CN111695524A - 一种遥感图像海面舰船检测方法 - Google Patents
一种遥感图像海面舰船检测方法 Download PDFInfo
- Publication number
- CN111695524A CN111695524A CN202010542021.1A CN202010542021A CN111695524A CN 111695524 A CN111695524 A CN 111695524A CN 202010542021 A CN202010542021 A CN 202010542021A CN 111695524 A CN111695524 A CN 111695524A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- saliency
- sea surface
- surface ship
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- G06V10/25—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
- G06V10/26—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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种遥感图像海面舰船检测方法,包括如下步骤:1、对待检测遥感图像进行预处理操作,滤除图像噪声的同时改善图像视觉效果;2、利用GBVS模型对预处理后图像进行多特征的显著分析,得到融合显著图;3、根据显著性分析结果作为改进Chan‑Vese模型初始条件,完成遥感图像海面舰船分割。4、根据TBR准则选择ROI作为最小外切矩形区域,最终实现海面舰船检测。本发明有效地实现了复杂背景下遥感图像海面舰船检测。
Description
技术领域
本发明涉及遥感图像海面舰船检测领域,具体涉及一种遥感图像海面舰船检测方法。
背景技术
舰船是海上的关键目标,舰船检测作为遥感图像处理领域的重要研究方向,在海上交通监管、海洋空间规划等领域都具有极大价值。利用遥感图像自动检测海面舰船目标可以避免传统依赖人工判读的缺陷,大大提高效率,降低成本及劳动力。现有的遥感图像海面舰船检测大多基于阈值分割的方法,该算法简单快速,但在实际应用中,由于遥感图像成像机理、气候、光照等因素干扰,图像中往往存在雾霾遮蔽、光照不均、舰船与海面灰度相近等现象。传统的海面舰船检测方法很容易导致漏检、虚警。因此,如何有效地提取遥感图像中的海面舰船目标已成为该领域研究热点。
发明内容
针对现有遥感图像海面舰船检测领域中存在的问题,本发明公开了一种基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法。针对遥感图像存在数据量大、噪声干扰、对比度不理想等问题,首先对遥感图像进行灰度化、中值滤波和线性拉伸,滤除噪声等无用信息的同时强调感兴趣区域;然后采用GBVS模型对预处理后的图像进行多特征显著分析,生成综合显著图;为了避免Chan-Vese模型对初始条件敏感这个缺陷,再将显著分析结果作为改进Chan-Vese模型的初始区域,实现海面舰船分割;最后,综合考虑目标与背景区域像素数目,基于最小外切矩形法最终完成海面舰船目标检测。
技术方案:本发明公开了一种基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法,包括如下步骤:
步骤1,对待检测遥感图像进行预处理;
步骤2,对图的视觉显著GBVS(Graph Based Visual Saliency,GBVS)模型进行简化,利用简化的图的视觉显著GBVS模型对预处理后的遥感图像进行显著分析,经融合生成综合显著图;
步骤3,将显著分析结果作为Chan-Vese模型的初始迭代条件,得到遥感图像海面舰船分割结果;
步骤4,根据TBR准则(Target-Background Rate,目标区域的目标像素数目与背景像素数目比值),最终实现海面舰船检测。
步骤1包括:
步骤1-1,图像灰度化:采用图像灰度化操作对待检测遥感图像进行降维,剔除图像中的冗余信息;
步骤1-2,图像滤波去噪:采用中值滤波对灰度化后的图像进行去噪处理;
步骤1-3,图像线性增强:利用如下公式对去噪后图像进行线性拉伸处理,重新分配图像灰度级范围:
式中,ge为进行图像线性增强后的图像灰度级,g为去噪后图像灰度级,gmax、gmin分别为去噪后图像灰度级的最大值与最小值。
步骤1包括:
步骤2-1,对图的视觉显著GBVS模型进行简化,仅提取亮度和方向的子图像特征图,将待检测图像进行降采样,利用高斯金字塔低通滤波器进行图像滤波,得到1组多尺度的亮度特征图,同时利用Gabor金字塔滤波器组进行图像滤波,得到4组方位角0°、45°、90°、135°的多尺度方向特征图(传统GBVS模型采用了该算法:Jonathan H,Christof K,PietroP.Graph-based visual saliency[C].Advances in Neural Information ProcessingSystems,Vancouver,2006,19:545-552.);
步骤2-2,生成子显著图:简化后的图的视觉显著GBVS模型首先构建待检测图像的马尔可夫链,通过对马尔可夫链平衡分布求解实现子显著图生成;
步骤2-3,对生成的子显著图进行融合,生成综合显著图。
步骤2-2包括:设定图像特征图(即前文得到的4组方位角0°、45°、90°、135°的多尺度方向特征图)为MF,现将特征图MF中任意一个像素点看作一个节点,并将该节点与相邻节点相连,形成一个有向图GA,节点MF(i,j)和节点MF(p,q)之间的差异度d((i,j),(p,q))定义为:
i,j分别表示节点MF(i,j)的横坐标和纵坐标,p,q分别表示节点MF(p,q)的横坐标和纵坐标;
连接节点(i,j)和(p,q)的边设置权值w1((i,j),(p,q))如下式所示:
w1((i,j),(p,q))=d((i,j),(p,q))·F(i-p,j-q),
式中,F(i-p,j-q)=exp[-(i-p)2-(j-q)2)/2σ2],σ为可调参数,一般取值为0~1;
由于反向的边权值相同,通过把从相同节点出发的边的权值归一化,将节点视为状态、将边的权值视为转移概率,在有向图GA上定义一个马尔可夫链,将平衡分布状态图作为该特征图MF相应的显著图MA(对于平衡分布状态图,用马尔科夫链的平衡状态表示停留在每个点上的时间。一个节点与周围的节点具有小的相似性,那么将在这个节点上聚集很多时间,停留时间可以判断一个区域的显著性。具体求解过程参考马尔可夫链平衡分布状态求解);
在归一化显著图的过程中,再次构建一个马尔可夫链GN,并且令连接两个节点(i,j)和(p,q)的边的权值w2((i,j),(p,q))为:
w2((i,j),(p,q))=MA(p,q)·F(i-p,j-q),
再次计算GN的稳定状态分布图(具体求解过程参考马尔可夫链稳定状态分布求解),得到归一化后的显著图MN。
步骤2-3包括:
根据如下公式对生成的子显著图进行融合,分别得到亮度显著图SI和方向显著图SO:
根据以下公式对得到的亮度显著图SI和方向显著图SO进行再次融合得到待检测遥感图像的综合显著图SM:
步骤3包括:采用加权Chan-Vese模型,引入自适应权值δ1和δ2计算拟合中心,将综合显著图SM作为加权Chan-Vese模型的输入,并根据下式改进偏微分方程进行计算,使能量函数最小:
式中,d为符号距离函数,表示高维空间内点(x,y)到零水平集的距离,
其中,t表示迭代时间,▽是微分算子符号,g(x,y)为预处理后的待检测遥感图像,所述边界轮廓为步骤2-3得到的综合显著图SM的边界轮廓,作为改进CV模型的初始轮廓进行输入;
式中,μ、v、λ1、λ2为常数,C1、C2分别为引入自适应权值δ1和δ2的目标拟合中心和背景拟合中心,定义如下:
ε表示趋于0的小正数;
通过水平集更新及边界演化得到最佳轮廓,由此实现海面舰船目标分割。
步骤4包括:根据TBR准则,选取海面舰船目标域的目标像素数目与海洋区域背景像素数目的最大比值的感兴趣区域以作为海面舰船目标的最小外切矩形区域,实现海面舰船检测,最终完成海面舰船检测。
有益效果:与现有技术相比,本发明公开的基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法的优点在于:
(1)考虑到遥感图像往往数据量大、噪声干扰、可读性不理想,综合运用图像灰度化、中值滤波、线性增强手段对遥感图像进行预处理,为后续海面舰船检测提供优质数据保障;
(2)视觉显著机制理论受生物视觉机理的启发,具有一定的从复杂背景中捕捉感兴趣目标的能力,在遥感图像海面舰船检测领域中引入视觉显著机制,可望能凸显海洋场景中的显著舰船目标,进一步改善海面舰船检测效果。其中GBVS模型能有效突出图像中的“关注”位置,尤其针对背景复杂、目标结构清晰的遥感图像,具有明显的优势。鉴于此,采用简化GBVS模型描述预处理后的遥感图像中的显著区域,融合后生成综合显著图;
(3)将显著分析结果作为加权Chan-Vese模型的输入,解决传统Chan-Vese模型初始条件未知、收敛时间长的问题,提高方法速度及智能化程度。同时构建自适应权值加权平均策略替代传统的算术平均计算像素点对拟合中心的贡献值,充分考虑差异性,使分割结果更加精准。
