CN110348442B - 一种基于支持向量机的船载雷达图像海上油膜识别方法 - Google Patents

一种基于支持向量机的船载雷达图像海上油膜识别方法 Download PDF

Info

Publication number
CN110348442B
CN110348442B CN201910646761.7A CN201910646761A CN110348442B CN 110348442 B CN110348442 B CN 110348442B CN 201910646761 A CN201910646761 A CN 201910646761A CN 110348442 B CN110348442 B CN 110348442B
Authority
CN
China
Prior art keywords
oil film
sea wave
adopting
pixel
image
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.)
Expired - Fee Related
Application number
CN201910646761.7A
Other languages
English (en)
Other versions
CN110348442A (zh
Inventor
徐进
何舒
王海霞
由大明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910646761.7A priority Critical patent/CN110348442B/zh
Publication of CN110348442A publication Critical patent/CN110348442A/zh
Application granted granted Critical
Publication of CN110348442B publication Critical patent/CN110348442B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于支持向量机的船载雷达图像海上油膜识别方法，包括：基于支持向量机对有效的海浪像元与背景像元进行分类训练，求得海浪像元分割图像；采用第二均值滤波窗口，对所述海浪像元分割图像进行整体平滑，再采用第二灰度阈值求得有效海浪信息的掩膜，并依据所述掩膜求得有效海浪信息的区域；利用像元面积阈值法，删除小斑点，求得最终油膜；将所述最终油膜变换至极坐标***下。通过采用支持向量机、均值滤波和灰度阈值，准确提取海浪有效信息的图像区域，采用局部自适应阈值和像元面积阈值法提取海上油膜。有效克服了船载雷达图像油膜识别中海浪有效范围难以准确提取的难题，以及全局灰度阈值油膜识别方法的局限性。

