CN109613526A - 一种基于支持向量机的点迹过滤方法 - Google Patents
一种基于支持向量机的点迹过滤方法 Download PDFInfo
- Publication number
- CN109613526A CN109613526A CN201811504591.0A CN201811504591A CN109613526A CN 109613526 A CN109613526 A CN 109613526A CN 201811504591 A CN201811504591 A CN 201811504591A CN 109613526 A CN109613526 A CN 109613526A
- Authority
- CN
- China
- Prior art keywords
- point mark
- mark
- point
- quality
- support vector
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于支持向量机的点迹过滤方法,属雷达数据处理技术领域。它包括四个步骤,充分利用支持向量机SVM实现对样本集的多维特征联合分类、对SVM点迹分类器进行训练、使用训练好的SVM点迹分类器,得到各点迹的点迹得分;对各点迹的点迹得分进行归一化得到点迹质量,将各点迹的点迹质量与质量门限进行对比、点迹质量过门限判别;操作简单方便,有效剔除杂波点迹,降低由杂波引起的虚警,提高雷达的点迹精度、航迹的滤波质量和精度,点迹过滤效果好。解决了传统点迹检测方式没有经过有效的点迹过滤处理,难以有效检测出目标信号与复杂地理环境产生的杂波信号,导致降低雷达对复杂地理环境所产生杂波、目标信号探测性能的问题。
Description
技术领域
本发明涉及一种基于支持向量机的点迹过滤方法,属雷达数据处理技术领域。
背景技术
在雷达***的终端数据处理中,点迹检测关系到雷达最终的点迹精度、航迹的滤波质量和精度。传统的点迹检测没有经过有效的点迹过滤处理,由复杂的地理环境所产生地大量杂波信号使得传统的点迹检测方式难以有效地检测出目标信号与复杂地理环境所产生的杂波信号,从而大大降低雷达对目标的探测性能。因此,十分有必要研发一种可对样本集进行多维特征联合分类,挖掘目标与杂波点迹的内在差异,有效剔除杂波点迹,降低由杂波引起的虚警,提高雷达的点迹精度、航迹的滤波质量和精度的基于支持向量机的点迹过滤方法。
发明内容
本发明的目的是,针对上述现有技术的不足,提供一种操作简单方便,可靠实现对样本集的多维特征联合分类,有效剔除杂波点迹,降低由杂波引起的虚警,提高雷达的点迹精度、航迹的滤波质量和精度的基于支持向量机的点迹过滤方法;解决传统的点迹检测没有经过有效的点迹过滤处理,难以有效地检测出目标信号与复杂地理环境所产生的杂波信号,降低雷达对复杂地理环境所产生杂波信号及目标信号探测性能的问题。
本发明是通过如下技术方案来实现上述目的的:
一种基于支持向量机的点迹过滤方法,其特征在于:它包括如下步骤:(支持向量机SVM,以下简称SVM)
步骤一、利用支持向量机SVM算法对训练样本集的样本点迹的特征进行分析,提取样本点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为分类器的多维特征参数;
步骤二、通过有类别标识的训练样本对SVM点迹分类器进行训练,得到训练好的SVM点迹分类器;
步骤三、使用训练好的SVM点迹分类器,针对提取的多维特征参数,对新的实测点迹进行点迹分类,得到各点迹的点迹得分;
步骤四、对各点迹的点迹得分进行归一化得到点迹质量,将各点迹的点迹质量与质量门限进行对比,大于该门限的点迹保留,否则进行过滤删除,从而剔除被确认为杂波的点迹,保证点迹质量,提高雷达探测精度。
本发明与现有技术相比的有益效果在于:
该基于支持向量机的点迹过滤方法,充分利用支持向量机SVM的分析数据、识别模式、对数据的分类分析和回归分析特性,通过监督学习产生本发明点迹过滤方法的四个步骤,操作简单方便,实施真实可靠,实现对样本集的多维特征联合分类,有效剔除杂波点迹,降低由杂波引起的虚警,提高了雷达的点迹精度、航迹的滤波质量和精度,及雷达对复杂地理环境所产生杂波信号及目标信号的探测性能。该基于支持向量机的点迹过滤方法,能够有效地滤除80%以上的杂波信号,同时保证96%以上的目标信号被保留,解决了传统的点迹检测没有经过有效的点迹过滤处理,由复杂地理环境所产生的大量杂波信号使得传统的点迹检测方式难以有效地检测出目标信号及复杂地理环境所产生的杂波信号,导致降低雷达对复杂地理环境所产生杂波信号、目标信号探测性能的问题。
附图说明
图1为一种基于支持向量机的点迹过滤方法的SVM超平面分类示意图;
图2为一种基于支持向量机的点迹过滤方法的归一化点迹质量示意图;
图3为一种基于支持向量机的点迹过滤方法的SVM点迹过滤流程图;
图4为一种基于支持向量机的点迹过滤方法的目标距离直方图;
图5为一种基于支持向量机的点迹过滤方法的杂波距离直方图;
图6为一种基于支持向量机的点迹过滤方法的目标-杂波距离展宽直方图;
图7为一种基于支持向量机的点迹过滤方法的目标-杂波回波个数直方图;
图8为一种基于支持向量机的点迹过滤方法的SVM训练样本集示意图;
图9为一种基于支持向量机的点迹过滤方法的SVM点迹分类结果示意图。
具体实施方式
下面结合附图对该基于支持向量机的点迹过滤方法的实施方式作进一步详细说明(参见图1~9):
一种基于支持向量机的点迹过滤方法,其特征在于:它包括如下步骤:
步骤一、利用支持向量机SVM算法对训练样本集的样本点迹的特征进行分析,提取样本点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为分类器的多维特征参数;
训练样本集:通过点迹特征和经验信息,将采集的点迹数据进行类别标识,目标点迹标记为1,杂波点迹标记为-1,分别选取1000个目标点迹和1000个杂波点迹,组成训练样本集;
特征参数分析提取:对训练样本集样本点迹的特征参数进行分析,提取点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为多维特征参数。
