CN116958122A - Sar图像评估方法、装置、设备及可读存储介质 - Google Patents
Sar图像评估方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116958122A CN116958122A CN202311076893.3A CN202311076893A CN116958122A CN 116958122 A CN116958122 A CN 116958122A CN 202311076893 A CN202311076893 A CN 202311076893A CN 116958122 A CN116958122 A CN 116958122A
- Authority
- CN
- China
- Prior art keywords
- sar image
- evaluation
- training sample
- preset
- quality
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 137
- 238000013210 evaluation model Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种SAR图像评估方法、装置、设备及可读存储介质,该方法包括步骤:获取待评估的SAR图像;将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;根据所述评估结果,确定出质量符合预设标准的SAR图像。本申请实现了获取到SAR图像,并根据SAR图像的目标区域的特征信息,使用预设的评估模型对特征信息进行评估,从而实现对SAR图像精准评估的效果。
Description
技术领域
本申请涉及合成孔径雷达技术领域,尤其涉及一种SAR图像评估方法、装置、设备及可读存储介质。
背景技术
合成孔径雷达(SAR,Synthetic Aperture Radar)广泛应用于目标侦查与识别技术领域。可通过具有实时成像能力的无人机载SAR***,对目标实现低延时地实时成像,有效地动态监测,在应急和灾害等领域具有很高的实际应用价值。
在通过SAR回波模拟形成相应的SAR图像后,通过经由相关人员对其图像进行解读和识别,从而确定当前SAR图像所对应区域的实际情况,SAR图像质量的高低直接影响到相关人员对于SAR图像的识别判断,因此,在相关人员对SAR图像进行识别之前,需要确定该SAR图像的质量。
SAR图像存在不同的特征类型,对SAR图像的质量进行评估时,会由于疏忽导致采用同一种方式对SAR图像的质量进行评估,无法分别对应不同特征类型的SAR图像进行评估,导致其评估的准确性低,从而导致后续相关人员对SAR图像进行识别时的准确性低。
发明内容
有鉴于此,本申请提供一种SAR图像评估方法、装置、设备及可读存储介质,旨在提高对SAR图像质量评估的准确性。
为实现上述目的,本申请提供一种SAR图像评估方法,所述SAR图像评估方法包括以下步骤:
获取待评估的SAR图像;
将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;
将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;
根据所述评估结果,确定出质量符合预设标准的SAR图像。
示例性的,所述将所述SAR图像划分至预设数量个目标区域,并分别提取各目标区域中的特征信息的步骤之后,包括:
获取特征训练样本和所述特征训练样本的质量标签;
基于所述特征训练样本和所述质量标签,确定具有所述质量标签的特征训练样本的质量评估指标,并确定所述质量评估指标的指标权重;
基于所述特征训练样本和所述质量标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的评估模型。
示例性的,所述基于所述特征训练样本和所述质量标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的测试预测模型的步骤,包括:
将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值;
将所述预测特征评估值与所述特征训练样本的质量标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述评估模型。
示例性的,所述获取特征训练样本和所述特征训练样本的质量标签的步骤之前,包括:
确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图;
根据所述直方图,统计所述特征信息对应的各目标区域的复杂值;
计算各复杂值之和的平均值,并将其作为标准值;
根据所述标准值,确定所述各训练样本对应的区域类型,并根据所述区域类型和所述特征信息,生成对应不同训练样本的质量标签。
示例性的,所述确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图的步骤,包括:
解析所述特征信息中的分辨率、完整度和模糊比,并对所述分辨率、所述完整性和所述模糊比进行归一化处理,得到处理后的初始值;
根据预设复杂权重,计算所述初始值之和,并根据所述初始值之和,生成所述训练样本对应复杂程度的直方图。
示例性的,所述将所述SAR图像划分为预设数量个目标区域的步骤,包括:
获取预设数量个待评估的目标点位;
将所述目标点位作为坐标中心,生成所述预设数量个初始区域;
若所述初始区域之间存在重叠区域,则将存在重叠区域的多个初始区域转化为一个目标区域,并将不存在重叠区域的初始区域作为目标区域。
示例性的,所述根据所述评估结果,确定出质量符合预设标准的SAR图像的步骤之后,包括:
若所述SAR图像不符合所述预设标准,则通过Curvelet变换,对所述目标区域进行解析,得到高频子带和低频子带;
根据预设增益系数,调整所述高频子带和低频子带,并对调整后的子带进行Curvelet反变换,得到去噪后的目标区域,并对所述去噪后的目标区域进行重评估;
若重评估后的SAR图像仍不符合所述预设标准,则确定所述SAR图像为质量不合格的图像。
示例性的,为实现上述目的,本申请还提供一种SAR图像评估装置,所述装置包括:
获取模块,用于获取待评估的SAR图像;
处理模块,用于将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;
输入模块,用于将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;
确定模块,用于根据所述评估结果,确定出质量符合预设标准的SAR图像。
示例性的,为实现上述目的,本申请还提供一种SAR图像评估设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的SAR图像评估程序,所述SAR图像评估程序配置为实现如上所述的SAR图像评估方法的步骤。
示例性的,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有SAR图像评估程序,所述SAR图像评估程序被处理器执行时实现如上所述的SAR图像评估方法的步骤。
与相关技术中,基于相关的评估方法对SAR图像质量进行评估,得到的评估结果的准确性低的情况相比,在本申请中,获取待评估的SAR图像;将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;根据所述评估结果,确定出质量符合预设标准的SAR图像,即将SAR图像进行划分为预设数量个目标区域,从而分别提取目标区域特征信息,并将特征信息输入至评估模型中,通过评估模型对特征信息进行质量评估,实现评估模型根据不同的特征信息,以不同的方式进行评估,并根据评估得到的评估结果,确定质量符合预设标准的SAR图像,使该评估模型能够精准对应SAR图像中的各目标区域的图像特征进行评估,因而保证了对SAR图像进行评估时的准确性,继而提高相关人员解读的SAR图像的质量,提高了相关人员解读图像的精准性和效率。
附图说明
图1为本申请SAR图像评估方法第一实施例的流程示意图;
图2为本申请SAR图像评估方法另一实施例的流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供一种SAR图像评估方法,参照图1,图1为本申请SAR图像评估方法第一实施例的流程示意图。
本申请实施例提供了SAR图像评估方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。为了便于描述,以下省略执行主体描述SAR图像评估方法的各个步骤,SAR图像评估方法包括:
步骤S110:获取待评估的SAR图像;
在相关人员对SAR图像进行解读和识别之前,需要先对SAR图像的质量进行评定,筛选出部分质量较差的SAR图像,从而保证后续相关人员对质量高的图像进行解读,提高解读的效率,避免将解读时间用于质量较差的图像解读。
当前未经过质量评定的SAR图像即为待评估的SAR图像。
步骤S120:将所述SAR图像划分至预设数量个目标区域,并分别提取各目标区域中的特征信息;
预设数量可根据实际需要相关人员解读的SAR图像的内容而定,内容繁杂且分布散乱,即可设定多个目标区域,该预设数量即为限定目标区域的数量,该数量根据SAR图像的内容而定,具体的,该预设数量为至少两个。
示例性的,所述将所述SAR图像划分为预设数量个目标区域的步骤,包括:
步骤a:获取预设数量个待评估的目标点位;
待评估的目标点位可根据相关人员设定,并输入至***中,该目标点位的选取主要根据SAR图像主要显示的区域内容相关。
步骤b:将所述目标点位作为坐标中心,生成所述预设数量个初始区域;
步骤c:若所述初始区域之间存在重叠区域,则将存在重叠区域的多个初始区域转化为一个目标区域,并将不存在重叠区域的初始区域作为目标区域。
目标区域即为相关人员待解读内容的区域,该区域可由相关人员预先划定范围,或预先设置定位点,并根据划定的范围或定位点,将SAR图像划分出预设数量个目标区域。
示例性的,划定出目标区域时,可直接根据预先划定的范围生成初始区域,若初始区域无重叠的情况,则将其作为目标区域,也可根据预先设置的定位点进行划定,例如,将以定位点为中心,生成边长固定的方框的形式,以选定目标区域,或直接囊括多个定位点,生成相应的目标区域。
其中,在初始区域之间存在重叠区域时,即生成的若干个初始区域存在区域重叠的现象,此时,需要将存在重叠的区域进行融合,例如,直接生成将多个初始区域对应的定位点涵盖的面积较大的目标区域。
在划定等到预设数量个目标区域之后,需要针对各目标区域内的特征信息进行提取,例如:明暗对比度信息、结构信息、像素点位信息、分辨率信息、图像幅长信息、边缘信息等能够表现SAR图像特征的相应信息。
步骤S130:将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;
将特征信息输入至预设的评估模型中,通过预设的评估模型对特征信息进行质量评估,从而得到相应的质量评估的评估结果。
其中,该预设的评估模型是基于所述区域类型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的,即,该预设的评估模型可将特征信息进行分类,根据特征信息的复杂程度,将其对应的目标区域划分为复杂区域和简单区域,其中,简单区域的特征信息量低,且特征信息量的完整度、清晰度和分辨率等参数高,无需额外处理,即可对其质量进行评估,而复杂区域的特征信息量高,其存在干扰高,对其质量评估时需要结合多项内容,例如,考虑散射类型、明暗对比度等参数,进而对复杂区域对应的特征信息进行评估。