Description

一种基于支持向量机的船载雷达图像海上油膜识别方法
技术领域
本发明涉及一种海上油膜识别方法，尤其是一种支持向量机的船载雷达图像的海上油膜识别方法。
背景技术
船载雷达图像的海上溢油判定依据，是原始图像中油膜能够减少海浪信息的雷达回波，在图像中海浪区域生成周围亮而中间暗的相对暗区。因此，确定船载雷达原始图像中的海浪有效监测区域，是关键的环节。Xu等人[1]提出，对船载雷达原始图像进行同频干扰与斑点噪声进行降噪处理后，采用均值滤波与灰度阈值法，提取海浪信息的有效范围，再依据全局灰度阈值，提取海上溢油。他们在预处理时，仅考虑了降噪，没有对图像进行平滑。而真实的海浪灰度强度在图像中，存在由近及远不断减弱的特性。因此，对图像中所有的高亮像元进行平滑是必要的，而不是仅处理同频干扰和半点噪声本身。此外，由于不同区域的海浪区域灰度值范围是不同的，溢油所在相对暗区的灰度阈值也是不同的，所以，采用全局固定阈值进行提取，会存在假阳性的错误目标。
[1]Xu,J.,Liu,P.,Wang,H.,Lian,J.,Li,B.,2018.Marine radar oil spillmonitoring technology based on Dual-threshold and C–V level set methods[J].Indian Society of Remote Sensing.46(12),1949-1961.
背景技术部分的内容仅是发明人所知晓的技术，并不当然代表本领域的现有技术。
发明内容
针对船载雷达图像油膜识别中海浪有效范围难以准确提取的难题，以及全局灰度阈值油膜识别方法的局限性，本发明提出了一种采用坐标***变换、拉普拉斯算子、灰度阈值分割、均值滤波、像元面积阈值分割与中值滤波的方法，对船载雷达原始图像进行降噪预处理的同时，对图像进行了平滑处理，采用支持向量机、均值滤波和灰度阈值，准确提取海浪有效信息的图像区域，采用局部自适应阈值和像元面积阈值法提取海上油膜。
根据本发明的一个方面，一种基于支持向量机的船载雷达图像海上油膜识别方法，包括以下步骤：
A、将船载雷达图像从极坐标***变换为笛卡尔坐标***；
B、在笛卡尔坐标***下采用拉普拉斯算子对所述船载雷达图像进行卷积；
C、采用第一灰度阈值对卷积后的图像进行分割，提取高亮像元；
D、采用第一均值滤波窗口，对所述高亮像元进行平滑，得到初步平滑图像；
E、采用Otsu算法与连续像元面积阈值对所述初步平滑图像进行分割，提取大面积的孤立目标；
F、采用中值滤波窗口，对所述孤立目标进行平滑；
G、基于支持向量机对有效的海浪像元与背景像元进行分类训练，求得海浪像元分割图像；
H、采用第二均值滤波窗口，对所述海浪像元分割图像进行整体平滑，再采用第二灰度阈值求得有效海浪信息的掩膜，并依据所述掩膜求得有效海浪信息的区域；
I、采用局部自适应阈值法，初步求得有效海浪信息区域的油膜；
J、利用像元面积阈值法，删除小斑点，求得最终油膜；
K、将所述最终油膜变换至极坐标***下。
根据本发明的一个方面，步骤B中所述拉普拉斯算子的公式为：
Figure BDA0002133833820000021
根据本发明的一个方面，步骤C中所述第一灰度阈值为图像灰度值范围的中值。
根据本发明的一个方面，步骤D中所述第一均值为1×7像元窗口。
根据本发明的一个方面，步骤E中所述连续像元面积阈值为200。
根据本发明的一个方面，步骤F中所述中值为21×21像元窗口。
根据本发明的一个方面，步骤G中所述分类训练是以同一航次同一海况下采集的50-100幅含有溢油的雷达图像为样本，对有效的海浪区域与背景区域进行分类训练，所述雷达图像每幅均采取多个5×5像元窗口的海浪区域与背景区域，并求得每个窗口内的均值后，利用训练库对步骤F中所述平滑后的图像进行处理，求得海浪像元。
根据本发明的一个方面，进一步的，所述雷达图像样本数为68幅，所述雷达图像每幅均采取4个5×5像元窗口的海浪区域和4个5×5像元窗口的背景区域。
根据本发明的一个方面，步骤H中所述第二均值滤波窗口为20×160像元窗口。
根据本发明的一个方面，步骤I中所述局部自适应阈值法的公式为：
Figure BDA0002133833820000031
其中，m表示均值,k为用户自定义参数，v为局部方差，R为标准差的动态范围，局部窗口大小为32×32像元窗口。
本发明的有益效果在于：通过采用坐标***变换、拉普拉斯算子、灰度阈值分割、均值滤波、像元面积阈值分割与中值滤波的方法，在对船载雷达原始图像进行降噪预处理的同时，对图像进行了平滑处理，并进一步采用支持向量机、均值滤波和灰度阈值，准确提取海浪有效信息的图像区域，采用局部自适应阈值和像元面积阈值法提取海上油膜。有效克服了船载雷达图像油膜识别中海浪有效范围难以准确提取的难题，以及全局灰度阈值油膜识别方法的局限性。
附图说明
图1为本发明所述油膜识别方法工作流程图；
