CN114399451A - 一种合成孔径雷达图像舰船目标协同增强方法和装置 - Google Patents
一种合成孔径雷达图像舰船目标协同增强方法和装置 Download PDFInfo
- Publication number
- CN114399451A CN114399451A CN202111622014.3A CN202111622014A CN114399451A CN 114399451 A CN114399451 A CN 114399451A CN 202111622014 A CN202111622014 A CN 202111622014A CN 114399451 A CN114399451 A CN 114399451A
- Authority
- CN
- China
- Prior art keywords
- image
- histogram
- slice
- sar image
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/10044—Radar image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种合成孔径雷达图像舰船目标协同增强方法和装置，其中，该方法包括：输入原始合成孔径雷达SAR图像，并获取SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得切片集合中的超像素；基于切片集合计算出切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到局部灰度的超像素直方图密度值；基于超像素直方图密度值，计算得到交叉相关特征；基于交叉相关特征进行特征融合，获得图像增强结果并输出。本发明通过开发不同SAR图像切片之间基于密度特征的相关性，协同增强其中的弱目标、抑制强海杂波，有利于后续目标检测性能的提升。
Description
技术领域
本发明涉及合成孔径雷达(SAR)图像处理技术领域，尤其涉及一种合成孔径雷达图像舰船目标协同增强方法和装置。
背景技术
合成孔径雷达(SAR)属于一种主动成像传感器，可提供海面舰船等目标的高分辨图像。相比于光学、红外等被动型传感器，SAR图像不受光照和天气的影响，有全天候、全时段的监视能力。对SAR图像中舰船目标的增强、分割、检测在军事海防、可持续渔业等军事民用方面有着重要的应用。
近年来，众多专家学者提出了多种SAR图像中目标的增强方法。然而，现有的目标增强方法忽略了由单幅SAR图像中分割产生的不同图像切片之间的相关性，导致了有限的目标增强效果。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的为克服已有技术的不足之处，提出一种合成孔径雷达图像舰船目标协同增强方法。本发明通过开发不同SAR图像切片之间基于密度特征的相关性，协同增强其中的弱目标、抑制强海杂波，有利于后续目标检测性能的提升。
本发明的另一个目的在于提出一种合成孔径雷达图像舰船目标协同增强装置。
为达上述目的，本发明一方面提出了一种合成孔径雷达图像舰船目标协同增强方法，包括以下步骤：
输入原始合成孔径雷达SAR图像，并获取所述SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得所述切片集合中的超像素；基于所述切片集合计算出所述切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到所述局部灰度的超像素直方图密度值；基于所述超像素直方图密度值，计算得到交叉相关特征；基于所述交叉相关特征进行特征融合，获得图像增强结果并输出。
本发明实施例的合成孔径雷达图像舰船目标协同增强方法，可用于增大海面SAR图像中舰船目标与海杂波的对比度，增强对舰船目标的检测性能。
另外，根据本发明上述实施例的合成孔径雷达图像舰船目标协同增强方法还可以具有以下附加的技术特征：
进一步地，所述局部灰度对比度由下面公式计算得到：
其中，
为局部灰度对比度，m表示超像素的索引，
表示第n个SAR图像切片中超像素的数量，δn,m表示第n个SAR图像切片中第m个超像素的平均灰度值，
表示第n个SAR图像切片中第m个超像素的邻接超像素的索引集合，p表示
中的元素。
进一步地，所述根据直方图信息计算得到所述局部灰度的超像素直方图密度值，包括：
预设
表示第n个SAR图像切片中
的直方图信息，则所述超像素直方图密度值，由下面公式计算得到：
其中，
表示落在以
为中心的直方图各自中
的数量，K表示直方图划分的各自的数量,k表示直方图中格子的索引，
表示截断距离，ρn,m,q为超像素直方图密度值，Indi(.)为当括号内的值小于零时，Indi(.)输出1，否则输出0，q表示SAR图像切片的索引，q＝1,2,…,N。
进一步地，所述交叉相关特征由下面公式计算得到：
其中，
为交叉相关特征，φq为ρn,m,q的权重。
进一步地，所述φq由下面公式计算得到：
φq＝1/[1+κln(1+εq)]
其中，κ＝50为常数，ε为fTA[θ(intra)]和fCA[θ(intra)]交叉点曲线下面积。
进一步地，预设第n个切片中的目标和杂波的
服从两个不同的Gamma分布，则所述fTA[θ(intra)]和fCA[θ(intra)]由下面公式计算得到：
其中，TA表示目标区域，CA表示杂波区域，ξ和μ表示Gamma分布的形状参数和尺度参数，Γ(.)表示Gamma函数。
进一步地，预设0<θ*<+∞表示所述fTA[θ(intra)]和fCA[θ(intra)]的交叉点，则所述ε由下面公式计算得到：
其中，γ(.,.)表示下不完备Gamma函数。
进一步地，所述图像增强结果由下面公式计算得到：
其中，n＝1,2,…,N，
为图像增强结果。
进一步地，所述方法还包括，对ρn,m,q进行归一化：
为达到上述目的，本发明另一方面提出了一种合成孔径雷达图像舰船目标协同增强装置，包括：
像素获取模块，用于输入原始合成孔径雷达SAR图像，并获取所述SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得所述切片集合中的超像素；
第一计算模块，用于基于所述切片集合计算出所述切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到所述局部灰度的超像素直方图密度值；
第二计算模块，用于基于所述超像素直方图密度值，计算得到交叉相关特征；
融合输出模块，用于基于所述交叉相关特征进行特征融合，获得图像增强结果并输出。
本发明实施例的合成孔径雷达图像舰船目标协同增强装置，可用于增大海面SAR图像中舰船目标与海杂波的对比度，增强对舰船目标的检测性能。
本发明的有益效果：
现有的SAR图像中舰船目标增强方法的不足之处在于，只开发了单个SAR图像切片内部的特征，并没有联合考虑不同海面SAR图像切片之间的相似性，例如，舰船目标在不同海面SAR图像切片中均呈现空域的稀疏性。图像切片相关性的考虑缺乏这导致现有目标增强方法的性能较低。本发明基于不同海面SAR图像切片中的舰船目标的低密度特征，提出了密度特征的SAR图像舰船目标增强方法，通过开发不同切片之间的目标/杂波在密度上相似性，显著增强了舰船目标，有望提升我国对海面舰船目标的快速响应能力。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的合成孔径雷达图像舰船目标协同增强方法的流程图；
图2为根据本发明实施例的合成孔径雷达图像舰船目标协同增强方法的效果示意图；
图3为根据本发明实施例的合成孔径雷达图像舰船目标协同增强装置的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船目标协同增强方法及装置，首先将参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船目标协同增强方法。
图1是本发明一个实施例的合成孔径雷达图像舰船目标协同增强方法的流程图。
如图1所示，该合成孔径雷达图像舰船目标协同增强方法包括以下步骤：
步骤S1，输入原始合成孔径雷达SAR图像，并获取SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得切片集合中的超像素。
具体的，先输入原始合成孔径雷达SAR图像，下面作为一种实现方式：
原始SAR图像，尺寸为M×N；
SAR图像切片大小Mc×Nc,满足条件256≤Mc<M,256≤Nc<N；
尺度因子α∈(0,1)，用于计算超像素直方图密度特征。
优选的，采用加权稀疏优化方法，获得原始SAR图像中含有舰船目标的所有SAR图像切片，将获得的所有含有目标的切片集合记为
其中，In表示含有目标的第n个切片，n＝1,2,…,N,N表示原始SAR图像中含有舰船目标切片的SAR图像的数量。
优选的，采用简单线性迭代聚类算法获得切片集合
中的超像素。
步骤S2，基于切片集合计算出切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到局部灰度的超像素直方图密度值。
具体地，计算
中所有超像素的局部灰度对比度
其中，m表示超像素的索引，
表示第n个SAR图像切片中超像素的数量，δn,m表示第n个SAR图像切片中第m个超像素的平均灰度值，
表示第n个SAR图像切片中第m个超像素的邻接超像素的索引集合，p表示
中的元素。令
表示第n个SAR图像切片中所有
的集合。
进一步地，令
表示第n个SAR图像切片中
的直方图信息，其中
表示落在以
为中心的直方图各自中
的数量,K表示直方图划分的各自的数量,k表示直方图中格子的索引。接下来，计算第n个SAR图像切片中每一个
在第q个(q＝1，2，……N)SAR图像切片中的超像素直方图密度值ρn,m,q：
其中，
表示截断距离，Indi(.)的含义为，当括号内的值小于零时，Indi(.)输出1，否则输出0，q表示SAR图像切片的索引，q＝1,2,…,N。接下来对ρn,m,q进行归一化：
步骤S3，基于超像素直方图密度值，计算得到交叉相关特征。
具体地，本发明开发不同SAR图像切片在密度特征上的相似性，计算交叉相关特征
其中，φq表示ρn,m,q的权重。φq的计算方式如下。假设第n个切片中的目标和杂波的
服从两个不同的Gamma分布：
其中，TA表示目标区域，CA表示杂波区域，ξ和μ表示Gamma分布的形状参数和尺度参数，Γ(.)表示Gamma函数，{ξTA,μTA,ξCA,μCA}可以由Otsu算法获得。令0<θ*<+∞表示fTA[θ(intra)]和fCA[θ(intra)]曲线的交叉点，计算fTA[θ(intra)]和fCA[θ(intra)]交叉点曲线下面积ε：
其中，γ(.,.)表示下不完备Gamma函数。则权重的计算方式如下：
φq＝1[1+κln(1+εq)]
其中，κ＝50为常数。
步骤S4，基于交叉相关特征进行特征融合，获得图像增强结果并输出。
具体地，根据交叉相关特征，再进行SAR图像地特征融合。对每一个SAR图像切片中的超像素获取其增强结果
则输出的结果为：
n＝1,2,…,N，
进一步地，图2为本发明实施例的技术效果图，如图2所示，图中第一行为SAR图像切片；第二行现有的方法所呈现的图像效果；第三行为利用本发明所呈现的图像效果。
根据本发明实施例的合成孔径雷达图像舰船目标协同增强方法，通过输入原始合成孔径雷达SAR图像，并获取SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得切片集合中的超像素；基于切片集合计算出切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到局部灰度的超像素直方图密度值；基于超像素直方图密度值，计算得到交叉相关特征；基于交叉相关特征进行特征融合，获得图像增强结果并输出。本发明通过开发不同SAR图像切片之间基于密度特征的相关性，协同增强其中的弱目标、抑制强海杂波，有利于后续目标检测性能的提升。
为了实现上述实施例，如图3所示，本实施例中还提供了一种合成孔径雷达图像舰船目标协同增强装置10，该装置10包括：像素获取模块100、第一计算模块200、第二计算模块300和融合输出模块400。
像素获取模块100，用于输入原始合成孔径雷达SAR图像，并获取SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得切片集合中的超像素；
第一计算模块200，用于基于切片集合计算出切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到局部灰度的超像素直方图密度值；
第二计算模块300，用于基于超像素直方图密度值，计算得到交叉相关特征；
融合输出模块400，用于基于交叉相关特征进行特征融合，获得图像增强结果并输出。
根据本发明实施例的合成孔径雷达图像舰船目标协同增强装置，通过输入原始合成孔径雷达SAR图像，并获取SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得切片集合中的超像素；基于切片集合计算出切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到局部灰度的超像素直方图密度值；基于超像素直方图密度值，计算得到交叉相关特征；基于交叉相关特征进行特征融合，获得图像增强结果并输出。本发明通过开发不同SAR图像切片之间基于密度特征的相关性，协同增强其中的弱目标、抑制强海杂波，有利于后续目标检测性能的提升。
需要说明的是，前述对合成孔径雷达图像舰船目标协同增强方法的实施例的解释说明也适用于该实施例的合成孔径雷达图像舰船目标协同增强装置，此处不再赘述。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种合成孔径雷达图像舰船目标协同增强方法，其特征在于，包括以下步骤：
输入原始合成孔径雷达SAR图像，并获取所述SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得所述切片集合中的超像素；
基于所述切片集合计算出所述切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到所述局部灰度的超像素直方图密度值；
基于所述超像素直方图密度值，计算得到交叉相关特征；
基于所述交叉相关特征进行特征融合，获得图像增强结果并输出。
2.根据权利要求1所述的方法，其特征在于，所述局部灰度对比度由下面公式计算得到：
其中，
为局部灰度对比度，m表示超像素的索引，m＝1,2,…,
表示第n个SAR图像切片中超像素的数量，δn,m表示第n个SAR图像切片中第m个超像素的平均灰度值，
表示第n个SAR图像切片中第m个超像素的邻接超像素的索引集合，p表示
中的元素。
3.根据权利要求2所述的方法，其特征在于，所述根据直方图信息计算得到所述局部灰度的超像素直方图密度值，包括：
预设
表示第n个SAR图像切片中
的直方图信息，则所述超像素直方图密度值，由下面公式计算得到：
其中，
表示落在以
为中心的直方图各自中
的数量，K表示直方图划分的各自的数量,k表示直方图中格子的索引，
表示截断距离，ρn,m,q为超像素直方图密度值，Indi(.)为当括号内的值小于零时，Indi(.)输出1，否则输出0，q表示SAR图像切片的索引，q＝1,2,…,N。
4.根据权利要求3所述的方法，其特征在于，所述交叉相关特征由下面公式计算得到：
其中，
为交叉相关特征，φq为ρn,m,q的权重。
5.根据权利要求4所述的方法，其特征在于，所述φq由下面公式计算得到：
φq＝1/[1+κln(1+εq)]
其中，κ＝50为常数，ε为fTA[θ(intra)]和fCA[θ(intra)]交叉点曲线下面积。
6.根据权利要求5所述的方法，其特征在于，预设第n个切片中的目标和杂波的
服从两个不同的Gamma分布，则所述fTA[θ(intra)]和fCA[θ(intra)]由下面公式计算得到：
其中，TA表示目标区域，CA表示杂波区域，ξ和μ表示Gamma分布的形状参数和尺度参数，Γ(.)表示Gamma函数。
7.根据权利要求6所述的方法，其特征在于，预设0<θ*<+∞表示所述fTA[θ(intra)]和fCA[θ(intra)]的交叉点，则所述ε由下面公式计算得到：
其中，γ(.,.)表示下不完备Gamma函数。
8.根据权利要求1所述的方法，其特征在于，所述图像增强结果由下面公式计算得到：
其中，n＝1,2,…,N，m＝1,2,…,
为图像增强结果。
9.根据权利要求4所述的方法，其特征在于，所述方法还包括，对ρn,m,q进行归一化：
10.一种合成孔径雷达图像舰船目标协同增强装置，其特征在于，包括：
像素获取模块，用于输入原始合成孔径雷达SAR图像，并获取所述SAR图像中含有舰船目标的所有SAR图像切片的切片集合，以获得所述切片集合中的超像素；
第一计算模块，用于基于所述切片集合计算出所述切片集合中所有超像素的局部灰度对比度，根据直方图信息计算得到所述局部灰度的超像素直方图密度值；
第二计算模块，用于基于所述超像素直方图密度值，计算得到交叉相关特征；
融合输出模块，用于基于所述交叉相关特征进行特征融合，获得图像增强结果并输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111622014.3A CN114399451A (zh) | 2021-12-28 | 2021-12-28 | 一种合成孔径雷达图像舰船目标协同增强方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111622014.3A CN114399451A (zh) | 2021-12-28 | 2021-12-28 | 一种合成孔径雷达图像舰船目标协同增强方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114399451A true CN114399451A (zh) | 2022-04-26 |
Family
ID=81229561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111622014.3A Pending CN114399451A (zh) | 2021-12-28 | 2021-12-28 | 一种合成孔径雷达图像舰船目标协同增强方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114399451A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 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 |
| CN113362293A (zh) * | 2021-05-27 | 2021-09-07 | 西安理工大学 | 一种基于显著性的sar图像舰船目标快速检测方法 |
-
2021
- 2021-12-28 CN CN202111622014.3A patent/CN114399451A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 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 |
| CN113362293A (zh) * | 2021-05-27 | 2021-09-07 | 西安理工大学 | 一种基于显著性的sar图像舰船目标快速检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| XUEQIAN WANG 等: "Cooperative Enhancement of Ship Targets in SAR Images Based on Density Features", 2021 CIE INTERNATIONAL CONFERENCE ON RADAR (RADAR), 19 December 2021 (2021-12-19) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhai et al. | Inshore ship detection via saliency and context information in high-resolution SAR images | |
| CN108182690B (zh) | 一种基于前景加权局部对比度的红外微弱目标检测方法 | |
| CN105931257B (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
| CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
| CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
| CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN115019187B (zh) | 针对sar图像船舶目标的检测方法、装置、设备及介质 | |
| 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 | |
| Guo et al. | Sea surface wind direction retrieval based on convolution neural network and wavelet analysis | |
| CN111738278A (zh) | 一种水下多源声学图像特征提取方法及*** | |
| CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
| CN112766286B (zh) | 一种基于sar图像全局-局部特征的舰船目标检测方法 | |
| CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
| CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
| Zeng et al. | An Incept-TextCNN model for ship target detection in SAR range-compressed domain | |
| CN114399451A (zh) | 一种合成孔径雷达图像舰船目标协同增强方法和装置 | |
| CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
| CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
| CN107610130B (zh) | 基于幅度与相位线性度之比的海陆杂波场景分割方法 | |
| CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
| Ao et al. | Coastline detection with time series of SAR images | |
| CN112734666B (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
| Li et al. | SAR image nearshore ship target detection in complex environment | |
| Zhang et al. | Adaptive river segmentation in SAR images | |
| Gao et al. | Hierarchical Feature‐Based Detection Method for SAR Targets Under Complex Environment |
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 |