示例性的,所述将所述SAR图像划分至预设数量个目标区域,并分别提取各目标区域中的特征信息的步骤之后,包括:
步骤d:获取特征训练样本和所述特征训练样本的质量标签;
示例性的,特征训练样本为用于训练的特征样本,包括一定数量的特征信息。
示例性的,特征训练样本的质量标签为对应与特征训练样本的质量评估的评估结果。
步骤e:基于所述特征训练样本和所述质量标签,确定具有所述质量标签的特征训练样本的质量评估指标,并确定所述质量评估指标的指标权重;
示例性的,针对不同类型的目标区域可设定不同的评估指标,例如,针对简单区域仅评估其分辨度即可,针对复杂区域需评估其分辨度、模糊比和完整度等指标,而对应质量评估指标的指标权重即为对应上述指标的权重,根据目标区域的不同,设定不同的指标。
其中,针对简单区域,可设定出分辨度以外的其他指标的权重为0,即实现对简单区域进行评估时,仅评估其分辨度即可。
其中,针对复杂区域,可对应上述三个指标分别设定对应的权重。
步骤f:基于所述特征训练样本和所述质量标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的评估模型。
示例性的,基于所述特征训练样本和所述质量标签以及所述特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的测试预测模型,用于目标区域的质量评估。
示例性的,所述基于所述特征训练样本和所述质量标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的测试预测模型的步骤,包括:
步骤g:将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值;
示例性的,将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值,其中,预测特征评估值是在训练中的模型进行预测测试得到的。
步骤h:将所述预测特征评估值与所述特征训练样本的质量标签进行差异计算,得到误差结果;
示例性的,将所述预测特征评估值与所述特征训练样本的质量标签进行差异计算,即验证训练中的模型所得到的结果是否与已知的结果相一致,并进行结果之间的差异计算,得到误差结果。
步骤i:基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
示例性的,由于模型训练后的结果与实际的结果存在误差,允许误差结果在预设的误差阈值范围内,以此进一步判断所述误差结果是否满足预设误差阈值范围指示的误差标准。
步骤j:若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述评估模型。
示例性的,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则表示模型在此次训练中误差存在过大,则返回将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值的步骤,即进行迭代训练,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到满足精度条件的所述测试预测模型,以此提高模型评估的准确性。
与相关技术中,基于相关的评估方法对SAR图像质量进行评估,得到的评估结果的准确性低的情况相比,在本申请中,获取待评估的SAR图像;将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;根据所述评估结果,确定出质量符合预设标准的SAR图像,即将SAR图像进行划分为预设数量个目标区域,从而分别提取目标区域特征信息,并将特征信息输入至评估模型中,通过评估模型对特征信息进行质量评估,实现评估模型根据不同的特征信息,以不同的方式进行评估,并根据评估得到的评估结果,确定质量符合预设标准的SAR图像,使该评估模型能够精准对应SAR图像中的各目标区域的图像特征进行评估,因而保证了对SAR图像进行评估时的准确性,继而提高相关人员解读的SAR图像的质量,提高了相关人员解读图像的精准性和效率。
示例性的,基于上述本申请SAR图像评估方法第一实施例提出另一实施例,在该实施例中,参照图2,所述方法包括:
步骤S210:确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图;
在生成复杂程度的直方图时,综合考虑目标区域(各训练样本可视作为提取得到的目标区域,以下均以目标区域代替训练样本进行阐述)对应的特征信息的复杂程度,该复杂程度包括特征信息的清晰度(特征信息的完整性、特征信息的分辨率、模糊比、特征信息受到的干扰程度等)、特征信息中的结构特征的复杂性等。
示例性的,所述确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图的步骤,包括:
步骤k:解析所述特征信息中的分辨率、完整度和模糊比,并对所述分辨率、所述完整性和所述模糊比进行归一化处理,得到处理后的初始值;
步骤l:根据预设复杂权重,计算所述初始值之和,并根据所述初始值之和,生成所述训练样本对应复杂程度的直方图。
特征信息中至少包括了分辨率、完整度和模糊比等信息,针对上述三个信息,作为主要对SAR图像进行计算复杂程度的指标信息,首先将上述三个信息进行归一化处理,例如,将分辨率、完整度和模糊比各自对应的参数大小均转化为0-1之内的任意值。
在对上述数据进行归一化处理后,得到初始值,使用预设复杂权重,对初始值进行赋予权重,并计算初始值之和,并根据初始值之和作为目标区域的复杂值,从而对应生成目标区域对应的复杂程度的直方图。
