CN114373135A - 基于局部显著性特征度量的舰船目标检测方法 - Google Patents
基于局部显著性特征度量的舰船目标检测方法 Download PDFInfo
- Publication number
- CN114373135A CN114373135A CN202210035589.3A CN202210035589A CN114373135A CN 114373135 A CN114373135 A CN 114373135A CN 202210035589 A CN202210035589 A CN 202210035589A CN 114373135 A CN114373135 A CN 114373135A
- Authority
- CN
- China
- Prior art keywords
- local
- contrast
- target
- block
- mapping
- 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 55
- 238000005259 measurement Methods 0.000 title claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 239000004576 sand Substances 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000001629 suppression Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于局部显著性特征度量的舰船目标检测方法,包括:获取待检测的原始SAR图像,设置滑动窗口区分目标块和背景块;对待检测的原始SAR图像进行局部显著特征的差异性测量,得到增强映射CS和经归一化处理得到CVN;将增强映射CS和经归一化处理得到的CVN进行图像融合,得到最终的增强对比图;进行阈值分割得到舰船目标检测结果。本发明主要利用SAR图像中目标像素与背景像素的显著特征值的相异性来检测舰船目标,通过实验证明该发明的有效性。且本发明能够显著提高TCR,在强旁瓣和散斑噪声的情况下,具有较好的目标增强效果和背景抑制效果,能够从海杂波背景中有效地提取出目标像素,降低了虚警率。
Description
技术领域
本发明涉及雷达遥感应用技术领域,尤其是一种基于局部显著性特征度量的舰船目标检测方法。
背景技术
合成孔径雷达SAR是一种主动式微波遥感器,能够获取高分辨率雷达图像,同时具有全天候、全天时工作的优点。高分辨合成孔径雷达SAR不仅在军事领域有广泛的应用,同时在海上交通管制和渔业管理等民用领域也大有作为。因此研究如何准确地检测出SAR图像中的舰船目标具有重要意义。
传统的基于像素级的恒虚警率(Constant False Alarm Rate,CFAR)算法是一种应用较为广泛的舰船目标检测算法,主要是从海杂波中检测出明亮的舰船目标像素点,具有恒定的虚警概率。然而,由于复杂的海杂波背景和明亮噪声点等的影响,使得传统CFAR检测器的检测准确率下降。但随着SAR图像分辨率的不断提高传统CFAR算法对目标检测仍有一定的困难。
近年来,模拟人类视觉***(Human Visual System,HVS)来提高目标检测性能在各种检测任务中具有很大的潜力。研究者们提出了大量基于对比度度量的检测算法,通过增强目标和抑制杂波背景及噪声来实现对目标检测性能的提高。为了解决在强噪声背景下微弱或小目标检测困难的问题,有研究者提出了一种基于超像素的局部对比度测量(Superpixel-based Local Contrast Measure,SLCM)方法来实现对舰船目标的检测,该算法具有较高的检测率和较低的虚警率。又由于SAR图像中旁瓣的存在严重影响了SAR图像舰船目标的检测性能,导致大量噪声被误认为是目标,因此为解决这一问题又有研究者提出了一种快速的基于多尺度的局部对比度检测算法(Fast Multiscale Patch-basedContrast Measure,FMPCM),该算法主要针对SAR图像中的目标特征设计了四邻域滑动窗口,大大降低了目标后向散射在距离和方位向上对背景的影响,具有较好的目标增强和背景抑制效果,且复杂度较低。
但是在SAR图像中由于天线旁瓣即来自强散射体通常以条纹形式出现在距离和方位角方向上的能量,以及明显散斑噪声等特征的存在将增加检测器的虚警率并降低杂波背景和目标像素的区分性从而降低检测性能;且SAR图像中舰船目标散射的不均匀性会造成目标检测不准确。
发明内容
本发明的目的在于提供一种能够基于SAR图像中目标与背景像素的显著性特征对比从而提高目标杂波比TCR,提高目标检测的准确性的基于局部显著性特征度量的舰船目标检测方法。
为实现上述目的,本发明采用了以下技术方案:一种基于局部显著性特征度量的舰船目标检测方法,该方法包括下列顺序的步骤:
(1)获取待检测的原始SAR图像,设置滑动窗口区分目标块和背景块;
(2)利用局部区域中目标块和背景块的显著特征差异性,对待检测的原始SAR图像进行局部显著特征的差异性测量:包括基于协方差矩阵的局部对比度检测,以及基于灰度方差和均值的局部对比度检测;通过基于协方差矩阵的局部对比度检测获得第一特征差异值,经全局滑窗得到所有的第一特征差异值组成的增强映射CS;通过基于灰度方差和均值的局部对比度检测获得第二特征差异值,经全局滑窗得到所有的第二特征差异值组成的对比度映射CV,将对比度映射CV经归一化处理得到CVN;
(3)将增强映射CS和经归一化处理得到的CVN进行图像融合,得到最终的增强对比图;
(4)进行阈值分割得到舰船目标检测结果。
在步骤(2)中,所述通过基于协方差矩阵的局部对比度检测获得第一特征差异值,经全局滑窗得到所有的第一特征差异值组成的增强映射CS具体是指:
对每个像素点进行局部邻域运算,用多个邻域信息即多维特征向量代替单一的强度特征以区分舰船目标像素和背景杂波像素;
假设a0为原始SAR图像中的某一像素点,以该像素点为中心选取5×5的邻域像素,选取两条对角线方向上的像素点a1,a2,...,a8参与局部邻域运算,计算出该中心像素点a0的特征向量表示为:
f=[x0-x1,x0-x2,x0-x3,x0-x4,x0-x5,x0-x6,x0-x7,x0-x8]T
其中,xp,p=0,1,2,...,8表示像素点ap,p=0,1,2,...,8处的强度值,融合以中心像素点与其周围各像素点的强度变换差值作为该像素点处的特征向量表示,该特征向量的维数为8;
基于特征向量f构造区域块协方差矩阵来描述某区域内特征向量f的联合分布情况,并利用得到的协方差矩阵的属性进行局部对比度检测,实现对SAR图像目标的增强,则某区域块A上所有特征向量的协方差矩阵计算为:
其中,N表示区域块A内所包含的像素点个数,fq表示该区域内第q个像素点处的特征向量表示;μ为区域块A内N个像素点所对应的特征向量f所组成的集合{fq|q=1,2,...,N}的均值;
基于区域块协方差矩阵的F范数属性计算进行局部对比度测量,得到增强映射CS为:
其中,(p,q)为目标块T的中心坐标,C(AT)和分别表示局部目标块T和背景块Bk处的特征协方差矩阵;Ij表示目标块T的第j个最大灰度值,L为最大灰度值个数;yij表示计算出来的协方差矩阵C(A)中的任一矩阵元素。
在步骤(2)中,所述通过基于灰度方差和均值的局部对比度检测获得第二特征差异值,经全局滑窗得到所有的第二特征差异值组成的对比度映射CV,将对比度映射CV经归一化处理得到CVN具体是指:
根据目标块与背景块灰度方差的相对差异性,计算局部目标块与其周围四个背景块的差异为:
计算目标块T和背景块Bk之间的对比度映射CV为:
CV(p,q)=max{d(T,Bk)},k=1,2,3,4
其中(p,q)为目标块T的中心坐标,将对比度映射CV以最大最小归一化公式得到CVN:
其中,CVmax和CVmin分别表示对比度映射CV中的最大值和最小值。
所述步骤(3)具体是指:将增强映射CS和经归一化处理得到的CVN进行图像融合,得到最终的增强对比图;
将增强映射CS经归一化处理得到的CVN相乘作为最终目标增强图融合的结果,得到最终对比映射Cfinal即最终增强对比图,其计算公式为:
Cfinal=CS×CVN。
在步骤(4)中,所述阈值分割的公式如下:
Th=μ+kδ
其中,μ和δ分别为最终对比映射Cfinal的均值和标准差,k为一个常数;
其中,Cfinal(i,j)为最终对比映射Cfinal中位于像素点(i,j)处的对比值。
由上述技术方案可知,本发明的有益效果为:本发明能够很好的解决因散斑噪声和旁瓣等特征所带来的目标检测准确率低虚警率高等缺点,同时结合多显著特征进行局部对比度测量,能更好地抑制背景杂波,提高目标—杂波对比度TCR,具有更高效准确的目标检测性能。
附图说明
图1为本发明的方法流程图;
图2为数据集HRSID中选取的原始SAR图像及其目标区域切片示意图;
图3为滑动窗口的结构示意图;
图4为原始SAR图像的目标检测结果图。
具体实施方式
如图1所示,一种基于局部显著性特征度量的舰船目标检测方法,该方法包括下列顺序的步骤:
(1)获取待检测的原始SAR图像,设置滑动窗口区分目标块和背景块;