图2a、2b为船载雷达图像是从笛卡尔坐标***转换为极坐标***示意图；
图3为采用拉普拉斯算子对笛卡尔坐标***下的雷达图像进行卷积的结果示意图；
图4为采用第一灰度阈值对卷积后图像进行分割，提取高亮像元的结果示意图；
图5为采用第一均值滤波窗口高亮像元左右两端最近的非噪声点对提取的高亮像元进行均值滤波的结果示意图；
图6为采用Otsu算法与连续像元面积阈值对提取的高亮像元进行分割，提取的孤立目标的结果示意图；
图7为采用21×21像元窗口，对所述孤立目标进行中值滤波平滑处理的结果示意图；
图8为对有效的海浪区域与背景区域进行分类训练，利用训练库对所述平滑后的孤立目标进行分类后所得海浪像元结果示意图；
图9为采用20×160像元滤波窗口对所述海浪像元进行整体平滑的结果示意图；
图10为依据灰度阈值“20”对所述整体平滑后的海浪像元进行分割，求得有效海浪信息的掩膜的结果示意图；
图11为所述掩膜与所述平滑后的孤立目标进行乘运算后所得有效海浪信息区域的示意图；
图12为采用局部自适应阈值法初步求得有效海浪信息的区域的油膜结果示意图；
图13为利用像元面积阈值法删除小斑点，求得最终的油膜结果示意图；
图14为最后将识别的油膜转换至现实的极坐标***的结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下根据附图、实施方式及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，并不限定本发明。
下文公开的许多不同实施方式和实施例，用来实现本发明所述油膜识别方法对不同工况情形的应对。为了简化本发明的公开，下文中仅对特定方式或例子进行描述。所以，它们仅仅为示例，描述的目的并不在于限制本发明。此外，下文所述任一实施方式或实施例中的任一方面或特征,如果需要均可与任一其他实施方式或实施例共用。
【实施例】
如图1所示，一种基于支持向量机的船载雷达图像海上油膜识别方法，包括以下步骤：
A、将船载雷达图像从极坐标***变换为笛卡尔坐标***；
B、在笛卡尔坐标***下采用拉普拉斯算子对所述船载雷达图像进行卷积；
C、采用第一灰度阈值对卷积后的图像进行分割，提取高亮像元；
D、采用第一均值滤波窗口，对所述高亮像元进行平滑，得到初步平滑图像；
E、采用Otsu算法与连续像元面积阈值对所述初步平滑图像进行分割，提取大面积的孤立目标；
F、采用中值滤波窗口，对所述孤立目标进行平滑；
G、基于支持向量机对有效的海浪像元与背景像元进行分类训练，求得海浪像元分割图像；
H、采用第二均值滤波窗口，对所述海浪像元分割图像进行整体平滑，再采用第二灰度阈值求得有效海浪信息的掩膜，并依据所述掩膜求得有效海浪信息的区域；
I、采用局部自适应阈值法，初步求得有效海浪信息区域的油膜；
J、利用像元面积阈值法，删除小斑点，求得最终油膜；
K、将所述最终油膜变换至极坐标***下。
进一步的，本实施例步骤B中所述拉普拉斯算子的公式为：
Figure BDA0002133833820000051
本实施例通过采用该拉普拉斯算子对笛卡尔坐标***下的雷达图像进行卷积，如图3所示，再采用第一灰度阈值对卷积后图像进行分割，提取高亮像元，如图4所示。其中，所述第一灰度阈值为图像灰度值范围的中值。例如，8位灰度图像的中值为128，本发明并不以此为限。
进一步的，本实施例步骤D中所述第一均值为1×7像元窗口。
本实施例中采用第一均值对高亮像元进行平滑，所述第一均值是指该实施例中滤波窗口的大小均值，该实施例中具体是指采用1×7像元窗口内高亮像元左右两端最近的非噪声点，对高亮像元进行均值滤波。结果如图5所示。
进一步的，本实施例步骤E中所述连续像元面积阈值为200。
本实施例中通过采用Otsu算法与连续像元面积阈值法对上述图5中的结果进行图像分割，提取大面积的孤立目标，如图6所示。其中所述连续像元面积阈值为200，但此仅为实施例中的举例，本发明并不以此为限。
进一步的，本实施例步骤F中所述中值为21×21像元窗口。
本实施例中采用中值滤波对如图6中所示的孤立目标进行平滑，结果如图7所示。其中所述中值滤波窗口采用21×21像元窗口，该窗口的大小设置，稍微大于上述连续像元面积阈值的2倍即可，此处的21×21像元窗口仅为举例，本发明并不以此为限。
进一步的，本实施例步骤G中所述分类训练是以同一航次同一海况下采集的50-100幅含有溢油的雷达图像为样本，对有效的海浪区域与背景区域进行分类训练，所述雷达图像每幅均采取多个5×5像元窗口的海浪区域与背景区域，并求得每个窗口内的均值后，利用训练库对步骤F中所述平滑后的图像进行处理，求得海浪像元。
本实施例中基于支持向量机对有效的海浪像元与背景像元进行分类，进一步的，在同一航次同一海况下，采集的68幅含有溢油的雷达图像为样本，对有效的海浪区域与背景区域进行分类训练，其中，雷达图像每幅均采取4个5×5像元窗口的海浪区域和4个5×5像元窗口的背景区域，以求得每个窗口内的均值，并利用训练库对如图7所示的图像进行分类，求得海浪像元，如图8所示。