步骤S220:根据所述直方图,统计所述特征信息对应的各目标区域的复杂值;
在直方图中,对应各目标区域分别生成一个复杂值,该复杂值越大,证明该特征信息对应的复杂程度越大,该复杂值与特征信息的复杂程度对应。
步骤S230:计算各复杂值之和的平均值,并将其作为标准值;
在生成直方图后,分别统计各直方图中的复杂值,该复杂值与特征信息所对应的目标区域存在一一对应关系。将各个复杂值进行求和,并计算求和后的平均值,并将该平均值作为标准值,该标准值用于区分当前各目标区域的区域类型。
其中,在计算平均值后,根据平均值预先筛选各目标区域的区域类型,并根据预先筛选的结果,计算分出不同区域类型的比例,若比例超出预设比例,则需要重新计算平均值,重新计算时可相应去除最低和最高的复杂值。
步骤S240:根据所述标准值,确定所述各训练样本对应的区域类型,并根据所述区域类型和所述特征信息,生成对应不同训练样本的质量标签。
各目标区域的区域类型可为简单区域和复杂区域,在根据区域类型,生成不同训练样本的区域类型的属性信息时,需要设定预设比例的区域类型,并将该区域类型的属性添加至该质量标签中,即控制模型最终输出的结果是针对不同类型的区域,生成不同的质量评估结果,例如,针对简单区域,仅输出部分指标对应的评估结果,针对复杂区域,需要输出比简单区域更多指标对应的评估结果。
预设比例可根据实际情况设定,具体可为简单区域的数量与复杂区域数量之比限定在1:2,避免因被归类与复杂区域的目标区域的数量过多,导致后续评估效率低,即控制通过模型分类得到的复杂区域的数量。根据该标准值,确定各目标区域对应的区域类型,例如,各目标区域对应的特征信息的复杂值大于标准值,则确定该目标区域为复杂区域,各目标区域对应的特征信息的复杂值小于标准值,则确定该目标区域为简单区域。
此外,特征信息作为SAR图像的特征,可根据特征信息的数量,或特征信息的复杂程度,确定特征信息所对应的目标区域的区域类型,该区域类型可分为简单类型区域和复杂类型区域。
其中,在简单区域中,其包含的特征信息的数量少、特征信息的复杂程度低,在复杂区域中,其包含的特征信息的数量多、特征信息的复杂程度高。
示例性的,目标区域的明暗对比度低,导致目标区域的结构特征不明显,该目标区域可作为复杂区域,或目标区域的分辨率低或在目标区域中的边缘信息复杂,无法直接提取得到最精准的信息,此类目标区域均可作为复杂区域。
而不同的区域需要采用不同的方式去评估,例如,复杂区域由于其特征信息不明显或特征信息复杂,从而导致对复杂区域进行评估时,无法准确评估该目标区域的质量,因此,针对复杂区域需进一步对其进行相应处理,保证能够精准对其进行评估。
示例性的,所述根据所述评估结果,确定出质量符合预设标准的SAR图像的步骤之后,包括:
步骤m:若所述SAR图像不符合所述预设标准,则通过Curvelet变换,对所述目标区域进行解析,得到高频子带和低频子带;
步骤n:根据预设增益系数,调整所述高频子带和低频子带,并对调整后的子带进行Curvelet反变换,得到去噪后的目标区域,并对所述去噪后的目标区域进行重评估;
步骤o:若重评估后的SAR图像仍不符合所述预设标准,则确定所述SAR图像为质量不合格的图像。
在SAR图像不符合预设标准时,则该SAR图像存在一种可能,即该SAR图像中的目标区域部分为复杂区域,其该复杂区域的特征信息存在干扰严重的情况,此时,则需要对该SAR图像进行相应处理,降低干扰和噪音。
Curvelet变换是在小波变换基础上发展出来的一种具有多方向性的多尺度几何分析方法。其适合分析二维图像的曲线或直线状边缘特征,具有更高的逼近精度和更好的稀疏表达能力。基于Curvelet变换的图像去噪和增强思想,通过多采取阈值法或通过设计非线性增强函数抑制Curvelet变换域高频小系数,增强大系数。但是得益于Curvelet变换对图像中直线、曲线等信息具有更优异的表达,Curvelet变换能够取得比小波变换更加理想的去噪和增强效果。
具体地,可使用Curvelet变换对图像进行分解,获得低频子带和不同尺度、不同方向的高频子带;并将低频子带系数乘以一个小的增益系数,抑制图像的背景信息;同时,需要设计一个有方向选择性的高频增强函数,对于接近于水平方向的高频子带,设置较大的增益倍数和较小的阈值;对于接近于垂直方向的高频子带,设置较小的增益倍数和较大的阈值;最后,对经过处理后的系数进行Curvelet反变换,得到增强后的图像。
其中,选取的分解尺度数量为4~8(包含低频子带),对于第二粗的尺度级别,选取的方向数量为8或16。
其中,预设增益系数取值为0.6~1。
在本实施例中,确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图;根据所述直方图,统计所述特征信息对应的各训练样本的复杂值;计算各复杂值之和的平均值,并将其作为标准值;根据所述标准值,确定所述各训练样本对应的区域类型,并根据所述区域类型和所述特征信息,生成对应不同训练样本的质量标签,也就是说,根据对图像进行质量评估的场景不同,同时根据质量标签中对应的区域类型的属性,以影响模型最终对图像质量评估时的精准度。
此外,本申请还提供一种SAR图像评估装置,所述一种SAR图像评估装置包括:
获取模块,用于获取待评估的SAR图像;
处理模块,用于将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;
输入模块,用于将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;
确定模块,用于根据所述评估结果,确定出质量符合预设标准的SAR图像。
示例性的,所述装置还包括:
样本获取模块,用于获取特征训练样本和所述特征训练样本的质量标签;