步骤二、通过有类别标识的训练样本对SVM点迹分类器进行训练,得到训练好的SVM点迹分类器;
分类器训练:利用SVM算法,使用带有类别标识的训练样本集和选择的特征参数对SVM点迹分类器进行训练,产生支持向量机分类超平面,即SVM超平面系数(如图1所示)。
步骤三、使用训练好的SVM点迹分类器,针对提取的多维特征参数,对新的实测点迹进行点迹分类,得到各点迹的点迹得分;
步骤四、对各点迹的点迹得分进行归一化得到点迹质量,将各点迹的点迹质量与质量门限进行对比,大于该门限的点迹保留,否则进行过滤删除,从而剔除被确认为杂波的点迹,保证点迹质量,提高雷达探测精度。
点迹质量计算:让待分类点迹数据通过分类器,得到各点迹的点迹得分,将各点迹得分进行归一化得到点迹质量,归一化点迹质量(如图2所示),其归一化函数为
点迹过滤:将各点迹的点迹质量与质量门限进行对比,大于该门限的点迹保留,否则进行过滤删除。点迹过滤流程:挑选训练样本集——特征参数提取——SVM分类器训练——点迹质量计算及归一化——是否过门限——是——保留——否——过滤删除(如图3所示)。
具体实施例
一种基于支持向量机的点迹过滤方法,通过以下实施例进一步说明:
实施例:
(1)在经过点迹凝聚处理后形成初始点迹,并结合终端航迹数据进行点迹过滤对比分析。通过利用终端航迹信息与凝聚后初始点迹相关,分别得到2719个目标点迹和39216个杂波点迹;
(2)对点迹数据的距离特征进行分析,结果显示目标主要分布在50公里以外,而杂波主要分别在50公里以内,目标和杂波的距离分布(如图4、图5所示);对点迹数据的距离展宽特征进行分析,结果显示目标的距离展宽比较平稳,保持在75米附近,杂波的距离展宽变化较大,目标和杂波的距离展宽分布(如图6所示),图6中对信噪比采用的压缩方式为107以下的值保留不变,107以上的值则采用自定义压缩方式;对点迹数据的回波个数特征进行分析,结果显示目标的回波个数明显多于杂波的回波个数,目标和杂波的回波个数分布(如图7所示)。通过对点迹特征的提取和分析,确定点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度等信息作为点迹的多维特征参数。
(3)分别从2719个目标点迹和39216个杂波点迹中随机选择不同距离、不同波位的1000个样本作为训练样本集,对支持向量机SVM分类器进行训练,选择的训练样本集(如图8所示);
(4)利用训练好的SVM分类器对实测数据进行点迹分类过滤(如图9所示)。
实施例结果及分析:
实测数据点迹分类结果如图8所示,点迹分类判别结果如表1所示。
表1 点迹分类判决结果
该基于支持向量机的点迹过滤方法,针对地面P波段预警雷达,提取了7种分类特征,充分利用支持向量机SVM对目标与杂波进行分类,挖掘目标与杂波点迹的内在差异,实现了在较小目标损失情况下,剔除大量杂波虚警点的目的,降低由杂波引起的虚警,提高了雷达对复杂地理环境所产生杂波信号目标的探测性能。
以上所述只是本发明的较佳实施例而已,上述举例说明不对本发明的实质内容作任何形式上的限制,所属技术领域的普通技术人员在阅读了本说明书后,依据本发明的技术实质,对以上具体实施方式所做的任何简单修改及变形,以及可能利用上述揭示的技术内容加以变更或修饰为等同变化的等效实施例,均仍属于本发明技术方案的范围内,而不背离本发明的技术和范围。
Claims (1)
1.一种基于支持向量机的点迹过滤方法,其特征在于:它包括如下步骤:
步骤一、利用支持向量机SVM算法对训练样本集的样本点迹的特征进行分析,提取样本点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为分类器的多维特征参数;
步骤二、通过有类别标识的训练样本对SVM点迹分类器进行训练,得到训练好的SVM点迹分类器;
步骤三、使用训练好的SVM点迹分类器,针对提取的多维特征参数,对新的实测点迹进行点迹分类,得到各点迹的点迹得分;
步骤四、对各点迹的点迹得分进行归一化得到点迹质量,将各点迹的点迹质量与质量门限进行对比,大于该门限的点迹保留,否则进行过滤删除,从而剔除被确认为杂波的点迹,保证点迹质量,提高雷达探测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504591.0A CN109613526A (zh) | 2018-12-10 | 2018-12-10 | 一种基于支持向量机的点迹过滤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504591.0A CN109613526A (zh) | 2018-12-10 | 2018-12-10 | 一种基于支持向量机的点迹过滤方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109613526A true CN109613526A (zh) | 2019-04-12 |
Family
ID=66008514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811504591.0A Pending CN109613526A (zh) | 2018-12-10 | 2018-12-10 | 一种基于支持向量机的点迹过滤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109613526A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221270A (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 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达*** |
CN110426692A (zh) * | 2019-07-20 | 2019-11-08 | 中国船舶重工集团公司第七二四研究所 | 参差加抖动中重频pd模式点迹提取方法 |