进一步的，本实施例步骤H中所述第二均值滤波窗口为20×160像元窗口。
本实施例中采用20×160像元窗口进行均值滤波，对如图8所示的图像进行整体的平滑，结果如图9所示。再依据第一灰度阈值，求得有效海浪信息的掩膜，如图10所示，并依据该掩膜，求得有效海浪信息的区域，如图11所示。
进一步的，本实施步骤I中所述局部自适应阈值法的公式为：
Figure BDA0002133833820000061
其中，m表示均值,k为用户自定义参数，v为局部方差，R为标准差的动态范围，局部窗口大小为32×32像元窗口。
本实施例中采用的局部自适应阈值法初步求得有效海浪信息的区域的油膜，如图12所示。
所述局部自适应阈值法，包括公式有：
T＝m+k×s (1)
其中，m表示均值,s为标准差,k为用户自定义参数。
该阈值法还可以进一步修改用于提取图像中的文本信息，其修改后的公式如下：
Figure BDA0002133833820000062
其中，R为标准差的动态范围。
该阈值法还可进一步改进公式为:
Figure BDA0002133833820000063
其中，v为局部方差,并且可通过取值R＝128，k＝0.25，来方便实现船载雷达图像中海上油膜的提取。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于支持向量机的船载雷达图像海上油膜识别方法，包括以下步骤：
A、将船载雷达图像从极坐标***变换为笛卡尔坐标***；
B、在笛卡尔坐标***下采用拉普拉斯算子对所述船载雷达图像进行卷积；
C、采用第一灰度阈值对卷积后的图像进行分割，提取高亮像元；
D、采用第一均值滤波窗口，对所述高亮像元进行平滑，得到初步平滑图像；
E、采用Otsu算法与连续像元面积阈值对所述初步平滑图像进行分割，提取大面积的孤立目标；
F、采用中值滤波窗口，对所述孤立目标进行平滑；
G、基于支持向量机对有效的海浪像元与背景像元进行分类训练，求得海浪像元分割图像；
H、采用第二均值滤波窗口，对所述海浪像元分割图像进行整体平滑，再采用第二灰度阈值求得有效海浪信息的掩膜，并依据所述掩膜求得有效海浪信息的区域；
I、采用局部自适应阈值法，初步求得有效海浪信息区域的油膜；
J、利用像元面积阈值法，删除小斑点，求得最终油膜；
K、将所述最终油膜变换至极坐标***下。
2.根据权利要求1所述的油膜识别方法，其特征在于，步骤B中所述拉普拉斯算子的公式为：
Figure FDA0002133833810000011
3.根据权利要求1所述的油膜识别方法，其特征在于，步骤C中所述第一灰度阈值为图像灰度值范围的中值。
4.根据权利要求1所述的油膜识别方法，其特征在于，步骤D中所述第一均值为1×7像元窗口。
5.根据权利要求1所述的油膜识别方法，其特征在于，步骤E中所述连续像元面积阈值为200。
6.根据权利要求1所述的油膜识别方法，其特征在于，步骤F中所述中值为21×21像元窗口。
7.根据权利要求1所述的油膜识别方法，其特征在于，步骤G中所述分类训练是以同一航次同一海况下采集的50-100幅含有溢油的雷达图像为样本，对有效的海浪区域与背景区域进行分类训练，所述雷达图像每幅均采取多个5×5像元窗口的海浪区域与背景区域，并求得每个窗口内的均值后，利用训练库对步骤F中所述平滑后的图像进行处理，求得海浪像元。
8.根据权利要求7所述的油膜识别方法，其特征在于，所述雷达图像样本数为68幅，所述雷达图像每幅均采取4个5×5像元窗口的海浪区域和4个5×5像元窗口的背景区域。
9.根据权利要求1所述的油膜识别方法，其特征在于，步骤H中所述第二均值滤波窗口为20×160像元窗口。
10.根据权利要求1所述的油膜识别方法，其特征在于，步骤I中所述局部自适应阈值法的公式为：
Figure FDA0002133833810000021
其中，m表示均值,k为用户自定义参数，v为局部方差，R为标准差的动态范围，局部窗口大小为32×32像元窗口。
CN201910646761.7A 2019-07-17 2019-07-17 一种基于支持向量机的船载雷达图像海上油膜识别方法 Expired - Fee Related CN110348442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910646761.7A CN110348442B (zh) 2019-07-17 2019-07-17 一种基于支持向量机的船载雷达图像海上油膜识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910646761.7A CN110348442B (zh) 2019-07-17 2019-07-17 一种基于支持向量机的船载雷达图像海上油膜识别方法

Publications (2)

Publication Number Publication Date
CN110348442A CN110348442A (zh) 2019-10-18
CN110348442B true CN110348442B (zh) 2022-09-30

Family

ID=68176685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910646761.7A Expired - Fee Related CN110348442B (zh) 2019-07-17 2019-07-17 一种基于支持向量机的船载雷达图像海上油膜识别方法

Country Status (1)

Country Link
CN (1) CN110348442B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611899B (zh) * 2020-05-15 2023-06-30 大连海事大学 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法
CN111667494A (zh) * 2020-06-05 2020-09-15 广东海洋大学 一种船载雷达原始图像的高亮目标快速分割方法
CN116109845A (zh) * 2023-02-13 2023-05-12 广东海洋大学 一种基于yolo网络的航海雷达溢油识别方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019000653A1 (zh) * 2017-06-30 2019-01-03 清华大学深圳研究生院 一种图像目标识别方法及装置
CN109872358A (zh) * 2019-01-31 2019-06-11 大连海事大学 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019000653A1 (zh) * 2017-06-30 2019-01-03 清华大学深圳研究生院 一种图像目标识别方法及装置
CN109872358A (zh) * 2019-01-31 2019-06-11 大连海事大学 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
航海雷达溢油监测技术研究;徐进等;《海洋环境科学》;20180112(第01期);全文 *

Also Published As

Publication number Publication date
CN110348442A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110414411B (zh) 基于视觉显著性的海面船只候选区域检测方法
CN110348442B (zh) 一种基于支持向量机的船载雷达图像海上油膜识别方法
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN109829858B (zh) 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN107403435B (zh) 一种基于rgb颜色空间的彩色图像边缘提取方法
WO2021118463A1 (en) Defect detection in image space
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN109377450A (zh) 一种边缘保护的去噪方法
CN112001906B (zh) 一种结合非极大值抑制的钢板焊缝图像检测方法
CN105447489B (zh) 一种图片ocr识别***的字符与背景粘连噪声消除方法
CN112070717B (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN112308872B (zh) 基于多尺度Gabor一阶导数的图像边缘检测方法
CN109993744B (zh) 一种海上逆光环境下的红外目标检测方法
Petraglia et al. Pipeline tracking and event classification for an automatic inspection vision system
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN113296095A (zh) 一种用于脉冲探地雷达的目标双曲线边缘提取方法
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和***
CN107609537B (zh) 一种基于hsv空间水面图像特征的水岸线检测方法
Wang et al. Adaptive binarization: A new approach to license plate characters segmentation
CN109872358B (zh) 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法
CN106600662B (zh) 图像中主线条的绘制方法及装置
CN109816683B (zh) 一种航海雷达图像中海浪信息反演的预处理方法
CN111667494A (zh) 一种船载雷达原始图像的高亮目标快速分割方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220930