样本确定模块,用于基于所述特征训练样本和所述质量标签,确定具有所述质量标签的特征训练样本的质量评估指标,并确定所述质量评估指标的指标权重;
样本训练模块,用于基于所述特征训练样本和所述质量标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的评估模型。
示例性的,所述样本训练模块包括:
输入子模块,用于将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值;
第一计算子模块,用于将所述预测特征评估值与所述特征训练样本的质量标签进行差异计算,得到误差结果;
判断子模块,用于基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
迭代子模块,用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述评估模型;
第一生成子模块,用于确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图;
统计子模块,用于根据所述直方图,统计所述特征信息对应的各目标区域的复杂值;
第二计算子模块,用于计算各复杂值之和的平均值,并将其作为标准值;
确定子模块,用于根据所述标准值,确定所述各训练样本对应的区域类型,并根据所述区域类型和所述特征信息,生成对应不同训练样本的质量标签。
示例性的,所述第一生成子模块包括:
解析单元,用于解析所述特征信息中的分辨率、完整度和模糊比,并对所述分辨率、所述完整性和所述模糊比进行归一化处理,得到处理后的初始值;
生成单元,用于根据预设复杂权重,计算所述初始值之和,并根据所述初始值之和,生成所述训练样本对应复杂程度的直方图。
示例性的,所述处理模块包括:
获取子模块,用于获取预设数量个待评估的目标点位;
第二生成子模块,用于将所述目标点位作为坐标中心,生成所述预设数量个初始区域;
转化子模块,用于若所述初始区域之间存在重叠区域,则将存在重叠区域的多个初始区域转化为一个目标区域,并将不存在重叠区域的初始区域作为目标区域。
示例性的,所述装置还包括:
变换模块,用于若所述SAR图像不符合所述预设标准,则通过Curvelet变换,对所述目标区域进行解析,得到高频子带和低频子带;
调整模块,用于根据预设增益系数,调整所述高频子带和低频子带,并对调整后的子带进行Curvelet反变换,得到去噪后的目标区域,并对所述去噪后的目标区域进行重评估;
分类模块,用于若重评估后的SAR图像仍不符合所述预设标准,则确定所述SAR图像为质量不合格的图像。
本申请SAR图像评估装置具体实施方式与上述SAR图像评估方法各实施例基本相同,在此不再赘述。
此外,本申请还提供一种SAR图像评估设备。如图3所示,图3是本申请实施例方案涉及的硬件运行环境的结构示意图。
示例性的,图3即可为SAR图像评估设备的硬件运行环境的结构示意图。
如图3所示,该SAR图像评估设备可以包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301、通信接口302和存储器303通过通信总线304完成相互间的通信,存储器303,用于存放计算机程序;处理器301,用于执行存储器303上所存放的程序时,实现SAR图像评估方法的步骤。
上述SAR图像评估设备提到的通信总线304可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线304可以分为地址总线、数据总线和控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述SAR图像评估设备与其他设备之间的通信。
存储器303可以包括随机存取存储器(Random Access Memory,RMD),也可以包括非易失性存储器(Non-Volatile Memory,NM),例如至少一个磁盘存储器。可选的,存储器303还可以是至少一个位于远离前述处理器301的存储装置。
上述的处理器301可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请SAR图像评估设备具体实施方式与上述SAR图像评估方法各实施例基本相同,在此不再赘述。
此外,本申请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上存储有SAR图像评估程序,所述SAR图像评估程序被处理器执行时实现如上所述的SAR图像评估方法的步骤。
本申请计算机可读存储介质具体实施方式与上述SAR图像评估方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种SAR图像评估方法,其特征在于,所述SAR图像评估方法包括以下步骤:
获取待评估的SAR图像;
将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;
将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;
根据所述评估结果,确定出质量符合预设标准的SAR图像。
2.如权利要求1所述的SAR图像评估方法,其特征在于,所述将所述SAR图像划分至预设数量个目标区域,并分别提取各目标区域中的特征信息的步骤之后,包括:
获取特征训练样本和所述特征训练样本的质量标签;
基于所述特征训练样本和所述质量标签,确定具有所述质量标签的特征训练样本的质量评估指标,并确定所述质量评估指标的指标权重;
基于所述特征训练样本和所述质量标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的评估模型。
