CN111931688A - 船只识别方法、装置、计算机设备及存储介质 - Google Patents

船只识别方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111931688A
CN111931688A CN202010879171.1A CN202010879171A CN111931688A CN 111931688 A CN111931688 A CN 111931688A CN 202010879171 A CN202010879171 A CN 202010879171A CN 111931688 A CN111931688 A CN 111931688A
Authority
CN
China
Prior art keywords
image
region
feature
sea level
average gray
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
Application number
CN202010879171.1A
Other languages
English (en)
Inventor
邓练兵
高妍
欧阳可佩
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.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development Co Ltd
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 Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN202010879171.1A priority Critical patent/CN111931688A/zh
Publication of CN111931688A publication Critical patent/CN111931688A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种船只识别方法、装置、计算机设备及存储介质，船只识别方法包括：获取待识别图像；将所述待识别图像进行海陆分割，得到所述待识别图像中的海平面图像；提取所述海平面图像中的感兴趣区域；对所述感兴趣区域进行特征提取，得到目标特征；采用预设的分类器对所述目标特征进行分类，输出分类结果；根据所述分类结果进行船只识别，并输出所述船只识别概率。上述船只识别方法、装置、计算机设备及存储介质可提高船只识别效率。

Description

船只识别方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种船只识别方法、装置、计算机设备及存储介质。
背景技术
在一些港口里，通常安装有摄像头来进行监控，以便对进出港口的船只进行管理。在对船只进行管理时，通常要对船只进行识别，目前船只识别工作主要依赖于人工完成，这样识别效率较低。
发明内容
本发明实施例提供一种船只识别方法、装置、计算机设备及存储介质，以提高船只识别的效率。
本发明实施例提供一种船只识别方法，包括：
获取待识别图像；
将所述待识别图像进行海陆分割，得到所述待识别图像中的海平面图像；
提取所述海平面图像中的感兴趣区域；
对所述感兴趣区域进行特征提取，得到目标特征；
采用预设的分类器对所述目标特征进行分类，输出分类结果；
根据所述分类结果进行船只识别，并输出所述船只识别概率。
优选地，所述将所述待识别图像进行海陆分割，得到所述待识别图像中的海平面图像，包括：
步骤A：将所述待识别图像转化为灰度图像，并计算所述灰度图像的第一平均灰度值；
步骤B：将所述灰度图像的像素灰度大于所述第一平均灰度值的像素划分至第一区域，将所述灰度图像的像素灰度小于或等于所述第二平均灰度值的像素划分至第二区域；
步骤C：分别计算所述第一区域和所述第二区域内的像素的平均灰度值；
步骤D：计算所述灰度图像的第二平均灰度值，所述第二平均灰度值为：
Figure BDA0002653586260000021
其中，所述T为第二平均灰度值，所述u1为所述第一区域内的像素的平均灰度值，所述u2为所述第二区域内的像素的平均灰度值；
步骤E：重复步骤B、C和D，直至得到的所述第二平均灰度值满足预设条件；
步骤F：采用满足所述预设条件的所述第二平均灰度值对所述待识别图像进行海陆分割，并获取所述待识别图像中的海平面图像。
优选地，所述预设条件为：相邻两次重复步骤B、C和D得到的第二平均灰度值相等，或者相邻两次重复步骤B、C和D得到的第二平均灰度值之间的差值小于预设值。
优选地，所述提取所述海平面图像中的感兴趣区域，包括：
提取所述海平面图像中的颜色特征、亮度特征和方向特征；
根据所述颜色特征、所述亮度特征和所述方向特征，生成特征显著图，所述特征显著图包含多个显著像素点；
根据所述颜色特征，采用k-means聚类算法将所述海平面图像的像素点分为K个类别，并根据分类结果对所述海平面图像分割为K个分割区域；
对包含最多所述显著像素点的分割区域进行形态学运算，提取包含最多所述显著像素点和分割区域，得到所述感兴趣区域。
优选地，所述根据所述颜色特征、所述亮度特征和所述方向特征，生成特征显著图，包括：
根据所述颜色特征、所述亮度特征和所述方向特征，生成多幅亮度特征图、多幅颜色特征图和多幅方向特征图；
将所有所述亮度特征图、所有所述颜色特征图和所有所述方向特征图进行合并，得到所述特征显著图。
优选地，所述颜色特征为RGBY颜色特征，所述分割区域的数量为4个。
本发明实施例还提出一种船只识别装置，所述装置包括：
图像获取单元，用于获取待识别图像；
海陆分割单元，用于将所述待识别图像进行海陆分割，得到所述待识别图像中的海平面图像；
感兴趣区域单元，用于提取所述海平面图像中的感兴趣区域；
特征提取单元，用于对所述感兴趣区域进行特征提取，得到目标特征；
分类单元，用于采用预设的分类器对所述目标特征进行分类，输出分类结果；
识别单元，用于根据所述分类结果进行船只识别，并输出所述船只识别概率。
本发明实施例还提出一种计算机设备，包括存储器和处理器，所述存储器中存储有船只识别程序，所述处理器用于执行所述船只识别程序时实现上述的船只识别方法的步骤。
本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述述船只识别方法的步骤。
上述船只识别方法、装置、计算机设备及存储介质，通过从待识别图像中分割出海平面图像，并从中提取出感兴趣区域，然后从感兴趣区域中提取出目标特征，将目标特征输入到预设的分类器中进行分类，最后根据分类结果进行船只识别，该过程依托于计算机的执行，无需人为识别，能够有效地提高船只识别的速率，以便对港口的船只进行管理。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中船只识别方法的流程图；
图2是本发明另一实施例中船只识别方法的流程图；
图3是本发明另一实施例中船只识别方法的流程图；
图4是本发明一实施例中船只识别装置的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本发明实施例可应用在港口或者海岸线上，通过在港口或海岸线上的摄影设备来拍摄监控图像，并将监控图像输入到计算机设备中，进行船只识别。如图1所示，本发明实施例提供一种船只识别方法，该方法包括如下步骤：
S10：获取待识别图像。
S20：将待识别图像进行海陆分割，得到待识别图像中的海平面图像。
由于待识别图像中可能包含一些岸边或者陆地上的干扰物，会导致后续进行特征提取时准确率降低，因此要对待识别图像进行海陆分割；可以理解地，对待识别图像进行海陆分割的另一个好处就是，减小图像的尺寸，使得后续识别速率有效提高。
具体地，对待识别图像进行海陆分割的方法有多种，例如，边缘分割法：采用canny算子对待识别图像进行边缘检测，然后根据海平面和陆地的边缘线，将待识别图像分割为海平面图像和陆地图像；分类分割法：将待识别图像分割为多个区域，然后对子区域提取灰度、纹理等特征，最后通过分类实现海陆分割；阈值分割法。
优选地，本发明实施例采用阈值分割法进行海陆分割。在该步骤中，采用阈值分割法进行海陆分割，包括以下步骤：
步骤A：将待识别图像转化为灰度图像，并计算灰度图像的第一平均灰度值。其中，第一平均灰度值表示灰度图像中的各个像素的平均灰度值。
步骤B：将灰度图像的像素灰度大于第一平均灰度值的像素划分至第一区域，将灰度图像的像素灰度小于或等于第二平均灰度值的像素划分至第二区域。
步骤C：分别计算第一区域和第二区域内的像素的平均灰度值；
步骤D：计算灰度图像的第二平均灰度值，第二平均灰度值为：
Figure BDA0002653586260000061
其中，T为第二平均灰度值，u1为第一区域内的像素的平均灰度值，u2为第二区域内的像素的平均灰度值；
步骤E：重复步骤B、C和D，直至得到的第二平均灰度值满足预设条件；
步骤F：采用满足预设条件的第二平均灰度值对待识别图像进行海陆分割，并获取待识别图像中的海平面图像。
上述步骤A-F通过不断迭代第二平均灰度值T，来找出最佳分割阈值，并根据该最佳分割阈值来对待识别图像进行海陆分割。可以理解地，由于海面和陆地之间的灰度对比度比较强烈，陆地区域较海面更亮一些，因此。可以通过该最佳分割阈值进行海陆分割。
S30：提取海平面图像中的感兴趣区域。
其中，感兴趣区域能够体现图像区域的重要程度，凸显图像的主要内容，能够消除图像背景的干扰。具体地，可以利用船只与海面之间的特征差异来提取感兴趣区域。
可选地，可以基于海平面图像中，海面和船只的灰度值的差异作为感兴趣区域的提取依据，对海平面图像进行分割；还可以先将海平面图像转化为边缘图，然后基于船只的形状特征，如船只的长宽比、面积、矩形匹配度等，从边缘图中提取出包含船只的感兴趣区域。
在一种优选地实施方式中，如图2所示，可以通过以下步骤来提取感兴趣区域：
S31：提取海平面图像中的颜色特征、亮度特征和方向特征。
其中，颜色特征可以是RGB三通道上的分量的颜色特征，也可以是RGBY四个通道上的颜色分量特征，R(分量值为r)、G(分量值为g)、B(分量值为b)、Y(分量值为y)分别依次代表海平面图像的红、绿、蓝、黄，且R＝r-|g+b|/2，G＝g-|r+b|/2，B＝b-|r+g|/2，Y＝(r+g)/2-|r-g|/2；亮度特征I＝(r+g+b)/3；将海平面图像与4个方向(例如0°、45°、90°、135°)上采用二维Ga－bor滤波函数分别做卷积运算得到相应的方向特征。
S32：根据颜色特征、亮度特征和方向特征，生成特征显著图，特征显著图包含多个显著像素点。
具体地，如图3所示，可以采用以下步骤来生成特征显著图：
S321：根据颜色特征、亮度特征和方向特征，生成多幅亮度特征图、多幅颜色特征图和多幅方向特征图。
把亮度特征I，颜色特征R、G、B、Y，方向特征O(θ)分别进行高斯多尺度变换，生成9类特征金字塔，包括1类亮度特征金字塔，4类颜色特征金字塔R(σ)、G(σ)、B(σ)、Y(σ)和4类方向金字塔，然后对颜色特征、亮度特征和方向特征分别在特征金字塔的不同尺度间作差，得到6幅亮度特征图，12幅颜色特征图和24幅方向特征图。
S322：将所有亮度特征图、所有颜色特征图和所有方向特征图进行合并，得到特征显著图。
可选地，可以采用直接相加的方法进行特征图合并，但由于直接相加合并的方法没有考虑不同特征的优先级，容易将特征图中显著区域掩盖掉，因此，本实施例采用二阶高斯差分函数对图像进行局部迭代，以进行特征图的合并。
具体地，将各个特征图的特征值归一化到同一范围后，再与高斯差分函数进行卷积，然后对同一类特征经卷积后的特征图相加，得到亮度、颜色和方向的综合特征图，最后将不同特征的综合特征图合并生成显著图。
S33：根据颜色特征，采用k-means聚类算法将海平面图像的像素点分为K个类别，并根据分类结果对海平面图像分割为K个分割区域。
具体地，在该步骤中，根据颜色特征的通道数，采用k-means聚类算法将海平面图像的像素点进行分类，以RGBY颜色特征四通道特征为例，以将海平面图像的像素点划分至4个不同的类别，每一类别代表一个通道的颜色特征，然后根据每一类别的颜色特征生成颜色聚类索引图，从颜色聚类索引图中选出某一类，将海平面图像中，该类颜色以外其它像素点的像素值设为0，这样就可以对海平面图像分割为4个分割区域。
S34：对包含最多所述显著像素点的分割区域进行形态学运算，提取包含最多所述显著像素点和分割区域，得到所述感兴趣区域。
其中，形态学运算可以是目标轮廓提取、膨胀、腐蚀和区域填充等。具体地，可以通过确定出最大程度包含了特征显著图的显著像素点的分割区域，再对该分割区域进行形态学运算，最后将形态学运算后的分割区域和特征显著区域进行合并，得到感兴趣区域。
S40：对感兴趣区域进行特征提取，得到目标特征。
S50：采用预设的分类器对目标特征进行分类，输出分类结果。
S60：根据分类结果进行船只识别，并输出船只识别概率。
本发明实施例通过从待识别图像中分割出海平面图像，并从中提取出感兴趣区域，然后从感兴趣区域中提取出目标特征，将目标特征输入到预设的分类器中进行分类，最后根据分类结果进行船只识别，该过程依托于计算机的执行，无需人为识别，能够有效地提高船只识别的速率，以便对港口的船只进行管理。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种船只识别装置，该船只识别装置与上述实施例中船只识别方法一一对应。如图4所示，该船只识别装置包括：
图像获取单元10，用于获取待识别图像；
海陆分割单元20，用于将待识别图像进行海陆分割，得到待识别图像中的海平面图像；
感兴趣区域单元30，用于提取海平面图像中的感兴趣区域；
特征提取单元40，用于对感兴趣区域进行特征提取，得到目标特征；
分类单元50，用于采用预设的分类器对目标特征进行分类，输出分类结果；
识别单元60，用于根据分类结果进行船只识别，并输出船只识别概率。
关于船只识别装置的具体限定可以参见上文中对于船只识别方法的限定，在此不再赘述。上述船只识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有船只识别程序，所述处理器用于执行船只识别程序时实现上述船只识别方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以上述船只识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种船只识别方法，其特征在于，包括：
获取待识别图像；
将所述待识别图像进行海陆分割，得到所述待识别图像中的海平面图像；
提取所述海平面图像中的感兴趣区域；
对所述感兴趣区域进行特征提取，得到目标特征；
采用预设的分类器对所述目标特征进行分类，输出分类结果；
根据所述分类结果进行船只识别，并输出所述船只识别概率。
2.如权利要求1所述的船只识别方法，其特征在于，所述将所述待识别图像进行海陆分割，得到所述待识别图像中的海平面图像，包括：
步骤A：将所述待识别图像转化为灰度图像，并计算所述灰度图像的第一平均灰度值；
步骤B：将所述灰度图像的像素灰度大于所述第一平均灰度值的像素划分至第一区域，将所述灰度图像的像素灰度小于或等于所述第一平均灰度值的像素划分至第二区域；
步骤C：分别计算所述第一区域和所述第二区域内的像素的平均灰度值；
步骤D：计算所述灰度图像的第二平均灰度值，所述第二平均灰度值为：
Figure FDA0002653586250000011
其中，所述T为第二平均灰度值，所述u1为所述第一区域内的像素的平均灰度值，所述u2为所述第二区域内的像素的平均灰度值；
步骤E：重复步骤B、C和D，直至得到的所述第二平均灰度值满足预设条件；
步骤F：采用满足所述预设条件的所述第二平均灰度值对所述待识别图像进行海陆分割，并获取所述待识别图像中的海平面图像。
3.如权利要求2所述的船只识别方法，其特征在于，所述预设条件为：相邻两次重复步骤B、C和D得到的第二平均灰度值相等，或者相邻两次重复步骤B、C和D得到的第二平均灰度值之间的差值小于预设值。
4.如权利要求1所述的船只识别方法，其特征在于，所述提取所述海平面图像中的感兴趣区域，包括：
提取所述海平面图像中的颜色特征、亮度特征和方向特征；
根据所述颜色特征、所述亮度特征和所述方向特征，生成特征显著图，所述特征显著图包含多个显著像素点；
根据所述颜色特征，采用k-means聚类算法将所述海平面图像的像素点分为K个类别，并根据分类结果对所述海平面图像分割为K个分割区域；
对包含最多所述显著像素点的分割区域进行形态学运算，提取包含最多所述显著像素点和分割区域，得到所述感兴趣区域。
5.如权利要求4所述的船只识别方法，其特征在于，所述根据所述颜色特征、所述亮度特征和所述方向特征，生成特征显著图，包括：
根据所述颜色特征、所述亮度特征和所述方向特征，生成多幅亮度特征图、多幅颜色特征图和多幅方向特征图；
将所有所述亮度特征图、所有所述颜色特征图和所有所述方向特征图进行合并，得到所述特征显著图。
6.如权利要求4所述的船只识别方法，其特征在于，所述颜色特征为RGBY颜色特征，所述分割区域的数量为4个。
7.一种船只识别装置，其特征在于，所述装置包括：
图像获取单元，用于获取待识别图像；
海陆分割单元，用于将所述待识别图像进行海陆分割，得到所述待识别图像中的海平面图像；
感兴趣区域单元，用于提取所述海平面图像中的感兴趣区域；
特征提取单元，用于对所述感兴趣区域进行特征提取，得到目标特征；
分类单元，用于采用预设的分类器对所述目标特征进行分类，输出分类结果；
识别单元，用于根据所述分类结果进行船只识别，并输出所述船只识别概率。
8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有船只识别程序，所述处理器用于执行所述船只识别程序时实现如权利要求1至6任一项所述的船只识别方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述船只识别方法的步骤。
CN202010879171.1A 2020-08-27 2020-08-27 船只识别方法、装置、计算机设备及存储介质 Pending CN111931688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010879171.1A CN111931688A (zh) 2020-08-27 2020-08-27 船只识别方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010879171.1A CN111931688A (zh) 2020-08-27 2020-08-27 船只识别方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111931688A true CN111931688A (zh) 2020-11-13

Family

ID=73308325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010879171.1A Pending CN111931688A (zh) 2020-08-27 2020-08-27 船只识别方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111931688A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953746A (zh) * 2023-03-13 2023-04-11 中国铁塔股份有限公司 一种船只监测方法及装置
CN116310516B (zh) * 2023-02-20 2023-11-21 交通运输部水运科学研究所 船舶分类方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102855622A (zh) * 2012-07-18 2013-01-02 中国科学院自动化研究所 一种基于显著性分析的红外遥感图像海面船只检测方法
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN107992818A (zh) * 2017-11-29 2018-05-04 长光卫星技术有限公司 一种光学遥感图像海面船只目标的检测方法
CN109726616A (zh) * 2017-10-30 2019-05-07 中电科海洋信息技术研究院有限公司 一种舰船检测与识别方法和装置
CN109902618A (zh) * 2019-02-26 2019-06-18 青岛海之声科技有限公司 一种海面船只识别方法和装置
CN110598702A (zh) * 2019-09-23 2019-12-20 青岛科技大学 一种船舰目标检测数据集的制备方法、***、设备及介质
CN111368599A (zh) * 2018-12-26 2020-07-03 北京眼神智能科技有限公司 遥感图像海面舰船检测方法、装置、可读存储介质及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102855622A (zh) * 2012-07-18 2013-01-02 中国科学院自动化研究所 一种基于显著性分析的红外遥感图像海面船只检测方法
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN109726616A (zh) * 2017-10-30 2019-05-07 中电科海洋信息技术研究院有限公司 一种舰船检测与识别方法和装置
CN107992818A (zh) * 2017-11-29 2018-05-04 长光卫星技术有限公司 一种光学遥感图像海面船只目标的检测方法
CN111368599A (zh) * 2018-12-26 2020-07-03 北京眼神智能科技有限公司 遥感图像海面舰船检测方法、装置、可读存储介质及设备
CN109902618A (zh) * 2019-02-26 2019-06-18 青岛海之声科技有限公司 一种海面船只识别方法和装置
CN110598702A (zh) * 2019-09-23 2019-12-20 青岛科技大学 一种船舰目标检测数据集的制备方法、***、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张东 等: "《江苏省海岸线时空动态变化遥感监测技术、方法与应用》", 31 December 2018 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310516B (zh) * 2023-02-20 2023-11-21 交通运输部水运科学研究所 船舶分类方法及装置
CN115953746A (zh) * 2023-03-13 2023-04-11 中国铁塔股份有限公司 一种船只监测方法及装置

Similar Documents

Publication Publication Date Title
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
JP6192271B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112614136B (zh) 一种红外小目标实时实例分割方法及装置
CN110390643B (zh) 一种车牌增强方法、装置及电子设备
US8744177B2 (en) Image processing method and medium to extract a building region from an image
US11887346B2 (en) Systems and methods for image feature extraction
CN111680690A (zh) 一种文字识别方法及装置
CN112883881B (zh) 一种条状农产品无序分拣方法及装置
JP4639754B2 (ja) 画像処理装置
CN112651953A (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN113469092A (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN113963353A (zh) 一种文字图像处理识别方法、装置、计算机设备和存储介质
CN113538498B (zh) 一种基于局部二值化的***图像分割方法、电子设备和可读存储介质
CN111931688A (zh) 船只识别方法、装置、计算机设备及存储介质
CN107368847A (zh) 一种作物叶部病害识别方法及***
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN114511862B (zh) 表格识别方法、装置及电子设备
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
JP2004078939A (ja) オブジェクト識別方法および装置ならびにプログラム
CN114299299A (zh) 一种树叶特征提取方法、装置、计算机设备和存储介质
CN113095147A (zh) 皮肤区域检测方法、***、图像处理终端和存储介质
Medvedeva et al. Vehicle license plate recognition based on edge detection
CN112949731A (zh) 基于多专家模型的目标检测方法、装置、存储介质及设备
CN111209922B (zh) 基于svm和opencv的图像色系风格标记方法、装置、设备及介质

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: 20201113

RJ01 Rejection of invention patent application after publication