CN111796250A (zh) * | 2020-06-12 | 2020-10-20 | 中国船舶重工集团公司第七二四研究所 | 一种基于风险评估的虚假点迹多维层次化抑制方法 |
CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
CN112363131A (zh) * | 2020-09-03 | 2021-02-12 | 深圳市华讯方舟微电子科技有限公司 | 车载毫米波雷达数据的处理方法、装置及计算机存储介质 |
CN112782666A (zh) * | 2021-03-22 | 2021-05-11 | 哈尔滨工程大学 | 一种航海雷达目标快速检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
CN102819663A (zh) * | 2012-07-17 | 2012-12-12 | 哈尔滨工程大学 | 一种基于优化的支持向量回归参数的船舶航迹预测方法 |
CN102901961A (zh) * | 2012-11-05 | 2013-01-30 | 中国船舶重工集团公司第七二四研究所 | 一种基于杂波信息图的最优多航迹分支目标跟踪实现方法 |
CN103593654A (zh) * | 2013-11-13 | 2014-02-19 | 智慧城市***服务(中国)有限公司 | 一种人脸定位的方法与装置 |
CN104535982A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 一种基于角域划分的飞机目标分类方法 |
CN104537384A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 一种结合似然比判决的sar目标鉴别方法 |
CN104681036A (zh) * | 2014-11-20 | 2015-06-03 | 苏州驰声信息科技有限公司 | 一种语言音频的检测***及方法 |
CN105069432A (zh) * | 2015-08-10 | 2015-11-18 | 中国人民解放军国防科学技术大学 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
CN105825233A (zh) * | 2016-03-16 | 2016-08-03 | 中国地质大学(武汉) | 一种基于在线学习随机蕨分类器的行人检测方法 |
US9418290B2 (en) * | 2014-12-12 | 2016-08-16 | Omniearth, Inc. | System and method for managing water |
CN107300698A (zh) * | 2017-08-21 | 2017-10-27 | 哈尔滨工业大学 | 一种基于支持向量机的雷达目标航迹起始方法 |
CN108646235A (zh) * | 2018-05-03 | 2018-10-12 | 西安电子工程研究所 | 基于点迹位置聚合识别空间散布固定杂波的方法 |
CN108961181A (zh) * | 2018-06-22 | 2018-12-07 | 西安交通大学 | 一种基于shearlet变换的探地雷达图像去噪方法 |
-
2018
- 2018-12-10 CN CN201811504591.0A patent/CN109613526A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
CN102819663A (zh) * | 2012-07-17 | 2012-12-12 | 哈尔滨工程大学 | 一种基于优化的支持向量回归参数的船舶航迹预测方法 |
CN102901961A (zh) * | 2012-11-05 | 2013-01-30 | 中国船舶重工集团公司第七二四研究所 | 一种基于杂波信息图的最优多航迹分支目标跟踪实现方法 |
CN103593654A (zh) * | 2013-11-13 | 2014-02-19 | 智慧城市***服务(中国)有限公司 | 一种人脸定位的方法与装置 |
CN104681036A (zh) * | 2014-11-20 | 2015-06-03 | 苏州驰声信息科技有限公司 | 一种语言音频的检测***及方法 |
US9418290B2 (en) * | 2014-12-12 | 2016-08-16 | Omniearth, Inc. | System and method for managing water |
CN104537384A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 一种结合似然比判决的sar目标鉴别方法 |
CN104535982A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 一种基于角域划分的飞机目标分类方法 |
CN105069432A (zh) * | 2015-08-10 | 2015-11-18 | 中国人民解放军国防科学技术大学 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
CN105825233A (zh) * | 2016-03-16 | 2016-08-03 | 中国地质大学(武汉) | 一种基于在线学习随机蕨分类器的行人检测方法 |
CN107300698A (zh) * | 2017-08-21 | 2017-10-27 | 哈尔滨工业大学 | 一种基于支持向量机的雷达目标航迹起始方法 |
CN108646235A (zh) * | 2018-05-03 | 2018-10-12 | 西安电子工程研究所 | 基于点迹位置聚合识别空间散布固定杂波的方法 |
CN108961181A (zh) * | 2018-06-22 | 2018-12-07 | 西安交通大学 | 一种基于shearlet变换的探地雷达图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
