CN111127506B - 一种基于序列图像的海上运动目标综合检测方法 - Google Patents
一种基于序列图像的海上运动目标综合检测方法 Download PDFInfo
- Publication number
- CN111127506B CN111127506B CN201911137190.0A CN201911137190A CN111127506B CN 111127506 B CN111127506 B CN 111127506B CN 201911137190 A CN201911137190 A CN 201911137190A CN 111127506 B CN111127506 B CN 111127506B
- Authority
- CN
- China
- Prior art keywords
- target
- delta
- cloud
- white point
- cloud layer
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于序列图像的海上运动目标综合检测方法,属于遥感卫星图像处理与应用领域;步骤一、对海面进行拍摄;并对单帧图像是否存在云层进行判断;步骤二、设定云层梯度检测函数Δ(δ);当Δ(δ)为1时,进入步骤三;当Δ(δ)为0时,进入步骤四;步骤三、对该图像依次进行去云、孔洞填充和目标增强处理;进入步骤五;步骤四、进行多帧连续图像拍摄,采用聚类方法,确定目标白点,对其余干扰目标点进行去云和目标增强处理;步骤五、当目标白点和尾迹同时存在时,完成目标舰船检测及目标舰船运动方向的确定,计算目标舰船的速度;本发明通过多帧检测判断目标的运动方向和运动状态,解决了大部分海上云层对目标检测虚警的影响,提升检测概率。
Description
技术领域
本发明属于遥感卫星图像处理与应用领域,涉及一种基于序列图像的海上运动目标综合检测方法。
背景技术
CN201810513672.0一种基于卫星序列图像的运动舰船检测与跟踪方法。该发明提出的方法没有提出对云层干扰的解决方法,而海面的光学图像中,各类云层干扰较为普遍,无云机会较少,该方法适用性受到约束。
《电子与信息学报》2015年8月第37卷第8期,静止轨道遥感卫星海面运动舰船快速检测方法。该文提出了利用序列图像的运动舰船检测算法,但该方法未提及对有云状态下的虚警去除方法。
CN201310256096.3有云层干扰的光学遥感图像舰船检测方法。该方法以几何特征为主要判断依据,在中等分辨率(10m左右)的图像下较为适用,但面向50m分辨率的高轨光学卫星图像,由于目标几何特性丢失,该方法将受到约束。
《计算机工程与科学》2010年第32卷第12期,一种抗碎云干扰的海上舰船目标检测方法。该方法的核心是通过radon变换检测舰船尾迹来排除碎云的虚警,然而面向低分辨率的高轨光学卫星,较难体现舰船尾迹,该方法将受到约束。
《计算机工程与应用》2007年第43卷第14期,一种新颖的海上运动目标实时检测方法.提出了一种利用在可见光范围内的成像序列上进行目标检测的方法,利用变形的时间差分方法实现快速抗干扰目标检测,该方法虽然具有实时性好的特点,但是对包含大面积反光区域的云雾干扰图像处理效果较差。
《电讯技术》2008年第48卷第1期,基于小波方向滤波的有云层遥感图像舰船检测方法。提出了一种通过将图像的小波分解和检测方向进行有向滤波相融合的方式,剔除云层干扰,最终实现在有云层干扰的遥感图像内进行目标检测的方法,但不适用于碎云虚警剔除。
《东北师大学报:自然科学版》2009年6月第41卷第2期《基于OTSU分割的云层背景下弱目标检测算法研究》。提出利用最大类间方差OTSU分割算法去除背景中的浮云干扰,计算简便。但是该方法但不适用于碎云虚警剔除。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提出一种基于序列图像的海上运动目标综合检测方法,通过多帧检测判断目标的运动方向和运动状态,解决了大部分海上云层对目标检测虚警的影响,提升检测概率。
本发明解决技术的方案是:
一种基于序列图像的海上运动目标综合检测方法,包括如下步骤:
步骤一、通过高轨光学遥感卫星对海面进行拍摄;并对单帧图像是否存在云层进行判断;当存在云层进入步骤二;当不存在云层进入步骤五;
步骤二、设定云层梯度检测函数Δ(δ);根据云层梯度检测函数Δ(δ)的值对云层情况进行判断;当云层梯度检测函数Δ(δ)为1时,进入步骤三;当云层梯度检测函数Δ(δ)为0时,进入步骤四;
步骤三、对该图像依次进行去云、孔洞填充和目标增强处理;实现云层弱化;进入步骤五;
步骤四、进行多帧连续图像拍摄,采用聚类方法,根据多帧图像判断全部目标点的运动方向进行判断;确定目标白点,对其余干扰目标点进行去云和目标增强处理;进入步骤五;
步骤五、判断是否存在目标白点和尾迹;当目标白点和尾迹同时存在时,完成目标舰船检测及目标舰船运动方向的确定,计算目标舰船的速度;否则返回步骤一。
在上述的一种基于序列图像的海上运动目标综合检测方法,所述步骤二中,云层梯度检测函数Δ(δ)为:
Δ(δ)=Δ(X+)·Δ(X-)·Δ(Y+)·Δ(Y-)
式中,X为检测的像素在图像中的x方向坐标;
Y为检测的像素在图像中的y方向坐标;
Δ(X+)和Δ(X-)为该像素在x方向两个相邻位置的图像灰度梯度值;
Δ(Y+)和Δ(Y-)为该像素在y方向两个相邻位置的图像灰度梯度值;
云层梯度检测函数Δ(δ)的计算方法为:
根据经验设定阈值a;当云层梯度检测函数Δ(δ)大于a时,令Δ(δ)=1;否则Δ(δ)=0。
在上述的一种基于序列图像的海上运动目标综合检测方法,所述步骤二中,当云层梯度检测函数Δ(δ)为1时,云层为连续分布,云层不存在对目标白点和尾迹的干扰项;当云层梯度检测函数Δ(δ)为0时,云层为碎云分布,碎云为目标白点和尾迹的干扰目标点。
在上述的一种基于序列图像的海上运动目标综合检测方法,所述步骤四中,确定目标白点的具体方法为:
根据多帧图像,判断全部目标点的运动方向进行判断;当其中一个目标点与其它目标点的运动方向不一致;则该目标点为目标白点;其它目标点为碎云形成的干扰目标点。
在上述的一种基于序列图像的海上运动目标综合检测方法,所述步骤五中;对尾迹的判断方法为:
S1、当存在目标白点和尖波形状的尾迹,且尾迹尖头指向目标白点时;目标白点即为目标舰船;尖头指向方向即为目标舰船运动方向;
S2、当存在目标白点和线状形状的尾迹,且线状尾迹的一端指向目标白点时,目标白点即为目标舰船;沿线状尾迹指向目标白点方向即为目标舰船运动方向。
在上述的一种基于序列图像的海上运动目标综合检测方法,所述S1中,当尾迹为尖波形状时,尖波夹角为32°-39°,判断轨迹有效。
在上述的一种基于序列图像的海上运动目标综合检测方法,所述S2中,当尾迹为线状形状时,尾迹长度为目标白点长度的3倍以上时,判断轨迹有效。
在上述的一种基于序列图像的海上运动目标综合检测方法,目标舰船速度的计算方法为:根据连续多帧图像进形关联解算,获得目标舰船的速度。
本发明与现有技术相比的有益效果是:
(1)本发明采用一种全新的处理流程,来满足高轨光学卫星序列图像舰船目标检测的需要。高轨光学卫星的序列图像并非视频图像,帧频低至3~5分钟/帧,为了迅速获取目标运动状态,一般仅连续获取5~10帧,无法提供大量样本,传统视频图像动目标检测手段无法有效使用。高轨光学卫星的高时间分辨率特性,有助于实现对海面移动目标的连续跟踪监视。通过对同一区域序列图像的有效处理,可实现海面移动目标的检测;
(2)本发明提升了舰船目标的检测率,降低了由碎云等干扰带来的虚警率。由于距离地球较远,高轨卫星分辨率较差,导致海面移动目标呈现的状态与碎云、礁石较为相似,普通检测算法虚警率高。这种静、动结合的综合处理流程有效降低了这类虚警的发生;
(3)本发明综合了单帧图像舰船尾迹检测、序列图像降低云层干扰下的目标检测、序列图像运动目标检测等多种检测手段。尾迹检测对运动舰船目标进行有效确认,序列图像梯度变化检测+聚类方法可有效降低云层和碎云的影响,序列图像运动目标检测可以对运动目标的状态进行估计的预测;
(4)本发明利用该方法对高轨卫星序列图像进行处理,可用于重要区域的舰船目标检测,为国防建设、航运管理、渔政管理等行业提供重要参考数据。
附图说明
图1为本发明海上运动目标综合检测流程图;
图2为本发明直线尾迹的运动舰船目标形态示意图;
图3为本发明开尔文尾迹的运动舰船目标形态示意图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
本发明提供一种面向高轨光学卫星序列图像的海上运动目标综合检测方法。该方法考虑了高轨光学卫星序列图像的数据特点,结合较为成熟的静态图像舰船检测手段和图像处理技术,采用静-动结合的方式提升对海面运动目标的检测概率,在处理海面云层干扰时,对云区进行分类处理,并降低虚警率。该方法针对已进行过预处理的序列图像,预处理内容包括:每一帧图像的几何校正、辐射校正和序列图像间的像素级配准、海陆分割、海岛分割。其中辐射校正除了修正***误差外,还需要考虑在海洋背景下的动态范围调整问题;像素级配准主要考虑消除成像过程中因为轨道摄动、姿态抖动引起的成像位置误差。
如图1所示,基于序列图像的海上运动目标综合检测方法,主要包括如下步骤:
步骤一、通过高轨光学遥感卫星对海面进行拍摄;并对单帧图像是否存在云层进行判断;当存在云层进入步骤二;当不存在云层进入步骤五;因高轨光学遥感卫星中,其它类型的尾迹并不显著,而通过尾迹检测,仅用单帧图像即可直接锁定运动目标的运动方向,然后在序列图像中沿目标运动方向进行搜索,可迅速完成运动目标的检测与运动状态估计。
步骤二、排除云层干扰的海面运动目标检测。对于存在云层覆盖的区域,无法直接进行检测,需先对云层进行分类,再根据云层及目标的特点分别处理。具体流程如下:首先进行云层覆盖特性分类,云层范围内梯度变化连续且不存在目标凸起的区域为连续厚云覆盖且无疑似目标区域,对该区域直接采用去云、孔洞填充处理,无需进行目标检测操作;对梯度变化连续但存在目标凸起的区域为连续厚云有疑似目标区域,对该区域采取目标增强、云层抑制处理;对多片碎云区域,利用多帧图像,采用聚类方法,判别碎云整体运动方向,并从中选出与云整体运动方向不一致的目标点作为疑似目标;对于单片碎云(或独立疑似运动舰船目标)区域,则利用多帧图像检测其形态、灰度是否发生变化,来排除疑似可能。设定云层梯度检测函数Δ(δ);根据云层梯度检测函数Δ(δ)的值对云层情况进行判断;当云层梯度检测函数Δ(δ)为1时,进入步骤三;当云层梯度检测函数Δ(δ)为0时,进入步骤四;云层梯度检测函数Δ(δ)为:
Δ(δ)=Δ(X+)·Δ(X-)·Δ(Y+)·Δ(Y-)
式中,X为检测的像素在图像中的x方向坐标;
Y为检测的像素在图像中的y方向坐标;
Δ(X+)和Δ(X-)为该像素在x方向两个相邻位置的图像灰度梯度值;
Δ(Y+)和Δ(Y-)为该像素在y方向两个相邻位置的图像灰度梯度值;
云层梯度检测函数Δ(δ)的计算方法为:
Δ(δ)的检测阈值可以通过计算或者机器学***缓的训练样本,学***缓的类别,变化剧烈高于阈值;变化平缓即为低于阈值。设定阈值a;当云层梯度检测函数Δ(δ)大于a时,令Δ(δ)=1;否则Δ(δ)=0。当云层梯度检测函数Δ(δ)为1时,云层为连续分布,云层不存在对目标白点和尾迹的干扰项;当云层梯度检测函数Δ(δ)为0时,云层为碎云分布,碎云为目标白点和尾迹的干扰目标点。
步骤三、对该图像依次进行去云、孔洞填充和目标增强处理;实现云层弱化;进入步骤五;
步骤四、进行多帧连续图像拍摄,采用聚类方法,根据多帧图像判断全部目标点的运动方向进行判断;确定目标白点,确定目标白点的具体方法为:根据多帧图像,判断全部目标点的运动方向进行判断;当其中一个目标点与其它目标点的运动方向不一致;则该目标点为目标白点;若在多帧图像中目标的运动方向符合一般舰船运动特性(相邻图像帧之间运动方向稳定、运动轨迹无大于90°的折角)、目标在图像中亮度没有明显变化,则可以确认该疑似目标为运动舰船目标,并标注航迹。其它目标点为碎云形成的干扰目标点。对其余干扰目标点进行去云和目标增强处理;进入步骤五;
步骤五、判断是否存在目标白点和尾迹;对尾迹的判断方法为:
S1、当存在目标白点和尖波形状的尾迹,且尾迹尖头指向目标白点时;目标白点即为目标舰船;尖头指向方向即为目标舰船运动方向;当尾迹为尖波形状时,尖波夹角为32°-39°,判断轨迹有效,如图3所示。
S2、当存在目标白点和线状形状的尾迹,且线状尾迹的一端指向目标白点时,目标白点即为目标舰船;沿线状尾迹指向目标白点方向即为目标舰船运动方向。当尾迹为线状形状时,尾迹长度为目标白点长度的3倍以上时,判断轨迹有效,如图2所示。当目标白点和尾迹同时存在时,完成目标舰船检测及目标舰船运动方向的确定,计算目标舰船的速度;目标舰船速度的计算方法为:根据连续多帧图像进形关联解算,获得目标舰船的速度。否则返回步骤一。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (7)
1.一种基于序列图像的海上运动目标综合检测方法,其特征在于:包括如下步骤:
步骤一、通过高轨光学遥感卫星对海面进行拍摄;并对单帧图像是否存在云层进行判断;当存在云层进入步骤二;当不存在云层进入步骤五;
步骤二、设定云层梯度检测函数Δ(δ);根据云层梯度检测函数Δ(δ)的值对云层情况进行判断;当云层梯度检测函数Δ(δ)为1时,进入步骤三;当云层梯度检测函数Δ(δ)为0时,进入步骤四;
云层梯度检测函数Δ(δ)为:
Δ(δ)=Δ(X+)·Δ(X-)·Δ(Y+)·Δ(Y-)
式中,X为检测的像素在图像中的x方向坐标;
Y为检测的像素在图像中的y方向坐标;
Δ(X+)和Δ(X-)为该像素在x方向两个相邻位置的图像灰度梯度值;
Δ(Y+)和Δ(Y-)为该像素在y方向两个相邻位置的图像灰度梯度值;
云层梯度检测函数Δ(δ)的计算方法为:
根据经验设定阈值a;当云层梯度检测函数Δ(δ)大于a时,令Δ(δ)=1;否则Δ(δ)=0;
步骤三、对该图像依次进行去云、孔洞填充和目标增强处理;实现云层弱化;进入步骤五;
步骤四、进行多帧连续图像拍摄,采用聚类方法,根据多帧图像判断全部目标点的运动方向进行判断;确定目标白点,对其余干扰目标点进行去云和目标增强处理;进入步骤五;
步骤五、判断是否存在目标白点和尾迹;当目标白点和尾迹同时存在时,完成目标舰船检测及目标舰船运动方向的确定,计算目标舰船的速度;否则返回步骤一。
2.根据权利要求1所述的一种基于序列图像的海上运动目标综合检测方法,其特征在于:所述步骤二中,当云层梯度检测函数Δ(δ)为1时,云层为连续分布,云层不存在对目标白点和尾迹的干扰项;当云层梯度检测函数Δ(δ)为0时,云层为碎云分布,碎云为目标白点和尾迹的干扰目标点。
3.根据权利要求2所述的一种基于序列图像的海上运动目标综合检测方法,其特征在于:所述步骤四中,确定目标白点的具体方法为:
根据多帧图像,判断全部目标点的运动方向进行判断;当其中一个目标点与其它目标点的运动方向不一致;则该目标点为目标白点;其它目标点为碎云形成的干扰目标点。
4.根据权利要求3所述的一种基于序列图像的海上运动目标综合检测方法,其特征在于:所述步骤五中;对尾迹的判断方法为:
S1、当存在目标白点和尖波形状的尾迹,且尾迹尖头指向目标白点时;目标白点即为目标舰船;尖头指向方向即为目标舰船运动方向;
S2、当存在目标白点和线状形状的尾迹,且线状尾迹的一端指向目标白点时,目标白点即为目标舰船;沿线状尾迹指向目标白点方向即为目标舰船运动方向。
5.根据权利要求4所述的一种基于序列图像的海上运动目标综合检测方法,其特征在于:所述S1中,当尾迹为尖波形状时,尖波夹角为32°-39°,判断轨迹有效。
6.根据权利要求5所述的一种基于序列图像的海上运动目标综合检测方法,其特征在于:所述S2中,当尾迹为线状形状时,尾迹长度为目标白点长度的3倍以上时,判断轨迹有效。
7.根据权利要求6所述的一种基于序列图像的海上运动目标综合检测方法,其特征在于:目标舰船速度的计算方法为:根据连续多帧图像进形关联解算,获得目标舰船的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137190.0A CN111127506B (zh) | 2019-11-19 | 2019-11-19 | 一种基于序列图像的海上运动目标综合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137190.0A CN111127506B (zh) | 2019-11-19 | 2019-11-19 | 一种基于序列图像的海上运动目标综合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127506A CN111127506A (zh) | 2020-05-08 |
CN111127506B true CN111127506B (zh) | 2023-06-06 |
Family
ID=70495800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911137190.0A Active CN111127506B (zh) | 2019-11-19 | 2019-11-19 | 一种基于序列图像的海上运动目标综合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127506B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393571B (zh) * | 2021-06-15 | 2023-06-27 | 北京市遥感信息研究所 | 一种无云卫星图像生成方法及装置 |
CN113393497B (zh) * | 2021-07-07 | 2022-08-09 | 中国人民解放军海军航空大学 | 碎云条件下序列遥感图像舰船目标跟踪方法、装置及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246545B (zh) * | 2008-02-22 | 2010-07-07 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
CN106170819B (zh) * | 2014-12-26 | 2019-04-05 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN109815871B (zh) * | 2019-01-16 | 2021-11-16 | 中国科学院空天信息创新研究院 | 基于光学遥感图像的目标舰船检测及跟踪方法 |
-
2019
- 2019-11-19 CN CN201911137190.0A patent/CN111127506B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111127506A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | A modified faster R-CNN based on CFAR algorithm for SAR ship detection | |
Li et al. | Infrared maritime dim small target detection based on spatiotemporal cues and directional morphological filtering | |
CN102279973B (zh) | 基于高梯度关键点的海天线检测方法 | |
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
CN111127506B (zh) | 一种基于序列图像的海上运动目标综合检测方法 | |
CN112487912B (zh) | 基于改进YOLOv3的任意方向舰船检测方法 | |
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 | |
CN108986130A (zh) | 一种空中背景下的红外弱小目标检测方法 | |
CN108596952A (zh) | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 | |
CN108805902A (zh) | 一种自适应尺度的时空上下文目标跟踪方法 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN109993744B (zh) | 一种海上逆光环境下的红外目标检测方法 | |
Xu et al. | Marine radar oil-spill monitoring through local adaptive thresholding | |
Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
Peng et al. | CourtNet: Dynamically balance the precision and recall rates in infrared small target detection | |
CN112669332B (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
Jia et al. | A fast progressive ship detection method for very large full-scene SAR images | |
CN111428624B (zh) | 一种光学遥感图像在轨舰船目标检测方法 | |
Hashmani et al. | A survey on edge detection based recent marine horizon line detection methods and their applications | |
Li et al. | Overview of deep convolutional neural network approaches for satellite remote sensing ship monitoring technology | |
CN111275733A (zh) | 基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法 | |
Raj et al. | A novel Ship detection method from SAR image with reduced false alarm | |
Wei et al. | Robust infrared small target detection via temporal low-rank and sparse representation | |
CN113420594A (zh) | 基于改进Faster R-CNN的SAR图像舰船检测方法 |
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 |