方法。将上一阶段粗分离判断为海陆交界的区域(海陆并存区域)图像作为输入,进行基于梯度积分图的精确分割。其根据本发明方法的算法流程如图2所示。具体包括:
第(2.1)步海陆交界区的梯度积分图计算
首先,对均值下采样后的海陆交界图像作差分处理,求出梯度特征图像;接着,在梯度特征图像的基础上获取梯度积分图,串行步骤包括生成查找表、梯度积分图重绘。
第(2.1.1)步:均值下采样
将输入图像进行均值下采样处理。海陆信息属于图像中的大结构信息,可以对原分辨率图像进行下采样操作后,再进行海陆分离信息的提取。这样可以在在缩小图像尺寸的同时有效抑制椒盐类噪声。
第(2.1.2)步:计算梯度图像
对上一步均值下采样后的图像,通过逐像素差分方式作差分求出对应的梯度特征图像GFM(Gradient Feature Map):
GFM=max(Ghorz,Gvert)(3)
r和c分别表示一个图像的行和列,x和y分别表示每一个像素的横纵坐标位置,参数Ix,y表示像素(x,y)位置的灰度值,参数Ghorz是水平梯度的近似值,参数Gvert是垂直梯度的近似值。公式(3)定义了水平和垂直梯度中的最大值作为梯度特征图GFM。梯度特征图主要表征的是光学图像中的局部纹理和结构特征统计。
第(2.1.3)步:生成查找表
从梯度特征图产生总面积查找表SAT(SumAreaTable),总面积查找表SAT的建立是生成积分图的关键一步,而且在任何视觉范围内,总面积查找表SAT能够快速建立选择不同的滤波窗口尺寸大小的积分图。其根据本发明方法的由常规图像生成SAT查找表运算如图3所示。生成SAT查找表的公式如下:
Stexture=Sx+a,y+b-Sx+a,y-Sx,y+b+Sx,y (5)
Sx,y是基于区域大小从梯度特征图中得到的区域中的纹理之和,x和y分别表示该区域的宽度和长度,Stexture表示局部纹理积分融合,是在SAT生成表中从邻近的通过公式(5)计算得来的。
第(2.1.4)步:积分图重绘
通过生成如下的SAT矩阵(6),对光学梯度特征图像进行基于滤波的积分图重绘,将场景重绘为纹理粗糙的区域与纹理较平滑的区域,从而得到梯度积分图。根据海域的纹理特征,在积分图中默认纹理较为平滑的区域为海面区域。具体SAT积分图重绘过程公式如下:
公式(6)和公式(7)实现的是局部纹理积分融合滤波操作,局部区域的纹理积分值将会进入到滤波窗口的中心像素中去。公式(6)中的SAT_map表示SAT查找表,是梯度积分图在一个区域内的总和,m和n分别是该区域的尺寸大小,T(i,j)是梯度值总和的纹理信息,公式(7)中的Integral_image表示积分图是通过(5)和(6)计算得来的,表示积分图的重绘步骤,能够得到光滑的和粗糙的纹理区域积分图。参数n表示滤波窗口大小。
第(2.2)步基于梯度积分图的海陆分割模板获取
利用双峰均值自适应分割算法,对重绘后的积分图进行分割,得到陆地掩膜,然后通过一系列形态学操作得到海陆交界的区域的海陆精分割二值模板结果。
第(2.2.1)步:自适应分割
对上一步获得的梯度积分图,进行双峰均值自适应分割算法的二值化操作,获得能标识海陆的二值初始模板,将陆地区域置为1,海洋区域置为0。
第(2.2.2)步形态学处理
对分割后的积分图进行膨胀、腐蚀等一系列形态学操作。实现陆地区域中由于局部纹理平滑区域造成的“空洞”和“断裂”现象,从而得到更能表征海陆大结构信息的海陆模板。
第(2.2.3)步散小区域剔除
因为本方法的初衷是获得陆地和海洋区分的大结构信息,因此,这里采用二值中值滤波剔除散小的陆地区域。
第(2.3)步基于海陆模板的海陆交界区分策略处理
根据获取的海陆的二值模板,对标识为陆地的区域,不再进行船只目标的提取;对标识为海洋区域,进入后续的船只目标的提取流程。
第三步:综合粗分离与精分割的海陆信息
综合粗分离阶段产生的海陆信息,与精分割阶段获取的海陆信息,可将大视场遥感图像快速准确的划分为海洋和陆地区域,给后续船只检测任务提供引导。我们把粗分离中判为远岸全海图像和精分割中判为海洋区域的图像进行融合拼接,统一输入到后续船只目标提取阶段。同时我们把粗分离中判为远岸全陆地图像和精分割中判为陆地区域的图像进行融合拼接,统一不再进行船只目标提取步骤。
本发明与现有检测方法相比具有以下优点:
由于目前遥感图像海陆分离大都是基于海岸线数据库的海陆分离方法,虽然计算效率较高,但是分割精度不高,在船只检测时易产生沿岸虚警或沿岸船只漏检。另一方面,图像分割算法大都基于灰度特征实现,其分割的准确性容易受到陆地复杂地物灰度层级多、差异大的影响。此外,由于分割算法是像素级的操作,在没有引导信息的情况下需遍历全图所有像素,运算量较高,影响实际应用的时效性。因此,针对以上三个方面问题,本发明在大视场遥感船只检测流程设计中提出粗精结合的分策略、多手段方法,其具体包括基于海岸线数据库的海陆粗分离、基于梯度积分图的海陆交界区域精分割及综合粗分离与精分割的海陆信息三个主要部分。
本发明具有三个突出的特点:
首先,本方法提出将粗分离和精分割相结合的策略来达到更为精确、更为高效的海陆分割效果。通过粗分割,可将大视场遥感图像快速且准确的划分为远岸全海、远岸全陆、及海陆并存的三种海陆类型区域,其中前两者直接进行后续操作,不必再进行海陆信息的精细区分;而只需对海陆并存的类型进行精细的海陆分割操作。该策略较好的利用了粗分离和精分割的优点,也较好的弥补了粗分离和精分割各自的的缺点。
其次,粗分离采用建立DEM海陆分割查找表的方法实现快速的粗精度海陆分离策略,该策略能减少后续目标提取中不必要的处理(大片远岸全海及大片远岸全陆的海陆类型),能大幅提升整个海陆分割处理方法的时效性。
最后,在精分割阶段,为克服目前大部分海陆图像分割算法基于灰度特征实现,其分割的准确性容易受到陆地复杂地物灰度层级多、差异大的影响。考虑到大片海域与陆地区域在纹理方面的显著差异,本发明采用基于梯度积分图的海陆交界区域精分割,有效的实现了海陆并存情况下的海陆分离。
Claims (2)
1.一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法,用于快速准确的进行海陆分割,包括以下串行步骤:
A)基于海陆分割查找表的海陆粗分离,包括:
A1)首先,基于数字高程模型建立海陆分割查找表的海陆类型分类;
A2)其次,根据匹配结果,判断当前图像的区域类型,将大视场遥感图像快速准确的划分为大片远岸纯海、大片远岸纯陆、及海陆并存的三种海陆类型区域,
其中对大片远岸纯海、大片远岸纯陆类型区域直接进行后续操作,不必再进行海陆信息的精细区分,而只需对海陆并存的情况进行精细的海陆分割操作,极大提升了算法效率;
B)基于梯度积分图的海陆交界区域精分割,通过对上一步判断为海陆交界类型的区域图像,进行基于梯度积分图的分割:首先求出海陆交界区的梯度积分图,其次基于对梯度积分图处理,获取海陆分割二值模板,最后基于海陆模板的海陆交界区分策略处理;
C)综合粗分离策略与精分割策略的海陆信息,最终合并得到高效准确海陆分割结果,将粗分离阶段产生的海陆信息与精分割阶段获取的海陆信息进行综合,可将大视场遥感图像快速且准确的划分为海洋和陆地区域,
其中:
步骤A1)包括:
基于海陆分割查找表的海陆类型分类;包括采用由数字高程模型DEM(DigitalElevation Model)建立海陆分割查找表,进行输入大视场遥感图像的海陆类型分类,包括
利用数字高程模型(DEM)中每个经纬坐标点的高程信息,将高度海拔低于等于0的大范围区域标识为海洋,高度海拔大于0的大范围区域标识为陆地,并进行膨胀操作对陆地区域中的低洼造成的小“空洞”进行填充,由此生成海陆查找表,其中,查找表的坐标与经纬度坐标之间是一个线性变换关系,类型分类处理是将待处理的图像区域地理经纬坐标范围作为输入,并确定关心区域的四个顶点经纬度在查找表中的对应区域,
根据海陆查找表中的对应数据为基础,得到海陆类型分类的结果。输出的结果是对于这个区域海陆分布的描述,
步骤A2)包括:
根据匹配结果,判断当前图像的区域类型,基于数字高程模型建立海陆分割查找表的海陆类型分类的匹配结果,根据地理位置可将当前匹配的遥感图像分为三大类:第一类为远岸全海图像,第二类为远岸全陆地图像,第三类为海陆交界区域图像,根据区域类型,分策略对图像进行后续操作,包括:
当图像被判断为远岸全海的图像时,将会直接进入后续船只目标提取阶段;
当图像被判断为远岸全陆地的图像时,将会不再进入船只目标提取阶段;
当图像被判断为海陆交界区域图像时,将会直接进入后续精分割的阶段进行基于积分图算法的精确海陆分割。
2.根据权利要求1所述的分策略粗精结合海陆分离方法,其特征在于在精分割阶段,将海陆粗分离阶段判断为海陆交界的区域图像作为输入,进行基于梯度积分图的精确分割,包括:
海陆交界区的梯度积分图计算,其中首先,对均值下采样后的海陆交界图像作差分处理,求出梯度特征图像,接着在梯度特征图像的基础上获取梯度积分图,串行步骤包括生成查找表、梯度积分图重绘,
基于梯度积分图的海陆分割模板获取,包括利用双峰均值自适应分割算法,对重绘后的积分图进行分割,得到陆地掩膜,然后通过一系列形态学操作得到海陆交界的区域的海陆精分割二值模板结果,
基于海陆模板的海陆交界区分策略处理,包括根据获取的海陆的二值模板,对标识为陆地的区域,不再进行船只目标的提取;对标识为海洋区域,进入后续的船只目标的提取流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113117.9A CN108376247A (zh) | 2018-02-05 | 2018-02-05 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113117.9A CN108376247A (zh) | 2018-02-05 | 2018-02-05 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108376247A true CN108376247A (zh) | 2018-08-07 |
Family
ID=63017296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113117.9A Pending CN108376247A (zh) | 2018-02-05 | 2018-02-05 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108376247A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886134A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 |
CN110221257A (zh) * | 2019-07-02 | 2019-09-10 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面目标探测虚警抑制方法、装置及雷达*** |
CN110648347A (zh) * | 2019-09-24 | 2020-01-03 | 北京航天宏图信息技术股份有限公司 | 一种基于遥感影像的海岸线提取方法及装置 |
CN110866926A (zh) * | 2019-10-24 | 2020-03-06 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN112085656A (zh) * | 2020-08-31 | 2020-12-15 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、***、移动终端及存储介质 |
CN112150482A (zh) * | 2020-09-17 | 2020-12-29 | 北京航空航天大学 | 一种基于高程信息和归一化海水指数的海陆分割方法 |
CN112434642A (zh) * | 2020-12-07 | 2021-03-02 | 北京航空航天大学 | 一种适用于处理大场景光学遥感数据的海陆分割方法 |
CN114742854A (zh) * | 2022-04-02 | 2022-07-12 | 西安电子科技大学 | 基于场景先验知识和区域合并的sar图像海陆分割方法 |
CN115830448A (zh) * | 2022-11-30 | 2023-03-21 | 广州市地质调查院(广州市地质环境监测中心) | 一种基于多视角融合的遥感图像对比分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8170282B1 (en) * | 2009-09-17 | 2012-05-01 | Sandia Corporation | Technique for ship/wake detection |
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 |
CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN106709914A (zh) * | 2017-01-05 | 2017-05-24 | 北方工业大学 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
CN107230210A (zh) * | 2017-06-19 | 2017-10-03 | 长光卫星技术有限公司 | 一种遥感图像港口水面目标的快速分割方法 |
-
2018
- 2018-02-05 CN CN201810113117.9A patent/CN108376247A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8170282B1 (en) * | 2009-09-17 | 2012-05-01 | Sandia Corporation | Technique for ship/wake detection |
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 |
CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN106709914A (zh) * | 2017-01-05 | 2017-05-24 | 北方工业大学 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
CN107230210A (zh) * | 2017-06-19 | 2017-10-03 | 长光卫星技术有限公司 | 一种遥感图像港口水面目标的快速分割方法 |
Non-Patent Citations (1)
Title |
---|
周浩天 等: "多尺度积分图重建的红外遥感图像海陆分割算法", 《计算机工程与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886134A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 |
CN110221257A (zh) * | 2019-07-02 | 2019-09-10 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面目标探测虚警抑制方法、装置及雷达*** |
CN110648347A (zh) * | 2019-09-24 | 2020-01-03 | 北京航天宏图信息技术股份有限公司 | 一种基于遥感影像的海岸线提取方法及装置 |