米丽萍等: "后验概率支持向量机模型在目标分类中的应用", 《计算机工程与设计》 * |
邢远见等: "基于支撑向量机的地杂波虚警抑制技术", 《现代雷达》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221270A (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 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达*** |
CN110221270B (zh) * | 2019-07-02 | 2022-10-28 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达*** |
CN110426692A (zh) * | 2019-07-20 | 2019-11-08 | 中国船舶重工集团公司第七二四研究所 | 参差加抖动中重频pd模式点迹提取方法 |
CN111796250A (zh) * | 2020-06-12 | 2020-10-20 | 中国船舶重工集团公司第七二四研究所 | 一种基于风险评估的虚假点迹多维层次化抑制方法 |
CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
CN112363131A (zh) * | 2020-09-03 | 2021-02-12 | 深圳市华讯方舟微电子科技有限公司 | 车载毫米波雷达数据的处理方法、装置及计算机存储介质 |
CN112147601B (zh) * | 2020-09-03 | 2023-05-26 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
CN112363131B (zh) * | 2020-09-03 | 2024-05-14 | 江西华讯方舟智能技术有限公司 | 车载毫米波雷达数据的处理方法、装置及计算机存储介质 |
CN112782666A (zh) * | 2021-03-22 | 2021-05-11 | 哈尔滨工程大学 | 一种航海雷达目标快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613526A (zh) | 一种基于支持向量机的点迹过滤方法 | |
Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
US10671833B2 (en) | Analyzing digital holographic microscopy data for hematology applications | |
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 | |
CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
Scholar | Review and analysis of crack detection and classification techniques based on crack types | |
Sunny et al. | An efficient citrus canker detection method based on contrast limited adaptive histogram equalization enhancement | |
Liu et al. | The recognition of apple fruits in plastic bags based on block classification | |
CN106250936A (zh) | 基于机器学习的多特征多线程安检违禁品自动识别方法 | |
Li et al. | Wood defect classification based on two-dimensional histogram constituted by LBP and local binary differential excitation pattern | |
CN102254191B (zh) | 一种基于图像处理的降水粒子相态识别方法 | |
CN104751166A (zh) | 基于光谱角和欧氏距离的遥感影像分类方法 | |
CN104268598A (zh) | 一种基于二维扫描激光的人腿检测方法 | |
Manik et al. | Leaf morphological feature extraction of digital image anthocephalus cadamba | |
CN105678341B (zh) | 一种基于Gabor小波分析的羊毛羊绒识别算法 | |
CN112068120A (zh) | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 | |
CN114863106B (zh) | 一种离心式撒肥颗粒分布检测方法 | |
CN108647658A (zh) | 一种高空卷云的红外成像检测方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
Biradar et al. | Flower detection and counting using morphological and segmentation technique | |
CN111898627A (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN104268557B (zh) | 基于协同训练和深度svm的极化sar分类方法 | |
CN110288616A (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |