CN112766286B - 一种基于sar图像全局-局部特征的舰船目标检测方法 - Google Patents

一种基于sar图像全局-局部特征的舰船目标检测方法 Download PDF

Info

Publication number
CN112766286B
CN112766286B CN202110161165.7A CN202110161165A CN112766286B CN 112766286 B CN112766286 B CN 112766286B CN 202110161165 A CN202110161165 A CN 202110161165A CN 112766286 B CN112766286 B CN 112766286B
Authority
CN
China
Prior art keywords
vector
super
pixel
sar image
contrast
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
Application number
CN202110161165.7A
Other languages
English (en)
Other versions
CN112766286A (zh
Inventor
李刚
王学谦
刘瑜
何友
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.)
Tsinghua University
Naval Aeronautical University
Original Assignee
Tsinghua University
Naval Aeronautical 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 Tsinghua University, Naval Aeronautical University filed Critical Tsinghua University
Priority to CN202110161165.7A priority Critical patent/CN112766286B/zh
Publication of CN112766286A publication Critical patent/CN112766286A/zh
Application granted granted Critical
Publication of CN112766286B publication Critical patent/CN112766286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • 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
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出一种基于SAR图像全局‑局部特征的舰船目标检测方法，属于雷达图像处理领域。该方法首先对SAR图像建立对应的混合高斯模型，并对该图像进行超像素分割；然后分别计算每个超像素的费雪向量，以及每个费雪向量的全局密度对比度、全局密度距离对比度以及局部对比度；对全局密度对比度、全局密度距离对比度和局部对比度求积得到每个超像素的检验统计量；对每个检验统计量进行判定，最终得到SAR图像的舰船检测结果。本发明在SAR图像舰船检测中额外考虑了费雪向量的全局对比特征，有助于降低检测结果中的虚警率。

Description

一种基于SAR图像全局-局部特征的舰船目标检测方法
技术领域
本发明属于雷达图像处理领域，特别涉及一种基于SAR图像全局-局部特征的舰船目标检测方法，具体可用于合成孔径雷达图像中的舰船检测。
背景技术
合成孔径雷达(SAR)是一种主动成像装置，可提供海面舰船目标的高分辨成像结果。相比于光学、红外等传感器，SAR成像几乎不受光照和天气的影响，是一种具备全天候、全时段工作能力的传感器。SAR图像中的舰船目标检测是目前学术、国防领域的热点研究问题，它在军事海防、民船监视、可持续渔业等方面有着重要的应用。
费雪向量是一种图像多阶特征，包含SAR图像中超像素丰富的零阶、一阶、二阶信息。但现有基于费雪向量的SAR图像舰船检测方法大多基于费雪向量的局部对比，其中，2020年发表在IEEE Transactions on Geoscience andRemote Sensing上的文章ShipDetection in SAR Images via Local Contrast ofFisher Vectors中提出了一种只基于费雪向量局部对比的方法，该方法的主要步骤如下：首先对SAR图像建立对应的混合高斯模型，并对该图像进行超像素分割；然后分别计算每个超像素的费雪向量以及每个费雪向量的局部对比度，并将局部对比度作为检验统计量；对每个检验统计量进行判定，最终得到SAR图像的舰船检测结果。因此，现有方法缺乏对全局费雪向量对比的考量，导致检测结果中虚警目标较多，使得检测性能降低。
发明内容
本发明的目的是为克服已有技术的不足之处，提出一种基于SAR图像全局-局部特征的舰船目标检测方法。本发明在SAR图像舰船检测中额外考虑了费雪向量的全局对比特征，有助于降低检测结果中的虚警率。
本发明提出一种基于SAR图像全局-局部特征的舰船目标检测方法，其特征在于，该方法首先获取一张SAR图像，对该SAR图像建立对应的混合高斯模型，并对该图像进行超像素分割；然后分别计算每个超像素的费雪向量，以及每个费雪向量的全局密度对比度、全局密度距离对比度以及局部对比度；对全局密度对比度、全局密度距离对比度和局部对比度求积得到每个超像素的检验统计量，对每个检验统计量进行判定，最终得到SAR图像的舰船检测结果。该方法包括以下步骤：
1)获取一张SAR图像，该图像像素数量为N；设置超像素尺寸S，则该图像中超像素个数为
Figure BDA0002936727490000021
Figure BDA0002936727490000022
表示向上取整；设置正则化参数λ＞0；
2)建立该SAR图像对应的混合高斯模型GMM，表达式如下：
Figure BDA0002936727490000023
Figure BDA00029367274900000211
其中，ωq,μq,σq分别表示GMM中第q个高斯分布的权重、均值和标准差；Q>0为混和高斯模型阶数；x表示图像中像素的灰度，f(x)表示GMM的概率密度函数，
Figure BDA0002936727490000024
表示GMM中第q个高斯分布；
3)超像素分割；
将超像素的尺寸S、正则化参数λ、以及SAR图像作为输入，利用简单线性迭代聚类SLIC算法获得该SAR图像中的所有超像素；
4)计算每个超像素的费雪向量αl：
Figure BDA00029367274900000212
其中，
Figure BDA0002936727490000025
Figure BDA0002936727490000026
Figure BDA0002936727490000027
其中，l为超像素的索引，l＝1,2,…,L；
Figure BDA0002936727490000028
表示费雪向量αl中的零阶信息，
Figure BDA0002936727490000029
表示费雪向量αl中的一阶信息，
Figure BDA00029367274900000210
表示费雪向量αl中的二阶信息，l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示第l个超像素中包含的像素的数量，xl,p表示第l个超像素中的第p个像素；
βq和
Figure BDA0002936727490000031
为中间变量，表达式分别如下：
Figure BDA0002936727490000032
Figure BDA0002936727490000033
令αl←sign(αl)|αl|1/2，并进行2范数归一化；sign()表示符号函数，若该函数输入为正,则sign()为1，否则为-1；
5)计算每个费雪向量的全局密度对比度κl：
κl＝1-Nom(ρl) (6)
Figure BDA0002936727490000034
Figure BDA0002936727490000035
Figure BDA0002936727490000036
其中ρl表示第l个超像素的费雪向量密度，
Figure BDA0002936727490000037
表示第l个和第
Figure BDA0002936727490000038
个超像素的费雪向量距离，
Figure BDA0002936727490000039
Figure BDA00029367274900000310
表示图像中除了第l个超像素外其他超像素的索引；Dc＞0表示截断距离，Nom(a)表示对a进行归一化的函数；
6)计算每个费雪向量的全局密度距离对比度ψl：
Figure BDA00029367274900000311
其中，
Figure BDA00029367274900000312
表示比第l个超像素费雪向量密度低的超像素的集合；
7)计算每个费雪向量的局部对比度
Figure BDA0002936727490000041
Figure BDA0002936727490000042
其中，med{}表示选择集合中数据的中值，G(l)表示第l个超像素的邻域超像素，
Figure BDA0002936727490000043
Figure BDA0002936727490000044
表示第l个超像素的邻域超像素的索引，
Figure BDA0002936727490000045
和
Figure BDA0002936727490000046
分别表示第l个和第
Figure BDA0002936727490000047
超像素内部像素灰度的均值；
8)获取SAR图像的舰船检测结果；具体步骤如下：
8-1)计算每个超像素的检验统计量Tl：
Figure BDA0002936727490000048
8-2)计算决策阈值τ：
Figure BDA0002936727490000049
其，
Figure BDA00029367274900000410
和
Figure BDA00029367274900000411
分别表示{Tl,l＝1,2,…,L}的均值和标准差，ξ为尺度因子；
8-3)利用下式分别对每个检验统计量Tl进行判定：
Figure BDA00029367274900000412
所有Tl判定完毕后，最终得到SAR图像的舰船检测结果。
本发明的特点及有益效果：
现有的基于费雪向量的SAR图像舰船检测方法考虑费雪向量的局部对比特征，没有考虑费雪向量的全局对比特征，易造成检测结果中虚警较多。本发明提出了基于费雪向量全局和局部对比特征的SAR图像舰船检测方法，通过进一步引入费雪向量全局对比特征，增强了对杂波的全局抑制效果，有助于降低检测结果中的虚警率。
附图说明
图1为本发明方法的整体流程图。
具体实施方式
本发明提出一种基于SAR图像全局-局部特征的舰船目标检测方法，下面结合附图和具体实施例进一步详细说明如下。
本发明提出一种基于SAR图像全局-局部特征的舰船目标检测方法，整体流程如图1所示，包括以下步骤：
1)获取一张SAR图像，该图像像素数量为N(本实施例中N＝3000×3000)；设置超像素尺寸S(S可设置为舰船所占像素数量的25％，S一般取10～100,本实施例取30),则该图像中超像素个数为
Figure BDA0002936727490000051
Figure BDA0002936727490000052
表示向上取整；设置正则化参数λ＞0，用于控制超像素的空间差异和强度差异，λ一般取0.4～0.8；(本实施例取λ＝0.4)。
2)将SAR图像建模为包含参数{ωq,μq,σq,q＝1,2,…,Q}的混合高斯模型(GMM)，表达式如下：
Figure BDA0002936727490000053
Figure BDA0002936727490000054
其中，ωq,μq,σq分别表示GMM中第q个高斯分布的权重、均值和标准差。Q为混和高斯模型阶数，Q一般取7～10；x表示图像中像素的灰度，f(x)表示GMM的概率密度函数，
Figure BDA0002936727490000055
表示GMM中第q个高斯分布。
本发明中，参数{ωq,μq,σq,q＝1,2,…,Q}可基于T.K.Moon发表在IEEE SignalProcessingMagazine的文章The expectation-maximization algorithm中的期望-最大化(EM)算法获得。
3)超像素分割；
将超像素的尺寸S、正则化参数λ、以及SAR图像作为输入，根据林慧平发表在IEEEGeoscience and Remote Sensing Letters上的Ship Detection With Superpixel-LevelFisher Vector in High-Resolution SAR Images中的简单线性迭代聚类(SLIC)算法获得该SAR图像中的所有超像素。
4)计算每个超像素的费雪向量αl：
Figure BDA0002936727490000056
其中，
Figure BDA0002936727490000061
Figure BDA0002936727490000062
Figure BDA0002936727490000063
其中，l为超像素的索引，l＝1,2,…,L，L为SAR图像中超像素的数量；
Figure BDA0002936727490000064
表示费雪向量αl中的零阶信息，
Figure BDA0002936727490000065
表示费雪向量αl中的一阶信息，
Figure BDA0002936727490000066
表示费雪向量αl中的二阶信息，l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示第l个超像素中包含的像素的数量，xl,p表示第l个超像素中的第p个像素。
式(3)-(5)中的符号βq和
Figure BDA0002936727490000067
均为为了方便起见的临时符号，表达式分别如下：
Figure BDA0002936727490000068
Figure BDA0002936727490000069
令αl←sign(αl)|αl|1/2，并进行2范数归一化；sign()表示符号函数，若该函数输入为正,则sign()为1，否则为-1。
5)计算每个费雪向量的全局密度对比度κl；
κl＝1-Nom(ρl) (6)
Figure BDA00029367274900000610
Figure BDA00029367274900000611
Figure BDA00029367274900000612
其中ρl表示第l个超像素的费雪向量密度，
Figure BDA0002936727490000071
表示第l个和第
Figure BDA0002936727490000072
个超像素的费雪向量距离，
Figure BDA0002936727490000073
Figure BDA0002936727490000074
表示图像中除了第l个超像素外其他超像素的索引；Dc＞0表示截断距离，是一个常数，Dc一般可以设置为
Figure BDA0002936727490000075
中最大值的30％，Nom(a)表示对a进行归一化的函数。
6)计算每个费雪向量的全局密度距离对比度ψl：
Figure BDA0002936727490000076
其中，
Figure BDA0002936727490000077
表示比当前第l个超像素费雪向量密度低的超像素的集合。
7)计算每个费雪向量的局部对比度
Figure BDA0002936727490000078
Figure BDA0002936727490000079
其中，med{}表示选择集合中数据的中值，G(l)表示第l个超像素的邻域超像素，
Figure BDA00029367274900000710
Figure BDA00029367274900000711
表示第l个超像素的邻域超像素的索引，
Figure BDA00029367274900000712
和
Figure BDA00029367274900000713
分别表示第l个和第
Figure BDA00029367274900000714
超像素内部像素灰度的均值。
8)获取SAR图像的舰船检测结果；具体步骤如下：
8-1)计算每个超像素的检验统计量Tl：
Figure BDA00029367274900000715
其中，检验统计量Tl是全局密度对比度κl、全局密度距离对比度ψl、局部对比度
Figure BDA00029367274900000716
的乘积。
8-2)计算决策阈值τ：
Figure BDA00029367274900000717
其
Figure BDA00029367274900000718
和
Figure BDA00029367274900000719
分别表示{Tl,l＝1,2,…,L}的均值和标准差，ξ为输入的尺度因子,一般可取ξ∈[3,14]，本实施例利取ξ＝5。
8-3)利用下式分别对每个检验统计量Tl进行判定：
Figure BDA0002936727490000081
所有Tl判定完毕后，最终得到SAR图像的舰船检测结果。

Claims (1)

1.一种基于SAR图像全局-局部特征的舰船目标检测方法，其特征在于，该方法首先获取一张SAR图像，对该SAR图像建立对应的混合高斯模型，并对该图像进行超像素分割；然后分别计算每个超像素的费雪向量，以及每个费雪向量的全局密度对比度、全局密度距离对比度以及局部对比度；对全局密度对比度、全局密度距离对比度和局部对比度求积得到每个超像素的检验统计量，对每个检验统计量进行判定，最终得到SAR图像的舰船检测结果；该方法包括以下步骤：
1)获取一张SAR图像，该图像像素数量为N；设置超像素尺寸S，则该图像中超像素个数为
Figure FDA0003188017930000011
Figure FDA0003188017930000012
表示向上取整；设置正则化参数λ＞0；
2)建立该SAR图像对应的混合高斯模型GMM，表达式如下：
Figure FDA0003188017930000013
Figure FDA0003188017930000014
其中，ωq,μq,σq分别表示GMM中第q个高斯分布的权重、均值和标准差；Q>0为混和高斯模型阶数；x表示图像中像素的灰度，f(x)表示GMM的概率密度函数，
Figure FDA0003188017930000015
表示GMM中第q个高斯分布；
3)超像素分割；
将超像素的尺寸S、正则化参数λ、以及SAR图像作为输入，利用简单线性迭代聚类SLIC算法获得该SAR图像中的所有超像素；
4)计算每个超像素的费雪向量αl：
Figure FDA0003188017930000016
其中，
Figure FDA0003188017930000017
Figure FDA0003188017930000018
Figure FDA0003188017930000021
其中，l为超像素的索引，l＝1,2,…,L；
Figure FDA0003188017930000022
表示费雪向量αl中的零阶信息，
Figure FDA0003188017930000023
表示费雪向量αl中的一阶信息，
Figure FDA0003188017930000024
表示费雪向量αl中的二阶信息，l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示第l个超像素中包含的像素的数量，xl,p表示第l个超像素中的第p个像素；
βq和
Figure FDA0003188017930000025
为中间变量，表达式分别如下：
Figure FDA0003188017930000026
Figure FDA0003188017930000027
令αl←sign(αl)|αl|1/2，并进行2范数归一化；sign()表示符号函数，若该函数输入为正,则sign()为1，否则为-1；
5)计算每个费雪向量的全局密度对比度κl：
κl＝1-Nom(ρl) (6)
Figure FDA0003188017930000028
Figure FDA0003188017930000029
Figure FDA00031880179300000210
其中ρl表示第l个超像素的费雪向量密度，
Figure FDA00031880179300000211
表示第l个和第
Figure FDA00031880179300000212
个超像素的费雪向量距离，
Figure FDA00031880179300000213
Figure FDA00031880179300000214
表示图像中除了第l个超像素外其他超像素的索引；Dc＞0表示截断距离，Nom(a)表示对a进行归一化的函数；
6)计算每个费雪向量的全局密度距离对比度ψl：
Figure FDA0003188017930000031
其中，
Figure FDA0003188017930000032
表示比第l个超像素费雪向量密度低的超像素的集合；
7)计算每个费雪向量的局部对比度
Figure FDA0003188017930000033
Figure FDA0003188017930000034
其中，med{}表示选择集合中数据的中值，G(l)表示第l个超像素的邻域超像素，
Figure FDA0003188017930000035
Figure FDA0003188017930000036
表示第l个超像素的邻域超像素的索引，
Figure FDA0003188017930000037
和
Figure FDA0003188017930000038
分别表示第l个和第
Figure FDA0003188017930000039
超像素内部像素灰度的均值；
8)获取SAR图像的舰船检测结果；具体步骤如下：
8-1)计算每个超像素的检验统计量Tl：
Figure FDA00031880179300000310
8-2)计算决策阈值τ：
Figure FDA00031880179300000311
其，
Figure FDA00031880179300000312
和
Figure FDA00031880179300000313
分别表示{Tl,l＝1,2,…,L}的均值和标准差，ξ为尺度因子；
8-3)利用下式分别对每个检验统计量Tl进行判定：
Figure FDA00031880179300000314
所有Tl判定完毕后，最终得到SAR图像的舰船检测结果。
CN202110161165.7A 2021-02-05 2021-02-05 一种基于sar图像全局-局部特征的舰船目标检测方法 Active CN112766286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110161165.7A CN112766286B (zh) 2021-02-05 2021-02-05 一种基于sar图像全局-局部特征的舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110161165.7A CN112766286B (zh) 2021-02-05 2021-02-05 一种基于sar图像全局-局部特征的舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN112766286A CN112766286A (zh) 2021-05-07
CN112766286B true CN112766286B (zh) 2021-09-14

Family

ID=75705151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110161165.7A Active CN112766286B (zh) 2021-02-05 2021-02-05 一种基于sar图像全局-局部特征的舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN112766286B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242417B (zh) * 2021-05-10 2022-09-13 中国人民解放军海军航空大学 标准差加权的色偏数字图像校正方法
CN115206291B (zh) * 2022-05-30 2024-03-19 华南理工大学 基于睡眠鼾声特征的osahs检测***及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110618A (zh) * 2019-04-22 2019-08-09 电子科技大学 一种基于pca和全局对比度的sar目标检测方法
CN111123267A (zh) * 2019-10-30 2020-05-08 清华大学 合成孔径雷达图像舰船检测方法及装置
CN111583266A (zh) * 2020-05-08 2020-08-25 清华大学 基于费雪向量的自适应合成孔径雷达图像超像素分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110618A (zh) * 2019-04-22 2019-08-09 电子科技大学 一种基于pca和全局对比度的sar目标检测方法
CN111123267A (zh) * 2019-10-30 2020-05-08 清华大学 合成孔径雷达图像舰船检测方法及装置
CN111583266A (zh) * 2020-05-08 2020-08-25 清华大学 基于费雪向量的自适应合成孔径雷达图像超像素分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAR Object Detection With a Saliency Method Based on PCA and Global Contrast;Hai-xiang Li 等;《 IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》;20191114;1172-1175 *
Ship Detection in SAR Images via Local Contrast of Fisher Vectors;Xueqian Wang 等;《IEEE Transactions on Geoscience and Remote Sensing 》;20200318;第58卷(第9期);6467-6479 *

Also Published As

Publication number Publication date
CN112766286A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
Li et al. An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images
Bujor et al. Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images
Jiang et al. A semisupervised Siamese network for efficient change detection in heterogeneous remote sensing images
Wang et al. Ship detection in SAR images via local contrast of Fisher vectors
Ma et al. Region-of-interest detection via superpixel-to-pixel saliency analysis for remote sensing image
CN112766286B (zh) 一种基于sar图像全局-局部特征的舰船目标检测方法
CN113705331B (zh) 一种基于四元特征金字塔网络的sar船只检测方法
Wang et al. MDOAU-Net: A lightweight and robust deep learning model for SAR image segmentation in aquaculture raft monitoring
Wang et al. Superpixel-based LCM detector for faint ships hidden in strong noise background SAR imagery
CN112633274A (zh) 一种声呐图像目标检测方法、装置、电子设备
CN113362293A (zh) 一种基于显著性的sar图像舰船目标快速检测方法
Wang et al. Adaptive superpixel segmentation of marine SAR images by aggregating Fisher vectors
Yue et al. A generating-anchor network for small ship detection in SAR images
CN112101250B (zh) 一种基于上下文语义感知的近岸舰船目标检测方法
CN108764145A (zh) 一种面向扎龙湿地遥感图像密度峰值聚类方法
Xi et al. Multitarget detection algorithms for multitemporal remote sensing data
CN111127506A (zh) 一种基于序列图像的海上运动目标综合检测方法
Raj et al. A novel Ship detection method from SAR image with reduced false alarm
CN115861669A (zh) 一种基于聚类思想的红外弱小目标检测方法
Wenxiu et al. Remote sensing ship detection technology based on DoG preprocessing and shape features
CN111123267B (zh) 合成孔径雷达图像舰船检测方法及装置
CN111950549B (zh) 一种基于海天线与视觉显著性融合的海面障碍物检测方法
El Abidi et al. Delineation of Moroccan coastal upwelling using the principal component analysis fusion algorithm on SSC and SST images
Wang et al. Contrast of contextual Fisher vectors for ship detection in SAR images
CN112528943A (zh) 基于熵调制slic的sar图像海洋目标检测方法

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