CN110866926B (zh) * | 2019-10-24 | 2022-12-20 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN110866926A (zh) * | 2019-10-24 | 2020-03-06 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN112085656A (zh) * | 2020-08-31 | 2020-12-15 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、***、移动终端及存储介质 |
CN112085656B (zh) * | 2020-08-31 | 2023-12-05 | 厦门蓝海天信息技术有限公司 | 海洋模式数据岸线延展方法、***、移动终端及存储介质 |
CN112150482A (zh) * | 2020-09-17 | 2020-12-29 | 北京航空航天大学 | 一种基于高程信息和归一化海水指数的海陆分割方法 |
CN112434642A (zh) * | 2020-12-07 | 2021-03-02 | 北京航空航天大学 | 一种适用于处理大场景光学遥感数据的海陆分割方法 |
CN112434642B (zh) * | 2020-12-07 | 2022-11-11 | 北京航空航天大学 | 一种适用于处理大场景光学遥感数据的海陆分割方法 |
CN114742854A (zh) * | 2022-04-02 | 2022-07-12 | 西安电子科技大学 | 基于场景先验知识和区域合并的sar图像海陆分割方法 |
CN115830448A (zh) * | 2022-11-30 | 2023-03-21 | 广州市地质调查院(广州市地质环境监测中心) | 一种基于多视角融合的遥感图像对比分析方法 |
CN115830448B (zh) * | 2022-11-30 | 2024-02-09 | 广州市地质调查院(广州市地质环境监测中心) | 一种基于多视角融合的遥感图像对比分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108376247A (zh) | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 | |
CN109934163B (zh) | 一种基于场景先验和特征再融合的航空图像车辆检测方法 | |
CN105513041B (zh) | 一种大幅面遥感图像海陆分割的方法及*** | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类***及方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN112149594B (zh) | 基于深度学习和高分辨率卫星影像的城市建设评估方法 | |
CN112287832A (zh) | 一种基于高分辨率遥感影像的城镇违法建筑物检测方法 | |
CN109919944A (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
CN107818303B (zh) | 无人机油气管线影像自动对比分析方法、***及软件存储器 | |
Turner et al. | CZM applications of Argus coastal imaging at the Gold Coast, Australia | |
CN107451982A (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
CN109271928A (zh) | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 | |
CN111027511B (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
CN109377480A (zh) | 基于深度学习的耕地变化检测方法 | |
CN104992172B (zh) | 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN103871072A (zh) | 基于投影数字高程模型的正射影像镶嵌线自动提取方法 | |
CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别***及其方法 | |
CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
AU2020103470A4 (en) | Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows | |
CN103700063B (zh) | 基于高清卫星影像的地形图一体化快速成图方法 | |
CN113610873B (zh) | 夜光遥感影像数据处理方法及装置 | |
CN107563296A (zh) | 基岩海岸岸线的提取方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180807 |
|
RJ01 | Rejection of invention patent application after publication |