(2)利用局部区域中目标块和背景块的显著特征差异性,对待检测的原始SAR图像进行局部显著特征的差异性测量:包括基于协方差矩阵的局部对比度检测,以及基于灰度方差和均值的局部对比度检测;通过基于协方差矩阵的局部对比度检测获得第一特征差异值,经全局滑窗得到所有的第一特征差异值组成的增强映射CS;通过基于灰度方差和均值的局部对比度检测获得第二特征差异值,经全局滑窗得到所有的第二特征差异值组成的对比度映射CV,将对比度映射CV经归一化处理得到CVN;
(3)将增强映射CS和经归一化处理得到的CVN进行图像融合,得到最终的增强对比图;
(4)进行阈值分割得到舰船目标检测结果。
在步骤(2)中,所述通过基于协方差矩阵的局部对比度检测获得第一特征差异值,经全局滑窗得到所有的第一特征差异值组成的增强映射CS具体是指:
对每个像素点进行局部邻域运算,用多个邻域信息即多维特征向量代替单一的强度特征以区分舰船目标像素和背景杂波像素;
如图2所示,假设a0为原始SAR图像中的某一像素点,以该像素点为中心选取5×5的邻域像素,选取两条对角线方向上的像素点a1,a2,...,a8参与局部邻域运算,计算出该中心像素点a0的特征向量表示为:
f=[x0-x1,x0-x2,x0-x3,x0-x4,x0-x5,x0-x6,x0-x7,x0-x8]T
其中,xp,p=0,1,2,...,8表示像素点ap,p=0,1,2,...,8处的强度值,融合以中心像素点与其周围各像素点的强度变换差值作为该像素点处的特征向量表示,该特征向量的维数为8;
基于特征向量f构造区域块协方差矩阵来描述某区域内特征向量f的联合分布情况,并利用得到的协方差矩阵的属性进行局部对比度检测,实现对SAR图像目标的增强,则某区域块A上所有特征向量的协方差矩阵计算为:
其中,N表示区域块A内所包含的像素点个数,fq表示该区域内第q个像素点处的特征向量表示;μ为区域块A内N个像素点所对应的特征向量f所组成的集合{fq|q=1,2,...,N}的均值;
基于区域块协方差矩阵的F范数属性计算进行局部对比度测量,得到增强映射CS为:
其中,(p,q)为目标块T的中心坐标,C(AT)和分别表示局部目标块T和背景块Bk处的特征协方差矩阵;Ij表示目标块T的第j个最大灰度值,L为最大灰度值个数;yij表示计算出来的协方差矩阵C(A)中的任一矩阵元素。
在步骤(2)中,所述通过基于灰度方差和均值的局部对比度检测获得第二特征差异值,经全局滑窗得到所有的第二特征差异值组成的对比度映射CV,将对比度映射CV经归一化处理得到CVN具体是指:
同样考虑到原始SAR图像中的散斑噪声以及舰船目标散射的不均匀性,使得目标区域与杂波背景的方差存在较大差异,且舰船目标区域的方差与均值明显大于杂波区域。根据目标块与背景块灰度方差的相对差异性,计算局部目标块与其周围四个背景块的差异为:
计算目标块T和背景块Bk之间的对比度映射CV为:
CV(p,q)=max{d(T,Bk)},k=1,2,3,4
其中(p,q)为目标块T的中心坐标,将对比度映射CV以最大最小归一化公式得到CVN:
其中,CVmax和CVmin分别表示对比度映射CV中的最大值和最小值。
所述步骤(3)具体是指:将增强映射CS和经归一化处理得到的CVN进行图像融合,得到最终的增强对比图;
将增强映射CS经归一化处理得到的CVN相乘作为最终目标增强图融合的结果,得到最终对比映射Cfinal即最终增强对比图,其计算公式为:
Cfinal=CS×CVN。
在步骤(4)中,所述阈值分割的公式如下:
Th=μ+kδ
其中,μ和δ分别为最终对比映射Cfinal的均值和标准差,k为一个常数;
其中,Cfinal(i,j)为最终对比映射Cfinal中位于像素点(i,j)处的对比值。
以下结合图1至4对本发明作进一步的说明。
获取待检测的SAR图像并设计滑动窗口结构;本次实验测试所用的场景图为HRSID数据集的其中之一,该数据来源于SAR卫星Sentinel-1B,且图像分辨率为3m,图像尺寸为800×800像素;并选取该场景中舰船目标集中的某一区域切片作为待检测SAR图像进行舰船目标检测,如图3所示,其中白色虚线框表示SAR图像中真实的舰船目标。同时考虑到目标周围背景像素和旁瓣特征,设计滑动窗口如图2所示,该窗口主要分为三层,即目标窗口T、保护窗口P和背景窗口B;背景窗口又分为四个区域B1、B2、B3和B4。具体各层窗口大小设置可以根据目标尺寸来选择。
基于上述滑动窗口对图3所示的待检测原始SAR图像进行局部显著特征的差异性测量。由于散斑噪声和舰船目标散射的不均匀性,一般目标区域的像素强度变化比杂波区域的强度变化更大,考虑到强度变化的特点,首先对每个像素点进行局部邻域运算,用多个邻域信息(即多维特征向量)代替单一的强度特征能更加丰富地表征该像素点处的信息,以便更好地区分舰船目标像素和背景杂波像素。
为了进一步说明本发明的增强效果,通过计算目标—杂波对比度TCR来定量评价其性能,TCR计算公式为:
其中,St和Sc分别表示检测出来的目标像素点和其周围杂波背景像素点的平均功率。
经上述计算所得的原始TCR值与增强后的TCR对比情况如表1所示:
表1目标TCR值对比
由表1可知,本发明能够显著提高目标与背景杂波之间的对比度TCR,证明本发明具有较好的目标增强效果。
然后对整幅增强对比图进行逐像素判断进而确定目标像素点和背景像素点,从而完成对目标的检测,如图4所示,为原始SAR图像中舰船目标检测二值结果,其中白色实线框表示正确检测到的目标,由检测结果可以看出该发明能够准确检测出舰船目标且大大提高了目标的检测性能。
综上所述,本发明主要利用SAR图像中目标像素与背景像素的显著特征值的相异性来检测舰船目标,通过实验证明该发明的有效性。且本发明能够显著提高TCR,在强旁瓣和散斑噪声的情况下,具有较好的目标增强效果和背景抑制效果,能够从海杂波背景中有效地提取出目标像素,降低了虚警率。
Claims (5)
1.一种基于局部显著性特征度量的舰船目标检测方法,其特征在于:该方法包括下列顺序的步骤:
(1)获取待检测的原始SAR图像,设置滑动窗口区分目标块和背景块;
(2)利用局部区域中目标块和背景块的显著特征差异性,对待检测的原始SAR图像进行局部显著特征的差异性测量:包括基于协方差矩阵的局部对比度检测,以及基于灰度方差和均值的局部对比度检测;通过基于协方差矩阵的局部对比度检测获得第一特征差异值,经全局滑窗得到所有的第一特征差异值组成的增强映射CS;通过基于灰度方差和均值的局部对比度检测获得第二特征差异值,经全局滑窗得到所有的第二特征差异值组成的对比度映射CV,将对比度映射CV经归一化处理得到CVN;
(3)将增强映射CS和经归一化处理得到的CVN进行图像融合,得到最终的增强对比图;
(4)进行阈值分割得到舰船目标检测结果。
2.根据权利要求1所述的基于局部显著性特征度量的舰船目标检测方法,其特征在于:在步骤(2)中,所述通过基于协方差矩阵的局部对比度检测获得第一特征差异值,经全局滑窗得到所有的第一特征差异值组成的增强映射CS具体是指:
对每个像素点进行局部邻域运算,用多个邻域信息即多维特征向量代替单一的强度特征以区分舰船目标像素和背景杂波像素;
假设a0为原始SAR图像中的某一像素点,以该像素点为中心选取5×5的邻域像素,选取两条对角线方向上的像素点a1,a2,...,a8参与局部邻域运算,计算出该中心像素点a0的特征向量表示为:
f=[x0-x1,x0-x2,x0-x3,x0-x4,x0-x5,x0-x6,x0-x7,x0-x8]T
其中,xp,p=0,1,2,...,8表示像素点ap,p=0,1,2,...,8处的强度值,融合以中心像素点与其周围各像素点的强度变换差值作为该像素点处的特征向量表示,该特征向量的维数为8;
基于特征向量f构造区域块协方差矩阵来描述某区域内特征向量f的联合分布情况,并利用得到的协方差矩阵的属性进行局部对比度检测,实现对SAR图像目标的增强,则某区域块A上所有特征向量的协方差矩阵计算为:
其中,N表示区域块A内所包含的像素点个数,fq表示该区域内第q个像素点处的特征向量表示;μ为区域块A内N个像素点所对应的特征向量f所组成的集合{fq|q=1,2,...,N}的均值;
基于区域块协方差矩阵的F范数属性计算进行局部对比度测量,得到增强映射CS为:
3.根据权利要求1所述的基于局部显著性特征度量的舰船目标检测方法,其特征在于:在步骤(2)中,所述通过基于灰度方差和均值的局部对比度检测获得第二特征差异值,经全局滑窗得到所有的第二特征差异值组成的对比度映射CV,将对比度映射CV经归一化处理得到CVN具体是指:
根据目标块与背景块灰度方差的相对差异性,计算局部目标块与其周围四个背景块的差异为:
计算目标块T和背景块Bk之间的对比度映射CV为:
CV(p,q)=max{d(T,Bk)},k=1,2,3,4
其中(p,q)为目标块T的中心坐标,将对比度映射CV以最大最小归一化公式得到CVN:
其中,CVmax和CVmin分别表示对比度映射CV中的最大值和最小值。
4.根据权利要求1所述的基于局部显著性特征度量的舰船目标检测方法,其特征在于:所述步骤(3)具体是指:将增强映射CS和经归一化处理得到的CVN进行图像融合,得到最终的增强对比图;
将增强映射CS经归一化处理得到的CVN相乘作为最终目标增强图融合的结果,得到最终对比映射Cfinal即最终增强对比图,其计算公式为:
Cfinal=CS×CVN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035589.3A CN114373135A (zh) | 2022-01-13 | 2022-01-13 | 基于局部显著性特征度量的舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035589.3A CN114373135A (zh) | 2022-01-13 | 2022-01-13 | 基于局部显著性特征度量的舰船目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114373135A true CN114373135A (zh) | 2022-04-19 |
Family
ID=81144022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210035589.3A Pending CN114373135A (zh) | 2022-01-13 | 2022-01-13 | 基于局部显著性特征度量的舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114373135A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236598A (zh) * | 2022-05-11 | 2022-10-25 | 西安电子科技大学 | 一种基于极化雷达的子空间距离扩展目标检测方法 |
CN115355770A (zh) * | 2022-09-02 | 2022-11-18 | 西安奇维科技有限公司 | 一种应用于图像导引头抑制强背景干扰的方法 |
-
2022
- 2022-01-13 CN CN202210035589.3A patent/CN114373135A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236598A (zh) * | 2022-05-11 | 2022-10-25 | 西安电子科技大学 | 一种基于极化雷达的子空间距离扩展目标检测方法 |
CN115355770A (zh) * | 2022-09-02 | 2022-11-18 | 西安奇维科技有限公司 | 一种应用于图像导引头抑制强背景干扰的方法 |
CN115355770B (zh) * | 2022-09-02 | 2023-11-03 | 西安奇维科技有限公司 | 一种应用于图像导引头抑制强背景干扰的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN109886218A (zh) | 基于超像素统计相异性的sar图像舰船目标检测方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN110765912A (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN104537675A (zh) | 一种sar图像双边cfar舰船目标检测方法 | |
CN116071664A (zh) | 基于改进CenterNet网络的SAR图像舰船检测方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN112435249A (zh) | 一种基于周扫红外搜索***的动态小目标检测方法 | |
CN112241956A (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
Cheng et al. | Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images | |
CN115187856A (zh) | 一种基于人眼视觉注意机制的sar图像舰船检测方法 | |
CN112233042B (zh) | 一种含非合作目标的大场景sar图像快速生成方法 | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
CN104732190A (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
Li et al. | Ship target detection method based on local saliency enhancement | |
Wang et al. | Ship target segmentation for SAR images based on clustering center shift | |
CN117745688B (zh) | 一种多尺度sar影像变化检测可视化***、电子设备及存储介质 |
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 |