3.如权利要求2所述的SAR图像评估方法,其特征在于,所述基于所述特征训练样本和所述质量标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的测试预测模型的步骤,包括:
将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值;
将所述预测特征评估值与所述特征训练样本的质量标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述特征训练样本和所述指标权重输入至所述待训练模型,得到预测特征评估值的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述评估模型。
4.如权利要求2所述的SAR图像评估方法,其特征在于,所述获取特征训练样本和所述特征训练样本的质量标签的步骤之前,包括:
确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图;
根据所述直方图,统计所述特征信息对应的各训练样本的复杂值;
计算各复杂值之和的平均值,并将其作为标准值;
根据所述标准值,确定所述各训练样本对应的区域类型,并根据所述区域类型和所述特征信息,生成对应不同训练样本的质量标签。
5.如权利要求4所述的SAR图像评估方法,其特征在于,所述确定所述训练样本的特征信息,并根据所述特征信息,生成所述训练样本对应复杂程度的直方图的步骤,包括:
解析所述特征信息中的分辨率、完整度和模糊比,并对所述分辨率、所述完整性和所述模糊比进行归一化处理,得到处理后的初始值;
根据预设复杂权重,计算所述初始值之和,并根据所述初始值之和,生成所述训练样本对应复杂程度的直方图。
6.如权利要求1所述的SAR图像评估方法,其特征在于,所述将所述SAR图像划分为预设数量个目标区域的步骤,包括:
获取预设数量个待评估的目标点位;
将所述目标点位作为坐标中心,生成所述预设数量个初始区域;
若所述初始区域之间存在重叠区域,则将存在重叠区域的多个初始区域转化为一个目标区域,并将不存在重叠区域的初始区域作为目标区域。
7.如权利要求1所述的SAR图像评估方法,其特征在于,所述根据所述评估结果,确定出质量符合预设标准的SAR图像的步骤之后,包括:
若所述SAR图像不符合所述预设标准,则通过Curvelet变换,对所述目标区域进行解析,得到高频子带和低频子带;
根据预设增益系数,调整所述高频子带和低频子带,并对调整后的子带进行Curvelet反变换,得到去噪后的目标区域,并对所述去噪后的目标区域进行重评估;
若重评估后的SAR图像仍不符合所述预设标准,则确定所述SAR图像为质量不合格的图像。
8.一种SAR图像评估装置,其特征在于,所述SAR图像评估装置包括:
获取模块,用于获取待评估的SAR图像;
处理模块,用于将所述SAR图像划分为预设数量个目标区域,并分别提取各目标区域中的特征信息;
输入模块,用于将所述特征信息输入至预设的评估模型,以供所述评估模型对所述特征信息进行质量评估,得到评估结果;所述评估模型是基于特征训练样本、所述特征训练样本的质量标签,对待训练模型进行迭代训练后得到的;
确定模块,用于根据所述评估结果,确定出质量符合预设标准的SAR图像。
9.一种SAR图像评估设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的SAR图像评估程序,所述SAR图像评估程序配置为实现如权利要求1至7中任一项所述的SAR图像评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有SAR图像评估程序,所述SAR图像评估程序被处理器执行时实现如权利要求1至7中任一项所述的SAR图像评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076893.3A CN116958122B (zh) | 2023-08-24 | 2023-08-24 | Sar图像评估方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076893.3A CN116958122B (zh) | 2023-08-24 | 2023-08-24 | Sar图像评估方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958122A true CN116958122A (zh) | 2023-10-27 |
CN116958122B CN116958122B (zh) | 2024-06-21 |
Family
ID=88447635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311076893.3A Active CN116958122B (zh) | 2023-08-24 | 2023-08-24 | Sar图像评估方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958122B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069099A (zh) * | 2024-04-24 | 2024-05-24 | 北京东远润兴科技有限公司 | 基于fpga多个矩阵并行流水转置sar成像方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550145A (zh) * | 2018-04-11 | 2018-09-18 | 北京环境特性研究所 | 一种sar图像质量评估方法和装置 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
CN112700408A (zh) * | 2020-12-28 | 2021-04-23 | ***股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
CN114091969A (zh) * | 2021-12-01 | 2022-02-25 | 上海明胜品智人工智能科技有限公司 | 餐品品质评估方法、装置、电子设备及可读存储介质 |
US20220207728A1 (en) * | 2019-04-05 | 2022-06-30 | Oxford University Innovation Limited | Quality assessment in video endoscopy |
CN114913159A (zh) * | 2022-05-23 | 2022-08-16 | 中国科学院深圳先进技术研究院 | 超声图像的质量评估方法、模型训练方法及电子设备 |
CN115629930A (zh) * | 2022-12-23 | 2023-01-20 | 北京东远润兴科技有限公司 | 基于dsp***的故障检测方法、装置、设备及存储介质 |
CN115631399A (zh) * | 2022-10-25 | 2023-01-20 | 深圳须弥云图空间科技有限公司 | 图像质量评估模型的训练方法、图像质量评估方法及装置 |
WO2023071464A1 (zh) * | 2021-10-29 | 2023-05-04 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN116486273A (zh) * | 2023-06-20 | 2023-07-25 | 南昌工程学院 | 一种小样本遥感图像水体信息提取方法 |
-
2023
- 2023-08-24 CN CN202311076893.3A patent/CN116958122B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550145A (zh) * | 2018-04-11 | 2018-09-18 | 北京环境特性研究所 | 一种sar图像质量评估方法和装置 |
US20220207728A1 (en) * | 2019-04-05 | 2022-06-30 | Oxford University Innovation Limited | Quality assessment in video endoscopy |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
CN112700408A (zh) * | 2020-12-28 | 2021-04-23 | ***股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
WO2022142445A1 (zh) * | 2020-12-28 | 2022-07-07 | ***股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
WO2023071464A1 (zh) * | 2021-10-29 | 2023-05-04 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN114091969A (zh) * | 2021-12-01 | 2022-02-25 | 上海明胜品智人工智能科技有限公司 | 餐品品质评估方法、装置、电子设备及可读存储介质 |
CN114913159A (zh) * | 2022-05-23 | 2022-08-16 | 中国科学院深圳先进技术研究院 | 超声图像的质量评估方法、模型训练方法及电子设备 |
CN115631399A (zh) * | 2022-10-25 | 2023-01-20 | 深圳须弥云图空间科技有限公司 | 图像质量评估模型的训练方法、图像质量评估方法及装置 |
CN115629930A (zh) * | 2022-12-23 | 2023-01-20 | 北京东远润兴科技有限公司 | 基于dsp***的故障检测方法、装置、设备及存储介质 |
CN116486273A (zh) * | 2023-06-20 | 2023-07-25 | 南昌工程学院 | 一种小样本遥感图像水体信息提取方法 |
Non-Patent Citations (9)
Title |
---|
ZHONG, TX AND DONG, GG: ""New SAR clutter simulation and quality assessment techniques"", 《REMOTE SENSING LETTERS》, vol. 14, no. 6, 30 June 2023 (2023-06-30) * |
刘锦帆;徐浩煜;梁兴东;李炎磊: ""基于HVS结构相似度的极化SAR图像质量评价方法"", 《国外电子测量技术》, vol. 34, no. 11, 30 November 2015 (2015-11-30) * |
孙佳兴,姚慧婧: ""机载SAR成像质量的评估准则研究"", 《中国科技信息》, no. 21, 30 November 2020 (2020-11-30) * |
李国靖;叶伟;劳国超;张子博;: "欺骗目标仿真SAR图像可信度评估方法", 《电子信息对抗技术》, no. 03, 15 May 2018 (2018-05-15) * |
李林: ""基于Curvelet变换的SAR图像增强"", 《仪器仪表学报》, vol. 27, no. 06, 30 June 2006 (2006-06-30), pages 2134 - 2135 * |
段群等: ""一种基于Curvelet变换的指纹图像增强方法"", 《电子测量技术》, vol. 32, no. 2, 28 February 2009 (2009-02-28) * |
王哲远;李元祥;郁文贤: ""SAR图像质量评价综述"", 《遥感信息》, vol. 31, no. 05, 31 October 2016 (2016-10-31) * |
鲁自立;贾鑫;曾创展;: "基于特征提取的快速SAR-BM3D相干斑抑制算法", 《电子测量技术》, no. 01, 15 January 2018 (2018-01-15) * |
黄璐;王洋;金胜;: "一种ISAR图像性能定量评估方法", 《雷达科学与技术》, no. 01, 15 February 2017 (2017-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069099A (zh) * | 2024-04-24 | 2024-05-24 | 北京东远润兴科技有限公司 | 基于fpga多个矩阵并行流水转置sar成像方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116958122B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113498528B (zh) | 图像缺陷确定方法与装置、电子设备及存储介质 | |
Xu et al. | Review of video and image defogging algorithms and related studies on image restoration and enhancement | |
Singh et al. | A novel optical image denoising technique using convolutional neural network and anisotropic diffusion for real-time surveillance applications | |
CN116958122B (zh) | Sar图像评估方法、装置、设备及可读存储介质 | |
CN103971127B (zh) | 一种前视雷达成像海面目标关键点检测识别方法 | |
Yuan et al. | A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm | |
CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
CN114820465A (zh) | 点云检测模型训练方法、装置、电子设备及存储介质 | |
CN110766007B (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
Huang et al. | A new SAR image segmentation algorithm for the detection of target and shadow regions | |
CN111445058B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
Serir et al. | No-reference blur image quality measure based on multiplicative multiresolution decomposition | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN110235177B (zh) | 图像处理装置、图像识别装置、以及存储介质 | |
Xie et al. | Reduced-reference image quality metric based on statistic model in complex wavelet transform domain | |
Vitalii et al. | An automated method for finding the optimal parameters of adaptive filters for speckle denoising of SAR images | |
CN116030300A (zh) | 一种用于零样本sar目标识别的渐进式域自适应识别方法 | |
CN113962968B (zh) | 面向复杂电磁环境下多源混合干扰雷达图像目标检测*** | |
CN116109581A (zh) | 混凝土道路监测方法、装置、电子设备及存储介质 | |
CN115810105A (zh) | 一种全景分割方法、装置、设备及存储介质 | |
CN111127485B (zh) | 一种ct图像中目标区域提取方法、装置及设备 | |
Khosravi et al. | A new paradigm for image quality assessment based on human abstract layers of quality perception | |
CN112712550A (zh) | 一种图像质量评价方法及装置 | |
US20210396869A1 (en) | Ship detection system, method, and program | |
CN111914898B (zh) | 一种基于自适应阈值的机载sar任务适应性评估方法 |
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 |