(4)根据TBR准则选取舰船目标与海洋背景像素数目比值最大区域作为最小外切矩形区域,从而实现遥感图像海面舰船检测,该步骤易于后续对舰船目标的长、宽、朝向等信息进行提取,为舰船分类及识别提供条件。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明的流程示意图;
图2是本发明的待检测遥感图像;
图3是本发明的待检测遥感图像灰度化结果;
图4是本发明的待检测遥感图像滤波去噪结果;
图5是本发明的待检测遥感图像线性增强结果;
图6是本发明的待检测遥感图像显著分析结果;
图7是本发明的遥感图像舰船分割结果;
图8是本发明的遥感图像舰船检测结果;
图9是本发明的遥感图像舰船检测结果与原始图像叠加效果。
具体实施方式
本发明提供了一种基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法。该方法首先对对待检测遥感图像进行预处理操作,滤除图像噪声的同时改善图像视觉效果;然后利用简化GBVS模型对预处理后图像进行多特征的显著分析,得到融合显著图;再根据显著性分析结果作为改进Chan-Vese模型初始条件,完成遥感图像海面舰船分割;最后采用最小外切矩形法对舰船目标长度和宽度的提取,并根据TBR准则利用目标域的目标像素数目与背景像素数目的最大比值来恰当选择ROI以作为最小外切矩形区域,实现海面舰船检测。
下面结合附图和具体实施方式,进一步阐明本发明。
实现本发明的流程示意图如图1所示,方法具体实施步骤如下:
步骤1:对对待检测遥感图像进行预处理操作。
(1)图像灰度化。鉴于遥感图像的数据量较大,而颜色分量对舰船检测并无突出贡献,采用图像灰度化操作对待检测遥感图像(图2)进行降维,剔除图像中的冗余信息,减少后续检测算法运行时间,灰度化后图像如图3所示。
(2)图像滤波去噪。为了减少传感器成像及数据传输过程中带来的噪声及成像、气候等因素导致的干扰信息,采用优良的非线性滤波器—中值滤波对灰度化后的图像进行去噪处理,在滤除噪声的同时保留图像的细节信息,去噪后图像如图4所示。
(3)图像线性增强。鉴于遥感图像灰度级往往集中在某一段灰度区间内,对比度不尽如人意,不利于后续检测。为了解决这个问题,利用如下公式对去噪后图像进行线性拉伸处理,重新分配图像灰度级范围,提高图像可读性,增强后图像如图5所示。
式中,ge为增强后图像灰度级,g为去噪后图像灰度级,gmax、gmin分别为去噪后图像灰度级的最大值与最小值。
步骤2:采用GBVS模型描述预处理后图像中的显著区域。主要包括对图像的多特征提取、子显著图生成、显著图融合等操作。
(1)多特征提取。由于步骤1中已对待检测图像实施了灰度化操作,使其不再具有颜色维度,因此对GBVS模型进行简化,仅提取亮度和方向的子图像特征图。并且为了提高算法的运行效率,将待检测图像进行降采样,利用高斯金字塔低通滤波器进行图像滤波,得到1组多尺度的亮度特征图,于此同时利用Gabor金字塔滤波器组进行图像滤波,得到4组方位角(0°、45°、90°、135°)的多尺度方向特征图。
(2)子显著图生成。GBVS模型首先构建待检测图像的马尔可夫链,通过对其平衡分布求解实现子显著图生成,该模型采用链式结构,模拟了生物视觉神经网络的工作原理,具体步骤包括:
假设图像特征图为MF,现将特征图MF中任意一个像素点看作一个节点,并将该节点与相邻节点相连,形成一个有向图GA。节点MF(i,j)和节点MF(p,q)之间的差异度定义为:
连接节点(i,j)和(p,q)的边设置权值如下式所示。
w1((i,j),(p,q))=d((i,j),(p,q))·F(i-p,j-q)
式中,F(i-p,j-q)=exp[-(i-p)2-(j-q)2)/2σ2],σ为可调参数。
由于反向的边权值相同,可以通过把从相同节点出发的边的权值归一化,将节点视为状态、将边的权值视为转移概率,在有向图GA上定义一个马尔可夫链。这样一个马尔可夫链的平衡分布反映了一次无限长度的随机行走在每一个节点处的时隙,由于从不相似度高的节点处经过的概率更大,因此这些节点处的平衡分布值就自然较高,于是将此平衡分布状态图作为该特征图相应的显著图MA。
在归一化显著图的过程中,再次构建一个马尔可夫链GN,并且令连接两个节点(i,j)和(p,q)的边的权值为:
w2((i,j),(p,q))=MA(p,q)·F(i-p,j-q)
再次计算GN的稳定状态分布图,得到归一化后的显著图MN。
(3)显著图融合。根据以下策略对生成的子显著图进行融合,分别得到亮度显著图SI和方向显著图SO
根据以下融合策略对得到的亮度显著图SI和方向显著图SO进行再次融合得到待检测遥感图像的综合显著图SM,如图6所示。
步骤3:鉴于传统Chan-Vese模型采用算术平均计算拟合中心,未考虑到任意像素点对拟合中心贡献值的差异性,导致分割结果不准确,采用加权Chan-Vese模型,引入自适应权值δ1和δ2计算拟合中心,以改善分割效果。将根据步骤2所得的综合显著图SM作为加权Chan-Vese模型的输入,并根据下式改进偏微分方程进行计算,使能量函数最小,通过水平集更新及边界演化得到最佳轮廓,由此实现海面舰船目标分割,分割结果如图7所示。
式中,μ、v、λ1、λ2为常数,本案例中设置λ1=λ2=1、μ=1、v=0,C1、C2分别为引入自适应权值δ1和δ2的目标拟合中心和背景拟合中心,定义如下:
步骤4:为了更好的表征待检测海面舰船目标的长宽及朝向,根据TBR准则,选取海面舰船目标域的目标像素数目与海洋区域背景像素数目的最大比值的ROI以作为海面舰船目标的最小外切矩形区域,实现海面舰船检测,最终完成海面舰船检测(如图8所示),图9给出了海面舰船检测结果与原始图像的叠加效果。
本发明提供了一种遥感图像海面舰船检测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种遥感图像海面舰船检测方法,其特征在于,包括如下步骤:
步骤1,对待检测遥感图像进行预处理;
步骤2,对图的视觉显著GBVS模型进行简化,利用简化的图的视觉显著GBVS模型对预处理后的遥感图像进行显著分析,经融合生成综合显著图;
步骤3,将显著分析结果作为Chan-Vese模型的初始迭代条件,得到遥感图像海面舰船分割结果;
步骤4,根据TBR准则,最终实现海面舰船检测。
3.根据权利要求2所述的方法,其特征在于,步骤1包括:
步骤2-1,对图的视觉显著GBVS模型进行简化,仅提取亮度和方向的子图像特征图,将待检测图像进行降采样,利用高斯金字塔低通滤波器进行图像滤波,得到1组多尺度的亮度特征图,同时利用Gabor金字塔滤波器组进行图像滤波,得到4组方位角0°、45°、90°、135°的多尺度方向特征图;
步骤2-2,生成子显著图:简化后的图的视觉显著GBVS模型首先构建待检测图像的马尔可夫链,通过对马尔可夫链平衡分布求解实现子显著图生成;
步骤2-3,对生成的子显著图进行融合,生成综合显著图。
4.根据权利要求3所述的方法,其特征在于,步骤2-2包括:设定特征图为MF,现将特征图MF中任意一个像素点看作一个节点,并将该节点与相邻节点相连,形成一个有向图GA,节点MF(i,j)和节点MF(p,q)之间的差异度d((i,j),(p,q))定义为:
i,j分别表示节点MF(i,j)的横坐标和纵坐标,p,q分别表示节点MF(p,q)的横坐标和纵坐标;
连接节点(i,j)和(p,q)的边设置权值w1((i,j),(p,q))如下式所示:
w1((i,j),(p,q))=d((i,j),(p,q))·F(i-p,j-q),
式中,F(i-p,j-q)=exp[-(i-p)2-(j-q)2)/2σ2],σ为可调参数;
由于反向的边权值相同,通过把从相同节点出发的边的权值归一化,将节点视为状态、将边的权值视为转移概率,在有向图GA上定义一个马尔可夫链,将平衡分布状态图作为该特征图MF相应的显著图MA;
在归一化显著图的过程中,再次构建一个马尔可夫链GN,并且令连接两个节点(i,j)和(p,q)的边的权值w2((i,j),(p,q))为:
w2((i,j),(p,q))=MA(p,q)·F(i-p,j-q),
再次计算GN的稳定状态分布图,得到归一化后的显著图MN。
6.根据权利要求5所述的方法,其特征在于,步骤3包括:采用加权Chan-Vese模型,引入自适应权值δ1和δ2计算拟合中心,将综合显著图SM作为加权Chan-Vese模型的输入,并根据下式改进偏微分方程进行计算,使能量函数最小:
式中,d为符号距离函数,表示高维空间内点(x,y)到零水平集的距离;
μ、v、λ1、λ2为常数,C1、C2分别为引入自适应权值δ1和δ2的目标拟合中心和背景拟合中心,定义如下:
ε表示趋于0的正数;
通过水平集更新及边界演化得到最佳轮廓,由此实现海面舰船目标分割。
7.根据权利要求6所述的方法,其特征在于,步骤4包括:根据TBR准则,选取海面舰船目标域的目标像素数目与海洋区域背景像素数目的最大比值的感兴趣区域以作为海面舰船目标的最小外切矩形区域,实现海面舰船检测,最终完成海面舰船检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542021.1A CN111695524A (zh) | 2020-06-15 | 2020-06-15 | 一种遥感图像海面舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542021.1A CN111695524A (zh) | 2020-06-15 | 2020-06-15 | 一种遥感图像海面舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111695524A true CN111695524A (zh) | 2020-09-22 |
Family
ID=72480938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542021.1A Pending CN111695524A (zh) | 2020-06-15 | 2020-06-15 | 一种遥感图像海面舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695524A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427055A (zh) * | 2017-09-04 | 2019-03-05 | 长春长光精密仪器集团有限公司 | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 |
-
2020
- 2020-06-15 CN CN202010542021.1A patent/CN111695524A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427055A (zh) * | 2017-09-04 | 2019-03-05 | 长春长光精密仪器集团有限公司 | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 |
Non-Patent Citations (2)
Title |
---|
叶秋果等: "基于视觉显著性的高分辨率遥感影像舰船检测", 《海洋测绘》 * |
吴诗婳: "遥感图像预处理与分析方法研究", 《中国优秀硕士学位论文全文数据库(硕士)信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN108399625B (zh) | 一种基于深度卷积生成对抗网络的sar图像定向生成方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
US9569699B2 (en) | System and method for synthesizing portrait sketch from a photo | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN110084302B (zh) | 一种基于遥感图像的裂缝检测方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、***及设备 | |
CN110991547A (zh) | 一种基于多特征最优融合的图像显著性检测方法 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及*** | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN113052872B (zh) | 一种基于声呐图像的水下运动目标跟踪方法 | |
CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
CN113822352A (zh) | 基于多特征融合的红外弱小目标检测方法 | |
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 | |
CN111640138A (zh) | 一种目标跟踪方法、装置、设备及存储介质 | |
CN115439497A (zh) | 基于改进hou模型的红外图像舰船目标快速识别方法 | |
CN102509308A (zh) | 基于混合动态纹理空时显著性检测的运动分割方法 | |
CN113807237A (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN117079097A (zh) | 一种基于视觉显著性的海面目标识别方法 | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.1 Lingshan South Road, Qixia District, Nanjing, Jiangsu Province, 210000 Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. Address before: 210007 No. 1 East Street, alfalfa garden, Jiangsu, Nanjing Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200922 |